Sportvorhersagen
Ladevorgang...
Ladevorgang...
Einleitung
Wer wird Deutscher Meister 2026? Welche Teams steigen ab? Wer qualifiziert sich für die Champions League? Diese Fragen bewegen Fans und Analysten gleichermaßen, und die Antworten darauf versuchen KI-gestützte Saisonprognosen zu geben. Der Reiz solcher Langzeitvorhersagen liegt in ihrer Ambition: Sie wagen einen Blick in eine Zukunft, die noch zehn Monate entfernt ist und von unzähligen Unwägbarkeiten geprägt sein wird.
Saisonprognosen unterscheiden sich grundlegend von Spieltag- oder Einzelspielanalysen. Sie operieren auf einem anderen Zeithorizont, arbeiten mit anderen Daten und müssen mit einer Unsicherheit leben, die bei kurzfristigen Vorhersagen nicht in diesem Maße existiert. Eine Prognose für das nächste Spiel kann sich auf aktuelle Formkurven und Kaderinformationen stützen. Eine Prognose für die gesamte Saison muss Annahmen treffen über Entwicklungen, die noch nicht einmal begonnen haben.
Dieser Artikel untersucht, wie KI-Modelle Saisonprognosen für die Bundesliga erstellen. Er beleuchtet die methodischen Grundlagen, diskutiert die Stärken und Schwächen solcher Vorhersagen und gibt eine Einschätzung für die laufende Saison 2025/26. Dabei ist von Anfang an klar: Eine Saisonprognose kann nicht mit der Präzision einer Wettervorhersage für morgen mithalten. Sie bietet Orientierung, keine Gewissheit.
Die Faszination von Langzeitprognosen liegt gerade in ihrer Unsicherheit. Sie laden zum Spekulieren ein, zum Diskutieren, zum Widerspruch. Wenn ein Algorithmus behauptet, Bayern werde mit 85 Prozent Wahrscheinlichkeit Meister, dann ist das keine Faktenmitteilung, sondern ein Gesprächsanfang. Die Prognose zwingt dazu, über die Grundlagen nachzudenken: Warum 85 Prozent? Was müsste passieren, damit es anders kommt? Welche Faktoren könnte das Modell unterschätzen?
Was Saisonprognosen von Spieltagsprognosen unterscheidet
Der offensichtlichste Unterschied liegt im Zeithorizont. Eine Spieltagsprognose schaut wenige Tage voraus, eine Saisonprognose Monate. Diese Zeitspanne hat weitreichende Konsequenzen für die Art der Analyse und die Interpretation der Ergebnisse.
Je länger der Prognosezeitraum, desto größer die Unsicherheit. Das ist keine Schwäche der Modelle, sondern ein Naturgesetz. In zehn Monaten kann viel passieren: Trainer werden entlassen, Spieler verletzen sich langfristig, Transfers verändern die Kräfteverhältnisse, Teams finden oder verlieren ihre Form. All das ist zum Zeitpunkt der Prognose nicht bekannt und kann es auch nicht sein. Die besten Modelle rechnen diese Unsicherheit ein, indem sie breitere Konfidenzintervalle angeben, aber sie können sie nicht eliminieren.
Die Datengrundlage unterscheidet sich ebenfalls. Spieltagsprognosen stützen sich auf aktuelle Form, jüngste Ergebnisse, die Kadersituation der letzten Wochen. Saisonprognosen müssen weiter zurückgreifen und strukturelle Faktoren stärker gewichten. Wie stark ist der Kader auf dem Papier? Wie hoch ist das Budget? Welche historische Leistungsfähigkeit hat der Verein? Diese Fragen rücken in den Vordergrund, während tagesaktuelle Informationen an Bedeutung verlieren.
Ein weiterer Unterschied betrifft die Anpassungsfähigkeit. Eine Spieltagsprognose wird einmal erstellt und dann durch das tatsächliche Ergebnis bestätigt oder widerlegt. Eine Saisonprognose kann und sollte im Laufe der Saison aktualisiert werden. Nach jedem Spieltag liegen neue Informationen vor, die in die Berechnung einfließen können. Die Prognose vom August sieht im November möglicherweise ganz anders aus, und das ist kein Zeichen von Schwäche, sondern von Lernfähigkeit.
Die Validierung ist bei Saisonprognosen schwieriger. Ein Modell, das Spielergebnisse vorhersagt, lässt sich nach jedem Wochenende überprüfen. Ein Modell, das Meisterschaften vorhersagt, lässt sich nur einmal pro Jahr überprüfen, und selbst dann ist die Stichprobe klein. Ob eine bestimmte Prognose gut oder schlecht war, lässt sich oft erst nach Jahren sagen, wenn genug Saisons zusammengekommen sind.
Die Ausgangslage der Saison 2025/26
Jede Saisonprognose beginnt mit einer Bestandsaufnahme: Wie stehen die Mannschaften zu Beginn der Spielzeit da? Welche Veränderungen gab es im Sommer? Welche Trends zeichnen sich ab? Diese Einschätzung bildet das Fundament, auf dem die Modelle ihre Berechnungen aufbauen.
Der Transfersommer bringt jedes Jahr Bewegung in die Liga. Spieler wechseln die Vereine, Trainer kommen und gehen, Kader werden verstärkt oder geschwächt. All das fließt in die Prognosen ein, wobei die Bewertung von Neuzugängen naturgemäß mit Unsicherheit behaftet ist. Ein teurer Transfer garantiert keine Verstärkung, wie die Geschichte der Bundesliga vielfach gezeigt hat. Die Modelle arbeiten typischerweise mit Erwartungswerten, die auf historischen Daten zu ähnlichen Transfers basieren.
Die Integration neuer Spieler in eine bestehende Mannschaft ist ein Prozess, der Zeit braucht. Ein Neuzugang, der im August kommt, ist im September möglicherweise noch nicht auf seinem Leistungsniveau. Die Modelle berücksichtigen diese Eingewöhnungsphase, aber die individuelle Dauer variiert erheblich. Manche Spieler schlagen sofort ein, andere brauchen eine halbe Saison oder länger.
Die Trainerfrage ist ein weiterer wichtiger Faktor. Ein neuer Trainer kann eine Mannschaft transformieren, im Guten wie im Schlechten. Die Einarbeitungszeit variiert erheblich, und manche taktischen Umstellungen brauchen Wochen oder Monate, bis sie greifen. Modelle, die Trainerwechsel berücksichtigen, arbeiten mit Annahmen über deren typischen Einfluss, aber die individuelle Situation kann davon abweichen.
Die finanzielle Situation der Vereine spielt in Langzeitprognosen eine größere Rolle als bei kurzfristigen Vorhersagen. Clubs mit soliden Finanzen können Verletzungen besser kompensieren, im Winter nachbessern und generell aus einer Position der Stärke agieren. Vereine in finanzieller Schieflage stehen unter Druck, müssen möglicherweise Leistungsträger abgeben und haben weniger Spielraum für Anpassungen. Diese strukturellen Unterschiede wirken sich über eine ganze Saison stärker aus als über einen einzelnen Spieltag.
Die Vorsaison liefert erste Hinweise auf die Form der Teams, ist aber mit Vorsicht zu genießen. Testspiele und Trainingslager haben andere Bedeutung als Pflichtspiele, und die Ergebnisse sind oft nicht aussagekräftig. Ein Team, das alle Vorbereitungsspiele verliert, kann trotzdem stark in die Saison starten, und umgekehrt. Die Modelle gewichten diese Daten entsprechend niedrig, aber sie ignorieren sie auch nicht vollständig.
Meisterschaftsprognose: Wer fordert Bayern?
Die Meisterschaftsfrage in der Bundesliga ist seit Jahren von einer Dominanz geprägt, die ihresgleichen sucht. Der FC Bayern München hat in den letzten Jahrzehnten so regelmäßig den Titel geholt, dass jede Saisonprognose zwangsläufig mit dieser Realität umgehen muss. Die Frage ist nicht so sehr, ob Bayern Favorit ist, sondern wie groß der Vorsprung auf die Konkurrenz ausfällt.
Die Daten sprechen eine deutliche Sprache. Die Münchner verfügen über den mit Abstand wertvollsten Kader der Liga, die größten finanziellen Ressourcen und eine Erfolgskultur, die sich in Konstanz niederschlägt. KI-Modelle, die historische Daten und Kaderstärke gewichten, kommen fast immer zu dem Ergebnis, dass Bayern der klare Favorit ist. Wahrscheinlichkeiten jenseits der 80 Prozent für den Meistertitel sind keine Seltenheit.
Die interessantere Frage betrifft die Herausforderer. Borussia Dortmund hat in den letzten Jahren mehrfach gezeigt, dass sie auf Augenhöhe mit Bayern konkurrieren kann, zumindest phasenweise. Bayer Leverkusen hat mit dem Meistertitel 2024 bewiesen, dass die Dominanz durchbrochen werden kann. RB Leipzig verfügt über einen modernen, datengetriebenen Ansatz und erhebliche Ressourcen. Diese drei werden in den meisten Prognosen als wahrscheinlichste Herausforderer genannt.
Die Wahrscheinlichkeiten für einen Nicht-Bayern-Meister liegen typischerweise im Bereich von 15 bis 25 Prozent, verteilt auf mehrere Teams. Das bedeutet: In etwa einer von fünf Saisons gewinnt jemand anders. Diese Zahl mag niedrig erscheinen, entspricht aber der historischen Realität der letzten Jahrzehnte. Die Modelle reflektieren, was geschehen ist, und die Geschichte der Bundesliga ist eine Geschichte der Münchner Dominanz.
Abstiegskampf: Welche Teams sind gefährdet?
Am anderen Ende der Tabelle geht es um den Klassenerhalt. Drei Mannschaften steigen ab, und die Frage, wer diese drei sein werden, beschäftigt jeden, dessen Team nicht zu den etablierten Größen gehört. Saisonprognosen können hier wertvolle Orientierung bieten, auch wenn sie naturgemäß mit Unsicherheiten behaftet sind.
Die Abstiegskandidaten zu Saisonbeginn sind typischerweise die Aufsteiger sowie Teams, die in der Vorsaison nur knapp die Klasse gehalten haben. Diese Einschätzung basiert auf der einfachen Beobachtung, dass sportlicher Erfolg in der Vergangenheit ein guter Prädiktor für Erfolg in der Zukunft ist. Ein Team, das gerade so der zweiten Liga entkommen ist, hat wahrscheinlich strukturelle Probleme, die sich nicht über einen Sommer lösen lassen.
Die Kaderstärke spielt im Abstiegskampf eine besondere Rolle. Teams mit schmalem Kader sind anfälliger für Verletzungspech, weil sie weniger hochwertige Alternativen haben. Die Tiefe des Kaders, also die Qualität der Ersatzspieler, ist ein oft unterschätzter Faktor, der über eine lange Saison den Unterschied machen kann. Modelle, die diesen Aspekt berücksichtigen, liefern oft realistischere Prognosen als solche, die nur die Stammelf betrachten.
Die psychologische Dimension des Abstiegskampfes entzieht sich weitgehend der Quantifizierung. Manche Teams wachsen unter Druck über sich hinaus, andere brechen zusammen. Die Erfahrung mit solchen Situationen, die Qualität der Vereinsführung, die Stabilität im Umfeld, all das kann eine Rolle spielen und ist doch kaum in Zahlen zu fassen. Die besten Prognosen bleiben deshalb vorsichtig und geben breite Konfidenzintervalle an.
Methodik: Wie entstehen Saisonprognosen?
Die technische Seite von Saisonprognosen ist komplexer als bei kurzfristigen Vorhersagen. Statt ein einzelnes Spiel zu modellieren, müssen die Algorithmen 34 Spieltage mit insgesamt 306 Partien berücksichtigen. Das erfordert einen anderen Ansatz, der häufig auf Simulationen basiert.
Die verbreitetste Methode ist die Monte-Carlo-Simulation. Die Idee ist einfach, aber wirkungsvoll: Statt nur das wahrscheinlichste Ergebnis jedes Spiels zu berechnen, wird die gesamte Saison tausende oder zehntausende Male virtuell durchgespielt. In jedem Durchlauf werden die Spielergebnisse zufällig gezogen, aber entsprechend ihrer berechneten Wahrscheinlichkeiten. Am Ende steht eine Verteilung: In wie vielen Simulationen wurde Bayern Meister? In wie vielen stieg Freiburg ab? Diese Verteilungen liefern die Wahrscheinlichkeiten, die in den Prognosen kommuniziert werden.
Die Qualität der Simulation hängt von der Qualität der Einzelspielprognosen ab. Wenn das Modell für jede Partie eine realistische Wahrscheinlichkeitsverteilung liefert, wird auch die Saisonprognose realistisch sein. Wenn die Einzelprognosen systematisch verzerrt sind, pflanzt sich dieser Fehler durch die gesamte Simulation fort. Die Kalibrierung der Basismodelle ist deshalb entscheidend.
Die Anzahl der Simulationsdurchläufe beeinflusst die Stabilität der Ergebnisse. Bei wenigen hundert Durchläufen können die Wahrscheinlichkeiten noch erheblich schwanken. Bei zehntausend oder mehr Durchläufen stabilisieren sie sich und konvergieren gegen die wahren Werte. Professionelle Systeme arbeiten typischerweise mit mindestens 10.000 Simulationen, manche gehen bis zu 100.000 oder mehr.
Ein wichtiger Aspekt ist die Aktualisierung im Saisonverlauf. Nach jedem Spieltag liegen neue Informationen vor: tatsächliche Ergebnisse, Formkurven, Verletzungen, Transfers. Die Simulation wird mit diesen neuen Daten wiederholt, und die Wahrscheinlichkeiten verschieben sich entsprechend. Eine Mannschaft, die nach zehn Spieltagen überraschend auf Platz zwei steht, wird in der aktualisierten Prognose höhere Meisterschaftschancen haben als zu Saisonbeginn.
Die Modellierung von Verletzungen und Sperren über eine ganze Saison hinweg ist besonders anspruchsvoll. Zu Saisonbeginn ist unbekannt, welche Spieler wann ausfallen werden. Die Modelle arbeiten mit Erwartungswerten, die auf historischen Verletzungshäufigkeiten basieren. Ein Team mit vielen verletzungsanfälligen Spielern oder geringer Kadertiefe erhält in der Simulation einen Malus, weil zu erwarten ist, dass Ausfälle die Leistung beeinträchtigen werden.
Die Berücksichtigung von Wettbewerbsüberschneidungen ist ein weiterer komplexer Faktor. Teams, die in der Champions League oder Europa League aktiv sind, haben zusätzliche Belastungen, aber auch zusätzliche Einnahmen und Prestige. Ob die Mehrfachbelastung die Bundesliga-Performance beeinträchtigt oder ob die Qualität des Kaders sie kompensiert, hängt vom Einzelfall ab. Die Modelle versuchen, diese Effekte zu quantifizieren, stoßen aber an Grenzen.
Die Rolle der Marktwerte
Ein Faktor, der in Saisonprognosen regelmäßig eine zentrale Rolle spielt, sind die Marktwerte der Spieler und Kader. Die Idee dahinter ist einleuchtend: Teurere Spieler sind im Durchschnitt besser, und Mannschaften mit höherem Gesamtmarktwert sollten erfolgreicher sein. Die Daten bestätigen diesen Zusammenhang eindrucksvoll.
Die Korrelation zwischen Kaderwert und Tabellenplatz in der Bundesliga liegt historisch bei etwa 0,85, was einen sehr starken Zusammenhang darstellt. Kein anderer Einzelfaktor erklärt den Saisonerfolg so gut wie der Marktwert. Das macht ihn zu einem unverzichtbaren Bestandteil jeder seriösen Saisonprognose.
Allerdings hat die Verwendung von Marktwerten auch Grenzen. Die Bewertungen spiegeln die Einschätzung des Transfermarkts wider, die von vielen Faktoren beeinflusst wird, darunter auch Hype, Nationalität und Vermarktungspotenzial. Ein Spieler kann überbewertet sein, weil er bei einem großen Club unter Vertrag steht, oder unterbewertet, weil er in einer weniger beachteten Liga spielt. Die Modelle nehmen die Marktwerte als gegeben hin und können solche Verzerrungen nicht korrigieren.
Ein weiterer Aspekt ist die Zeitlichkeit. Marktwerte ändern sich im Laufe einer Saison, manchmal erheblich. Ein Spieler, der im Sommer für 20 Millionen bewertet wurde, kann nach einer starken Hinrunde bei 35 Millionen stehen. Die Prognose zu Saisonbeginn basiert auf den damaligen Werten und kann diese Entwicklung nicht antizipieren. Aktualisierte Prognosen im Saisonverlauf greifen die neuen Bewertungen auf, aber der Rückstand bleibt.
Genauigkeit von Langzeitprognosen
Eine ehrliche Diskussion über Saisonprognosen muss die Frage der Genauigkeit thematisieren. Wie oft liegen die Modelle richtig? Und was bedeutet richtig in diesem Zusammenhang überhaupt?
Die Trefferquote bei der Meisterschaftsvorhersage ist in der Bundesliga hoch, aber das liegt an der extremen Dominanz eines Teams. Wenn ein Modell Bayern jedes Jahr mit 80 Prozent Wahrscheinlichkeit als Meister ansagt und Bayern tatsächlich vier von fünf Saisons gewinnt, ist das Modell gut kalibriert, aber nicht besonders informativ. Die interessantere Frage wäre, ob es die eine Saison vorhersagen konnte, in der Bayern nicht Meister wurde.
Bei weniger dominanten Ligen oder bei Fragen jenseits der Meisterschaft sinkt die Trefferquote erheblich. Die Abstiegsprognosen sind beispielsweise deutlich unsicherer. Es ist nicht ungewöhnlich, dass von drei vorhergesagten Absteigern nur einer tatsächlich absteigt, während zwei andere Teams überraschend den Gang in die zweite Liga antreten müssen. Das liegt nicht an schlechten Modellen, sondern an der inhärenten Unsicherheit des Abstiegskampfes.
Die wissenschaftliche Literatur zeigt, dass Saisonprognosen im Fußball etwa so genau sind wie informierte menschliche Einschätzungen. Sie schlagen zufällige Vorhersagen deutlich, aber sie schlagen den Markt, also die aggregierte Einschätzung aller Wettenden, nur selten und nur knapp. Das ist kein Grund zur Resignation, aber ein Grund für Bescheidenheit.
Ein interessanter Aspekt ist die Frage der Kalibrierung. Ein gut kalibriertes Modell sollte bei allen Vorhersagen, denen es 70 Prozent Wahrscheinlichkeit zuschreibt, auch etwa 70 Prozent Treffer landen. In der Praxis zeigt sich, dass viele Modelle zu overconfident sind: Sie vergeben zu extreme Wahrscheinlichkeiten und überschätzen ihre eigene Genauigkeit. Die besten Modelle korrigieren diesen Bias durch Kalibrierungsverfahren.
Die Frage, ob man mit Saisonprognosen langfristig Geld verdienen kann, ist umstritten. Die Quoten für Langzeitwetten reflektieren bereits umfangreiche Analysen, und der Markt ist effizient genug, um offensichtliche Fehlbewertungen schnell zu korrigieren. Wer glaubt, mit einem einfachen Modell systematisch den Markt zu schlagen, unterschätzt die Konkurrenz.
Hinzu kommt das Problem der kleinen Stichprobe. Selbst wenn ein Modell über mehrere Jahre überdurchschnittlich abschneidet, ist die Zahl der Datenpunkte zu gering für statistisch belastbare Aussagen. War der Erfolg systematisch oder zufällig? Diese Frage lässt sich oft erst nach Jahrzehnten beantworten, wenn überhaupt. Die Unsicherheit über die eigene Unsicherheit ist ein fundamentales Problem bei der Bewertung von Langzeitprognosen.
Praktische Nutzung: Langzeitwetten
Unabhängig von der Frage, ob Langzeitwetten profitabel sind, stellt sich die Frage nach der sinnvollen Nutzung von Saisonprognosen. Wer solche Wetten in Betracht zieht, sollte einige Grundprinzipien beachten.
Das Timing ist bei Langzeitwetten besonders wichtig. Die Quoten zu Saisonbeginn reflektieren die allgemeine Erwartungshaltung, aber sie können sich im Laufe der Saison erheblich verschieben. Ein Team, das überraschend stark startet, wird schnell teurer, während ein enttäuschender Favorit günstiger wird. Die Kunst besteht darin, Situationen zu identifizieren, in denen der Markt über- oder unterreagiert hat.
Vor Saisonbeginn sind die Quoten oft am interessantesten, weil der Markt noch unsicher ist und größere Fehlbewertungen möglich sind. Nach den ersten Spieltagen reagiert der Markt auf die neuen Informationen, manchmal übertrieben. Ein Team, das zwei von drei Auftaktpartien verliert, ist nicht automatisch ein Abstiegskandidat, auch wenn die Quoten das suggerieren mögen. Wer solche Überreaktionen erkennt, kann sie ausnutzen.
Die Diversifikation ist ein weiterer Aspekt. Statt alles auf einen Tipp zu setzen, kann es sinnvoll sein, mehrere Szenarien abzudecken. Eine Wette auf Bayern als Meister zu Quote 1,20 ist wenig attraktiv, aber eine Wette auf einen Nicht-Bayern-Meister zu Quote 5,00 könnte interessant sein, wenn die eigene Einschätzung dieser Wahrscheinlichkeit höher liegt als die impliziten 20 Prozent. Solche Überlegungen erfordern ein gutes Verständnis von Wahrscheinlichkeiten und Quoten.
Die verschiedenen Wettmärkte bieten unterschiedliche Möglichkeiten. Neben dem Meistertipp gibt es Wetten auf die Top-4-Platzierung, auf Abstieg oder Nichtabstieg, auf Torschützenkönig, auf die Anzahl der Punkte eines Teams und viele mehr. Nicht alle Märkte sind gleich effizient, und manche bieten mehr Spielraum für informierte Einschätzungen als andere. Die Analyse sollte sich nicht auf den offensichtlichsten Markt beschränken.
Die Geduld ist vielleicht die wichtigste Tugend bei Langzeitwetten. Das Ergebnis steht erst nach Monaten fest, und in dieser Zeit kann viel passieren. Die psychologische Belastung, eine Wette über Monate zu halten und zwischenzeitliche Rückschläge auszuhalten, sollte nicht unterschätzt werden. Wer dazu nicht bereit ist, sollte sich auf kürzere Zeithorizonte beschränken.
Das Bankroll-Management verdient besondere Aufmerksamkeit. Langzeitwetten binden Kapital über einen langen Zeitraum, das in dieser Zeit nicht für andere Zwecke verfügbar ist. Die Einsätze sollten so bemessen sein, dass auch eine Verlustserie verkraftbar ist und die Gesamtstrategie nicht gefährdet. Übermäßige Einsätze in der Hoffnung auf den großen Gewinn sind ein sicherer Weg in die Verlustzone.
Der Blick in die Kristallkugel
Saisonprognosen sind der Versuch, das Unvorhersehbare vorherzusagen. Sie scheitern oft, und sie scheitern zwangsläufig, weil der Fußball zu viele Variablen hat, die sich der Quantifizierung entziehen. Und doch sind sie nützlich, nicht weil sie die Zukunft zeigen, sondern weil sie zum Nachdenken über die Zukunft anregen.
Eine gute Saisonprognose ist kein Orakelspruch, sondern ein Ausgangspunkt für eigene Überlegungen. Sie zeigt, was auf Basis der verfügbaren Daten zu erwarten ist, und sie macht die Annahmen transparent, die dieser Erwartung zugrunde liegen. Wer mit der Prognose nicht einverstanden ist, kann die Annahmen hinterfragen und zu einer eigenen Einschätzung kommen.
Der Wert einer Prognose liegt nicht nur in ihrer Genauigkeit, sondern auch in ihrer Struktur. Sie zwingt dazu, systematisch über die relevanten Faktoren nachzudenken: Kaderstärke, Trainerkompetenz, finanzielle Ressourcen, Terminkalender. Auch wenn die finale Einschätzung daneben liegt, ist der Prozess des Nachdenkens wertvoll. Er schützt vor vorschnellen Urteilen und oberflächlichen Einschätzungen.
Die Entwicklung im Saisonverlauf ist oft spannender als die Ausgangsprognose. Wie verschieben sich die Wahrscheinlichkeiten nach dem fünften, dem zehnten, dem zwanzigsten Spieltag? Welche Überraschungen zwingen zur Revision? Welche Erwartungen bestätigen sich? Diese Dynamik zu verfolgen, ist ein eigener Reiz, der über die bloße Frage nach dem Meister hinausgeht.
Die Saison 2025/26 wird ihren eigenen Verlauf nehmen, unabhängig von allen Prognosen. Manche Überraschungen sind bereits vorprogrammiert, wir wissen nur noch nicht, welche. Die Modelle werden aktualisiert, die Wahrscheinlichkeiten werden sich verschieben, und am Ende wird ein Meister feststehen, der vielleicht der Favorit war, vielleicht aber auch nicht. Das ist das Wesen des Sports, und keine KI wird daran etwas ändern.
Die nächste Saison wird kommen, und mit ihr neue Prognosen, neue Hoffnungen, neue Enttäuschungen. Der Zyklus wiederholt sich Jahr für Jahr, und genau das macht ihn faszinierend. Die Ungewissheit ist kein Bug, sie ist ein Feature. Wer absolute Sicherheit sucht, ist im Fußball falsch. Wer die Spannung des Ungewissen genießt, findet in Saisonprognosen einen interessanten Begleiter durch die Spielzeit.