Die Analytics-Pipeline im Sport korrigiert Linien, statt Apps zu verkaufen

Die Sporttechnologie wird an ihrem peinlichsten Moment gemessen. Bei Wimbledon 2025 kam dieser Moment zweimal innerhalb einer Woche vor. Beim zweiten Mal war ein Balljunge noch auf dem Platz. Sean Ingle von The Guardian berichtete am 15. Juli 2025 über die Folgen. Sein Text lohnt sich jetzt, da die Debatte sich auf KI in anderen Bereichen verlagert hat, erneut.

Zwei Fehler, und beide waren operativ, nicht algorithmisch. In einem Fall schaltete ein Offizieller das Linienrichtersystem aus. Im anderen las es einen Aufschlag falsch, weil eine Person am falschen Ort stand. Das System war eine aufgerüstete Version von Hawk-Eye, die Wimbledon seit 2007 nutzt. Dieser Unterschied verschwindet in dem Moment, in dem die Geschichte zu „Maschinen können die Arbeit nicht“ wird.

Was die Challenge-Daten tatsächlich zeigen

Ingle fragte IBM, wie oft Spieler bei Wimbledon 2024 recht behielten, wenn sie einen Linienentscheid herausforderten. Von 1.535 Challenges in den Herren- und Dameneinzel wurden 380 umgekehrt. Das sind unter 25%. Wenn ein Spieler dachte, der Ball sei draußen, und eine Challenge anrief, lag er dreimal von vier falsch. Unabhängig davon schätzten Forscher lange, dass Linienrichter etwa 8% der knappen Entscheidungen falsch trafen.

Diese beiden Zahlen sind keine Verteidigung eines bestimmten Anbieters. Sie sind eine Baseline. Die Frage, die ein Sportverband beantworten muss, ist nicht, ob ein System perfekt ist, denn nichts ist es, sondern ob es das Bessere von dem, was davor kam, schlägt und ob es sich verbessert. Hawk-Eye ist heute genauer als 2007. Das ist die Form der Argumentation, und sie ist langweiliger als der Aufschrei.

Es gibt einen zweiten Grund, warum Verbände weiter kaufen: den Schutz der Offiziellen vor Missbrauch. Beim letzten Rugby-Weltcup beschrieb Schiedsrichter Wayne Barnes, wie er Drohungen sexueller Gewalt gegen seine Frau und Drohungen von Gewalt gegen seine Kinder erhielt. Was immer man von automatisierten Entscheidungen hält, dieser Kontext ist real, und er wird nicht verschwinden.

Die menschliche Baseline ist schlechter, als wir zugeben

Dann ist da noch die Forschung dazu, wie Menschen tatsächlich entscheiden. Eine Studie bat 40 qualifizierte Fußballschiedsrichter, 47 Vorfälle aus einem Spiel zwischen Liverpool und Leicester zu bewerten. Die Hälfte sah sie mit Stadionlärm, die Kontrollgruppe in Stille. Die Gruppe, die das Publikum hörte, verhängte signifikant weniger Fouls gegen Liverpool, bei 15,5%. Eine separate norwegische Studie fand heraus, dass erfolgreiche Teams eher günstige Elfmeterentscheidungen bekamen. Psychologen nennen es Konformitätsdruck. Maschinen haben ihn nicht.

„Kein System ist 100% perfekt, aber sie sind nachweislich genauer als die reine menschliche Entscheidungsfindung“, sagte Matt Drew, der die Integritätsabteilung bei StatsPerform gründete.

Drews Punkt ist der pragmatische. Sportarten nutzen die Technologie, weil sie mehr Entscheidungen richtig trifft und Offizielle und Spieler vor Missbrauch schützt. Die besten Implementierungen, darunter Tennis und Cricket, erhalten das Fan-Erlebnis. Die NFL ersetzt ihre Kettenmänner ab September durch Hawk-Eye. Die Premier League beobachtet, wie der Fifa VAR bei der WM und der Club World Cup lief, mit weniger Verzögerungen und den gleichen Wiederholungen für die Fans.

Wohin das Analytics-Geld fließt

Kein Teil davon ist auf Linienentscheidungen beschränkt. Agentische Analyse ist der aktuelle Begriff dafür, Software eine Frage durch mehrere Datensätze jagen zu lassen, ohne dass ein Mensch jede Abfrage schreibt. Der Text von Starburst von September 2026 über zwei Architekturen für agentische Datenanalyse legt den Trade-off offen dar: Man gibt dem Agenten rohe Extrakte, und man zahlt dafür, Terabytes zu transportieren, die er dann selbst verarbeiten muss, oder man gibt ihm direkten Datenbankzugriff und lässt ihn seine eigenen Abfragen schreiben und verfeinern, während die Engine die schwere Arbeit macht. Die zweite Option ist die, die skaliert, obwohl Starburst anmerkt, dass Agenten anspruchsvoller sein können als menschliche Nutzer und ein System mit spekulativen Abfragen überfluten können.

Replikation ist die andere Hälfte des Problems, und sie wird gemessen. Ein Whitepaper von CData, das im September 2026 über Wileys Wissenschafts- und Technik-Hub veröffentlicht wurde, berichtet über eine 76%ige Beschleunigung bei der Replikation großer Tabellen auf derselben Infrastruktur. Es nutzt parallelisierte, partitionierte Lesevorgänge, die eine Quelltabelle in Zeilenbereiche aufteilen, die gleichzeitig über CPU-Threads gelesen werden, plus Optimierung des Schreibwegs, die den Overhead pro Datei und pro Spalte reduziert. Breite Tabellen mit hunderten Spalten profitieren am meisten, weil die Arbeit pro Spalte bei jeder Dateioperation wiederholt wird. Die Zahlen stammen von einem Anbieter, der etwas zu verkaufen hat, und die Methodik steht im Paper, nicht in der Schlagzeile. Betrachte die 76% also als Vendor-Benchmark, nicht als unabhängiges Ergebnis.

Open Source füllt dieselbe Schicht von der anderen Seite aus. Adaca Analytics, im September 2026 auf GitHub veröffentlicht, betreibt selbst gehostete Google Analytics 4- und BigQuery-Dashboards auf Cloudflare Workers. Tägliche Rollups landen in einer D1-Datenbank, die der Betreiber besitzt, während Echtzeit-Ansichten bei Google bleiben. Plainoldanalytics, ebenfalls auf GitHub, integriert Web-Analytics direkt in Go-Anwendungen und schreibt Traffic etwa einmal pro Sekunde auf die Festplatte. Keines davon ist ein Sportprodukt. Beide sind die Art von Rohrleitungen, auf die die Datenteams von Clubs heute zugreifen, bevor sie etwas kaufen.

Das ist die leise Geschichte unter den Wimbledon-Schlagzeilen. Die sichtbaren Fehler bekommen zwei Wochen Spalten. Die Genauigkeitszahlen, die Replikations-Benchmarks und die selbst gehosteten Dashboards bekommen ein Changelog. Eines davon kumuliert, und es ist nicht der Aufschrei.