Recientemente se ha descubierto un experimento interesante: varios grandes modelos fueron asignados con 10,000 dólares cada uno para realizar operaciones en un mercado de predicción de fútbol durante 6 semanas. Los resultados fueron bastante dramáticos.

GPT-5.1 lideró con un aumento del 42.6%, seguido de cerca por DeepSeek con un rendimiento del 10.7%, y Gemini 3 Pro se mantuvo estable en un 5.5%. Opus 4.2 aportó un 3.9%, Grok 4.1 Fast obtuvo un 2.1%. Sin embargo, GPT-5.2 falló, con una caída del 21.8% — parece que no todos los modelos son buenos en esto.

Esta prueba comparativa fue impulsada conjuntamente por una plataforma de mercado de predicción y un equipo de investigación en IA. La lógica detrás es muy interesante: probar con fondos reales el rendimiento de diferentes IA en tareas de decisión no estandarizadas. El mercado de predicción de fútbol implica análisis de datos, estimaciones de probabilidad y evaluación de riesgos — justo un buen escenario para evaluar la capacidad de los grandes modelos en operaciones reales. La gran diferencia también refleja que, tener solo parámetros y escala de entrenamiento no garantiza la capacidad de toma de decisiones en el mercado; la calidad en la ejecución de estrategias y la comprensión de datos son igualmente cruciales.