Los reguladores preguntan qué es lo que la IA de tu CRM está diseñada para maximizar

El 24 de septiembre, la Comisión de Juegos de Massachusetts anunció que revisaría cómo cada casa de apuestas con licencia en el estado utiliza la inteligencia artificial y el aprendizaje automático, comenzando por DraftKings. Cinco días después, el regulador de Michigan informó que estaba investigando los mismos asuntos. Ambas medidas se produjeron tras una New York Times investigación, publicada el 19 de septiembre, sobre cómo DraftKings utilizaba el aprendizaje automático para dirigir sus promociones.

El informe se centra en una sola casa de apuestas de EE. UU. Sin embargo, las preguntas que plantea son aplicables a cualquier operador y a cualquier proveedor de CRM que utilice modelos para decidir quién recibe un bono, una invitación VIP o una misión: ¿qué está diseñado el modelo para maximizar?, ¿qué señales interpreta? y ¿quién verifica sus resultados antes de que lleguen al jugador? Son preguntas legítimas y más difíciles de responder de lo que parecen.

Lo que dijeron los informes y cómo respondió DraftKings

Según el Times, DraftKings utilizó el aprendizaje automático para identificar a los clientes con probabilidades de seguir apostando, y perdiendo, tras recibir ofertas promocionales. CDC Gaming informa que la investigación se basó en entrevistas con cerca de 40 ex empleados, memorandos de investigación internos, mensajes de Slack y registros de apuestas de los clientes.

Una ProPublica investigación independiente analizó el programa VIP del operador. Su reportero apostó deliberadamente como un jugador con problemas durante 10 semanas y, posteriormente, fue invitado al programa, tal como resumió Legal Sports Report.

DraftKings rechazó el informe. La empresa afirmó que no utiliza IA para segmentar a nadie en función de sus pérdidas y que no dirige sus campañas de marketing a clientes basándose en señales de posibles problemas con el juego. La comisión de Massachusetts ha declarado que no ha encontrado ninguna irregularidad y que la revisión tiene como objetivo recopilar información.

El operador es de gran importancia para el mercado de Massachusetts. DraftKings captó cerca de 275 millones de dólares de los aproximadamente 566 millones apostados en las siete casas de apuestas deportivas en línea del estado durante agosto, según cifras de la comisión citadas por FairGambling.

Massachusetts ya contaba con una norma al respecto

La revisión no parte de cero. Una normativa de Massachusetts, la 205 CMR 257.02, limita la forma en que los operadores de apuestas deportivas pueden utilizar los datos de los usuarios para promocionar apuestas u ofertas. Prohíbe hacerlo mediante cualquier algoritmo, aprendizaje automático o sistema de IA que el operador, o un proveedor del mismo, sepa o deba esperar razonablemente que haga la plataforma más adictiva. La misma norma exige a los operadores analizar los datos de los jugadores para sus programas de juego responsable e informar de las tendencias a la comisión al menos cada seis meses.

El comisionado Paul Brodeur señaló que Massachusetts es uno de los únicos estados, posiblemente el único, que hace referencia a la IA en sus normativas sobre juegos de azar, según Legal Sports Report. La comisión también financió un estudio sobre la IA en el sector del juego realizado por el Instituto Internacional del Juego de la UNLV, publicado en noviembre de 2025, y creó el grupo de trabajo sobre IA que recomendaba dicho estudio. Ese grupo de trabajo examinará ahora las prácticas de DraftKings.

Michigan se encuentra en una situación distinta. Sus leyes y normas exigen la autoexclusión, límites de depósito y apuestas establecidos por el jugador, e información sobre el juego responsable, pero no mencionan la IA ni el aprendizaje automático. La Junta de Control del Juego de Michigan declaró que está revisando las cuestiones planteadas en ambos informes y no quiso precisar si algún operador en concreto está siendo objeto de revisión.

Dos detalles en la redacción de Massachusetts son importantes para cualquiera que desarrolle un CRM. La norma cubre lo que usted sabe o debería esperar razonablemente que haga un sistema, por lo que "no lo probamos para eso" es una defensa débil. Además, menciona a los proveedores, por lo que un suministrador no puede tratar el comportamiento del modelo como un problema exclusivo de su cliente.

Por qué esto recae en el equipo de CRM

La mayoría de los modelos promocionales están entrenados para maximizar algo comercial: depósitos, volumen de negocio, ingresos netos del juego o la probabilidad de que un jugador vuelva la semana siguiente. La dificultad radica en que los predictores sólidos de valor a corto plazo se solapan con los primeros signos de riesgo. Los depósitos frecuentes, las sesiones más largas, las recargas rápidas tras una pérdida y el aumento de los límites pueden interpretarse como "jugador de alto valor" para un modelo que solo ve ingresos.

Tomemos a dos jugadores que han depositado cuatro veces esta semana. Uno es un habitual de los fines de semana que recarga el día de pago. El otro recargó tres veces en una hora tras perder. Un modelo diseñado para maximizar el volumen de negocio puede clasificar a ambos como candidatos ideales para un bono de recarga. Una norma de protección debería distinguir a un jugador al que premiar de otro con el que ser precavido.

Por tanto, el objetivo importa más que el algoritmo. Un modelo sencillo con un objetivo equivocado puede causar más daño que uno sofisticado con límites claros a su alrededor.

La tendencia fuera de EE. UU. es la misma

Massachusetts es el ejemplo más claro en este momento, pero los reguladores de otros lugares se están moviendo en la misma dirección.

En la UE, la prohibición de la Ley de IA sobre sistemas que utilicen técnicas manipuladoras o exploten las vulnerabilidades de las personas de forma que causen daños significativos se aplica desde febrero de 2025. Las obligaciones de transparencia en virtud del artículo 50 comenzaron el 2 de agosto de 2026. El Ómnibus Digital, en vigor desde el 27 de julio, retrasó las obligaciones de alto riesgo de la Ley hasta el 2 de diciembre de 2027, tal y como explica Freshfields. Sin embargo, el marketing de juegos de azar no es una de las categorías de alto riesgo mencionadas en la Ley, por lo que ese retraso apenas afecta a los equipos de CRM. Si un modelo promocional específico entra dentro de la prohibición es una cuestión jurídica, y es mejor consultarlo con sus asesores legales ahora que enterarse por un regulador.

En Gran Bretaña, la Comisión del Juego atacó directamente el diseño de los incentivos. Desde el 19 de enero de 2026, los requisitos de apuesta están limitados a 10 veces el bono, y una misma promoción ya no puede combinar productos como apuestas y casino.

Brasil muestra hasta dónde puede llegar el argumento. Proyecto de Ley 1018/2026, presentado en el Senado en marzo, prohibiría los programas de fidelización, el cashback, las misiones, los rankings y los mensajes personalizados basados en el historial de apuestas de un jugador. No ha avanzado desde su presentación y es posible que nunca se apruebe, pero es una clara muestra de lo que los legisladores buscan cuando deciden que el sector no pondrá límites por sí mismo.

Seis aspectos que se deben poder demostrar sobre cualquier modelo que afecte a las promociones

Nada de esto significa renunciar a la IA. FanDuel, por ejemplo, ha declarado que utiliza el aprendizaje automático para detectar signos de juego problemático. Lo que sí significa es ser capaz de justificar el trabajo realizado. Estos seis puntos son un punto de partida práctico.

1. Un objetivo por escrito, que incluya lo que el modelo nunca debe optimizar

Cada modelo debe tener una breve declaración de lo que maximiza y lo que no tiene permitido maximizar. "Aumentar la retención a 30 días entre jugadores sin marcadores de riesgo" es defendible. "Aumentar el ingreso neto esperado por jugador", sin exclusiones, es el tipo de objetivo que termina citado en una noticia. Si nadie en el equipo puede decir qué optimiza un modelo, ese es el primer hallazgo de cualquier auditoría.

2. Entradas que puedas defender

Enumera las variables que lee cada modelo comercial. Las señales que miden principalmente la angustia, como las recargas rápidas tras las pérdidas, las retiradas canceladas o los aumentos de límites, pertenecen a los modelos de protección. Introducirlas en un modelo que elige a los destinatarios de bonos es la forma en que un sistema aprende a encontrar a los jugadores que tienen dificultades para parar.

3. Reglas de protección que prevalecen sobre cualquier puntuación

Las alertas de juego responsable deben prevalecer sobre los resultados del modelo y deben verificarse tanto cuando se va a enviar un mensaje o recompensa como cuando se crea el segmento. Un jugador que se autoexcluyó esta mañana no debería recibir una invitación a una misión basada en el segmento de anoche. En la práctica, esto significa una capa de supresión que todos los canales y mecánicas de juego respeten, incluidos el correo electrónico, las notificaciones push, las ventanas emergentes, las misiones, los torneos y la atención VIP. Explicamos cómo encaja esto en el trabajo diario de retención en juego más seguro en la capa de CRM.

4. Una razón vinculada a cada decisión

Si un regulador elige a un jugador y pregunta por qué recibió una oferta específica en un día determinado, deberías poder responder desde el sistema, sin que un científico de datos tenga que reconstruir la lógica a posteriori. Los modelos que devuelven cada recomendación con sus motivos hacen que esto sea posible. Una puntuación simple sin explicación lo hace muy difícil.

5. Prueba de incrementalidad, con métricas de daño junto a los ingresos

Los grupos de control muestran si una campaña cambió el comportamiento o si simplemente pagó a los jugadores por hacer lo que habrían hecho de todos modos. También pueden mostrar si cambió cosas que preferirías no ver. Incluye las autoexclusiones, los cambios de límites, las quejas y las bajas en el mismo informe que el incremento, para que una campaña que gana en ingresos pero aumenta los marcadores de daño no se escale por defecto. Nuestras reglas para pruebas A/B en iGaming cubren la configuración.

6. Aprobación humana donde hay más en juego

Las decisiones automatizadas están bien para un empujón de giros gratis. Las invitaciones VIP, los bonos grandes y los cambios en la lógica del modelo merecen una persona designada que los apruebe y un registro de dicha aprobación. Pide a cada proveedor documentación sobre lo que hace cada modelo y qué datos lee, y guárdala junto con los resultados de la validación. Bajo una norma como la de Massachusetts, el "nuestro proveedor lo creó" no convencerá a nadie.

Los programas VIP son donde esto se pone a prueba primero

La ProPublica historia llegó a VIP por una razón. La selección VIP es donde el resultado de un modelo se convierte en el trato más personal y generoso que ofrece un operador: un gestor de cuenta dedicado, bonos más grandes, regalos. Si la lógica de selección premia la intensidad del juego sin verificar la asequibilidad y los indicadores de riesgo, el programa terminará invitando a la persona equivocada. Nuestra guía de gestión de jugadores VIP profundiza en el diseño del programa.

La gamificación conlleva la misma exposición a menor escala. Los niveles y las rachas recompensan la actividad continua por diseño, al igual que la mayoría de las misiones. También pueden tener frenos integrados: límites en cuánto puede pedir una misión que apueste un jugador, periodos de reflexión después de alcanzar un límite y recompensas por variedad o habilidad en lugar de por pérdidas. Hemos escrito sobre la ética de la gamificación si desea la versión más extensa.

El enfoque de Smartico

Smartico es un proveedor de CRM y gamificación, por lo que esta conversación trata tanto sobre nosotros como sobre nuestros clientes. El operador es dueño de su política de juego responsable. Nuestro trabajo es hacer que esa política sea ejecutable dondequiera que se pueda contactar a un jugador y mantener nuestros propios modelos explicables.

La automatización de CRM y la gamificación se ejecutan en un mismo motor en Smartico, cubriendo segmentos, recorridos, misiones, torneos y recompensas. Una condición de supresión basada en una señal de juego responsable de su plataforma se aplica tanto a las campañas como a las mecánicas de juego, para que no termine manteniendo reglas separadas en herramientas separadas que se desvían lentamente entre sí.

Nuestros modelos de IA están calibrados según los jugadores de cada marca. La elegibilidad para bonos, por ejemplo, califica a los jugadores activos diariamente y recomienda Elegible o Suprimir, con las razones mostradas junto a cada recomendación. Su objetivo declarado es obtener bonos menores y menos frecuentes mientras el juego se mantiene estable.

Las campañas también pueden ejecutarse con grupos de control, para que pueda mostrar qué ofertas cambiaron el comportamiento y cuáles solo costaron dinero.

Si su equipo está revisando cómo su CRM utiliza la IA, estaremos encantados de analizar estos controles con sus propios datos. Reserve una demostración, o si estará en SiGMA World en Roma del 2 al 5 de noviembre, encuéntrenos en el stand H4-4036. Puede reserva una cita en el stand con antelación.

¿Te ha resultado útil este artículo? Si es así, considera compartirlo con otros profesionales del sector como tú.