苹果体育应用几乎算不上数据产品，而这正是重点

体育科技市场一直被当成一个数据问题来卖。近来的报道谈的是运动表现追踪、票务分析和体育中的人工智能，全都指向更大的数据管道和更聪明的模型。过去两年里使用量最大的体育产品之一，走的是相反的路。

Slate 在六月评测了苹果的体育应用，标题说它“几乎什么都不做”。文章描述的应用没有新闻标题，没有直播指南，也没有任何把用户留在应用里的设计。它有的是球队名称和队徽、战绩、比赛时间，以及进行中或已结束比赛的比分，外加一个积分榜页面。这就是这个产品的全部。

成本在查询，不在索引

这与分析厂商描述问题的方式形成鲜明对比。数据工具公司 Cassis 在八月发布的一篇文章，给出了一个简单框架，说明回答一个数据问题的人力成本落在哪里。它把成本拆成两部分：索引，即事先把信息组织好以便日后能找到；查询，即有人真正需要答案那一刻所花的力气。文章借用了 Hrishi Olickel 的衣柜比喻：写时模式是把衣服直接放进衣柜，按用途分好类；读时模式则是在你需要某件衣服时，去翻一堆乱放的东西。

苹果的应用是一次极端的索引押注。必须有人决定哪些联赛重要、积分榜怎么组织、技术统计怎么排布、比分多快能推到锁屏上。用户在查询时几乎不用付出什么。Slate 的评测者提到，在斯坦利杯季后赛期间，这款应用多次先一步弹出匹兹堡企鹅队的动态，比流媒体直播还快，快到他不得不关掉自动更新。

“我们做 Apple Sports，是为了给体育迷他们想要的东西，一个能极快获取比分和数据的应用。”

Slate 文章中引用的这句苹果高管的话，就是全部的卖点。没有任何关于智能体的说法。评测者列出这款应用覆盖的范围：世界杯比赛，加上 MLS、NWSL 以及大约 30 个其他联赛，其中包括厄瓜多尔甲级联赛和德乙，还有男子和女子网球以及 LPGA 巡回赛。

智能体只是挪动成本，并不会让它消失

当前大多数体育分析的推进，都假设了相反的取舍：接受一个更重的产品，换回更多东西。这个假设在整个数据工具领域正受到压力。Cassis 的文章认为，AI 智能体并不会消除让数据变得有用的人力成本，它们只是重新分配了成本，而这种再分配很容易被忽略。文中引用的一位资深数据经理描述了每周轮换：一个人专门负责临时提问，长期占用五到六人团队中约 20% 的人力。

Starburst 在九月发表了自己关于智能体数据分析的分析，从另一个方向得出了相近的结论。该公司描述了一种它刻意称为“选项 0”的做法：从源系统抽取原始数据，以文件或直连管道的方式发给智能体。Starburst 反对的理由是成本，它指出，如果智能体按处理条目收费，把数 TB 数据发给智能体可能贵得离谱。它更倾向的做法是给智能体数据库凭据，让它自己写 SQL，这样数据库引擎就去做它本来就擅长的事。

Starburst 也指出了这种做法中的运维风险。文章说，智能体可能比人苛刻得多，在反复迭代时会用大量试探性查询压垮数据库。公司把这一点描述为数据库行业正在积极处理的工作负载问题，而不是已经解决的问题。

小工具，小界面

同样的思路也出现在较小的开源项目里。Adaca Analytics 是九月发布在 GitHub 上的一个自托管 Google Analytics 4 仪表盘项目，跑在 Cloudflare Workers 上，通过 GA4 Data API 或 BigQuery 导出做每日汇总，落到使用者自己拥有的 D1 数据库里。实时部分仍留在谷歌。该仓库宣传开箱即用六个仪表盘、一个四步构建器，以及预先算好的明细页，点开一个数字只需一次往返。项目采用 MIT 许可。

八月下旬出现在 Hacker News 上的 DataZen，在数据库工作的范围上采取了类似立场：一个不到 15 MB 的桌面客户端，GPLv3，无需账号，凭据用 AES-256-GCM 加密后存在操作系统钥匙串里，AI 请求只发往用户自己配置的服务商。九月发布的 Plainoldanalytics 是一个 Go 中间件，把仪表盘挂到已有的 HTTP 路由上，大约每秒把流量刷写到磁盘一次。

这些产品没有一个承诺回答 CFO 那个问题：哪些企业客户续约了。它们承诺的是，一旦有人把问题定义清楚，取回答案的成本很低。Cassis 把没有预算的那部分说得很直白：让四个团队就“活跃客户”的定义达成一致，这本身就是索引工作，不会因为现在由智能体来写 SQL 就消失。

对体育产品来说，这个类比成立，但有一处不同。球迷对什么是比分早已有共识。那种吃掉分析预算的定义之争并不存在，这也许正是“几乎什么都不做”能奏效的原因。