Μπορεί η τεχνητή νοημοσύνη να αναλύσει καλύτερα έναν ποδοσφαιρικό αγώνα από τους bookmakers; Μια νέα ερευνητική εργασία χρησιμοποίησε το Μουντιάλ 2026 ως πεδίο δοκιμής, καταγράφοντας τις προβλέψεις τεσσάρων προηγμένων μοντέλων για το σύνολο των 104 αναμετρήσεων της διοργάνωσης.
Στη διαδικασία συμμετείχαν τα Claude Opus 4.8, ChatGPT GPT-5.5, Gemini 3.1 Pro και Grok Expert Mode. Πριν από κάθε παιχνίδι, τα μοντέλα πραγματοποιούσαν διαδικτυακή έρευνα, εκτιμούσαν τις πιθανότητες νίκης, ισοπαλίας ή ήττας και επέλεγαν εάν θα τοποθετήσουν ένα εικονικό ποντάρισμα. Μετά τον αγώνα, καλούνταν να αξιολογήσουν την πρόβλεψή τους γνωρίζοντας μόνο το τελικό σκορ.
Η μελέτη παρήγαγε συνολικά 416 προβλέψεις και 414 μεταγενέστερες αξιολογήσεις. Οι εκτιμήσεις των μοντέλων συγκρίθηκαν με τις αποδόσεις της στοιχηματικής αγοράς πριν από κάθε παιχνίδι, ώστε να αξιολογηθούν τόσο η ακρίβεια των προβλέψεων όσο και η οικονομική ποιότητα των αποφάσεών τους.
Σχεδόν ίδιες προβλέψεις από όλα τα μοντέλα
Ένα από τα πιο ενδιαφέροντα ευρήματα ήταν η πολύ μεγάλη σύγκλιση μεταξύ των τεσσάρων συστημάτων. Στο 92% των αγώνων επέλεξαν ως πιθανότερο ακριβώς το ίδιο αποτέλεσμα, παρά το γεγονός ότι είχαν δημιουργηθεί από διαφορετικές εταιρείες και χρησιμοποιούσαν διαφορετικούς τρόπους παρουσίασης και ανάλυσης.
Η ακρίβειά τους κινήθηκε μεταξύ 65,4% και 68,3%. Το ChatGPT και το Grok κατέγραψαν ποσοστό 68,3%, όσο και η στοιχηματική αγορά, ενώ τα Claude και Gemini ακολούθησαν με μικρή διαφορά.
Η απλή ακρίβεια, όμως, δεν αρκεί για να αξιολογηθεί μια πρόβλεψη. Άλλο είναι να επιλέξει κάποιος το φαβορί και άλλο να εκτιμήσει σωστά πόσο πιθανό είναι να κερδίσει.
Για τον λόγο αυτό, οι ερευνητές χρησιμοποίησαν και το Brier Score, έναν δείκτη που εξετάζει πόσο κοντά βρίσκονται οι πιθανότητες μιας πρόβλεψης στο πραγματικό αποτέλεσμα. Όσο χαμηλότερο είναι το σκορ, τόσο καλύτερη θεωρείται η πρόβλεψη.
Σε αυτή τη μέτρηση, η στοιχηματική αγορά κατέγραψε την καλύτερη επίδοση, με 0,4688, έναντι περίπου 0,471 για τα καλύτερα μοντέλα. Η διαφορά είναι μικρή, αλλά κανένα σύστημα τεχνητής νοημοσύνης δεν κατάφερε να την ξεπεράσει.
Άλλο η πρόβλεψη και άλλο το ποντάρισμα
Μεγαλύτερες διαφορές παρατηρήθηκαν στον τρόπο με τον οποίο τα μοντέλα διαχειρίζονταν τα εικονικά πονταρίσματά τους.
Το Grok έκλεισε τη διοργάνωση με εικονικό κέρδος περίπου 650 δολαρίων και απόδοση 10,3%. Το ChatGPT εμφάνισε κέρδος 118 δολαρίων, το Gemini 322 δολαρίων, ενώ το Claude κατέγραψε απώλειες 275 δολαρίων.
Οι αποκλίσεις αυτές δεν προέκυψαν κυρίως επειδή τα μοντέλα επέλεγαν διαφορετικές ομάδες. Οι προβλέψεις τους ήταν σχεδόν ίδιες. Η διαφορά δημιουργήθηκε από το ύψος του ποσού που επέλεγαν να τοποθετήσουν και από το πόσο συχνά αποφάσιζαν να κινηθούν αντίθετα από την αγορά.
Το Gemini, για παράδειγμα, τοποθέτησε εικονικά πονταρίσματα συνολικού ύψους 8.660 δολαρίων σε 103 αγώνες, με μέσο ποσό περίπου 84 δολάρια ανά παιχνίδι. Αντίθετα, το Claude πόνταρε λιγότερο συνολικά, αλλά επέλεγε συχνότερα ισοπαλίες ή αουτσάιντερ, καταγράφοντας τη μοναδική συνολική ζημιά.
Ακόμη και η απλούστερη στρατηγική, ένα σταθερό ποντάρισμα στο φαβορί της αγοράς σε κάθε αγώνα, απέφερε μεγαλύτερο απόλυτο κέρδος από όλα τα μοντέλα. Το εύρημα ενισχύθηκε από το γεγονός ότι το Μουντιάλ 2026 ήταν σχετικά ευνοϊκό για τα φαβορί.
Τα κοινά λάθη της τεχνητής νοημοσύνης
Σε οκτώ αγώνες, και τα τέσσερα μοντέλα απέτυχαν να προβλέψουν σωστά το αποτέλεσμα. Σε όλες τις περιπτώσεις είχαν επιλέξει το φαβορί.
Τέσσερις από αυτές τις αναμετρήσεις οδηγήθηκαν στα πέναλτι, αφού είχαν ολοκληρωθεί ισόπαλες στην κανονική διάρκεια. Στις υπόλοιπες καταγράφηκαν ανατροπές, όπως η νίκη της Νορβηγίας απέναντι στη Βραζιλία και η επικράτηση του Βελγίου με 4-1 επί των Ηνωμένων Πολιτειών.
Στις αναλύσεις που πραγματοποίησαν μετά τα παιχνίδια, τα μοντέλα αναγνώρισαν ως συχνότερο λάθος την υποτίμηση της αμυντικής οργάνωσης των αουτσάιντερ. Παράλληλα, παραδέχθηκαν ότι έδιναν υπερβολική βαρύτητα στην ποιότητα του ρόστερ και στην επιθετική δύναμη των φαβορί.
Τι σημαίνει το αποτέλεσμα για την αθλητική αγορά
Η έρευνα δεν αποδεικνύει ότι η τεχνητή νοημοσύνη δεν μπορεί να χρησιμοποιηθεί αποτελεσματικά στην αθλητική πρόβλεψη. Δείχνει, όμως, ότι η πρόσβαση σε μεγάλο όγκο πληροφοριών και η δυνατότητα γρήγορης ανάλυσής τους δεν δημιουργούν αυτομάτως πλεονέκτημα απέναντι σε μια αγορά που ήδη συγκεντρώνει εκτιμήσεις αναλυτών, μοντέλων και παικτών.
Τα μοντέλα κατάφεραν σε μεγάλο βαθμό να αναπαράγουν τις πιθανότητες της αγοράς, όχι όμως να εντοπίσουν συστηματικά πληροφορίες που η αγορά δεν είχε ήδη ενσωματώσει.
Η εργασία αποτελεί προδημοσίευση και δεν έχει ακόμη ολοκληρώσει διαδικασία επιστημονικής αξιολόγησης. Βασίζεται επίσης σε μία διοργάνωση και σε αποδόσεις που προέρχονταν κυρίως από έναν bookmaker. Τα δεδομένα, οι προβλέψεις και ο κώδικας της ανάλυσης έχουν δημοσιευτεί ανοιχτά, επιτρέποντας την ανεξάρτητη επαλήθευση των αποτελεσμάτων.
—
Πηγή: FIFA World Cup 2026 as a Contamination-Free Benchmark for LLM Forecasting Agents: Four Models, a Bookmaker, and 104 Matches — Jiacheng Ding, Cong Guo και Jason Xu.
