Os limites dos prognósticos desportivos gerados por IA

Cinco limites, e o controlo correspondente

Nenhum destes limites se corrige mudando de modelo. Decorrem dos dados disponíveis, da forma como um modelo restitui a sua saída, e da maneira como um número é lido.

Esta página não explica o que a IA faz: enumera o que a põe em falta. Para o panorama — capacidades, usos, vocabulário — ver IA e prognósticos desportivos. Para a questão de princípio, se um modelo pode prever um resultado, ver é possível prever um jogo com IA?.

Limite 1 — dados incompletos ou desatualizados

Um modelo só aprende sobre aquilo que lhe foi dado, até à data em que se deixou de lho dar.

A revisão sistemática de Galekwa e dos seus coautores, publicada em preprint em 2024, identifica a qualidade dos dados e a capacidade de generalização dos modelos como dois dos principais obstáculos de todo o campo. O problema não é teórico: uma mudança de treinador, um mercado de transferências agitado ou uma evolução regulamentar alteram o comportamento de uma equipa sem que o histórico o reflita.

O que falta com mais frequência: as competições secundárias, os dados recentes das equipas menos cobertas, e as variáveis qualitativas que ninguém se deu ao trabalho de codificar.

Limite 2 — a ausência de contexto em tempo real

As informações mais determinantes chegam muitas vezes na hora que antecede o apito inicial. Onze oficial, desistência de última hora, condições de jogo.

Um modelo treinado e executado a montante não as integra. Uma análise produzida na véspera pode, portanto, estar tecnicamente correta e já obsoleta — o que, num mercado, se vê imediatamente nas odds.

É aliás o melhor teste disponível: se o mercado se mexeu fortemente desde a produção da análise, esta ignora alguma coisa. A leitura de um movimento desse tipo é tratada em movimentos de odds antes de um prognóstico.

Limite 3 — o efeito caixa negra

Muitos modelos restituem uma saída sem o caminho que a ela conduz. Observa-se o número, nunca o raciocínio.

A consequência prática é subestimada: sem raciocínio visível, torna-se impossível avaliar a robustez de uma análise de outro modo que não pelos seus resultados — ou seja, pelo critério menos fiável que existe num acontecimento incerto.

Um modelo pode ter razão por más razões, e continuar a ter razão até ao dia em que a correlação em que se apoiava deixa de se verificar. Sem acesso ao raciocínio, esse dia não é antecipável.

Limite 4 — o excesso de confiança num número preciso

Um número exibido à décima sugere uma precisão que a estimativa não tem.

«61,7 %» e «cerca de 60 %» dizem a mesma coisa, mas não produzem o mesmo efeito. O primeiro dá a impressão de um cálculo dominado até ao último algarismo; na realidade, a incerteza da estimativa ultrapassa largamente a diferença entre as duas formulações.

O reflexo útil é retraduzir qualquer percentagem numa frequência. Uma estimativa a 62 % significa: enganar-se cerca de quatro vezes em dez. Formulada assim, apela nitidamente a menos confiança.

Um outro controlo consiste em comparar essa estimativa com a probabilidade implícita da odd de mercado equivalente, uma vez calculadas as odds justas sem a margem da casa de apostas.

Limite 5 — a alucinação de um modelo generalista

Um modelo de linguagem generalista produz texto plausível, o que não é uma análise.

Interrogado sobre um jogo, sem acesso a dados atualizados, pode enunciar com segurança um onze errado, um histórico inventado ou uma estatística inexistente. Nada na forma da resposta assinala o erro: a fluidez do texto é idêntica nos dois casos.

Dois controlos simples: verificar se os factos citados estão datados e são atribuíveis a uma fonte, e desconfiar de qualquer análise que não mencione nenhum limite.

Porque é que esta página serve de travão de segurança ao resto do cluster

Tudo o que precede vale também para uma análise humana, com uma diferença: um número produzido por uma máquina beneficia de uma presunção de objetividade que não mereceu.

É por essa razão que os pontos de referência de precisão vindos da investigação devem ser lidos com precaução. Descrevem trabalhos académicos sobre a previsão de resultados, em condições dadas, com desportos e competições precisos — não uma taxa de acerto transponível para uma aposta.

O que estes limites permitem concluir — e o que não autorizam

Três níveis que nunca devem ser confundidos.

• O que permitem fazer — interrogar uma ferramenta sobre os seus dados, a sua atualidade e a sua saída exata, em vez de sobre os resultados que exibe.
• O que permitem estimar — o grau de confiança razoável a atribuir a um dado número.
• O que nunca permitem concluir — nem que a IA é inútil, nem que um modelo bem construído acaba por prever um jogo. As duas conclusões são falsas pela mesma razão: a incerteza está no desporto, não na ferramenta.

Porque é que estimar não é prever →

Voltar ao guia IA e prognósticos desportivos →

Explore o mercado

Os movimentos de odds são apenas parte da história. Veja os próximos temas para ler.

Perguntas frequentes

Fontes e metodologia