Analytikern Som Letade Efter Bra Investeringar

Under 2023 byggde Jayden Butts en modell hos DraftKings som rankade spelare ungefär som en bank rankar en låneansökan, förutom att egenskapen modellen sökte efter var fortsatt förlust. Modellen kombinerade spelfrekvens, kontosaldo och förhållandet mellan förlust och insats till ett enda tal och förutspådde hur mycket mer en kund skulle satsa efter ett kampanjerbjudande. Internt kallades måttet elasticitet.

"Vi letar efter drag och egenskaper som pekar på en bra investering", sa Butts till New York Times, vars granskning bygger på över 40 tidigare anställda, interna anteckningar, Slack-meddelanden och speldata. En annan, icke namngiven tidigare anställd sammanfattade logiken mer rakt på sak: den bästa investeringen skulle vara en spelmissbrukare.

Detektorn Som Aldrig Fick Samma Uppmärksamhet

DraftKings byggde också en andra modell, tänkt att upptäcka kunder med tecken på spelberoende innan de förlorade pengar som bolaget etiskt inte borde ha behållit. Fyra tidigare anställda sa till Times att den detektorn stannade av eller stängdes ner, medan elasticitetsmodellen fortsatte att finslipas fram till 2025.

DraftKings bestrider den här beskrivningen. Bolaget säger att kampanjer riktas till "kunder som visar uthålligt, engagerat bruk av vår plattform, inte kunder utifrån deras förluster". Bolaget har inte förnekat att båda modellerna fanns.

Två Signaler, En Budget

DraftKings körde två AI-modeller med motsatta mål, och bara en av dem konkurrerade om intäkter. En modell som hittar kunder på väg att förlora pengar som bolaget inte borde fortsätta jaga ger, om den fungerar, ingen synlig siffra i redovisningen, eftersom framgång här betyder intäkter som aldrig hämtas hem. En modell som hittar vem som kommer satsa mer efter en kampanj syns direkt i vadslagningsmarginalen. När ett utvecklingsteam måste välja vilken modell som får nästa sprint vinner den intäktsbundna modellen som standard, om inte någon med befogenhet uttryckligen beslutar att finansiera den andra ändå.

DraftKings tillskrev en del av en förbättring på 13 procent i kampanjbundna vadslagningsmarginaler 2025 till detta riktade arbete. Detektorn för spelberoende hade aldrig en motsvarande siffra, eftersom det inte finns något mått som belönar att inte tjäna pengar på en kund.

Massachusetts Visste Redan

Delstaten upptäckte inte det här glappet när Times bad om en kommentar. Massachusetts Gaming Commission hade beställt en studie från UNLV:s International Gaming Institute, publicerad i november 2025, som pekade ut ett tillsynsglapp mellan vad AI-verktyg inom vadslagningsmarknadsföring redan kunde göra och vad kommissionens befintliga regler täckte. Studien ledde till en AI-arbetsgrupp inom kommissionen, med uppdraget att just bevaka den här typen av praxis.

Den arbetsgruppen låg still tills Times publicerade sin granskning. På torsdagen sa ordförande Jordan Maynard att kommissionen delar "oron" över hur snabbt de här teknikerna rör sig, och kommissionär Paul Brodeur kallade rapporten oroande och noterade att Massachusetts är en av de få delstater vars spelregler överhuvudtaget nämner AI. Verkställande direktör Dean Serpa har nu fått i uppdrag att gå direkt i dialog med DraftKings, och granskningen utökas till varje licensierat vadslagningsbolag i delstaten, inte bara DraftKings.

Vad Det Betyder Om Du Kör Två Sådana Modeller

Inget av detta kräver ont uppsåt för att förklaras. En modell kopplad till intäkter kommer att få mer resurser än en modell för skadeförebyggande, om inte någon med befogenhet uttryckligen och löpande beslutar att finansiera den andra med samma prioritet som den första. Det beslutet sker inte av sig självt, och ett bolag som hoppar över det hamnar precis där DraftKings hamnade: med ett fungerande system för den lönsamma halvan av problemet och ett stillastående för den andra halvan.

Samma sak gäller tillsynsmyndighetens sida av historien. Att beställa en studie som namnger ett tillsynsglapp är inte samma sak som att täppa till det; Massachusetts hade sin egen diagnos tio månader innan man agerade på den. I Europa skulle ett jämförbart poängsystem, som rangordnar människor efter finansiell risk, falla in under EU:s AI-förordnings högriskkategori, med obligatorisk mänsklig tillsyn från start i stället för tillagd efter att en tidning ställer en fråga. Att bygga detektorn, eller beställa studien, är den enkla delen. Att medvetet ge den en budget och en deadline är delen som faktiskt krävde ett beslut.

Läs vidare: Ett missat datum bröt två av Apples löften  |  EVE Online-studion anställer exminister för sitt AI-program