O Analista Que Procurava Bons Investimentos
Em 2023, Jayden Butts construiu na DraftKings um modelo que classificava apostadores da forma como um banco classifica um candidato a crédito, com a diferença de que a característica procurada era a perda contínua. O modelo combinava a frequência de jogo, o saldo da conta e o rácio entre perdas e apostas num único número, e previa quanto mais um cliente apostaria depois de uma oferta promocional. Internamente, esta métrica chamava-se elasticidade.
"Procuramos características e traços que indiquem um bom investimento", disse Butts ao New York Times, cuja investigação assenta em mais de 40 ex-funcionários, memorandos internos, mensagens de Slack e registos de apostas. Outro ex-funcionário, sem identificação, resumiu a lógica de forma mais direta: o melhor investimento seria um jogador com dependência do jogo.
O Detetor Que Nunca Teve A Mesma Atenção
A DraftKings construiu também um segundo modelo, pensado para identificar clientes com sinais de dependência do jogo antes de perderem dinheiro que a empresa, eticamente, não devia continuar a reter. Quatro ex-funcionários disseram ao Times que este detetor ficou parado ou foi desligado, enquanto o modelo de elasticidade continuava a ser aperfeiçoado até 2025.
A DraftKings contesta esta leitura. A empresa afirmou que as promoções se destinam a "clientes que demonstram um uso constante e envolvido da nossa plataforma, não a clientes com base nas suas perdas". Não negou que ambos os modelos existissem.
Dois Sinais, Um Só Orçamento
A DraftKings operava dois modelos de IA com objetivos opostos, e apenas um deles competia por receita. Um modelo que encontra clientes prestes a perder dinheiro que a empresa não devia continuar a perseguir não produz, se funcionar, nenhum número visível no balanço, porque o sucesso aqui significa receita não cobrada. Um modelo que descobre quem apostará mais depois de uma promoção reflete-se diretamente na margem das apostas. Quando uma equipa de engenharia tem de escolher qual modelo recebe o próximo ciclo de desenvolvimento, o modelo ligado à receita ganha por defeito, a menos que alguém com autoridade decida, de forma explícita, financiar o outro na mesma.
A DraftKings atribuiu parte de uma melhoria de 13 por cento nas margens de apostas ligadas a promoções em 2025 a este trabalho de segmentação. O detetor de dependência do jogo nunca teve um número equivalente, porque não existe uma métrica que premeie não ganhar dinheiro com um cliente.
O Massachusetts Já Sabia
O estado não descobriu esta lacuna quando o Times pediu um comentário. A Massachusetts Gaming Commission tinha encomendado um estudo ao International Gaming Institute da UNLV, publicado em novembro de 2025, que identificava uma lacuna de supervisão entre aquilo que as ferramentas de IA no marketing de apostas já conseguiam fazer e aquilo que as regras existentes da comissão cobriam. Esse estudo levou à criação de um grupo de trabalho sobre IA dentro da comissão, encarregado precisamente de vigiar este tipo de prática.
Esse grupo de trabalho esteve parado até o Times publicar a sua investigação. Na quinta-feira, o presidente Jordan Maynard disse que a comissão partilha "a preocupação" com a rapidez destas tecnologias, e o comissário Paul Brodeur classificou o relatório como preocupante, notando que o Massachusetts é um dos poucos estados cujas regras de jogo sequer mencionam a IA. Ao diretor executivo Dean Serpa foi agora pedido que dialogasse diretamente com a DraftKings, e a revisão será alargada a cada casa de apostas licenciada no estado, não apenas à DraftKings.
O Que Isto Significa Se Gere Dois Modelos Assim
Nada disto exige má intenção para se explicar. Um modelo ligado à receita recebe mais recursos do que um modelo de prevenção de danos, a menos que alguém com autoridade decida, de forma explícita e contínua, financiar o segundo com a mesma prioridade do primeiro. Essa decisão não acontece por defeito, e uma empresa que a salta acaba exatamente onde a DraftKings acabou: com um sistema a funcionar para a metade rentável do problema e outro parado para a outra metade.
O mesmo se aplica ao lado do regulador nesta história. Encomendar um estudo que nomeia uma lacuna de supervisão não é o mesmo que a fechar; o Massachusetts teve o seu próprio diagnóstico dez meses antes de agir sobre ele. Na Europa, um sistema de pontuação comparável, que classificasse pessoas por risco financeiro, entraria na categoria de alto risco do Regulamento de IA da União Europeia, com supervisão humana obrigatória desde o início, em vez de acrescentada depois de um jornal perguntar. Construir o detetor, ou encomendar o estudo, é a parte fácil. Dar-lhe, de propósito, um orçamento e um prazo é a parte que realmente exigia uma decisão.
Leia a seguir: Um prazo falhado quebrou duas promessas da Apple | O estúdio de EVE Online contratou uma ex-ministra para liderar o seu programa de IA
