Was KI-Fußballprognosen nicht können

Der Zufall lässt sich nicht wegrechnen

Fußball ist ein torarmes Spiel. In einer Partie fallen im Schnitt weniger als drei Treffer, und einzelne Ereignisse entscheiden über den Ausgang: ein abgefälschter Schuss, eine strittige Abseitsentscheidung, ein Pfostentreffer. Solche Momente sind nicht vorhersagbar, und sie sind nicht selten – sie sind der Normalfall.

Je torärmer eine Sportart, desto größer der Anteil des Zufalls am Endergebnis. Deshalb gewinnt im Basketball fast immer die bessere Mannschaft, im Fußball dagegen regelmäßig nicht. Keine Datenanalyse ändert daran etwas.

Welche Informationen fehlen

Die Modelle bekommen Tabellendaten, Formkurven, Torbilanzen und – soweit vorhanden – direkte Vergleiche. Was sie nicht bekommen:

• Aufstellungen – sie stehen erst rund eine Stunde vor Anpfiff fest, die Prognosen entstehen früher.
• Trainingsberichte, Verletzungsdetails und den internen Zustand einer Mannschaft.
• Wetterlage und Platzverhältnisse.
• Wettquoten – bewusst nicht, dazu unten mehr.
• Alles, was in Kabine und Umfeld passiert und in keiner Statistik auftaucht.

Ein erfahrener Beobachter, der ein Team regelmäßig verfolgt, hat an dieser Stelle Wissen, das keinem der vier Modelle zur Verfügung steht.

Warum bewusst keine Wettquoten einfließen

Wettquoten enthalten sehr viel Information – sie bündeln das Urteil professioneller Analysten und das Verhalten des Marktes. Würden sie in den Prompt einfließen, stiege die Trefferquote der Modelle vermutlich.

Nur wäre der Vergleich dann wertlos. Die Modelle würden im Wesentlichen die Quote nachsprechen, und alle vier kämen zu ähnlichen Ergebnissen. Die Frage, die diese Seite untersucht – wie unterschiedliche KI-Systeme dieselbe Datenlage bewerten –, ließe sich nicht mehr beantworten.

Sprachmodelle sind keine Prognosemodelle

Die eingesetzten Systeme sind Sprachmodelle. Sie sind darauf trainiert, plausible Texte zu erzeugen, nicht darauf, Wahrscheinlichkeiten zu berechnen. Ein spezialisiertes statistisches Modell, das ausschließlich auf Fußballergebnissen trainiert wurde, wäre bei der reinen Vorhersage wahrscheinlich im Vorteil.

Was Sprachmodelle dafür leisten: Sie erklären ihre Einschätzung in verständlicher Sprache und benennen die Faktoren, auf die sie sich stützen. Genau das macht die Begründungsprüfung erst möglich – und genau darum geht es hier.

Kleine Stichproben sagen wenig

Am Anfang einer Saison liegen nur wenige Prognosen je Modell vor. Aus einer solchen Zahl lassen sich keine belastbaren Aussagen über Modellstärken ableiten – der Abstand zwischen zwei Modellen kann bei wenigen Spieltagen vollständig aus Zufall bestehen.

Die Metrik-Seite weist den Modell-Index deshalb ausdrücklich als vorläufig oder eingeschränkt aus, solange die Grundlage dünn ist. Wer trotzdem Ranglisten daraus ableitet, liest Rauschen.

Wofür diese Prognosen nicht taugen

Sie sind keine Wettberatung. Sie sind keine Empfehlung, Geld einzusetzen. Sie sind kein System, mit dem sich ein Buchmacher schlagen lässt – die Quoten enthalten mehr Information als die hier verarbeiteten Daten, und der Buchmacher kalkuliert seinen Vorteil ein.

Sie dienen der Information und der Unterhaltung: Sie zeigen, wie vier unterschiedliche KI-Systeme dieselbe Ausgangslage bewerten, wo sie übereinstimmen und wo sie auseinandergehen. Das ist interessant. Es ist keine Anleitung zum Wetten.

Warum diese Offenheit

Weil sich eine Prognose mit offengelegten Grenzen einordnen lässt und eine ohne nicht. Auf dieser Seite steht zu jedem Modell, wie oft es richtig lag, wie ehrlich seine Selbsteinschätzung war und ob eine simple Faustregel es geschlagen hat.

Diese Zahlen fallen nicht immer schmeichelhaft aus. Sie stehen trotzdem da – das ist der Unterschied zwischen einer Auswertung und einer Werbeaussage.