Si potrebbe costruire un modello scientifico raccogliendo un campione sufficientemente ampio di partite, isolando e classificando gli eventi rilevanti, incrociando dati di possesso, occasioni create, tiri, expected goals (xG), errori individuali e risultati, applicando analisi statistiche per individuare ricorrenze, tendenze e scostamenti tra rendimento atteso e rendimento effettivo. Alla fine di tutto questo lavoro potremmo finalmente ottenere una stima rigorosa di uno dei fenomeni più importanti nella storia del calcio. La botta di fortuna. La cosa interessante è che qualcuno, usando una terminologia leggermente diversa, ha già cominciato a farlo.
Il peso specifico della fortuna
Nel 2025 Felix Holzmeister, dell’Università di Innsbruck, e Magnus Johannesson, della Stockholm School of Economics, hanno pubblicato sul Journal of Sports Economics uno studio sul rapporto tra capacità e fortuna nel calcio europeo. Hanno analizzato sette grandi campionati per tre stagioni, utilizzando metriche come expected goals ed expected points per stimare il rendimento atteso e distinguere, attraverso un modello statistico, la componente più stabile delle prestazioni da quella casuale. Secondo le loro stime, circa il 60 per cento della variazione nella sovra- o sotto-performance di una squadra rispetto ai risultati attesi è attribuibile alla fortuna. Su una stagione di 38 partite, la componente attribuita alla fortuna corrisponde a una deviazione standard di circa sette punti. Sette punti sono abbastanza per guardare con maggiore indulgenza l’allenatore che in conferenza stampa sostiene che quest’anno gli episodi non girano dalla parte giusta. Naturalmente lo studio non dice che il 60 per cento del calcio dipende dalla fortuna. Misura quanto il caso contribuisca agli scostamenti tra prestazioni attese e risultati ottenuti. Un singolo episodio può essere imprevedibile, mentre il peso complessivo degli episodi casuali può essere studiato statisticamente. Ed è esattamente il tipo di problema che interessa all’intelligenza artificiale.
Lo schema tattico è un’abitudine collettiva con ambizioni scientifiche
Al Mondiale del 2026 tutte le 48 nazionali hanno avuto a disposizione FIFA AI Pro, la piattaforma sviluppata da FIFA e Lenovo. La piattaforma combina dati ufficiali delle partite, tracking dei giocatori, eventi di gioco e video; secondo FIFA e Lenovo, può interrogare milioni di punti dati e analizzare oltre duemila metriche. Gli staff possono rivolgerle domande in linguaggio naturale per studiare la propria squadra e gli avversari, individuare ricorrenze e confrontare situazioni di gioco. Scrivere 4-3-3 sulla distinta significa descrivere una posizione di partenza. Durante la partita quella disposizione cambia: in possesso, per esempio, può diventare un 3-2-5; in fase difensiva, un 4-5-1. Pressing, costruzione e transizioni producono altre geometrie, spesso preparate in allenamento e ripetute al verificarsi di determinate condizioni. È proprio la ripetizione a renderle interessanti per un algoritmo. Se quando il terzino avversario riceve in una certa zona il mediano scivola verso destra, l’ala si abbassa e il centrale si allarga, dopo un numero sufficiente di osservazioni quel movimento può essere riconosciuto e associato alle conseguenze che produce. La questione diventa allora quanto sia prevedibile una squadra. Con un inconveniente: gli stessi strumenti li ha pure l’altra panchina.
Il problema è che lo sanno anche loro
Studiare l’avversario non è una novità. Sono cambiate la quantità di informazioni disponibili, la capacità di metterle in relazione e la velocità con cui vengono elaborate. Se l’analisi individua una vulnerabilità ricorrente, lo staff può preparare una soluzione per sfruttarla. L’avversario, però, può avere scoperto la stessa vulnerabilità e averla corretta proprio per quella partita. Oppure può sapere che l’abbiamo studiata e preparare una risposta diversa. Benvenuti nella teoria dei giochi con gli scarpini. Più cresce la capacità di leggere il comportamento dell’avversario, maggiore diventa il valore di ciò che rende quella lettura meno affidabile.
Quando la scelta migliore diventa prevedibile
Il rigore è un buon esempio. Se un giocatore segna più spesso tirando alla destra del portiere, insistere da quella parte sembra logico. Finché il portiere studia gli stessi dati. La teoria dei giochi suggerisce allora di distribuire le scelte: anche una soluzione che, presa isolatamente, sembra meno conveniente può acquistare valore se impedisce al portiere di anticipare con troppa sicurezza la direzione del tiro. L’intelligenza artificiale potrebbe estendere questo calcolo ad altre situazioni di gioco, trasformando l’imprevedibilità in una variabile tattica. E forse anche in una caratteristica misurabile del giocatore.
Quanto sei prevedibile?
Due attaccanti possono ottenere risultati simili comportandosi in maniera molto diversa. Uno, davanti alla stessa situazione, sceglie quasi sempre la stessa soluzione. L’altro alterna passaggio, tiro, dribbling, movimento senza palla. Il secondo obbliga il difensore a tenere aperte più possibilità. Un sistema capace di analizzare migliaia di situazioni comparabili potrebbe provare a misurare questa differenza. Non saprebbe necessariamente che cosa farà il giocatore nell’azione successiva, ma potrebbe stimare quanto sia accurata una previsione costruita sul suo comportamento precedente. Avremmo così un piccolo paradosso: l’imprevedibilità, cioè la capacità di sottrarsi alla previsione, diventerebbe essa stessa un dato.
Il caso, però, è un’altra cosa
Un tiro deviato, una scivolata, il palo interno, un controllo sbagliato che diventa un assist non appartengono alla stessa categoria del dribbling inatteso. Nel primo caso nessuno ha scelto l’esito. Qui torniamo alla fortuna da cui siamo partiti. Un modello non deve sapere che all’ottantasettesimo minuto un tiro destinato fuori colpirà un difensore e finirà all’incrocio con una traiettoria da drone sbilenco. Può essere sufficiente stimare quanto eventi di questo genere incidano sui risultati. Se gli eventi casuali hanno un peso statistico, può esistere una situazione nella quale convenga aumentare deliberatamente le occasioni perché qualcosa di imprevedibile accada.
E se convenisse aumentare il caos?
Mancano cinque minuti e una squadra sta perdendo. Comincia a mandare palloni nell’area avversaria. Crescono i duelli, le respinte, le seconde palle, i contatti, le deviazioni e gli errori. La domanda non è se buttare palloni in area alla disperata sia una buona strategia. Dipende dal punteggio, dal tempo rimasto, dalle caratteristiche delle squadre e dal modo in cui quei palloni vengono giocati. Più interessante è capire se esistano situazioni nelle quali aumentare deliberatamente la quantità di eventi incerti diventi conveniente. Una strategia molto controllabile può avere un rendimento medio superiore e tuttavia risultare poco utile a una squadra che deve segnare negli ultimi due minuti. In quella situazione potrebbe valere la pena accettare una maggiore probabilità di subire un altro gol in cambio di una maggiore possibilità di pareggiare. In termini statistici significa aumentare la varianza. Se un sistema riuscisse a riconoscere con sufficiente precisione queste condizioni, l’AI potrebbe arrivare a suggerire quando conviene rendere la partita meno controllabile. Una conclusione curiosa per uno strumento che associamo alla capacità di prevedere.
Chi ha deciso davvero?
L’intelligenza artificiale lavora su modelli statistici, ma all’allenatore interessa ciò che quei modelli gli permettono di sapere. Dove l’avversario concede più spazio, quale giocatore sta perdendo efficacia, quali movimenti si ripetono abbastanza da poter essere sfruttati. Informazioni che entrano già oggi nella preparazione delle partite e, inevitabilmente, nelle decisioni. Con il navigatore satellitare abbiamo un rapporto simile. Gli affidiamo il percorso finché non suggerisce una strada diversa da quella che faremmo noi. A quel punto prevale la certezza di conoscere meglio la zona, ignoriamo la svolta e ci ritroviamo in una strada chiusa durante la corsa dei tori di Pamplona. Anche un allenatore può vedere una partita in un modo e ricevere dai dati un’indicazione opposta. Può seguirla oppure fidarsi dei propri trent’anni di calcio. Continuiamo ad attribuirgli ogni scelta perché è lui che vediamo in panchina. La sostituzione, il cambio di modulo, il pressing più alto portano il suo nome. Dietro possono esserci il lavoro degli analisti, i dati, i suggerimenti dell’AI. Oppure solo la presunzione narcisistica dell’allenatore. È questo che renderà sempre più difficile capire dove nasca davvero una decisione. Quando diciamo che un allenatore «ha letto bene la partita», siamo ancora sicuri che l’abbia letta lui?
Immagini generate tramite ChatGPT. Tutti i diritti sono riservati. Università di Torino (2026).
