Intelligenza Artificiale ormai fa parte della vita di tutti noi e sta facilitando molti lavori. Anche in ambito sportivo, in particolare in Premier League, viene molto utilizzata sia per scouting che per statistiche che per pianificazione tattica. Parte dell’elaborazione avviene direttamente sui dispositivi (GPS unit, videocamere intelligenti) per ridurre latenza. Chiaramente AI suggerisce, ma la decisione finale resta a coach e analisti.
SCOUTING E RECLUTAMENTO
Il Brighton ha utilizzato una piattaforma proprietaria ("Starlizard") per analizzare milioni di dati su compatibilità tattica, rischio infortuni e performance, accorciando enormemente i tempi di scouting e ottimizzando l’individuazione di potenziali talenti. Anche l'Arsenal si affida a strumenti basati su IA (ad esempio PLAIER) per generare shortlist intelligenti (acquisti nella finestra estiva).
PIANIFICAZIONE TATTICA
I campioni inglesi del Liverpool utilizzano Google DeepMind su TacticAI, un sistema per ottimizzare schemi sui calci d’angolo. Le analisi di oltre 7.000 corner hanno portato a preferire le soluzioni suggerite dall’IA nel 90 % dei casi. Utilizzano anche scouting e analisi di neuroscienze.
PERFORMANCE E PIANIFICAZIONE INFORTUNI
L’IA è utilizzata per monitorare i carichi di lavoro, la fatica, la frequenza cardiaca e il recupero, aiutando i club a ridurre il rischio di infortuni. Vengono utilizzati strumenti come Zone7 (anche se applicati altrove) per anticipare/ipotizzare problemi muscolari in tempo reale.
PSICOLOGIA
Sempre il Brighton collabora con Inside Out Analytics per analizzare migliaia di ore di video, valutando posture, gestualità e comportamento non verbale per classificare tratti come empatia, grinta o autocontrollo.
TIFOSI E BIGLIETTI
La Premier League ha siglato una partnership quinquennale con Microsoft. La piattaforma Premier League Companion, alimentata da Azure OpenAI, offre ai tifosi personalizzazioni sui club, partite, statistiche e video, su un archivio vastissimo di contenuti digitali.
INNOVAZIONE STRUTTURALE
Il Manchester City ha una partnership IA con Google Research e ha introdotto sistemi intelligenti per il flusso dei tifosi allo stadio (crowd intelligence), oltre a video highlights personalizzati in base alle preferenze dei fan.
SABERMETRICA E AI
Il Brentford adotta un vero approccio "Moneyball" (diventato noto in MLB grazie agli Oakland Athletics), grazie alla guida del proprietario Matthew Benham, un fisico di Oxford con background finanziario, che ha introdotto una cultura basata sui modelli analitici per reclutare giocatori sottovalutati. Utilizzano modelli statistici (come xG, qualità dei tiri, lavoro senza palla) per comparare giocatori e identificare opportunità di mercato, coniugando "numeri freddi" e scouting visivo. Grazie a questo approccio, hanno scoperto talenti come Watkins, Maupay e Toney, acquistati a basso costo e rivenduti con grande guadagno. Dal 2024, Brentford ha operato una partnership con Genius Sports per fornire alla propria tifoseria, sia allo stadio che sui social, highlight in tempo reale arricchiti da dati visivi (velocità dei tiri, traiettorie, mappe del campo, nomi dei giocatori). Il sistema "Dragon" rileva 10.000 punti corporei per giocatore, 200 volte al secondo.
Inoltre il Brentford ha progressivamente abbandonato il modello tradizionale dell’accademia giovanile (nel 2016), sostituendola con un team B potenziato da scouting esterno, ottimizzando lo sviluppo dei giovani talenti.
RACCOLTA DATI (DATA ACQUISITION LAYER)
-Sensori GPS indossati dai giocatori in allenamento (10–20 Hz, tracking di velocità, accelerazione, distanza percorsa, decelerazioni, high intensity runs).
-Computer Vision da telecamere multi-angolo, come sistemi TRACAB o Second Spectrum, che rilevano 20–25 coordinate 3D per giocatore 25 volte al secondo in partita.
-Wearable biometrici (HRV, saturazione O₂, temperatura corporea, dati del sonno).
-Input esterni: dati di mercato, statistiche Opta, informazioni mediche, social sentiment analysis.
ELABORAZIONE E MODELLAZIONE (AI/ML LAYER)
-Algoritmi di Machine Learning supervisionati (XGBoost, Random Forest) per predire eventuale infortunio o performance future.
-Reti neurali convoluzionali (CNN) per analizzare pattern video (posture, tempi di reazione).
-Reti neurali ricorrenti (LSTM/GRU) per prevedere sequenze di gioco o schemi avversari.
-Modelli di Reinforcement Learning per ottimizzare tattiche (simulazioni "what-if" in scenari di pressing, posizionamento su corner, etc).
-AI generativa per creare "set-piece design" come nel caso di Liverpool con TacticAI.
RISULTATI E DECISION MAKING (DECISION LAYER)
-Dashboard interattive in tempo reale (Tableau, Power BI, piattaforme custom).
-Suggerimenti in linguaggio naturale (NLP) per allenatori e analisti.
-Integrazione con sistemi di video-tagging per revisioni rapide.
-Alert predittivi ("Probabilità infortunio muscolare >70% → ridurre carico allenamento").
ESEMPIO TACTIC AI
Dataset: XXXX corner analizzati.
Input: posizione iniziale giocatori, pattern di corsa, esito azione.
Modello: CNN + GNN (Graph Neural Networks) per capire relazioni spaziali.
Output: raccomandazione su disposizione ottimale e traiettoria cross.
ESEMPIO RECRUITMENT AI
Sistema: motore di ranking multi-criterio.
Variabili: xG creato/subito, pressing effectiveness, infortuni passati, adattabilità tattica.
Tecnica: Analytic Hierarchy Process (AHP) + ML per pesare criteri in base al contesto di mercato.
Uso: trovare giocatori in campionati meno seguiti con profilo simile a target di mercato.
ESEMPIO GENIUS SPORTS DRAGON
Tracking: 10.000 punti corpo per giocatore, 200 Hz.
AI: modelli di riconoscimento movimento per calcolare velocità tiri, traiettorie, distanze.
Output: highlight in-game con overlay dati per tifosi allo stadio e social.
ESEMPIO CROWD INTELLIGENCE E TACTICAL SIMULATION
AI basata su agent-based modeling per simulare movimenti dei tifosi nello stadio e ottimizzare uscite e servizi.
Tattiche: simulazioni Monte Carlo di possibili sviluppi d’azione in base a posizionamento iniziale.
METRICHE AVANZATE
-xG (Expected Goals) e xA (Expected Assists): calcolati con modelli di regressione logistica su migliaia di tiri.
-EPV (Expected Possession Value): valuta quanto un’azione aumenta la probabilità di segnare.
-PPDA (Passes per Defensive Action): misura l’intensità del pressing.
-Load Index: combinazione di accelerazioni, decelerazioni, impatti, durata sforzo ad alta intensità.
-Recovery Time Prediction: ML per stimare tempi di recupero infortunio, usando dati biometrici e di allenamento.
-Psychometric AI Profiling: analisi di video-interviste e comportamento non verbale per valutare resilienza, empatia, leadership.
