La Dirección General de Ordenación del Juego (DGOJ) de España prepara un sistema de inteligencia artificial para detectar a jugadores con conductas de riesgo en las plataformas de apuestas online. El modelo usa aprendizaje automático, con la técnica XGBoost, y puede identificar 48 tipos de vulnerabilidades en el comportamiento de los usuarios.
El organismo lo considera la pieza central de su reforma del sector, que avanza desde 2020. Sin embargo, especialistas en juego más seguro cuestionan el proceso de elaboración del sistema y las condiciones previstas para su implementación.
Primera crítica: se desarrolló sin licitación
Pedro Romero, responsable de alianzas para el juego más seguro en BetBlocker, señaló que le sorprendió que un proyecto tan complejo avanzara sin un proceso de licitación para elegir socios o asesores externos.
Según Romero, hay muchas empresas independientes con experiencia que podrían haber ayudado, sobre todo en dos puntos difíciles: detectar a los usuarios en riesgo y decidir cómo intervenir. Además, advirtió que el regulador podría estar adoptando modelos utilizados en otras jurisdicciones sin considerar todos los factores necesarios para garantizar su eficacia. Por eso pidió abrir un diálogo con el sector.
Segunda crítica: la consulta pública fue demasiado corta
Paula Murphy, de la empresa de inteligencia artificial Mindway AI, explicó que hubo algunas reuniones con la DGOJ, pero que no sirvieron para aportar al diseño del algoritmo.
La única consulta pública sobre el sistema se abrió el 13 de octubre y las respuestas debían entregarse antes del 22 de octubre. Es decir, el sector tuvo menos de diez días para opinar sobre un modelo complejo.
Tercera crítica: clasificar jugadores en verde o rojo es muy simple
Murphy explicó que, según lo que entiende de la propuesta, el sistema analizaría a los clientes cada cierto tiempo, quizás una vez al mes, y los clasificaría para decidir si se aplican controles adicionales. En la práctica, cada jugador recibiría luz verde o luz roja.
Para ella, ese enfoque es demasiado simple, porque el problema del juego no es de todo o nada, sino que existe en una escala. Por eso lo describió como una herramienta “muy, muy contundente”.
Los operadores, agregó, necesitan saber por qué se marcó a un jugador y cómo cambia su comportamiento con el tiempo. Eso incluye ver si su actividad aumenta, en qué áreas mantiene el control y si algún producto concreto empeora su conducta.
Cuarta crítica: no se sabe con qué datos se entrenó
Mindway AI incorporó el modelo de la DGOJ a su plataforma GameScanner, de modo que los operadores puedan usarlo junto con sus propios sistemas. Al hacerlo, sus científicos de datos e ingenieros tuvieron dudas sobre el alcance del modelo y los datos con los que fue entrenado.
Murphy pidió más transparencia sobre qué tipo de jugadores se usó para entrenarlo. En su opinión, aplicar el algoritmo no puede ser una cuestión de fe.
Qué responde el regulador
El director general de la DGOJ, Mikel Arana, defendió el trabajo del organismo en la conferencia Gaming in Spain, celebrada en Madrid. Pidió evaluar la reforma con una mirada más amplia y recordó que depende del Ministerio de Consumo.
Arana respondió así a las críticas por la implementación lenta y desorganizada de dos normas: el Real Decreto sobre comunicaciones comerciales y el Real Decreto sobre entornos de juego más seguros. Según dijo, la DGOJ completó tres de sus cuatro proyectos clave. Están en fase de pruebas y se prevé que arranquen en los próximos seis meses.
También afirmó que son iniciativas pioneras, que buscan sentar precedentes en Europa y que por eso requirieron un desarrollo largo.
Qué sigue
En los próximos meses, la prioridad será adoptar límites centrales a los depósitos. El algoritmo seguirá siendo el elemento principal de la reforma. El sector espera ahora saber si el regulador abrirá el modelo a una revisión técnica independiente.
