Negli ultimi due anni l’intelligenza artificiale generativa è stata associata soprattutto alla creazione automatica di contenuti: testi, immagini, assistenti conversazionali. Ma la vera frontiera — ancora poco esplorata nel dibattito business — riguarda un altro ambito: l’applicazione della GenAI ai dati strutturati.

Molte organizzazioni possiedono archivi enormi: database storici, dati transazionali, statistiche, log operativi. Tuttavia, questi patrimoni informativi vengono spesso utilizzati solo per reporting tradizionale o analisi descrittive. Il salto di paradigma avviene quando l’AI non si limita a interrogare il dato, ma scopre relazioni, pattern e anomalie che non erano esplicitamente cercati.

Un caso emblematico arriva dal mondo dello sport professionistico, dove la Lega Basket di serie A ha deciso di valorizzare e mettere in leva il proprio archivio statistico storico — 78 anni di dati strutturati su partite, giocatori, performance e risultati.

L’obiettivo: evolvere un database statico in una piattaforma capace di generare insight continui e contenuti capaci di soddisfare la curiosità e la passione di giornalisti, tecnici e tifosi.

Voci dal campo

Il 5 maggio, a Milano, Infront, Lega Basket Serie A, Microsoft e Impresoft 4ward hanno mostrato insieme come intendono trasformare il modo in cui fan, media e club vivono i dati sportivi 

Gli appassionati di basket lo sanno bene: le statistiche non bastano mai. Numeri, curiosità, confronti, record nascosti. La voglia di scoprire “qualcosa in più” è parte integrante dell’esperienza sportiva.

È proprio da questa esigenza che nasce il progetto sviluppato da Lega Basket Serie A (LBA) e Infront, Official Advisor LBA, con il supporto tecnologico di Microsoft e Impresoft 4ward: LUCA un innovativo AI Agent capace di trasformare il patrimonio statistico del campionato in un flusso continuo di insight, contenuti e storie.

LUCA è un vero e proprio autore digitale, capace di generare ogni settimana contenuti pronti per essere fruiti su diversi canali:

• insight e curiosità pre e post partita; 
• articoli editoriali e storytelling data-driven; 
• contenuti social.  

In aggiunta LUCA prevede anche un’interfaccia conversazionale attraverso la quale porre domande complesse senza conoscere i dettagli del database sottostante ne tantomeno avere competenze tecniche. Il risultato è un ecosistema editoriale continuo che alimenta il dialogo con il pubblico, trasformando ogni partita in una fonte inesauribile di contenuti. 

“Il nostro obiettivo è semplice: offrire ai fan esattamente ciò che cercano – e anche ciò che non sanno ancora di voler scoprire,” dichiara Massimo Cortinovis che ha voluto e coordinato il progetto per LBA. “Le statistiche diventano storie, e le storie diventano coinvolgimento.” 

Dal punto di vista del business, il valore del progetto è quello di creare un nuovo sistema editoriale che moltiplica la quantità e la qualità di contenuti interessanti. Oltre a rappresentare presto un nuovo servizio per stakeholder e fan evoluti, tutto ciò significa più engagement e visualizzazioni dei canali digitali, maggiore profilazione degliutenti, una migliore audience utilizzabile per iniziative pubblicitarie mirate.

“Questo progetto rappresenta un cambio di paradigma nel modo in cui raccontiamo lo sport,” spiega Stefano Deantoni, marketing director Infront Italy. “La Lega Basket Serie A è il primo partner ad aver creduto e investito concretamente in questa visione, portando a terra un’idea sviluppata da Infront e trasformandola in un progetto reale e già operativo. Grazie all’AI, possiamo amplificare il valore delle statistiche trasformandole in narrazioni coinvolgenti e continue, capaci di rafforzare il legame tra fan e competizione. Siamo convinti che questo modello possa essere adottato con successo anche da altre leghe e federazioni, in Italia e all’estero, offrendo uno strumento innovativo ed efficace per evolvere il fan engagement.”

Sul fronte tecnologico, l’attenzione è sull’architettura. “Il valore dell’AI non sta nella sola capacità di generare contenuti, ma nella possibilità di farlo con controllo, coerenza e affidabilità,” spiega Daniele Grandini, Chief Innovation Officer di Impresoft 4ward. “Con LUCA abbiamo realizzato un sistema che mette in relazione dati, agenti specializzati e validazione continua, trasformando le statistiche del campionato in insight e narrazioni di valore”. E aggiunge: “Non si tratta semplicemente di usare l’AI, ma di farlo nel modo giusto. Abbiamo costruito un sistema che unisce creatività e controllo. Per questo progetto abbiamo lavorato da un lato sulla definizione di classi di insight generiche ma che colgano curiosità e statistiche realmente interessanti, dall’altro su un sistema di agenti AI in grado di collaborare tra loro.”

Il sistema utilizza modelli gpt_51, gpt_52, gpt_52_chat, gpt_53_chat di OpenAI ed è stato rilasciato su piattaforma Azure di Microsoft. E aggiunge Annamaria Bottero, global partner solutions lead di Microsoft Italia: “Nello sport i dati sono essenziali ma spesso risultano poco accessibili; ora grazie all’AI è possibile trovare correlazioni e insight che permetteranno ai tifosi di basket di vivere un’esperienza sportiva arricchita e al passo con i tempi.” 

Oltre la generazione: l’AI come strumento di scoperta

Non si tratta di semplici statistiche: la sfumatura può sembrare un dettaglio ma la differenza è sostanziale.

Nel paradigma più diffuso, la GenAI genera contenuti a partire da input testuali.
Nel modello applicato in questo progetto, invece, l’AI analizza dataset strutturati – relativi a ogni singola partita degli ultimi decenni e alla performance di ogni giocatore – per individuare:

• pattern ricorrenti nel tempo
• anomalie statistiche significative
• correlazioni tra performance individuali e risultati collettivi
• trend emergenti prima che diventino evidenti

In altre parole, non scopre nuove statistiche, ma nuove relazioni tra le statistiche.

Questo tipo di approccio consente di produrre insight non banali, difficilmente individuabili attraverso query manuali o dashboard tradizionali.

“knowing the unknown”: quando l’AI trova ciò che non stavamo cercando

Una delle dimensioni più interessanti dell’AI applicata ai dati strutturati è la capacità di portare alla luce quelli che potremmo definire “knowing the unknown”: informazioni che non solo non conoscevamo, ma che non sapevamo nemmeno di dover cercare.

Nelle analisi tradizionali, infatti, l’essere umano formula una domanda e interroga il dato per ottenere una risposta. L’AI, invece, può operare in modo esplorativo, individuando pattern inattesi, correlazioni non evidenti o anomalie statisticamente rilevanti senza che qualcuno le abbia esplicitamente richieste.

Questo cambia radicalmente il paradigma: non è più solo il dato a rispondere a una domanda, ma è l’AI a suggerire nuove domande. In termini di business, significa passare da un modello reattivo — “analizzo ciò che mi interessa” — a un modello proattivo — “scopro ciò che potrebbe diventare rilevante”.

Insight emergenti nello sport: perché sono così preziosi

Questi insight sono particolarmente utili nello sport per tre motivi.

Primo, perché lo sport è intrinsecamente narrativo: ogni anomalia, ogni pattern inatteso può diventare contenuto, conversazione, coinvolgimento.

Secondo, perché le decisioni sportive e manageriali sono spesso prese in condizioni di incertezza e pressione: disporre di segnali anticipatori o relazioni nascoste può migliorare la qualità delle scelte.

Terzo, perché il ciclo di vita dell’evento sportivo è breve — una partita dura 90 o 40 minuti — ma il valore economico si costruisce nel tempo. Insight continui permettono di estendere quell’evento in un flusso costante di analisi, contenuti e opportunità di business.

In questo senso, l’AI non si limita ad analizzare lo sport: ne amplifica il potenziale economico e strategico, trasformando un archivio statistico in una fonte continua di scoperta.

Architettura multi-agente: chi trova, chi verifica, chi racconta

Un aspetto particolarmente rilevante, anche dal punto di vista della governance, è l’architettura adottata.

Il sistema non si basa su un unico modello, ma su un’architettura multi-agente:

• un agente specializzato nell’individuazione di insight nei dati strutturati
• un agente di verifica, incaricato di validare coerenza e solidità statistica
• un agente di trasformazione, che converte l’insight in output fruibili (report, contenuti, visualizzazioni)

Questa struttura riduce il rischio di errori interpretativi e mitiga fenomeni come bias e allucinazioni, tema centrale nel dibattito attuale sull’AI generativa.

La presenza di un livello di controllo e supervisione umana completa il modello, garantendo che l’AI non sia lasciata “sola” a interpretare i dati, ma operi all’interno di un framework di qualità e responsabilità.

Dal coinvolgimento al supporto decisionale

In ambito sportivo, gli insight generati automaticamente possono alimentare contenuti editoriali, aumentare l’engagement e prolungare il ciclo di vita dell’evento oltre il momento della gara.

Ma andiamo oltre l’attuale utilizzo di LUCA: il vero potenziale emerge quando l’AI viene utilizzata come strumento di supporto decisionale. Con dati strutturati solidi, lo stesso approccio può contribuire a:

• identificare trend emergenti prima che diventino critici
• supportare allocazioni di budget più informate
• migliorare pianificazione commerciale e marketing
• leggere correlazioni tra performance e risultati di business

Il passaggio è chiaro: dall’insight narrativo all’insight strategico.

Un modello replicabile oltre lo sport

Sicuramente un modello replicabile per altre leghe sportive ma ciò che rende questo caso particolarmente interessante non è il settore in sé, ma il modello.

Molte organizzazioni — in ambiti come finance, retail, assicurazioni, telecomunicazioni, energia — possiedono database strutturati di enorme valore, spesso sottoutilizzati.

La GenAI applicata ai dati strutturati può:

• ridurre la distanza tra dato e decisione
• scoprire connessioni non evidenti
• trasformare archivi di dati in asset dinamici
• generare insight su larga scala con tempi e costi inferiori rispetto all’analisi manuale

La vera innovazione non è nel generare testo, ma nel far emergere ciò che non stavamo cercando esplicitamente.

Immaginiamo un agronomo che osserva un campo. Sa cosa cercare, in base ad un sapere costruito su anni di esperienza, su pattern riconosciuti nel tempo: macchie sulle foglie, variazioni di colore, segni evidenti di stress della pianta.

E poi immaginiamo un sistema che osserva lo stesso campo, ma legge ciò che l’occhio umano non è stato addestrato a vedere: micro-variazioni cromatiche, deviazioni minime nella crescita, segnali deboli distribuiti nello spazio e nel tempo. Non “vede meglio”. Vede diversamente. La differenza non è quantitativa, è qualitativa. L’AI rende visibile qualcosa che, pur essendo già presente nei dati, non era accessibile allo sguardo umano e a collegare ciò che per noi non ha relazione.

Facciamo un altro esempio pratico dal mondo del retail. È possibile mettere in relazione variabili che raramente coesistono nella mente di un decisore: condizioni climatiche locali, micro-tendenze sociali, comportamenti passati, ritmi quotidiani. Il risultato non è una raccomandazione “migliore”, ma una raccomandazione inattesa – qualcosa che il cliente non aveva espresso, ma che riconosce immediatamente come rilevante. E lo stesso è valido per tutte le industries: l’AI non si limita a ottimizzare variabili note, ma scopre relazioni tra variabili che non erano mai state considerate insieme.

Conclusione: l’AI come motore di scoperta

Il dibattito sull’AI nel business rischia di concentrarsi sugli strumenti più visibili — chatbot, automazione di contenuti, assistenti virtuali — trascurando una dimensione strategica più profonda.

L’esperienza della lega basket di serie A dimostra che l’AI Generativa può diventare un motore di scoperta applicato ai dati strutturati, capace di trasformare archivi storici in leva di innovazione e supporto decisionale.

La domanda per le organizzazioni e le aziende non è più banalmente “cosa chiedere al chatbot” sapendo già cosa cercare, ma: quali dati possediamo che non stanno ancora parlando — e come possiamo usare l’AI per farli parlare?