Il più grande giornale sportivo del mondo, MARCA, ha intervistato il CEO di Comparisonator, Tarkan Batgün, attraverso il suo giornalista sui big data Miguel Ángel García. Ecco alcuni titoli chiave dell’intervista:
K.Tarkan Batgün arriva per questa intervista in un giorno speciale: Spagna e Turchia si affrontano in una partita che lui conosce bene dalla sua duplice prospettiva di analista globale e di esperto turco di intelligenza artificiale applicata al calcio. CEO di Comparisonator -una piattaforma che contestualizza le prestazioni, confronta i giocatori tra i vari campionati e simula come si adatterebbero a nuovi ambienti competitivi – ha lavorato per club internazionali, agenzie e società di consulenza. Ha creato lo ‘Scouting Lab’ presso il Bursaspor, ha fatto parte del consiglio di amministrazione di Altınordu FK, ha fornito consulenza a società come Wyscout e SoccerLab ed è stato responsabile del programma di scouting di NIKE Türkiye per sei anni.
Da questa prospettiva sfaccettata, sostiene che il contesto è fondamentale per qualsiasi dato e che l’AI ha senso solo se ci aiuta a prendere decisioni migliori. In questa conversazione, spiega come la sua tecnologia traduce il calcio tra i vari campionati, rileva i rischi nascosti e previene i trasferimenti multimilionari che potrebbero andare male.
Domanda: Lei ha lavorato in quattro continenti e insiste sempre sul fatto che i dati senza contesto sono inutili. Qual è stato il più grande shock culturale che l’ha costretta a reinterpretare completamente un dato o il profilo di un giocatore?
Risposta: Lavorare in quattro continenti mi ha insegnato molto presto una cosa: lo stesso numero può avere un significato completamente diverso a seconda della sua provenienza. E il più grande shock culturale, il momento che mi ha davvero costretto a reinterpretare i dati, è arrivato quando sono passato dal calcio strutturato dell’Australia all’ambiente emotivo, caotico e ad alta intensità della Turchia.
Le faccio un esempio concreto: In Australia, ho analizzato un centrocampista che aveva un’eccellente precisione di passaggio: 92-93%. In quel campionato, questo di solito indica intelligenza, pazienza e un gioco posizionale ben allenato. Ma quando sono tornato in Turchia e ho applicato la stessa logica, mi sono reso conto di una cosa sconvolgente: un passatore con il 92% nel campionato turco spesso non è molto creativo. Potrebbe semplicemente evitare i rischi, giocare la palla indietro o rilasciarla immediatamente a causa della pressione.
Quello è stato il momento in cui ho capito che il contesto detta la verità, e mi ha spinto a creare Comparisonator come motore contestuale per i direttori sportivi, gli allenatori e i responsabili del reclutamento: per reinterpretare le cifre attraverso il prisma del ritmo del campionato, per adattare le prestazioni allo stile tattico, per capire come si comporta un giocatore al di fuori del suo ambiente, per aiutare i club a valutare il talento a livello globale senza cadere in trappole statistiche fuorvianti.
Lo stesso numero può avere un significato completamente diverso a seconda del Paese di provenienza.
D: La sua carriera combina club, agenzia, consulenza e insegnamento. Che cosa ha imparato in ognuno di questi ruoli che ora applica direttamente alla progettazione dell’intelligenza artificiale di Comparisonator?
R. Ogni fase della mia carriera mi ha dato una prospettiva diversa sul calcio, e oggi tutte queste prospettive sono direttamente integrate nell’AI di Comparisonator.
Dall’ambiente del club, ho imparato che i responsabili delle decisioni non hanno tempo; hanno bisogno di chiarezza. Non vogliono ‘big data’; vogliono sapere se un giocatore si adatta o meno al nostro stile. Ecco perché la nostra AI si comporta più come un consulente di supporto alle decisioni che come una macchina per le statistiche.
Dal mondo delle agenzie, ho imparato che le traiettorie dei talenti sono importanti quanto il talento stesso. Dalla consulenza, ho imparato che ogni club ha una realtà diversa. Ecco perché l’AI di Comparisonator si adatta all’utente. Impara lo stile, le esigenze e le priorità del club e adatta le sue raccomandazioni di conseguenza.
Insegnando e tenendo conferenze, ho imparato che la comprensione viene dalla spiegazione, non dai numeri. Ecco perché abbiamo creato CompaGPT: un’intelligenza artificiale che spiega i dati del calcio agli esseri umani come farebbe uno scout o un allenatore esperto.
Q. Al Bursaspor, lei ha creato lo ‘Scouting Lab’. Quale parte di quell’idea è ancora rilevante oggi e quale è diventata completamente obsoleta con l’AI attuale?
R: Grazie ai miei mentori Christophe Daum e il suo assistente Rudi Verkempinck, il Bursaspor Scouting Lab è stato il mio primo tentativo di creare un modo sistematico e basato sulle prove per valutare i giocatori. Molte parti di quell’idea rimangono rilevanti oggi, ma altre sono state completamente trasformate dalla moderna AI. Diciamo che lo ‘Scouting Lab’ è stato il seme. La metodologia (struttura, chiarezza, collaborazione) rimane rilevante. Ma tutto ciò che è manuale, ripetitivo o soggettivo è stato superato dall’AI. Oggi, Comparisonator è il laboratorio di scouting trasformato in un motore di intelligenza globale, dinamico e consapevole dell’ambiente.
Q. Molti club credono di utilizzare i dati, ma in realtà cercano solo di confermare le loro opinioni preconcette. Quanto rumore generano questi pregiudizi nel processo di scouting moderno?
R. Il pregiudizio è il più grande costo nascosto dello scouting moderno e genera molto più rumore di quanto i club si rendano conto. Molti club pensano di utilizzare i dati, ma in realtà utilizzano i numeri per giustificare le decisioni che hanno già preso a livello emotivo. Questo crea tre problemi principali: si smette di scoprire nuovi giocatori, perché se i dati vengono utilizzati solo per confermare un’opinione, non si mette mai in discussione la prima impressione e non si scopre mai un talento inaspettato; si filtra la verità, poiché il pregiudizio di conferma induce i club a ignorare le bandiere rosse; e si perde il vantaggio competitivo, perché se tutti i club utilizzano i dati per sostenere le convinzioni preesistenti, finiscono per ingaggiare tutti gli stessi giocatori.
Il più grande costo nascosto dello scouting moderno è il pregiudizio: distorce, limita e porta alla perdita di talenti.
Q. Quando un rapporto di Comparisonator contraddice l’intuizione di un allenatore o di un capo scout, come viene risolto il conflitto? Chi si sbaglia più spesso?
R: Quando i dati e l’intuizione sono in disaccordo, la prima regola è semplice: non scelga nessuna delle due opzioni, ma indaghi ulteriormente. Un allenatore vede cose che i dati non possono vedere: linguaggio del corpo, personalità, comportamento in allenamento… Il Comparisonator vede cose che l’allenatore non può vedere: adattamento al campionato, stress tattico, fattori di rischio nascosti…
Nella mia esperienza, quando sorgono conflitti, la proiezione ambientale (come il giocatore si adatterà al campionato e al sistema) è di solito il punto in cui l’intuizione sottovaluta il rischio. È proprio qui che Comparisonator aggiunge valore: non sostituisce il giudizio umano, ma lo protegge dai punti ciechi.
Quindi, chi commette più spesso l’errore? Di solito, la parte che ignora il contesto. E nel calcio moderno, il contesto non è negoziabile.
Q. La standardizzazione tra i campionati è una delle maggiori sfide del settore. Quale competizione sta mostrando maggiore resistenza all’algoritmo e perché?
R. Il campionato che crea la maggiore resistenza a qualsiasi algoritmo è quello in cui il calcio è meno standardizzato, dove il ritmo, la struttura e la disciplina tattica variano enormemente all’interno della stessa partita.
Per noi, di solito si tratta di campionati con differenze significative nella qualità dei campi, ritmi di gioco imprevedibili, organizzazione difensiva incoerente ed estrema intensità emotiva. La standardizzazione è il problema; l’intelligenza contestuale è la soluzione.
Q. Lei parla molto di punti AI, tendenze, consistenza e ruolo funzionale. Tra tutti questi indicatori, qual è quello che predice meglio la progressione futura di un giocatore?
A. L’indicatore più affidabile della progressione futura di un giocatore è la coerenza delle sue prestazioni in ambienti diversi. I punti AI, le tendenze e le metriche di ruolo sono importanti, ma il vero indicatore è questo: Il giocatore continua a rendere quando il contesto cambia? Ritmo diverso, pressione diversa, richieste tattiche diverse, qualità diversa dell’avversario.
Il Trasferimento Virtuale ha già impedito acquisti che sarebbero costati milioni ai club.
I giocatori che mantengono le loro prestazioni in più ambienti quasi sempre progrediscono. I giocatori che si sgretolano al di fuori della loro zona di comfort non lo fanno quasi mai. Ecco perché Comparisonator si concentra molto sulla stabilità delle prestazioni, sulla traduzione in campionato, sugli indicatori di adattabilità e sul comportamento del ruolo sotto pressione.
Q. Il Trasferimento Virtuale consente di simulare le prestazioni di un giocatore in un altro campionato. Ha dei casi documentati in cui il modello ha impedito a un club di fare un acquisto sbagliato?
R. Sì, diversi, ma non posso rivelare i nomi dei club o dei giocatori. Quello che posso dire è questo: Il Trasferimento Virtuale ha già fatto risparmiare milioni ai club. Un caso recente è stato quello di un attaccante molto ricercato di un campionato aperto e veloce. Le sue statistiche grezze erano spettacolari: dribbling, corse progressive, gol previsti… Tutto faceva pensare che fosse un ingaggio essenziale.
Ma quando lo abbiamo sottoposto a Virtual Transfer e abbiamo simulato le sue prestazioni in uno dei cinque campionati più importanti d’Europa, sono apparse subito due bandiere rosse: la sua efficienza è calata di quasi il 50% sotto una maggiore pressione difensiva e il suo processo decisionale è rallentato in modo significativo in ambienti tattici strutturati. Il club ha bloccato il trasferimento. Due mesi dopo, ha firmato per un’altra squadra europea e ha faticato proprio nelle aree che il nostro modello aveva previsto.
Questo è l’obiettivo principale di Virtual Transfer: non dire “no”, ma rivelare la verità su come un giocatore si comporta al di fuori della sua zona di comfort. Nel reclutamento moderno, questa chiarezza può fare la differenza tra un ingaggio di successo e un errore molto costoso.
Q. Le piattaforme e i modelli di AI promettono di eliminare i pregiudizi, ma possono anche generarli. Qual è stato il più grande ‘falso positivo’ o fallimento del sistema che l’ha costretta a rivedere il modello?
R. Il più grande falso positivo che abbiamo avuto è stato quello di un giocatore che sembrava eccezionale perché l’ambiente del suo campionato gonfiava artificialmente i suoi punti di forza. Ha giocato in una competizione con una pressione difensiva molto bassa, spazi molto aperti, caos nelle transizioni e zone di recupero palla estremamente elevate.
Sulla carta, le sue metriche erano d’élite. Il nostro modello iniziale lo collocava molto in alto nella sua posizione. Ma quando si è trasferito in un campionato più strutturato, tutto è crollato. Non perché mancasse di talento, ma perché il suo ambiente aveva creato un’illusione statistica.
L’IA non diventa pericolosa commettendo errori, ma non comprendendo il contesto.
Questo è stato un punto di svolta per noi. Ci siamo resi conto che il modello aveva bisogno di una ponderazione più profonda. Abbiamo ricostruito il motore in modo che la distorsione ambientale sia ora una delle prime cose che il sistema controlla.
La lezione era semplice: L’AI non diventa pericolosa quando commette errori; l’AI diventa pericolosa quando non capisce il contesto. Questo fallimento ha reso Comparisonator più forte, più cauto e molto più adattabile.
Q. Lei ha lavorato in mercati sottovalutati e in campionati di alto livello. Quale modello comune trova nei giocatori che si adattano meglio quando fanno un salto competitivo improvviso?
A. In tutti i continenti, i giocatori che si adattano meglio dopo un cambiamento competitivo importante condividono lo stesso schema: imparano rapidamente, non solo perché sono giocatori veloci. I giocatori che hanno successo sono quelli che riescono a ricalibrare le loro abitudini quasi immediatamente quando l’ambiente cambia.
Q. Sempre più club sono alla ricerca del prossimo Haaland, prima che esploda sulla scena. È realistico pensare che l’AI possa anticipare il talento generazionale, o stiamo ancora inseguendo gli unicorni?
R: L’AI può identificare precocemente modelli straordinari, ma non può creare una Haaland. Il talento generazionale non si prevede, ma si conferma nel tempo. Ciò che l’AI può fare è riconoscere i segnali che in genere appaiono prima di un salto importante. Un unicorno diventa un unicorno grazie all’ambiente, alla formazione, alla personalità e alla mentalità, non solo alle metriche. L’AI trova il potenziale. Lo scouting umano trova il destino.
Q. Dopo 20 anni nel calcio e nella tecnologia, quale scomoda verità pensa che il settore dello scouting debba sentire se vuole fare il passo successivo?
R. Che la maggior parte dei club non ha un problema di scouting, ma un problema decisionale. I club raccolgono tonnellate di rapporti, video, statistiche e opinioni… ma quando si arriva al dunque, molti prendono ancora decisioni basate su emozioni, politica, gerarchia o panico.
Il passo successivo non è l’aumento dei dati. È una maggiore disciplina nel modo in cui vengono prese le decisioni. Ed è proprio per questo che abbiamo creato Comparisonator: non per sostituire gli esploratori, ma per costringere le decisioni a essere più chiare, più giuste e più difficili da manipolare.
Clicchi qui per leggere l’intervista originale: https://www.marca.com/futbol/2025/11/18/tarkan-batguen-datos-e-intuicion-chocan-hay-elegir-hay-investigar.html
