What it costs to scout 90 minutes in three

„Free AI" ist eine Marketing-Linie. Vision ist nicht kostenlos. Ein 90-minütiges Spiel anschauen, den Broadcast-Feed ingestieren, Detection, Tracking, Pose, Action-Heads, Re-Identifikation laufen lassen und einen strukturierten 500-Wörter-Bericht produzieren — das kostet echte GPU-Minuten und echten Strom. Die interessante Frage ist nicht, ob es etwas kostet. Sie ist wie viel — und was das richtige Kostenziel sein sollte.

Unser Ziel ist klar: weniger als ein Kaffee pro Spiel. Nicht kostenlos. Nicht heroisch. Weniger als der Espresso, den der Scout sonst gekauft hätte.

Was in der Pipeline läuft

Ein einzelnes Spiel durchläuft sechs Stufen. Jede hat eine reale GPU-Rechnung.

• Ingest und Vorverarbeitung. Den Broadcast-Feed ziehen, in ein einheitliches 1080p / 25fps internes Format transcoden, offensichtliche Replays strippen. CPU-gebunden mit kleiner GPU-Unterstützung fürs Transcoding. Billig.
• Detection. YOLOv11 über jeden Frame. Der dominante Kostenblock auf der GPU. Mit TensorRT optimiert, aggressiv gebatcht, läuft auf einer L4 ungefähr dreifach Echtzeit.
• Tracking. ByteTrack auf den YOLO-Outputs. Größtenteils CPU, aber die Datenbewegung zählt. Wir co-lokalisieren es mit Detection, um den Round-Trip zu vermeiden.
• Pose. YOLOv8-Pose, nur auf getrackten Spielern in der aktiven Hälfte. Die inaktive Hälfte zu überspringen ist ein bedeutsamer Gewinn — sie macht rund 40% der Frames aus.
• Action- und Tactical-Heads. Ein CNN+LSTM-Stack für Action-Klassifikation, ein kleiner GNN für Formation. Billig auf der GPU, teuer im Engineering.
• Re-ID und Bericht. Siamese-Netzwerk für Spieler-Re-Identifikation über Kameraschnitte hinweg; strukturierter Prosa-Generator für den 500-Wörter-Bericht. Der Berichts-Generator ist der einzige LLM-Call in der Pipeline — klein und kurz.

Was es ehrlich kostet

Auf einer einzelnen L4-Instanz verarbeitet Vision ein 90-Minuten-Spiel end-to-end in ungefähr 25–32 GPU-Minuten, abhängig von Action-Dichte und wie viel des Frames verdeckt ist. Bei Spot-Pricing für eine L4 in unserer Default-Region landet das den Per-Match-GPU-Kostenposten irgendwo zwischen 0,20 € und 0,45 €. Plus Storage, Ingest-Egress und der LLM-Call für den Bericht — und wir sind verlässlich unter 1 € all-in.

Das liegt unter der Espresso-Schwelle. Die Kosten sind real, aber es ist die Art von real, die skaliert: das marginale Spiel ist billig, das Modell wird über die Zeit nicht teurer, und das Berichtsvolumen pro Spiel ist konstant ~500 Wörter.

Was „kostenlos" tatsächlich kosten würde

Wir könnten die Per-Match-Kosten mit drei offensichtlichen Schritten weiter drücken: Distillation, Quantisierung und aggressives Frame-Skipping. Jeder ist ein realer Hebel mit einer realen Rechnung.

• Distillation. Ein YOLO-Nano Teacher → Student bringt die Detection-Kosten um ~35% runter. Der Preis: zwei Wochen Training und ~3% Recall auf Small-Object-Cases — der Ball, wenn er teilweise von einem Verteidiger verdeckt ist, hauptsächlich. Wir werden es vermutlich tun. Wir werden nicht so tun, als wäre es kostenlos.
• Quantisierung auf INT8. Weitere ~25% Detection-Latenz weg. Vernachlässigbarer Qualitätsverlust in unserem Kalibrierungs-Set. Schon auf der Roadmap; aufgehalten dadurch, dass das YOLO-Ökosystem auf INT8 noch Edge-Cases hat, die wir nicht debuggt haben.
• Frame-Skipping. Jeden dritten Frame verarbeiten, den Rest mit einem Optical-Flow-Head interpolieren. Der größte einzelne Gewinn, auch das größte einzelne Qualitätsrisiko — ein verpasster Frame ist ein verpasster Schuss, und Schüsse sind der Grund, warum überhaupt jemand zuschaut.

Jedes davon bringt uns näher zu „einem Tee pro Spiel". Keines bringt uns zu kostenlos. Wir sind misstrauisch gegenüber jedem Anbieter, dessen Antwort auf GPU-Ökonomie eine selbstbewusste „Null" ist.

Warum das Kostenziel zählt

Das Kostenziel formt das Produkt. Bei 0,50 € pro Spiel ist Vision etwas, das Sie auf jedem Prioritäts-Ziel jede Woche laufen lassen, ohne nachzufragen. Bei 5 € pro Spiel ist Vision ein Budget-Posten, der einen Grund verlangt. Bei 50 € pro Spiel ist Vision ein Show-Case-Feature, das im Marketing existiert, aber nie eingeschaltet wird.

Wir wählen das Ziel bewusst. Das Produkt muss die Art von Sache sein, die ein Scout aus demselben Grund laufen lässt, aus dem er einen Clip öffnet — weil die Marginalkosten klein genug sind, dass Zögern kein Feature ist. Hätten wir das Kostenziel um eine Größenordnung verfehlt, wäre das Produkt anders. Der Scout würde batchen, aufschieben, queuen, triagieren. Die Pipeline-Ökonomie ist die Produkt-Ergonomie.

Was wir nicht tun werden

Wir werden die Pipeline nicht auf einer Drittanbieter-„Video-AI"-API laufen lassen und einen Aufschlag verlangen. Wir haben zwei davon in der Prototyp-Phase ausprobiert. Die Per-Match-Kosten waren das 12-fache von unseren bei niedrigerer Qualität, die Latenz das 4-fache, und der Failure-Mode bei degradierten Broadcasts war ein stilles JSON-Achselzucken. Die eigene Pipeline ist mehr Arbeit. Sie ist auch der einzige Weg, das Kostenziel zu treffen, ohne darüber zu lügen.

Unsere Zusage, solange sie erreichbar bleibt: ein Vision-Bericht zu jedem Spiel im Korpus, für weniger als einen Kaffee. Wir schreiben den Moment auf, in dem das aufhört, wahr zu sein. Bis dahin: lassen Sie mehr Vision laufen.