Het herkennen en selecteren van talentvolle sporters is een complexe opgave. In de kern draait het om het doen van een voorspelling over de toekomst – soms wel over een periode van tien jaar. Op basis van wat een sporter vandaag laat zien, moet worden ingeschat wat dat betekent voor later. Tegelijkertijd weten we dat huidige prestaties geen garantie zijn voor toekomstig succes.
Dat komt onder andere door de aard van sportieve ontwikkeling: die is grillig en onvoorspelbaar. Een sporter die nu nog weinig opvalt, kan een jaar later een enorme inhaalslag maken. Niet één pad is rechtlijnig. De redenen daarvoor zijn net zo uniek. Elk ontwikkeltraject wordt beïnvloed door talloze factoren die voortdurend op elkaar inspelen en veranderen. Geen weg is hetzelfde.
De menselijke grens in talentherkenning
Deze complexiteit maakt het voor coaches en andere besluitvormers moeilijk om juist in te schatten wie de top kan bereiken. Wel is er steeds meer data beschikbaar om mee te nemen. Maar welke indicatoren hangen aantoonbaar samen met later succes? En in welke mate beïnvloeden ze elkaar? Als mens kunnen we simpelweg geen honderden variabelen over maanden of jaren tegelijk overzien. Daarnaast is ons denken niet vrij van vertekeningen: we zoeken bevestiging van wat we al dachten, redeneren vaak te lineair, en vullen ontbrekende informatie automatisch in. Daardoor sluipen onbewust aannames en bias het selectieproces binnen.
Waar AI het verschil kan maken
Juist daar, op het snijvlak tussen menselijke beperking en de noodzaak om lange-termijnpotentieel te beoordelen, kan AI van waarde zijn, niet omdat het de beslissingen van coaches moet overnemen, maar omdat het ons kan helpen patronen te zien die wij gemakkelijk missen of negeren.
Moderne AI-technieken, waaronder Machine Learning (ML), helpen verbanden te ontdekken tussen factoren die doorgaans los van elkaar worden bekeken. Bijvoorbeeld hoe techniek, maturatie, trainingsgeschiedenis en motivatie samen ontwikkeling beïnvloeden. Daarmee creëert AI niet de illusie dat “score x” op “test y” maakt dat iemand de top haalt, maar biedt het een verfijnder en genuanceerder beeld van een breed scala aan kwaliteiten die bijdragen aan succesvolle ontwikkeling.
Daarnaast maakt AI het mogelijk om ontwikkeling over de tijd te volgen en te analyseren. Door trends en ontwikkeltrajecten over langere perioden zichtbaar te maken helpt AI coaches verder te kijken dan de momentopname. De focus verschuift van die ene testdag, dat ene toernooi of een tijdelijke piek of dip, naar het volledige ontwikkelverloop. Zo ontstaat beter inzicht in hoe sporters zijn gekomen waar ze nu staan en welke richting hun ontwikkeling opgaat. Dit is niet alleen essentieel om uiteindelijk tot een zo nauwkeurig mogelijk besluit te komen over iemand zijn potentieel, maar ook om begeleiding en training te optimaliseren.
Waar we kritisch moeten blijven
AI biedt zonder twijfel kansen voor talentherkenning en -ontwikkeling, maar die waarde ontstaat alleen als we ook de risico’s serieus nemen. Zo is een belangrijk aandachtspunt dat ML-technieken in essentie voorspellend zijn, niet verklarend. Ofwel: ze laten zien wat waarschijnlijk is op basis van patronen in de data, maar niet waarom die patronen bestaan.
Juist daarom is het cruciaal om AI pas in te zetten wanneer we begrijpen wat een model leert en waar de grenzen liggen. Dat betekent niet dat elk algoritme volledig transparant moet zijn, maar wel dat duidelijk is welke data het model voeden en welke kenmerken uiteindelijk het zwaarst meewegen in de uitkomsten. Wanneer je bijvoorbeeld historische data invoert uit een talentprogramma dat vooral relatief oudere of vroeg rijpende sporters selecteerde, reproduceert AI precies dat patroon. Hetzelfde geldt voor datasets gebaseerd op onbetrouwbare metingen: meer data betekent in dat geval niet betere voorspellingen, maar slechts méér ruis.
Het is essentieel om AI-modellen kritisch te evalueren en ze zo uitlegbaar mogelijk te maken, niet alleen voor data-analisten maar juist ook voor coaches. Als zij niet begrijpen hoe een model tot een voorspelling komt, ontstaat al snel een onhandige tweedeling: we vertrouwen het systeem helemaal niet, of we nemen de uitkomst klakkeloos over. In beide gevallen verdwijnt het gesprek dat juist gevoerd moet worden. Het gesprek waarin we ons afvragen wat we eigenlijk zien, welke patronen betekenisvol zijn en hoe deze inzichten kunnen helpen om betere beslissingen te nemen in de praktijk.
Drie tips om AI te gebruiken zonder de regie te verliezen
- Definieer één duidelijke vraag
Bijvoorbeeld: Welke combinatie van rotatie, passkwaliteit en set‑tempo voorspelt onze side‑out het best tegen teams met een snel blok? - Begin klein en verklaarbaar
Start met een handvol goed gedefinieerde, betekenisvolle variabelen met duidelijke meetprocedures. Maak een ontwikkelingsdashboard per team of atleet en volg de trend, niet alleen de laatste wedstrijd - Bespreek en evalueer patronen en beslissingen
Stel elkaar vragen als: Herkennen we dit op het veld? Wat betekent het in de hal/in het water? En bedenk van tevoren: welke beslissingen veranderen door het model? Werkt het niet? Schrappen.
Geen glazen bol, wel betere vragen
Gaat AI straks feilloos de toppers van de toekomst herkennen? Waarschijnlijk niet. Talentontwikkeling is te complex, te dynamisch en te afhankelijk van context om ooit volledig voorspelbaar te worden. Maar AI helpt ons wel om meer data, makkelijker en met grotere statistische complexiteit te benutten.
Daarmee helpt AI ons vraagstukken beter te benaderen, niet door het op te lossen, maar door structuur te bieden waar complexiteit overheerst, nuance aan te brengen waar bias dreigt, en inzicht te geven waar menselijke verwerking stopt. En dan wordt AI – mits we het koppelen aan kritische evaluatie – precies wat we nodig hebben: een tweede paar ogen dat ons helpt beter te zien.
Bronnen:
Baker, J., Cattle, A., McAuley, A., Kelly, A., & Johnston, K. (2026). Will artificial intelligence solve the riddle of athlete development? A critical review of how AI is being used for athlete identification, selection, and development. Psychology of sport and exercise, 82, 102978. https://doi.org/10.1016/j.psychsport.2025.102978
McAuley, A.B.T., Baker, J., Johnston, K., Kelly, A.L. (2024). Artificial Intelligence in Talent Identification and Development in Sport. In: Dindorf, C., Bartaguiz, E., Gassmann, F., Fröhlich, M. (eds) Artificial Intelligence in Sports, Movement, and Health. Springer, Cham. https://doi.org/10.1007/978-3-031-67256-9_15
