DraftKings、高損失ギャンブラーを標的にするAIモデルを構築――問題ギャンブル早期警告プログラムは棚上げ

2026年9月19日付の『ニューヨーク・タイムズ』は、元従業員40名以上へのインタビュー、内部メモ、ベット記録に基づき報道した。DraftKingsは2023年から機械学習モデルを訓練し、ユーザーを「弾力性スコア」で評価することで、損失が最も大きくなると見込まれるユーザーへ販促無料ベットを精密に配布していたと伝えた。

事実の再現

モデルの訓練目標は、ユーザーが無料ベットやボーナスを受け取った後に生じる損失額を予測することであり、入力特徴量にはゲームの頻度、1日ごとの口座残高パターン、損失額と総ベット額の比率が含まれる。これらの特徴量は、臨床的に問題ギャンブルを識別する際の行動指標と高度に重複している。2025年、同社はこのシステムを通じて約4億ドル相当のAI自動化販促を配布し、経営陣は販促主導のスポーツベッティング利益率が13%向上したと述べた。2024年にデータサイエンティストのNestor Hernandezが立ち上げた問題ギャンブル早期警告モデルは、同社が「根拠不足」と判断したとして棚上げされ、代わりにMindway AI Gamalyzeツールが採用された。

仕組みの解剖

弾力性モデルの訓練データのラベルは「販促受け取り後の実際の損失額」であるため、モデルは自然と、販促をきっかけに高頻度のベットを継続し損失が積み重なるユーザーを優先的に識別するよう機能する。元データアナリストのJayden Buttsは、このシステムが狙っているのはまさに「問題ギャンブラー」の特徴だと述べた。同じデータパイプラインはリスク早期警告モデルの構築にも活用できたはずだが、同社の経営判断により、販促効果の最大化にのみ用いられた。

業界への影響

今回のケースは、AIコンプライアンスの問題がモデル自体にとどまらず、企業がその活用方向をいかに選択するかにこそあることを示している。DraftKingsは、販促の対象は「継続的にアクティブなユーザー」であり、責任あるギャンブル介入のために24項目以上の行動指標を統合済みだと説明している。しかし元従業員らは、早期警告モデルの棚上げにより、社内データインフラが利益最大化のみに一方的に機能する状態になったと指摘した。

戦略的評価

【分析】企業が脆弱なユーザーの識別とリスクユーザーの識別という両方の技術的能力を同時に持つとき、意思決定層が「根拠」をどう定義するかが、AIリソースの配分方向を直接左右する。これまで類似の事例はモデルのバイアスに焦点が当たることが多かったが、今回は活用の意思決定そのものが被害を拡大し得るという完全な証拠連鎖を提供しており、今後のギャンブル・テクノロジー規制のコンプライアンス枠組みにとって重要な参照事例となる。