Prognose & Statistik
Rund um jeden Spieltag versprechen Seiten und Tools treffsichere Vorhersagen per künstlicher Intelligenz. Was davon belegbar ist, wo die Grenze verläuft – und wie du eine Prognose liest, ohne dich täuschen zu lassen.
Zuletzt aktualisiert: 9. September 2026
Die kurze Antwort
Die besten Prognose-Modelle der Welt treffen rund 52 Prozent der Fußballergebnisse. Wer immer auf den Heimsieg tippt, liegt in der Bundesliga bei 44,2 Prozent. Der Vorsprung der Technik beträgt also etwa acht Prozentpunkte – und die Quoten der Buchmacher waren im wissenschaftlichen Vergleich sogar noch besser als jedes eingereichte Modell.
Die Zahlen auf einen Blick
Beste Modelle im Wettbewerb51,5 – 52,4 % Trefferquote
Bestwert einer späteren Arbeit55,8 %
Buchmacherquoten im selben Testbesser als alle Modelle
„Immer Heimsieg“ in der Bundesliga44,2 %
Unentschieden24,8 %
Datenbasis Wettbewerb216.000 Spiele, 52 Ligen
Datenbasis Bundesliga-Werte3.060 Spiele, 2016/17 – 2025/26
Wie treffsicher sind KI-Prognosen?
Zu dieser Frage gibt es eine belastbare Antwort, und sie stammt nicht aus der Werbung eines Wett-Tools, sondern aus einem offenen Wettbewerb. Die Soccer Prediction Challenge 2017 stellte Forschungsgruppen weltweit denselben Datensatz zur Verfügung: über 216.000 Spiele aus 52 Ligen in 35 Ländern. Vorherzusagen waren 206 Partien, die zum Zeitpunkt der Abgabe noch nicht gespielt waren. Kein Nachjustieren, kein geschöntes Rückwärtsrechnen.
Das ist der ehrlichste Test, den es zu diesem Thema gibt. Die Ergebnisse der drei besten Einreichungen:
| Ansatz | Trefferquote | RPS |
|---|
| XGBoost mit Pi-Ratings | 52,4 % | 0,2063 |
| XGBoost mit Berrar-Ratings | 51,9 % | 0,2054 |
| Hybrides Bayes-Netz | 51,5 % | 0,2083 |
| Buchmacherquoten | 51,9 % | 0,2020 |
Die letzte Zeile ist die interessante. Die Quoten der Buchmacher schnitten besser ab als jedes eingereichte Modell. Nicht dramatisch besser, aber messbar – und das gegen Teams, die genau dafür angetreten waren.
Eine spätere Arbeit hat den Bestwert auf einen RPS von 0,1925 bei 55,8 Prozent Trefferquote gedrückt. Das ist ein echter Fortschritt. Es ist aber weit entfernt von dem, was Werbeversprechen nahelegen.
Was der RPS ist. Der Ranked Probability Score misst nicht, ob ein Tipp stimmte, sondern wie gut die Wahrscheinlichkeiten waren. Ein Modell, das dem Außenseiter 5 Prozent gibt und ihn gewinnen sieht, wird härter bestraft als eines, das ihm 35 Prozent gab. Kleiner ist besser. Gute Modelle liegen zwischen 0,19 und 0,21.
Warum 52 Prozent mehr sind, als sie klingen
52 Prozent klingt nach wenig. Der Maßstab ist aber nicht 100 Prozent, sondern das, was man ohne jede Rechnung erreicht.
Wir haben dafür die letzten zehn Bundesliga-Spielzeiten ausgewertet, 3.060 Spiele von 2016/17 bis 2025/26:
| Ausgang | Anteil | Was das bedeutet |
|---|
| Heimsieg | 44,2 % | Wer stur Heimsieg tippt, liegt so oft richtig |
| Auswärtssieg | 30,9 % | Der Heimvorteil schrumpft seit Jahren |
| Unentschieden | 24,8 % | Fast nie die wahrscheinlichste Einzeloption |
Der stumpfe Heimsieg-Tipp trifft also 44,2 Prozent. Ein Weltklasse-Modell kommt auf gut 52. Der gesamte Vorsprung der künstlichen Intelligenz beträgt rund acht Prozentpunkte – etwa drei zusätzlich richtige Tipps pro Spieltag.
Das Unentschieden erklärt einen großen Teil der Lücke. Mit 24,8 Prozent kommt es häufig vor, ist aber fast nie die wahrscheinlichste der drei Optionen. Ein Modell, das auf Trefferquote optimiert, tippt es deshalb praktisch nie – und liegt bei jedem vierten Spiel systematisch daneben.
Ein Detail, das die Grenzen zeigt. In der Saison 2019/20, der Spielzeit mit den Geisterspielen, fielen die Heimsiege auf 40,2 Prozent, während die Auswärtssiege auf 37,6 Prozent stiegen. Kein Modell hatte das im Voraus auf dem Zettel. Es gab schlicht keine Trainingsdaten für eine Bundesliga ohne Zuschauer.
Wie ein Modell ein Spiel ausrechnet
Der Begriff „KI“ verdeckt, dass die meisten Fußballprognosen auf Statistik beruhen, die älter ist als der Hype. Der Kern geht in fast allen Fällen so:
1. Stärkewerte schätzen. Jede Mannschaft bekommt einen Angriffs- und einen Abwehrwert, gegnerbereinigt: Vier Tore gegen den Tabellenletzten zählen weniger als eines gegen Bayern. Ältere Spiele werden schwächer gewichtet als aktuelle.
2. Erwartete Tore berechnen. Aus Angriffsstärke des einen, Abwehrstärke des anderen und dem Heimvorteil ergibt sich für beide Teams eine erwartete Torzahl – etwa 1,8 zu 1,1.
3. Ergebnisse verteilen. Über eine Poisson-Verteilung wird daraus die Wahrscheinlichkeit jedes einzelnen Endstands. Summiert man alle Ergebnisse mit mehr Heim- als Gasttoren, erhält man die Siegwahrscheinlichkeit.
Die Grundlage dafür ist eine Arbeit von Mark Dixon und Stuart Coles aus dem Jahr 1997. Ihr Beitrag war die Korrektur eines bekannten Fehlers: Das reine Poisson-Modell unterschätzt torarme Ergebnisse wie 0:0 und 1:1 – also genau die Unentschieden. Fast jedes ernsthafte Modell benutzt bis heute eine Variante davon.
Was moderne Verfahren hinzufügen, sind bessere Zutaten: Expected Goals statt reiner Tore, Schüsse aufs Tor, Belastung durch englische Wochen, Reisewege, Ausfälle. Und Gradient-Boosting-Verfahren wie XGBoost, die aus vielen solcher Merkmale lernen. Das verbessert die Schätzung – es ändert nichts an der Physik des Spiels.
Was die Modelle nicht sehen
Jedes Modell rechnet mit dem, was in Zahlen vorliegt. Alles andere fehlt:
| Faktor | Warum er fehlt |
|---|
| Aufstellung | Steht erst rund eine Stunde vor Anpfiff fest – die meisten Prognosen sind da längst berechnet |
| Rote Karten | Reiner Zufall aus Sicht des Modells, dreht aber ganze Spiele |
| Motivation | Ein gesicherter Tabellenplatz vor dem Pokalfinale ist nicht messbar |
| Trainerwechsel | Der neue Trainer hat keine Historie mit dieser Mannschaft |
| Interna | Streit, Krankheitswelle, Vertragspoker – nichts davon steht in einer Tabelle |
| Pfostentreffer | Ein Zentimeter entscheidet, keine Statistik der Welt sagt ihn voraus |
Genau deshalb ist die Aufstellungsmeldung eine Stunde vor Anpfiff für viele die wertvollste Information des Tages – sie schlägt jede Rechnung, die vor drei Tagen entstanden ist.
Warum die Quote so schwer zu schlagen ist
Dass die Buchmacherquoten im Wettbewerb vor allen Modellen lagen, hat einen strukturellen Grund. In einer Quote steckt nicht nur ein Modell, sondern:
- die Rechnung der Buchmacher selbst, die dieselben Verfahren einsetzen
- das Geld aller Wetter – jeder große Einsatz verschiebt die Quote und trägt Information hinein
- Informationen aus dem Umfeld der Vereine, die nie in einer öffentlichen Datenbank landen
- laufende Korrektur bis zum Anpfiff, wenn Aufstellungen und Ausfälle bekannt werden
Dazu kommt die Marge. Rechnet man die drei Quoten eines Spiels in Wahrscheinlichkeiten um, ergeben sie zusammen nicht 100, sondern meist 104 bis 107 Prozent. Diese Differenz ist der Aufschlag des Anbieters. Ein Modell muss den Markt also nicht nur treffen, sondern ihn um mehr als diesen Aufschlag schlagen, bevor überhaupt etwas übrig bleibt.
Wer also liest, ein Tool sei „dem Buchmacher überlegen“, sollte nach der Datenbasis fragen. Über wie viele Spiele? Vor oder nach Anpfiff gerechnet? Gegen welche Quote – die Eröffnungsquote oder die Schlussquote kurz vor Beginn? Ohne diese Angaben ist eine Trefferquote eine Zahl ohne Inhalt.
Eine Prognose richtig lesen
Der nützlichste Umgang mit einer Prognose ist nicht die Frage „Wer gewinnt?“, sondern der Vergleich zweier Zahlen.
Jede Quote lässt sich in eine Wahrscheinlichkeit umrechnen: 100 geteilt durch die Quote. Eine Quote von 2,00 entspricht 50 Prozent, eine Quote von 1,50 entspricht 66,7 Prozent. Jetzt vergleichst du diese Zahl mit dem, was die Prognose sagt.
| Quote | Markt sagt | Prognose sagt | Bewertung |
|---|
| 2,10 | 47,6 % | 55 % | Value – die Wette lohnt rechnerisch |
| 1,60 | 62,5 % | 55 % | Zu teuer, obwohl derselbe Tipp |
Beide Zeilen zeigen denselben Tipp mit derselben Prognose. Nur der Preis unterscheidet sich – und er entscheidet, ob die Wette sinnvoll ist. Wer das verinnerlicht hat, hört auf, nach dem sicheren Tipp zu suchen, und fängt an, auf den Preis zu achten. Mehr dazu steht in unserem Lexikoneintrag zum
Value Bet.
Und die zweite Regel: Eine Prognose ist eine Aussage über viele Spiele, nicht über das nächste. Ein Modell, das in 55 Prozent der Fälle richtig liegt, liegt in 45 Prozent falsch. Wer nach drei danebengegangenen Tipps das Vertrauen verliert, hat den Zeitraum falsch gewählt, nicht das Modell.
Häufige Fragen zu KI-Prognosen
Wie gut sind KI-Prognosen für die Bundesliga?
Die besten Modelle treffen rund 52 Prozent der Spielausgänge. Das ist der Stand aus der bislang größten wissenschaftlichen Vergleichsstudie, der Soccer Prediction Challenge 2017 mit über 216.000 Trainingsspielen aus 52 Ligen. Eine spätere Arbeit kam auf 55,8 Prozent.
Ist eine KI besser als der Buchmacher?
Nein. In derselben Studie waren die Buchmacherquoten treffsicherer als jedes eingereichte Modell: Ranked Probability Score 0,2020 gegenüber 0,2054 beim besten Teilnehmer. Die Quote enthält bereits alles, was die Modelle rechnen – plus Insiderwissen und das Geld anderer Wetter.
Warum trifft eine KI nicht 80 oder 90 Prozent?
Weil Fußball wenige Tore kennt und ein einzelnes Tor das Ergebnis dreht. Ein Abpraller, eine Rote Karte, ein Fehlpass in der Nachspielzeit – solche Ereignisse sind nicht vorhersagbar. Die Obergrenze liegt nicht am Modell, sondern am Sport.
Was bringt eine Prognose dann überhaupt?
Sie liefert Wahrscheinlichkeiten, keine Gewissheiten. Wer eine Wahrscheinlichkeit von 55 Prozent hat und dafür eine Quote von 2,10 bekommt, hat einen rechnerischen Vorteil – unabhängig davon, wie das einzelne Spiel ausgeht. Genau darum geht es beim Value.
Wie rechnet ein Prognose-Modell ein Spiel aus?
Es schätzt für beide Mannschaften eine erwartete Torzahl, meist über eine Poisson-Verteilung, und leitet daraus die Wahrscheinlichkeit jedes Endstands ab. Die Grundlage sind Angriffs- und Abwehrstärke, Heimvorteil und zunehmend Expected Goals.
Was ist der Ranked Probability Score?
Das Standardmaß für Prognosegüte im Fußball. Er misst, wie weit die vorhergesagten Wahrscheinlichkeiten vom tatsächlichen Ausgang entfernt lagen, und bestraft grobe Fehlgriffe stärker als knappe. Kleiner ist besser; gute Modelle liegen zwischen 0,19 und 0,21.
Kann man mit KI-Tipps Geld verdienen?
Nur, wenn das Modell besser ist als der Markt – und der Vorsprung größer als die Buchmachermarge. Die Forschung zeigt, dass genau das der schwierige Teil ist. Wer Prognosen nutzt, sollte sie als eine Meinung neben der Quote lesen, nicht als Gewinngarantie.
Wie oft endet ein Bundesliga-Spiel unentschieden?
In den zehn Spielzeiten von 2016/17 bis 2025/26 endeten 24,8 Prozent aller 3.060 Bundesliga-Spiele remis. Heimsiege machten 44,2 Prozent aus, Auswärtssiege 30,9 Prozent.
