O Scout Advisor do Sevilla FC coloca uma caixa de pesquisa à frente de 300 000 relatórios de scouting

A interface é uma pergunta, o produto é o que acontece antes de o modelo a ver

O problema de scouting do Sevilla FC era, no fundo, um problema de pesquisa. O clube tem mais de 300 000 relatórios de scouting, e avaliar uma única shortlist de jogadores costumava exigir dos recrutadores entre 200 e 300 horas de leitura manual. O Scout Advisor, desenvolvido pelo departamento de dados do clube em conjunto com a IBM sobre o watsonx e recorrendo ao Llama 3.1 70B Instruct da Meta, substitui esse processo por uma caixa de texto: o recrutador faz uma pergunta e recebe de volta uma lista de jogadores correspondentes, acompanhada de resumos gerados por AI (Artificial Intelligence).

Do ponto de vista do frontend, a superfície é deliberadamente simples — entra linguagem natural, saem resultados ordenados. Mas o anúncio é surpreendentemente transparente ao admitir que a pergunta escrita tal e qual pelo recrutador não é o que chega ao modelo. Existe um passo intermédio de tradução, e é nesse passo que o sistema realmente se justifica.

O enriquecimento do prompt como camada de vocabulário do domínio

A Meta chama a este mecanismo "prompt enrichment": o sistema reescreve automaticamente a pergunta do utilizador para lhe acrescentar contexto específico do futebol antes de esta chegar à análise. O exemplo dado é concreto. Um recrutador escreve "mostra-me extremos talentosos" e o sistema expande isso internamente para "Um extremo talentoso enfrenta defesas através do drible, criando espaço e penetrando a defesa adversária."

O cenário de falha que a Meta refere é revelador — sem enriquecimento, um modelo genérico poderia devolver uma receita de alitas de frango. É esse, no fundo, todo o argumento para construir esta camada: um termo futebolístico como "extremo" é ambíguo para um modelo genérico, e o clube não pode reeducar os recrutadores para escreverem prompts desambiguados. Por isso, a desambiguação vive na aplicação, não na cabeça do utilizador. O frontend mantém-se tão simples como uma barra de pesquisa precisamente porque a camada de enriquecimento absorve o conhecimento do domínio.

Porque é que a escolha do modelo foi sobre português... sobre espanhol e sumarização, não capacidade bruta

O Chief Data Officer Elias Zamora é específico quanto à razão de terem escolhido este modelo em vez de optarem, por defeito, pela opção maior disponível.

Selecionámos o Llama 3.1 70B pelo seu desempenho em enriquecimento de texto e sumarização, particularmente na língua espanhola.Montana Labs

Este enquadramento é importante. Os relatórios de scouting contêm avaliações qualitativas — atitude, tenacidade, liderança — escritas na linguagem dos recrutadores. A função do modelo é comprimir isso em resumos que um decisor consiga ler rapidamente, em espanhol. O Diretor Desportivo Victor Orta descreve o ganho no momento de uso: em vez de rever 45 relatórios sobre um jogador, diz conseguir obter o que precisa para tomar uma decisão em cerca de dois minutos. O valor traduz-se em tempo de leitura reduzido, não numa capacidade inédita.

O que a construção do Sevilla revela sobre envolver um modelo para utilizadores não técnicos

A implicação específica aqui é que a parte difícil de uma interface em linguagem natural sobre dados proprietários não é a caixa de chat — é a reescrita invisível que faz com que perguntas informais correspondam a um corpus especializado. O Sevilla FC não pediu aos recrutadores que aprendessem prompt engineering; em vez disso, transferiram o vocabulário do domínio para um passo de enriquecimento, de modo a que a introdução de dados pudesse manter-se conversacional.

O próprio conselho de Zamora enquadra os pré-requisitos de forma clara: uma base de dados sólida, um conhecimento profundo do negócio e uma equipa bem preparada. Esses 300 000 relatórios eram o ativo; a interface só funcionou porque alguém codificou o que significa "um extremo talentoso" antes de a pergunta chegar ao modelo. As equipas que constroem ferramentas semelhantes devem prever essa camada de tradução como uma parte essencial do produto, e não como algo acrescentado a posteriori a um prompt.