Dos de ocho: la peor ronda del torneo para la IA — y las tres formas muy distintas en las que llegó a ella

El artículo anterior terminó con algo concreto que vigilar: después de que el sistema volviera a caer en su vieja trampa de exceso de confianza, se escribió a sí mismo una regla dura — en una eliminatoria, nunca poner más de un setenta por ciento aproximado en un favorito — y dije que si esa disciplina se mantenía era exactamente lo que podrías comprobar en esta página.

Se mantuvo. Ni un solo pronóstico cruzó la línea. Y la ronda siguió siendo la peor del marcador — con diferencia. Dos de ocho ganadores acertados — veinticinco por ciento. Cero marcadores exactos. El error medio en el margen final, que había mejorado en cada ronda del torneo, volvió de golpe a su peor valor hasta ahora. Una regla puede mantenerse y la ronda puede aun así salir mal, y la brecha entre esas dos frases es de lo que trata este artículo.

Diré la parte incómoda primero, porque todo el sentido de calificarte en público es que no puedes suavizar el número: la nota es 2 de 8, y se mantiene. Pero cuando desmonté la ronda pieza por pieza, los restos se repartieron en tres montones — un fallo administrativo que costó dos aciertos correctos, una regla de seguridad que se pasó de frenada, y una serie de cara o cruz que se calcularon con honestidad y aun así se perdieron. Tres tipos distintos de error, tres arreglos distintos. Meterlos todos en una sola “mala ronda” enseñaría exactamente las lecciones equivocadas, y separarlos ha sido lo más útil que hice en toda la ronda.

Una aclaración permanente, porque cada ronda se suman lectores nuevos: aquí no se entrena ningún modelo a medida. Tomo modelos de IA existentes, de los que cualquiera puede coger de la estantería, les doy las herramientas, el contexto y un trabajo concreto, y afino cómo hacen ese trabajo ronda tras ronda — se parece más a poner al día a un analista nuevo y espabilado que a construir un cerebro.

Lo principal, en sus dos mitades

La mitad mala: las predicciones de partido tuvieron su peor ronda del torneo. Dos de ocho ganadores acertados, frente a un arco que había leído 46% → 75% → 71% → 73% a lo largo de las rondas anteriores. Ningún marcador exacto por primera vez. Y el error de diferencia de goles — de media, cuánto se aleja el margen de victoria pronosticado del real; pronostica un 2-0 que termina 5-0 y te quedas a tres goles — había bajado en cada ronda, de 1,38 goles hasta 0,73. Saltó a 1,75, su peor valor de todo el torneo. Las sorpresas recorrieron todo el cuadro — Brasil cayendo ante Noruega la más ruidosa de todas — y la propia página de autopsia del sistema llama a esto “la ronda de las sorpresas y la ronda del apiñamiento” en la misma frase; ambas palabras se ganarán su lugar más abajo. Una salvedad antes de cualquier superlativo en este artículo, y corta en las dos direcciones: una ronda eliminatoria son ocho partidos. Ocho. Adjunté un aviso de dirección-no-decimal a números más amables sobre muestras más grandes en rondas anteriores, y aquí se aplica el doble — a la etiqueta de peor ronda y a cada “mejor” que viene después.

La mitad buena, justo al lado: la parte callada del sistema — la que predice quién sale de verdad al campo, la parte que me gana la liga — tuvo su mejor ronda del torneo: acertó alrededor del 85% de sus pronósticos de titularidad, sobre el marcador que limpié hace dos rondas y en el que ahora sí puedo confiar de verdad. Y la tabla de la liga se movió más en una sola ronda que en cualquier ronda anterior. Las dos mitades son reales, ninguna anula a la otra — y la brecha entre ellas monta la única frase que me quedaría de este artículo si solo pudiera quedarme con una: el número que un desconocido leería por encima primero no es el número que paga.

El resumen, por si eres nuevo por aquí

Contexto rápido si eres nuevo: un equipo de agentes de IA hace los deberes diarios de mi plantilla en un Mundial fantasy, prediciendo dos cosas cada ronda — quién será titular de verdad en cada partido, y cómo terminará cada partido. Luego la realidad califica ambas cosas, en voz alta, y yo escribo las notas — los fallos más fuerte que los aciertos. La fase de grupos quedó atrás hace tiempo; ahora estamos en las eliminatorias, donde cada partido es a partido único, un empate va a penaltis, y los puntos cuentan doble. Esta es la quinta ronda calificada, y la primera en la que las predicciones de resultado de verdad se cayeron de bruces.

Primera forma de equivocarse: la respuesta era correcta y el registro estaba mal

Empecemos por el montón que más duele, porque fue enteramente autoinfligido y no tuvo nada que ver con el fútbol.

El sistema pronosticó que Francia vencería a Paraguay. Francia venció a Paraguay. Pronosticó que España vencería a Portugal. España venció a Portugal. Los dos pronósticos aparecen calificados como incorrectos en el marcador de arriba, y la calificación es correcta.

Esto es lo que pasó. Cada pronóstico tiene dos partes: un ganador (“visitante”) y un marcador (“2-0”). La convención — la misma que usa cualquier tabla de fútbol en el mundo — es que el marcador se lee con el local primero: un “2-0” significa que el equipo local marcó dos. En tres de sus ocho pronósticos esta ronda, el sistema escribió el marcador desde el punto de vista del ganador en su lugar. “Francia gana 2-0” salió como Paraguay 2-0 Francia, victoria visitante — un pronóstico que se contradice a sí mismo. Mi calificador mira el marcador, lee una victoria local, la compara con la victoria visitante real, y marca el pronóstico como incorrecto. Dos de esos tres pronósticos autocontradictorios tenían dentro al ganador correcto; el tercero, Suiza-Colombia, estaba mal de cualquier manera. El 25% oficial de la ronda habría sido un 50% sin el fallo.

Si has estado leyendo esta serie, notarás el patrón conmigo: hace dos rondas descubrí que no podía fiarme de mi registro de quién había jugado de verdad y pasé una ronda limpiando los datos reales. La cadena de medición tiene dos extremos — lo que realmente pasó, y lo que predijiste que pasaría — y en el momento en que terminé de fregar un extremo, el fallo se mudó al otro. Arreglé la regla, y luego apunté la lectura al revés.

El arreglo es tan soso como el anterior, lo cual a estas alturas me tomo como señal de que es del tipo correcto: una comprobación de validación estricta dentro del propio predictor. Antes de que se permita que un pronóstico persista, ganador y marcador tienen que coincidir — “visitante” significa que el segundo número es mayor, “empate” significa que son iguales, sin excepciones, y una violación bloquea que el pronóstico se registre siquiera. Un pronóstico ahora tiene que pasar el mismo tipo de comprobación de coherencia que pasa una factura antes de que un banco la pague. Esa regla no existía porque nunca había hecho falta: ochenta y siete pronósticos de partido antes de esta ronda, cero errores de formato. El sistema encontró una forma completamente nueva de equivocarse, en la ronda en la que equivocarse salía más caro.

Segunda forma: la regla de seguridad que se pasó de frenada

El segundo montón es el que encuentro genuinamente instructivo, porque es la sombra directa del artículo anterior.

Después del fiasco Alemania-Paraguay — un favorito con un 76% de confianza contenido al empate y eliminado en penaltis — el sistema se escribió a sí mismo la regla dura que mencioné: en una eliminatoria, nunca pasar de setenta aproximado en un favorito, porque la tanda de penaltis convierte cada empate en cara o cruz y ese riesgo tiene que meterse en precio en el número. La regla nació de un fallo real y repetido. Esta ronda, la regla se mantuvo a la perfección.

Y esto es lo que hizo. Los ocho pronósticos salieron entre el 42 y el 62 por ciento de confianza. Francia — un equipo al que el mercado de apuestas daba unas cinco posibilidades de seis de ganar, el favorito más claro de la ronda — fue pronosticado al 62. Argentina, a quien el mercado daba aproximadamente tres oportunidades de cuatro, recibió exactamente el mismo 62. Un partido genuinamente de cara o cruz recibió un 52. En el panel, toda la ronda se agrupa en una banda estrecha, todo suena igual, como alguien que masculla después de que le hayan reñido por gritar. El post-mortem del propio sistema inventó una palabra para esto que voy a conservar: apiñamiento.

Recordemos el número al que esta serie no deja de volver: la discriminación de confianza — la brecha entre lo seguro que está el sistema en los pronósticos que acierta frente a los que falla. Un profesor que se siente igual de inseguro calificando el mejor examen del montón y el peor ha dejado de decirte nada; un pronosticador útil es ruidoso cuando hay señal y callado cuando no la hay. La trampa de atrincherarse — un favorito pronosticado para ganar con comodidad contra un rival que “se atrinchera”, jerga futbolística para un equipo que mete a todos los jugadores por delante de su propia portería y juega puramente para no perder — fue el fallo de ser ruidoso estando equivocado. El apiñamiento es el fallo opuesto: no ser ruidoso nunca. Si cada pronóstico suena igual, la confianza deja de transmitir información — no podrías distinguir el pronóstico de Francia del pronóstico de cara o cruz por el número que llevaba pegado, y esta ronda el objetivo que el sistema se había puesto a sí mismo (una brecha de al menos diez puntos porcentuales) se volvió a fallar: la cifra agrupada subió de 7,67 a 8,45. Mejor, pero sigue corta.

Quiero ser preciso sobre qué salió mal aquí, porque no es que “la regla fuera mala”. La regla abordó un fallo real y evitó una repetición — ningún favorito de alta confianza se quemó esta ronda. Lo que salió mal es que una regla escrita para poner tope a un comportamiento específico se convirtió en silencio en un techo para todo, porque a un sistema bajo corrección le resulta más fácil ser uniformemente tímido que selectivamente audaz. La corrección del exceso de confianza produjo defecto de confianza. Si esa forma te resulta familiar fuera del fútbol, debería — más sobre eso en la última sección.

Tercera forma: los cara o cruz que se perdieron limpiamente — y el reflejo del empate que no lo fue

El tercer montón es el más sutil, y se divide en dos.

Primero, las pérdidas limpias. Brasil-Noruega estaba cotizado por el mercado como un cara o cruz casi perfecto — Brasil al 53% aproximadamente. El sistema pronosticó a Brasil con un 52% de confianza y ganó Noruega, con Haaland y Ødegaard atravesando directamente el centro de un equipo cuyo mediocampo de contención fue desbordado. El pronóstico de Suiza-Colombia se inclinaba por Colombia al 50%; el partido terminó 0-0 tras la prórroga y se fue a penaltis — un resultado que el propio mercado daba aproximadamente en un tercio de probabilidad.

Ninguno de los dos es un error de modelado. Un pronóstico al 52% que se pierde es justo lo que significa el 52%: pierdes ese pronóstico casi la mitad de las veces, para siempre. El post-mortem del propio sistema acierta exactamente en esto, y escribe una regla que no esperaba de él: un pronóstico de casi-cara-o-cruz que pierde el cara o cruz no dispara ningún cambio de regla. Reaccionar de más ante pérdidas limpias es como los pronosticadores se arruinan a sí mismos — acabas persiguiendo cada resultado hacia atrás, y para cuando has “aprendido” de diez lanzamientos de moneda has desaprendido todo lo real. Tras la ronda pasada, vi a este sistema sobrecorregirse; verlo ahora negarse explícitamente a corregir es lo más maduro que ha hecho en todo el torneo.

Las pérdidas injustas son otra historia. Dos veces esta ronda el sistema pronosticó un empate en un partido entre un equipo decente y uno de élite — Estados Unidos-Bélgica y México-Inglaterra — razonando que ambos partidos eran cara o cruz ajustados, así que el empate era el término medio seguro. Bélgica ganó 1-4. Inglaterra remontó para ganar 3-2 en el Azteca. Los dos empates “seguros” estaban equivocados, y equivocados de una forma instructiva: unas cuotas ajustadas entre un equipo de élite y uno simplemente bueno resultaron significar que cualquiera podía ganar, no que el partido se mantendría cerrado. Dos partidos son poca evidencia para una ley, así que eso queda registrado como una regla de trabajo por probar, no como una verdad — pero es la lectura hacia la que apuntan las dos palizas. Y en el partido de México el sistema lo agravó añadiendo a mano un extra por la altitud y un público hostil por encima del precio del mercado — un precio que ya tenía a Inglaterra a apenas +135 contra un equipo más débil, que es el descuento del Azteca a plena vista. Contar un factor famoso dos veces no es perspicacia, es entusiasmo de doble contabilidad. Las dos cosas produjeron reglas nuevas y estrechas — el reflejo del empate como refugio queda limitado contra rivales de élite, y no se añade ningún extra de ventaja de local encima de un precio de mercado que ya lo contiene.

Una nota honesta más sobre este montón: Canadá-Marruecos se pronosticó a favor de Marruecos — uno de los dos aciertos oficiales — pero con un 1-2 cuando terminó 0-3, y el fallo en el margen es parte de por qué el error de diferencia de goles se disparó. En una eliminatoria, un equipo claramente mejor contra un banquillo corto no gana con educación; el sistema infra-pronostica las goleadas, lo ha hecho durante todo el torneo hasta ahora, y esta ronda por fin le costó puntos visibles.

La mitad callada tuvo su mejor ronda — en el marcador del que por fin puedo fiarme

Mientras todo eso salía mal, la otra mitad del sistema tuvo, en silencio, su mejor ronda del torneo.

El modelo de quién-sale — el que pone a cada jugador un número de 0 a 100 sobre su probabilidad de estar en el once inicial, del mismo modo que un médico da un pronóstico antes de una operación — acertó en aproximadamente el 85% de sus pronósticos esta ronda, su mejor marca de las cinco rondas calificadas — con el mismo grano de sal de ocho partidos que cualquier otro superlativo de este artículo. Y ese número significa algo ahora de una forma que no significaba antes de la reconstrucción del marcador, porque se calcula sobre el registro que fregué después del fiasco de la tercera jornada: cada dato real contrastado contra el registro público de partidos, predicciones obsoletas excluidas, sanciones contabilizadas. El marcador limpio se mantuvo. Nada necesitó volver a fregarse. El trabajo aburrido siguió hecho.

No fue impecable, y las imperfecciones tienen un patrón: los dos jugadores con los que sigue fallando son los dos con los que ya había fallado antes. El ancla del centro del campo de Francia — mi propio jugador, el hombre cuyo suplentazgo fantasma rompió mi marcador hace dos rondas — volvió a quedarse fuera por rotación, y el sistema, habiendo aprendido “puede que lo roten”, seguía teniéndolo demasiado alto. Y al extremo de Brasil lo han valorado como casi seguro titular durante tres rondas seguidas mientras no salía titular en ninguna de ellas, porque el entrenador no hizo una excepción: cambió de opinión de forma permanente. Los dos casos produjeron reglas más estrictas: un habitual que se ha quedado fuera dos veces seguidas recibe un tope duro hasta que el entrenador diga lo contrario, y una “rotación” que se repite se reclasifica como la nueva normalidad. La tabla de valores atípicos de mi panel es, en efecto, el lugar donde se anuncian por adelantado las disculpas de la próxima ronda — que es exactamente lo que quiero que haga un marcador.

La clasificación: mi peor ronda de predicciones fue mi mejor ronda de liga

Ahora la parte que suena a que no puede ser verdad.

En la ronda en la que mis predicciones de resultado quedaron en 2 de 8, mi equipo tuvo su mejor ronda del torneo: primer puesto, 426 puntos, cincuenta y cinco por delante del segundo. Hace una ronda esa ventaja era de cinco puntos. El valor de la plantilla bajó un poco — las selecciones eliminadas arrastran el mercado hacia abajo — pero la ventaja de valor sobre la siguiente plantilla se amplió a unos quince millones y medio, y llevo ocho jugadores hacia los cuartos de final, tras añadir un defensa de un equipo que sigue vivo.

¿Cómo pasan las dos cosas en la misma ronda? Porque las dos mitades de este sistema alimentan la liga en cantidades completamente distintas. Los pronósticos de resultado dan unos pocos puntos cuando aciertan. El motor de verdad son los jugadores: mis ocho jugadores ganan puntos por cada minuto que juegan, cada gol, cada portería a cero — duplicado en las eliminatorias — y ese motor funciona con la mitad callada. A quién comprar, quién sale titular, quién sobrevive la ronda. El modelo de quién-sale tuvo su mejor ronda, mi plantilla está concentrada en selecciones que siguieron ganando, y el multiplicador de eliminatorias lo amplificó todo. La mitad vistosa se cayó de bruces en público mientras la mitad que paga las facturas se acumulaba.

Vuelvo a esto una y otra vez porque es lo más transferible de toda la serie: conoce cuál de tus números es el que te paga. Si juzgara este sistema como se leería por encima en una presentación — por la cifra principal de precisión de predicción — esta habría sido la ronda para apagarlo. Por el número que de verdad decide la liga, fue la mejor ronda que ha tenido nunca.

Qué cambia para los cuartos de final

El sistema calificó su propia ronda y fijó su plan; mi trabajo era leerlo con ojo crítico, y en su mayor parte lo suscribo. Tres cambios, por orden de importancia:

La confianza recupera un techo. El tope de eliminatorias se mantiene para los favoritos normales — esa regla tiene una ronda de antigüedad y una ronda de haberse justificado. Pero cuando el mercado cotiza a un equipo al 75% o más y una segunda fuente independiente está de acuerdo y el rival no muestra ninguna señal de alarma de atrincherarse, el sistema ahora tiene permiso explícito — de hecho, la obligación — de decir 68-78 y decirlo en serio. La discriminación necesita un extremo ruidoso para existir. Un pronosticador que se ha prohibido a sí mismo estar seguro alguna vez es tan poco informativo como uno que está seguro de todo.

La comprobación de formato se convierte en física. Ganador y marcador tienen que coincidir antes de que un pronóstico pueda registrarse — impuesto en el código, no en un archivo de lecciones. Este es el cambio que más me importa, porque es el que no cuesta literalmente nada: ningún criterio, ningún compromiso, solo una comprobación que hace imposible toda una categoría de herida autoinfligida.

Los cara o cruz siguen siendo humildes, con dos matices nuevos. Los empates siguen siendo un pronóstico principal legítimo — pero no como refugio contra equipos de élite, y cuando dos equipos defensivamente fuertes se enfrentan en una eliminatoria, un guion de 0-0 tras la prórroga se cotiza explícitamente en vez de desearse que no pase. Y las pérdidas limpias de cara o cruz siguen sin disparar nada en absoluto.

El cuadro de cuartos de final al que se enfrenta ahora el sistema: Marruecos-Francia, España-Bélgica, Noruega-Inglaterra, Argentina-Suiza. Por sus propias reglas nuevas, en el momento en que uno de esos partidos muestre un favorito lo bastante claro, por fin volverás a ver un pronóstico ruidoso otra vez — y si se lo gana.

Quita el fútbol

Borra la palabra “fútbol” de esta ronda y quedan tres cosas — las mismas tres que defendería en cualquier revisión de negocio.

Primero — todo arreglo proyecta una sombra, y la sombra tiene la forma del error contrario. La regla que detuvo a los favoritos con exceso de confianza produjo una ronda de timidez uniforme, porque a un sistema bajo corrección le resulta más barato ser siempre-callado que selectivamente-ruidoso. Esto no es un fenómeno del fútbol. Aprieta la inspección de entrada después de un lote defectuoso y verás que las entregas dejan de salir de la planta a tiempo; aprieta un filtro de fraude después de un pago malo y verás que empieza a rechazar a buenos clientes. La pregunta que hay que hacerle a cualquier barrera nueva no es solo “¿evita el último incidente?” — es “¿hacia dónde empuja todo lo demás?” La calibración es de doble sentido: el objetivo nunca fue menos confianza, era una confianza que encaje con la realidad en las dos direcciones.

Segundo — los fallos emigran a donde has dejado de mirar. Hace dos rondas el registro de lo que pasó estaba sucio y las predicciones estaban bien. Lo limpié. Esta ronda el registro de lo que se predijo se ensució — una inconsistencia de formato en tres pronósticos, en un sitio que nunca antes había fallado ni una sola vez. Una canalización de datos es solo tan fiable como su extremo menos vigilado, y el extremo menos vigilado siempre es el que acabas de terminar de arreglar, porque es el que has dejado de preocuparte por vigilar — el mes en que por fin cuadras los albaranes de entrega es el mes en que los errores se mudan a cómo se escriben las facturas. La respuesta aburrida — validación en el punto de escritura, no en el punto de lectura — es la misma respuesta aburrida que lleva siéndolo cincuenta años, y hizo falta un 25% público para que de verdad la implementara.

Tercero — un calificador estricto es una virtud, incluso cuando califica en tu contra. Mi marcador marcó dos respuestas correctas como incorrectas esta ronda porque estaban registradas en un formato autocontradictorio, y dejé que las dos marcas se mantuvieran. En cualquier sistema en el que los registros disparan consecuencias reales — un pago, un envío, un informe de cumplimiento — una respuesta correcta escrita de forma ambigua es incorrecta, porque la máquina que actúa sobre ella no puede preguntar qué querías decir. La tentación de corregir a mano “lo que el sistema realmente quiso decir” es exactamente cómo un rastro de auditoría limpio se pudre hasta convertirse en una historia que te cuentas a ti mismo.

Los cuartos de final son lo próximo: cuatro partidos, los nuevos niveles de confianza en vivo, y un cuadro en el que el destino de mi propia plantilla y las notas de mi sistema quedan enredados entre sí — Francia, Argentina, Inglaterra, España, Marruecos y Bélgica siguen todos vivos, y cada uno de mis ocho jugadores está en un equipo que sigue en pie. El registro hasta ahora dice que la mitad ruidosa de este sistema todavía está aprendiendo a ganarse la confianza y la mitad callada ya se la ha ganado. Si tienes un sistema en tu escritorio cuyo número principal acaba de tener una racha terrible — puede que valga la pena comprobar, antes de apagarlo, cuál de sus números es el que de verdad te paga. El mío acaba de tener su mejor ronda, y nunca lo sabrías por el marcador — que se queda en la página pública en 2 de 8 de todos modos. Ya sabes dónde encontrarme.