Devo fare una confessione prima di cominciare questa serie sull’intelligenza artificiale e il calcio: sono tifoso del Torino. Questo dovrebbe bastare a escludere qualsiasi rapporto opportunistico con la vittoria. Per trovare una partita abbastanza epica da raccontare nel mio ultimo romanzo (27.03.1983 | The Wall Edizioni) sono dovuto tornare indietro di quarant’anni. Ma questa è un’altra storia.
Quella che comincia qui riguarda il futuro. Nei prossimi articoli proveremo a vedere cosa succede quando l’intelligenza artificiale entra nel calcio: scouting, tattiche, arbitraggi, contratti, dati biometrici, infortuni, diritti d’immagine. Il pallone resta rotondo. Tutto quello che gli gira intorno un po’ meno. Cominciamo dai ragazzini.
Quello lì diventa qualcuno
Per più di un secolo il calcio ha cercato talenti servendosi di uno strumento tecnologicamente rudimentale: un essere umano seduto sugli spalti. L’osservatore guardava correre un quattordicenne su un campo spelacchiato, prendeva qualche appunto e cercava di stabilire se quel ragazzino con le ginocchia sbucciate valesse un altro viaggio la domenica successiva. Poteva sbagliare. Poteva innamorarsi di un dribbling, sopravvalutare quello già alto un metro e ottanta, ignorare quello cresciuto sei mesi dopo. Aveva pregiudizi, simpatie, antipatie, mal di schiena. Magari si era fatto quattrocento chilometri per vedere il futuro centravanti della Nazionale e quello aveva trentotto di febbre. Adesso abbiamo una soluzione. Possiamo far sbagliare un algoritmo. Ad agosto Frontiers in Sports and Active Living ha pubblicato una revisione sistematica di venti studi sull’uso dell’intelligenza artificiale per individuare i talenti nel calcio. Altezza, peso, velocità, resistenza, passaggi, posizione in campo, maturazione biologica: tutto può diventare un dato con cui provare a capire chi ha davanti una carriera e chi no. Per farlo si usano Random Forest, XGBoost, reti neurali. Il vecchio osservatore aveva il taccuino. Il nuovo ha Python.
Il campione già visto
Un algoritmo può confrontare quantità di dati che nessun essere umano riuscirebbe a ricordare e trovare relazioni invisibili a occhio nudo. Non torna a casa stanco. Non ha passato il viaggio con un procuratore. Non decide che un ragazzo «ha qualcosa» perché gli ricorda un centravanti visto trent’anni prima. Resta una seccatura: bisogna insegnargli che cosa sia un talento. Per farlo servono dati di calciatori che abbiamo già considerato talentuosi. Il passato finisce dentro il metro con cui andremo a misurare il futuro. E il metro, a quanto pare, ha qualche tacca storta. La review segnala campioni piccoli o selettivi, poca validazione esterna e problemi di rappresentatività. Tutti gli studi considerati riguardavano giocatori maschi e molti erano concentrati in Europa. Alcuni utilizzavano persino dati provenienti da FIFA o Football Manager. Materiale legittimo per determinati esperimenti. Prima di spendere cinquanta milioni per un terzino, magari farei anche una telefonata. Poi c’è l’adolescenza, periodo durante il quale gli esseri umani hanno la pessima abitudine di crescere a velocità diverse. A tredici anni pochi mesi possono significare centimetri, chili, forza. Quello che sembra un fenomeno potrebbe semplicemente essere maturato prima. Il piccoletto che oggi sparisce nella fotografia di squadra potrebbe avere un appuntamento più tardi con la pubertà. Se il modello viene addestrato su dati che premiano chi è maturato prima, può imparare a considerare talento quello che era soltanto un vantaggio di qualche mese.
Diego, 13 anni, pratica respinta
Qui entra Maradona. Naturalmente non sappiamo cosa avrebbe deciso un algoritmo davanti al tredicenne Diego Armando Maradona. Per sostenerlo seriamente servirebbero una macchina del tempo e un responsabile privacy disposto a seguirci fino a Villa Fiorito, il quartiere alla periferia di Buenos Aires dove Diego è cresciuto. Il titolo è una provocazione. Maradona ci serve perché rappresenta il caso peggiore per qualsiasi sistema costruito sul già visto: qualcuno che finisce per cambiare i criteri con cui giudichiamo quelli venuti dopo. Il talento calcistico, del resto, ha sempre avuto rapporti difficili con le caselle. È questo il guaio con le eccezioni. Prima che qualcuno dimostri che funzionano, assomigliano parecchio agli errori. Poi ne arriva uno che fa qualcosa che nel foglio Excel non avevamo previsto di misurare. Molti dei modelli studiati dalla letteratura lavorano ancora su fotografie del presente e dataset limitati. Per capire davvero come si sviluppa un ragazzo servirebbero anni di osservazioni e verifiche su popolazioni diverse. Altrimenti rischiamo di costruire una macchina straordinariamente precisa nel trovare il calciatore che sappiamo già di volere.
Il cimitero dei dati
C’è un problema ancora più antipatico. I campioni continuano a produrre dati. Degli scartati, a un certo punto, perdiamo le tracce. Il ragazzo selezionato resta dentro il sistema: si allena in strutture professionistiche, viene misurato, seguito, confrontato. Ogni stagione aggiunge informazioni alle precedenti. Se arriva in prima squadra, sappiamo quasi tutto della sua carriera. Quello mandato a casa a quattordici anni, invece, può semplicemente sparire dai radar. Forse avrebbe comunque smesso. Forse sarebbe diventato un giocatore mediocre. Forse l’osservatore aveva ragione. Oppure no. Ed è precisamente questa la risposta che non possiamo conoscere. Per insegnare a un algoritmo quali errori di selezione non ripetere, sarebbe molto utile sapere quali ragazzi scartati sarebbero diventati grandi calciatori se qualcuno avesse continuato a farli allenare, giocare e crescere. Solo che non sono cresciuti dentro quel sistema. Quindi quei dati non esistono. Di chi è stato scelto sappiamo come è andata. Di chi è stato scartato sappiamo soltanto che è stato scartato. Ed è un bel problema per un algoritmo: per imparare dagli errori del passato dovrebbe conoscere anche le carriere che quegli errori hanno impedito. Ma quelle carriere non sono mai esistite.
Il numero sul monitor
A settembre un’altra revisione sull’AI applicata alla selezione del talento sportivo ha segnalato problemi simili: qualità disomogenea dei dati, scarsa validazione longitudinale, interpretabilità, privacy e bias. Sarebbe però sciocco concludere che gli algoritmi non servano. Un buon modello può mettere sotto esame convinzioni che nel calcio sono sopravvissute per decenni grazie a una robusta metodologia scientifica chiamata «secondo me questo è forte», magari dopo due cicchetti al Bar dello Sport. Può confrontare migliaia di giocatori, scovarne uno che nessun osservatore avrebbe mai visto e scoprire che certi criteri venerati per anni contano molto meno del previsto. Sulla quantità di dati, la partita con l’essere umano finisce prima di cominciare. Resta quel caso raro nel quale bisogna decidere prima che i numeri abbiano deciso. Lì sopravvive una facoltà assai meno precisa, impossibile da mettere in una colonna e costruita su anni di partite viste, giocatori sopravvalutati, campioni riconosciuti e cantonate memorabili. La chiamiamo intuito. Nel 1971 Francisco Cornejo, allenatore delle giovanili dell’Argentinos Juniors, vide giocare un bambino di dieci anni. Non aveva un dataset. Aveva visto abbastanza calcio. Il bambino si chiamava Diego Armando Maradona.
Immagini generate tramite ChatGPT. Tutti i diritti sono riservati. Università di Torino (2026).
