Os reguladores estão perguntando o que a IA do seu CRM foi criada para maximizar

Em 24 de setembro, a Comissão de Jogos de Massachusetts anunciou que revisaria como todas as casas de apostas licenciadas no estado utilizam inteligência artificial e aprendizado de máquina, começando pela DraftKings. Cinco dias depois, o órgão regulador de Michigan informou que estava investigando as mesmas questões. Ambas as medidas seguiram uma New York Times investigação, publicada em 19 de setembro, sobre como a DraftKings utilizava aprendizado de máquina para direcionar promoções.

As reportagens tratam de uma única casa de apostas dos EUA. As questões por trás delas aplicam-se a qualquer operadora e a qualquer fornecedor de CRM que utilize modelos para decidir quem recebe um bônus, um convite VIP ou uma missão: o que o modelo foi criado para maximizar, quais sinais ele lê e quem verifica seus resultados antes que cheguem ao jogador? Essas são perguntas legítimas e mais difíceis de responder do que parecem.

O que as reportagens disseram e como a DraftKings respondeu

De acordo com o Times, a DraftKings utilizou aprendizado de máquina para identificar clientes com probabilidade de continuar apostando, e perdendo, após receberem ofertas promocionais. O CDC Gaming relata que a investigação baseou-se em entrevistas com cerca de 40 ex-funcionários, memorandos de pesquisa internos, mensagens no Slack e registros de apostas de clientes.

Uma ProPublica investigação separada analisou o programa VIP da operadora. Seu repórter apostou deliberadamente como um jogador compulsivo por 10 semanas e, em seguida, foi convidado para o programa, conforme resumido pelo Legal Sports Report.

A DraftKings refutou as reportagens. A empresa afirmou que não utiliza IA para direcionar ofertas a ninguém com base em perdas e que não faz marketing para clientes com base em sinais de possível vício em jogos. A comissão de Massachusetts declarou que não encontrou nenhuma irregularidade e que a revisão tem como objetivo coletar informações.

A operadora é extremamente importante para o mercado de Massachusetts. A DraftKings movimentou cerca de US$ 275 milhões dos aproximadamente US$ 566 milhões apostados nas sete casas de apostas online do estado em agosto, de acordo com números da comissão citados pelo FairGambling.

Massachusetts já tinha uma regra para isso

A análise não começa do zero. Um regulamento de Massachusetts, o 205 CMR 257.02, limita como os operadores de apostas esportivas podem usar dados de clientes para promover apostas ou ofertas. Ele proíbe fazer isso por meio de qualquer algoritmo, aprendizado de máquina ou sistema de IA que o operador, ou um fornecedor do operador, saiba ou deva razoavelmente esperar que torne a plataforma mais viciante. A mesma regra exige que os operadores analisem os dados dos jogadores para seus programas de jogo responsável e relatem tendências à comissão pelo menos a cada seis meses.

O comissário Paul Brodeur disse que Massachusetts é um dos únicos estados, possivelmente o único, a mencionar IA em seus regulamentos de jogos de azar, de acordo com o Legal Sports Report. A comissão também financiou um estudo sobre IA em jogos pelo UNLV International Gaming Institute, divulgado em novembro de 2025, e criou a força-tarefa de IA recomendada por esse estudo. Essa força-tarefa agora analisará as práticas da DraftKings.

Michigan está em uma posição diferente. Suas leis e regras exigem autoexclusão, limites de depósito e apostas definidos pelo jogador e informações sobre jogo responsável, mas não mencionam IA ou aprendizado de máquina. O Michigan Gaming Control Board informou que está analisando as questões levantadas em ambos os relatórios e não quis dizer se algum operador específico está sob investigação.

Dois detalhes na redação de Massachusetts são importantes para qualquer pessoa que desenvolva CRM. O padrão abrange o que você sabe ou deveria razoavelmente esperar que um sistema faça, portanto, "nós não testamos isso" é uma defesa fraca. E ele menciona fornecedores, então um provedor não pode tratar o comportamento do modelo como um problema puramente do seu cliente.

Por que isso recai sobre a equipe de CRM

A maioria dos modelos promocionais é treinada para maximizar algo comercial: depósitos, volume de apostas, receita líquida de jogos ou a chance de um jogador retornar na próxima semana. A dificuldade é que fortes preditores de valor de curto prazo se sobrepõem a sinais precoces de danos. Depósitos frequentes, sessões mais longas, recargas rápidas após uma perda e limites aumentados podem ser interpretados como "jogador de alto valor" por um modelo que só enxerga receita.

Considere dois jogadores que depositaram quatro vezes esta semana. Um é um frequentador de fim de semana que coloca saldo no dia do pagamento. O outro recarregou três vezes em uma hora após perder. Um modelo criado para maximizar o volume de apostas pode classificar ambos como fortes candidatos a um bônus de recarga. Uma regra de proteção deveria identificar um jogador para recompensar e outro para se distanciar.

Portanto, o objetivo importa mais do que o algoritmo. Um modelo simples com o objetivo errado pode causar mais danos do que um sofisticado com limites claros ao seu redor.

A direção fora dos EUA é a mesma

Massachusetts é o exemplo mais claro no momento, mas reguladores em outros lugares estão seguindo o mesmo caminho.

Na UE, a proibição da Lei de IA sobre sistemas que usam técnicas manipulativas ou exploram vulnerabilidades das pessoas de maneiras que causam danos significativos está em vigor desde fevereiro de 2025. Os deveres de transparência sob o Artigo 50 começaram em 2 de agosto de 2026. O Digital Omnibus, em vigor desde 27 de julho, adiou as obrigações de alto risco da Lei para 2 de dezembro de 2027, conforme a Freshfields explica. O marketing de jogos de azar não é uma das categorias de alto risco nomeadas pela Lei, no entanto, então esse atraso muda pouco para as equipes de CRM. Se um modelo promocional específico se enquadra na proibição é uma questão jurídica, e é melhor perguntar ao seu departamento jurídico agora do que ouvir isso primeiro de um regulador.

Na Grã-Bretanha, a Gambling Commission atacou diretamente o design de incentivos. Desde 19 de janeiro de 2026, os requisitos de apostas são limitados a 10 vezes o bônus, e uma única promoção não pode mais misturar produtos como apostas e cassino.

O Brasil mostra até onde o argumento pode chegar. PL 1018/2026, apresentado no Senado em março, proibiria programas de fidelidade, cashback, missões, rankings e mensagens personalizadas baseadas no histórico de apostas do jogador. O projeto não avançou desde que foi protocolado e pode nunca ser aprovado, mas é um retrato claro do que os legisladores buscam quando decidem que o setor não estabelecerá limites por conta própria.

Seis pontos para demonstrar sobre qualquer modelo que envolva promoções

Nada disso significa abandonar a IA. A FanDuel, por exemplo, afirmou que utiliza aprendizado de máquina para identificar sinais de jogo prejudicial. Significa, sim, ser capaz de justificar o seu trabalho. Estes seis pontos são um ponto de partida prático.

1. Um objetivo por escrito, incluindo o que o modelo nunca deve otimizar

Todo modelo deve ter uma declaração curta sobre o que ele maximiza e o que não tem permissão para maximizar. "Aumentar a retenção de 30 dias entre jogadores sem marcadores de risco" é defensável. "Aumentar a receita líquida esperada por jogador", sem exclusões, é o tipo de objetivo que acaba citado em uma reportagem. Se ninguém na equipe souber dizer o que um modelo otimiza, essa é a primeira constatação de qualquer auditoria.

2. Entradas que você possa defender

Liste as variáveis que cada modelo comercial lê. Sinais que medem principalmente o sofrimento, como recargas rápidas após perdas, cancelamentos de saques ou aumentos de limites, pertencem a modelos de proteção. Alimentar esses dados em um modelo que seleciona beneficiários de bônus é como um sistema aprende a encontrar os jogadores que têm dificuldade em parar.

3. Regras de proteção que superam qualquer pontuação

Os alertas de jogo responsável devem substituir o resultado do modelo e ser verificados tanto no momento em que uma mensagem ou recompensa está prestes a ser enviada quanto no momento em que o segmento é criado. Um jogador que se autoexcluiu esta manhã não deveria receber um convite para uma missão baseado no segmento da noite anterior. Na prática, isso significa uma camada de supressão que todos os canais e mecânicas de jogo respeitam, incluindo e-mail, push, popups, missões, torneios e abordagem VIP. Cobrimos como isso se encaixa no trabalho diário de retenção em jogo mais seguro na camada de CRM.

4. Um motivo vinculado a cada decisão

Se um regulador escolher um jogador e perguntar por que ele recebeu uma oferta específica em um dia específico, você deve ser capaz de responder a partir do sistema, sem que um cientista de dados precise reconstruir a lógica posteriormente. Modelos que retornam cada recomendação com seus motivos tornam isso possível. Uma pontuação nua e crua, sem explicação, torna tudo muito difícil.

5. Prova de incrementalidade, com métricas de dano ao lado da receita

Grupos de controle mostram se uma campanha alterou o comportamento ou apenas pagou jogadores para fazerem o que já fariam de qualquer maneira. Eles também podem mostrar se a campanha alterou coisas que você preferiria não ver. Coloque autoexclusões, mudanças de limites, reclamações e opt-outs no mesmo relatório que o aumento de receita, para que uma campanha que vence em receita, mas eleva os marcadores de dano, não seja escalada por padrão. Nossas regras para testes A/B em iGaming cobrem a configuração.

6. Aprovação humana onde os riscos são maiores

Decisões automatizadas são aceitáveis para um incentivo de rodadas grátis. Convites VIP, bônus grandes e mudanças na lógica do modelo merecem uma pessoa responsável que os aprove e um registro dessa aprovação. Peça a cada fornecedor documentação sobre o que cada modelo faz e quais dados ele lê, e mantenha isso arquivado junto com os resultados da validação. Sob uma regra como a de Massachusetts, "nosso fornecedor criou isso" não satisfará ninguém.

Os programas VIP são onde isso é testado primeiro

A ProPublica história chegou ao VIP por um motivo. A seleção VIP é onde o resultado de um modelo se transforma no tratamento mais pessoal e generoso que um operador oferece: um gerente de conta dedicado, bônus maiores, presentes. Se a lógica de seleção recompensa a intensidade do jogo sem verificar a acessibilidade e os indicadores de risco, o programa acabará atraindo a pessoa errada. Nosso guia de gerenciamento de jogadores VIP se aprofunda no design do programa.

A gamificação traz a mesma exposição em menor escala. Níveis e sequências recompensam a atividade contínua por design, assim como a maioria das missões. Eles também podem ter freios integrados: limites sobre quanto uma missão pode pedir que um jogador aposte, períodos de reflexão após atingir um limite e recompensas por variedade ou habilidade em vez de por perdas. Escrevemos sobre a ética da gamificação se você quiser a versão mais longa.

O ângulo da Smartico

A Smartico é uma fornecedora de CRM e gamificação, então esta conversa é tanto sobre nós quanto sobre nossos clientes. O operador é dono de sua política de jogo responsável. Nosso trabalho é tornar essa política aplicável onde quer que um jogador possa ser alcançado e manter nossos próprios modelos explicáveis.

Automação de CRM e gamificação rodam em um único motor na Smartico, cobrindo segmentos, jornadas, missões, torneios e recompensas. Uma condição de supressão baseada em um sinalizador de jogo responsável da sua plataforma se aplica a campanhas e mecânicas de jogo da mesma forma, para que você não acabe mantendo regras separadas em ferramentas separadas que se distanciam lentamente.

Nossos modelos de IA são calibrados de acordo com os jogadores de cada marca. A Elegibilidade de Bônus, por exemplo, pontua jogadores ativos diariamente e recomenda Elegível ou Suprimir, com os motivos exibidos ao lado de cada recomendação. Seu objetivo declarado é menos bônus e bônus menores enquanto o jogo se mantém estável.

As campanhas também podem ser executadas com grupos de controle, para que você possa mostrar quais ofertas mudaram o comportamento e quais apenas custaram dinheiro.

Se sua equipe está revisando como seu CRM usa IA, teremos prazer em analisar esses controles com seus próprios dados. Agende uma demonstração, ou se você estiver na SiGMA World em Roma de 2 a 5 de novembro, encontre-nos no estande H4-4036. Você pode agende um horário no estande com antecedência.

Este artigo foi útil? Se sim, considere compartilhá-lo com outros profissionais do setor como você.