El Analista Que Buscaba Buenas Inversiones
Jayden Butts pasó parte de 2023 construyendo en DraftKings un modelo que clasificaba a los apostantes como un banco clasifica a un solicitante de crédito, salvo que el rasgo que buscaba era perder dinero de forma continua. El modelo combinaba la frecuencia de juego, el saldo de la cuenta y la proporción entre pérdidas y apuestas en un solo número, y predecía cuánto más apostaría un cliente tras recibir una oferta promocional. Internamente llamaban a esta métrica elasticidad.
"Buscamos rasgos y características que indiquen una buena inversión", dijo Butts al New York Times, cuya investigación se basó en más de 40 extrabajadores, memorandos internos, mensajes de Slack y registros de apuestas. Otro extrabajador, sin identificar, resumió la lógica de forma más directa: la mejor inversión sería un ludópata.
El Detector Que Nunca Recibió La Misma Atención
DraftKings también construyó un segundo modelo, pensado para identificar a clientes con señales de ludopatía antes de que perdieran dinero que la empresa no debía retener de forma ética. Cuatro extrabajadores dijeron al Times que ese detector quedó paralizado o fue desactivado, mientras el modelo de elasticidad seguía perfeccionándose hasta 2025.
DraftKings rechaza esta versión. La empresa afirmó que sus promociones se dirigen a "clientes que muestran un uso sostenido y comprometido de nuestra plataforma, no a clientes según sus pérdidas". No ha negado que ambos modelos existieran.
Dos Señales, Un Solo Presupuesto
DraftKings operaba dos modelos de IA con objetivos opuestos, y solo uno de ellos competía por ingresos. Un modelo que encuentra a clientes a punto de perder dinero que la empresa no debería seguir persiguiendo no genera una cifra visible en el balance cuando funciona, porque el éxito aquí significa ingresos no cobrados. Un modelo que encuentra quién apostará más tras una promoción se refleja directamente en el margen de las apuestas. Cuando un equipo de ingeniería debe decidir qué modelo recibe el siguiente ciclo de desarrollo, el modelo ligado a ingresos gana por defecto, salvo que alguien con autoridad decida, de forma explícita, financiar igualmente al otro.
DraftKings atribuyó parte de una mejora del 13 por ciento en los márgenes de las apuestas promocionales en 2025 a este trabajo de segmentación. El detector de ludopatía nunca tuvo una cifra equivalente, porque no existe una métrica que premie no ganar dinero con un cliente.
Massachusetts Ya Lo Sabía
El estado no descubrió este vacío cuando el Times pidió declaraciones. La Comisión de Juego de Massachusetts había encargado un estudio al International Gaming Institute de la UNLV, publicado en noviembre de 2025, que identificó un vacío de supervisión entre lo que ya podían hacer las herramientas de IA en el marketing de apuestas y lo que cubrían las normas vigentes de la comisión. Ese estudio dio lugar a un grupo de trabajo sobre IA dentro de la comisión, encargado precisamente de vigilar este tipo de prácticas.
Ese grupo de trabajo permaneció inactivo hasta que el Times publicó su reportaje. El jueves, el presidente Jordan Maynard dijo que la comisión comparte "la preocupación" por la rapidez de estas tecnologías, y el comisionado Paul Brodeur calificó el informe de preocupante, señalando que Massachusetts es uno de los pocos estados cuyas normas de juego mencionan siquiera la IA. El director ejecutivo Dean Serpa recibió ahora la orden de dialogar directamente con DraftKings, y la revisión se ampliará a cada casa de apuestas con licencia en el estado, no solo a DraftKings.
Qué Significa Esto Si Usted Gestiona Dos Modelos Así
Nada de esto necesita mala intención para explicarse. Un modelo ligado a ingresos recibirá más recursos que un modelo de prevención de daños, a menos que alguien con autoridad decida, de forma explícita y continuada, financiar el segundo con la misma prioridad que el primero. Esa decisión no ocurre por defecto, y una empresa que la omite termina exactamente donde terminó DraftKings: con un sistema funcional para la mitad rentable del problema y otro inactivo para la otra mitad.
Lo mismo aplica al lado del regulador en esta historia. Encargar un estudio que nombra un vacío de supervisión no equivale a cerrarlo; Massachusetts tuvo su propio diagnóstico diez meses antes de actuar. En Europa, un sistema de puntuación comparable, que clasificara a personas por riesgo financiero, entraría en la categoría de alto riesgo del Reglamento de IA de la Unión Europea, con supervisión humana obligatoria desde el principio y no añadida después de que un periódico pregunte. Construir el detector, o encargar el estudio, es la parte fácil. Darle, a propósito, un presupuesto y una fecha límite es la parte que de verdad exigía una decisión.
Leer a continuación: Un plazo incumplido rompió dos promesas de Apple | El estudio de EVE Online ficha a una exministra para su programa de IA
