Vier von vier: die beste Runde der KI im Turnier — und die Anzeigetafel blieb leer

Der letzte Artikel endete mit einer konkreten Wette: Nach der schlechtesten Runde des Turniers hatte sich das System selbst die Erlaubnis gegeben, wieder laut zu sein — und das Viertelfinale würde zeigen, ob es sich eine laute Ansage auch verdienen konnte.

Hier die Viertelfinal-Bilanz: vier von vier Siegern. Drei von vier exakten Ergebnissen. Der durchschnittliche Fehler bei der Siegdifferenz, der gerade erst auf seinen schlechtesten Wert hochgeschossen war, fiel auf ein Viertel Tor — der beste Wert überhaupt. Die beiden lautesten Ansagen, seit das System seine eigene Konfidenz deckelt, bei 65 und 66 Prozent, trafen beide das exakte Ergebnis. Eine Runde nach 2 von 8 lieferte dasselbe System, unter derselben öffentlichen Bewertung, die beste Runde seines Turniers.

Und als der Bewerter lief, kam die Viertelfinal-Zeile auf meiner Anzeigetafel leer zurück. Nicht falsch — leer. Vier Tipps, still aus der Prüfung gefallen, als wäre die Runde nie prognostiziert worden. Die beste Runde, die dieses System je gespielt hat, wäre fast gar nicht bewertet worden, und der Grund dafür ist das Nützlichste in diesem Text. Vier Spiele sind eine kleine Stichprobe, und ich sage es weiterhin — aber eine Pipeline, die deine beste Arbeit verliert, ohne die Stimme zu erheben, ist kein kleines Problem, bei keiner Stichprobengröße.

Eine Klarstellung, die ich jede Runde für neue Leser wiederhole, weil sie ändert, wie man alles Folgende lesen sollte: Nichts hier ist ein Modell, das ich trainiert habe. Ich nehme bestehende KI-Modelle von der Stange und gebe ihnen Werkzeuge, Kontext und eine Aufgabe — und schärfe dann Runde um Runde die Aufgabenbeschreibung nach. Das Lernen, das du hier beobachtest, sind geschriebene Regeln, kein Nachtrainieren; die Modelle selbst ändern sich nie.

Die Zusammenfassung, falls du neu hier bist

Das Setup: Ein Trupp von KI-Agenten — KI-Modelle, die nicht nur Fragen beantworten, sondern Werkzeuge benutzen, Dinge nachschlagen und eine Aufgabenliste abarbeiten, näher an Praktikanten mit einem Job als an einem Chatbot — erledigt die tägliche Hausaufgabe für mein Team in einer Fantasy-WM-Liga. Zwei Arten von Hausaufgaben, getrennt bewertet. Die auffällige Sorte: vorhersagen, wie jedes Spiel ausgeht — Sieger, Ergebnis und eine Konfidenzzahl, ein Prozentwert im Stil einer Wettervorhersage dafür, wie sicher es sich ist. Die stille Sorte: vorhersagen, wer tatsächlich auf den Platz läuft, denn im Fantasy-Fußball bringt dir ein Star auf der Bank nichts. Die Realität bewertet beides öffentlich, und ich schreibe die Noten auf. Das ist die sechste bewertete Runde. Die vorige war die Katastrophenfolge — 2 von 8, zerlegt in drei verschiedene Arten von falsch. Diese hier ist, was nach den Korrekturen passierte.

Wie die vier Tipps vor dem Anpfiff aussahen

Die Form der Runde zählt mehr als ihr Ergebnis, also hier alle vier Ansagen, so wie sie festgezurrt wurden, mit dem Marktpreis jeweils daneben. Wettquoten sind verkleidete Wahrscheinlichkeiten: Wenn ein Buchmacher dir für fünf Euro, die du auf Frankreich riskierst, nur einen einzigen Euro auszahlt, sagt dir der Markt, dass Frankreich etwa fünf von sechs Malen gewinnt. Tausende Menschen mit Geld im Spiel setzen diese Preise fest, was sie zum besten kostenlosen Plausibilitätscheck macht, den ein Prognostiker bekommen kann — und genau so nutze ich sie durch diese Serie hindurch.

Marokko–Frankreich, getippt 0–2 bei 65. Der Markt sah Frankreich bei rund 59 Prozent. Ein Elite-Kader gegen eine sehr gute Mannschaft ohne dieselbe Tiefe — genau die Konstellation, in der das neue Regelwerk des Systems eine größere Siegdifferenz und eine Konfidenz in den Sechzigern anordnet, denn Elite-Teams gewinnen solche Spiele nicht höflich. Endete 0–2.

Spanien–Belgien, getippt 2–1 bei 66. Spanien für den Markt bei rund 62 Prozent, und Belgien mit einer turnierbeendenden Verletzung eines seiner Schlüsselspieler. Endete 2–1.

Norwegen–England, getippt 1–2 bei 48. Der Markt sah England bei knapp 51 Prozent — ein echter Münzwurf mit leichter Tendenz. Das System sagte genau das mit seiner Zahl: 48 liegt in seinem Münzwurf-Band, das von 42 bis 52 reicht, und ein Wert dort ist die Art des Regelwerks, „das ist ein Wurf, mit einer Tendenz” zu schreiben — keine Behauptung, England würde eher verlieren. Endete 1–2. Ein Münzwurf-Tipp, der das exakte Ergebnis trifft, ist Glück auf dem Rücken von Ehrlichkeit, und das nehme ich mit.

Argentinien–Schweiz, getippt 1–0 bei 50. Der vorsichtige Tipp, und der einzige Makel — mehr dazu weiter unten. Argentinien gewann 3–1 nach Verlängerung. Sieger richtig, Differenz falsch.

Drei Dinge zu dieser Liste, bevor es zum Bug geht. Erstens: Die Spreizung ist zurück. Nach der Runde, in der sich alle acht Tipps zwischen 42 und 62 drängten — das „Klumpen”-Versagen, alles im selben Lautstärkepegel gemurmelt —, reichte diese Runde von 48 bis 66: zwei laute Ansagen auf echte Favoriten, zwei leise auf echte Münzwürfe, und die Realität war mit der Sortierung einverstanden. Zweitens, die Ehrlichkeitsnotiz: Diese Konfidenzzahlen behaupten Sieger, keine Ergebnisse. Das Regelwerk verdient echtes Lob dafür, vier Sieger angesagt und die größeren Differenzen auf die beiden Favoriten angeordnet zu haben — dieser Teil ist Prozess. Obendrauf drei exakte Ergebnisse zu landen, ist Glück auf dem Rücken dieses Prozesses, und das Glück war bei den lauten Ansagen von derselben Art wie bei Norwegens Münzwurf. Drittens: Die eigene Manöverkritik des Systems — die schriftliche Selbstbewertung, die es nach jeder Runde ablegt — reichte trotzdem eine Beschwerde ein, und es ist die gegenteilige Beschwerde zu jeder früheren Runde. Der Frankreich-Tipp, argumentiert es, hätte lauter sein sollen — sein Regelwerk erlaubt bis zu 75 bei einem Elite-Mismatch, eine eigene Deckelung, die an die Klassenlücke zwischen den Kadern geknüpft ist, nicht der Marktpreis-Auslöser aus dem vorigen Artikel, und es wählte das untere Ende des Bandes. Nur in die zu-scheue Richtung falsch zu liegen, zweimal, in einer perfekten Runde, ist das netteste Problem, das diese Serie je protokolliert hat. Es wird trotzdem als Problem protokolliert, denn Kalibrierung — wie gut die angegebene Konfidenz dazu passt, wie oft man tatsächlich richtig liegt — schneidet in beide Richtungen: zu scheu ist genauso fehlkalibriert wie zu sicher.

Die leere Anzeigetafel

Jetzt der Teil, der die Runde interessant hielt, nachdem der Fußball vorbei war.

Die größte Korrektur des vorigen Artikels war das, was ich „das Format auf Physik prüfen” nannte: Nachdem ein sich selbst widersprechender Tipp im Achtelfinale zwei richtige Ansagen gekostet hatte, bekam das System ein hartes Validierungs-Tor — Sieger und Ergebnis müssen übereinstimmen, bevor ein Tipp bestehen bleiben darf. Dieses Tor lief über alle vier Viertelfinal-Tipps. Alle vier passierten es. Das Tor funktionierte genau wie geschrieben.

Und trotzdem fielen alle vier Tipps aus der Bewertung heraus — wegen dessen, worin sie geschrieben waren. Das Ergebnis soll als kurzer Textwert gespeichert werden — „0-2”, so wie man es auf Papier schreiben würde. Der Vorhersager speicherte es stattdessen als strukturierte Liste aus zwei Zahlen: zwei getrennte Kästchen mit 0 und 2, statt einer Beschriftung, die „0-2” liest. Dasselbe Tor verglich den Sieger mit den zwei Zahlen und war zufrieden — zwei Zahlen lassen sich problemlos vergleichen, in welchem Behälter sie auch ankommen. Der Bewerter aber — das strenge Skript weiter unten in der Pipeline, das jeden gespeicherten Tipp liest und ihn gegen das echte Ergebnis benotet — liest das Ergebnis, indem er die Beschriftung am Bindestrich auseinandernimmt. Statt einer Beschriftung Kästchen in die Hand gedrückt, stürzte er nicht ab. Er beschwerte sich nicht. Er übersprang den Tipp und machte weiter, viermal, und die Viertelfinal-Zeile der öffentlichen Anzeigetafel blieb leer.

Die Abfolge verdient es, ausbuchstabiert zu werden, denn es ist ein Muster, das man erkennen sollte. Der Bug der letzten Runde steckte darin, wie Tipps geschrieben wurden — also wurde ein Tor beim Schreiben eingezogen. Das Tor prüfte, ob der Datensatz Sinn ergab. Es prüfte nicht, woraus der Datensatz gemacht war — die Bedeutung kam durch, der Behälter nicht. Software-Leute nennen das einen Typfehler: der richtige Wert in der falschen Art von Kiste, und dem Tor war nie gesagt worden, dass die Kiste eine Rolle spielt. Und dem Bewerter, der sein Auseinandernehmen vor dieser Runde bei allen fünfundneunzig bewerteten Tipps ohne einen einzigen Schluckauf erledigt hatte, war nie beigebracht worden, etwas zu sagen, wenn das Auseinandernehmen scheitert — weil es nie geschehen war. Zwei Komponenten, jede für sich vernünftig, und das Versagen lebte genau in der Übergabe zwischen ihnen — der einen Stelle, die keine der beiden Komponenten als ihre Aufgabe betrachtet. Wenn du irgendeine Pipeline betreibst, in der ein System Datensätze schreibt und ein anderes sie liest — Bestellungen, Buchungen, Lohnabrechnungs-Exporte —, hast du diese Übergabe irgendwo, und sie ist genauso unbeobachtet, wie meine es war.

Die Korrektur hat zwei Teile. Das Tor prüft jetzt den Behälter genauso wie den Inhalt: Ein Ergebnis muss Text sein, im Ergebnisformat, Heimmannschaft zuerst, sonst wird der Tipp an der Tür abgewiesen — das ist die Vorbeugung. Und die Bewertungsseite wurde live repariert, quer über jedes Skript, das diese Datensätze anfasst, damit die Runde überhaupt bewertet werden konnte. Die Regel, die ich obendrauf setze, für alles in dieser Pipeline, das Datensätze liest: Ein Datensatz, der sich nicht lesen lässt, stoppt den Lauf mit einem Namen und einem Grund, statt still die Stichprobe auszudünnen. Das Tor blockiert den Bug, den ich jetzt kenne; der Schrei ist die Versicherung für den, den ich mir noch nicht ausgemalt habe. Ein Eingeständnis, wo ich schon dabei bin: Ich habe die leere Anzeigetafel nicht per Screenshot festgehalten — die Live-Reparatur passierte, bevor ich daran dachte, das Wrack zu fotografieren —, also ist der zitierbare Beleg keine dramatische leere Tabelle, sondern der eigene Eintrag des Bugs in der Manöverkritik des Systems, den du in der Lehren-Tabelle weiter unten lesen kannst.

Noch eine Sache, weil der vorige Artikel die gegenteilige Entscheidung betont hat und der Unterschied hier zählt. Im Achtelfinale blieben zwei Tipps mit dem richtigen Sieger als falsch bewertet, und ich ließ die Note stehen — die Datensätze widersprachen sich selbst, und ein Datensatz, der sich selbst widerspricht, ist falsch, egal was gemeint war. Diese vier Tipps waren anders: Sieger und Zahlen stimmten überein, eindeutig, bei jedem einzelnen. Der Datensatz war richtig und der Leser war kaputt. Also wurde der Leser repariert und die Runde bewertet, und die 4 von 4 oben sind das Ergebnis. Das ist die Linie, die ich für den Rest der Serie halte: Ein kaputter Bewerter wird repariert und erneut ausgeführt; ein mehrdeutiger Datensatz bleibt für immer falsch. Das eine ist, das Lineal wieder in Ordnung zu bringen. Das andere ist, mit ihm zu streiten.

Die Kennzahl, die die perfekte Runde bestrafte

Hier die merkwürdigste Zahl der Runde, und meine liebste Lehre darin.

Diese Serie jagt ein Ziel namens Konfidenz-Trennschärfe — die Lücke zwischen der Konfidenz des Systems bei Ansagen, die es richtig trifft, und bei denen, die es falsch trifft. Stell dir einen Arzt vor, dessen Stimme bei einem harmlosen Muttermal genauso zögerlich klingt wie bei der Sache, die operiert werden muss: Wie hoch seine Trefferquote auch ist, sein Ton trägt keine Information mehr. Ein nützlicher Prognostiker ist laut, wenn er richtig liegt, und leise, wenn er falsch liegt, also ist eine größere Lücke besser, und das stehende Ziel ist eine Lücke von mindestens zehn Punkten. Sie ging mit 8,45 ins Viertelfinale.

Das System spielte dann eine perfekte Runde — vier von vier, mit endlich zurückgekehrter Konfidenz-Spreizung — und die Trennschärfe-Zahl fiel, auf 7,95.

Geh durch, warum, denn die Arithmetik macht etwas Hinterhältiges. Die Kennzahl mittelt die Konfidenz über alle richtigen Ansagen und getrennt über alle falschen. Das Viertelfinale fügte vier richtige Ansagen bei 65, 66, 48 und 50 hinzu — und die zwei Münzwürfe in dieser Liste, die ehrlichen 48 und 50, zogen den Durchschnitt des Richtig-Stapels nach unten. Es kamen keine falschen Ansagen hinzu, also blieb der Falsch-Stapel, wo er war, und die Lücke schrumpfte. Jetzt spiel das Was-wäre-wenn mit einer geänderten Sache durch: Hätte das System beide Münzwürfe verloren — eine 2-von-4-Runde statt 4-von-4 —, wären dieselben niedrigen Zahlen zum Falsch-Stapel gestoßen, hätten dessen Durchschnitt nach unten gezogen, und die Trennschärfe-Zahl wäre gestiegen. Die Kennzahl belohnt es, seine bescheidenen Ansagen zu verlieren, und bestraft es, sie zu gewinnen.

Das ist kein Fußballproblem, das ist ein Problem im KPI-Design — wobei ein KPI, ein Key Performance Indicator, jede Zahl ist, nach der ein Team steuert — und es lohnt sich, es aufs Skelett herunterzubrechen: Ich habe eine Zahl gesetzt, um ein Verhalten zu fördern — „nur laut sein, wenn du richtig liegst” —, und die Zahl bestrafte am Ende auch ein Verhalten, das ich will — „bei Münzwürfen bescheiden bleiben und sie trotzdem gewinnen, wenn die Münze für dich fällt”. Das Ziel bleibt vorerst, denn bei so wenigen verbleibenden Spielen hat es ohnehin kaum Steuerkraft — aber ich lese es nicht mehr als Note, sondern als das, was es ist: eine Linse, mit einem blinden Fleck, den ich jetzt benennen kann. Der Test, den ich für jede Kennzahl vorschlagen würde, nach der du steuerst — Dashboards bei der Arbeit eingeschlossen —, ist genau der, der das aufgedeckt hat: Stell dir die beste Runde vor, die dein System überhaupt haben könnte, und prüf, in welche Richtung sich die Nadel bewegt. Wenn Perfektion die Zahl schlechter macht, misst die Zahl etwas anderes als das, wofür du sie angeheuert hast.

Der Makel, und was er lehrte

Argentinien–Schweiz verdient seine eigenen Absätze, denn im Fehltipp steckt ein Mechanismus.

Die Schweiz ist die Art von Gegner, für die das System jetzt eine harte Regel hat: eine Mannschaft, die jedes Kriterium dessen erfüllt, was die Manöverkritiken den Bus-Park-Test nennen — tief gestaffelt, den Ballbesitz abgeben, auf das Unentschieden und das Elfmeterschießen spielen. Genau diese Haltung hat den teuersten Tipp des Systems im Turnier verbrannt, ein 76-Prozent-Favorit, der im Elfmeterschießen ausschied, also deckelt die Regel sowohl die Differenz als auch die Konfidenz: den Favoriten mit einem einzigen Tor tippen, nahe fünfzig bleiben. Das System befolgte sie mechanisch. 1–0 Argentinien, bei 50.

Neunzig Minuten lang sah die Regel richtig aus — 1–1 beim Abpfiff. Dann kam die Verlängerung, und die Schweiz hörte auf zu laufen. Sie hatte in der vorigen Runde einen kompletten Marathon aus Verlängerung plus Elfmeterschießen hinter sich gebracht, und gegen ein frisches Argentinien kam die Ermüdung pünktlich: 3–1 nach 120 Minuten.

Die Verfeinerung, die die Manöverkritik geschrieben hat, ist die Sorte, die ich am liebsten mag, weil sie eng und mechanisch ist: Die Bus-Park-Deckelung regiert weiterhin die ersten neunzig Minuten — aber wenn die bus-parkende Mannschaft eine Runde aus Verlängerung und Elfmeterschießen in den Beinen trägt, wird das End-Ergebnis auf jeder Seite ein Tor reicher getippt, 2–1 statt 1–0, bei deutlich höherer Konfidenz: dieselbe Ein-Tor-Differenz, geschrieben von einer Regel, die jetzt erwartet, dass sich das Spiel spät öffnet. Ermüdung ist kein Bauchgefühl; sie steht im Spielbericht der vorigen Runde, überprüfbar vor dem Anpfiff.

Dasselbe Ermüdungssignal tauchte in der stillen Hälfte des Systems auf, aus der anderen Richtung. Das Wer-startet-Modell hatte eine weitere starke Runde — bei rund 85 Prozent von 79 bewerteten Aufstellungs-Ansagen richtig, das zweitbeste des Turniers —, aber seine schlimmsten Fehler häufen sich vielsagend: Der Flügelspieler der Schweiz, als nahezu sicherer Startelfspieler eingestuft, bekam von einem Trainer, der erschöpfte Beine verwaltete, fünf Minuten von der Bank. Und einer der gefeiertsten Mittelfeldspieler Spaniens, mit 90 zum Start eingestuft, begann das Spiel auf der Bank — denn ab dem Viertelfinale hören Trainer auf, „die gewohnte Elf” aufzustellen, und beginnen, eine Elf pro Gegner zu bauen. Beide Fehler wurden zu Deckelungen: eine harte Obergrenze für Start-Wahrscheinlichkeiten bei Angreifern, deren Mannschaft gerade 120 Minuten gespielt hat, und eine Regel, dass tief in der K.-o.-Phase niemand als 90-plus-Gewissheit eingestuft wird ohne ein aktuelles Wort vom Trainer. Behalt die zweite im Kopf — das Halbfinale wird sie gleich viel härter testen.

Die Liga: der Abstand verdoppelt sich

Die Ligatabelle ist der Ort, an dem beide Hälften des Systems — die auffällige und die stille — in Punkten zusammengezählt werden, also hier die Abrechnung der Runde.

Erster Platz, 526 Punkte, fünfundneunzig vor dem Zweiten. Das Viertelfinale brachte hundert Punkte — nicht die größte Ausbeute meines Turniers, die Runde davor brachte 134 —, aber der Abstand verdoppelte sich fast, von 55 auf 95, weil der Zweite nur sechzig schaffte. In einem Fantasy-K.-o. entscheidet der Abstand, nicht deine reinen Punkte — und der Abstand wächst überproportional, wenn dein Kader weiterspielt und die Spieler der anderen Kader nach Hause fahren.

Das ist auch die Runde, in der der Kader fürs Endspiel umgebaut wurde. Fantasy-Wert stirbt mit dem Ausscheiden — ein Star in einer ausgeschiedenen Mannschaft bringt nichts und verkauft sich jeden Tag für weniger —, also waren die Wechsel brutal und einfach: alle aus ausgeschiedenen Nationen verkauft, und das Geld auf die noch stehenden Teams konzentriert. Der lehrreichste Transfer war, 14,65 Millionen für einen französischen Mittelfeldspieler zu zahlen, dessen gelisteter Marktwert 9,86 Millionen betrug — fast fünf Millionen über dem Listenpreis, mit Absicht. Überzahlen ist rationale Arithmetik, wenn K.-o.-Minuten doppelt zählen und knapp sind: Die Frage ist nie „was ist er auf der Liste wert”, sondern „was sind mir garantierte Minuten bei einem Halbfinalisten wert, an diesem Punkt der K.-o.-Phase, gegen die Alternative, Bargeld zu halten, das nichts einbringt”. Tausch die Substantive aus, und es ist die Entscheidung, die ein Unternehmen trifft, wenn es über Listenpreis für den bewährten Lieferanten zahlt, der dieses Quartal tatsächlich liefern kann — der Aufpreis ist keine Verschwendung, er ist der Preis für Gewissheit in einem kurzen Zeitfenster.

Nimm den Fußball raus

Drei Dinge aus dieser Runde überleben den Substantiv-Tausch in jedes Geschäftssystem.

Eine Korrektur ist erst fertig, wenn auch die Schicht stromabwärts davon getestet wurde. Das Tor auf der Schreibseite ließ Datensätze durch, die die Leseseite nicht lesen konnte; jede Komponente war in Ordnung und das System nicht. Die Einheit der Prüfung ist die Pipeline, nicht der Patch — an dem Tag, an dem du die Rechnungsvorlage verschärfst, ist auch der Tag, an dem du eine Rechnung ganz bis zur Zahlung durchlaufen lässt.

Stille ist der teuerste Fehlermodus. Falsche Ausgaben werden erwischt, weil jemand ihnen widerspricht. Fehlende Ausgaben lesen sich als „nichts ist passiert” und werden geglaubt. Wenn ein Schritt in einer Pipeline schlechte Eingaben schlucken und ein kleineres, sauberer aussehendes Ergebnis produzieren kann, wird er irgendwann deine beste Runde löschen — Prüfberichte, Monatsauswertungen, der nächtliche Job, der Daten zwischen Systemen kopiert, sie alle verdienen die Regel, die diese Runde meinem Bewerter aufgezwungen hat: laut scheitern oder gar nicht laufen.

Bevor du nach einer Kennzahl steuerst, füttere sie mit einem perfekten Tag. Meine Trennschärfe-Zahl fiel, weil das System die Münzwürfe gewann, die es ehrlich als Münzwürfe etikettiert hatte. Ein KPI, das das Verhalten bestraft, das du willst, trainiert dich oder dein Team still auf das Falsche. „Was würde Perfektion mit dieser Zahl machen” durchzuspielen, kostet fünf Minuten und hätte das schon beim Entwurf erwischt.

Das Halbfinal-Tableau, dem das System als Nächstes gegenüberstand: Frankreich–Spanien und England–Argentinien, und beide Ansagen sind schon festgezurrt. Frankreich–Spanien, getippt als 1–1-Unentschieden bei 45 — zwei Mannschaften mit Serien ohne Gegentor und ein Markt, der keinen Favoriten benennen konnte. England–Argentinien, England mit 2–1 bei 55, der leichte Favorit am oberen Rand der Münzwurf-Zone. Keine laute Ansage im Duo, denn nach dem Urteil des Marktes war keine verfügbar: Jede noch stehende Mannschaft ist Elite, und Elite gegen Elite ist per Definition die Münzwurf-Zone. Der nächste Artikel bewertet beide Tipps, und nach einer 4-von-4-Runde ist das Ehrlichste, was ich dir sagen kann, dass das System selbst erwartet, bei ungefähr einem der beiden falsch zu liegen. Das bedeuten die Zahlen 45 und 55. Ob es hält — du liest es hier, dieselbe Anzeigetafel, dieselben Regeln.