AI Champions League Vorhersage 2026 – Wer holt den Henkelpott laut KI?

Die Frage, wer die Champions League gewinnen wird, beschäftigt Millionen Fußballfans von der Auslosung im August bis zum Finale im Mai. In der Saison 2025/26 steigt die Spannung noch weiter, denn das neue Format mit 36 Teams in einer gemeinsamen Ligaphase hat die Unvorhersehbarkeit des Wettbewerbs auf ein neues Niveau gehoben. Moderne KI-Systeme versuchen, diese Komplexität zu durchdringen und Wahrscheinlichkeiten für den ultimativen Triumph zu berechnen. Doch wie verlässlich sind Langzeitprognosen im Fußball wirklich?

Der Reiz von Saisonvorhersagen liegt in ihrer Kühnheit. Während eine Prognose für das nächste Spiel binnen 90 Minuten überprüft werden kann, muss eine Titelvorhersage über Monate hinweg bestehen. In dieser Zeit können sich Kräfteverhältnisse verschieben, Verletzungen ganze Kader dezimieren und Trainerwechsel die Spielphilosophie eines Teams grundlegend verändern. Die KI versucht, all diese Unwägbarkeiten in Wahrscheinlichkeiten zu übersetzen, doch sie kann die Zukunft nicht sehen, sondern nur aus der Vergangenheit lernen.

In diesem Artikel betrachten wir die Methodik hinter Langfristprognosen, analysieren die aktuellen Favoriten laut verschiedenen KI-Systemen und werfen einen besonderen Blick auf die Chancen der deutschen Vertreter. Dabei geht es nicht darum, eine definitive Antwort auf die Titelfrage zu geben, sondern darum, die Logik und die Grenzen algorithmischer Vorhersagen zu verstehen.

Langfristprognosen vs. Spieltag-Vorhersagen

Die methodischen Unterschiede zwischen einer Spieltagsprognose und einer Saisonvorhersage sind fundamental. Bei einem Einzelspiel stehen die Variablen weitgehend fest: Die Aufstellungen sind bekannt, die aktuelle Form der Spieler messbar, die Wetterbedingungen vorhersehbar. Bei einer Langfristprognose hingegen muss die KI mit massiver Unsicherheit umgehen. Wer wird im Februar verletzt sein? Welcher Trainer wird im Dezember entlassen? Welches Team findet zur richtigen Zeit seine Topform?

Die Datengewichtung verschiebt sich erheblich. Während bei Spieltagsprognosen die letzten fünf bis zehn Partien stark gewichtet werden, spielen für Saisonvorhersagen längerfristige Faktoren die entscheidende Rolle. Kadertiefe etwa wird für ein Einzelspiel kaum relevant sein, über eine ganze Saison mit Belastungen in mehreren Wettbewerben hingegen kann sie zum entscheidenden Faktor werden. Die KI muss abschätzen, wie ein Kader auf die Doppelbelastung von Liga und Europapokal reagieren wird.

Die historische Erfolgsquote solcher Vorhersagen ist entsprechend niedriger als bei kurzfristigen Prognosen. Zu Saisonbeginn einen der drei Titelfavoriten korrekt zu benennen, gelingt den meisten KI-Systemen, doch den tatsächlichen Sieger punktgenau vorherzusagen, ist deutlich schwieriger. Die Opta-Daten zeigen, dass der präsaisonale Topfavorit in den letzten zehn Jahren nur dreimal den Titel holte. Das bedeutet nicht, dass die Prognosen wertlos sind, sondern dass selbst der wahrscheinlichste Ausgang oft genug nicht eintritt.

Ein weiterer Unterschied liegt in der Darstellung der Ergebnisse. Bei Spieltagsvorhersagen dominieren klare Aussagen wie 68 Prozent Siegwahrscheinlichkeit für Team A. Bei Saisonprognosen hingegen verteilen sich die Wahrscheinlichkeiten auf viele Kandidaten. Wenn Liverpool mit 20 Prozent als Favorit gilt, bedeutet das gleichzeitig, dass in 80 Prozent der simulierten Szenarien ein anderes Team den Titel holt. Diese Verteilung spiegelt die tatsächliche Ungewissheit wider und sollte entsprechend interpretiert werden.

Die Attraktivität von Langfristprognosen für Wettinteressierte liegt paradoxerweise gerade in ihrer Unsicherheit. Die Quoten für Saisonwetten sind entsprechend lukrativ, weil das Risiko hoch ist. Ein korrekter Tipp auf einen Außenseiter kann den Einsatz vervielfachen. Doch die mathematische Erwartung bleibt negativ, weil die Buchmacher ihre Quoten so kalkulieren, dass sie langfristig profitieren. KI-Analysen können helfen, Über- oder Unterbewertungen zu identifizieren, garantieren aber keinen Erfolg.

Die KI-Favoriten für den Champions League Titel 2026

Der Opta Supercomputer hat vor Saisonbeginn 10.000 Simulationen des gesamten Wettbewerbs durchgeführt und dabei klare Favoriten identifiziert. An der Spitze steht Liverpool mit einer Siegwahrscheinlichkeit von 20,4 Prozent. Die Mannschaft von Arne Slot hat in der Premier League ihre Dominanz bestätigt und gilt als ausgeglichenstes Team des Turniers. Die Kombination aus defensiver Stabilität und offensiver Durchschlagskraft macht die Reds in den Augen der Algorithmen zum wahrscheinlichsten Titelträger.

Die Top-Favoriten laut Opta Supercomputer:

• Liverpool: 20,4 Prozent Titelwahrscheinlichkeit
• Arsenal: 16,0 Prozent
• Paris Saint-Germain: 12,1 Prozent (Titelverteidiger)
• Manchester City: 8,4 Prozent
• FC Barcelona: 8,4 Prozent
• FC Chelsea: 7,0 Prozent
• Real Madrid: 5,8 Prozent
• FC Bayern München: 4,3 Prozent

Die Dominanz englischer Vereine in dieser Liste ist auffällig. Mit sechs Teams in der Ligaphase stellt die Premier League so viele Teilnehmer wie nie zuvor, und die KI sieht eine 56-prozentige Wahrscheinlichkeit, dass der Titel nach England geht. Diese Konzentration von Qualität in einer Liga spiegelt die finanziellen Realitäten des modernen Fußballs wider, bei denen die englischen Fernsehgelder einen strukturellen Vorteil verschaffen.

Arsenal gilt als zweiter Favorit und hat in der laufenden Saison mit sechs Siegen aus sechs Spielen in der Ligaphase eindrucksvoll gezeigt, warum die Algorithmen Vertrauen in die Mannschaft von Mikel Arteta setzen. Die Gunners haben noch nie die Champions League gewonnen, doch ihre Entwicklung der letzten Jahre deutet darauf hin, dass sich dieses Narrativ ändern könnte.

Paris Saint-Germain tritt als Titelverteidiger an, nachdem der Klub in der Vorsaison mit einem 5:0-Finalsieg gegen Inter Mailand erstmals den Henkelpott nach Paris holte. Trotz dieses historischen Erfolgs sieht die KI die Franzosen nur als drittwahrscheinlichsten Sieger. Ein Grund dafür könnte die statistische Seltenheit erfolgreicher Titelverteidigungen sein. Seit Real Madrids Dreifachtriumph zwischen 2016 und 2018 hat kein Team den Titel verteidigt.

Die vergleichsweise niedrige Einstufung von Real Madrid überrascht angesichts der Rekordhistorie des Vereins. Mit 15 Titeln sind die Königlichen der erfolgreichste Klub der Champions-League-Geschichte. Doch die Algorithmen bewerten aktuelle Leistungsdaten höher als historische Verdienste, und der Trainerwechsel zu Xabi Alonso hat zu Beginn der Saison für Turbulenzen gesorgt.

Die Methodik hinter Saisonprognosen im Detail

Um zu verstehen, wie KI-Systeme Langzeitprognosen erstellen, lohnt ein genauerer Blick auf die technischen Abläufe. Der Opta Supercomputer und vergleichbare Plattformen folgen einem mehrstufigen Prozess, der von der Datensammlung über die Modellierung bis zur Simulation reicht.

Der Prozess beginnt mit der Erfassung aller relevanten Variablen. Dazu gehören historische Leistungsdaten der Teams über mehrere Saisons, aktuelle Kaderqualität gemessen an Marktwerten und individuellen Statistiken, Trainererfahrung in internationalen Wettbewerben, Verletzungsanfälligkeit bestimmter Kader und die Schwierigkeit des Spielplans. Diese Daten werden normalisiert, um Vergleichbarkeit herzustellen, und in ein mathematisches Modell überführt.

Die eigentliche Simulation erfolgt dann über Monte-Carlo-Methoden. Der Algorithmus spielt die gesamte Saison durch, wobei für jedes Spiel ein zufälliges Ergebnis auf Basis der berechneten Wahrscheinlichkeiten generiert wird. Dieser Vorgang wird tausendfach wiederholt, und am Ende zählt das System, wie oft jedes Team in diesen Simulationen den Titel gewonnen hat. Das Ergebnis ist keine Vorhersage im Sinne einer festen Aussage, sondern eine Verteilung von Wahrscheinlichkeiten.

Ein wichtiger methodischer Aspekt ist die Behandlung von Unsicherheit. Seriöse Modelle berücksichtigen nicht nur die Punktschätzungen für einzelne Variablen, sondern auch deren Streuung. Die Verletzungsanfälligkeit eines Kaders etwa wird nicht als feste Zahl behandelt, sondern als Wahrscheinlichkeitsverteilung. In manchen Simulationen bleibt der Kader weitgehend gesund, in anderen dezimieren Verletzungen die Stammelf. Diese Variation spiegelt die Realität wider und verhindert überzogene Präzision in den Prognosen.

Die Aktualisierung der Modelle erfolgt kontinuierlich. Nach jedem Spieltag werden die Eingabedaten angepasst, und die Simulationen laufen erneut. Ein Team, das überraschend schlecht in die Saison startet, sieht seine prognostizierten Titelchancen sinken, während ein Überraschungsteam aufsteigt. Diese Dynamik macht Langzeitprognosen zu einem lebendigen Werkzeug, das den Saisonverlauf begleitet.

Faktoren für langfristigen Erfolg in der Champions League

Die KI berücksichtigt bei Saisonprognosen eine Vielzahl von Variablen, die über die reine Spielstärke hinausgehen. Kadertiefe ist einer der wichtigsten Faktoren, denn die Champions League stellt mit ihren zusätzlichen Spielen enorme Anforderungen an die Belastungssteuerung. Ein Team, das auf allen Positionen doppelt besetzt ist, kann Verletzungen und Sperren besser kompensieren als eine Mannschaft, die auf wenige Schlüsselspieler angewiesen ist.

Zentrale Faktoren für KI-Saisonprognosen:

• Kadertiefe und Qualität der Ersatzspieler
• Erfahrung in K.-o.-Runden auf europäischer Ebene
• Trainerstabilität und taktische Flexibilität
• Verletzungshistorie und Regenerationsmanagement
• Parallelbelastung durch nationale Wettbewerbe
• Finanzielle Ressourcen für Wintertransfers
• Heimstärke in europäischen Partien

Die europäische Erfahrung eines Kaders spielt eine oft unterschätzte Rolle. Teams, deren Spieler wissen, wie man Auswärtsspiele bei feindseliger Atmosphäre übersteht und wie man in entscheidenden Momenten die Nerven behält, haben statistische Vorteile gegenüber Neulingen. Diese Erfahrungswerte fließen in die Modelle ein, indem historische Leistungen der einzelnen Spieler in K.-o.-Runden berücksichtigt werden.

Die Trainerstabilität korreliert positiv mit Erfolg im Europapokal. Mannschaften, die ihren Trainer über mehrere Jahre halten, entwickeln ein tieferes taktisches Verständnis und können die spezifischen Anforderungen des Wettbewerbs besser antizipieren. Ein neu installierter Coach benötigt hingegen Zeit, um seine Spielidee zu implementieren, was gerade in der intensiven Phase der K.-o.-Runden zum Nachteil werden kann.

Die Algorithmen versuchen auch, die Terminbelastung zu modellieren. Ein Team, das gleichzeitig um die nationale Meisterschaft kämpft, muss seine Ressourcen anders einteilen als eine Mannschaft, die in der Liga nichts mehr zu gewinnen hat. Diese taktischen Entscheidungen über Rotation und Belastungssteuerung können den Unterschied zwischen Weiterkommen und Ausscheiden bedeuten.

Ein besonders schwer zu quantifizierender Faktor ist das, was Fußballer als Mentalität bezeichnen. Die Fähigkeit, in entscheidenden Momenten über sich hinauszuwachsen oder umgekehrt unter dem Druck zusammenzubrechen, lässt sich nur begrenzt aus Daten ablesen. Die KI versucht, solche psychologischen Muster durch historische Leistungen in vergleichbaren Situationen zu approximieren, doch hier stößt jede Modellierung an ihre Grenzen.

Wie verlässlich sind Langzeitvorhersagen im Fußball?

Die ehrliche Antwort auf diese Frage lautet: begrenzt. Langzeitprognosen im Fußball sind keine Prophezeiungen, sondern probabilistische Einschätzungen auf Basis verfügbarer Daten. Ihre Qualität sollte nicht daran gemessen werden, ob sie den Sieger exakt vorhersagen, sondern ob ihre Wahrscheinlichkeitsaussagen über viele Fälle hinweg kalibriert sind. Ein System, das einem Team 20 Prozent Titelchancen gibt, sollte bei 100 solchen Vorhersagen etwa 20 Mal richtig liegen.

Historische Trefferquoten von Saisonprognosen:

Die Analyse vergangener Vorhersagen zeigt ein gemischtes Bild. Der präsaisonale Favorit holte den Titel in etwa 30 Prozent der Fälle, was über dem statistischen Erwartungswert liegt, wenn die Wahrscheinlichkeiten gleichmäßig verteilt wären. Die Top-3-Favoriten zusammen erreichten das Finale in rund 60 Prozent der Saisons. Diese Zahlen deuten darauf hin, dass die Modelle durchaus Muster erkennen, die menschlichen Beobachtern verborgen bleiben.

Gleichzeitig zeigen die historischen Daten, wie oft Außenseiter den Wettbewerb aufmischen. Leicester Citys Meistertitel 2016 in der Premier League ist das prominenteste Beispiel für ein Ergebnis, das kein Algorithmus für wahrscheinlich gehalten hätte. In der Champions League sind solche extremen Überraschungen seltener, aber Chelsea 2012 oder Liverpool 2005 gewannen Titel aus Situationen heraus, die statistisch höchst unwahrscheinlich waren.

Die historischen Fehlprognosen und was sie lehren

Ein Blick auf die spektakulärsten Fehleinschätzungen der Vergangenheit offenbart die strukturellen Grenzen jeder Langzeitprognose. Diese Fälle sind keine Anomalien, sondern integraler Bestandteil dessen, was es bedeutet, mit Wahrscheinlichkeiten zu arbeiten.

Das Champions-League-Finale 2019 zwischen Liverpool und Tottenham illustriert die Problematik. Zu Saisonbeginn gaben die KI-Systeme beiden Teams zusammen weniger als zehn Prozent Chance, das Finale zu erreichen. Manchester City, Barcelona und Juventus galten als die wahrscheinlichsten Finalisten. Doch Tottenhams dramatisches Weiterkommen gegen Ajax und Liverpools Comeback gegen Barcelona sprengten alle Prognosen.

Die Lehre aus solchen Fällen ist nicht, dass Prognosen nutzlos sind, sondern dass auch unwahrscheinliche Ereignisse eintreten. Ein Algorithmus, der Liverpool vor der Saison 2018/19 zehn Prozent Titelchance gab, hat keine Fehlprognose abgeliefert, wenn Liverpool dann tatsächlich gewann. Zehn Prozent bedeuten, dass in einem von zehn vergleichbaren Fällen genau das passiert. Das Problem entsteht erst, wenn die Nutzer der Prognosen diese probabilistische Natur nicht verstehen.

Die Saison 2024/25 bot mit dem Triumph von Paris Saint-Germain ein weiteres lehrreiches Beispiel. Der Klub stand in der Ligaphase am Rande des Ausscheidens und qualifizierte sich erst am vorletzten Spieltag für die Playoffs. Die KI hatte PSG zu diesem Zeitpunkt bereits deutlich herabgestuft. Doch in der K.o.-Phase entfaltete die Mannschaft von Luis Enrique ihre volle Stärke und fegte am Ende Inter Mailand mit 5:0 aus dem Finale.

Die spezifische Struktur des K.o.-Formats begünstigt Überraschungen. Anders als in einer Liga, wo sich Qualität über 34 oder 38 Spieltage durchsetzt, können in einem Viertelfinale zwei schlechte Abende das Ende bedeuten. Die Varianz bei Einzelspielen ist höher als bei Langzeitbetrachtungen, und diese Varianz potenziert sich über mehrere K.-o.-Runden hinweg. Ein Team, das in jedem Spiel ein kleiner Außenseiter ist, kann trotzdem den Titel holen, wenn es sechsmal hintereinander das unwahrscheinlichere Ergebnis erzielt.

Die Modelle werden kontinuierlich verbessert, indem neue Datenquellen erschlossen und die Algorithmen verfeinert werden. Tracking-Daten, die jeden Laufweg und jeden Pass erfassen, erlauben tiefere Einblicke in die tatsächliche Leistung von Spielern und Teams. Expected Goals haben die Analyse bereits revolutioniert, und neue Metriken wie Expected Threat oder Possession Value versprechen weitere Fortschritte. Doch auch die beste Datengrundlage kann die inhärente Unvorhersehbarkeit des Spiels nicht eliminieren.

Die Chancen der deutschen Teams 2026

Vier Bundesliga-Vereine haben sich für die Champions League 2025/26 qualifiziert: Bayern München, Borussia Dortmund, Bayer Leverkusen und Eintracht Frankfurt. Ihre Ausgangslage und ihre Bewertung durch die KI-Systeme unterscheiden sich erheblich, was einen differenzierten Blick auf jeden einzelnen Vertreter lohnenswert macht.

FC Bayern München trägt die Last der Erwartungen als historisch erfolgreichster deutscher Klub im Europapokal. Mit einer Titelwahrscheinlichkeit von 4,3 Prozent laut Opta Supercomputer liegt Bayern im mittleren Favoritenfeld. Die Münchner haben unter Trainer Vincent Kompany einen spielerisch attraktiven Stil entwickelt, der auf Ballbesitz und Pressing basiert. Harry Kane führt die Torjägerliste in der Bundesliga an und hat auch in der Champions League bereits mehrfach getroffen. Die Stärken des Teams liegen in der individuellen Qualität des Kaders und der Erfahrung in europäischen K.-o.-Runden. Als Schwäche identifizieren die Algorithmen die defensive Anfälligkeit bei schnellen Gegenstößen, die gegen die besten Teams Europas bestraft werden könnte.

Borussia Dortmund überrascht mit einer Position unter den ersten Zehn der Tabelle nach der Ligaphase und einer bemerkenswerten Offensivstatistik. Die Mannschaft von Niko Kovac hat in sechs Spielen 32 Tore erzielt und kassiert, was den Unterhaltungswert garantiert, aber auch die defensive Instabilität offenbart. Serhou Guirassy setzt seine Torjägerform aus der Vorsaison fort und gilt als einer der gefährlichsten Stürmer des Turniers. Die KI sieht Dortmund mit etwa 1,5 Prozent Titelwahrscheinlichkeit als Außenseiter, aber das neue Format mit seinen vielen Spielen könnte einem Team mit derart starkem Heimvorteil und explosiver Offensive entgegenkommen.

Bayer Leverkusen startete als deutscher Meister in die Saison, hat aber nach dem Abgang von Trainer Xabi Alonso zu Real Madrid eine Phase der Neuorientierung durchlaufen. Unter Kasper Hjulmand hat das Team zu Stabilität gefunden, wenn auch noch nicht die Dominanz der Meistersaison erreicht. Die Ligaphase verlief mit neun Punkten aus sechs Spielen durchwachsen, wobei das 2:7 gegen Paris Saint-Germain einen Tiefpunkt markierte. Die Algorithmen bewerten Leverkusen mit unter einem Prozent Titelchancen als Außenseiter, doch die Qualität des Kaders könnte bei günstiger Auslosung für Überraschungen sorgen.

Eintracht Frankfurt erlebt eine historische Saison, denn erstmals hat sich der Verein über die Bundesliga-Platzierung für die Königsklasse qualifiziert. Das 5:1 zum Auftakt gegen Galatasaray weckte Hoffnungen, doch die folgenden Niederlagen gegen Liverpool, Atletico Madrid und Barcelona zeigten die Grenzen auf. Mit nur vier Punkten aus sechs Spielen kämpft Frankfurt ums Überleben in der Ligaphase. Die KI gibt den Adlern keine realistischen Titelchancen, aber allein die Teilnahme an diesem Wettbewerb ist für den Verein ein Erfolg, der langfristig Erfahrungswerte schafft.

Der Vergleich der deutschen Vertreter zeigt die Spreizung innerhalb der Bundesliga. Bayern operiert auf europäischem Spitzenniveau, Dortmund schließt als etablierte Champions-League-Kraft an, während Leverkusen und Frankfurt sich im Mittelfeld des Wettbewerbs einordnen. Für den deutschen Fußball insgesamt wäre ein Titelgewinn nach zehn Jahren Pause ein bedeutendes Zeichen, doch die KI sieht die englische Dominanz als strukturellen Vorteil, der nur schwer zu überwinden ist.

Der Weg zum Finale in Budapest

Das Finale der Champions League 2025/26 findet am 30. Mai im Puskas Arena in Budapest statt. Es wird das erste Champions-League-Endspiel in Ungarn sein, nachdem das Stadion bereits 2023 das Europa-League-Finale ausrichtete. Der Weg dorthin führt über die verbleibenden Spieltage der Ligaphase, die Playoffs für die Plätze 9 bis 24 und vier K.-o.-Runden.

Die KI-Systeme aktualisieren ihre Prognosen nach jedem Spieltag, wobei die Veränderungen gegen Ende der Ligaphase immer größer werden. Ein Team, das die Top 8 verpasst und in die Playoffs muss, sieht seine Titelchancen drastisch sinken, weil zwei zusätzliche Spiele die Belastung erhöhen und Ausscheidungsrisiken hinzufügen. Die direkte Qualifikation fürs Achtelfinale ist nicht nur prestigeträchtig, sondern statistisch wertvoll.

Der Zeitplan bis zum Finale:

• Letzter Spieltag Ligaphase: 28. Januar 2026
• Playoffs: 17./18. und 24./25. Februar 2026
• Achtelfinale: 10./11. und 17./18. März 2026
• Viertelfinale: 7./8. und 14./15. April 2026
• Halbfinale: 28./29. April und 5./6. Mai 2026
• Finale in Budapest: 30. Mai 2026

Die neuen Regeln zum Heimvorteil verleihen der Platzierung in der Ligaphase zusätzliche Bedeutung. Teams auf den Plätzen 1 bis 4 spielen im Achtel- und Viertelfinale das Rückspiel zu Hause, was statistisch einen messbaren Vorteil darstellt. Die Top 2 behalten diesen Vorteil sogar bis ins Halbfinale. Diese Regelung belohnt konstante Leistung in der Ligaphase und reduziert den Zufall bei der Auslosung.

Für Fans und Analysten verspricht die Saison 2025/26 Spannung bis zum letzten Spieltag. Die Kombination aus dem neuen Format, der englischen Übermacht und den Ambitionen traditionsreicher Klubs schafft ein Narrativ, das die KI zwar in Wahrscheinlichkeiten übersetzen kann, dessen emotionaler Gehalt aber jenseits jeder Berechnung liegt. Wer am Ende den Henkelpott stemmen wird, weiß niemand mit Sicherheit. Genau das macht die Champions League zur Königsklasse des Klubfußballs.

Die Bedeutung von KI-Prognosen für Fans und Wettinteressierte

Der Wert von Langzeitprognosen liegt weniger in ihrer Vorhersagekraft als in der Perspektive, die sie eröffnen. Wer versteht, warum ein Algorithmus Liverpool höher bewertet als Real Madrid, lernt etwas über die Faktoren, die erfolgreichen Fußball ausmachen. Die Diskrepanz zwischen KI-Bewertung und öffentlicher Wahrnehmung kann Anlass sein, eigene Annahmen zu hinterfragen und blinde Flecken zu erkennen.

Für Wettinteressierte bieten Saisonprognosen eine Orientierungshilfe, aber keine Gewinngarantie. Die Quoten für Langzeitwetten sind so kalkuliert, dass der Buchmacher unabhängig vom Ausgang profitiert. Ein Team mit 20 Prozent Titelchancen sollte bei fairer Kalkulation mit einer Quote von 5,0 angeboten werden. Liegt die tatsächliche Quote darunter, ist die Wette aus Sicht des Buchmachers überbewertet, liegt sie darüber, bietet sie theoretischen Value. Die Umsetzung dieser Erkenntnis erfordert jedoch Geduld, Kapital und die Bereitschaft, auch bei mathematisch korrekten Entscheidungen häufig zu verlieren.

Die wichtigste Erkenntnis aus der Beschäftigung mit KI-Prognosen ist vielleicht die Demut vor der Unvorhersehbarkeit des Spiels. Selbst die sophistiziertesten Modelle können nicht erfassen, was passiert, wenn ein Ball vom Pfosten ins Tor springt statt daneben. Diese Momente der Kontingenz sind es, die Fußball so faszinierend machen, und sie werden auch in Zukunft jeden Algorithmus vor Rätsel stellen.

Die Champions League 2025/26 wird zeigen, ob Liverpool seine statistische Favoritenrolle bestätigt, ob ein Außenseiter die Berechnungen sprengt oder ob ein unerwartetes Team den Weg nach Budapest findet. Wer auch immer am 30. Mai den Pokal in die Höhe reckt, wird Teil einer Geschichte sein, die größer ist als jede Zahl. Denn am Ende geht es im Fußball nicht um Wahrscheinlichkeiten, sondern um Träume, die manchmal wahr werden.