O modelo que aprende com a sua derrota

IA para apostas esportivas deixou de ser promessa de personalização e virou máquina de retenção predatória. No caso da DraftKings, o que está em jogo não é recomendar o próximo jogo ou melhorar a experiência, é identificar quem tem maior probabilidade de perder dinheiro e responder a uma promoção na hora certa. Quando o acerto do modelo significa mais prejuízo para o usuário e mais receita para a plataforma, a discussão muda de nível. Não estamos mais falando de anúncio chato, estamos falando de um sistema que aprende com o comportamento, prevê vulnerabilidade e age exatamente no momento de recaída.

Para quem opera produto, dados ou growth, o incômodo é imediato. A arquitetura é simples e eficiente, e é justamente isso que assusta. Você tem um histórico riquíssimo de eventos, valor apostado, frequência, horário, tipo de aposta, resposta a bônus, tempo de sessão e intervalo entre depósitos. Com esse material, qualquer modelo de propensão bem ajustado consegue separar apostadores casuais de apostadores persistentes no prejuízo. E uma vez separado esse grupo, o custo de reengajamento é baixo, um push, um e-mail com bônus, uma odd turbinada. O retorno, para a casa, é alto porque quem volta nesse perfil tende a continuar perdendo.

PublicidadeAnuncie aqui336x280 / responsivo

O fato

O que aconteceu é direto. A DraftKings passou a usar registros de apostas dos próprios clientes para treinar um modelo de machine learning capaz de encontrar usuários com maior chance de fazer apostas perdedoras e de reagir a promoções. A partir dessa pontuação, a empresa dispara publicidade direcionada para trazer essas pessoas de volta à plataforma, com ofertas pensadas para reativar o jogo. A lógica de negócio é fria, quem perde com frequência é quem sustenta a margem da operação, então faz sentido, do ponto de vista de receita, manter esse grupo ativo.

O problema é que esse grupo se sobrepõe de forma perigosa ao que especialistas chamam de jogadores problemáticos, pessoas que continuam apostando mesmo com dano claro para as finanças, o trabalho e os relacionamentos. Nesse cenário, a segmentação não é neutra. Ela não está apenas otimizando conversão, ela está capitalizando em cima de um padrão compulsivo. A defesa de que se trata apenas de marketing personalizado perde força quando o alvo previsível do modelo é justamente quem tem menos condição de dizer não naquele momento.

Como funciona na visão de operador

Pense como quem montaria esse pipeline por dentro. A fonte é first party data, ou seja, dados coletados diretamente na plataforma, sem precisar comprar base de terceiros. Cada aposta vira um evento com dezenas de atributos, e cada resposta a promoção vira um rótulo para treinamento. O modelo provavelmente opera como um classificador de propensão ou um modelo de sobrevivência, estimando probabilidade de retorno em X dias, probabilidade de depósito após incentivo e valor esperado de perda. Na inferência, ele gera um score por usuário e empurra os melhores candidatos para uma fila de ativação.

Em termos de custo e latência, esse tipo de sistema é barato para rodar depois de pronto. Não precisa de LLM gigante nem de inferência em tempo real a cada milissegundo. Um batch diário ou quase em tempo real já resolve, com features atualizadas e disparo via API de CRM, push ou e-mail. O custo pesado está na coleta e no armazenamento contínuo, porque para manter a acurácia o time precisa logar tudo. E aqui entra o efeito colateral clássico da IA aplicada a ads, como o modelo funciona como caixa preta, ninguém sabe exatamente qual sinal é mais preditivo, então a saída é coletar ainda mais. Mais eventos, mais contexto, mais retenção de histórico.

Minha inferência técnica, sem tratar como certeza absoluta, é que o sistema combina sinais comportamentais simples com padrões temporais. Sequência de perdas seguida de pausa curta, aumento de stake para recuperar prejuízo, jogo tarde da noite, clique rápido em bônus, depósito fracionado. Sozinhos, esses sinais dizem pouco. Juntos, formam uma assinatura forte de vulnerabilidade. É plausível também que exista teste A/B constante de criativo e oferta por microsegmento, o que explicaria por que a personalização parece tão certeira para quem está tentando parar.

O que isso muda na prática

Para o usuário, muda a assimetria de poder. Antes, a casa tinha vantagem matemática no jogo. Agora tem vantagem informacional fora do jogo, porque sabe quando você está mais propenso a ceder. Para o mercado de apostas, cria um precedente operacional, se um player faz isso com first party data e funciona, outros vão copiar sem precisar de data broker. Para reguladores e times de privacidade, escancara um limite das soluções atuais, regras que só restringem venda ou compartilhamento de dados de terceiros não barram esse caso, porque tudo acontece dentro de casa.

Quem perde de forma mais visível é o jogador vulnerável e, por tabela, a confiança no setor. Quem ganha no curto prazo é a operação que otimiza receita por usuário ativo. No médio prazo, porém, esse ganho pode virar passivo regulatório e reputacional. E para quem constrói produto com IA, o recado é prático, todo modelo de propensão precisa de guardrails explícitos sobre quem não deve ser ativado, não apenas sobre quem converte melhor. Sem essa camada, otimização vira exploração muito rápido.

Uma ação prática para agora

Se você aposta ou conhece alguém nesse ciclo, trate personalização como superfície de risco e reduza ela ao máximo hoje.

  • Desligue personalização, notificações e e-mails promocionais no app e no site, e remova permissões de rastreamento no celular para quebrar o loop de reativação.
  • Ative limites rígidos de depósito, tempo e perda e, se houver sinal de perda de controle, use autoexclusão temporária antes de tentar negociar com o impulso.
  • Para operadores e times de dados, crie uma lista de supressão ética que impeça qualquer ativação direcionada a usuários com marcadores de jogo problemático, mesmo que o score de conversão seja alto.

A tensão que ninguém quer encarar

Aqui fica a dúvida real de operador, isso escala sem quebrar? Tecnicamente, sim, e cada vez mais barato. Mais dados geram score melhor, score melhor gera mais perda prevista, mais perda gera mais dado para treinar. É um flywheel perverso, eficiente e difícil de auditar por fora. A pergunta não é se o modelo funciona, é se o custo humano e regulatório compensa. Porque quando a otimização depende de manter pessoas presas a um comportamento que destrói finanças e relações, o problema não foi resolvido, ele só foi movido do produto para a vida do usuário.

Também existe o efeito de segunda ordem que o mercado de adtech conhece bem. Dado coletado para personalizar anúncio raramente fica parado. Ele alimenta um ecossistema maior de vigilância, com venda e cruzamento para seguradoras, bancos e até agências governamentais interessadas em big data comercial. Mesmo quando uma empresa diz usar só dados próprios, ela normaliza a ideia de que vale coletar tudo, guardar para sempre e deixar o modelo decidir depois. Essa lógica contamina o resto da indústria, aumenta a superfície de vazamento e torna qualquer promessa de controle de dados uma meia verdade.

Conclusão

No fim, a DraftKings mostrou o pior uso possível de uma técnica comum, transformar histórico de derrotas em gatilho de marketing. A tecnologia não é sofisticada no sentido de fronteira, é sofisticada no sentido de timing. E timing, para quem lida com compulsão, vale mais que qualquer bônus. Será que dá para chamar isso de publicidade comportamental quando o comportamento explorado é o vício?