AI nel calcio: chi decide tra dati e fortuna?

L’AI nel calcio aiuta a studiare gli avversari e a riconoscere gli schemi, mentre i risultati conservano una quota d’incertezza. Benvenuti su Free-Italia e FreeAstroScience, le due voci del Gruppo Free. Ragioniamo insieme su ciò che i numeri possono dirci e sulle scelte che restano aperte. Partiamo da una domanda concreta: cosa possiamo chiedere ai dati quando un pallone deviato cambia una stagione?

L’AI nel calcio riconosce le abitudini

Scrivere 4-3-3 sulla distinta racconta una posizione di partenza. Poi il terzino sale, l’ala rientra e il mediano copre. La disposizione cambia con il possesso della palla e con i movimenti degli avversari.

Per un analista conta riconoscere quando quei movimenti si ripetono. Una pressione parte sempre dallo stesso passaggio? Un difensore lascia spazio quando segue l’attaccante? L’intelligenza artificiale può aiutare a collegare questi episodi, permettendo allo staff di confrontarli.

Un caso documentato è FIFA AI Pro, sviluppato con Lenovo. Nel resoconto del 30 giugno 2026, la FIFA riferisce l’uso dello strumento da parte delle 48 nazionali del torneo. Gli analisti possono interrogare in linguaggio naturale dati ufficiali, filmati e ricostruzioni delle azioni.

Il comunicato di presentazione della FIFA precisa però un limite: lo strumento serve prima e dopo le partite. Il suo impiego durante il gioco non è previsto. Dobbiamo tenerne conto quando immaginiamo una panchina guidata in diretta da un software.

Riconoscere una sequenza, inoltre, lascia aperta la domanda sulla sua causa. Se una squadra migliora dopo un cambio, il cambio potrebbe aver aiutato. Per dimostrarlo, però, il solo confronto prima-dopo può non bastare.

Quanto pesa la fortuna sui risultati attesi?

Nel 2025 Felix Holzmeister e Magnus Johannesson hanno pubblicato uno studio nel Journal of Sports Economics. Hanno analizzato sette campionati europei maschili per tre stagioni, confrontando rendimento atteso e risultati.

Tra le misure usate ci sono gli expected goals, o xG: stime della probabilità che un tiro diventi gol. Servono a valutare le occasioni create. Un valore atteso descrive ciò che il modello considera probabile; una singola partita può discostarsene molto.

Secondo lo studio di Holzmeister e Johannesson, circa il 60% della variabilità degli scostamenti dai risultati attesi è attribuibile alla fortuna. Il restante 40% è associato all’abilità che quelle previsioni non catturano. Su 38 partite, la componente casuale ha una deviazione standard di circa sette punti: una misura della dispersione, senza un segno fisso.

Il denominatore conta. Quel 60% riguarda la variazione degli scostamenti dal rendimento atteso, secondo il modello degli autori. Sarebbe scorretto trasformarlo nella quota di ogni vittoria dovuta al caso.

È anche uno studio statistico: non prova che un’AI sappia prevedere un rimpallo. Ci invita invece a giudicare una stagione senza confondere del tutto la qualità del gioco con la classifica.

Anche l’avversario studia noi

Se troviamo una debolezza nella difesa avversaria, possiamo preparare una soluzione. Gli altri, intanto, possono aver riconosciuto quella stessa debolezza e averla corretta. La partita successiva contiene già la risposta alla nostra analisi.

Qui ci aiuta la teoria dei giochi, che studia scelte il cui esito dipende anche dalle decisioni altrui. Il rigore rende visibile il problema. Un attaccante può preferire un lato della porta; il portiere può conoscere quella preferenza.

Alternare le direzioni può allora avere un valore tattico. Il vantaggio dipende dalle capacità del tiratore e del portiere, oltre che dalle probabilità delle rispettive scelte. Una distribuzione casuale qualsiasi non garantisce una buona strategia.

Pensiamo a due attaccanti immaginari. Uno, nella stessa situazione, ripete quasi sempre la medesima giocata. L’altro alterna tiro, passaggio e dribbling. Per confrontarli servirebbe valutare anche la qualità delle alternative: cambiare spesso può significare creatività oppure scelte peggiori.

Un modello potrebbe provare a stimare quanto ciascuno sia prevedibile. Questa resta una possibilità da verificare, senza dedurne che sappia misurare tutto il talento. Su FreeAstroScience, il sito di divulgazione scientifica del Gruppo Free, spieghiamo come le reti neurali imparano dai dati e dove incontrano limiti (in inglese).

Quando può convenire rischiare di più?

Mancano due minuti. La nostra squadra perde e manda più uomini in area. Aumentano le possibilità di raccogliere una respinta, ma cresce anche lo spazio per il contropiede. Il rischio accettabile dipende da ciò che dobbiamo ottenere.

Nel testo allegato emerge un’ipotesi interessante: un sistema potrebbe aiutare a riconoscere quando conviene aumentare l’incertezza. In statistica si parla di varianza, una misura di quanto gli esiti si disperdono rispetto alla media.

Possiamo chiarire il ragionamento con un esempio inventato. Supponiamo che una strategia prudente produca quasi sempre una sconfitta di misura. Una scelta più rischiosa potrebbe offrire maggiori possibilità di pareggio, insieme a più sconfitte pesanti.

Se vogliamo evitare un passivo largo, la prima può essere preferibile. Se serve pareggiare, potremmo scegliere la seconda. Il confronto richiede quindi un obiettivo preciso, oltre alle probabilità dei diversi esiti.

Da qui a raccomandare lanci indiscriminati passa parecchia strada. L’esempio non dimostra che aumentare il caos funzioni. Per mettere alla prova l’ipotesi servirebbero dati e confronti che tengano conto di punteggio, tempo rimasto e qualità delle squadre. La fonte allegata non presenta questo test.

Un dribbling scelto per sorprendere e una deviazione involontaria restano poi eventi diversi. Confonderli farebbe perdere proprio la distinzione che il modello dovrebbe aiutarci a capire.

Chi decide deve poter spiegare perché

Quando diciamo che un allenatore ha letto bene la partita, attribuiamo a una persona un lavoro spesso collettivo. Ci sono i collaboratori, chi prepara i filmati e chi interpreta i dati. Con nuovi strumenti, quella collaborazione può allargarsi.

Noi riteniamo utile l’AI quando rende una scelta discutibile sulla base di prove. Se segnala uno spazio libero, vogliamo sapere in quali azioni compare e se resta libero contro avversari diversi. Un consiglio che non possiamo controllare merita meno fiducia.

Vale anche per le risposte formulate con sicurezza. Su Free-Italia abbiamo affrontato il problema dei chatbot usati per verificare notizie di guerra. Il contesto è diverso, ma la cautela resta utile: prima di accettare una risposta, cerchiamo le prove che la sostengono.

Chi difende questi strumenti ha un buon argomento: l’accesso. Un servizio comune può offrire analisi anche a staff con meno risorse. L’accesso allo stesso programma, però, lascia aperte differenze di tempo, competenze e capacità di usare i risultati.

È un tema vicino alla nostra riflessione sul rapporto tra intelligenza artificiale e lavoro umano. Nel calcio vogliamo che resti visibile il contributo di chi osserva, interpreta e decide. La formula «lo suggeriva l’algoritmo» ci sembra una spiegazione incompleta.

Un calcio da capire meglio

Gli schemi ripetuti si possono studiare. Il peso del caso si può stimare, entro le ipotesi di un modello. La scelta di rischiare richiede invece di chiarire quale risultato cerchiamo e quale prezzo siamo disposti ad accettare.

Come Gruppo Free, ci interessa rendere comprensibili questi passaggi. Free-Italia porta la riflessione sulle decisioni e sulle persone; FreeAstroScience contribuisce con l’attenzione a metodi e limiti delle prove.

Alla prossima sconfitta, prima di cercare un colpevole, potremmo chiederci quali occasioni abbia creato davvero la squadra. E voi, quale prova vorreste vedere prima di fidarvi di un consiglio tattico dell’AI?

Nota sull’uso dell’AI. Bozza preparata con ChatGPT di OpenAI, a partire dal testo fornito e dalle fonti indicate. La revisione umana di Gerd Dani è ancora da svolgere. La politica sull’AI di FreeAstroScience (in inglese) descrive i criteri editoriali adottati.

Fonti e criteri di lettura

1. Testo fornito: «Mister, l’algoritmo ha fatto i conti con la fortuna», usato come punto di partenza.
2. Felix Holzmeister e Magnus Johannesson, Skills vs. Luck: Decomposing Deviations from Expected Performance in European Football Leagues, Journal of Sports Economics, 26(8), 953–975, 2025. Identificativo digitale dello studio (DOI): 10.1177/15270025251374620. Consultati abstract e pagina editoriale; le stime riportate provengono dall’abstract.
3. FIFA, presentazione delle tecnologie sviluppate con Lenovo, 7 gennaio 2026, per disponibilità e limiti d’impiego dichiarati.
4. FIFA, resoconto sull’uso delle tecnologie al torneo, 30 giugno 2026. È una fonte dell’organizzatore, senza una valutazione indipendente dell’effetto sui risultati.

Articolo comune di Free-Italia e FreeAstroScience.

Gerd Dani, Free-Italia