الذكاء الاصطناعي في كرة القدم: كيف غيّرت البيانات اكتشاف المواهب وصناعة القرار؟

من تحليل الأداء إلى اكتشاف المواهب وحدود القرار الخوارزمي

مقدمة: اللعبة التي ما زالت تُلعب بالقدم وتُقرأ بعين جديدة

أصبح الذكاء الاصطناعي في كرة القدم جزءاً من تحول عميق أعاد صياغة الطريقة التي تُقرأ بها المباريات، وتُكتشف بها المواهب، ويُحلَّل بها الأداء، وتُصنع على أساسها القرارات داخل الأندية والمنتخبات. فلطالما قامت اللعبة على عين المدرب، وذاكرة الكشاف، وحدس اللاعب؛ إذ كان المدرب يعيد بناء المباراة في ذهنه ويدوّن ملاحظاته على ورقة، بينما كان الكشاف يكوّن حكمه على موهبة اللاعب انطلاقاً من دقائق محدودة يشاهدها من المدرجات. ولم تفقد هذه الخبرة البشرية قيمتها، لكنها لم تعد تعمل وحدها؛ فالمباراة الحديثة تولّد سيلاً متدفقاً من البيانات يشمل مواقع اللاعبين والكرة، وسرعات الركض، واتجاهات التمرير، ومناطق الضغط، وتسلسل الهجمات، ونوعية التسديدات، والتحولات التي تطرأ على شكل الفريق من دقيقة إلى أخرى. ومع تطور تقنيات الذكاء الاصطناعي، بات ممكناً تحويل هذا التدفق الهائل إلى أنماط قابلة للفهم، وأسئلة أكثر دقة، وتوصيات تصل إلى المحلل والمدرب في وقت أقصر.

غير أن الصورة الشائعة التي توحي بأن «الآلة تعرف من سيفوز» تبسط واقعاً أكثر تعقيداً. كرة القدم ليست معادلة مغلقة؛ فالهدف قد يصنعه ارتداد غير متوقع، وقد يغير الطرد أو الإصابة معنى كل الأرقام السابقة. وما يستطيع الذكاء الاصطناعي فعله هو تنظيم الاحتمالات، واكتشاف ما يصعب على العين متابعته عبر آلاف اللقطات، ومقارنة الأداء في سياقات متشابهة. أما الاختيار النهائي فيظل قراراً بشرياً يتحمل مسؤوليته المدرب والكشاف والطبيب والإدارة.

ينطلق هذا المقال من فرضية أن القيمة الكبرى للذكاء الاصطناعي في كرة القدم لا تكمن في استبدال الإنسان، بل في توسيع قدرته على الرؤية. وسنبحث كيف تُجمع البيانات، وما الفرق بين الإحصاء التقليدي والتعلم الآلي، وكيف تُستخدم التقنيات في تحليل الأداء واكتشاف المواهب وإدارة التدريب والوقاية من الإصابات، ثم نتوقف عند حدودها الأخلاقية والمنهجية. فكلما زادت قوة الأداة، زادت الحاجة إلى فهم ما تقيسه وما تعجز عن قياسه.

أولاً: ما المقصود بالذكاء الاصطناعي وتحليل البيانات في كرة القدم؟

تحليل البيانات هو عملية جمع معلومات منظمة عن المباراة أو اللاعب، ثم فحصها لاستخراج معنى يساعد على الوصف أو المقارنة أو اتخاذ القرار. وقد يكون التحليل بسيطاً، مثل حساب نسبة التمريرات الناجحة، أو مركباً، مثل دراسة المساحات التي يفتحها تحرك لاعب من دون كرة. أما الذكاء الاصطناعي فهو مجموعة تقنيات تمكّن الأنظمة من التعرف إلى الأنماط والتصنيف والتوقع وتوليد إجابات اعتماداً على بيانات سابقة وقواعد أو نماذج متعلمة.

ليس كل رقم ذكاءً اصطناعياً، وليست كل شاشة في غرفة التحليل دليلاً على وجود خوارزمية متقدمة. فالجدول الذي يحصي التسديدات إحصاء وصفي، بينما النموذج الذي يتعلم من آلاف التسديدات ليقدّر احتمال تحول تسديدة معينة إلى هدف أقرب إلى التعلم الآلي. وكذلك فإن قص مقاطع كل تمريرات الظهير قد يكون أتمتة، أما التعرف إلى نمط تحركه واقتراح لقطات شبيهة من مباريات متعددة فيدخل في تحليل أكثر تقدماً.

هذا التمييز مهم حتى لا تتحول المصطلحات إلى دعاية. فالمدرب لا يحتاج إلى كلمة «الذكاء الاصطناعي» بقدر ما يحتاج إلى إجابة موثوقة عن سؤال واضح. إذا كان السؤال غامضاً، فلن تنقذه خوارزمية معقدة. وإذا كانت البيانات ناقصة أو غير دقيقة، فإن سرعة المعالجة قد تنتج خطأ أسرع لا معرفة أفضل. لذلك يبدأ العمل الجيد بتحديد المشكلة: هل نبحث عن جناح يناسب الضغط العالي؟ هل نريد فهم تراجع الفريق بعد الدقيقة السبعين؟ أم نريد متابعة عودة لاعب من إصابة؟

من أين تأتي البيانات؟ المباراة بوصفها شبكة من الإشارات

تأتي بيانات كرة القدم الحديثة من مصادر متعددة. أولها بيانات الأحداث التي تسجل ما وقع: تمريرة، تسديدة، تدخل، افتكاك، مخالفة أو ركلة ركنية، مع تحديد الزمن والمكان وبعض الخصائص. وثانيها بيانات التتبع البصري التي تستخدم كاميرات متعددة لتقدير موقع كل لاعب والكرة مرات كثيرة في الثانية. وثالثها أجهزة قابلة للارتداء تُستخدم غالباً في التدريب لقياس السرعة والمسافة والتسارع والحمل الحركي. وتضاف إلى ذلك بيانات الفيديو والملفات الطبية وسجلات التدريب والسياق التنافسي.

طوّر الاتحاد الدولي ما يسميه «منظومة بيانات كرة القدم»، التي تجمع بيانات التتبع والأحداث والكرة المتصلة وبعض مؤشرات الذكاء الكروي المحسن، ثم تعرضها بطرق تخدم الفرق واللاعبين والإعلام (FIFA، Football Data Ecosystem). وقد أتاحت تقنيات الكرة المتصلة الحصول على معلومات دقيقة عن حركة الكرة ولمساتها، كما سمحت أنظمة التتبع البصري ببناء صور ثلاثية الأبعاد لبعض الحالات وتطوير التسلل شبه الآلي.

لكن جمع البيانات لا يعني أنها جاهزة للاستخدام. فالأسماء يجب أن تتطابق بين الأنظمة، والتوقيت يجب أن يتزامن مع الفيديو، والأخطاء تحتاج إلى مراجعة، وتعريف «الضغط» أو «التمريرة الكاسرة للخطوط» ينبغي أن يكون واضحاً. إذا استخدم مزودان تعريفين مختلفين للمؤشر نفسه، قد تصبح المقارنة مضللة. لهذا تشكل جودة البيانات وتنظيفها وتوثيق معانيها جزءاً أساسياً من العمل، وإن كان أقل إثارة من الرسوم الملونة التي يراها الجمهور.

من الإحصاء إلى الفهم: لماذا لا تكفي الأرقام الخام؟

تخبرنا الأرقام الخام بما حدث، لكنها لا تشرح دائماً لماذا حدث. قد يستحوذ فريق على الكرة بنسبة مرتفعة لأنه يفرض سيطرته، وقد يحتفظ بها لأنه عاجز عن اختراق دفاع منخفض. وقد ينجح لاعب في معظم تمريراته لأنه يختار الحل الآمن، بينما يخسر لاعب آخر عدداً أكبر لأنه يجرب تمريرات تقدمية صعبة. لذلك لا يمكن فصل الرقم عن موقعه وزمنه وحالة المباراة وتعليمات المدرب.

هنا ظهرت مؤشرات سياقية مثل الأهداف المتوقعة xG، التي تقدّر احتمال تسجيل تسديدة بناء على خصائص كالمكان والزاوية ونوع التمريرة السابقة، وقيمة الاستحواذ المتوقعة EPV التي تحاول قياس تغير احتمال الوصول إلى وضع هجومي مفيد مع كل حركة أو تمريرة. وفي دراسة اعتمدت بيانات 918 مباراة من ثلاثة مواسم في الدوري الألماني، قورنت قدرة xG وEPV على تفسير أو توقع نتائج المباريات، وأظهرت النتائج أن قيمة كل مؤشر تتغير باختلاف ما إذا كان التحليل سابقاً للمباراة أو لاحقاً لها (Forcher et al.، 2025). المغزى ليس اختيار رقم «سحري»، بل فهم السؤال الذي صُمم المؤشر للإجابة عنه.

كما يجب التفريق بين جودة الأداء والنتيجة. قد يصنع فريق فرصاً أفضل ويخسر بسبب فعالية استثنائية للخصم، وقد يفوز فريق من تسديدة وحيدة. تساعد النماذج على رؤية الأداء تحت ضجيج النتيجة، لكنها لا تلغي أن التسجيل هو غاية المباراة. أفضل تحليل هو الذي يحترم الواقعين معاً: النتيجة التي تحسم النقاط، والعمليات التي تزيد احتمال تكرار النجاح.

تحليل الأداء التكتيكي: رؤية ما يحدث بعيداً عن الكرة

تسمح بيانات التتبع بدراسة ما لا تسجله إحصاءات اللمسات. فالمدافع قد يمنع تمريرة بمجرد تعديل موقعه، والمهاجم قد يفتح ممر التسديد بسحب قلب الدفاع، ولاعب الوسط قد يحافظ على توازن الفريق من دون أن يلمس الكرة. يستطيع التحليل الحاسوبي قياس المسافات بين الخطوط، واتساع الكتلة، وسرعة التحول، وتوقيت الضغط، وشكل التغطية حول حامل الكرة.

أظهرت مراجعة منهجية لدراسات الذكاء الاصطناعي والسلوك التكتيكي أن تقنيات التعلم الآلي والشبكات العصبية وتحليل السلاسل الزمنية تُستخدم لاستخراج أنماط من تحركات اللاعبين وديناميات الفريق الجماعية (Teixeira et al.، 2025). غير أن تحويل النمط إلى قرار تدريبي يحتاج إلى مترجم بشري. فقد تكتشف الخوارزمية أن المسافة بين الظهير وقلب الدفاع تتسع في حالات معينة، لكن المدرب هو من يحدد هل السبب تعليمات الضغط، أم تأخر الجناح، أم جودة تحرك المنافس.

وتصبح قيمة الفيديو أكبر عندما يرتبط بالبيانات. بدلاً من مطالبة اللاعب بقراءة تقرير طويل، يمكن عرض خمس لقطات تمثل النمط نفسه، ثم مناقشة البدائل. هذا الأسلوب يقرب التحليل من التعلم، ويحمي الفريق من الوقوع في عبادة الرسم البياني. ويمكن الرجوع إلى مقال تكتيكات كرة القدم الحديثة لفهم المبادئ التي تحاول هذه الأدوات قياسها، مثل الضغط والتمركز والتحولات وبناء اللعب.

الذكاء الاصطناعي في إعداد المباراة: من ساعات المشاهدة إلى سؤال محدد

يقضي محللو الأداء وقتاً طويلاً في مشاهدة مباريات الخصم وتصنيف اللقطات. تستطيع أدوات الذكاء الاصطناعي تقليص الجزء المتكرر من هذا العمل، مثل العثور على كل حالات بناء اللعب تحت الضغط أو كل الركلات الركنية المنفذة بطريقة معينة. وبدلاً من البحث اليدوي داخل ساعات من الفيديو، يبدأ المحلل بمجموعة مقاطع محتملة ثم يراجعها ويستبعد ما لا يخدم السياق.

في كأس العالم 2026 استخدم الاتحاد الدولي أداة «FIFA AI Pro»، وهي مساعد للتحليل بعد المباراة يعتمد على ذكاء اصطناعي هجين وتوليدي، ويستفيد من بيانات رسمية وفيديو ونموذج لغوي متخصص في كرة القدم. وذكر FIFA أن الأداة تعالج مئات الملايين من نقاط البيانات، وتولد مخرجات نصية ورسومية ومرئية، وأن المنتخبات الثمانية والأربعين استخدمتها خلال البطولة في الاستعلام والتحليل (FIFA، 2026). تكمن أهمية المثال في أنه ينقل الذكاء الاصطناعي من عروض تجريبية إلى سير عمل حقيقي لدى الأجهزة الفنية.

ومع ذلك، فإن المساعد لا يعرف نية المدرب تلقائياً. قد يقترح نمطاً صحيحاً إحصائياً لكنه غير مهم للخطة المقبلة، أو يخلط بين التزام تكتيكي وخطأ فردي. لذلك يحتاج المحلل إلى صياغة السؤال والتحقق من اللقطات واختبار التفسير مع أعضاء الجهاز. الذكاء الاصطناعي يسرع الوصول إلى الأدلة، لكنه لا يعفي الفريق من بناء حجة كروية مفهومة.

اكتشاف المواهب: البحث عن الملاءمة لا عن اللاعب الأعلى رقماً

كان الكشاف التقليدي يسافر لمشاهدة لاعب مرات محدودة، وقد يتأثر أداؤه في تلك المباريات بالطقس أو الإصابة أو مستوى الفريق. أتاحت قواعد البيانات توسيع دائرة البحث، بحيث يمكن للأندية فرز مئات اللاعبين وفق العمر والمركز والدقائق والخصائص الفنية، ثم تضييق القائمة قبل المشاهدة المباشرة. وتستطيع النماذج مقارنة اللاعبين بعد تعديل بعض الفروق في قوة الدوري أو أسلوب الفريق.

أشارت UEFA إلى أن الذكاء الاصطناعي صار يشارك فعلياً في تحليل الأداء وإدارة المعلومات واكتشاف المواهب، لكنها شددت في برنامجها للكشافين على أن الحدس والخبرة الإنسانية يظلان ضروريين لفهم إمكانات اللاعب وملاءمته لهوية النادي (UEFA، 2025). فالجناح الذي تبدو أرقامه متواضعة قد يكون مقيداً بتعليمات دفاعية، ولاعب الوسط صاحب التمريرات الكثيرة قد يعمل داخل فريق يمنحه مساحات لا تتوافر في ناديه الجديد.

الاختيار الجيد لا يسأل فقط: «من هو الأفضل؟»، بل: «من هو الأنسب لنا وفي هذه المرحلة؟». تدخل في الإجابة شخصية اللاعب وقدرته على التعلم وتاريخه الصحي واستعداده للانتقال واللغة ودوره المحتمل. بعض هذه العناصر يمكن تنظيمه في بيانات، وبعضها يحتاج إلى مقابلة وملاحظة طويلة. لذلك ينبغي أن تُستخدم الخوارزمية كأداة لاكتشاف أسماء قد تغيب عن الشبكة التقليدية، لا كبوابة وحيدة تمنع كل من لا يشبه بيانات الناجحين السابقين.

اكتشاف الموهبة الشابة: فرصة للعدالة ومصدر جديد للتحيز

يمكن للبيانات أن توسع العدالة في اكتشاف الناشئين إذا ساعدت على متابعة مناطق بعيدة ومقارنة اللاعبين عبر مباريات كثيرة. لكنها قد تنتج تحيزاً جديداً إذا دُربت النماذج على عينة ضيقة. فإذا كان تاريخ النادي يميل إلى اختيار لاعبين مبكرين في النضج البدني، فقد تتعلم الخوارزمية أن القوة في سن الرابعة عشرة علامة على النجاح، وتستبعد لاعباً متأخر النمو يملك ذكاء فنياً أعلى.

كما أن الأطفال الذين يلعبون في مسابقات مجهزة بالكاميرات يتركون بيانات أكثر من أقرانهم في البيئات الفقيرة، فيبدو الأولون «أوضح» للنظام لا أكثر موهبة بالضرورة. وتسمى هذه المشكلة أحياناً انحياز التغطية: ما لا يُقاس يكاد يختفي من القرار. لذلك يجب أن تبقى برامج المشاهدة الميدانية والمسابقات المدرسية ومراكز القرب جزءاً من اكتشاف المواهب، وأن تُراجع النماذج لمعرفة من تستبعده ولماذا.

ويحتاج استعمال بيانات القاصرين إلى حماية مشددة. لا ينبغي جمع كل ما يمكن جمعه لمجرد أن التقنية تسمح بذلك. يجب تحديد الغرض، والحصول على الموافقات المناسبة، وتقليل البيانات، وضمان أمنها، وتجنب إصدار أحكام نهائية تلاحق الطفل سنوات. الموهبة في هذه السن احتمال متغير، وليست حكماً رقمياً ثابتاً.

التدريب الفردي وإدارة الحمل: حين تتغير الحصة من لاعب إلى آخر

تتيح أجهزة التتبع في التدريب معرفة المسافة والسرعات العالية والتسارعات وبعض مؤشرات الحمل. وعند ربطها بمدة اللعب وجودة النوم والتقييم الذاتي والإصابات السابقة، يستطيع الجهاز بناء صورة أقرب إلى حالة اللاعب. وقد تساعد النماذج على اكتشاف تغير غير معتاد: لاعب يحقق أرقامه المعتادة لكنه يحتاج إلى جهد أعلى، أو لاعب تنخفض سرعته بعد أسابيع من الحمل المتواصل.

يمكن بعد ذلك تخصيص أجزاء من التدريب. فاللاعب العائد من الإصابة يحتاج إلى رفع الحمل تدريجياً، والبديل الذي لم يلعب يحتاج إلى حصة تعويضية، ومن خاض سلسلة مباريات يحتاج إلى استشفاء. الذكاء هنا لا يعني أن البرنامج يُسلَّم إلى الكمبيوتر، بل أن القرار يستفيد من ذاكرة كمية لا يستطيع الإنسان حفظها وحده. وقد بينت مراجعات حديثة في الرياضة النخبوية أن التطبيقات التحليلية تتركز في تحسين الأداء، مع حضور متزايد لمجالات الإصابة ودعم القرار، لكنها تؤكد تفاوت جودة الأدلة بين الرياضات والسياقات (Dehbane et al.، 2026؛ Munoz-Macho et al.، 2024).

وينبغي تجنب الخلط بين الارتباط والسبب. إذا ظهر أن المصابين سبق أن سجلوا حملاً مرتفعاً، فهذا لا يعني أن كل حمل مرتفع سيؤدي إلى إصابة، ولا أن خفضه دائماً هو الحل. الإصابات متعددة العوامل، تشمل تاريخ اللاعب والنوم والتغذية والاحتكاك وأرضية الملعب والحركة السابقة. النموذج ينبه، والطبيب والمعد البدني يفسران ويقرران.

الوقاية من الإصابات: وعد مهم لا تشخيص آلي

تجذب عبارة «التنبؤ بالإصابة قبل وقوعها» اهتماماً كبيراً، لكنها تحتاج إلى حذر علمي. فالإصابة حدث قليل نسبياً ومعقد، وقد يكون تعريفه مختلفاً بين الأندية. كما أن البيانات الطبية حساسة، وحجم العينات غالباً أصغر مما تحتاجه نماذج التعلم العميق. لذلك يمكن للذكاء الاصطناعي أن يحدد مؤشرات خطر أو تغيرات تستحق الفحص، لكنه لا ينبغي أن يحل محل التشخيص الطبي.

الفائدة الواقعية قد تكون أبسط وأكثر قيمة: تنبيه الجهاز إلى تزايد الحمل بسرعة، أو مقارنة مرحلة العودة بالبصمة السابقة للاعب، أو كشف عدم التماثل في حركة معينة، أو تنظيم السجلات حتى لا تضيع معلومة بين الطبيب والمدرب. هذه التطبيقات تحسن التواصل وتدعم الوقاية، شرط أن تُختبر محلياً وألا تُعامل نسبة الاحتمال كحقيقة.

كما ينبغي حماية اللاعب من أن تتحول بياناته الصحية إلى أداة تفاوض ضده خارج الغرض الطبي. من يملك البيانات؟ ومن يحق له قراءتها؟ وكم مدة الاحتفاظ بها؟ وهل يستطيع اللاعب تصحيحها أو طلب حذفها؟ هذه أسئلة أخلاقية وقانونية يجب أن تسبق التوسع، لأن الثقة شرط لجودة البيانات نفسها. اللاعب الذي يخشى استخدام معلوماته ضده قد لا يصرح بأعراضه بصدق.

الحارس والكرة الثابتة: تطبيقات دقيقة للأنماط

تظهر قيمة البيانات بوضوح في المواقف المتكررة نسبياً. ففي ركلات الجزاء يمكن دراسة اتجاهات المسدد وسرعة اقترابه وسلوكه تحت أوضاع مختلفة، مع إدراك أن اللاعب يستطيع تغيير عادته. وفي الكرات الثابتة يمكن تصنيف طرق التحرك والحجب ومناطق الإرسال واللاعب المستهدف. هذه المعرفة لا تضمن النجاح، لكنها تقلل الغموض وتمنح التدريب سيناريوهات واقعية.

أما حارس المرمى، فلا يُقيّم بعدد التصديات وحده. يمكن دراسة جودة التسديدة، وموقع الحارس قبلها، وسرعة خروجه، ودوره في منع الفرصة قبل أن تصبح تسديدة، وتوزيعه تحت الضغط. ومع ذلك تظل بعض الجوانب صعبة القياس، مثل التواصل والقيادة وتأثير الحارس في ثقة خط الدفاع. لذلك تساعد البيانات على تصحيح الانطباعات، لكنها لا تختزل مركزاً شديد التعقيد في نسبة واحدة.

ويجب ألا يتحول التحليل إلى تعليمات تثقل اللاعب لحظة التنفيذ. الغاية من المعلومات أن تُدمج في تدريب متكرر حتى تصبح الاستجابة طبيعية، لا أن يدخل الحارس ركلة الجزاء وهو يحاول تذكر عشر خرائط. كلما اقتربت المباراة، احتاجت المعرفة إلى تبسيط أشد.

التحكيم والتقنيات المساندة: أين يوجد الذكاء الاصطناعي فعلاً؟

تستخدم كرة القدم تقنيات خط المرمى، وحكم الفيديو المساعد، والتسلل شبه الآلي، والكرة المتصلة، وإعادة البناء ثلاثية الأبعاد. بعض هذه الأنظمة يعتمد رؤية حاسوبية وخوارزميات متقدمة، وبعضها أقرب إلى القياس والأتمتة. من الخطأ جمعها كلها تحت اسم واحد، لأن دور الإنسان ودرجة الاستقلال تختلف بين نظام وآخر.

في التسلل شبه الآلي، تساعد الكاميرات وبيانات الكرة في تحديد لحظة اللعب ونقاط جسم اللاعبين، ثم تُعرض النتيجة على حكام الفيديو للمراجعة. التقنية تقلص وقت بناء الخطوط، لكنها لا تحسم دائماً سؤال التدخل في اللعب أو أثر اللاعب، وهي مسائل تتطلب تفسير القانون. وكذلك لا يقرر حكم الفيديو من تلقاء نفسه معنى الاحتكاك؛ إنه يوفر زوايا ومعلومات، ويظل القرار داخل منظومة تحكيمية بشرية.

القيمة الأساسية هنا هي تحسين الدقة والاتساق، لا خلق وهم العصمة. فكل نظام له هامش خطأ وشروط تشغيل، وكل قانون يحتوي حالات تقديرية. وشرح هذه الحدود للجمهور أكثر فائدة من تقديم التقنية كحكم لا يُراجع، لأن الشفافية تحمي الثقة حين تظهر حالة معقدة.

الذكاء التوليدي وغرفة التحليل: من يكتب التقرير؟

يستطيع الذكاء التوليدي تحويل استعلام بلغة طبيعية إلى تقرير أو ملخص أو قائمة لقطات، كما يستطيع اقتراح أسئلة متابعة. هذه القدرة مفيدة لأن المحلل لم يعد مضطراً إلى معرفة لغة برمجة للوصول إلى جزء من البيانات. وقد صُمم FIFA AI Pro مثلاً ليستقبل أسئلة بلغات متعددة ويولد رؤى مرتبطة ببيانات المباراة الرسمية (FIFA، 2026).

لكن اللغة المقنعة لا تضمن صحة الاستنتاج. قد يولد النظام تفسيراً يبدو كروياً وهو غير مدعوم بما يكفي، أو يخلط بين فترة وأخرى، أو يعمم من عينة صغيرة. لهذا يحتاج كل تقرير مولد إلى مصدر يمكن تتبعه: ما المباريات المستخدمة؟ ما تعريف المؤشر؟ ما اللقطات التي تثبت الادعاء؟ إذا لم يستطع المحلل العودة إلى الدليل، تتحول السرعة إلى خطر.

والأفضل أن يقوم النظام بالأعمال التي يبرع فيها: البحث والتجميع والمقارنة وصياغة مسودة أولى، بينما يتولى الإنسان التحقق والترتيب والتواصل. المدرب لا يحتاج إلى خمسين ملاحظة صحيحة، بل إلى عدد قليل من الرسائل القابلة للتدريب والتنفيذ. ولا يختلف هذا التحدي كثيراً عما يناقشه مجال الذكاء الاصطناعي في التعليم؛ فمحو الأمية الرقمية أصبح ضرورة في المدرسة والرياضة معاً، لأنه يمكّن المتعلم والمحلل من فهم حدود الأداة والتحقق من مخرجاتها بدلاً من التسليم بها.

الإنسان في قلب القرار: لماذا لا يمكن استبدال المدرب والكشاف؟

تعتمد الخوارزمية على الماضي الموثق، بينما تتعلق كرة القدم أيضاً بما لم يحدث بعد. قد يرى الكشاف في لاعب فكرة لا تظهر في أرقامه الحالية، وقد يعرف المدرب أن تراجع الأداء نتيجة دور مؤقت. كما أن القرار يراعي غرفة الملابس والتوقيت والثقافة وشخصية المجموعة. هذه ليست تفاصيل عاطفية زائدة؛ إنها جزء من النظام الذي سيعمل فيه اللاعب.

في نقاش UEFA حول الاستكشاف في عصر الذكاء الاصطناعي، ظهر اتفاق على أن التقنية تسرع ما يمكن قياسه، لكنها لا تلتقط النية والخيال والملاءمة الإنسانية بالكامل (UEFA، 2025). معنى ذلك أن الحدس لا ينبغي أن يبقى غامضاً وغير قابل للمساءلة، كما أن الرقم لا ينبغي أن يصبح سلطة مطلقة. الأفضل هو حوار يختبر فيه كل طرف الآخر: البيانات تسأل الخبير عن سبب انطباعه، والخبير يسأل النموذج عن سبب توصيته.

ويمكن اتخاذ القرار عبر مراحل: فرز أولي بالبيانات، مشاهدة فيديو، ملاحظة مباشرة، مقابلة، مراجعة طبية، ثم نقاش جماعي موثق. بهذه الطريقة لا يحمل شخص واحد أو نموذج واحد المسؤولية كاملة، وتصبح أسباب الاختيار قابلة للمراجعة.ولا تُفهم جودة القرار الرياضي من خلال البيانات وحدها؛ إذ يوضح علم النفس الرياضي في كرة القدم كيف تؤثر الثقة بالنفس وتنظيم الانفعال والقدرة على تحمل الضغط في قراءة الموقف واختيار الاستجابة المناسبة.

مخاطر التحيز والخصوصية وعدم تكافؤ الفرص

تتعلم النماذج من البيانات التي نقدمها لها. فإذا كانت البيانات منحازة إلى دوريات غنية أو مراكز معينة أو أنماط لعب محددة، فقد تعتبر المختلف أقل جودة. وقد تُخفض قيمة مدافع في فريق منخفض الاستحواذ لأن النموذج يكافئ التمرير، أو ترفع مهاجماً يستفيد من هيمنة فريقه. لذلك يجب اختبار النماذج عبر دوريات وفئات ومراكز متعددة، ومراقبة أخطائها لا دقتها العامة فقط.

وتطرح الملكية سؤالاً آخر. بيانات تحركات اللاعب وصحته وأدائه قد تكون ذات قيمة تجارية، وقد تتنقل بين النادي والمزود والاتحاد. يحتاج اللاعب إلى معرفة ما يُجمع ولماذا ومن يراه. كما ينبغي حماية البيانات من التسريب والاستخدام خارج الغرض المتفق عليه، وخاصة لدى القاصرين.

هناك أيضاً فجوة بين الأندية الغنية التي تملك كاميرات وخبراء وبنية حوسبة، والأندية الصغيرة التي قد تشتري تقارير جاهزة من دون القدرة على تقييمها. يمكن للتقنيات المشتركة والمصادر المفتوحة وبرامج الاتحادات أن تقلل الفجوة، لكن الديمقراطية الرقمية لا تعني مجرد توفير الأداة؛ بل توفير التدريب واللغة والقدرة على النقد.

كيف تستفيد الأندية الصغيرة من البيانات دون ميزانيات ضخمة؟

لا يحتاج النادي إلى بناء مختبر متقدم كي يبدأ. يمكنه أولاً توحيد تسجيل المباريات، وحفظ فيديو من زاوية ثابتة، وتعريف عدد محدود من المؤشرات المرتبطة بأسلوبه، وتدريب شخص على ترميز اللقطات. وقد يكون تحليل عشر حالات متكررة بدقة أكثر فائدة من الاشتراك في منصة تقدم مئات الأرقام التي لا يستخدمها المدرب.

الخطوة الثانية هي ربط التحليل بالتدريب. إذا أظهر الفيديو ضعف الخروج من الضغط، ينبغي أن تتحول الملاحظة إلى تمرين ثم إلى مؤشر مراجعة في المباراة التالية. من دون هذه الحلقة تصبح البيانات أرشيفاً جميلاً. ويمكن للاتحادات والرابطات توفير بنية مشتركة للبيانات والتكوين، بما يسمح للأندية بالحصول على حد أدنى موثوق من المعرفة.

أما أدوات الذكاء الاصطناعي العامة فينبغي استخدامها بحذر، خصوصاً مع البيانات السرية. لا تُرفع خطط الفريق أو الملفات الطبية إلى خدمة غير معروفة الشروط. والأفضل اعتماد حلول معتمدة، وتقليل البيانات، ومراجعة سياسات الخصوصية، وتحديد من يملك صلاحية الوصول.

المستقبل القريب: من وصف المباراة إلى محاورة نموذجها

يتجه التطور إلى دمج الفيديو والتتبع والبيانات الطبية والسياق في واجهات يستطيع المستخدم محاورتها. قد يطلب المدرب مستقبلاً مقارنة ضغط فريقه في آخر خمس مباريات مع مواجهات أمام بناء ثلاثي، ثم ينتقل مباشرة إلى اللقطات. وقد يتلقى اللاعب تغذية راجعة شخصية تجمع الفيديو بمؤشرات دوره، لا ترتيباً عاماً يفصله عن الخطة.

ستتحسن النماذج التنبؤية، لكن الأهم سيكون التفسير. فالقرار الرياضي يحتاج إلى معرفة لماذا اقترح النظام لاعباً أو حذر من حمل تدريبي. النماذج التي تمنح أسباباً قابلة للفحص ستكون أكثر قيمة من صندوق أسود مرتفع الدقة. كما سيزداد الاهتمام بمعايير مشتركة لجودة البيانات واختبار الأنظمة، وهو ما ينسجم مع برنامج أبحاث FIFA الذي يجمع مجالات الرؤية الحاسوبية والتحليلات والتعلم الآلي والذكاء الاصطناعي ضمن اختبارات علمية (FIFA Research Programme).

وقد تتغير وظيفة المحلل نفسه. لن يقضي معظم وقته في القص والترميز، بل في صياغة الأسئلة والتحقق من النماذج وترجمة النتائج إلى لغة يفهمها المدرب واللاعب. إنها عودة إلى جوهر إنساني: التقنية تتولى التكرار، والإنسان يتولى المعنى والمسؤولية.

خاتمة

لم تسحب البيانات كرة القدم من عالم الإبداع إلى عالم الحساب، بل كشفت أن الإبداع نفسه يترك آثاراً يمكن دراستها. صار بالإمكان رؤية مسار الهجمة قبل التسديدة، وقياس قيمة تحرك بلا كرة، والبحث عن موهبة خارج الدوائر المعتادة، وتنظيم أحمال التدريب بذاكرة أدق. ومع أدوات مثل FIFA AI Pro، دخل الذكاء الاصطناعي غرفة التحليل بوصفه مساعداً عملياً لا فكرة مستقبلية بعيدة.

لكن قوة التقنية لا تبرر التسليم لها. فالبيانات قد تكون ناقصة، والنموذج قد يعيد إنتاج تحيز الماضي، واللغة المولدة قد تبدو واثقة وهي تخطئ. لذلك تظل أفضل منظومة هي التي تجمع دقة القياس بخبرة الملعب، وتحمي خصوصية اللاعب، وتطالب الخوارزمية بتفسير توصيتها، وتترك القرار لمن يتحمل أثره.

ستظل المباراة مفتوحة على المفاجأة، وهذا جزء من جمالها. ولن يعرف الذكاء الاصطناعي بصورة يقينية أين سترتد الكرة أو كيف سيولد لاعب لحظة عبقرية. لكنه يستطيع أن يمنح الإنسان خريطة أوسع لما سبق تلك اللحظة. وعندما تُستخدم الخريطة بعقل نقدي، لا تصبح كرة القدم أقل إنسانية؛ بل يصبح الإنسان أقدر على فهم اللعبة التي يحبها.

المصادر والمراجع

1. FIFA. FIFA AI Pro. https://inside.fifa.com/innovation/innovating-the-game/fifa-ai-pro
2. FIFA. (2026). FIFA and Lenovo unveil multiple AI-powered innovations ahead of FIFA World Cup 2026. https://inside.fifa.com/media-releases/lenovo-tech-world-ai-powered-innovations-world-cup-2026
3. FIFA. (2026). New innovations developed with Technology Partner Lenovo enhance the FIFA World Cup 2026. https://inside.fifa.com/news/lenovo-world-cup-2026-technology-ref-cam-player-avatars-ai
4. FIFA. Football Data Ecosystem. https://inside.fifa.com/innovation/innovating-the-game/football-data-ecosystem
5. FIFA. Connected Ball Technology. https://inside.fifa.com/innovation/innovating-the-game/connected-ball-technology
6. FIFA. Research Programme. https://vod.fifa.com/football-technology/research
7. UEFA. (2025). Scouting in the age of AI: Why human intuition still matters. https://www.uefa.com/news-media/news/02a0-1f676b76ce3a-85f2adc484c0-1000–scouting-in-the-age-of-ai-why-human-intuition-still-matters/
8. Teixeira, J. E., et al. (2025). Mapping football tactical behavior and collective dynamics using artificial intelligence. Frontiers in Sports and Active Living. https://www.frontiersin.org/journals/sports-and-active-living/articles/10.3389/fspor.2025.1569155/full
9. Forcher, L., et al. (2025). AI in Bundesliga match analysis: expected possession value versus expected goals. Frontiers in Sports and Active Living. https://www.frontiersin.org/journals/sports-and-active-living/articles/10.3389/fspor.2025.1713852/full
10. Munoz-Macho, A. A., et al. (2024). Performance and healthcare analysis in elite sports teams using artificial intelligence. Frontiers in Sports and Active Living. https://www.frontiersin.org/journals/sports-and-active-living/articles/10.3389/fspor.2024.1383723/full

Dehbane, O., Ouahabi, S., & El Filali, S. (2026). Systematic review of technology-enabled approaches for performance enhancement in elite sport. Frontiers in Artificial Intelligence. https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2026.1781958/full