Nelle leghe americane, l’AI e i suoi strumenti analitici sono utilizzati ormai a tutti i livelli. Un ecosistema tecnologico, quello americano, che nello sport abbraccia intere aree decisionali appartenenti ad un management sempre più sostenuto da dati e statistiche avanzate. La pianificazione delle strategie di mercato, in questo senso, non fa eccezione. I modelli di machine learning infatti simulano scenari di trade e free agency per capire quali mosse aumentino maggiormente le probabilità di vittoria. Gli algoritmi che decidono la linea di investimento Il mercato giocatori dunque cambia radicalmente prospettiva, trasformandosi in un processo fortemente data-driven. Le franchigie, infatti, con l’aiuto delle nuove tecnologie, stimano i principali scenari di crescita tecnica e fisica di ciascun atleta. Ad esempio, l’incrocio dei dati per la prevenzione dal rischio degli infortuni è decisivo per la protezione dei capitali investiti nella rosa. Allo stesso tempo, la definizione del margine di rivendita è fondamentale per capire quando un giocatore dovrà essere venduto. Per selezionare un atleta, dunque, non basta più il semplice monitoraggio delle performance o il tradizionale scouting, che si limita a fotografare le principali qualità tecniche dell’atleta; l’affidabilità degli algoritmi crea invece le condizioni per un approccio più razionale (ed efficace) delle politiche di rafforzamento del roster. Gli strumenti basati sull’AI assumono così una centralità strategica, poiché i modelli predittivi rappresentano uno dei principali cardini a supporto delle decisioni di investimento. È la corsa all’oro dei dati, la chiave di volta che indirizza le sorti della competizione in favore dei club più avvezzi all’utilizzo dei modelli AI: risultati sportivi superiori, migliore utilizzo del salary cap, maggiore probabilità di qualificazione ai playoff, incremento dei ricavi. Gestione del rischio: ecco come le franchigie minimizzano l’errore Il parallelo è con i sistemi utilizzati da banche e assicurazioni per valutare il rischio associato a un portafoglio. Un passaggio obbligato per i club: un contratto da 250 milioni di dollari infatti può trasformarsi in un enorme successo o in una perdita devastante per i conti societari. Non stupisce dunque che nella gestione del rischio l’utilizzo delle piattaforme predittive sia un modus operandi determinante nel supportare e realizzare gli obiettivi dei club. È proprio su questo principio che molte franchigie hanno costruito i propri successi. Tuttavia, più nello specifico, grazie anche all’evidenza statistica, molte delle decisioni di mercato hanno finito per privilegiare il valore potenziale dell’atleta rispetto alla sua reputazione consolidata. La logica è sempre la stessa: l’investimento deve essere sostenibile e soprattutto generare valore nel tempo. I casi in questo senso sono diversi: nel basket americano, ad esempio, Jalen Brunson, stella dei Knicks, per anni è stato sottovalutato a causa di limiti fisici percepiti come un ostacolo alla sua affermazione in ambito NBA. Le metriche avanzate, tuttavia, evidenziavano per il playmaker newyorkese caratteristiche di grande rilievo, tra efficienza, decision-making e impatto sul gioco nel lungo periodo superiori alla media. Il “caso Brunson” è l’emblema di uno schema decisionale in cui quello che conta non sono soltanto le abilità dell’atleta, quanto piuttosto la stima della “produttività” del giocatore a medio/lungo termine. Il caso degli Houston Astros Sulla base di questa considerazione, un giocatore molto mediatico può risultare meno conveniente di un altro che abbina però caratteristiche più utili al gioco della squadra. È la funzionalità che batte il frastuono della notorietà mediatica. Questa è stata la filosofia adottata dagli Houston Astros, una delle franchigie che per prima ha integrato sistemi di analisi e modelli predittivi per diventare uno dei club più competitivi della MLB. Infatti, da quando la squadra texana ha integrato in modo sistematico modelli di data analysis all’interno della propria struttura sportiva, i risultati, grazie anche a una minuziosa organizzazione tecnica, non sono tardati ad arrivare. La franchigia ha conquistato infatti due World Series (2017 e 2022) su quattro finali disputate (2017, 2019, 2021, 2022) archiviando definitivamente una delle fasi più difficili della storia del club, caratterizzata da oltre 100 partite perse in ogni stagione tra il 2011 e il 2013. L’obiettivo degli Astros era semplice: competere con squadre molto più ricche utilizzando meglio le informazioni. La squadra texana dunque iniziò a spostare il focus da “chi è il giocatore migliore oggi” a “chi genererà più valore nei prossimi anni”. Gli Astros, in poche parole, cercarono di individuare giocatori in pieno stile Moneyball, facendo leva cioè sui big data per orientare una scelta rivelatasi poi vincente: i giocatori attenzionati infatti non furono quelli più considerati, ma quelli che il mercato stava sottovalutando. Il successo arrivò grazie alla concretizzazione del loro progetto sportivo, e cioè all’innovativo programma di “Player Development”: gli Astros infatti utilizzarono analytics avanzati per ottimizzare meccaniche di battuta, migliorare il lancio, analizzare traiettorie e spin rate, individuare margini di miglioramento invisibili all’occhio umano. Molti giocatori arrivati a Houston non avevano il curriculum pieno di trofei; tuttavia, furono quelli che registrarono i progressi tecnici più significativi grazie a programmi di sviluppo fortemente basati sulla data science. AI e Moneyball nel calcio europeo L’approccio algoritmico statunitense si è materializzato anche nel calcio europeo attraverso la finanziarizzazione della proprietà dei club e l’applicazione del modello Moneyball allo scouting. Tuttavia, sebbene ci sia stata una forte accelerazione sul fronte AI e, in passato, sullo stesso Moneyball, in realtà, il sistema decisionale basato sui dati non è ancora evoluto né è fortemente integrato rispetto a quanto accade negli sport americani. Il motivo è semplice: il calcio è uno sport difficile da modellizzare. Paradossalmente, un centrocampista può influenzare una partita anche senza fare gol o giocate davvero decisive per le sorti del match. Inoltre, rispetto ad MLB, NFL o NBA, nei quali ogni avvenimento può essere posto sotto l’analisi di un algoritmo (ogni punto nel baseball, ogni azione nel football o nel basket) nel calcio, la natura stessa del gioco, il contesto tattico e le interazioni tra giocatori, molto più complessi, impediscono analisi probabilistiche accurate come negli sport a stelle e strisce. Per questo motivo, l’intuizione dell’allenatore o dello scout mantiene un peso decisamente maggiore rispetto alle discipline sportive statunitensi. Il caso del Brighton Naturalmente esistono delle eccezioni: il Brighton & Hove Albion FC può essere considerato uno dei club più orientati ai dati dell’intero panorama sportivo internazionale. La costruzione del suo vantaggio competitivo, che fa scuola in tutta la Premier, è dovuta alla massiccia applicazione di output predittivi alle decisioni dirigenziali. La strategia, dopotutto, è sempre la stessa: acquistare giocatori che il mercato sottovaluta, pagarne il cartellino pochi milioni, rivendere a cifre enormi. È il caso di Moisés Caicedo, acquistato per 4 milioni di sterline e rivenduto a 100, ma anche di Alexis Mac Allister (scoperto prima che si facesse notare ai Mondiali 2022 in Qatar), Kaoru Mitoma (arrivato dal campionato giapponese quando era poco conosciuto in Europa), Marc Cucurella (acquistato, valorizzato e rivenduto con una sostanziosa plusvalenza). Le cifre, in questo senso, sono da capogiro: tra il 2022 e il 2024, si stima che la squadra inglese abbia generato plusvalenze per ben 250 milioni di sterline grazie ad uno scouting avanzato e al supporto di un sofisticato programma di sviluppo e valorizzazione del talento. Un modello in stile americano La domanda allora è: ma gli strumenti predittivi hanno sostituito per intero il lavoro degli scout? No. Almeno nel calcio, la scoperta e la valorizzazione del talento dipendono ancora dall’intuizione dell’osservatore. Quello che è vero, tuttavia, è che il Brighton è il club europeo che più si è avvicinato al sistema americano, ottenendo risultati sorprendenti grazie ad un approccio basato sui dati. Non solo: la struttura dello scouting tradizionale è stata rimodellata attorno ai sistemi analitici sviluppati con aziende tecnologiche del settore. Ad ogni modo, alcune dinamiche hanno retto alla prova del tempo e all’affermarsi della tecnologia: il carattere del giocatore, il senso della leadership, l’inserimento nello spogliatoio, sono variabili impossibili da quantificare in termini di impatto sportivo anche per il sistema di machine learning più avanzato al mondo. Il vantaggio del Brighton dunque non è dipeso dall’utilizzo di un algoritmo “magico”, ma dall’aver integrato ai tradizionali metodi sportivi nuove strategie capaci di proiettare il club verso una transizione fondamentale: quella che ha condotto all’utilizzo di modelli statistici sempre più sofisticati. La tendenza futura Se nello scenario dello sport americano gli algoritmi lavorano in maniera massiccia in supporto delle decisioni strategiche, divenendo, in alcuni casi, un fattore centrale nel processo decisionale, nel calcio europeo, essi lavorano come un “filtro” intelligente, un supporto quantitativo alle scelte di mercato. La differenza è culturale: infatti, se negli USA lo scout non viene ignorato, ma deve spiegare perché il modello stia sbagliando, in Europa, invece, accade esattamente il contrario: la tendenza attuale e, molto probabilmente, quella futura non vanno verso una contesa tra uomo e macchina, quanto invece ad una libera coesistenza in cui l’equilibrio tra competenze umane e supporto algoritmico lavoreranno insieme per il raggiungimento di traguardi sportivi ed economici sempre più rilevanti.