Lässt sich der Ausgang eines Spiels mit KI vorhersagen?

Die Antwort in einem Satz

Nein. Keine KI kann das Ergebnis eines Sportspiels vorhersagen, denn ein Teil davon steckt in keiner Information, die vor dem Anpfiff vorliegt.

Ein Modell liefert etwas anderes: eine Wahrscheinlichkeitsschätzung. Das Prinzip kennst du von der impliziten Wahrscheinlichkeit, die sich aus einer Quote errechnen lässt. Der Unterschied zur Vorhersage entscheidet darüber, was eine Aussage überhaupt behauptet.

Die linke Spalte zeigt eine Formulierung, die ein seriöses Werkzeug nie verwenden sollte. Sie dient hier nur als Gegenbeispiel.

Diese Seite klärt nur die eine Frage, ob es geht oder nicht. Den Überblick, was KI zur Prognose beiträgt, findest du in KI und Sportprognosen. Die konkreten Schwächen einer KI-Prognose stehen bei den Grenzen von KI-Prognosen.

Warum die Unsicherheit bleibt

Ein Teil des Ergebnisses entsteht erst nach dem Anpfiff, also außerhalb aller Eingangsdaten.

• Eine Verletzung mitten im Spiel.
• Eine Schiedsrichterentscheidung, die ein Spiel kippen lässt.
• Die Tagesform, die in den Daten der Vorwoche nicht auftaucht.
• Eine Aktionsfolge, die an ein paar Zentimetern hängt.

Nichts davon lässt sich vorab kodieren. Ein größeres Modell oder mehr Rechenleistung ändert daran nichts. Die Information gibt es zum Zeitpunkt der Berechnung schlicht noch nicht.

Bunker und Susnjak zitieren in ihrer Übersichtsarbeit Studien, nach denen reiner Zufall bei bis zu 18 % der Spiele einer Saison den Ausschlag geben kann. Das ist keine Lücke in der Modellierung, sondern der Teil des Sports, der sich jeder Analyse entzieht.

Was die Forschung tatsächlich zeigt

Die berichteten Genauigkeiten schwanken stark, und das liegt weniger an der Raffinesse der Modelle als an der Struktur der Sportarten und Wettbewerbe.

Drei Befunde, im Text der Übersichtsarbeit geprüft:

• Fußball ist die am häufigsten untersuchte Sportart des Korpus. In der besten erfassten Arbeit kommt er auf höchstens 78 % Genauigkeit und liegt im Vergleich der Sportarten nur auf Platz fünf.
• Eine Studie zum US-College-Basketball (Shi et al., 2013) berichtet, an eine Grenze von 74 % gestoßen zu sein, die ihre Autoren nicht überwinden konnten.
• Die Sportarten mit den besten Werten haben teils weniger ausgeglichene Wettbewerbe. Die Übersicht betont, dass eine Liga, die von wenigen Teams dominiert wird, sich mechanisch leichter vorhersagen lässt als ein dichtes Feld.

An der Basketball-Studie bleibe ich hängen. Die Autoren schreiben selbst, dass sie über 74 % nicht hinauskamen. Für mich ist das ein Hinweis darauf, dass ein Teil der Grenze im Sport selbst liegt.

Zwei Vorbehalte beim Lesen. Diese Zahlen gelten für die Vorhersage eines Spielergebnisses in der Forschung und nicht für Wetten. Eine Wette wird an einer Quote und ihrer Marge gemessen, und eine Trefferquote sagt dazu wenig. Außerdem lassen sich Genauigkeiten über zwei und über drei Ausgänge nicht vergleichen, denn mehrere Arbeiten lassen das Unentschieden weg, um das Problem zu vereinfachen.

Warum man beides so leicht verwechselt

Eine genaue Zahl wirkt wie eine Gewissheit. „62 %“ liest man spontan als „ja“. Dazu kommt, dass Werkzeuge für ein breites Publikum die Fehlerspanne gern weglassen, damit die Anzeige lesbar bleibt.

Hier drei Formulierungen, von der ehrlichsten zur unehrlichsten:

• „Rund 62 %, auf Basis dieser Historie und dieser Variablen“ nennt die Unsicherheit offen.
• „Wahrscheinlichster Ausgang“ stimmt, lässt aber die Größe der Unsicherheit verschwinden.
• „Dieser Ausgang tritt ein“ lässt sich nicht mehr prüfen und steht für nichts mehr ein.

Gegen die dritte Variante muss sich ein seriöses Werkzeug absichern, auch in der Sprache seiner Oberfläche.

Was ein Modell kann und was nicht

Drei Ebenen, die du auseinanderhalten solltest.

Ein Modell kann Datenmengen verarbeiten, die von Hand unerreichbar sind, und liefert dabei von Spiel zu Spiel dieselbe Lesart. Es kann außerdem eine Wahrscheinlichkeit schätzen, mit einer Fehlerspanne, die bei einem einzelnen Spiel groß bleibt. Das lässt sich mit einer fairen Quote vergleichen, also dem, was eine Quote ohne Marge ausdrückt.

Was ein Modell nie kann: schließen, dass ein Ausgang eintreten wird. Das ist die Grenze des Sports, nicht der Technik.

Die KI-Lesart von OddScore bleibt in diesem Rahmen. Vor dem Spiel fasst sie zusammen, was der Markt sagt, und zeigt ein Urteil an (einen Sieger, ein Handicap oder ein Total), das diese Lesart verdichtet, ohne das Ergebnis anzukündigen. Sie verspricht keine Genauigkeit und gibt keine Einsatzempfehlung.

Die konkreten Grenzen von KI-Prognosen →

Zurück zum Ratgeber KI und Sportwetten-Prognosen →

In der Praxis anwenden

Wende diesen Leitfaden auf echte Quoten an.

Den Markt erkunden

Quotenbewegungen sind nur ein Teil der Geschichte. Hier sind die nächsten Themen zum Weiterlesen.

Häufige Fragen

Quellen & Methodik