Di Pesach Benson • 7 giugno 2026

Gerusalemme, 7 giugno 2026 (TPS-IL) — Con la Coppa del Mondo 2026 che inizierà giovedì, i ricercatori israeliani avvertono che un più silenzioso cambiamento tecnologico sta già ridisegnando il futuro del calcio: i sistemi di intelligenza artificiale utilizzati sempre più per classificare, analizzare e prevedere il potenziale atletico dei bambini.

Uno studio israeliano ha esaminato come l’IA stia andando oltre l’analisi delle prestazioni per plasmare giudizi a lungo termine sulle capacità umane fin dalla prima infanzia. I risultati, pubblicati sulla rivista peer-reviewed *Big Data and Cognitive Computing*, avvertono che, poiché gli algoritmi elaborano sempre più dati sulle prestazioni giovanili, potrebbero non solo valutare il talento in modo più efficiente, ma anche iniziare a definirlo prematuramente, potenzialmente incorporando pregiudizi e restringendo le opportunità ben prima che i giocatori raggiungano livelli professionali.

In vista del torneo, la FIFA ha annunciato una partnership con la società tecnologica Lenovo per sviluppare la piattaforma Football AI Pro, un sistema avanzato per l’analisi tattica e la valutazione delle prestazioni basato su milioni di punti dati, analisi video, visualizzazioni 3D e simulazioni di machine learning.

Sviluppi simili sono in corso in iniziative parallele come la collaborazione di Intel con il Comitato Olimpico Internazionale su sistemi di identificazione dei talenti basati sull’IA. Mentre alcuni di questi strumenti sono già in fase di test o implementazione in paesi come Israele, Giappone ed El Salvador, altri sono ancora nelle prime fasi di attuazione.

Secondo lo studio, guidato dal Prof. Ofer Ezer della Ben-Gurion University e dal Dr. Ilya Morgolev del Kay Academic College di Beer-Sheva, il cambiamento più significativo non è semplicemente il miglioramento delle analisi, ma l’emergere di un monitoraggio continuo e basato sui dati degli atleti giovanili. Sistemi di ripresa automatizzati, sensori indossabili e video di allenamento auto-registrati consentono ora di catturare, archiviare e analizzare nel tempo le prestazioni dei bambini, creando un registro digitale permanente fin dalla tenera età.

Negli sport olimpici, nel basket, nel baseball e nel tennis, l’IA viene sempre più utilizzata per identificare e valutare il talento atletico fin dalla giovane età. I programmi di sviluppo olimpico utilizzano il profiling biometrico e le simulazioni di prestazioni per indirizzare gli atleti verso discipline adatte, mentre i sistemi di basket e tennis si basano sui dati di tracciamento, sull’analisi video e sulle metriche di movimento per valutare il potenziale a lungo termine. Il baseball applica in modo simile modelli basati sui dati per valutare i prospetti nelle sue pipeline di sviluppo, attingendo a grandi set di dati storici sulle prestazioni dei giocatori.

In tutti questi sport, il modello comune è un passaggio dalla valutazione a breve termine delle prestazioni alla previsione algoritmica a lungo termine del potenziale basata su dati raccolti continuamente da atleti sempre più giovani.

Combattere il “Determinismo Digitale”

I ricercatori descrivono questo sviluppo come “determinismo digitale”, in cui i dati prestazionali precoci iniziano a plasmare e limitare le opportunità future. Una volta archiviate, le metriche infantili possono influenzare quali giocatori ricevono attenzione dall’allenamento, opportunità di scouting o finanziamenti, trasformando di fatto le misurazioni precoci in filtri a lungo termine per le carriere atletiche.

Una scoperta chiave dello studio è come i pregiudizi possano entrare in questi sistemi indirettamente. Anche quando gli algoritmi escludono attributi sensibili come l’etnia o il reddito, possono comunque riprodurre disuguaglianze attraverso variabili proxy come la scuola, la posizione geografica o la struttura familiare. Questi segnali, derivati da schemi storici di successo, possono incorporare disparità socioeconomiche in sistemi che appaiono oggettivi.

Le piattaforme di scouting aggregano già filmati video, eventi di partite e statistiche prestazionali per più fasce d’età e campionati. I sistemi di machine learning identificano quindi schemi associati alle prestazioni d’élite, mentre gli analisti applicano filtri come età, posizione e livello di competizione. Tuttavia, poiché questi sistemi sono addestrati su successi storici, spesso ereditano i pregiudizi incorporati nelle passate decisioni di allenamento e selezione, hanno affermato gli scienziati.

Lo studio evidenzia anche un ciclo di feedback rafforzativo: gli atleti identificati precocemente dagli algoritmi hanno maggiori probabilità di ricevere un allenamento e un’esposizione superiori, il che migliora i loro dati prestazionali, che a loro volta rafforzano la previsione originale del sistema. Nel tempo, questa dinamica potrebbe restringere anziché espandere l’accesso alle opportunità.

Oltre alle metriche prestazionali, i ricercatori avvertono che la raccolta dati potrebbe estendersi eventualmente oltre il campo. I sistemi di IA potrebbero incorporare attività sui social media, copertura mediatica e altre informazioni pubblicamente disponibili per costruire profili più ampi di giovani atleti, sollevando preoccupazioni sulla privacy e interrogativi sull’uso a lungo termine dei dati infantili.

“La realtà dimostra che gli sport agonistici santificano il successo competitivo sopra ogni altra cosa, anche a scapito di altri valori”, afferma il Dr. Morgolev. “Gli sport agonistici sono un’arena unica ed estrema che si basa su dati fisici eccezionali oltre a determinazione, resilienza e motivazione. Una combinazione che, nella migliore delle ipotesi, caratterizza solo circa l’uno percento della popolazione.”

Il Prof. Ezer aggiunge: “È tempo di pensare insieme come società al posto e al grado di autonomia che siamo disposti a concedere agli algoritmi nel fotografare, classificare, prevedere e determinare il percorso di sviluppo della futura generazione, quando gli sport agonistici sono irrilevanti per la stragrande maggioranza di loro”, avvertendo che i bambini dovrebbero svilupparsi in un quadro umano di supporto piuttosto che essere definiti prematuramente da punteggi algoritmici.