O que a IA não sabe sobre um jogo: os limites reais da análise

A IA não sabe duas coisas sobre um jogo. A primeira: tudo o que aconteceu depois de a análise ter sido montada. A segunda: tudo o que em nenhuma fonte chegou a tornar-se dado. O resto da lista de queixas habituais — “o modelo não sabe o tempo, as lesões ou a posição na tabela” — um sistema atual, na verdade, vê: a posição na tabela vem da base de dados desportiva junto com as estatísticas, o tempo e o árbitro nomeado são procurados à parte, antes de calcular seja o que for. Os limites reais estão noutro sítio. A seguir, um a um, com a nota honesta de onde um alegado limite é, na verdade, um mito.

O que a IA sabe de facto sobre um jogo

O debate sobre os limites da IA no desporto acontece quase sempre às escuras: quem discute não sabe o que de facto entra no modelo. E é exatamente isso que decide tudo. Uma análise é tão inteligente quanto o conjunto de dados com que foi alimentada.

A entrada da Sharkline tem duas camadas. A primeira é uma API de dados desportivos: estatísticas de equipas e jogadores, forma atual, posição na tabela, histórico de confrontos diretos, formações, lesões. A segunda camada é construída à mão: antes da análise, o sistema faz até três pesquisas na web e procura exatamente o que uma base de dados, por definição, não consegue conter. Onze confirmado, notícias recentes das equipas, o estado do tempo no dia do jogo, o árbitro nomeado.

À parte fica a camada de consenso: dezenas de avaliações independentes do mesmo jogo, colocadas numa mesma escala e ponderadas consoante a fiabilidade de cada fonte. O modelo recebe uma única probabilidade comparável, e está proibido de inventar números que não estejam nas fontes. Um pormenor técnico pouco vistoso — e é exatamente ele que separa um cálculo de uma invenção bem escrita.

Aqui está a mesma coisa em forma de mapa.

Fator	O sistema vê	De onde vem
Estatísticas de equipas e jogadores	sim	API de dados desportivos
Forma dos últimos jogos	sim	mesma fonte
Posição na tabela	sim	mesma fonte
Histórico de confrontos diretos	sim	mesma fonte
Onze anunciado e lesões	sim	base de dados + pesquisa web dedicada a notícias
Estado do tempo no dia do jogo	sim	pesquisa web antes da análise
Árbitro nomeado	sim	pesquisa web antes da análise
Como as fontes avaliam o jogo	sim	consenso de mais de 20 fontes
Motivação da equipa	em parte	a tabela o sistema vê, a leitura que o treinador faz dela não
Torneios raros e categorias menores	em parte	pouca estatística, a qualidade da pesquisa desce
Lesão no aquecimento	não	acontece depois de a análise já estar pronta
Troca tardia no onze	não	o mesmo motivo
Rotação não anunciada	não	a decisão existe, o anúncio não
Conflito no balneário	não	nunca se torna dado

As primeiras oito linhas contêm o que a análise manual normalmente não consegue alcançar: ninguém reúne fisicamente este volume sobre trezentos jogos numa noite. As últimas quatro linhas descrevem o teto, e o teto fica exatamente ali.

Primeiro limite: uma análise é uma fotografia

Toda a análise tem uma data. Descreve o jogo tal como estava no momento em que foi montada, e a partir desse segundo começa a envelhecer.

Um jogador lesiona-se no aquecimento. O treinador muda de esquema quarenta minutos antes do apito. O onze anunciado de manhã fica diferente à tarde. Nada disto entra numa análise feita antes, e nenhuma frequência de atualização resolve o problema por completo: entre o último recálculo e o apito inicial sobra sempre uma margem.

A consequência prática é simples: quanto mais perto do início do jogo lês a análise, mais útil ela é, e menor a hipótese de o mundo ter mudado nas suas costas.

Segundo limite: decisões de que ninguém falou

É o ponto mais subestimado. O modelo vê a tabela, por isso a frase “a IA não entende motivação” precisa de uma ressalva: a classificação, o modelo tem-na, e o facto de uma equipa já não ter nada a jogar não é novidade para ele.

O que não tem é a decisão do treinador. Poupar os titulares a pensar na semana europeia, lançar os mais jovens, colocar o segundo guarda-redes. Enquanto a decisão não for anunciada, para o sistema ela não existe, e às vezes só sai uma hora antes do jogo. Os dados da equipa dizem uma coisa, a equipa técnica já decidiu outra, e nada fecha essa margem.

Terceiro limite: o que nunca se tornou dado

Um conflito com a direção. Salário em atraso. Acordos de que ninguém escreve. Um jogador que ontem enterrou alguém querido e entrou em campo na mesma porque o treinador pediu.

Coisas assim não aparecem antes nas estatísticas. Aparecem depois, sob a forma de um resultado estranho que toda a gente explica depois de já ter acontecido. Nenhum modelo vai ver isto alguma vez, e prometer o contrário é desonesto. A informação de bastidores continua a ser terreno de quem tem um contacto dentro do clube, não terreno de um algoritmo.

Quarto limite: torneios sem estatística

Há jogos onde tudo o que foi descrito acima simplesmente não funciona, porque não há nada para reunir.

À esquerda, um jogo com uma base de dados sólida. À direita, o caso em que só existe uma resposta honesta. Números ilustrativos.

Uma divisão regional, uma fase prévia de uma taça distrital, uma liga onde metade do plantel muda de uma jornada para a outra. Formalmente os dados existem. Na prática são dez vezes menos do que o disponível para um jogo de primeira divisão, e parte deles contradiz-se.

O comportamento correto aqui é baixar a avaliação da qualidade da pesquisa e dizer “melhor deixar passar”. Não por preguiça, mas porque qualquer número calculado sobre este material vai parecer convincente e não vai significar quase nada. Dado escasso dá conclusão escassa, e admiti-lo custa menos do que agir com uma segurança que não existe.

Quinto limite: mesmo um 70% correto falha três em cada dez vezes

Este limite não há como evitar de forma nenhuma, porque está embutido na própria ideia de probabilidade.

Se um sistema diz “70%” e está bem calibrado, de dez jogos assim três não vão seguir o guião. Não é uma falha. É exatamente o que o número 70 significa. Um modelo cujos 70% se confirmam sempre não é ótimo — a sua escala está avariada, e os valores corretos ali deveriam ser bem mais altos.

Daqui sai uma consequência incómoda para quem lê. A qualidade de uma análise nunca se prova num único jogo. Um resultado é uma moeda ao ar, e não prova nada em nenhuma direção. Só se avalia numa série longa, comparando como as conclusões se comportam nos diferentes níveis de confiança. É exatamente por isso que nenhum método, IA incluída, consegue prometer um resultado garantido — o motivo é matemático, não uma questão de esforço.

Dá para confiar na IA na análise desportiva

Depende do que entendes por confiar.

Confiar como num oráculo — não. Em nenhum serviço, nenhuma pessoa, nenhum modelo. No desporto não existe ferramenta que conheça o resultado com antecedência, e qualquer promessa desse tipo dá para descartar sem sequer ler.

Confiar como numa máquina que fez por ti o trabalho maçador — sim, com ressalvas. Reuniu os dados sobre trezentos jogos, não se cansou no número duzentos e não se apaixonou pela primeira versão da resposta. Mostrou uma distribuição de probabilidade em vez de uma opção única, avaliou a qualidade dos próprios dados e nomeou a circunstância em que vai falhar. Um trabalho verificável com limites declarados é útil. Uma certeza que não dá para verificar não é, seja de onde vier.

Como ler uma análise sabendo destes limites

Exemplo de ficha de análise. Números ilustrativos.

Três hábitos que mudam tudo.

Olha primeiro para a qualidade dos dados, depois para a conclusão. As estrelas de pesquisa respondem se vale a pena continuar a ler. Uma probabilidade espetacular com uma estrela vale menos do que uma modesta com três.

Lê o risco principal como parte da conclusão. A linha em que o sistema nomeia com antecedência o que pode derrubar a análise é a mais valiosa da ficha. Explicar um resultado depois qualquer um sabe fazer; nomear o ponto fraco antes do apito inicial, não.

Confirma a data de elaboração. Uma análise feita ontem à noite não conhece as notícias desta manhã. Não é um defeito, é uma propriedade de qualquer fotografia.

Como os dados em bruto se tornam uma conclusão pronta, passo a passo, está explicado em como a IA analisa um jogo. Como essa cadeia é construída no nosso caso está descrito em como funciona a Sharkline. Cinco verificações para distinguir esta análise de um canal que vende certeza estão em análise de IA ou canal de prognósticos.

Perguntas frequentes

A IA sabe o estado do tempo e as lesões antes de um jogo? Sim. Lesões e onze anunciado vêm da base de dados desportiva, enquanto o tempo, as notícias recentes das equipas e o árbitro nomeado são procurados à parte antes de calcular seja o que for: até três pesquisas na web por análise. Só falta o que foi descoberto depois de a análise já estar pronta.

O que é que a IA não consegue fazer, em princípio, numa análise desportiva? Ver o futuro e ler pensamentos. Rotação não anunciada, decisão do treinador nunca declarada, conflito interno no plantel, qualquer acordo de bastidores — nada disto existe nos dados, por isso não existe para o modelo.

Porque é que em torneios raros a análise sai mais fraca? Porque a estatística disponível é muito menor e contradiz-se mais. Nesse caso o sistema baixa a avaliação da qualidade da pesquisa e recomenda deixar passar o jogo. Um número seguro sobre um material escasso pareceria mais sólido, mas significaria menos.

Se a confiança era de 70%, porque é que a conclusão não se confirmou? Porque 70% significa exatamente que em cerca de três em cada dez vezes vai acontecer outra coisa. Uma escala bem calibrada é obrigada a falhar na frequência declarada. Isso confere-se numa série longa, não num único jogo.

Dá para confiar na análise desportiva com IA? Como fonte de trabalho verificável — sim: dá para ver que dados foram reunidos, como a sua qualidade foi avaliada e que risco o próprio sistema nomeou. Como promessa de resultado — não, porque essa promessa no desporto ninguém a consegue fazer.