Современные ИИ-модели всё увереннее пишут код, сдают экзамены и справляются с формальными тестами. Но как только их попытались отправить в более хаотичную среду с меняющимися условиями, результат оказался намного скромнее. В эксперименте с виртуальными ставками на матчи английской Премьер-лиги передовые модели не смогли стабильно зарабатывать и в итоге все ушли в минус.

История важна не из-за самих ставок как таковых. Эксперимент оказался удобной проверкой на более сложную форму практического мышления: может ли ИИ не просто анализировать данные в статике, а адаптироваться по ходу длинного сезона, управлять риском и не разваливаться после пары неудачных решений.

Как устроили проверку

Исследователи из стартапа General Reasoning протестировали восемь передовых ИИ-систем в виртуальной реконструкции сезона английской Премьер-лиги 2023–2024 годов. Каждой модели дали подробную статистику по командам и прошлым матчам и предложили выстроить стратегию, которая позволила бы максимально зарабатывать и одновременно контролировать риск.

ИИ-агенты делали ставки на исходы матчей и на количество голов. Важный момент в том, что по ходу сезона им приходилось учитывать меняющиеся обстоятельства и обновляющиеся данные об игроках, но при этом у моделей не было доступа к интернету. Каждая система получила по три попытки показать результат.

Такой формат оказался намного ближе к реальному миру, чем привычные бенчмарки с фиксированными задачами. Здесь недостаточно один раз правильно ответить на вопрос или найти локально оптимальное решение. Нужно переживать серию событий, пересматривать стратегию и не терять устойчивость на длинной дистанции.

Кто справился лучше остальных

Лучший результат показал Claude Opus 4.6 от Anthropic. Даже он не вышел в плюс, но сумел ограничиться средним убытком около 11 % и в одной из попыток подошёл почти вплотную к безубыточности.

Это не выглядит победой, но на фоне остальных участников такой итог уже оказался почти образцом дисциплины. Эксперимент ясно показал, что даже сильные модели ещё далеки от уверенной работы в среде, где нужно сочетать расчёт, адаптацию и контроль потерь, а не просто генерировать убедительные ответы.

Почему особенно выделился провал Grok

Самый слабый результат показал xAI Grok 4.20. Модель быстро обанкротилась в первой же попытке и не смогла дойти до двух оставшихся прогонов. Именно поэтому её провал привлёк больше всего внимания.

На фоне громких разговоров о сверхполезности ИИ такой исход выглядит особенно показательным. Когда модель не просто проигрывает, а фактически вылетает из эксперимента на раннем этапе, это очень наглядно показывает разницу между сильным публичным образом и реальной устойчивостью в сложной прикладной задаче.

Показательным оказался и результат Gemini 3.1 Pro. В первой попытке модель сумела показать прибыль около 34 %, но уже во второй обанкротилась. Это хорошо иллюстрирует главный вывод всей работы: даже отдельный удачный забег пока не означает, что система действительно умеет держать стратегию на длинной дистанции.

Почему этот эксперимент важнее самого спорта

Авторы исследования делают из результатов довольно жёсткий вывод. По их мнению, нынешние модели ИИ по-прежнему хорошо чувствуют себя в задачах с относительно статичными условиями, но намного хуже работают там, где мир постоянно меняется и требует долгосрочной адаптации.

Именно в этом и заключается ценность эксперимента. Он показывает, что сильные результаты в кодинге, тестах и формальных бенчмарках ещё не означают готовность ИИ к замене человека во многих видах деятельности, где нужна стратегия, выдержка и реакция на нестабильную среду.

Для рынка это полезное напоминание. ИИ по-прежнему быстро прогрессирует, но границы его практической надёжности всё ещё проходят гораздо ближе, чем иногда кажется по рекламным заявлениям. А футбол в данном случае просто стал удобным способом показать, насколько трудно машинам даётся реальный хаос.