Klub Ekstraklasy: skauting młodzieżowy w 4× szerszej puli zawodników

Sytuacja wyjściowa

Klient: klub piłkarski Ekstraklasy, akademia młodzieżowa 180 zawodników, zespół skautów 5 osób + 12 obserwatorów lokalnych. Sezon: ~120 meczów do analizy w 4 ligach juniorskich (CLJ, II liga centralna, regionalne).

Skaut fizycznie nie obejmie 120 meczów w sezonie. W praktyce ogląda 30-40 — głównie tam, gdzie „wiadomo, że są talenty". Wynik: klub przegapia zawodników z klubów spadkowych III ligi, którzy z odpowiednią pracą stają się zawodnikami Ekstraklasy. Konkurencja (kluby z lepszym skautingiem analitycznym) regularnie wyprzedza w transferach.

Jakie procesy weszły na AI

• Computer vision analiza nagrań meczowych — AI analizuje wideo z 4 lig juniorskich (120 meczów × 90 min = 10 800 godzin / sezon). Detekcja zawodników, śledzenie ruchu, klasyfikacja akcji (podanie, dryblowanie, strzał, odbiór). Generowanie heat map i metryk per zawodnik.
• Generowanie raportu per zawodnik — AI łączy metryki techniczne z kontekstem (klub, liga, rocznik, pozycja, historia kontuzji) i generuje 2-stronicowy profil per zawodnik z 25+ KPI. Skaut dostaje listę 12 osób na testy, każda z uzasadnieniem.
• Wykrywanie undervalued players — Model identyfikuje zawodników z III/IV ligi, których profil statystyczny odpowiada zawodnikom Ekstraklasy w tym samym wieku. To zawodnicy, na których konkurencja patrzy z odsetkiem.
• Predykcja trajektorii rozwoju — Na podstawie historii podobnych zawodników (ostatnie 10 lat polskiej piłki) model przewiduje krzywą rozwoju i ryzyko (kontuzje, brak progresu). Pomaga w decyzjach skoutingowych.

Architektura rozwiązania

Stack RedAI: Claude Opus 4.7 do generowania raportów tekstowych, model CV (YOLOv8 + ByteTrack) do detekcji i śledzenia zawodników na wideo, model klasyfikacji akcji oparty na temporal CNN, embedding zawodników w Qdrant. Integracje przez MCP z bazami danych ligowych, narzędziami do analizy wideo (Hudl, Wyscout). Cała analiza wideo on-prem — nagrania klubu nie wychodzą poza infrastrukturę.

Dane klienta nie wychodzą poza prywatną instancję RedAI. Wszystkie wywołania modeli, retrieval z bazy wiedzy i operacje na systemach źródłowych logowane do audytu (NIS2, AI Act art. 12, RODO art. 32). Hooks Claude wymuszają deterministyczne kontrole uprawnień (ACL) przed każdym wywołaniem narzędzia.

Liczby i wyniki

Setup wdrożenia: 380 tys. zł (model CV + infrastruktura GPU + integracje). Opex miesięczny: 24 tys. zł. Korzyść: oszczędności na transferach + sprzedaż utalentowanych juniorów. Payback w 14 miesięcy. Strategiczna wartość większa niż finansowa.

„Znaleźliśmy 17-latka grającego w klubie spadkowym III ligi. Dzisiaj jest w naszej młodzieżówce z reprezentacją U-19. Nie obejrzelibyśmy go bez tego systemu."

— Dyr. akademii

Co dalej

Kolejna faza: analiza nagrań treningowych własnej akademii (per zawodnik per tydzień), integracja z platformą scoutingu zagranicznego (Skandynawia, kraje bałkańskie), predykcja, którzy juniorzy mają najwyższą szansę na Ekstraklasę za 24 miesiące.

RedAI działa jako prywatna instancja w infrastrukturze klienta. Dane nie wychodzą poza firmę. Umówcie 30-minutowe demo — pokażemy analogiczne wdrożenie w Waszej branży i policzymy ROI na Waszych liczbach.