Apples Sport-App und der stille Streit um die Sportdaten

Apples Sport-App macht fast nichts, und genau darum geht es. Der Rezensent von Slate zählte am 10. Juni 2026 auf, als die Weltmeisterschaft in Gang kam, was sie bietet: Teamnamen und Logos, Bilanzen, Spielzeiten, Live- und Endstände, eine Tabelle und einen Schalter, der die Wettquoten auf der Anzeigetafel ausblendet. Keine Schlagzeilen. Kein Streaming-Hinweis, es sei denn, man tippt auf ein Spiel. Kein Designelement, das zum Weiterscrollen verleitet.

Diese Zurückhaltung ist ungewöhnlich genug, um eine Meldung wert zu sein. Und sie fällt mitten in eine viel größere Auseinandersetzung über Sportdaten: wer sie sammelt, wer für sie bezahlt und wer entscheidet, welche Version einer Zahl die wahre ist.

Eine minimale App in einem maximalen Markt

Apple kündigte Sports im Winter 2024 an. Laut Slate bestand die Präsentation aus einem Satz eines Apple-Managers: "We created Apple Sports to give sports fans what they want, an app that delivers incredibly fast access to scores and stats." Die App deckt Spiele der Weltmeisterschaft ab sowie Fußball in der MLS, der NWSL und rund 30 weiteren Ligen, darunter die ecuadorianische Serie A und die zweite Bundesliga, dazu Herren- und Damentennis und die LPGA Tour. Tippt man auf ein Spiel, bekommt man einen einfachen Boxscore, eine Rangliste oder Kader. Live Activities können die Ergebnisse eines Teams auf den Sperrbildschirm schicken.

Der Markt um diese Einfachheit ist alles andere als ruhig. MarketsandMarkets beziffert in einem Bericht, den Yahoo Finance am 22. September 2026 aufgriff, den Markt für KI im Sport bis 2030 auf 2,61 Milliarden Dollar, mit einer jährlichen Wachstumsrate von 16,7 Prozent. In denselben Zeitraum fallen eine Partnerschaft von Databricks mit Cal Athletics, ein Sportzentrum des Atlantic Council und ein Bericht der New York Post, wonach DraftKings KI eingesetzt haben soll, um verlierende Wettkunden gezielt anzusprechen. Nichts von dieser Reibung taucht in Apples App auf. Genau deshalb gefiel sie dem Rezensenten.

Das Gegenargument lautet, dass das Abrufen von Ergebnissen nie der interessante Teil war. Interessant ist, was mit den Daten darunter passiert: die Ereignis-Feeds, die Tracking-Systeme, die Integritätsprüfungen. Dort sitzen das Geld und die Kontroversen.

Woher die Daten tatsächlich kommen

Sean Ingle vom Guardian vertrat am 15. Juli 2025 eine Version dieses Arguments, nach dem zweiten Jahr der elektronischen Linienrichter in Wimbledon. Die Schlagzeilen dieser zwei Wochen drehten sich um Fehler. Das System übersah einen Ball von Sonay Kartal, der gegen Anastasia Pavlyuchenkova im Aus landete; ein Offizieller hatte das System versehentlich abgeschaltet. Eine Vorhand von Taylor Fritz wurde als out gewertet, obwohl sie vier Fuß innerhalb der Grundlinie aufkam, und ein Balljunge war noch auf dem Platz, als der Amerikaner aufschlug.

Ingles Punkt war, dass die Empörung die Grundrate verdeckte. Wimbledon setzte eine leistungsfähigere Version von Hawk-Eye ein, die dort seit 2007 in Gebrauch ist. Forscher haben geschätzt, dass Linienrichter bei knappen Entscheidungen in etwa 8 Prozent der Fälle falsch liegen. Spieler sind schlechter. Von den 1.535 Challenges im Herren- und Dameneinzel in Wimbledon 2024 wurden nur 380 korrigiert, weniger als 25 Prozent. Wenn ein Spieler glaubte, der Ball sei out, lag er in drei von vier Fällen falsch.

"No system is 100% perfect, but they are demonstrably more accurate than relying purely on human decision-making", sagte Matt Drew, der die Integritätsabteilung bei StatsPerform aufbaute, in Kommentaren, die der Guardian veröffentlichte.

Ingle verwies außerdem auf zwei Studien zu menschlicher Verzerrung. In einer sollten 40 qualifizierte Fußballschiedsrichter 47 Szenen aus einem Spiel Liverpool gegen Leicester beurteilen; die Hälfte sah sie mit Publikumslärm, die Hälfte in Stille. Die Gruppe mit Publikumslärm verhängte deutlich weniger Fouls gegen Liverpool, 15,5 Prozent weniger. Eine andere Studie in Norwegen ergab, dass erfolgreiche Teams eher günstige Elfmeterentscheidungen bekamen. Psychologen nennen das Konformität.

Das ist das Argument für die Maschinen, und es ist ein Datenargument, kein sentimentales. Genauigkeit ist messbar. Verzerrung ist messbar. Beides lässt sich vergleichen.

Die Analytics-Rechnung, für die niemand budgetiert

Dann gibt es die Ebene, die die meisten Fans nie sehen: die Infrastruktur, die rohe Ereignisse in eine Zahl verwandelt, der jemand vertraut. Ein Beitrag im Cassis-Blog vom 23. August 2026 argumentiert, dass billigeres SQL Analytics nicht billig macht, weil jede Antwort menschliche Kosten trägt, die umverteilt statt beseitigt werden. Der Beitrag teilt diese Kosten in drei Teile: Indexierung, die Vorarbeit beim Definieren von Kennzahlen und Dokumentieren von Logik; Abfrage, der Aufwand beim Abrufen; und Zuverlässigkeit, ob die zurückkommende Zahl semantisch richtig ist, auch wenn das SQL einwandfrei läuft.

Das Beispiel ist ein CFO, der fragt, wie viele aktive Unternehmenskunden im letzten Quartal verlängert haben. Bevor jemand antwortet, muss jemand entscheiden, welche Tabelle Kundendaten enthält, was "aktiv" bedeutet, was als "Unternehmen" zählt und was "letztes Quartal" im Geschäftskalender heißt. Cassis beschreibt einen leitenden Datenmanager, der eine wöchentliche Rotation fährt. Eine einzige Person bearbeitet dort Ad-hoc-Fragen und bindet dauerhaft etwa 20 Prozent eines Teams von fünf oder sechs Leuten.

Sportorganisationen haben dasselbe Problem mit anderen Substantiven. Was zählt als angekommener Pass? Ein Ballbesitz? Ein Tackle? Die Sitzung eines Fans in einer Vereins-App? Die Definitionen sind das Produkt. Sind sie falsch, wird das Dashboard trotzdem gerendert.

Entwickler liefern die langweiligen Teile

Zwei Open-Source-Projekte, die im September 2026 veröffentlicht wurden, zeigen, wie viel dieser Arbeit inzwischen zur Standardinfrastruktur geworden ist. Adaca Analytics, ein selbst gehostetes Dashboard für Google Analytics 4 auf Basis von Cloudflare Workers, speichert tägliche Rollups aus der GA4 Data API oder einem BigQuery-Export in einer D1-Datenbank, die der Betreiber besitzt, und lässt Echtzeit bei Google. Es bringt sechs Dashboards und einen vierstufigen Builder mit, dazu Drilldown-Seiten für Quellen, Seiten und Länder, schreibgeschützte Freigabelinks, die einen Filter festhalten können, sowie wöchentliche oder monatliche Zusammenfassungen per E-Mail oder Slack. Es steht unter MIT-Lizenz und stammt von Adaca, einer Softwareberatung.

Plainoldanalytics, am 13. September 2026 auf Hacker News vorgestellt, geht den umgekehrten Weg: eine nachrüstbare Analytics-Middleware für Go-Anwendungen, im Geist ähnlich wie Umami, Plausible oder PostHog, aber in die App eingebettet. Das Kernpaket ist speicherunabhängig, mit Backends wie DuckDB und einem In-Memory-Speicher, einem integrierten Dashboard unter einem frei wählbaren Pfad, Sitzungsaufzeichnung, benutzerdefinierten Ereignissen und Schlüssel-Wert-Eigenschaften. Der Verkehr wird etwa einmal pro Sekunde auf die Festplatte geschrieben.

Keines der beiden Projekte sagt einem, wer letzte Nacht gewonnen hat. Aber sie sind die Ebene, die entscheidet, ob die Zahl, die man sieht, die Zahl ist, die man meint.

Die Weltmeisterschaft wird weiter Streit über Entscheidungen produzieren, und die NFL ersetzt ab September ihre Chain Gang durch Hawk-Eye-Technologie, wie der Guardian berichtete. Die Bildschirme werden weiter schneller. Die Definitionen darunter sind der Ort, an dem der Streit tatsächlich stattfindet.