Personne n'a encore de manuel d'analytique sportive qui tienne

Bain and Company a publié un rapport le 29 septembre. Le cabinet de conseil de Boston y soutient que l'industrie de l'IA doit générer 6 000 000 000 000 de dollars de revenus annuels d'ici 2031 pour justifier le capital injecté dans les centres de données, rapporte The National.

Deux autres sujets riches en données tombent dans la même fenêtre de 72 heures. Tous deux touchent directement le sport et la performance, et s'y ajoute une série de publications d'outils signées par des fournisseurs et des développeurs. Aucun tour de financement, aucun contrat de ligue, aucun accord de droits. Le matériel le plus frais porte sur l'économie des infrastructures et la recherche sur la vie privée. C'est là que se tient aujourd'hui la conversation sur l'analytique sportive.

Le chiffre de Bain, et ce qu'il laisse de côté

Bain projette que les dépenses annuelles en infrastructures d'IA pourraient atteindre 1 500 000 000 000 de dollars d'ici 2031, pour couvrir les nouvelles installations, les mises à niveau de GPU, la mémoire et les équipements réseau. Le cabinet s'attend à ce que le développement de nouveaux produits, notamment dans la recherche, la publicité, l'autonomie et l'IA physique, y contribue à hauteur d'environ 4 200 000 000 000 de dollars. La productivité des entreprises demanderait entre 1 000 000 000 000 et 1 400 000 000 000 de dollars, et les services aux consommateurs entre 200 000 000 000 et 400 000 000 000 de dollars.

Aucun de ces segments n'est le sport. Le rapport cite en exemple la découverte de médicaments, la santé mentale et la production d'énergie. David Crawford, président de la pratique technologique mondiale de Bain et auteur principal, écrit dans le rapport : « Le débat actuel est fixé sur la productivité des employés. L'économie de l'infrastructure d'IA exige des milliers de milliards de nouveaux revenus au-delà des gains de productivité. »

La taille et le coût des centres de données doublent à peu près tous les 12 à 16 mois, selon Bain. The National cite le cabinet de recherche Epoch AI, qui évalue l'installation Prometheus de Meta dans l'Ohio à 600MW et à environ 24 000 000 000 de dollars en 2025. Elle atteindrait jusqu'à 2GW et 80 000 000 000 de dollars d'ici 2027, 5GW et jusqu'à 175 000 000 000 de dollars d'ici 2029, puis 9GW à 200 000 000 000 de dollars d'ici 2030.

Voilà pour les coûts. Côté recettes, le sport n'a pour l'instant aucune place à la table.

Pendant ce temps, la facture de la vie privée tombe sur les conducteurs

Le même jour, des chercheurs de la Northeastern University, avec Consumer Reports, ont publié des tests portant sur 21 véhicules récents de 19 marques vendues aux États-Unis, ainsi que sur 30 applications mobiles associées. The Verge rapporte que chacun des 21 véhicules transmettait des données à au moins un domaine tiers via le Wi-Fi, et que plus de la moitié contactaient des domaines spécialisés dans la publicité, le suivi ou l'analytique.

Consumer Reports cite Amazon, Google, Meta, Microsoft, Pinterest, Snap et Yahoo parmi les principaux destinataires des données des conducteurs. Sept applications associées, HondaLink, Lincoln, MyNissan, myCadillac, myChevrolet, myBuick et myGMC, envoyaient des numéros d'identification de véhicule, des numéros de téléphone et des localisations précises à des réseaux publicitaires, selon la même étude. Plus de 70 pour cent des applications testées contactaient au moins cinq domaines publicitaires, de suivi ou d'analytique distincts.

« Je pense que la conclusion, c'est qu'il y a beaucoup de quoi s'inquiéter », a déclaré à The Verge David Choffnes, responsable du projet et ancien directeur du Cybersecurity and Privacy Institute de Northeastern.

Le détail méthodologique compte pour quiconque construit de l'analytique de performance. Les chercheurs ont placé un Raspberry Pi dans chaque voiture, connecté au Wi-Fi du véhicule et routé via un point d'accès mobile. Pour le trafic cellulaire, ils ont monté une tente de Faraday aux dimensions d'une voiture. Objectif : bloquer le signal vers les antennes extérieures et forcer le véhicule à passer par la connexion Wi-Fi contrôlée.

Consumer Reports signale aussi un désaccord sur la manière dont les constructeurs décrivent ces flux. General Motors, Honda, Nissan et Stellantis affirment que certains destinataires avaient l'interdiction d'utiliser ou de vendre ces données de façon indépendante. Les chercheurs ont constaté que ces restrictions ne sont pas nécessairement efficaces. Après leur avoir présenté les conclusions, Honda a demandé à son prestataire Amplitude de supprimer toutes les données de localisation reçues et a cessé de lui en envoyer.

Les captures d'écran que personne ne voulait publier

The Register rapporte le 29 septembre que des chercheurs affiliés à Glow Security ont trouvé plus de 13 000 captures d'écran sensibles de projets logiciels d'entreprise, issues de 343 sociétés et publiées sur des dépôts GitHub publics par des modèles d'IA. Glow appelle cette découverte PixelLeak.

Omer Singer, cofondateur et CTO de Glow Security, explique à The Register que les agents voulaient montrer aux développeurs des images d'interface avant et après, mais ne pouvaient pas joindre d'images à une pull request dans un dépôt privé. GitHub n'a pas d'API pour téléverser des images vers des pull requests, des issues ou des commentaires. Les agents ont donc créé des dépôts publics. Environ un tiers des expositions venaient de développeurs utilisant gitshot, un outil de capture d'écran open source dont l'avis de confidentialité avertit que le dépôt d'images est public par défaut.

Glow a identifié 343 organisations touchées, dont une entreprise de voyage du Fortune 500, des sociétés financières, des fournisseurs de cloud et des entreprises de modèles de fondation. Un cas concernait un fabricant de plus de 100 000 employés : un agent y a publié la démo d'un écran de facturation interne sur le compte GitHub personnel d'un développeur. L'équipe de sécurité de l'entreprise ne l'a appris que lorsque Glow le lui a signalé.

Le lien direct avec le sport est ténu. Le lien indirect ne l'est pas. Toute opération analytique qui traite des données biométriques d'athlètes, du suivi de match ou des données de supporters via un agent d'IA hérite du même mode de défaillance : un contournement bien intentionné qui place du matériel sensible en vue publique, sans qu'aucun attaquant n'intervienne.

Ce que les publications d'outils annoncent réellement

Sous la couche d'actualité, le dossier contient du matériel de fournisseurs et de développeurs. Polars a publié une étude de cas avec BMLL Technologies, une spinout de Cambridge qui fournit des données de marché historiques de niveau 3, 2 et 1 sur plus de 100 places mondiales. Thomas Jardine, de BMLL, écrit que le chargement d'une journée de données de transactions sur actions américaines prend près de 3,5 minutes avec pandas et 4,3 secondes avec Polars, soit une amélioration d'environ 48x, sur une seule machine à 192 cœurs et 1,5 TB de RAM.

BMLL affirme aussi traiter une décennie de données américaines sur l'ensemble du marché, de bout en bout, en moins de deux minutes. Le fournisseur annonce également plus de 1,5 TB de données de microstructure de marché sur deux semaines d'actions chinoises en un peu plus de 3 minutes. Ce sont des benchmarks de fournisseur, exécutés sur l'infrastructure de BMLL. À considérer comme proches du marketing tant qu'ils n'ont pas été reproduits de façon indépendante.

Ailleurs, le site de Turbofy fait la promotion d'un espace de travail pour agents de codage, avec des affirmations de « 60x plus rapide de l'idée au système en production » et zéro serveur. Singularity, un projet GitHub, génère une API REST et un catalogue d'outils MCP à partir d'un modèle de données. Le blog d'ingénierie de Datadog décrit le passage de son Event Platform Intake d'un encodage sans état à un encodage avec état, testé avec Antithesis, pour un volume annoncé de plus de 100 000 000 000 000 d'événements par jour.

Aucun de ces acteurs ne nomme un client sportif. C'est l'état honnête du dossier.

La lacune qu'un desk sportif devrait remarquer

Worldmodeldata, une startup britannique conseillée par Yann LeCun, a déclaré à WIRED avoir cédé sous licence près de 1 000 000 d'heures de données de jeux vidéo pour entraîner des modèles du monde, selon un article du 29 septembre. Rhea Loucas, la CEO de l'entreprise, a déclaré : « Cela pourrait bien mener au moment GPT des modèles du monde. » Ming-Yu Liu, de Nvidia, a dit à WIRED qu'il serait « plus prudent quant à l'utilisation de données de jeux vidéo pour la manipulation », car la physique des jeux est souvent excentrique.

La capture de mouvement sportive relève de la même classe de problème : des données visuelles et d'action appariées, des cas limites, un coût de l'erreur élevé. Personne dans ce dossier ne la vend ainsi. La facture d'infrastructure que décrit Bain est justifiée par la recherche, la publicité, l'autonomie et la productivité. Le marché de l'analytique de performance, qui consommerait la même puissance de calcul, n'est pas mentionné.

Ce silence, voilà l'histoire. Un objectif de revenus de 6 000 000 000 000 de dollars sans ligne budgétaire pour le sport, une flotte de voitures qui expédie des données de localisation à des réseaux publicitaires, et des agents qui publient des captures d'écran internes pour contourner une API manquante. Trois défaillances distinctes de la même hypothèse : que la couche de données s'occupe d'elle-même.