Tercera ronda del boletín público: la IA volvió a aprender a dudar — y falló justo en lo que mejor se le daba

En el artículo anterior terminé con una preocupación, no con una victoria. El sistema casi había duplicado la frecuencia con la que acertaba el ganador de un partido — y, en el mismo aliento, se había quedado ciego ante sus propios errores. Su confianza se había aplanado: igual de segura en los partidos que falló que en los que acertó. Dije que el número más útil de esa ronda no era la precisión, era esa brecha cerrándose a cero — el sistema diciéndome en voz baja que había aprendido a ganar sin aprender a dudar. Y dije que podrías ver la tercera ronda aterrizar en la página pública antes de creer una sola palabra de esto.

La tercera ronda está aquí. La fase de grupos ha terminado. La duda volvió — más amplia que en cualquier ronda de la fase de grupos. Y en la misma ronda, la mitad callada del sistema que en realidad me está ganando la liga me planteó un problema más extraño: fui a calificarla y me encontré con que no podía fiarme de mi propio marcador.

Dos cosas pasaron a la vez, tirando en direcciones opuestas, y la versión honesta de esta ronda son las dos.

Una cosa que conviene dejar clara, porque es la gracia entera de hacer esto en público: no estoy entrenando una IA para predecir fútbol, y aquí no se está construyendo ningún modelo secreto. Tomo modelos existentes — los mismos que cualquier empresa puede coger de la estantería — y les doy las herramientas, el contexto y las instrucciones para hacer un trabajo concreto, y luego afino cómo lo hacen de una ronda a otra. Se parece más a entregarle a un analista nuevo y espabilado tus datos y una lista de comprobación que a construir un cerebro nuevo desde cero. Pones uno bueno a trabajar en tu problema y llevas un registro legible de dónde ayuda y dónde perjudica.

El titular, sus dos mitades

La buena noticia, y es el número que más quería ver: el sistema recuperó su criterio. Una predicción aquí viene con un número de confianza — “estoy un 70% seguro de esto”. Después de la segunda ronda esa cifra había dejado de significar nada, porque era la misma tanto si la predicción acertaba como si fallaba. En la tercera ronda volvió a significar algo — más que nunca.

La mala noticia, en el mismo aliento: la mitad que he llamado su verdadera ventaja — averiguar quién va a saltar de verdad al campo — parecía haber tenido su peor ronda de la fase de grupos. Digo parecía porque, cuando fui a calificarla, pillé a mi propio marcador equivocándose en los hechos — y eso resultó ser una historia más útil que la puntuación en sí.

Así que es la ronda más interesante hasta ahora: una mitad del sistema mejoró de forma medible, y en la otra descubrí que no podía fiarme de mi propia medición.

El resumen, por si eres nuevo por aquí

Como la gracia entera de esta serie es que puedas comprobarme, aquí va el planteamiento en un aliento.

Llevo un equipo en un Mundial fantasy, y un grupo de agentes de IA hace los deberes diarios. Cada jornada predicen dos cosas distintas: quién será titular de verdad en cada partido, y cómo terminará cada partido. Luego la realidad califica ambas, en voz alta, y yo escribo las notas — los fallos más fuerte que los aciertos. La fase de grupos fueron tres rondas. Esta es la tercera y última, así que por primera vez podemos ver el arco entero.

En la pregunta principal — ¿acertó el ganador? — ese arco se lee así: 11 de 24 partidos en la primera ronda (46%), luego 18 de 24 (75%), luego 17 de 24 (71%). El gran salto de la segunda ronda se mantuvo. No se derritió de vuelta a donde empezó. (Una salvedad justa que recorre toda esta pieza: cada ronda son veinticuatro partidos, así que el vaivén de una sola ronda es una muestra pequeña — leo la tendencia a lo largo de tres de ellas, no me juego la casa en ninguna.)

Pero elegir ganadores nunca fue la parte difícil de esta historia. La parte difícil eran las dos cosas de debajo: ¿sabe el sistema cuándo está a punto de equivocarse, y puede decir quién va a jugar? Una de ellas mejoró de forma espectacular esta ronda. La otra empeoró.

La duda volvió — y este es el número de la ronda

Empecemos por el que estaba esperando. Primero en palabras llanas, antes de los números: el sistema se volvió más o menos el doble de bueno en saber en cuáles de sus propias predicciones confiar.

Aquí está la brecha entre lo seguro que estaba el sistema en sus aciertos y en sus fallos, ronda por ronda — un número que saco yo mismo de los registros en bruto de predicciones y resultados, porque la página resumen mezcla las tres rondas en una sola cifra y esconde la historia:

• Primera ronda: alrededor de un 65% de confianza en los partidos que acertó, un 57% en los que falló — una brecha de aproximadamente ocho puntos.
• Segunda ronda: 64% y 64%. La brecha se desplomó a esencialmente cero. Esa fue la alarma.
• Tercera ronda: alrededor de un 67% de confianza cuando acertaba, un 54% cuando fallaba — una brecha de trece puntos. La más amplia de toda la fase de grupos.

Léelo contra la segunda ronda y es un giro genuino. El sistema se volvió más seguro en las predicciones que clavó y bajó su confianza en las que falló. Otra señal de que no es casualidad: cada predicción que hizo con un 70% de confianza o más esta ronda salió bien — nueve de ellas, todas correctas. Nueve es una muestra pequeña, así que no lo voy a sobrevender, pero ni una sola de las predicciones ruidosas falló.

Y el porqué es aburridamente mecánico, que es lo que lo hace fiable. El arreglo se ve en las propias predicciones. En la segunda ronda el sistema pronosticó tres partidos por dos goles o más que acabaron en tablas — Ecuador “ganando” 3–0 a Curaçao, con un 86% de confianza; terminó 0–0. Confiado, y equivocado, con un favorito que no supo romper una defensa apiñada — el peor fallo que tiene un pronosticador, porque no se siente como una conjetura, se siente como conocimiento. En la tercera ronda no pronosticó ninguno. Empezó a meter en precio el empate y a limitar el margen del favorito, y esa única disciplina — quedarse callado cuando el partido es cara o cruz — es lo que arrastró la confianza de vuelta a significar algo.

Desde entonces el sistema ha escrito esa lección como un objetivo explícito para las eliminatorias: mantener la brecha de confianza por encima de diez. La tercera ronda ya lo superó — trece contra un listón de diez. Puedo señalarlo en los números en vez de pedirte que confíes en la sensación.

El margen también mejoró — pero no por la razón que parece

Hay un segundo número que mejoró, y vale la pena ser honesto al respecto, porque la versión honesta es más interesante que la halagadora.

Ronda tras ronda había señalado que el sistema era malo con el tamaño de una victoria — pronosticaba un educado 2–0 en partidos que acababan 5–0. Su error medio en la diferencia de goles se había quedado atascado en torno a un gol y un tercio (siendo la diferencia de goles simplemente cuántos goles separaban el marcador final). En la tercera ronda bajó a menos de uno. Sobre el papel, el punto débil se arregló solo.

Salvo que no del todo. Fui a comprobar de dónde venía esa mejora, y no es lo que darías por hecho. El sistema no se volvió más valiente a la hora de anunciar goleadas — cuando un partido se convertía de verdad en una paliza, seguía infravalorándolo por casi dos goles, el mismo patrón que en las rondas anteriores (pronosticó Senegal 2–0 sobre Irak; terminó 5–0). Lo que pasó en realidad es más soso: la tercera ronda simplemente tuvo menos goleadas que la segunda, y la mejora real fue esa disciplina con el empate otra vez — al dejar de hacer sus predicciones confiadas-pero-equivocadas de dos goles en partidos ajustados, borró una categoría entera de errores grandes. La puntuación del margen mejoró porque el sistema dejó de equivocarse de una forma concreta, no porque acertara de una forma nueva.

Lo estoy deletreando porque es justo el tipo de cosa que un panel te dejará malinterpretar encantado. Una métrica se movió en la dirección correcta; la historia tentadora es “arreglamos los márgenes”. La historia verdadera es “arreglamos los empates, y el calendario fue más amable”. Si dejara que la primera historia se sostuviera, estaría fiándome de mi propio marcador sin leerlo — que es el fallo exacto del que va toda esta serie.

La otra mitad — donde el marcador se rompió antes de que el modelo pudiera

Ahora la otra dirección, y se convirtió en una historia más extraña de la que me senté a escribir.

El sistema tiene dos trabajos. Anunciar el resultado es el vistoso — el boletín público. Pero anunciar quién sale de verdad de inicio es el callado, y he sido tajante en que es el callado el que me está ganando la liga. En cada ronda anterior fue la mitad fuerte: acertaba quién estaría en el once más o menos cinco de cada seis veces.

Según su propio boletín, esa mitad tuvo su peor ronda de la fase de grupos — y resbaló de una forma que debería haber escocido, porque me había plantado en esta misma página una ronda antes y predije que lo haría. Pero debería haber es la frase clave, porque cuando fui a calificarla como es debido, la calificación se me deshizo en las manos.

Esto es lo que había anunciado, en voz alta, al final del artículo anterior. Varios equipos ya habían ganado sus dos primeros partidos y entraban en la última ronda sin nada que perseguir — y un entrenador en esa situación descansa a sus mejores piernas para los partidos que cuentan. Mi predicción: la tercera ronda castigaría a cualquiera que se fiara del nombre de una estrella por encima de la hoja de alineación real del día, y dije que el sistema ahora trataba a un líder destacado como una bandera de rotación.

El boletín del sistema informó puntualmente de que la mitad de titular resbalaba a su peor ronda — pronóstico limpio, aparentemente clavado. Así que fui a por los recibos: los ejemplos concretos de “mira, calificó a este hombre como fijo y se quedó sentado” que hacen real una afirmación. La historia se deshizo mientras la comprobaba.

El primer ejemplo al que eché mano fue un jugador que el sistema había registrado como ausente — uno al que había visto jugar el partido entero. Su propio registro de quién saltó al campo estaba simplemente mal. El siguiente fue una ausencia genuina, pero una lesión, no el descanso de partido intrascendente que yo había pronosticado; no lo dejó fuera su entrenador, lo dejó fuera su isquiotibial. Dos de mis mejores ejemplos, y ninguno de los dos sostenía en realidad la historia que estaba a punto de contarte.

Así que aquí va el veredicto honesto, y es menos halagador que un pulcro “lo predije”: no puedo calificar el pronóstico de rotación de esta ronda, porque no puedo fiarme del marcador con el que lo calificaría. El número de titular bajó, sí — pero parte de esa bajada es el sistema marcando sus propias predicciones correctas como fallos, registrando como suplentes a jugadores que en realidad fueron titulares, y parte son lesiones corrientes que habría confundido con rotación táctica si no hubiera comprobado cada una a mano. Puede que el pronóstico esté perfectamente bien. Sinceramente no lo sé, porque el registro que hay debajo de la calificación no está lo bastante limpio como para decirlo.

Y eso — no la bajada — es el hallazgo que merece tu tiempo. Entré en esta ronda listo para decirte que el modelo de quién-sale había empeorado. Lo que aprendí en cambio es que no podía fiarme de mi propio marcador para decirme si lo había hecho. Esa es la pregunta exacta que esta serie entera no deja de rondar — ¿puedo fiarme de mis propias métricas? — y esta ronda, para esta mitad, la respuesta fue no. La única razón por la que sé que es no es que leí la historia detrás de cada número en vez de creerme el resumen a pies juntillas; el resumen parecía limpio. Así que el arreglo aquí no es un modelo más ingenioso. Es el trabajo más soso que hay: dejar bien el registro de quién jugó de verdad, antes de dejar que califique nada. Hasta entonces, el pronóstico de rotación queda abierto — sin calificar, a propósito.

Calificando la otra apuesta: el mercado se revalorizó de la noche a la mañana

El artículo anterior hizo una segunda predicción, sobre dinero más que sobre fútbol, y esta el sistema la acertó — de forma clara.

El planteamiento: cuando la fase de grupos termina, un tercio de los equipos se va a casa, y empiezan las eliminatorias — donde los jugadores que sobreviven valen mucho más, porque un punto anotado en las rondas que cuentan cuenta el doble hacia el final. Predije una estampida de doble cara en el mercado de fichajes en el instante en que se cerrara la fase de grupos. Por un lado, una liquidación de jugadores de naciones eliminadas — peso muerto que nadie quiere tener. Por el otro, una avalancha de pujas por los titulares fiables de los aspirantes de verdad. Y todo debería moverse más rápido en el instante en que el cuadro se volviera real.

Se desarrolló casi al día. La actividad de fichajes había estado enfriándose durante toda la fase de grupos — hasta su punto más lento, unos diez movimientos al día. En el momento en que terminó la fase de grupos, se duplicó, de vuelta cerca de su frenesí anterior al torneo. El día después de los últimos partidos de grupo fue el día más ajetreado desde que arrancó la temporada, y fue una liquidación: dieciséis jugadores de naciones eliminadas volcados al mercado, casi ninguno comprado. A lo largo de toda la ventana de eliminatorias desde entonces, las diecisiete transferencias que involucran a un jugador de nación eliminada han sido ventas — a los perdedores los están sacando, no fichando.

Y el otro lado apareció justo detrás. Una vez que los managers tuvieron caja de la liquidación, la gastaron en aspirantes, y el pagar de más empeoró. Durante la fase de grupos, la puja ganadora típica llegaba en torno a un décimo por encima del valor de mercado de un jugador. En el instante en que empezaron las eliminatorias, eso saltó a un treinta por ciento por encima — y cada una de las aproximadamente cincuenta compras de eliminatorias hasta ahora ha sido un jugador de un equipo todavía vivo. La gente pagó de más, con ganas, por los supervivientes.

Aunque me llevaré el impuesto de la honestidad en esta, porque un detalle lo fallé. Había supuesto que el pagar de más sería peor en la cima — los nombres de renombre. No lo fue. Medido como porcentaje sobre el valor de mercado, la puja más disparatada fue por los jugadores baratos y de precio medio, no por los caros. Las estrellas cuestan más en dinero absoluto, así que parece que ahí es donde está la locura; pero las mayores primas porcentuales eran managers peleando por titulares asequibles. Predije la estampida, fallé en qué extremo del campo era peor.

La clasificación, y la razón para seguir nervioso

Así que, ¿dónde deja todo esto al equipo de verdad? Por delante — más por delante que antes.

Voy primero, con 196 puntos, once por delante del segundo, y soy la plantilla más valiosa de la liga por unos cinco millones, contando jugadores y caja juntos. La ventaja creció esta ronda.

Pero aquí está la razón por la que no estoy relajado, y es la tensión entera de esta ronda en una frase: la ventaja que construyó esta clasificación es el modelo de quién-sale — la mitad exacta cuyo marcador acabo de decirte que no me pude fiar esta ronda. La ventaja no viene de las vistosas predicciones de resultado; viene de la investigación callada que me deja comprar baratos a titulares fijos y pujar con precisión en vez de pagar de más. Si el indicador de ese motor se ha vuelto poco fiable, no me toca sentirme relajado al respecto — no con lo que está en juego subiendo y el mercado poniéndose a degüello. Un sistema puede estar ganando mientras has medio perdido de vista si sigue funcionando, y pretender lo contrario es como se evaporan las ventajas cómodas.

De cara a las eliminatorias voy cargando con una plantilla fina de nueve — Messi, Bellingham, Tchouaméni, un núcleo que prefiero conservar antes que traspasar. Fina por un error que es mío, no del modelo: al final de la fase de grupos vendí a la baja, sacando a jugadores de naciones contra las que había apostado en silencio, seguro de que iban camino de casa. Algunas de esas predicciones se agriaron en cuestión de días. Vendí a un jugador de Ecuador esperando una salida ordenada; Ecuador se dio la vuelta y ganó a Alemania. Así que entro en las rondas de doble o nada con un titular menos, tras haber reaprendido la lección más vieja de toda esta serie — que las predicciones confiadas, las mías tanto como las de la máquina, son justo las que merecen un segundo vistazo. Esa es la postura ahora: conservar el núcleo, cubrir el hueco, y dejar honesto mi propio marcador antes de fiarme de él para calificar nada otra vez.

Quita el fútbol

Lee esta ronda otra vez y borra la palabra “fútbol”. Lo que queda es un conjunto de cosas que le pasan a cualquier sistema al que le confiarías una decisión de verdad.

Un modelo mejoró de forma medible en su trabajo de titular y empeoró en silencio en lo que en realidad daba resultado — y un único número de panel habría escondido el cambio por completo. La métrica que más me importaba no era la precisión en absoluto; era si el sistema había recuperado su duda propia — si su confianza seguía la pista a la realidad o se había aplanado. Un modelo que se equivoca con confianza en un patrón que se repite es más peligroso que uno que está honestamente inseguro, y la única forma en que supe cuál tenía fue midiendo la brecha entre lo seguro que está cuando acierta y cuando falla, por separado de con qué frecuencia acierta.

Y el fallo que más importó esta ronda no fue una predicción equivocada — fue descubrir que no podía fiarme de mi propio marcador. Entré listo para bajarle la nota a una mitad del sistema; luego descubrí que mi propio registro del hecho más llano de todos — quién saltó de verdad al campo — estaba mal, marcando predicciones correctas como fallos. Lo que impidió que eso envenenara en silencio cada conclusión fue el único hábito sobre el que está construido todo este montaje: leí el detalle detrás del número en vez de creerme el resumen a pies juntillas. Un tic verde en el panel me habría entregado una historia limpia; comprobar cada fila a mano me entregó la verdadera — que el indicador mismo estaba roto. Esa es la diferencia entre una IA que puedes meter dentro de una empresa y una que no. No el modelo más listo — el modelo cuyo número puedes abrir, auditar y pillar mintiendo antes de que te cueste. Una métrica confiada que no puedes interrogar es un pasivo con una placa de confianza puesta.

Previsión de demanda, riesgo de proveedores, fijación de precios bajo un plazo, un mercado que se revaloriza en el instante en que cambian las reglas — la misma maquinaria, las mismas trampas. Dos preguntas que valen más que cualquier puntuación de precisión: ¿sabe mi sistema cuándo está a punto de equivocarse, y en qué está empeorando en silencio mientras su número de titular sube?

La fase de grupos está calificada — tres rondas, lo bueno y lo feo, todo comprobable contra la página. Las eliminatorias empiezan a continuación, donde los errores cuestan el doble — y entro en ellas recién recordado de que el primer número a comprobar no es la respuesta del modelo, es si el marcador que la califica me está diciendo la verdad. Eso también lo calificaré en público. Si en algún punto de aquí viste tu propio panel en vez de un campo de fútbol, ese es el lugar más útil donde estar mirando — y sabes dónde encontrarme.