Летом 2026 года на отраслевой конференции по спортивной науке технический директор Teamworks Рид Шаффнер начал выступление с опроса зала. Первый вопрос: кто пользуется ИИ каждый день? Руки подняло большинство. Второй: кто собирал собственного агента? Рук стало заметно меньше, но их оставалось много. Третий: у кого ИИ применяется ежедневно в реальных рабочих процессах организации? Отозвались представители трёх организаций.
Конференция была международной, и в России картина выглядит похоже. Разрыв между интересом к технологии и её ежедневным применением сохраняется почти везде, где спортивные организации берутся за эту тему.
Мы перевели и разобрали текст Шаффнера, потому что его наблюдения хорошо ложатся на российский контекст. Основная мысль сводится к следующему: устойчивое преимущество организации складывается из того, что лежит под моделью. Из связанности систем между собой, из качества данных, которым можно доверять, и из того, остаётся ли накопленное знание внутри организации.
Рынок и ожидания
Спортивный рынок ИИ оценивают примерно в 10,6 млрд долларов сейчас, с ростом до 50 млрд к 2033 году. Значительная часть этих средств придётся на универсальные модели в спортивной упаковке. Такие продукты близки друг к другу по возможностям: под ними работают одни и те же движки, доступные и клубу, и его конкуренту на сопоставимых условиях.
Различия появляются уровнем ниже: там, где данные о спортсмене собраны из разных систем в одну запись, проверены и остаются внутри контура организации. Работа выглядит рутинной и редко становится темой отраслевых презентаций.
Прогноз травм
Прогноз травм остаётся самой чувствительной областью применения, поскольку решения здесь касаются здоровья конкретных людей.
Как читать метрику точности. Поставщики обычно показывают общую точность модели, и на редких событиях этот показатель малоинформативен. Травмы происходят редко, поэтому модель, отвечающая про каждого спортсмена «здоров», покажет точность выше 95% при нулевой практической пользе. Содержательными будут три других вопроса: сколько травм система отметила заранее, как часто она давала ложную тревогу и какие решения тренерский штаб принял иначе, опираясь на её прогноз. Все три измеримы, и ответы на них стоит запрашивать в цифрах.
Полнота данных. Модели работают с ограниченной картиной. За её пределами остаются сон, бытовой стресс, питание, семейные обстоятельства, режим межсезонья. Прогноз при этом выдаётся с той же уверенностью, что и на полных данных, а уверенная ошибка обходится дороже отказа от ответа, поскольку на неё опираются в решениях.
Показательный пример обратного подхода даёт НФЛ. Платформа Digital Athlete строилась на многолетней интеграции данных об игроках, и по итогам сезона лига сообщила о снижении числа сотрясений на 17% и о 700 пропущенных из-за травм игровых днях меньше. Ключевую роль сыграла подготовленная инфраструктура: её собрали до того, как поверх неё запустили модели.
Что говорят практики
К близким выводам независимо друг от друга пришли руководители олимпийских программ, клубов и спортивных федераций, выступавшие на той же конференции.
Джордан Трёстер из Red Bull Athlete Performance Center описал типичную ловушку: когда организация начинает с технологии и затем ищет, куда её приложить, значительная часть сил уходит на внутреннее согласование. Продуктивнее двигаться от вопроса к инструменту.
Робин Торп, работавший с «Манчестер Юнайтед» и Red Bull, привёл цифры, от которых становится не по себе: после более чем 150 исследований связи тренировочной нагрузки с риском травмы отрасль не стала работать эффективнее. Опрос 21 руководителя медицинских и спортивных служб элитного уровня показал, что от 75 до 90% собираемых данных не влияют ни на одно решение.
Кэтрин О'Нил, главный медицинский советник спортивной конференции SEC, описала распространённую ситуацию: организация закупает полтора десятка отдельных программ, а сводить выгрузки из них в единую картину приходится вручную, обычно в таблице Excel и обычно силами специалиста, который отвечает за здоровье спортсменов. Проблема лежит на уровне инфраструктуры, и добавление ИИ поверх такой схемы её не решает.
Фин Кирван из Олимпийского комитета США связал результат команды на зимних Играх в Милане и Кортине с качеством подготовки данных. Медали в 12 дисциплинах из 17 и лучшее выступление за пределами Северной Америки за 132 года он объяснил тем, что команда впервые располагала данными такого объёма и качества, а собирались они годами внутри самой организации.
Российский контекст: 1,1 млрд рублей и несведённые реестры
В ноябре 2025 года Счётная палата опубликовала отчёт о проверке расходов на спортивную инфраструктуру и государственные информационные ресурсы в сфере физической культуры и спорта за 2023–2025 годы. По выводам аудиторов, единая цифровая платформа «Физическая культура и спорт» полноценно не функционирует, а интеграция ФГИС «Спорт» с региональными системами, созданными в 78 субъектах, не завершена. Расходы федерального бюджета на создание, развитие и техническую поддержку платформы за 2021–2025 годы составили 1,1 млрд рублей и признаны использованными недостаточно эффективно.
Ситуация повторяет закономерность, о которой говорит Шаффнер, только в государственном масштабе: средства вложены в систему, а данные пока не сведены в единую картину.
Работа продолжается. В декабре 2025 года президент поручил правительству до 20 июля 2026 года внести изменения в законодательство о развитии и эксплуатации федеральных и региональных государственных информационных систем в области физической культуры и спорта. Система «Мой спорт» ведёт реестры организаций спортивной подготовки, спортсменов и тренеров и интегрирована с ГИС «Спорт». Дальнейший результат во многом зависит от качества данных и от того, станут ли они основанием для управленческих решений. Пока они работают в первую очередь на отчётность.
На уровне спортивных школ картина проще и нагляднее. Мы регулярно внедряем учётные системы и наблюдаем повторяющийся набор: посещаемость в тетради, расписание в мессенджере, оплата в блокноте администратора, справка о здоровье ребёнка в бумажном виде. Значительная часть сведений о воспитанниках хранится в памяти тренера и теряется вместе с его уходом.
Этот уровень стоит иметь в виду, когда спортивной школе предлагают ИИ-помощника. Работать ему пока не с чем: связанных записей под ним нет.
Обратный информационный парадокс
Сатья Наделла описал эффект, который называет обратным информационным парадоксом. Экономист Кеннет Эрроу в своё время заметил, что продажа информации устроена парадоксально: чтобы доказать её ценность, продавец вынужден её раскрыть, а раскрыв, отдаёт бесплатно. В случае с ИИ парадокс разворачивается в сторону покупателя. Чтобы система приносила пользу, организация передаёт ей собственное знание.
В спорте таким знанием оказываются протоколы возвращения после травмы, скаутские эвристики, накопленные за десятилетия, поправки к нагрузкам, выведенные из наблюдения за конкретными спортсменами. Когда сотрудник переносит это в общедоступный чат-бот, а практика распространённая, знание организации покидает её периметр с каждым запросом.
Здесь стоит оговориться. Корпоративный договор, запрещающий обучение на данных клиента, закрывает вопрос утечки. Открытым остаётся другой: на стороне организации ничего не накапливается. По завершении сессии контекст теряется, и в следующий раз объяснения приходится повторять заново. Алекс Карп из Palantir описывает желаемое состояние как владение средствами производства.
Инструмент для этого в Palantir называют онтологией. Если убрать жаргон, речь идёт о простой вещи. Сегодня один спортсмен существует как пять разных людей: отдельно в GPS-платформе, в тензоплатформе, в медицинской карте, в тренерской таблице и в системе видеоразбора. Онтология собирает его обратно в одного человека. Это единая личность, сведённая по всем системам и по всей карьере, связи между показателями и собственные определения организации вместо унифицированных отраслевых. Если «лёгкая тренировка» означает у вас конкретную вещь, система должна понимать её так же.
Слой располагается между сырыми данными и моделями и удерживает институциональное знание внутри организации. При смене или исчезновении используемой модели накопленный опыт сохраняется, поскольку хранился он уровнем ниже.
Защита данных и доверие к выводу
Чем выше ценность данных, тем большее значение приобретает их защита.
Перед тем как открыть поставщику доступ к медицинским и тренировочным данным, полезно задать четыре вопроса. Где физически хранятся данные? Кто имеет к ним доступ? Что с ними разрешено делать? Кому принадлежит то, чему система научилась в процессе работы? Последний вопрос появился недавно, и внятный ответ на него дают немногие.
В российской практике к этому добавляются требования 152-ФЗ и врачебная тайна. Сведения о здоровье относятся к специальной категории персональных данных, а когда речь идёт о воспитаннике спортивной школы, то и о несовершеннолетнем, и требования к согласию, хранению и передаче становятся строже. Тема заслуживает отдельного разбора, и мы к ней вернёмся.
Вторая сторона вопроса касается доверия к результату. Исследователи безопасности провели показательный эксперимент: описали несуществующее заболевание с вымышленными симптомами и ссылками на выдуманные работы, опубликовали материалы и через некоторое время зафиксировали, что модели начали упоминать этот диагноз в ответах реальным людям с реальными жалобами. Взлома при этом не было, модель воспроизвела прочитанное.
В спортивном контексте искажённый вывод превращается в ошибочную оценку риска травмы, неверную нагрузку, неверный срок восстановления. Доверие к рекомендации опирается на доверие к данным под ней, а оно возникает тогда, когда система работает с данными, которыми организация управляет сама.
Что с этим делать
ИИ уместно рассматривать как инструмент внутри процесса. Решения по-прежнему принимает специалист, отношения со спортсменом строит он же, и сведения, которыми спортсмен не поделится ни с одной системой, получает тоже он.
Для клуба, федерации или спортивной школы разумный порядок работы обратен тому, что предлагает рынок. Сначала данные из разных систем сводятся к одному спортсмену. Затем приводятся в порядок, и организация фиксирует собственные определения показателей. Затем закрывается периметр. Модель подключается последней, и на этом этапе она может быть любой, в том числе арендованной.
У такой последовательности есть побочный эффект, о котором редко говорят: часть задач, ради которых планировалась покупка ИИ, закрывается обычной отчётностью, как только данные сведены.
Модели доступны всем участникам рынка на сопоставимых условиях. Устойчивое преимущество складывается из того, чем организация владеет под ними.
Материал подготовлен по мотивам статьи Рида Шаффнера, технического директора Teamworks, «The Future of AI in Sports Is Not What You Think It Is» (27 июля 2026), с дополнениями и адаптацией под российский контекст. Данные о ФГИС «Спорт» приведены по отчёту Счётной палаты РФ, опубликованному в ноябре 2025 года.
