Cosa non sa l'IA di una partita: i limiti veri

L’IA non sa due cose di una partita. La prima: tutto quello che è successo dopo che l’analisi è stata assemblata. La seconda: tutto quello che in nessuna fonte è mai diventato dato. Il resto della lista di lamentele più comuni — “il modello mica sa il meteo, gli infortuni o la classifica” — un sistema moderno in realtà lo vede: la posizione in classifica arriva dal database sportivo insieme alle statistiche, il meteo e l’arbitro designato vengono cercati a parte, prima di calcolare qualsiasi cosa. I limiti veri passano altrove. Di seguito, uno per uno, con la nota onesta di dove un presunto limite è in realtà un mito.

Cosa sa davvero l’IA di una partita

Il dibattito sui limiti dell’IA nello sport quasi sempre si fa alla cieca: chi discute non sa cosa entra davvero nel modello. Ed è proprio quello a decidere tutto. Un’analisi è intelligente esattamente quanto lo è l’insieme di dati che le è stato dato in pasto.

L’input di Sharkline ha due strati. Il primo è un’API di dati sportivi: statistiche di squadre e giocatori, forma attuale, posizione in classifica, storico degli scontri diretti, formazioni, infortuni. Il secondo strato si costruisce a mano: prima dell’analisi il sistema fa fino a tre ricerche web e cerca esattamente ciò che un database, per definizione, non può contenere. Formazioni confermate, notizie fresche sulle squadre, meteo del giorno della partita, arbitro designato.

A parte c’è lo strato di consenso: decine di valutazioni indipendenti della stessa partita, portate su un’unica scala e pesate in base all’affidabilità di ciascuna fonte. Al modello arriva un’unica probabilità confrontabile, e gli è espressamente vietato inventare numeri che non sono nelle fonti. Un dettaglio ingegneristico noioso — ed è proprio quello che separa un calcolo da un’invenzione scritta bene.

Ecco la stessa cosa in forma di mappa.

Fattore	Lo vede	Da dove arriva
Statistiche di squadre e giocatori	sì	API di dati sportivi
Forma delle ultime partite	sì	stessa fonte
Posizione in classifica	sì	stessa fonte
Storico degli scontri diretti	sì	stessa fonte
Formazioni annunciate e infortuni	sì	database + ricerca web dedicata alle notizie
Meteo del giorno della partita	sì	ricerca web prima dell’analisi
Arbitro designato	sì	ricerca web prima dell’analisi
Come le fonti valutano la partita	sì	consenso di oltre 20 fonti
Motivazione della squadra	in parte	la classifica si vede, la lettura che ne dà l’allenatore no
Tornei rari e categorie minori	in parte	poche statistiche, la qualità della ricerca scende
Infortunio nel riscaldamento	no	successo dopo che l’analisi era già assemblata
Cambio tardivo di formazione	no	stessa ragione
Turnover non annunciato	no	la decisione esiste, l’annuncio no
Conflitto nello spogliatoio	no	non diventa mai dato

Le prime otto righe contengono quello che l’analisi manuale di solito non riesce a raggiungere: nessuna persona raccoglie fisicamente quel volume su trecento partite in una sera. Le ultime quattro righe descrivono il tetto, e il tetto resta lì.

Primo limite: un’analisi è una fotografia

Ogni analisi ha una data. Descrive la partita così com’era nel momento in cui è stata assemblata, e da quel secondo comincia a invecchiare.

Un giocatore si fa male nel riscaldamento. L’allenatore cambia modulo quaranta minuti prima del fischio. La formazione annunciata al mattino risulta diversa alla sera. Niente di tutto questo entra in un’analisi fatta prima, e nessuna frequenza di aggiornamento risolve il problema del tutto: tra l’ultimo ricalcolo e il fischio d’inizio resta sempre uno scarto.

La conseguenza pratica è semplice: più leggi l’analisi vicino al calcio d’inizio, più è utile, e meno possibilità ci sono che il mondo sia cambiato alle sue spalle.

Secondo limite: decisioni di cui nessuno ha parlato

È il punto più sottovalutato. Il modello vede la classifica, quindi la frase “l’IA non capisce la motivazione” va precisata: la tabella ce l’ha, e il fatto che una squadra non abbia più nulla da giocarsi non è una novità per lui.

Quello che non ha è la decisione dell’allenatore. Risparmiare i titolari prima di una settimana europea, far giocare i giovani, schierare il secondo portiere. Finché la decisione non è annunciata, per il sistema non esiste, e a volte viene annunciata un’ora prima della partita. I dati sulla squadra dicono una cosa, lo staff tecnico ne ha già decisa un’altra, e niente chiude quello scarto.

Terzo limite: quello che non è mai diventato dato

Un conflitto con la dirigenza. Stipendi non pagati. Accordi di cui nessuno scrive. Un giocatore che ieri ha seppellito una persona cara ed è sceso in campo lo stesso perché glielo ha chiesto l’allenatore.

Cose così non compaiono in anticipo nelle statistiche. Compaiono dopo, sotto forma di un risultato strano che tutti spiegano a cose fatte. Nessun modello lo vedrà mai, e promettere il contrario è disonesto. L’informazione riservata resta territorio di chi ha un contatto dentro il club, non territorio di un algoritmo.

Quarto limite: tornei senza statistiche

Ci sono partite dove tutto quanto descritto sopra semplicemente non funziona, perché non c’è nulla da raccogliere.

A sinistra, una partita con una base dati solida. A destra, il caso in cui c’è una sola risposta onesta. Numeri illustrativi.

Una Serie C, un turno preliminare di una coppa regionale, un campionato dove metà della rosa cambia da una giornata all’altra. Formalmente i dati esistono. Nella pratica sono dieci volte meno di quelli disponibili per una partita di massima serie, e in parte si contraddicono tra loro.

Il comportamento corretto qui è abbassare la valutazione della qualità della ricerca e dire “meglio saltarla”. Non per pigrizia, ma perché qualunque numero calcolato su quel materiale sembrerà convincente e significherà quasi niente. Dati sottili danno una lettura sottile, e ammetterlo costa meno che recitare sicurezza.

Quinto limite: anche un 70% corretto sbaglia tre volte su dieci

Questo limite non si aggira in nessun modo, perché è incorporato nell’idea stessa di probabilità.

Se un sistema dice “70%” ed è ben calibrato, su dieci partite così tre non seguiranno il copione. Non è un malfunzionamento. È esattamente quello che significa il numero 70. Un modello i cui 70% si avverano sempre non è geniale — ha la scala rotta, e i valori corretti lì sarebbero stati molto più alti.

Da qui una conseguenza scomoda per chi legge. La qualità di un’analisi non si testa mai su una sola partita. Un risultato è un lancio di moneta, e non dimostra niente in nessuna direzione. Si giudica solo su una serie lunga, confrontando come si comportano le letture ai diversi livelli di confidenza. Proprio per questo nessun metodo, IA compresa, può promettere un esito garantito — il perché è matematico, non una questione di impegno, ed è spiegato in perché nessuno può garantire un risultato sportivo.

Ci si può fidare dell’IA nell’analisi sportiva

Dipende cosa si intende per fiducia.

Fidarsi come di un oracolo — no. Di nessun servizio, nessuna persona, nessun modello. Nello sport non esiste uno strumento che conosce il risultato in anticipo, e qualunque promessa di questo tipo si può scartare senza nemmeno leggerla.

Fidarsi come di una macchina che ha fatto per te il lavoro noioso — sì, con delle riserve. Ha raccolto i dati su trecento partite, non si è stancata alla duecentesima e non si è innamorata della prima versione della risposta. Ha mostrato una distribuzione di probabilità invece di un’unica opzione, ha valutato la qualità dei propri dati e ha nominato la circostanza in cui sbaglierà. Un lavoro verificabile con limiti dichiarati è utile. Una sicurezza non verificabile no, chiunque la stia irradiando.

Come leggere un’analisi conoscendo questi limiti

Esempio di carta di analisi. Numeri illustrativi.

Tre abitudini che cambiano tutto.

Guarda prima la qualità dei dati, poi la lettura. Le stelle della ricerca rispondono alla domanda se valga la pena leggere oltre. Una probabilità scenografica su una stella vale meno di una modesta su tre.

Leggi il rischio principale come parte della lettura. La riga dove il sistema nomina in anticipo ciò che potrebbe mandarlo in frantumi è la più preziosa della carta. Spiegare un risultato dopo sanno farlo tutti; nominare il punto debole prima del fischio d’inizio no.

Controlla la data di assemblaggio. Un’analisi fatta ieri sera non conosce le notizie di stamattina. Non è un difetto, è una proprietà di qualunque fotografia.

Come i dati grezzi diventano una lettura finita, passo per passo, è spiegato in come l’IA analizza una partita. Come è costruita da noi questa catena è descritto su come funziona Sharkline.

Domande frequenti

L’IA sa il meteo e gli infortuni prima di una partita? Sì. Infortuni e formazioni annunciate arrivano dal database sportivo, mentre meteo, notizie fresche sulle squadre e arbitro designato vengono cercati a parte prima di calcolare qualsiasi cosa: fino a tre ricerche web per ogni analisi. Manca solo quello che è diventato noto dopo che l’analisi era già assemblata.

Cosa non può fare in linea di principio l’IA nell’analisi sportiva? Vedere il futuro e leggere nel pensiero. Turnover non annunciato, decisione dell’allenatore mai dichiarata, conflitto interno alla squadra, qualsiasi accordo riservato — niente di tutto questo esiste nei dati, quindi non esiste per il modello.

Perché per i tornei rari l’analisi risulta più debole? Perché le statistiche disponibili sono molte volte meno e si contraddicono più spesso. In quel caso il sistema abbassa la valutazione della qualità della ricerca e consiglia di saltare la partita. Un numero sicuro su materiale scarso sembrerebbe più solido, ma significherebbe di meno.

Se la confidenza era al 70%, perché la lettura non si è avverata? Perché 70% significa esattamente che circa tre volte su dieci andrà diversamente. Una scala ben calibrata è tenuta a sbagliare alla frequenza dichiarata. Si verifica su una serie lunga, non su una partita sola.

Ci si può fidare dell’analisi sportiva con IA? Come fonte di lavoro verificabile — sì: si vede quali dati sono stati raccolti, come ne è stata valutata la qualità e quale rischio il sistema ha nominato da solo. Come promessa di un risultato — no, perché quella promessa nello sport non può farla nessuno.