Times: DraftKings' modell rangret spillere etter forventet tap – mens prediksjon av spillskader ble rapportert stanset
En maskinlæringsmodell bygget i 2023 scoret selskapets kunder etter hvor mye penger de sannsynligvis kom til å tape per tilbud – mens lignende teknologi ifølge tidligere ansatte ble holdt tilbake fra å forutse spillskader.
Times: DraftKings' modell rangret spillere etter forventet tap – mens prediksjon av spillskader ble rapportert stanset
En maskinlæringsmodell bygget i 2023 scoret selskapets kunder etter hvor mye penger de sannsynligvis kom til å tape per tilbud – mens lignende teknologi ifølge tidligere ansatte ble holdt tilbake fra å forutse spillskader.
I 2023 bygget DraftKings en maskinlæringsmodell basert på kundenes veddemålsdata for å svare på et konkret spørsmål: Hvem var mest sannsynlig til å reagere på kampanjer ved å vedde – og tape – mer? Ifølge en undersøkelse i The New York Times, publisert 19. september 2026, scoret modellen hver kunde etter hvor mye penger vedkommende sannsynligvis kom til å tape per tilbud som ble presentert.
Undersøkelsen, med signatur Alex Klavens, Walt Bogdanich og Jenny Vrentas, bygger ifølge avisen på interne dokumenter og intervjuer med titalls tidligere DraftKings-ansatte. Mange av dem var ifølge Times bekymret for at selskapets innsats skadet problemspillere. Det er verdt å være tydelig på forhånd: Alle detaljene nedenfor kommer via Times' rapportering av internt materiale – AIMag har ikke tilgang til primær dokumentasjon fra DraftKings, og selskapets respons på undersøkelsen foreligger ikke i det materialet denne saken bygger på.
Hvorfor modellen ble bygget
DraftKings brukte ifølge Times hundrevis av millioner dollar hvert år på kampanjeinsentiver: «gratis» veddemålspenger annonsert via e-poster og varsler på telefonen. Men selskapet visste lite om hvor effektive disse tilbudene faktisk var.
Det er dette problemet maskinlæringsmodellen skulle løse. I praksis handler det om mønstergjenkjenning: Modellen ble bygget på kundenes veddemålshistorikk for å finne trekk ved spillere som historisk har respondert på tilbud med økt spilling og økt tap. Resultatet var en per-kunde-score for forventet tap per tilbud.
Analytikeren som testet modellen
Den mest konkrete beskrivelsen av hvordan systemet ble brukt kommer fra Jayden Butts, en tidligere dataanalytiker hos DraftKings som ble navngitt og sitert av Times. Hans oppgave var å teste modellen ved å prioritere gratisveddemål og bonuser til de sannsynlige taperne.
Ifølge Times begynte et spørsmål å gnage i ham: Var ikke mange av de samme menneskene sårbare for avhengighet?
«Vi leter etter trekk og egenskaper vi kan målrette oss mot som indikerer en god investering», sa han til avisen. Etter streng finansiel logikk, konkluderte han, ville «den beste investeringen være en problemspiller». (Sitert etter Times' engelske original.)
Asymmetrien: samme data, motsatt bruksområde
Kjernen i undersøkelsen er ikke at selskapet bygde en prediksjonsmodell, men den rapporterte skjevheten i hva samme data ble brukt til.
Ifølge seks tidligere ansatte som jobbet med systemene, har DraftKings fortsatt å finpusse metodene for å målrette taperspillere mot kampanjer som oppmuntrer til mer spilling, etter Butts' tester. Samtidig har selskapet, ifølge fire andre tidligere ansatte, bremset eller stoppet forsøk på å bruke lignende teknologi til å forutsi hvem som kan utvikle et spilleproblem basert på veddemålsaktiviteten deres.
Metodisk sett er dette de svakeste påstandene i saken. Begge gruppene er anonymiserte tidligere ansatte, og karakteristikken av hva som ble «bremset eller stoppet» – og hvorfor – er Times' gjengivelse av deres kontoer. Det finnes ingen DraftKings-dokumentasjon i det tilgjengelige materialet som bekrefter eller motbeviser dem.
Tidspunktet
Undersøkelsen ble publisert 19. september 2026, i starten av NFL-sesongens veddemålssesong – perioden da kampanjeintensiteten i bransjen normalt er på sitt høyeste. Tidspunktet alene gjør saken aktuelt: rapporteringen om hvordan selskapets kampanjemekanismer fungerer internt, lander akkurat når kampagnene er mest synlige for kundene.
Hva som fortsatt er åpent
Flere vesentlige spørsmål kan ikke besvares på det foreliggende grunnlaget. For det første: DraftKings' respons er ikke tilgjengelig i materialet AIMag har hatt tilgang til, og kan ikke gjengis før den er verifisert. For det andre er innholdet i de interne dokumentene kun kjent gjennom Times' gjengivelse; det foreligger ingen primær dokumentasjon. For det tredje er det uklart nøyaktig når modellen ble tatt i full drift utover bygge- og testperioden i 2023 som Butts beskriver.
Det etterlater en sak med et indirekte, men konkret bevisgrunnlag: en navngitt tidligere ansatt som beskriver mekanismen og sine egne konklusjoner, og grupper av anonymiserte tidligere ansatte hvis kontoer om stoppet avhengighetsprediksjon er Times' rapportering, ikke verifiserte fakta. Den samme datastrømmen kan i prinsippet brukes til å finne kundene som taper mest – og til å finne spillere før skaden skjer. Hvilket av disse målene DraftKings prioriterte, er det foreløpig selskapet selv som må svare på.