Il pipeline di analytics nello sport corregge le righe, non vende app

La tecnologia sportiva viene giudicata dal suo momento più imbarazzante. A Wimbledon nel 2025 quel momento è arrivato due volte in una settimana. La seconda volta, un raccattapalle era ancora in campo. Sean Ingle del Guardian ha riportato le conseguenze il 15 luglio 2025, e il suo articolo vale la rilettura ora che la discussione si è spostata sull'IA in altri ambiti.

Due fallimenti, entrambi operativi più che algoritmici. In un caso un ufficiale ha disattivato il sistema di giudizio delle righe. Nell'altro, il sistema ha frainteso un servizio perché una persona stava nel posto sbagliato. Si trattava di una versione potenziata di Hawk-Eye, usata da Wimbledon dal 2007. Questa distinzione scompare quando la narrazione diventa "le macchine non ce la fanno".

Cosa dicono davvero i dati sulle sfide

Ingle ha chiesto a IBM quanto spesso i giocatori avessero ragione quando sfidavano una chiamata di riga a Wimbledon nel 2024. Su 1.535 sfide nel singolare maschile e femminile, 380 sono state ribaltate. Meno del 25%. Quando un giocatore pensava che la palla fosse out e sfidava, sbagliava tre volte su quattro. Separatamente, i ricercatori avevano da tempo stimato che gli arbitri di linea sbagliassero circa l'8% delle chiamate ravvicinate.

Queste due cifre non sono una difesa di un vendor specifico. Sono un punto di riferimento. La domanda che un organismo sportivo deve rispondere non è se un sistema sia perfetto, perché nulla lo è, ma se batta ciò che c'era prima e se stia migliorando. Hawk-Eye è più preciso oggi che nel 2007. È questa la forma dell'argomento, e una forma meno eccitante dell'indignazione.

C'è un secondo motivo per cui gli organismi regolatori continuano ad acquistare: proteggere gli ufficiali dagli abusi. All'ultimo Rugby World Cup, l'arbitro Wayne Barnes ha descritto minacce di violenza sessuale contro sua moglie e minacce di violenza contro i suoi figli. Qualunque sia la tua opinione sulle chiamate automatizzate, quel contesto è reale e non andrà via.

La baseline umana è peggiore di quanto ammettiamo

Poi c'è la ricerca su come le persone decidano davvero. Uno studio ha chiesto a 40 arbitri di calcio qualificati di giudicare 47 incidenti da una partita tra Liverpool e Leicester. Metà ha guardato con rumore della folla, il gruppo di controllo in silenzio. Il gruppo che sentiva la folla ha assegnato significativamente meno falli al Liverpool, al 15,5%. Uno studio norvegese separato ha trovato che le squadre vincenti avevano più probabilità di ricevere decisioni favorevoli sui rigori. I psicologi lo chiamano influenza di conformità. Le macchine non ce l'hanno.

"Nessun sistema è 100% perfetto, ma sono dimostrabilmente più precisi che affidarsi puramente al giudizio umano," ha detto Matt Drew, che ha fondato il dipartimento di integrità a StatsPerform.

Il punto di Drew è quello pragmatico. Gli sport usano la tecnologia perché corregge più decisioni e protegge ufficiali e giocatori dagli abusi, e le migliori implementazioni, tennis e cricket tra loro, mantengono intatta l'esperienza dei fan. La NFL sta sostituendo la sua catena di misurazione con Hawk-Eye da settembre. La Premier League ha osservato come la Fifa ha gestito il VAR al Mondiale e alla Club World Cup, con meno ritardi e gli stessi replay mostrati ai fan.

Dove si sta spostando il denaro degli analytics

Nessuna di queste cose è limitata alle chiamate di riga. L'analisi agentica è l'espressione attuale per lasciare che il software inseguisse una domanda attraverso diversi dataset senza che un umano scriva ogni query. Il write-up di Starburst di settembre 2026 su due architetture per l'analisi dati agentica espone il trade-off chiaramente: consegna a un agente estratti grezzi e paghi per spedire terabyte che deve poi elaborare lui stesso, o dagli accesso diretto al database e lascialo scrivere e affinare le sue query mentre il motore fa il lavoro pesante. La seconda opzione è quella che scala, anche se Starburst nota che gli agenti possono essere più esigenti degli utenti umani e possono allagare un sistema con query speculative.

La replicazione è l'altra metà del problema, e sta essendo misurata. Un white paper di CData pubblicato tramite l'hub di scienza e ingegneria di Wiley nel settembre 2026 riporta un'accelerazione del 76% nella replicazione di grandi tabelle sulla stessa infrastruttura, usando letture partizionate parallele che dividono una tabella sorgente in intervalli di righe letti simultaneamente su thread CPU, più ottimizzazione del percorso di scrittura che riduce l'overhead per file e per colonna. Le tabelle larghe con centinaia di colonne guadagnano di più, perché il lavoro per colonna si ripete su ogni operazione di file. I numeri provengono da un vendor con qualcosa da vendere, e la metodologia è nel paper non nel titolo, quindi trattate il 76% come un benchmark del vendor non come un risultato indipendente.

L'open source sta colmando lo stesso strato dall'altra estremità. Adaca Analytics, pubblicato su GitHub nel settembre 2026, esegue dashboard di Google Analytics 4 e BigQuery self-hosted su Cloudflare Workers, con rollup giornalieri che atterrano in un database D1 di proprietà dell'operatore e viste in tempo reale che restano su Google. Plainoldanalytics, anche su GitHub, incorpora l'analisi web direttamente in applicazioni Go e scarica il traffico su disco approssimativamente una volta al secondo. Nessuno è un prodotto sportivo. Entrambi sono il tipo di idraulica che il team dati di un club ora cerca prima di acquistare qualsiasi cosa.

Questa è la storia più silenziosa sotto i titoli di Wimbledon. I fallimenti visibili ottengono due settimane di colonne. Le cifre di precisione, i benchmark di replicazione e le dashboard self-hosted ottengono un changelog. Uno di questi sta compounding, e non è l'indignazione.