スポーツアナリティクスは民主化できるか――AI時代に人間が担う役割とは？

公開日：2026.10.22 最終更新日：2026.10.22

藤井慶輔教授

FUJII Keisuke

名古屋大学情報基盤センターデータサイエンス研究部門
大学院情報学研究科知能システム学専攻
時空間エージェント学習研究室
専門：マルチエージェント／機械学習／スポーツ科学

生成AIをはじめとする人工知能技術が社会に浸透してきている。スポーツの現場でも、データやAIを活用した分析が広がっている。一方、質の高いデータや映像、専門人材をそろえられるチームは限られる。AI時代、人間が担う役割とは何か。2026年5月に『AI時代のスポーツアナリティクス』（東京大学出版会）を出版した名古屋大学の藤井慶輔教授に話を聞いた。

スポーツアナリティクスもAI時代へ

――『AI時代のスポーツアナリティクス』（東京大学出版会）を出版されました。どのような背景から、この本を執筆されたのでしょうか。

主な読者として想定しているのは、スポーツ領域でデータを扱いたいと考えている学部3・4年生です。大学院生や大学の先生方にも読んでいただきたいですね。というのも、現状では、AI・データサイエンスの領域とスポーツの領域をつなごうとする研究者は、まだそれほど多くありません。両方の分野を横断して取り組む人材が、これからもっと増えてほしいと思い、この本を執筆しました。

また、対象はアカデミアだけではありません。スポーツの現場で実務としてデータ分析に取り組んでいる方にも手に取ってもらえたらと思っています。最近は、アナリストというポジションを置くチームも増えてきました。一方で、次々と新しい技術が登場するなか、生成AIなどを使って個別の知識を得ることはできても、それらを体系的に理解するのは簡単ではありません。

そこで、スポーツアナリティクスの全体像を捉えるための手助けになればと思い、執筆したという背景もあります。

――書籍のタイトルは『AI時代のスポーツアナリティクス』ですが、AI時代を迎える以前、藤井先生は大学のバスケットボール部でコーチをされていたんですよね。

大学院時代ですね。2009年から2014年なので、まったくAI時代ではありません。当時は、研究でもコーチ業務でもAIは使っていませんでした。

大学のバスケットボール部でコーチをしていたときは、試合の映像を見て編集し、それを部員に伝えるということをやっていました。ただ、映像を見て編集するだけで手いっぱいになってしまう。「この作業は何とかならないか」と思っていました。

博士課程では、反射マーカーを使ったモーションキャプチャーによって、バスケットボールの1対1、とくに守備の適応的な動作について研究していました。博士課程を終えた後は、5対5へと対象を広げ、少しずつリアルな集団スポーツへと研究を移していきました。集団スポーツになると、選手同士の相互作用を扱う必要が出てきます。

ちょうど2010年代半ばは、AIの基盤技術である深層学習が高い性能を示し始め、研究分野として注目されるようになった時期でもありました。そうしたタイミングで、理化学研究所の研究員になる機会をいただいたこともあり、私自身も機械学習などをスポーツ研究に取り入れていくようになりました。

――そして2022年末頃から生成AIが広く使われるようになり、スポーツアナリティクスも本格的なAI時代に入ったといえます。機器の進歩などによって取得できるデータの量が増えたことも大きいでしょうか。

量が増えたこともありますし、扱えるデータの種類が増えてきたことも大きいですね。ただ、データの量が増えたこと自体は、ここ数年に限った話ではありません。「ビッグデータをどう活用するか」という議論は、深層学習が注目され始めた10年以上前からすでにありました。

ここ最近、大きく変わってきたと感じるのは、生成AIに代表されるように、これまで難しかった出力が容易になってきたことです。これは非常に大きいと思います。プログラミングも以前より簡単になってきました。

もちろん、AIが出してくるものが満点というわけではありません。人間が検証する必要はあります。ただ、ある程度のものをAIが出してくれるようになったことで、これまで専門的な知識や技術が必要だった作業にも、より多くの人が取り組めるようになってきました。

AIは魔法ではない
質の高いデータや専門知が必要

――AIを使うことで、誰もがスポーツアナリティクスに取り組める可能性が広がっています。一方、本書では、AIは万能ではなく、「魔法でもない」ということが繰り返し述べられています。

そこは、確実に伝えていかなければならないと思っています。もちろん、現場でAIやデータ分析に取り組んでいる方は理解されていると思います。しかし、SNSなどでAI活用の事例が切り取られて拡散されることも多く、それを見て「AIなら何でもできる」と受け取ってしまう人も少なくありません。

理想を言えば、AIが出してくれたものを、そのまま使えればありがたい。しかし、そんなに甘い話はほとんどありません。AIが出した結果を、そのまま受け入れるのではなく、冷静に見極める必要があります。

特に対戦型のスポーツでは、「その時点で100点の動き」を続けていれば、必ず試合を有利に進められるわけではありません。相手がいるからです。相手もこちらの動きを見て、対策をしてきます。そのため、AIから得られたアウトプットも、相手との相互作用を含めた状況のなかで捉え、見極めていく必要があります。

――本書では、スポーツアナリティクスを実践する際の具体的な手順だけでなく、そこで直面する難しさについても詳しく書かれています。例えば、データを取得・活用する際には、GPSのデータやカメラで撮影した映像など、異なる種類のデータを統合して扱う難しさがあるとされています。実際の現場では、こうした問題が大きな壁になるのでしょうか。

GPSのデータやカメラの映像は、さまざまなチームですでに使われていて、それぞれある程度は活用できていると思います。ただ、それらを組み合わせて使おうとすると難しくなります。

少し専門的になりますが、パスやシュートといった「離散的な出来事」を表すイベントデータに、選手の位置を示すトラッキングデータを組み合わせ、チームに必要な情報をすぐに取り出すだけでも多くの人にとっては簡単ではありません。さらに、GPSの場合は基本的に自チームの選手の位置しかわからないので、相手選手やボールの位置まで考慮しようとすると、一段と難しくなります。

そうなると、チームのなかに専門的な人材がいなければ、複数のデータを統合して活用するのは簡単ではありません。これは研究レベルでも初期に時間が掛かってしまう課題になっています。だからこそ、こうした問題を一つずつクリアしながら、できるだけ多くの人がスポーツアナリティクスを使えるようにしていきたい。今回、本を出版したのも、そうした思いがあるからです。

――テクノロジーの進化によって扱えるデータが増える一方、専門的な人材がなかなか増えていかない背景には、数学的な考え方などが求められることも関係しているのでしょうか。

そうですね。例えば、Excelでデータを集計し、すでにある指標を使って整理するというところまでは、多くの人が取り組めているように感じます。

ただ、個々のチームや状況、競技に合わせて特化した指標をつくろうとすると、どうしても数学の知識が必要になる部分があります。また、データを整理・処理するためにはプログラミングのスキルも必要になります。それに加えて、最新の研究や技術をキャッチアップするためには、英語力も欠かせないと思います。

――AI時代を迎え、スポーツアナリティクスに求められるレベルも、ますます高度になっているのでしょうか。

AIの分野は進歩がとても速いので、それについていくこと自体が大変です。使う側としては、実際に使いながら慣れていくこともできると思いますが、AIを「つくる側」になると、さらに難しくなります。

また、スポーツの現場では、そもそもデータを取得する環境が十分に整っていない場合も少なくありません。すでにデータとして存在しているものだけでなく、実は取得できていないデータがあることも含めて考えなければならない。そう考えると、「データからこう言える」と結論を出すときには、かなり慎重でなければいけないと思いますし、高度なスキルと知識が求められます。

――取得できていないデータというと、例えばどのようなものがありますか。

コンピュータビジョンの文脈でいえば、例えば雪が降っているといった気候などの要因です。また、アマチュアではプロのように芝生が整備された環境とは限らない、といった環境面で、データが正確に取れない場合があります。ピッチのラインをカメラで撮影しても、対象の選手やボールがうまく映っていないこともあります。そういった環境の違いは、データを取得する上で難しい問題です。さらに選手の意図やチームの狙いなど、データにない情報もあります。

データから得られる指標は一つの参考
さまざまな要因を重ねて状況を捉える

――本書では、AI時代には、「記録して振り返る」段階から「状況を理解して先を見通す」段階へ移っていくと書かれています。AI時代のスポーツアナリティクスで求められる「予測」は、今後ますます可能になっていくのでしょうか。

少しずつできるようになっていくと思います。ただ、気をつけなければならないのは、「勝利予測」のようなものです。対戦型のスポーツで、勝敗を100％予測できるかというと、そうではありません。現実的には難しいと思います。

例えば、サッカーには「ゴール期待値（xG）」という指標があります。過去の膨大なシュートデータをもとに、そのシュートが得点につながる確率を0から1、つまり0％から100％の数値で表したものです。ただ、ゴール期待値が高ければ、それだけで「良い」と判断できるわけではありません。良い局面でシュートを打てていたとしても、シュートを打った選手の技術などによって結果は変わります。ゴールキーパーの好セーブやミスもありますし、もちろん運の要素もある。一つのシュートにも、実はさまざまな情報が隠れています。

だからこそ、ゴール期待値という一つの指標を手がかりに、チームの課題を見つけたり、その先の予測につなげたりする。そういった使い方が重要なのだと思います。

――本書では、選手の「姿勢推定」についても触れられています。シュートを打った瞬間の選手の姿勢なども、データとして捉えられるわけですね。

選手の姿勢を分析する研究は、最近注目されている分野の一つです。例えば、シュートを打つときの姿勢によって、ゴール期待値がどの程度変わるのか、といった研究があります。ただ、姿勢に関するデータは、まだ十分に活用されていません。サッカーやバスケットボールでも少しずつデータが取得され始めていますが、まだ使いこなせていないのが現状です。

例えば、バスケットボールのフリースローやサッカーのPKであれば、ある程度フォームをそろえて比較できます。しかし、集団スポーツでは、攻撃側も守備側も常に動いています。そのため、「きれいなフォームだから得点しやすい」と単純には言えません。

スーパースターであれば、体勢を崩しながらでもシュートを決めてしまうことがあります。そうしたケースまで含めて考えると、姿勢のデータから一般的な法則を見つけるのは簡単ではないのです。そこが、姿勢推定をスポーツに応用する難しさだと思います。今後さらに研究が進んでいくことが期待されています。

バスケットボールのイメージ — LITA IMAGES / PIXTA(ピクスタ)

――例えば、レブロン・ジェームズのシュートや、リオネル・メッシのトラップのような、いわば「職人芸」ともいえる技術を、どこまでデータとして捉えられるのか。あるいは、他の選手が参考にできる形に落とし込めるのか、という問題もありそうです。

そうですね。そこには、筋力や身体能力、状況判断の能力など、個人が持っているさまざまな要素が関係していると思います。そうした個人の質やスキルがあって初めて実行できるプレーもある。それらをどこまでデータとして捉えられるのか。そこは、スポーツアナリティクスにとって、まだ難しいところだと思います。

スポーツアナリティクスを
実際の現場で運用していくには？

――実際のスポーツ現場でアナリティクスを進めるには、どのような視点が大切なのでしょうか。

まずは自分たちのチームが持っているリソースを見極め、その範囲でできることから少しずつ取り組んでいくのが大切だと思います。

先ほども話したように、同じ試合映像でも、Jリーグのプロチームが扱うような高品質な映像と、アマチュアのチームが撮影した映像では大きく違います。ピッチのラインがきちんと映っているか、カメラの位置や高さはどうか。そして、取得したデータを分析できる人材がいるかどうか。

大学のチームであれば、学生がある意味ボランティアのような形で分析に関わることもできます。一方、プロチームでは専門人材を雇用する必要があり、その人材を確保すること自体が難しい場合もあります。

撮影した映像をAIに入力して分析することは、これからますます可能になっていくでしょう。ただ、その結果を見て、データとして捉えられていない側面も含め、自分たちのチームの文脈に照らして判断するには、AIやデータサイエンスの知識・スキルを持った人が必要です。

――データを見て「判断する」という点では、プロチームなどではデータを分析する人がいて、その情報を監督やコーチに伝え、最終的な意思決定は監督が行うという分業も多いと思います。「データを扱う人」と「それをもとに意思決定する人」は分けたほうがいいのでしょうか。

そこは難しい問題ですね。そうした分業の体制を整えられるのであれば、役割を分担するのがいいと思います。責任の所在という意味でも、そのほうが明確になります。

ただ、データを扱える人材を見つけてきたり、報酬を支払ってチームに加えたりすることが難しいケースも多いでしょう。そうした場合には、意思決定に近い立場の人が、実際にデータを触りながら活用していくことも必要だと思います。

生成AIが登場し、プログラミングをしなくても一定の分析ができるようになってきました。そうした環境が整うことで、これからは意思決定をする側の人も、より直接的にデータを扱うようになっていくのではないでしょうか。

――誰もがデータを扱えるようになることには大きなメリットがある一方で、データを入力すると、ある程度もっともらしいアウトプットが出てくるため、その結果を無条件に信じてしまう危険性もあります。

そこも、かなり難しい問題だと思います。大学院で研究をしていると、先行研究や文献を「本当にそうなのか」と疑いながら読むことが求められます。先行研究でそう言われていても、実際に検証してみると違っていた、ということもあります。

疑いながら読み、自分でもいろいろ調べ、実際に検証してみる。そして、出てきた結果が本当に正しいのか、もう一度考える。そうしたトレーニングが大切なのですが、そのような経験を積んでいる人は、日本の人口全体から見れば、まだかなり限られていると思います。

一方で、これからは人間よりも優れたアウトプットをAIが出してくる場面も増えていくでしょう。そうなると、求められるスキルそのものも変わっていくのだと思います。ただ、最終的には、その結果をどう受け止め、どう意思決定するのかは人間が担わなければならない。意思を持って決めることと、その決定には責任が伴うことを認識しておく必要があります。

――スポーツ業界でも、データを扱える人材はまだ不足していて、今後ますます求められていくと思います。そうした人材を増やしていくには、どうすればよいのでしょうか。

最近は、情報・データサイエンス系の学部も増えてきています。まずは、そこに入学した学生たちに、上記のようなスキルを身につけてもらうことが大切だと考えています。

スポーツ業界のデータサイエンスが注目されるのは少し遅いですが、これから他の領域でもデータを活用できる領域がますます増えていくことは間違いありません。だからこそ、データサイエンスの素養を身につけることは、さまざまな分野で役立つはずです。

そして、本の最後にも書きましたが、この分野に大きなインパクトを与える鍵になるのは、「実世界のデータとデジタルモデルの統合」だと考えています。

ゲームの世界でAIが強いのは、ゲーム内の世界と、それを表現するデジタルの世界が一致しているからです。一方、スポーツが難しいのは、現実の世界と、それをデータとして表現するデジタルの世界との間に、どうしても乖離があるからです。

だからこそ、その距離をできるだけ縮めていく必要があります。実世界とデジタルモデルの距離が縮まらなければ、多くの人が利用できる、民主化されたスポーツアナリティクスにはなかなか到達できません。これは、学術的にも重要な課題です。現状では、すべてをAIに任せるのは難しく、人間による解釈がまだまだ必要です。そのため、物理空間とデジタル空間のギャップを埋められる人がどんどん出てくるといいなと思っています。

データで見る面白さは
これまで評価されなかった価値が見えてくること

――数学やプログラミングなど、AI・データサイエンスを学ぶ過程には、つまずく場面も多くあると思います。それを自ら乗り越えていける気持ちも大切ですよね。藤井先生がデータを通してスポーツを見るなかで、「面白い」「楽しい」と感じるのは、どんな瞬間でしょうか。

一番面白いのは、これまで使われてきた指標ではあまり評価されていなかった選手のすごさを、新しい視点で見ることで、きちんと表現できるようになることですね。データで見ることで、これまでとは違う視点を得られる。そこがスポーツアナリティクスの醍醐味だと思います。ただ、データばかり見ていると、逆にデータに表れない要因が見えなくなってしまうこともあります。そのため、データだけに頼らないことも大切です。

それから、「当たり前のこと」を捉えるのも、実は重要だと思っています。ここでいう「当たり前」というのは、その人自身にとって当たり前という、主観的なものです。しかし、その人にとっては当たり前でも、ほかの人にとっては当たり前ではないことがあります。だからこそ、データとしてきちんと表現してみることで、本人以外の人にとって新しい発見になることもあります。

――本書には、実際に手を動かしながらスポーツアナリティクスを学べる章もあります。

スポーツアナリティクスは、実際にやってみないとわからないことも多いと思います。最近では、コードそのものは生成AIに書いてもらえるようになってきましたが、AIが出してきた結果を見て、「この数字は何なのか」「本当にこれでいいのか」と判断するには、やはり経験が必要です。

そのためには、コードを読めて、その処理が何をしているのかを理解できなければいけません。本の中では、オープンソースの分析プラットフォーム「OpenSTARLab」を使って、具体的なコードを使いながら実践できるようにしていますので、まずは手を動かしながら理解してみてほしいですね。

ぜひ、楽しみながら挑戦してほしいと思っています。実際にやってみて「面白い」と感じられたら、きっとこの分野に向いていると思います。

――最後に、情報・データサイエンス系の学びに興味を持っている高校生にメッセージをお願いします。

今の時代、AIが何でもやってしまって、自分たちがやることはなくなってしまうのではないか、と感じてしまうこともあるかもしれません。

しかし、データに表れていないものも含めて、最終的に何を実現したいのか、どう判断するのかを担うのは人間です。これからも人間にしかできないことは、まだまだたくさんあります。そうしたことを考えながら、AIやデータと向き合っていくのは、とても知的で面白い作業だと思います。ぜひ、自分で手を動かしながら、その面白さを見つけてください。

【プロフィール】

藤井慶輔
名古屋大学情報基盤センター／大学院情報学研究科教授

1986年生まれ。京都大学大学院人間・環境学研究科博士後期課程修了。博士（人間・環境学）。理化学研究所革新知能統合研究センターの研究員、名古屋大学大学院情報学研究科助教などを経て、2026年10月から現職。25年4月、文部科学大臣表彰若手科学者賞を受賞。スポーツ科学と人工知能（機械学習）の融合などを研究している。著書に『AI時代のスポーツアナリティクス』（東京大学出版会）。