Qué hacía el modelo
DraftKings construyó en 2023 un modelo de aprendizaje automático que puntuaba a sus clientes según cuánto dinero se esperaba que perdieran tras recibir una apuesta gratis o un bono, informó el sábado The New York Times citando entrevistas con exempleados, según el resumen de Yahoo News.
Las entradas eran corrientes: con qué frecuencia jugaba alguien, cómo estaba su saldo, la proporción entre pérdidas y apuestas, y qué probabilidad había de que dejara de jugar del todo. La salida era una sola cifra que el personal llamaba puntuación de “elasticidad”. Cuanto más alta, más merecía la pena perseguir a ese cliente con más incentivos.
Por qué funcionaba
El modelo no se construyó para encontrar jugadores problemáticos. Se construyó para encontrar el mejor rendimiento de cada dólar promocional, y resultó que ambas cosas señalaban a las mismas personas. Exempleados dijeron al Times que la lógica financiera identificaba a los jugadores problemáticos como los objetivos más rentables para las ofertas de bonos.
“Buscamos rasgos y características que podamos segmentar y que indiquen una buena inversión”, dijo al diario el exanalista de datos Jayden Butts.
Esa frase es toda la historia en miniatura. Nada en ella habla de daño por el juego. Nada necesita hacerlo para que el daño se produzca.
El modelo que no se lanzó
A mediados de 2024, el científico de datos de DraftKings Nestor Hernández empezó a construir otro modelo: una puntuación de riesgo destinada a detectar con días o semanas de antelación a los clientes que se encaminaban a una crisis de juego, analizando movimientos de dinero, patrones de persecución de pérdidas, edad y sexo.
Funcionaba sobre prácticamente la misma infraestructura que la puntuación de elasticidad. Quedó aparcado. La responsable de juego responsable de la empresa dijo que la herramienta de predicción de riesgo carecía de respaldo suficiente basado en evidencia, según el Times.
La asimetría es el hallazgo que conviene retener. Un modelo predictivo orientado a los ingresos se aceptó por sus resultados; un modelo predictivo orientado al daño se sometió a un listón probatorio que al primero nunca se le pidió superar.
Qué dice DraftKings
La empresa niega haber segmentado a las personas por pérdidas previstas y sostiene que las promociones van a usuarios activos, y remite a sus acuerdos de juego responsable y a sus herramientas de seguimiento.
También ha dicho a sus inversores cuánto valía esa analítica: DraftKings atribuyó a la ciencia de datos una mejora de alrededor del 13% en los márgenes de su casa de apuestas ligados a promociones en 2025, sobre un gasto promocional que describe en cientos de millones de dólares.
Por qué importa más allá de las apuestas
Los reguladores del juego en Estados Unidos supervisan la publicidad, las condiciones de los bonos y la autoexclusión. En general no supervisan la función de ordenación que decide quién ve una oferta. Esa brecha no es exclusiva de las casas de apuestas: es la misma que existe allí donde un modelo ordena clientes por valor esperado y esa ordenación resulta invisible para la persona ordenada.
Conviene vigilar si algún regulador estatal pide ver la lista de variables. La pregunta que decide esto no es si se usó IA, sino si la “probabilidad de dejar de jugar” es una entrada legítima en un modelo de marketing.
