Os limites dos prognósticos desportivos gerados por IA

Cinco limites, um controlo para cada um

Mudar de modelo não resolve nenhum destes limites. Decorrem dos dados que existem, da forma como o modelo mostra a sua saída e da maneira como lês um número.

Esta página enumera onde a IA falha. O que ela faz bem está em IA e prognósticos desportivos. Se um modelo pode prever um resultado, responde-lhe é possível prever um jogo com IA?.

Limite 1: dados incompletos ou desatualizados

Um modelo só conhece o que lhe deram, e só até à data em que deixaram de lho dar. A revisão sistemática de Galekwa e coautores, publicada em preprint em 2024, aponta a qualidade dos dados e a capacidade de generalização como dois dos grandes obstáculos do campo. Não é um problema teórico. Uma mudança de treinador, um mercado de transferências agitado ou uma alteração ao regulamento mudam uma equipa, e o histórico não dá por isso.

Faltam com mais frequência as competições secundárias, os dados recentes das equipas menos cobertas e as variáveis qualitativas que ninguém codificou.

Limite 2: sem contexto em tempo real

A informação mais decisiva chega muitas vezes na hora antes do apito inicial. Onze oficial, desistência de última hora, estado do relvado.

Um modelo treinado e executado antes não a conhece. Uma análise da véspera pode estar bem calculada e já velha, e num mercado isso vê-se logo nas odds.

É, aliás, o melhor teste que tens. Se o mercado se mexeu muito desde que a análise foi produzida, à análise escapa-lhe alguma coisa. Como ler um movimento destes está em movimentos de odds antes de um prognóstico.

Limite 3: o efeito caixa negra

Muitos modelos dão uma saída sem mostrar o caminho. Vês o número, nunca o raciocínio.

Sem raciocínio visível, só te resta um critério para julgar uma análise: os seus resultados. Num acontecimento incerto, é o critério menos fiável que existe. Um modelo pode ter razão pelos motivos errados. Continua a tê-la até ao dia em que a correlação em que assentava deixa de se verificar. Sem acesso ao raciocínio, esse dia não o vês chegar. Das cinco, é desta que eu mais desconfio, porque não dá sinal nenhum antes de falhar.

Limite 4: o número preciso que dá demasiada confiança

Um número com casas decimais sugere uma precisão que a estimativa não tem. «61,7 %» e «cerca de 60 %» dizem a mesma coisa, mas não causam o mesmo efeito. O primeiro parece fruto de um cálculo controlado até ao último algarismo. A incerteza da estimativa ultrapassa de longe a diferença entre os dois.

Convém reconduzir qualquer percentagem a uma frequência. Uma estimativa de 62 % significa enganar-se cerca de quatro vezes em dez. Dito assim, inspira bem menos confiança.

Com os 62 % da tabela, basta convertê-los em «quatro em dez correm mal» para o número deixar de impressionar.

Há ainda outro controlo. Compara essa estimativa com a probabilidade implícita da odd de mercado equivalente, depois de 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, e isso não é uma análise. Pergunta-lhe por um jogo sem lhe dares dados atualizados e ele pode afirmar, muito seguro, um onze errado, um histórico inventado ou uma estatística que não existe. Nada na forma da resposta denuncia o erro, porque o texto corre igualmente bem nos dois casos.

Dois controlos simples: verifica se os factos citados têm data e fonte, e desconfia de qualquer análise que não mencione nenhum limite.

Porque é que esta página serve de contrapeso

Tudo isto vale também para uma análise humana. A diferença é que um número produzido por uma máquina goza de uma presunção de objetividade que não mereceu. Por isso, os valores de precisão vindos da investigação devem ler-se com cautela. Descrevem trabalhos académicos sobre a previsão de resultados, em condições concretas e com desportos e competições concretos.

Não são uma taxa de acerto que possas transpor para uma aposta.

O que podes concluir destes limites

Os cinco limites funcionam como uma lista de verificação. Com ela podes perguntar a uma ferramenta pelos seus dados, pela sua atualidade e pela sua saída exata, em vez de pelos resultados que exibe. E podes avaliar quanta confiança merece um número concreto.

Há duas conclusões que não podes tirar daqui. Uma: que a IA é inútil. Outra: que um modelo bem construído acaba por prever um jogo. Ambas falham pelo mesmo motivo. A incerteza está no desporto, não na ferramenta.

Porque é que estimar não é prever →

Voltar ao guia IA e prognósticos desportivos →

Pôr em prática

Aplique este guia a odds reais.

Explore o mercado

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

Perguntas frequentes

Fontes e metodologia