A settembre 2026 Gazzetta dello Sport ha lanciato Gazzetta AI Predictor. Stando al comunicato di lancio, è una piattaforma in abbonamento sviluppata con FairPlay Sports Media che calcola l'expected value delle giocate: confronta la probabilità implicita nelle quote con quella stimata dall'intelligenza artificiale e restituisce indicatori su dove ci sarebbe valore. Non l'abbiamo provata e questo articolo non è una recensione del prodotto.
Il prodotto è legittimo e la matematica dietro l'expected value è quella giusta. Ma l'idea stessa poggia su una premessa che quasi nessuno verifica, e che si può verificare: che le quote sbaglino abbastanza da lasciare spazio a chi le corregge.
Abbiamo deciso di misurarlo. Non con un modello nostro, che sarebbe l'ennesima opinione, ma con la domanda più semplice possibile: quando un bookmaker dice 25%, succede il 25% delle volte?
Come si trasforma una quota in una previsione
Una quota decimale è già una previsione travestita. Se un esito è quotato 4.00, il bookmaker sta dicendo che si verifica una volta su quattro: 1 diviso 4.00 fa 0,25, cioè il 25%.
C'è un dettaglio. Se sommi le probabilità implicite dei tre esiti di una partita non ottieni 100%, ma qualcosa di più. Quell'eccesso è il margine, il modo in cui il bookmaker si paga. Per giudicare la previsione va tolto, e si toglie dividendo ciascuna probabilità per la somma delle tre, così che tornino a sommare esattamente a 100.
Fatto questo, resta la previsione pulita. E a quel punto basta contare.
Abbiamo preso 12.708 partite dei cinque maggiori campionati europei — Serie A, Premier League, Liga, Bundesliga e Ligue 1 — dalla stagione 2019-20 a quella in corso. Ogni partita produce tre osservazioni, una per esito: 38.124 previsioni da confrontare con quello che è successo davvero.
Abbiamo usato le quote di chiusura, non quelle di apertura: sono il prezzo finale, quello che ha già assorbito formazioni, infortuni e il denaro scommesso nelle ore precedenti.
Primo risultato: le quote ci prendono
Gli esiti che il mercato dà al 20-25% si verificano il 22,1% delle volte, contro il 22,8% previsto. Quelli dati al 40-50% si verificano il 45,4%, contro il 44,9% previsto. E così via, fascia dopo fascia.
Su tredici fasce di probabilità, dodici mostrano scarti dentro il margine di errore statistico. In altre parole: sono indistinguibili dal rumore. L'unica eccezione è la fascia 60-70%, dove gli esiti si verificano il 67,7% delle volte contro il 64,7% previsto, uno scarto di 3 punti contro un intervallo di confidenza di 2,1.
Su dodici test, trovarne uno fuori dall'intervallo al 95% è esattamente quello che ci si aspetta per puro caso. Non è una scoperta, è aritmetica del campionamento.
Abbiamo controllato anche se il bookmaker sbagli su un esito in particolare. Vittoria in casa: scarto di −0,6 punti. Pareggio: +0,5. Vittoria fuori: +0,1. Tutti dentro il rumore. Il pareggio, che ha fama di essere il mercato peggio prezzato, non lo è.
Secondo risultato: il margine è l'unica cosa grande
Se la previsione è accurata entro un punto, la cosa che decide quanto perdi non è la previsione: è il prezzo.
Il margine medio di Bet365 sulle quote di chiusura 1X2 è del 5,59%. Quello di Pinnacle, sulle stesse partite, è del 2,73%: meno della metà.
Vale la pena fermarsi qui, perché è il numero più utile di tutto lo studio. La differenza fra due operatori sullo stesso identico mercato è più grande di qualunque vantaggio che un modello possa ragionevolmente dichiarare. Chi cerca valore farebbe prima a confrontare i prezzi che a cercare previsioni migliori.
Un'altra cosa che abbiamo verificato, perché si sente ripetere spesso il contrario: il margine non è caricato di più sugli sfavoriti. In termini relativi è praticamente costante, fra il 5,5% e il 5,7% su tutte le fasce. In punti assoluti è più grande sui favoriti solo perché la probabilità è più grande.
Terzo risultato: un piccolo bias esiste, ma non è una regola
Raggruppando gli esiti in sfavoriti (sotto il 25%) e favoriti (sopra il 45%), qualcosa si vede:
| Campionato | Sfavoriti | Favoriti |
|---|---|---|
| Serie A | −1,9 | +2,2 |
| Liga | −2,1 | +2,6 |
| Premier League | −0,1 | +0,3 |
| Bundesliga | −0,1 | −0,7 |
| Ligue 1 | −0,2 | +0,1 |
| Tutte insieme | −0,9 | +1,0 |
In grassetto gli scarti che escono dall'intervallo di confidenza. Gli sfavoriti vincono un po' meno di quanto le quote dicano, i favoriti un po' di più: è il classico bias favorito-sfavorito, noto in letteratura da decenni.
Ma guardate la colonna: è netto in Serie A e in Liga, e sparisce del tutto in Premier League, Bundesliga e Ligue 1. Su quindici test ne risultano tre significativi, contro i circa 0,75 attesi per caso. È più del caso, ma non abbastanza per chiamarla una regola del calcio europeo.
Questo è il punto in cui uno studio disonesto avrebbe titolato "scoperto il bias che batte i bookmaker" mostrando solo la Serie A. I dati completi dicono un'altra cosa, e stanno tutti nel repository.
Quarto risultato: nessuna strategia meccanica va in attivo
Un euro su ogni partita, quote di chiusura, margine incluso:
| Strategia | ROI |
|---|---|
| sempre il favorito | −4,03% |
| sempre il pareggio | −4,12% |
| sempre la trasferta | −7,32% |
| sempre la casa | −8,37% |
| sempre lo sfavorito | −10,75% |
| sempre il colpaccio sotto il 10% | −11,30% |
Perde tutto, come deve essere. Ma la distanza fra il −4% e il −11% merita una spiegazione, perché non è il margine.
Il margine è proporzionalmente costante. Sugli sfavoriti però si somma al piccolo bias di calibrazione, e su una probabilità piccola un punto percentuale pesa moltissimo in proporzione: un punto su una base del 18% è un errore relativo del 5%. Ecco perché inseguire i colpacci costa quasi il triplo che giocare i favoriti, pur pagando lo stesso margine.
La domanda che conta davvero
Mettiamo che un modello abbia un vantaggio reale del 2%. Quante giocate servono per distinguerlo dalla fortuna?
| Vantaggio dichiarato | Partite necessarie |
|---|---|
| 1% | 180.320 |
| 2% | 45.080 |
| 3% | 20.036 |
| 5% | 7.213 |
| 10% | 1.804 |
Una stagione di Serie A è composta da 380 partite. Per dimostrare un vantaggio del 2% con ragionevole certezza statistica ne servirebbero 45.080, cioè centodiciannove stagioni.
È lo stesso muro che avevamo incontrato studiando gli RNG delle slot: a centomila giri il ritorno osservato oscillava ancora fra l'81% e il 114%, e concludemmo che nessuno può misurare l'RTP dall'esterno giocandoci. Qui vale la stessa logica, e non riguarda solo l'AI: riguarda chiunque dica di essere bravo, tipster, modelli, o noi stessi.
Chi vi mostra tre mesi di risultati positivi non vi sta mostrando un vantaggio. Vi sta mostrando un campione troppo piccolo per contenere l'informazione che state cercando.
Cosa significa per gli strumenti di previsione AI
Non stiamo dicendo che Gazzetta AI Predictor non funzioni: non lo sappiamo, non lo abbiamo provato, e nessuno può dirlo senza le decine di migliaia di giocate di cui sopra. Ed è esattamente il punto.
Quello che questi dati dicono è più modesto e più solido. Il mercato che uno strumento del genere si propone di correggere è accurato entro circa un punto percentuale, il margine da superare è il 5,59% da Bet365 e il 2,73% da Pinnacle, e la verifica di un eventuale vantaggio richiede un numero di scommesse che nessun giocatore arriverà mai a piazzare.
C'è poi una cosa che ci sentiamo di dire con più certezza, e riguarda il metodo prima che il prodotto: uno strumento che calcola expected value ha bisogno di confrontare la sua stima con il miglior prezzo disponibile sul mercato, non con quello di un operatore solo. Altrimenti il valore che trova può essere semplicemente la differenza fra un bookmaker caro e uno economico. Che esiste, l'abbiamo misurata, ed è quasi il 3%.
Limiti di questo studio
Li dichiariamo perché senza sarebbero la prima obiezione, e sarebbe giusta.
L'analisi di calibrazione usa un solo bookmaker, Bet365; Pinnacle compare solo nel confronto sul margine perché non copre tutte le stagioni. Abbiamo testato solo il mercato 1X2: over/under, handicap e marcatori hanno margini più alti e potrebbero essere prezzati peggio. Abbiamo guardato solo cinque campionati di vertice, i più liquidi al mondo: in campionati minori, dove si muove meno denaro, le quote possono benissimo essere meno accurate, e questo studio non dice niente su di essi. La stagione 2026-27 contribuisce solo 250 partite. Infine, togliere il margine dividendo in proporzione è un'assunzione: i nostri dati sul margine la sostengono, ma non la dimostrano.
Il codice e i dati
Tutto quello che avete letto è riproducibile. Il repository pubblico contiene lo script che scarica i dati dalla fonte, quello che esegue l'analisi, e l'output completo dell'ultima esecuzione:
github.com/Marco-Landi/quote-calibration-study
Servono Node.js e una connessione, nessuna dipendenza da installare. I CSV grezzi non sono inclusi di proposito: appartengono a football-data.co.uk e lo script li recupera dalla fonte originale, così quello che analizzate non è una nostra copia.
Se trovate un errore nel metodo o nel codice, è pubblico apposta.
In sintesi
Le quote dei bookmaker sono una previsione molto più accurata di quanto si creda: sbagliano di circa un punto percentuale, e dove sbagliano di più non è dove il senso comune direbbe. Quello che vi costa non è l'errore di previsione, è il margine — e il margine cambia parecchio da operatore a operatore.
Prima di pagare un abbonamento per sapere dove sta il valore, conviene guardare quanto lo stesso esito è pagato altrove. È una differenza misurabile oggi, senza modelli, e vale più di quasi qualunque vantaggio si possa realisticamente dichiarare.
