KI-gestützte Gegneranalyse und Wettkampfvorbereitung

Das echte Ausmaß des Problems

Gegneranalyse im Profisport kostet Zeit, die niemand hat. Ein durchschnittlich strukturierter Vorbereitungsprozess — drei bis vier Gegner-Spiele auswerten, Stärken und Schwächen kartieren, Standardsituationen dokumentieren, eine Präsentation für das Team erstellen — dauert in der Praxis 8 bis 15 Stunden pro Gegner. Bei einem Spielrhythmus von zweimal wöchentlich wird das zur dauerhaften Überlastung.

Die Strukturforschung zu Spielanalyse im Fußball beschreibt fünf Spielphasen, die für eine vollständige Gegneranalyse ausgewertet werden müssen: Spiel mit Ball, Spiel gegen den Ball, Umschalten nach Ballgewinn, Umschalten nach Ballverlust, Standardsituationen. Wer das ernsthaft macht, schaut nicht einmal ein Spiel — er schaut es mehrfach, aus verschiedenen Perspektiven.

Das Resultat: In der Praxis wird abgekürzt. Trainer schauen ein, höchstens zwei Spiele. Standardsituationen werden nur teilweise ausgewertet. Das taktische Bild, das dem Team vermittelt wird, ist lückenhafter, als es sein sollte — nicht aus Faulheit, sondern aus Zeitmangel.

Hinzu kommt ein Strukturproblem: Jede Analyse hängt stark an einer einzelnen Person. Wenn der Cheftrainer krank ist, wenn ein Assistent das Haus wechselt, wenn sich die Saison überschneidet — bricht der Prozess zusammen. Ein Institutionssystem gibt es selten.

Was KI hier leisten kann: nicht die Analyse ersetzen, sondern die rohe Datensichtung automatisieren. Ein System, das aus Statistik-Exports und Video-Tags automatisch ein strukturiertes Gegnerprofil generiert, gibt dem Trainerstab die Zeit zurück, die für die eigentliche taktische Arbeit gebraucht wird.

Mit vs. ohne KI — ein ehrlicher Vergleich

Quellen für Zeitangaben: eigene Erfahrungswerte aus Analysten-Interviews auf Semi-Profi-Niveau (3. und Regionalliga-Bereich); bestätigt durch Praxisberichte auf fussballtraining.de und Catapult Sports Fußball-Blog.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) 6 bis 12 Stunden pro Gegner-Vorbereitung sind realistisch einsparbar — damit teilt sich dieser Anwendungsfall den ersten Rang unter den verglichenen Nutzungen in dieser Kategorie. Der Unterschied zu anderen Zeit-Spitzenreitern: Hier geht es nicht um täglichen Kleinstaufwand (wie bei Social Content), sondern um blockweise intensive Arbeit, die den Trainerstab wöchentlich unter Druck setzt. Das macht den Effekt besonders spürbar.

Kosteneinsparung — niedrig (2/5) Kein direkter Kosteneffekt. Wyscout und StatsBomb kosten Geld — oft mehr, als vorher für Analyse ausgegeben wurde (nämlich null). Der Nutzen liegt nicht in Kosteneinsparung, sondern in Qualitätssteigerung und Zeitkapazität. Klubs, die ihre Reisekosten für Scouting reduzieren können, haben indirekten Kostennutzen — aber das ist nicht der Primäreffekt der Gegneranalyse.

Schnelle Umsetzung — mittel (3/5) Wer bereits Zugang zu einer Datenbankplattform hat (z.B. Wyscout), kann in 1 bis 2 Wochen erste strukturierte Gegnerprofile erstellen. Der häufige Engpass: Nicht alle Gegner sind in der Plattform mit ausreichend Videomaterial vertreten. Die Datenbeschaffung — und das Einüben eines konsistenten Analyse-Workflows — dauert in der Praxis 3 bis 5 Wochen. Verglichen mit der Spielanalyse im Teamsport, die eigene Kamera-Infrastruktur erfordert, ist der Einstieg hier einfacher.

ROI-Sicherheit — mittel (3/5) Die Analysequalität ist messbar: vollständigere Standardsituations-Dokumentation, mehr analysierte Spiele pro Gegner, konsistenteres Format. Was nicht messbar ist: ob die bessere Analyse direkt zu mehr Punkten führt. Zu viele andere Faktoren bestimmen das Spielergebnis. Wer ROI in Punkten und Euros braucht, wird hier nicht fündig — aber der Wert der eingesparten Zeit ist real und direkt nachvollziehbar.

Skalierbarkeit — hoch (4/5) Ein einmal etablierter KI-Analyse-Workflow kostet für den zwanzigsten Gegner genauso viel wie für den ersten. Mehr Spiele in der Saison, mehr Wettbewerbe, mehr Mannschaften — der Aufwand skaliert nicht proportional mit. Nicht ganz maximal, weil die Datenqualität bei Gegnern aus unteren Spielklassen oder internationalen Wettbewerben stark variiert und manuellen Nachaufwand erzeugen kann.

Richtwerte — stark abhängig von Liga-Level, Datenverfügbarkeit und Analyse-Setup des Clubs.

Was die KI-gestützte Gegneranalyse konkret macht

Der Kernmechanismus ist kein magisches System, das Spiele eigenständig “versteht” — es ist eine strukturierte Datenpipeline mit Generativer KI als Ausgabeschicht.

Schritt 1: Datenbeschaffung und Strukturierung Plattformen wie Wyscout oder StatsBomb stellen für professionell abgedeckte Ligen Spieldaten zur Verfügung: Pässe, Schüsse, Zweikämpfe, Positionen — als strukturierte Datensätze oder Videoclips, die per Ereignistyp gefiltert werden können. Diese Daten werden in eine Analyse-Umgebung geladen.

Schritt 2: Mustererkennung durch Machine Learning Muster, die ein menschlicher Analyst erst nach Stunden sieht, findet ein statistisches System in Minuten: Welche Formation nutzt das Team beim Anstoß? Wie tief steht die Abwehr bei eigenem Ballbesitz? Bei welchem Szenario löst die Mannschaft Pressing aus — und wann zieht sie sich zurück? Wie laufen die Außenverteidiger bei Eckbällen?

Schritt 3: Textgenerierung via LLM Strukturierte Statistiken und Muster-Outputs werden an ein Sprachmodell (z.B. ChatGPT via API oder Claude mit eigenem Datei-Upload) weitergegeben. Das Prompt-System weist das Modell an, einen strukturierten Gegnerbericht zu erstellen — mit konkreten taktischen Beobachtungen, Spielerprofilen und Empfehlungen.

Was dabei herauskommt (mehr dazu im eigenen Abschnitt weiter unten):

• Formations-Analyse mit Häufigkeiten
• Pressing-Trigger mit Prozentzahlen aus den letzten N Spielen
• Individuelle Spielerprofile (Tendenz bei Flanken, Standard-Anlaufwege, Zweikampfquote)
• Schwachstellen in der Aufbauphase
• Empfehlung für eigene taktische Anpassungen

Wichtig: Das System liefert Inputs für die taktische Entscheidung — es trifft die Entscheidung nicht. Der Trainer wertet die Analyse aus, verwirft, was nicht zur eigenen Spielidee passt, und ergänzt durch eigene Videobeobachtung das, was in Daten nicht sichtbar ist.

Konkrete Werkzeuge — was wann passt

Die richtige Werkzeugkombination hängt stark davon ab, auf welchem Liganiveau der Gegner spielt und wie viel technische Infrastruktur bereits vorhanden ist.

Wyscout — der Industriestandard für Scouting und Gegneranalyse Wyscout deckt über 1.000 Ligen weltweit mit Video und Daten ab — Bundesliga, 2. Bundesliga und 3. Liga sind vollständig mit Videomaterial vertreten. Individual-Tarife starten bei ca. €299/Jahr (Copper: 70 Minuten Video/Monat) bis €399/Jahr (Mercury: 170 Minuten/Monat). Professionelle Club-Lizenzen liegen im Bereich von €3.000–10.000/Jahr. Wyscout erlaubt direkten Videozugriff auf gegnerische Spiele, Filtern nach Ereignistypen und Export von Statistiken. Für die meisten Profiklubs der erste und wichtigste Zugangspunkt.

StatsBomb — tiefe taktische Event-Daten für Analysten StatsBomb360 liefert Positionsdaten aller 22 Spieler gleichzeitig — damit sind Analysen möglich, die aus reinem Videomaterial nicht erstellbar wären: Pressing-Raumzonen, Off-Ball-Bewegungen, taktische Rotation. Nur für Clubs mit eigenem Analysten-Team sinnvoll (Python/R-Kenntnisse erforderlich). Preise nur auf Anfrage. Kostenloser Open-Data-Zugang über GitHub für Forschungsprojekte.

Hudl — für eigenes Videomaterial und Teamkommunikation Wenn das Gegner-Videomaterial nicht aus einer Datenbank stammt, sondern selbst aufgenommen wird (z.B. durch Scouting vor Ort), ist Hudl das Analyse-Werkzeug. Video-Tagging, Playlist-Export und direkte Einbindung in Team-Meetings. Häufig kombiniert mit Wyscout: Wyscout für externe Gegner-Videos, Hudl für eigene Spielaufzeichnungen.

ChatGPT oder Claude — für die Berichterstellung Statistik-Exports und Notizen aus Wyscout als Dateianhang in Claude oder ChatGPT laden, dann per strukturiertem Prompt einen Gegnerbericht generieren lassen. Kein API-Zugang nötig — die Benutzeroberfläche reicht. Das ist der zugänglichste Einstieg ohne Systemintegration: manuell, aber deutlich effizienter als freies Schreiben. Kosten: ca. €20–30/Monat für die jeweiligen Pro-Versionen.

Spiideo — automatische Kameraaufnahmen für eigene Gegner-Erfassung Wenn der Gegner weder in Wyscout noch auf einer anderen Plattform vertreten ist, bleibt nur eigenes Videoerfassen: durch Scouts, oder durch automatische Kamerasysteme wie Spiideo bei eigenen Spielen. Für semi-professionelle Clubs in unteren Ligen oft die einzige Option für systematische Videobasis.

Zusammenfassung: Wann welcher Ansatz

• Gegner in 1.–3. Liga → Wyscout-Zugang, Statistiken exportieren, LLM-Bericht generieren
• Taktische Tiefenanalyse mit Event-Daten → StatsBomb (Analysten-Team vorausgesetzt)
• Eigenes Videomaterial aufbereiten und teamweit teilen → Hudl
• Günstigster Einstieg ohne Datenbank → Eigene Notizen + ChatGPT/Claude Pro

Ein konkretes Gegnerprofil: Wie der KI-Output aussieht

Hier ein realistisches Beispiel, wie ein KI-generiertes Vorbereitungsdokument für ein Drittliga-Spiel aussehen kann. Basis: Statistik-Export der letzten sechs Spiele aus Wyscout, verarbeitet mit folgendem Prompt-System (siehe “Das kannst du heute noch tun”).

Gegnerprofil: FC Reichenbach | Saison 2025/26 | Basis: 6 Spiele

Formation und Grundausrichtung Grundformation 4-4-2 flat (87% der Spielminuten). Bei Ballbesitz rückt der rechte Mittelfeldspieler (Nr. 8) regelmäßig in die Halbspur auf, wodurch ein effektives 4-3-3 entsteht. Linker Außenverteidiger (Nr. 3) übernimmt in Aufbauphasen eine Sechser-Position — asymmetrisch strukturierter Aufbau.

Pressing-Verhalten Pressing-Auslöser: Rückpass auf Torhüter (ausgelöst in 71% dieser Situationen), Anspiel auf Innenverteidiger ohne direkte Anspieloption (ausgelöst in 63%). Kein Pressing bei Einwürfen in der eigenen Hälfte. Pressing-Intensität sinkt ab der 60. Spielminute messbar (PPDA +31% gegenüber der ersten Halbzeit).

Standardsituationen: Eckbälle Klare Muster: Bei Eckbällen von rechts läuft Nr. 7 (langer Innenverteidiger, 1,94m) stets auf den zweiten Pfosten. Nr. 11 blockiert den Sechzehner-Eingang. Flachläufer Nr. 9 startet flach zum Elfmeterpunkt. In 4 von 6 Spielen gleiche Anlaufwege — erkennbar trainiertes Schema.

Individuelle Spieler-Tendenz: Nr. 10 (Spielmacher) Bevorzugter Abspielort nach Ballgewinn: Rechter Kanal (67% der Folgepässe nach Ballgewinn). Außenverteidiger rechts (Nr. 2) sofort anspielbar nach gewonnenem Zweikampf — schnelles Umschaltspiel bevorzugt. Schwachstelle: Verliert bei hohem Pressing-Druck auf die rechte Seite signifikant häufiger den Ball (Zweikampfquote defensiv: 41%).

Empfohlene taktische Maßnahmen

• Aufbau über linke Seite bei linkem Außenverteidiger des Gegners (Nr. 3 im hohen Pressing-Auslöser gebunden)
• Freistoßsituation: Standard-Schema für Zweiten-Pfosten-Anlaufweg von Nr. 7 vorbereiten
• Umschaltsicherung: Nr. 10 bei Ballgewinn sofort mit zweitem Verteidiger stören — verhindert schnelles Ablegen Richtung Nr. 2

Hinweis: Dieser Output ist ein Ausgangspunkt, kein Endprodukt. Der Trainer wertet aus, was passt — und ergänzt durch eigene Videobeobachtung, was in Zahlen nicht sichtbar ist.

Was KI nicht sieht: Tagesform, Teamdynamik, Außenseiter-Motivation

Das ist der wichtigste Abschnitt dieses Textes — und er wird in den meisten KI-Berichten weggelassen.

Tagesform. Ein Spieler, der statistisch in sieben von acht Spielen der Startelf stand und 72% seiner Zweikämpfe gewonnen hat, spielt am Samstag vielleicht nach einer Verletzung, die er verschleppt hat. Oder er hat gerade ein Familienmitglied verloren. Oder er hat in dieser Woche drei Trainingseinheiten verpasst. Die Datenbank weiß das nicht.

Teamdynamik. Eine Mannschaft, die in der Tabelle absteigsgefährdet ist und gerade den Trainer gewechselt hat, spielt unter fundamental anderen Druckbedingungen als dieselbe Mannschaft drei Monate zuvor — obwohl die statistischen Muster aus der Vor-Trainerwechsel-Zeit noch im Analyse-Set sind. KI gewichtet aktuelle Spiele nicht automatisch stärker, außer du baust das explizit in den Prompt ein.

Außenseiter-Motivation. Teams, die gegen eine klar stärkere Mannschaft antreten, spielen häufig anders als ihre statistischen Muster vermuten lassen — kompakter, mit mehr Einsatz in Zweikämpfen, taktisch konservativer. Die Datenbank zeigt, wie das Team gegen Gleichrangige spielt. Wie sie gegen dich spielen werden, wenn sie wissen, dass sie der Underdog sind: das weiß kein Algorithmus.

Neue Spieler, neue Muster. Wenn ein Gegner im Transferfenster einen neuen Stürmer oder einen neuen Innenverteidiger verpflichtet hat, ist die historische Analyse der Formation möglicherweise irrelevant. Aktualität der Datenbasis ist deine Verantwortung, nicht die der Plattform.

Die praktische Konsequenz: Behandle das KI-generierte Gegnerprofil als strukturierten Ausgangspunkt, nicht als Wahrheit. Ergänze es immer durch:

• Aktuelle Vereinsnachrichten (Verletzungen, Sperren, Trainerwechsel)
• Direkte Videobeobachtung der letzten ein bis zwei Spiele
• Gesprächswissen von Scouts, die den Gegner live gesehen haben

Ein gut genutztes KI-System gibt dir die Zeit zurück, um diese menschlichen Einschätzungen ernsthaft zu machen — statt sie wegen Zeitmangel zu überspringen.

Datenschutz und Datenhaltung

Gegneranalyse arbeitet hauptsächlich mit Daten, die nicht unter die DSGVO fallen: Spieldaten aus öffentlich zugänglichen Spielen, statistische Auswertungen von Spielern im professionellen Bereich, Videoaufnahmen aus lizenzierten Quellen.

Relevant wird die DSGVO dann, wenn personenbezogene Daten eigener Spieler verarbeitet werden: Trainingsberichte, Leistungsdaten, medizinische Informationen oder persönliche Videoaufnahmen aus eigenem Trainingsbetrieb.

Für die praktische Gegneranalyse gilt:

• Wyscout und StatsBomb: Datenhaltung in den USA (Hudl Inc.). Für Gegner-Videoanalyse aus lizenzierten Quellen kein DSGVO-Problem — die Spieler sind im öffentlichen sportlichen Wettbewerb. Wenn ihr eigene Spielerdaten in Wyscout einpflegt (z.B. eigene Spielerprofile, interne Berichte), ist ein AVV mit Hudl einzufordern.
• ChatGPT / Claude: Wenn Statistik-Exports oder Videonotizen über den Chat-Upload verarbeitet werden: Keine personenbezogenen Daten der eigenen Spieler hochladen ohne DSGVO-Prüfung. Gegner-Statistiken aus öffentlichen Quellen sind unkritisch.
• On-Premise-Option: Wer Daten vollständig in Deutschland halten muss, kann statistische Analyse auf eigener Infrastruktur aufbauen (Python + lokal betriebenes LLM). Für die meisten Profiklubs ist das Over-Engineering — für Leistungszentren mit sensiblen Nachwuchsdaten kann es relevant sein.

Grundsatz: Verarbeitung öffentlicher Spielstatistiken und Videomaterial ist DSGVO-unkritisch. Eigene Spieler- und Gesundheitsdaten sind es nie — unabhängig vom Tool.

Was es kostet — realistisch gerechnet

Einstiegsszenario: LLM-only, ohne Datenbankzugang (0–50 €/Monat) Ausgangspunkt sind öffentliche Statistiken (Transfermarkt, Sportlink, DFB-Spielstatistiken) plus eigene Notizen aus ein bis zwei gesehenen Spielen. Diese werden strukturiert in ChatGPT Pro oder Claude Pro verarbeitet. Kosten: ca. €20–30/Monat für das LLM. Zeitersparnis gegenüber freiem Schreiben: ca. 2 bis 4 Stunden je Vorbereitung.

Standardszenario: Wyscout + LLM (€300–10.000/Jahr je nach Lizenzstufe) Individual-Zugang Wyscout Copper: ca. €299/Jahr. Club-Lizenz für höhere Ligen: €3.000–10.000/Jahr. Dazu ca. €360/Jahr für ChatGPT/Claude Pro. Der Club-Zugang rechtfertigt sich, wenn Gegner-Videomaterial aus der Plattform genutzt wird — was Individual-Zugänge mit ihren Videovolumen-Grenzen schnell begrenzt.

Profi-Szenario: StatsBomb + eigenes Analysten-Team (ab ca. 30.000 €/Jahr total) StatsBomb-Enterprise-Lizenz (Preis auf Anfrage, Branchenrichtwert fünfstellig), Analysten-Stelle oder -Stunden intern. Für 2. Bundesliga aufwärts oder ambitionierte Drittligisten. Dieser Ansatz liefert die tiefste taktische Datenbasis — aber er verlangt eigene Kompetenz im Umgang damit.

Was du dagegenrechnen kannst: Ein Trainerstab von drei Personen, der wöchentlich je 5 Stunden weniger mit Datensichtung verbringt: 15 Stunden pro Woche, 600 Stunden in einer 40-Spiele-Saison. Bei einem mittleren Stundenwert von €30 im Semi-Profisport sind das €18.000 theoretisch “eingesparter” Arbeitszeit — die in bessere Trainingsqualität, Spielervorgespräche oder schlicht in Regeneration fließen kann.

ROI in Punkten: nicht isolierbar. ROI in Zeitqualität: eindeutig.

Typische Einstiegsfehler

1. Die Analyse beginnt mit dem schwächsten Gegner-Datensatz. Reflex: Das neue System sofort beim nächsten Spiel einsetzen. Problem: Der Gegner in Woche eins hat vielleicht zwei verwertbare Spiele in der Datenbank und keine Videoabdeckung. Das System liefert schlechte Ergebnisse — und der Eindruck entsteht, es tauge nichts. Besser: Den Workflow zuerst mit einem gut dokumentierten Gegner testen, dessen Spiele vollständig in der Plattform vorhanden sind. Dann den Prozess verfeinern, bevor er für schwache Datensätze eingesetzt wird.

2. Der KI-Bericht wird ungeprüft ins Team-Meeting übernommen. Ein LLM-generiertes Dokument enthält manchmal Formulierungen, die numerisch inkonsistent oder taktisch nicht sinnvoll kontextualisiert sind. Wenn der Trainer das Gegnerprofil nicht selbst gegengelesen hat, bevor es der Mannschaft präsentiert wird, entstehen zwei Probleme: taktische Fehlinformation und Vertrauensverlust in das System, wenn die Spieler merken, dass etwas nicht stimmt. Grundregel: Die KI-Ausgabe ist ein Rohentwurf. Der Trainer ist der Lektor.

3. Der Analyse-Prompt ist zu allgemein. “Analysiere diesen Gegner” erzeugt generische Ausgaben. “Analysiere die Pressing-Trigger der Mannschaft in den letzten vier Spielen und identifiziere, bei welchen Ballsituationen sie Pressing auslösen, und erstelle konkrete taktische Empfehlungen für unser 4-3-3” erzeugt verwertbaren Output. Je spezifischer das eigene Spielsystem und die konkreten Fragen an das System, desto besser die Analyse.

4. Kein Update bei Spielerverlusten oder Formveränderungen. Das ist der gefährlichste Fehler — weil er systematisch passiert und leise ist.

Ein Gegnerprofil, das vor sechs Wochen erstellt wurde, als der Gegner seinen Stamm-Sechser noch hatte, kann irreführend sein. KI-generierte Analysen altern nicht — sie sehen sechs Wochen nach ihrer Erstellung genauso zuversichtlich aus wie am ersten Tag. Die Aktualitätsprüfung liegt beim Trainer: Hat der Gegner seitdem Kaderwechsel gehabt? Neue Spiele, die das Bild verändern? Diese Prüfung vor jedem Einsatz des Profils muss Teil des Workflows sein.

Was mit der Einführung wirklich passiert — und was nicht

Technisch ist die Einführung einer KI-gestützten Gegneranalyse nicht besonders schwer. Das Schwierigere ist die Verhaltensveränderung.

Das Effizienz-Paradox. Wenn die Analyse nun schneller geht, entsteht oft kein Zeitgewinn — sondern mehr Analyse. Was früher zwei Spiele pro Gegner waren, werden jetzt fünf. Was früher ein Bericht war, wird jetzt ein erweitertes Dokument mit Spielerprofilen. Das ist nicht zwingend falsch — aber Trainerteams, die sich über mangelnde Zeit beklagen, werden durch schnelleres Analysieren manchmal nicht entlastet, sondern ausgedehnt. Wenn das Ziel Zeitersparnis ist, muss das explizit vereinbart und verteidigt werden.

Assistenztrainer und Skepsis. Wer Jahrzehnte mit eigenem Videoauge gearbeitet hat, wird einem Dokument, das “der Computer geschrieben hat”, nicht automatisch vertrauen. Das ist verständlich. Was hilft: nicht das Ergebnis, sondern den Prozess vorstellen. Den Trainerkonferenz-Termin nutzen, um gemeinsam live einen Bericht zu erstellen — Dateneingabe, Prompt, Output direkt vor dem Team. Wenn das Ergebnis gut ist, überzeugt es sich selbst.

Analyse-Workflow als Teamprozess. Am häufigsten scheitert die Einführung daran, dass eine einzelne Person den neuen Prozess einführt und nutzt — die anderen machen weiter wie bisher. Dann gibt es parallele Systeme: das KI-Dokument und die persönliche Einschätzung. Welches gilt? Das muss geklärt sein, bevor es zum ersten Dissens im Trainerteam kommt.

Was konkret hilft:

• Einen Standard-Prompt etablieren und für das gesamte Trainerteam dokumentieren
• Das erste Gegnerprofil gemeinsam erstellen, statt es solo einzuführen
• Explizit kommunizieren: Das KI-Dokument ist der Ausgangspunkt — die Diskussion darüber ist die Arbeit
• Einen Evaluationszeitraum von 5 bis 6 Spielen festlegen, bevor Urteile gefällt werden

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir haben einen erfahrenen Analysten — der braucht kein KI-Tool.” Stimmt oft, aber der Einwand versteht KI als Ersatz statt als Multiplier. Ein erfahrener Analyst, der KI-Tools für die Datenaggregation nutzt, kann in derselben Zeit mehr Gegner analysieren, tiefer analysieren oder mehr Zeit für die taktische Umsetzung im Training lassen. Das KI-Tool ist nicht gegen den Analysten — es verlängert seine Reichweite.

“Unsere Gegner sind nicht in den Plattformen.” In der Regionalliga und darunter ist das real. Für den Semi-Profi-Bereich ist die Datenbasis dünn — und das ist ein echtes Ausschlusskriterium (dazu mehr unter “Woran du merkst, dass das zu dir passt”). Für die 3. Liga und aufwärts ist die Abdeckung gut. Wer zwischen diesen Welten operiert: das LLM-basierte Berichtstool hilft auch dann, wenn die Ausgangsdaten aus eigener Beobachtung und öffentlichen Quellen stammen — es reduziert die Schreibzeit, nicht unbedingt die Datenbeschaffungszeit.

“Taktik ist Intuition — das können Algorithmen nicht ersetzen.” Richtig. Und: Kein seriöses KI-Analyse-Tool behauptet das. Liverpool FC und Google DeepMind haben mit TacticAI (2024, Nature Communications) gezeigt, dass KI-Vorschläge für Eckstoßszenarien von Profi-Trainern in 90% der Fälle als “realistisch und vorzugswürdig” bewertet wurden — aber immer noch durch den Trainer gefiltert. Die Intuition des Trainers wertet die KI-Analyse aus, nicht umgekehrt.

Woran du merkst, dass das zu dir passt

• Dein Trainerstab verbringt regelmäßig mehr als 6 Stunden pro Woche mit Gegneranalyse — und das fühlt sich wie ein Engpass in der Vorbereitung an
• Ihr spielt in einer Liga, in der die meisten Gegner auf Wyscout oder vergleichbaren Plattformen dokumentiert sind — mindestens 3. Liga aufwärts oder national-professioneller Bereich
• Die Qualität der taktischen Vorbereitung ist inkonsistent über die Saison — manche Gegner-Analysen sind gründlich, andere oberflächlich, abhängig davon, wer gerade Zeit hatte
• Das Wissen über Gegner lebt hauptsächlich in den Köpfen — wenn ein Assistent wechselt, geht das Analyse-Wissen verloren
• Du hast jemanden im Trainerteam, der bereit ist, den Analyse-Workflow zu strukturieren und zu pflegen — ohne diese Person funktioniert kein Tool

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter Regionalliga-Niveau oder in Ligen ohne strukturierte Video- und Datenverfügbarkeit. Die meisten KI-Analyse-Workflows hängen an externen Datenquellen. Wenn der Gegner in keiner Plattform mit ausreichend Spielen vertreten ist, hast du kein sinnvolles Datenfundament. Dann ist ein strukturierter manueller Beobachtungsbogen mit anschließendem LLM-Bericht die ehrlichere Lösung — kein Scouting-Tool.

2. Kein Trainer oder Assistent mit der Kapazität, den Prozess zu pflegen. Eine KI-Analyse ist kein Autopilot. Sie braucht jemanden, der den Prompt auf jeden Gegner anpasst, die Ausgabe prüft und validiert, und das Dokument in die Trainingsvorbereitung übersetzt. Clubs, bei denen der Cheftrainer bereits überlastet ist, riskieren, einen weiteren Prozess zu etablieren, der nach drei Spielen aufgegeben wird.

3. Nur ein bis zwei Spiele des Gegners dokumentiert. Unter vier dokumentierten Spielen sind statistische Muster zu instabil für taktische Schlüsse. Ein “Pressing-Trigger in 67% der Fälle” auf Basis von zwei Spielen und sechs Beobachtungen ist nicht verlässlich. Wer mit zu schwacher Datenbasis arbeitet, generiert Scheingewissheit — das ist schlechter als keine Analyse.

Das kannst du heute noch tun

Du brauchst für den ersten Test kein Scouting-Abonnement. Lade die letzten zwei bis drei Spiele eures nächsten Gegners als Tabelle aus einer öffentlichen Quelle herunter (Transfermarkt-Statistiken, Bundesliga-Datenbank, DFB-Spielberichte), mach eigene Notizen aus ein bis zwei Spielbeobachtungen, und schick beides an ChatGPT oder Claude.

Das dauert 90 Minuten — und du siehst, wie strukturiert der Output ist, noch bevor du einen Cent für eine Datenbankplattform ausgibst.

Hier ist der Prompt, mit dem du anfangen kannst:

Quellen & Methodik

• TacticAI — Google DeepMind und Liverpool FC: Bauer, D., Carroll, T., et al., „TacticAI: an AI assistant for football tactics”, Nature Communications, März 2024. Zentrale Befunde: KI-Vorschläge für Eckstoßtaktiken wurden von Profi-Experten in 90% der Fälle den menschlichen Originalvarianten vorgezogen. Peer-reviewed, frei zugänglich über nature.com.

• Datenqualität in regionalen Ligen: Marc Lamberts, „The pitfalls of data in regional leagues”, Medium, 2024. Dokumentiert strukturelle Vergleichsprobleme im deutschen Regionalliga-System (5 Sub-Ligen) und den Einfluss von U23-Reserve-Teams auf statistische Auswertungen.

• Wyscout-Preisstruktur: 360scouting.com, „Football scouting software, tools, and technology” (April 2026); individuelle Tarife ab ca. €299/Jahr, Club-Lizenzen €3.000–10.000/Jahr nach öffentlich zugänglichen Angaben.

• Zeitaufwand Gegneranalyse: Erfahrungswerte aus Analysten-Interviews (Semi-Profi-Bereich, 3. Liga und Regionalliga), bestätigt durch Praxisberichte auf catapult.com/de/blog und fussballtraining.de. Keine repräsentative Studie — konsistente Beobachtungen über mehrere Gesprächsquellen.

• Pressung-Phasen im Fußball: Strukturkonzept aus rundum-fussball.de, Spielanalyse-Framework (fünf Spielphasen), bestätigt durch Bundestrainer-Ausbildungsunterlagen (BDFL-Seminar-Referenzmaterial).

• ETH Zürich — Zugang zu Analytics-Werkzeugen: Erwähnt in 360scouting.com-Recherche, März 2025: Studie betont, dass kleinere Clubs Zugang zu Analytics-Infrastruktur brauchen, die bisher nur Top-Clubs vorbehalten war.

Du willst wissen, ob euer Gegner-Datenbestand für einen strukturierten KI-Workflow reicht — und wie ihr in eurer Liga den Einstieg sinnvoll strukturiert? Meld dich für ein kurzes Erstgespräch.