Stiamo vivendo nel pieno della bolla dell’Intelligenza Artificiale.
Se ne parla pressoché ovunque e per tutti i settori.
Non si può negare che l’AI stia cambiando molti dei nostri modi di interagire, dell’approccio al lavoro, con ovvi pro e contro.
Oggi però proviamo ad indagare un po’ anche rispetto al rapporto tra il mondo dello sport (e del suo business collegato) e i vari usi che si possono fare proprio dell’AI in questo settore.
L’AI nello sport è diventata uno di quegli argomenti in cui è difficile separare quello che sta succedendo davvero da quello che fa buona impressione nei comunicati stampa. Tutti ne parlano, pochi spiegano cosa significa concretamente.
Proviamo a capirci qualcosa di più.
Il punto di partenza: non siamo all’anno zero
Prima di tutto, è utile ricordare che l’analisi dei dati nello sport non è una novità. Il baseball usava statistiche avanzate già negli anni Settanta, e il libro Moneyball — a cui questa rubrica si ispira per il titolo — raccontava una rivoluzione avvenuta nei primi anni Duemila. Quello che è cambiato negli ultimi anni non è l’idea di usare i dati, ma la quantità e la velocità con cui vengono raccolti e processati.
Oggi un singolo allenamento di un atleta professionista genera migliaia di punti dati al secondo: GPS, frequenza cardiaca, accelerazione, variabilità del passo, carico biomeccanico. Gestire tutto questo con un foglio Excel è impossibile. Ed è qui che entra in gioco l’AI — o più precisamente, il machine learning (come dicono quelli “studiati”): sistemi che trovano schemi (pattern) in grandi volumi di dati, spesso in modo più rapido e preciso di quanto potrebbe fare un analista umano.
A metà 2025, tre squadre professionistiche su quattro, in vari sport, si sono già integrate con sistemi di analisi in tempo reale per performance e strategia. Non è più tecnologia d’avanguardia: è diventata standard.
Dove funziona davvero: la prevenzione degli infortuni
Se c’è un’area in cui l’AI ha prodotto risultati concreti e misurabili, è la prevenzione degli infortuni. E non è una sorpresa: gli infortuni costano alle squadre cifre enormi, sia in termini di performance che economici. L’incentivo a investire era alto.
Zone7 Technologies usa il machine learning per analizzare carico di lavoro, dati biometrici e storico infortuni, con l’obiettivo di segnalare il rischio prima che si materializzi. La piattaforma dichiara un’accuratezza superiore al 90% nella previsione di infortuni ai tessuti molli fino a una settimana in anticipo, ed è usata da oltre 100 squadre professionistiche tra calcio, basket, baseball e football americano.
I risultati sul campo sembrano confermare le promesse. Il club spagnolo Getafe CF ha iniziato a usare Zone7 nel 2017: nella prima stagione ha registrato una riduzione del 40% degli infortuni. Nella seconda, con il modello che aveva accumulato più dati e affinato le previsioni, il calo era del 66% rispetto al periodo pre-AI. In termini pratici: da tre infortuni a uno.
Sul versante del football americano, la NFL in partnership con Amazon Web Services ha sviluppato il programma “Digital Athlete“: un modello computazionale di ogni giocatore NFL, che combina dati di tracking, storia medica e biomeccanica per simulare il rischio di infortuni in scenari diversi. La NFL ha registrato nel 2024 il tasso più basso di commozioni cerebrali mai rilevato, con un calo del 17% rispetto all’anno precedente, attribuito in parte agli aggiustamenti guidati dall’AI.
Vale la pena sottolineare un aspetto che emerge dai dati: a volte esiste un divario significativo tra la percezione soggettiva dell’atleta e il rischio oggettivo rilevato dai sistemi. Alcuni giocatori si sentivano perfettamente bene nel momento in cui il sistema segnalava un rischio immediato. Questo scarto tra come ci si sente e come si sta biomeccanicamente è uno dei contributi più preziosi che l’AI porta alla medicina sportiva.
Lo scouting nell’era dei modelli predittivi
Un altro fronte in cui l’AI sta cambiando le cose è la valutazione dei talenti. Il problema classico dello scouting è la soggettività: osservatori diversi vedono le stesse cose in modo diverso, e i pregiudizi soggettivi — preferire atleti con una certa fisicità, o provenienti da scuole o campionati noti — influenzano le scelte anche nei professionisti più esperti.
L’AI non soffre di questi condizionamenti “umani”. Non sovrastima un atleta perché è alto e atletico, o perché viene da un’università famosa. Analizza schemi nei dati. Nel baseball, per esempio, i modelli possono analizzare la velocità di rotazione di un lanciatore, la meccanica del lancio e persino l’analisi del sentimento nelle interviste per prevedere il successo a lungo termine.
Nella NBA, alcuni team hanno già incorporato il machine learning nelle valutazioni dei giocatori in vista del Draft. Esiste persino un modello che sostiene di poter prevedere il successo in NBA basandosi esclusivamente sulle dichiarazioni dei giocatori nelle conferenze stampa. Risultato discutibile, ma indicativo di dove si stia spingendo la ricerca.
Tuttavia, proprio qui emergono i limiti più interessanti. Nessuno tra i dirigenti NBA interpellati sull’argomento pensa che l’AI renderà i talent scout obsoleti. Ci sono segnali importanti che i dati non riescono ancora a catturare — come le abitudini di allenamento nella off-season, la cultura del lavoro, la capacità di gestire la pressione in momenti cruciali.
E c’è un rischio sistemico che viene spesso sottovalutato: il conformismo. Se tutte le squadre usano modelli simili, addestrati sugli stessi dati storici, potrebbero convergere verso le stesse valutazioni — e quindi le stesse scelte al Draft. Il vantaggio competitivo si azzera, e si rischia di replicare collettivamente gli stessi errori su scala industriale.
La tecnologia che già si vede: l’arbitraggio
C’è un ambito in cui l’AI è già entrata in modo visibile e definitivo: l’arbitraggio.
Nel tennis professionistico, i giudici di linea umani sono stati completamente sostituiti (con l’eccezione illustre del Roland Garros). Dal 2025, tutti i giudizi sui colpi fuori campo nel circuito ATP sono affidati al sistema automatico Hawk-Eye, basato su computer vision e AI. Un cambiamento epocale per uno sport in cui il dramma del “challenge” era diventato parte dell’esperienza.
Nel baseball americano, la MLB sta testando arbitri robotici — sistemi automatici per giudicare lo strike zone — nelle leghe minori dal 2019. Un’introduzione nel campionato principale è attesa entro le prossime due stagioni.
Nel frattempo, la FIFA è pronta ad usare una tecnologia semi-automatica per i fuorigioco già da questi Mondiali 2026.
L’arbitraggio (semi) automatizzato risolve il problema della soggettività umana, ma apre domande nuove: cosa succede quando il sistema sbaglia? Chi è responsabile? E quanto peso vogliamo dare alla “perfezione tecnica” rispetto all’elemento umano che da sempre fa parte dello sport?
Le luci e le ombre: un bilancio onesto
Fare un bilancio realistico significa non lasciarsi travolgere né dall’entusiasmo né dallo scetticismo.
Cosa funziona bene: La prevenzione degli infortuni è probabilmente l’applicazione più matura e con i risultati più verificabili. Il tracking in tempo reale e l’analisi biomeccanica hanno cambiato il modo in cui gli staff medici lavorano. L’arbitraggio automatizzato ha eliminato errori che in passato costavano partite e tornei. Lo scouting globale è diventato più accessibile: i sistemi AI possono analizzare filmati di gare in tutto il mondo, in qualsiasi lingua, producendo report automatici su giocatori che nessun osservatore umano avrebbe potuto raggiungere fisicamente.
Cosa ancora non funziona: I modelli predittivi restano strumenti, non oracoli. Hanno bisogno di grandi quantità di dati storici per funzionare bene — il che significa che tendono a essere meno affidabili per atleti giovani, sport di nicchia o campionati con meno documentazione digitale. L’AI è uno strumento di supporto potente, ma manca di intelligenza emotiva e capacità di leadership che i coach umani possiedono. E credo che non potrà mai supplire a questa carenza.
Il futuro prossimo: democratizzazione e nuove frontiere
Una delle tendenze più interessanti degli ultimi anni è la democratizzazione di queste tecnologie. Fino a pochi anni fa, sistemi come Catapult (leader mondiale nel monitoraggio degli atleti, tramite dispositivi GPS e sensori inerziali) erano accessibili solo ai club con budget importanti.
Oggi Catapult ha un piano individuale disponibile a 179 dollari all’anno, che porta la stessa tecnologia di tracking GPS usata dai club di Premier League a disposizione di atleti amatoriali e accademie giovanili.
Sulle frontiere più avanzate, la Bundesliga ha già testato nel 2024 la telecronaca live multilingua generata da AI, magari anche da noi, prossimamente, potremo sentire Peirluigi Pardo o Fabio Caressa “commentare” direttamente in francese, portoghese, spagnolo…
Per il 2026-2027, la MLB prevede l’introduzione delle strike zone automatiche nel campionato regolare. Una rivoluzione non da poco.
L’NBA è entrata in una partnership a lungo termine con COSM (ricordate? ne abbiamo parlato in questo articolo) per la produzione e la distribuzione di “realtà condivisa”, utilizzando l’intelligenza artificiale per creare esperienze di visione coinvolgenti e proiettate su una cupola, in cui i fan si sentono come se fossero in campo.
E in Italia? Un quadro a due velocità
Parlare di AI e sport in Italia significa parlare di un Paese che ha prodotto una delle aziende più influenti al mondo in questo settore — e che allo stesso tempo fatica a fare sistema.
Partiamo dal caso più significativo. Wyscout è nata nel 2004 per mano di tre amici nella cittadina ligure di Chiavari. L’idea originale era semplice quanto rivoluzionaria: invece di mandare DVD per posta agli scout, creare un database online dove scaricare video di qualsiasi giocatore, di qualsiasi campionato, in qualsiasi momento. La prima versione web della piattaforma fu rilasciata nel marzo del 2008, e da lì la crescita fu inarrestabile. Oggi Wyscout — acquisita dall’americana Hudl nel 2019 — è lo strumento di riferimento per scout, agenti e analisti in tutto il mondo professionistico. È nata in Italia, ma il suo mercato è globale.
Wyscout non è un caso isolato. Da Milano è nata Soccerment, startup che sviluppa algoritmi di machine learning per la valutazione delle performance e dispositivi wearable pensati specificamente per il calcio. Il loro sensore XSEED analizza il carico biomeccanico degli atleti in tempo reale, con particolare attenzione agli arti inferiori — la zona più vulnerabile per un calciatore. Tra i testimonial della piattaforma c’è Federico Dimarco, terzino dell’Inter.
Sul fronte dei club, il quadro è però molto più disomogeneo. Juventus e Inter sono tra i club italiani che stanno investendo maggiormente in tecnologia per ottimizzare le performance dei giocatori e la strategia di gara, ma la distanza dai campionati più ricchi resta strutturale.
Ricordiamo infatti che le commissioni di trasferimento aggregate dei 20 club di Premier League superano quelle combinate dei club tedeschi, italiani e spagnoli messi insieme: questo gap economico si riflette direttamente sulla capacità di investire in infrastrutture tecnologiche.
C’è poi un altro fronte su cui l’Italia sconta un ritardo: la cultura interna all’analytics. Lo sport italiano — e il calcio in particolare — ha una tradizione tattica fortissima, costruita su decenni di lavoro degli allenatori. Ma questa cultura ha faticato a dialogare con l’approccio tecnologico. La figura del data analyst nei club italiani è ancora relativamente giovane, e non sempre ha il peso decisionale che ha in Premier League.
Il paradosso italiano, insomma, è questo: abbiamo creato strumenti usati da tutto il mondo, ma dentro casa nostra la trasformazione procede a macchia di leopardo.
Né rivoluzione né bolla
L’intelligenza artificiale nello sport non è né la rivoluzione totale che i comunicati stampa vorrebbero, né la moda passeggera che i più scettici si aspettano. Ma questo penso varrà in tantissimi campi.
È qualcosa di più ordinario e più interessante allo stesso tempo: uno strumento che, in alcune aree specifiche, sta già cambiando le cose in modo misurabile.
Dove l’AI ancora inciampa è nei contesti che richiedono giudizio umano, contesto culturale, lettura delle persone — tutto quello che non si comprime facilmente in un’algoritmo, in un prompt e che nessun agente virtuali – temo – riuscirà mai a replicare.
La domanda giusta non è “l’AI cambierà lo sport?” — l’ha già fatto. La domanda è: in quali decisioni vogliamo che decida da sola, e in quali vogliamo che un essere umano abbia l’ultima parola?
Quella è una conversazione che il mondo dello sport deve ancora affrontare seriamente.
💰 MoneyBall
Matteo Zaccaria | Coltiva la passione per tutti gli sport (tranne il cricket, che rimane un mistero), ma non ne pratica neanche uno (!). Avvocato vicentino, ma non “magna gati”. Appassionato del racconto sportivo in tutte le sue forme. Ritiene che se ti svegli nel cuore della notte per guardare una finale NBA, o hai una passione, o un problema, oppure entrambe le cose!
“Mi piace guardare lo sport in Tv. Contrariamente ai film non sai mai come va a finire”
(Michael Douglas)
