Dois de oito: a pior rodada do torneio para a IA — e os três jeitos bem diferentes pelos quais ela chegou lá

O artigo anterior terminou com algo específico para eu ficar de olho: depois que o sistema recaiu na velha armadilha do excesso de confiança, ele escreveu para si mesmo uma regra rígida — num mata-mata, nunca colocar mais do que cerca de setenta por cento num favorito — e eu disse que se essa disciplina se sustentaria era exatamente o que você ia poder conferir nesta página.

Ela se sustentou. Nenhum palpite ultrapassou a linha. E ainda assim a rodada foi a pior do placar até agora — e não foi por pouco. Dois de oito vencedores acertados — vinte e cinco por cento. Zero placares exatos. O erro médio na margem final, que tinha melhorado em toda rodada do torneio, voltou de vez ao seu pior valor. Uma regra pode se sustentar e a rodada ainda assim dar errado, e o intervalo entre essas duas frases é do que este texto trata.

Vou dizer a parte desconfortável primeiro, porque o ponto inteiro de se avaliar em público é que você não pode suavizar o número: a nota é 2 de 8, e ela fica valendo. Mas quando desmontei a rodada peça por peça, os destroços se organizaram em três pilhas — um bug administrativo que custou dois acertos, uma regra de segurança que passou do ponto, e um conjunto de caras-ou-coroas que foram precificados com honestidade e perdidos mesmo assim. Três tipos diferentes de erro, três consertos diferentes. Jogar tudo isso num único “rodada ruim” ensinaria exatamente as lições erradas, e separar as peças foi a coisa mais útil que fiz a rodada inteira.

Uma clarificação permanente, já que leitores novos chegam a cada rodada: não tem nenhum modelo sob medida sendo treinado aqui. Eu pego modelos de IA existentes, de prateleira, dou a eles as ferramentas, o contexto e um trabalho específico, e refino como eles fazem esse trabalho rodada após rodada — mais parecido com dar um briefing a um analista novo e afiado do que com construir um cérebro.

A manchete, as duas metades dela

A metade ruim: as previsões de resultado tiveram sua pior rodada do torneio. Dois de oito vencedores certos, contra um arco que lia 46% → 75% → 71% → 73% ao longo das rodadas anteriores. Nenhum placar exato pela primeira vez. E o erro de diferença de gols — em média, o quanto a margem de vitória cravada erra a real; cravar um 2–0 que termina 5–0 e você errou por três gols — tinha caído em toda rodada, de 1,38 gol para 0,73. Ele saltou para 1,75, seu pior valor do torneio inteiro. Zebras atravessaram o chaveamento inteiro — o Brasil caindo para a Noruega foi a mais barulhenta delas — e a própria página de pós-mortem do sistema chama isso de “a rodada das zebras e a rodada da aglomeração” na mesma frase; as duas palavras vão ganhar seu lugar mais abaixo. Uma ressalva antes de qualquer superlativo neste texto, e ela corta dos dois lados: uma rodada de mata-mata tem oito jogos. Oito. Eu anexei um aviso de “leia a direção, não a casa decimal” a números mais amigáveis em amostras maiores nas rodadas anteriores, e ele vale em dobro aqui — para o rótulo de pior rodada e para todo “melhor” que vem a seguir.

A metade boa, bem ao lado dela: a parte quieta do sistema — a que prevê quem de fato entra em campo, a parte que me ganha a liga — teve sua melhor rodada do torneio: certa em cerca de 85% dos seus palpites de titularidade, no placar que limpei duas rodadas atrás e que agora consigo de fato confiar. E a tabela da liga se mexeu mais numa rodada só do que em qualquer rodada anterior. As duas metades são reais, nenhuma cancela a outra — e o intervalo entre elas monta a única frase que eu guardaria deste texto se só pudesse guardar uma: o número que um estranho leria primeiro por cima não é o número que paga.

O resumo, caso você seja novo por aqui

Contexto rápido se você é novo: um esquadrão de agentes de IA faz a lição de casa diária para o meu time num fantasy da Copa do Mundo, prevendo duas coisas a cada rodada — quem de fato vai começar cada jogo, e como cada jogo vai terminar. A realidade avalia as duas, em voz alta, e eu escrevo as notas, os erros mais alto que os acertos. A fase de grupos ficou pra trás faz tempo; agora estamos nos mata-matas, onde todo jogo é único, um empate vai para os pênaltis, e os pontos contam em dobro. Esta é a quinta rodada avaliada, e a primeira em que as previsões de resultado de fato caíram de cara no chão.

Jeito um de errar: a resposta estava certa e o registro estava errado

Comece pela pilha que dói mais, porque ela foi inteiramente autoinfligida e não teve nada a ver com futebol.

O sistema cravou a França para vencer o Paraguai. A França venceu o Paraguai. Ele cravou a Espanha para vencer Portugal. A Espanha venceu Portugal. Os dois palpites estão marcados como errados no placar acima, e a marcação está correta.

Foi o seguinte que aconteceu. Todo palpite tem duas partes: um vencedor (“fora”) e um placar (“2–0”). A convenção — a mesma que toda tabela de futebol do mundo usa — é que o placar lê o mandante primeiro: um “2–0” significa que o time da casa fez dois gols. Em três dos seus oito palpites nesta rodada, o sistema escreveu o placar do ponto de vista do vencedor. “França vence por 2–0” saiu como Paraguai 2–0 França, vitória fora de casa — um palpite que se contradiz sozinho. Meu avaliador olha o placar, lê uma vitória em casa, compara com a vitória fora de casa que de fato aconteceu, e marca o palpite como errado. Dois desses três palpites autocontraditórios tinham o vencedor certo dentro deles; o terceiro, Suíça–Colômbia, estava errado dos dois jeitos. Os 25% oficiais da rodada teriam sido 50% sem o bug.

Se você tem acompanhado esta série, vai notar o padrão comigo: duas rodadas atrás eu descobri que não conseguia confiar no meu registro de quem de fato jogou e passei uma rodada limpando os resultados reais. A cadeia de medição tem duas pontas — o que de fato aconteceu, e o que você previu que ia acontecer — e no momento em que terminei de esfregar uma ponta, o bug se mudou para a outra. Consertei a régua, e depois anotei a leitura ao contrário.

O conserto é tão sem graça quanto o último, o que a essa altura eu já considero um sinal de que é do tipo certo: uma checagem de validação rígida dentro do próprio previsor. Antes de um palpite ser permitido persistir, vencedor e placar precisam concordar — “fora” significa que o segundo número é maior, “empate” significa que são iguais, sem exceções, uma violação bloqueia o palpite de ser registrado. Um palpite agora precisa passar pelo mesmo tipo de checagem de consistência que uma fatura passa antes de um banco pagá-la. Essa regra não existia porque nunca tinha sido necessária: 87 palpites de partida antes desta rodada, zero erros de formato. O sistema encontrou um jeito totalmente novo de errar, na rodada em que errar saiu mais caro.

Jeito dois: a regra de segurança que passou do ponto

A segunda pilha é a que acho genuinamente instrutiva, porque é a sombra direta do artigo anterior.

Depois do fiasco Alemanha–Paraguai — um favorito cravado a 76% de confiança, segurado no empate e eliminado nos pênaltis — o sistema escreveu para si mesmo a regra rígida que mencionei: num mata-mata, nunca passar de cerca de setenta num favorito, porque a disputa de pênaltis transforma todo empate num cara ou coroa e esse risco tem que morar dentro do número. A regra nasceu de uma falha real e repetida. Nesta rodada, a regra se sustentou perfeitamente.

E aqui está o que ela fez. Todos os oito palpites saíram entre 42 e 62 por cento de confiança. A França — um time que o mercado de apostas esperava vencer cerca de cinco vezes em seis, o favorito mais claro da rodada — foi cravada a 62. A Argentina, que o mercado tinha em cerca de três chances em quatro, recebeu exatamente o mesmo 62. Um jogo genuinamente cara ou coroa recebeu 52. No painel a rodada inteira senta numa faixa estreita, tudo soando igual, do jeito que uma pessoa resmunga baixinho depois de levar bronca por gritar. A própria página de pós-mortem do sistema inventou uma palavra para isso que eu vou manter: “aglomeração”.

Lembre do número para o qual esta série sempre volta: discriminação de confiança — o intervalo entre o quão seguro o sistema está nos palpites que acerta contra os que erra. Um professor que se sente igualmente inseguro corrigindo a melhor prova da pilha e a pior parou de te dizer qualquer coisa; um previsor útil é barulhento quando há sinal e quieto quando não há. A armadilha do “fechar o time atrás” — um favorito cravado para vencer com folga contra um lado que “fecha o time atrás”, gíria de futebol para recolher todos os jogadores para defender e jogar puramente para não perder — foi a falha de ser barulhento quando errado. A “aglomeração” é a falha oposta: nunca ser barulhento em nenhum momento. Se todo palpite soa igual, a confiança para de carregar informação — você não conseguiria distinguir o palpite da França do palpite do cara ou coroa só pelo número anexado a ele, e nesta rodada a meta que o próprio sistema tinha estabelecido para si (um intervalo de pelo menos dez pontos percentuais) foi perdida de novo: a cifra combinada subiu de 7,67 para 8,45. Melhor, ainda insuficiente.

Quero ser preciso sobre o que deu errado aqui, porque não é “a regra era ruim”. A regra endereçou uma falha real e preveniu uma repetição — nenhum favorito de alta confiança se queimou nesta rodada. O que deu errado é que uma regra escrita para limitar um comportamento específico discretamente virou um teto sobre tudo, porque é mais fácil para um sistema em correção ser uniformemente tímido do que seletivamente ousado. A correção para o excesso de confiança produziu falta de confiança. Se esse formato parece familiar fora do futebol, é porque é mesmo — mais sobre isso na última seção.

Jeito três: os caras-ou-coroas perdidos com justiça — e o reflexo do empate que não foi

A terceira pilha é a mais sutil, e ela se divide em duas.

Primeiro as perdas justas. Brasil–Noruega foi precificado pelo mercado como um cara ou coroa quase perfeito — o Brasil a cerca de 53%. O sistema cravou o Brasil a 52% de confiança e a Noruega venceu, com Haaland e Ødegaard correndo direto pelo meio de um time cujo meio-campo de contenção foi passado para trás. O palpite de Suíça–Colômbia pendia para a Colômbia a 50%; o jogo terminou 0–0 depois da prorrogação e foi para os pênaltis — um resultado que o próprio mercado tinha em cerca de um terço.

Nenhum dos dois é um erro de modelagem. Um palpite de 52% que perde é exatamente o que 52% significa: você perde esse palpite quase metade das vezes, para sempre. A própria página de pós-mortem do sistema acerta isso na mosca, e escreve uma regra que eu não esperava dele: um palpite de quase-cara-ou-coroa que perde o cara ou coroa não dispara nenhuma mudança de regra. Reagir demais a perdas justas é como previsores se arruínam — você acaba perseguindo cada resultado de trás para frente, e no momento em que você “aprendeu” com dez lançamentos de moeda, já desaprendeu tudo que era real. Depois da rodada passada, eu vi este sistema se corrigir demais; vê-lo agora recusar explicitamente a se corrigir é a coisa mais madura que ele fez o torneio inteiro.

As perdas injustas são uma história diferente. Duas vezes nesta rodada o sistema cravou um empate num jogo entre um time decente e um de elite — EUA–Bélgica e México–Inglaterra — raciocinando que os dois jogos eram caras-ou-coroas apertados, então o empate era o meio-termo seguro. A Bélgica venceu por 1–4. A Inglaterra virou o jogo e venceu por 3–2 no Azteca. Os dois empates “seguros” estavam errados, e errados de um jeito instrutivo: odds apertadas entre um elenco de elite e um só bom acabaram significando que qualquer um dos dois podia vencer, não que o jogo ia ficar equilibrado. Dois jogos são evidência fina demais para uma lei, então isso fica registrado como uma regra de trabalho a testar, não uma verdade — mas é a leitura para a qual as duas goleadas apontam. E no jogo do México o sistema piorou isso ao adicionar manualmente um bônus para a altitude e uma torcida hostil por cima do preço de mercado — um preço que já tinha a Inglaterra em apenas +135 contra um elenco mais fraco, que é o desconto do Azteca já embutido, à vista de todos. Contar um fator famoso duas vezes não é perspicácia, é entusiasmo em partida dobrada. Os dois casos produziram regras novas e estreitas — o reflexo do empate como refúgio agora tem um teto contra adversários de elite, e nenhum bônus de vantagem de jogar em casa é adicionado por cima de um preço de mercado que já o contém.

Mais uma nota honesta sobre essa pilha: Canadá–Marrocos foi cravado para o Marrocos — um dos dois acertos oficiais — mas o palpite foi 1–2 quando terminou 0–3, e o erro na margem é parte do motivo pelo qual o erro de diferença de gols estourou. Num mata-mata, um time claramente melhor contra um banco fraco não vence com educação; o sistema subestima goleadas, tem feito isso o torneio inteiro até aqui, e nesta rodada isso finalmente custou pontos visíveis.

A metade quieta teve sua melhor rodada — no placar em que finalmente consigo confiar

Enquanto tudo isso dava errado, a outra metade do sistema quietamente teve sua melhor rodada do torneio.

O modelo de quem-começa — o que coloca um número de 0 a 100 na chance de cada jogador estar nos onze titulares, do jeito que um médico dá as odds antes de uma cirurgia — acertou cerca de 85% dos seus palpites nesta rodada, sua melhor entre as cinco rodadas avaliadas — com a mesma pitada de sal de oito-jogos-é-pouco que todo outro superlativo deste texto. E esse número significa alguma coisa agora de um jeito que não significava antes da reconstrução do placar, porque ele é calculado sobre o registro que esfreguei depois do fiasco da terceira rodada: todo resultado real com fonte contra o registro público da partida, previsões vencidas excluídas, suspensões contabilizadas. O placar limpo se sustentou. Nada precisou de nova limpeza. O trabalho chato continuou feito.

Não foi impecável, e as imperfeições têm um padrão: os dois jogadores em que ele continua errando são os dois em quem já tinha errado antes. O volante âncora da França — meu próprio jogador, o homem cujo banco fantasma quebrou meu placar duas rodadas atrás — foi poupado de novo, e o sistema, tendo aprendido “ele pode ser poupado”, ainda o mantinha alto demais. E o ponta do Brasil já foi avaliado como quase certeza de começar três rodadas seguidas sem começar nenhuma delas, porque o técnico não abriu uma exceção, ele mudou de ideia permanentemente. Os dois produziram regras mais rígidas: um titular que ficou de fora duas vezes seguidas recebe um teto rígido até um técnico dizer o contrário, e uma “rotação” que se repete é reclassificada como o novo normal. A tabela de discrepâncias no meu painel é, na prática, o lugar onde as desculpas da próxima rodada são anunciadas com antecedência — que é exatamente o que eu quero que um placar faça.

A classificação: minha pior rodada de previsões foi minha melhor rodada de liga

Agora a parte que soa como se não pudesse ser verdade.

Na rodada em que minhas previsões de resultado foram 2 de 8, meu time teve sua melhor rodada do torneio: primeiro lugar, 426 pontos, cinquenta e cinco à frente do segundo. Uma rodada atrás essa vantagem era de cinco pontos. O valor do elenco caiu um pouco — nações eliminadas puxam o mercado para baixo — mas a vantagem de valor sobre o próximo elenco aumentou para cerca de 15,5 milhões, e estou levando oito jogadores para as quartas de final, tendo adicionado um zagueiro de um time ainda vivo.

Como as duas coisas acontecem na mesma rodada? Porque as duas metades deste sistema alimentam a liga em quantidades completamente diferentes. Palpites de resultado de partida pontuam alguns pontos quando acertam. O motor de verdade são os jogadores: meus oito jogadores ganham pontos por cada minuto que jogam, cada gol, cada jogo sem sofrer gol — dobrado nos mata-matas — e esse motor roda na metade quieta. Quem comprar, quem começa, quem sobrevive à rodada. O modelo de quem-começa teve sua melhor rodada, meu elenco está concentrado em nações que continuaram vencendo, e o multiplicador dos mata-matas amplificou tudo isso. A metade chamativa caiu de cara no chão em público enquanto a metade que paga as contas ia se acumulando.

Eu continuo voltando a isso porque é a coisa mais transferível de toda a série: saiba qual dos seus números de fato te paga. Se eu julgasse este sistema do jeito que ele seria lido por cima num slide de apresentação — pela acurácia de previsão da manchete — esta seria a rodada de desligar tudo. Pelo número que de fato decide a liga, foi a melhor rodada que ele já teve.

O que muda para as quartas de final

O sistema avaliou sua própria rodada e traçou seu plano; meu trabalho foi ler tudo com espírito crítico, e no geral eu assino embaixo. Três mudanças, em ordem de importância:

A confiança recupera um teto de novo. O limite de mata-mata continua valendo para favoritos comuns — essa regra tem uma rodada de vida e uma rodada de validação. Mas quando o mercado precifica um time a 75% ou mais e uma segunda fonte independente concorda e o adversário não mostra nenhum sinal de alerta de “fechar o time atrás”, o sistema agora está explicitamente autorizado — obrigado, na verdade — a dizer 68–78 e falar sério. A discriminação precisa de uma ponta barulhenta para existir. Um previsor que se proibiu de algum dia ter certeza é tão pouco informativo quanto um que tem certeza de tudo.

A checagem de formato vira física. Vencedor e placar precisam concordar antes de um palpite poder ser registrado — imposto em código, não num arquivo de lições. É a mudança com a qual eu mais me importo, porque é a que custa literalmente nada: nenhum julgamento, nenhuma troca, só uma asserção que torna uma categoria inteira de ferida autoinfligida impossível.

Os caras-ou-coroas continuam humildes, com duas novas arestas. Empates continuam sendo um palpite principal legítimo — mas não como refúgio contra times de elite, e quando dois lados fortes na defesa se encontram num mata-mata, um roteiro de 0–0 depois da prorrogação passa a ser precificado explicitamente em vez de desejado para longe. E perdas justas em caras-ou-coroas continuam sem disparar absolutamente nada.

O chaveamento das quartas de final que o sistema agora enfrenta: Marrocos–França, Espanha–Bélgica, Noruega–Inglaterra, Argentina–Suíça. Pelas próprias regras novas dele, no momento em que um desses jogos mostrar um favorito claro o suficiente, você finalmente vai ver um palpite barulhento de novo — e se ele merece ser.

Tire o futebol

Apague a palavra “futebol” desta rodada e sobram três coisas — as mesmas três que eu defenderia em qualquer revisão de negócio.

Primeiro — todo conserto lança uma sombra, e a sombra tem o formato do erro oposto. A regra que travou os favoritos excessivamente confiantes produziu uma rodada de timidez uniforme, porque um sistema sob correção acha mais barato ser sempre-quieto do que seletivamente-barulhento. Isso não é um fenômeno de futebol. Aperte a inspeção de entrada depois de um lote ruim e observe as entregas pararem de sair da fábrica no prazo; aperte um filtro de fraude depois de um pagamento ruim e observe ele começar a recusar bons clientes. A pergunta a fazer sobre qualquer nova salvaguarda não é só “isso previne o último incidente?” — é “para onde isso empurra tudo o mais?” A calibração tem dois lados: o objetivo nunca foi menos confiança, foi confiança que combina com a realidade nas duas direções.

Segundo — bugs migram para onde você parou de olhar. Duas rodadas atrás o registro de o que aconteceu estava sujo e as previsões estavam boas. Eu o limpei. Nesta rodada o registro de o que foi previsto ficou sujo — uma inconsistência de formato em três palpites, num lugar que nunca tinha falhado uma única vez antes. Um pipeline de dados só é tão confiável quanto sua ponta menos vigiada, e a ponta menos vigiada é sempre aquela que você acabou de terminar de consertar, porque é a que você parou de se preocupar — o mês em que você finalmente reconcilia as notas de entrega é o mês em que os erros se mudam para o jeito como as faturas são escritas. A resposta chata — validação no ponto de escrita, não no ponto de leitura — é a mesma resposta chata que é há cinquenta anos, e foi preciso um 25% público para eu de fato implementá-la.

Terceiro — um avaliador rígido é uma vantagem, mesmo quando avalia contra você. Meu placar marcou duas respostas certas como erradas nesta rodada porque foram registradas num formato autocontraditório, e eu deixei as duas marcações valerem. Em qualquer sistema onde registros disparam consequências reais — um pagamento, um envio, um relatório de conformidade — uma resposta correta escrita de forma ambígua é errada, porque a máquina que age sobre ela não pode perguntar o que você quis dizer. A tentação de corrigir manualmente “o que o sistema realmente quis dizer” é exatamente como uma trilha de auditoria limpa apodrece até virar uma história que você conta para si mesmo.

As quartas de final vêm a seguir: quatro jogos, os novos níveis de confiança já valendo, e um chaveamento onde o destino do meu próprio elenco e as notas do meu sistema estão emaranhados juntos — França, Argentina, Inglaterra, Espanha, Marrocos e Bélgica ainda todos vivos, e cada um dos meus oito jogadores num time ainda de pé. O histórico até aqui diz que a metade barulhenta deste sistema ainda está aprendendo a ser confiável e a metade quieta já é. Se tem um sistema na sua mesa cujo número de manchete acabou de ter uma sequência terrível — pode valer a pena checar, antes de desligá-lo, qual dos números dele de fato te paga. O meu acabou de ter sua melhor rodada, e você nunca saberia disso pelo placar — que continua na página pública em 2 de 8 do mesmo jeito. Você sabe onde me encontrar.