Gemini 3.5 Flash ha ottenuto il risultato economico migliore in un esperimento che ha messo a confronto sette modelli di intelligenza artificiale nella previsione delle partite dei Mondiali di calcio 2026. Il test, denominato AI Betting Arena, è stato organizzato dalla startup Obside per valutare il comportamento dei modelli in un ambiente caratterizzato da informazioni in continuo aggiornamento, probabilità variabili e decisioni con conseguenze economiche simulate.
A differenza dei benchmark tradizionali, costruiti mediante raccolte di domande e risposte definite in anticipo, l’esperimento ha richiesto ai sistemi di analizzare eventi reali ancora incerti e di decidere autonomamente quanto denaro virtuale rischiare per ogni previsione. Sono stati coinvolti sette modelli disponibili prima dell’inizio del torneo. Tra quelli indicati figuravano GPT-5.5, Claude Opus 4.8, Gemini 3.5 Flash, DeepSeek-V4, Mistral Medium, Grok 4.3 e Kimi K2.6.
Ogni modello ha ricevuto un capitale virtuale iniziale di 10.000 dollari. Prima delle partite, i sistemi potevano consultare informazioni pubblicamente disponibili e aggiornate, tra cui lo stato di forma delle squadre, le caratteristiche degli avversari e i rapporti sugli infortuni dei giocatori. L’analisi veniva eseguita circa un’ora prima dell’inizio dell’incontro, in modo da permettere ai modelli di utilizzare dati recenti e di confrontarli con le quote disponibili in quel momento. Dopo la fase di ricerca, ogni sistema doveva formulare una previsione, stimare la probabilità che il risultato si verificasse e decidere quale parte del proprio capitale virtuale utilizzare per la scommessa.
Il risultato finale non dipendeva quindi soltanto dal numero di partite indovinate. Un modello poteva ottenere un rendimento elevato selezionando correttamente risultati meno probabili o destinando somme maggiori alle previsioni nelle quali esprimeva una sicurezza maggiore. Allo stesso modo, una previsione corretta accompagnata da una puntata limitata poteva produrre un guadagno inferiore rispetto a una decisione più rischiosa. Il test misurava quindi contemporaneamente la qualità dell’analisi, la calibrazione della probabilità e la gestione del capitale.
Al termine dell’esperimento, Gemini 3.5 Flash ha raggiunto un saldo virtuale di 15.526 dollari, ottenendo il primo posto. Rispetto ai 10.000 dollari iniziali, il modello ha generato un profitto simulato di 5.526 dollari. Mistral Medium si è classificato secondo con una differenza di appena 13 dollari rispetto a Gemini. Il risultato mostra quanto la graduatoria sia rimasta incerta fino alle ultime partite del torneo. Il modello francese aveva mantenuto il primo posto fino al giorno precedente alla conclusione del test. La classifica è cambiata soprattutto in seguito alla previsione della finale. Gemini 3.5 Flash e GPT-5.5 sono stati gli unici modelli a prevedere correttamente che i 90 minuti regolamentari della finale si sarebbero conclusi in parità. La maggior parte degli altri sistemi aveva previsto un vantaggio della Spagna, mentre DeepSeek-V4 aveva puntato sulla vittoria dell’Argentina. La previsione della finale ha avuto un peso rilevante sul risultato economico complessivo, perché ha modificato i saldi dei modelli quando la distanza tra i primi classificati era ancora molto ridotta. GPT-5.5 ha concluso al terzo posto con 14.766 dollari. Il modello ha quindi conservato il capitale iniziale e ottenuto un guadagno virtuale di 4.766 dollari. DeepSeek-V4 si è classificato quarto con 13.047 dollari. Nonostante l’errore nella previsione citata per la finale, il modello cinese ha terminato l’esperimento con un saldo superiore di 3.047 dollari rispetto alla dotazione iniziale. Anche Grok 4.3 ha prodotto un profitto, chiudendo con 11.588 dollari. Il risultato corrisponde a un incremento virtuale di 1.588 dollari. Cinque dei sette modelli hanno quindi concluso il test con un capitale superiore ai 10.000 dollari assegnati all’inizio. Kimi K2.6 e Claude Opus 4.8 hanno invece registrato una perdita.
Claude Opus 4.8 è arrivato all’ultimo posto con una riduzione superiore a 5.000 dollari. Il modello ha quindi perso più della metà del capitale virtuale iniziale, terminando a notevole distanza dagli altri partecipanti. Il risultato di Claude ha suscitato particolare attenzione perché i modelli di Anthropic vengono generalmente associati a capacità elevate di ragionamento e analisi. La prestazione mostra tuttavia che la qualità complessiva di un modello non determina automaticamente il successo in un’attività basata su decisioni probabilistiche e gestione del rischio. È stata avanzata anche l’ipotesi che le rigorose regole di allineamento e sicurezza applicate da Anthropic possano aver contribuito a un comportamento più prudente. Un modello meno disposto ad assumere rischi potrebbe effettuare puntate conservative o evitare strategie aggressive anche quando individua una possibile opportunità. Questa spiegazione rimane però un’interpretazione e non una conclusione dimostrata dall’esperimento. Per stabilire se le restrizioni di sicurezza abbiano realmente influenzato il rendimento sarebbe necessario esaminare tutte le decisioni, le probabilità stimate, le somme puntate e le motivazioni prodotte dal modello. Una perdita potrebbe dipendere da molteplici fattori, tra cui previsioni errate, valutazioni non calibrate, eccessiva prudenza oppure, al contrario, concentrazione di somme elevate su risultati che non si sono verificati.
L’esperimento evidenzia la differenza tra prevedere correttamente un evento e prendere una decisione redditizia. Un modello può individuare la squadra favorita, ma una scommessa su un risultato già riflesso nelle quote potrebbe produrre un rendimento limitato. Per ottenere un profitto, il sistema deve confrontare la probabilità stimata internamente con quella implicita nelle quote. Una possibile opportunità emerge quando il modello ritiene che un risultato sia più probabile di quanto suggerito dal mercato. La scelta della somma da puntare diventa altrettanto importante. Un modello che investe troppo su una previsione incerta può perdere rapidamente il capitale, mentre uno che utilizza sempre importi minimi può non sfruttare adeguatamente le analisi corrette.
AI Betting Arena ha quindi sottoposto i sistemi a una sequenza di decisioni collegate. Il risultato di ogni partita modificava il capitale disponibile per quelle successive e poteva influenzare il livello di rischio assumibile nel prosieguo del torneo. Questo tipo di prova si avvicina maggiormente ad alcuni problemi aziendali e finanziari rispetto ai benchmark basati esclusivamente sulla conoscenza. Nelle applicazioni reali, infatti, le informazioni cambiano continuamente e una decisione deve essere presa prima di conoscere il risultato definitivo. Un agente impiegato nella gestione delle scorte, nell’allocazione delle risorse o nell’analisi finanziaria deve combinare dati recenti, valutazione dell’incertezza e conseguenze economiche delle proprie azioni. La capacità di produrre una risposta plausibile non è sufficiente quando una scelta errata comporta costi misurabili.
L’esperimento non dimostra tuttavia che Gemini 3.5 Flash sia complessivamente superiore agli altri modelli coinvolti. Il risultato riguarda una competizione specifica, svolta durante un singolo torneo e influenzata dagli eventi verificatisi nelle partite. Il calcio presenta inoltre un elevato livello di casualità. Infortuni improvvisi, decisioni arbitrali, espulsioni, errori individuali e risultati inattesi possono modificare profondamente il rendimento di una previsione, anche quando l’analisi iniziale è ragionevole. La differenza di soli 13 dollari tra Gemini 3.5 Flash e Mistral Medium mostra anche quanto il primo posto possa essere dipeso da un numero limitato di decisioni nelle fasi conclusive.
Per considerare la prova un confronto stabile sarebbe necessario ripeterla su più tornei, mercati o periodi, mantenendo regole uniformi e pubblicando l’intera sequenza delle decisioni. Sarebbe inoltre utile conoscere quali fonti siano state consultate dai modelli, come siano state presentate le quote, quali tipologie di scommessa fossero disponibili e se tutti i sistemi abbiano ricevuto lo stesso tempo e gli stessi strumenti per la ricerca. Un’altra informazione rilevante riguarda i costi computazionali. Un modello potrebbe ottenere un profitto virtuale più elevato ma richiedere maggiore tempo di elaborazione o un numero superiore di chiamate, rendendo il risultato meno conveniente in un’applicazione reale. Il confronto dovrebbe quindi considerare non soltanto il capitale finale, ma anche costo delle inferenze, velocità delle decisioni, stabilità delle strategie e riproducibilità delle prestazioni.
AI Betting Arena rimane comunque un esempio concreto di benchmark dinamico. I modelli sono stati costretti a operare con dati nuovi, a modificare le proprie valutazioni in base alle informazioni disponibili e a trasformare una previsione in una decisione quantitativa. Il primo posto di Gemini 3.5 Flash indica che, nelle condizioni specifiche dell’esperimento, il modello ha combinato meglio degli altri la ricerca delle informazioni, la previsione dei risultati e la gestione delle puntate. Il secondo posto di Mistral Medium, distante soltanto 13 dollari, mostra però che il vantaggio finale è stato minimo. GPT-5.5, DeepSeek-V4 e Grok 4.3 hanno ottenuto risultati positivi, mentre Kimi K2.6 e soprattutto Claude Opus 4.8 non sono riusciti a conservare il capitale iniziale. La prova non stabilisce quale modello sia più intelligente in termini generali, ma mostra quanto possano differire i comportamenti quando ai sistemi viene richiesto non soltanto di analizzare informazioni, ma anche di assumere un rischio e rispondere economicamente delle proprie decisioni.