Null von zwei: die Runde, in der die richtige Korrektur keine Korrektur war

Meine KI hat beide WM-Halbfinals falsch getippt — und ihr Postmortem, die schriftliche Selbstauswertung, die sie nach jeder Runde ablegt, landete bei genau der einen Schlussfolgerung, die sämtliche Alarmglocken in mir schrillen lässt: nichts muss sich ändern.

Das ist die Bilanz, die sie verteidigt. Frankreich–Spanien, getippt als 1:1-Unentschieden mit 45 Prozent Konfidenz, endete 0:2. England–Argentinien, getippt 2:1 für England mit 55, endete 1:2. Null von zwei, eine Runde nach vier von vier. Der Viertelfinal-Artikel schloss mit beiden Tipps bereits festgezurrt und einer Warnung, dass das System selbst erwartete, etwa einen der beiden falsch zu tippen — genau das bedeuten Zahlen wie 45 und 55. Es lag um einen mehr daneben.

„Nichts muss sich ändern” ist meistens genau der Satz, den ein System produziert, kurz bevor es größer scheitert. Diese ganze Serie über bin ich meinem eigenen Werkzeug öffentlich misstrauisch begegnet, und damit höre ich jetzt nicht auf: In diesem Text geht es darum, wie man ein bequemes „keine Korrektur nötig” von einem verdienten unterscheidet — denn dieses hier unterschreibe ich, nachdem ich es geprüft habe, mit. Das Prüfen ist der Artikel. Eine Sache zur Größenordnung vorweg: Zwei Spiele sind die kleinste Stichprobe, die diese Serie je bewertet hat. Nichts in einer Zwei-Spiele-Runde kann ein System für sich genommen beweisen oder widerlegen — und genau deshalb geht es in diesem Text um die Begründung, nicht um das Ergebnis.

Der stehende Hinweis für alle, die mitten in der Serie dazugekommen sind: Hier gibt es kein eigens trainiertes Modell — ich habe keine eigene KI gebaut oder trainiert. Das sind dieselben KI-Modelle von der Stange, die jeder mieten kann, ausgestattet mit Werkzeugen, Kontext und einer Aufgabe, deren Aufgabenbeschreibung nach jeder bewerteten Runde neu geschrieben wird. Was lernt, ist das Regelwerk.

Die Zusammenfassung, falls du neu hier bist

Die tägliche Hausaufgabe meiner Fantasy-WM-Mannschaft erledigt eine Truppe aus KI-Agenten: vorherzusagen, wer in jedem Spiel aufläuft — das bringt die Fantasy-Punkte — und vorherzusagen, wie jedes Spiel ausgeht, was auf dieser Seite am lautesten bewertet wird. Jede Runde benotet die Realität beides, und ich veröffentliche die Noten. Sechs Runden stehen in den Büchern, darunter ein 2-von-8-Desaster und eine 4-von-4-Beinahe-Perfekt-Runde direkt hintereinander. Das ist Runde sieben, und nur zwei Spiele waren noch vorherzusagen: die Halbfinals.

Was tatsächlich passiert ist, in zwei Spielen

Frankreich–Spanien, getippt 1:1 mit 45. Die Buchmacher konnten sich auf keinen Favoriten festlegen. Wettquoten sind verkappte Wahrscheinlichkeiten — der Preis, den ein Buchmacher auf eine Seite anbietet, sagt dir, wie oft der Markt glaubt, dass diese Seite gewinnt — und so umgerechnet lag Frankreich in den unteren Vierzigern, Spanien und das Unentschieden bei jeweils rund 30. Beide Mannschaften hatten ihren Lauf auf Zu-null-Spielen aufgebaut — Frankreichs Serie intakt, Spaniens genau einmal gerissen, im Viertelfinale — und zwei defensiv dichte Spitzenteams, die im K.-o.-Spiel aufeinandertreffen, sind das klassische Drehbuch für neunzig mehr oder weniger torlose Minuten und ein Elfmeterschießen. Das Regelwerk des Systems, einmal von genau diesem Drehbuch verbrannt, tippte das Unentschieden. Spanien hielt sich nicht ans Drehbuch: ein früher Elfmeter, dann ein scharf vorgetragener Spielzug, kurz vor der Stunde aus dem Strafraum vollendet, 0:2. Strukturell nichts Überraschendes — ein verwandelter Elfmeter und ein gut herausgespielter Zug schlagen jedes Abwehrmuster.

England–Argentinien, getippt 2:1 mit 55. Der Markt sah wieder einen Münzwurf mit leichter Tendenz: England bei rund 38 Prozent implizit, Unentschieden und Argentinien jeweils in den unteren Dreißigern. Das System tendierte zu England — dem Favoriten, aber nur knapp, am vorsichtigen oberen Rand dessen, was es noch als Münzwurf bezeichnete. Bis zur letzten Viertelstunde sah der Tipp richtig aus — England führte durch Gordon ab der 55. Minute und kontrollierte das Spiel. Dann griff Argentiniens Trainer zur Bank: drei Wechsel auf einmal um die siebzigste Minute herum, der spätere Siegtorschütze folgte kurz darauf von der Bank, und die frischen Beine drehten die Schlussphase — der Ausgleich in der 85. Minute, der Siegtreffer in der Nachspielzeit durch einen Einwechselspieler. 1:2.

Zwei Tipps, zwei falsche Sieger, und die durchschnittliche Abweichung beim Siegabstand — zwei volle Tore — war für sich schon die schlechteste aller bisherigen Runden, bei der kleinsten Stichprobe des Turniers. Das Urteil des Postmortems: keine Regeländerung. Hier ist die Begründung.

Warum „keine Korrektur” die richtige Korrektur ist — und wie ich es geprüft habe

Beide Halbfinals waren das, was der Markt selbst Münzwurf-Spiele nannte. Keine Seite in keinem der beiden Spiele wurde über rund 40 Prozent gehandelt — kein Markt, nirgends, war bereit zu behaupten, er kenne diese Ausgänge. Das System tippte ein Unentschieden mit 45 und einen leichten Favoriten mit 55, will heißen: Es sagte dir vorab, in Zahlen, dass es beides nicht wusste. Und dann wusste es es nicht, öffentlich.

Das Regelwerk des Systems hat für diese Situation inzwischen einen Namen, geschrieben nach einer ähnlichen Niederlage im Achtelfinale und in dieser Runde zweimal auf die Probe gestellt: Ein verlorener Münzwurf löst keine Regeländerung aus. Die Begründung verdient es, direkt zitiert zu werden, denn sie ist die vernünftigste Zeile im ganzen Regelwerk: Verlorene Münzwürfe ändern die Kalibrierung nicht — sie sind die Kalibrierung. Die 45er und 55er bedeuten nur dann etwas, wenn einige von ihnen verlieren; fang an, jeden verlorenen Wurf zu „reparieren”, und du jagst dem Rauschen rückwärts hinterher, bis das Regelwerk ein Tagebuch von Zufällen ist.

Und die Doktrin ist überprüfbar, nicht rhetorisch. Über das gesamte Turnier hat das System vierundvierzig bewertete Tipps in sein Münzwurf-Band gelegt — alles zwischen 42 und 58 — bei einer durchschnittlich angegebenen Konfidenz von 52. Zweiundzwanzig davon gewannen. Exakt die Hälfte. So sieht richtig eingepreiste Bescheidenheit über eine echte Stichprobe aus — und das ist zugleich der ehrliche Vorbehalt: Ein Band, das sich wie eine faire Münze verhält, bestätigt das Band und sagt nichts über irgendeine einzelne Niederlage darin aus.

Es gibt auch eine echte Fehlergrenze, und sie ist öffentlich: Das System trägt eine harte Untergrenze von 62 Prozent bei der Gesamt-Siegergenauigkeit, eine Leitplanke, unter die es nicht zurückfallen darf. Nach den Halbfinals liegt diese Zahl bei 62,4. „Nichts zu korrigieren” wurde also nicht aus bequemer Entfernung geschrieben — es wurde einen Fingerbreit über der Linie geschrieben, die eine Korrektur erzwungen hätte, und eine weitere wirklich schlechte Runde durchbricht sie. Genau das macht das Urteil widerlegbar statt bequem: Die Fehlerbedingung existiert, sie ist aufgeschrieben, und sie hätte fast ausgelöst.

Aber — und das ist der Teil, der „keine Korrektur” vertrauenswürdig statt selbstzufrieden macht — das Postmortem blieb nicht beim Freispruch stehen. Es suchte trotzdem nach einem Prozessfehler, und es fand einen. Die Konfidenz des England-Tipps war als Zone in Ordnung, aber ihr Abstand zum Markt nicht. Der Markt setzte England bei 38,5 Prozent an; das System sagte 55 — sechzehneinhalb Punkte sicherer als die Menge mit Geld im Spiel, und die schriftliche Begründung hinter dem Tipp enthielt keinen tatsächlichen Grund, es besser zu wissen, nur eine Beschreibung („leichter Favorit am oberen Rand der Münzwurf-Zone”), die als Grund verkleidet war. Hätte der Tipp gewonnen, wäre diese Lücke wahrscheinlich unbeanstandet durchgerutscht. Die Prüfung beanstandete sie in der Runde, in der sie verlor — und hätte auch in einer gewonnenen Runde Bestand gehabt: Genau das ist der Unterschied zwischen dem Benoten von Ergebnissen und dem Benoten von Prozessen. Die Regel, die daraus entstand: Ab sofort muss die Konfidenz eines Tipps innerhalb von fünf Punkten der vom Markt implizierten Wahrscheinlichkeit für den gewählten Sieger liegen oder einen ausdrücklich dokumentierten Grund für die Abweichung tragen. Die zwei zulässigen Zustände sind „mit dem Markt übereinstimmen” und „schriftlich widersprechen”. Bauchgefühl war keine dritte Option mehr.

Das ist mein Test dafür, ein „nichts zu korrigieren” mitzuunterschreiben: Die Auswertung, aus der es hervorging, muss fähig gewesen sein, etwas zu finden — bewiesen dadurch, dass sie es tat. Und eine strukturelle Anmerkung, denn „das System hat sich selbst überprüft” sollte stutzig machen: Die Noten kommen vom deterministischen Bewerter, der Tipps benotet, die vor dem Anpfiff festgezurrt wurden; das Postmortem wird gegen diese Noten geschrieben; und meine Aufgabe in dieser Serie ist es, es gegen den Strich zu lesen. Dieser Text ist genau diese Lesart.

Die Runde hat einen echten blinden Fleck offengelegt — nur nicht bei den Tipps

Während die Spieltipps damit beschäftigt waren, Münzwürfe ehrlich zu verlieren, hatte die stille Hälfte des Systems — wer in jedem Spiel aufläuft — eine Runde, die stark aussah und ein Muster verbarg.

Die Schlagzeilen-Zahl war in Ordnung: bei rund 83 Prozent von 91 bewerteten Aufstellungs-Prognosen richtig. Die Fehltreffer sind die Geschichte. Vier Spieler, die mit 80-plus als Startelf bewertet waren, spielten nicht von Beginn. Sechs Spieler, die mit 35 oder niedriger bewertet waren, taten es. Das ist keine zufällige Streuung — jeder dieser Fehltreffer ist derselbe Fehltreffer: In dieser Tiefe des Turniers hören Trainer auf, eine Stamm-Elf zu haben. Frankreich tauschte einen Flügelspieler gegen die gleichwertige Alternative, mit der es ihn das ganze Turnier über rotiert hatte. England stellte seine gesamte Außenverteidigung auf Spieler um, die zuletzt in der Gruppenphase aufgelaufen waren, gezielt gegen Argentiniens Konter ausgewählt. Argentinien setzte einen Beinahe-Kapitän auf die Bank zugunsten eines Laufwunders, dessen einzige Aufgabe es war, einen einzelnen englischen Mittelfeldspieler auszuschalten. Jede Elf war ein maßgeschneidertes Werkzeug für einen Gegner, und ein System, das „wer in der letzten Runde auflief” extrapolierte, las ein Muster, das nicht mehr existierte.

Mein Lieblingsfall betrifft einen Spieler, der inzwischen in jeder Gestalt, der diese Serie begegnet ist, der harte Brocken war: Frankreichs Sechser. Ein fehlerhafter Datensatz über seine vermeintliche Bank-Nominierung hat die Ist-Werte meines Spielstands vor zwei Artikel-Runden einmal zerschossen; dann deckelte das System ihn nach drei echten Rotationen in Folge korrekt bei 35; und gegen Spaniens ballbesitzorientiertes Mittelfeld marschierte er zurück in die Startelf und spielte alle neunzig Minuten — denn für dieses eine Spiel war er keine Rotationsoption, sondern das spezifische Werkzeug für die spezifische Aufgabe. Der Deckel war für drei Runden richtig und in der Runde, in der es zählte, falsch, aus einem Grund, der vorab sichtbar war: die Paarung.

Die Korrekturen sind eng, mechanisch und ehrlich in Bezug auf Unsicherheit, statt vorzugeben, sie aufzulösen. Wenn zwei Spieler wirklich um einen Platz konkurrieren und der Trainer sich nicht geäußert hat: Beide werden in der Mitte bewertet, nicht 84 gegen 10 — die Aufgabe des Systems ist es, einen Münzwurf zu melden, wo ein Münzwurf existiert, dieselbe Doktrin wie bei den Spieltipps. Ein Rotationsdeckel wird aufgehoben, wenn der auf der Bank sitzende Spieler das offensichtliche Paarungs-Werkzeug für den nächsten konkreten Gegner ist. Und niemand wird in dieser Tiefe als nahezu sicherer Startelfspieler bewertet ohne eine Trainerbestätigung, die weniger als 48 Stunden alt ist. Ja — diese Regeln sind auf Grundlage einer einzigen Runde Halbfinal-Evidenz geschrieben, und ich habe zwei Abschnitte weiter oben gesagt, dass das Reagieren auf kleine Stichproben genau der Weg ist, auf dem Prognostiker sich selbst ruinieren. Der Unterschied zwischen einer Regel und einer Kurvenanpassung ist, dass jede davon eine Ursache trägt, die du vor dem Anpfiff prüfen kannst — eine Paarung, ein Ermüdungsprotokoll, die tatsächlichen Worte eines Trainers — statt eines Zufalls zum Extrapolieren. Tauchen die Ursachen nicht wieder auf, feuern die Regeln nie. Dieselbe Lehre in beiden Hälften des Systems, eine Runde auseinander: Ehrlichkeit darüber, was man nicht weiß, schlägt die selbstsichere Extrapolation eines Musters, das abgelaufen ist.

Das Ziel, dem der Weg ausgeht

Eine Zahl, die diese Serie seit der Gruppenphase verfolgt, braucht jetzt ein ehrliches Begräbnis, oder zumindest eine Auszeit — und ich weiß, wie das aussieht. Dieses Ziel wurde vier Runden in Folge verfehlt: 7,67, dann 8,45, dann 7,95, jetzt 8,3. Es ausgerechnet in derselben Runde in Rente zu schicken, in der das System null von zwei lag, ist genau der Zug, den ein Kennzahlen-Schummler machen würde. Hier ist also die mechanische Begründung, Stück für Stück überprüfbar — und wenn sie dich nicht überzeugt, stehen die Zahlen alle auf dem öffentlichen Dashboard.

Konfidenz-Trennschärfe — um wie viel lauter das System bei richtigen Prognosen ist als bei falschen — hat ein stehendes Ziel von einem Abstand von zehn Punkten. Stell dir eine Feueralarmanlage mit Lautstärkeregler vor: Sie ist nur nützlich, wenn sie bei echtem Rauch lauter ist als bei verbranntem Toast, und der Abstand misst genau diesen Unterschied. Nach den Halbfinals lag er bei 8,3, Ziel erneut verfehlt — und jetzt steckt er fest: Das Ziel ist mechanisch unerreichbar, egal was das System tut. Diesen Abstand zu vergrößern erfordert laute Prognosen, laute Prognosen sind nur bei einseitigen Spielen ehrlich, und es sind keine einseitigen Spiele mehr übrig. Im gesamten Turnier bleiben zwei Partien — das Spiel um Platz drei und ein Finale Spanien–Argentinien, Elite gegen Elite — und die Märkte bepreisen beide als Münzwurf-Spiele. Obendrein können zwei Tipps einen Durchschnitt, der aus mehr als hundert bewerteten Prognosen gebaut ist, kaum bewegen. Es gibt keine legitime Handlung, die die Zahl nennenswert bewegt.

Es gibt eine illegitime, und ihre Form ist vertraut: eine laute Prognose trotzdem erzwingen. Das Finale mit 72 tippen, weil der KPI — der Key Performance Indicator, die Kennzahl im Diagramm — eine 72 im Datensatz haben will. Die Zahl steigt, das Dashboard wird grün, und der Tipp ist eine Lüge — genau die Selbstüberschätzung, die diese Serie dem System vier Runden lang ausgetrieben hat, wieder eingeführt, um einem Diagramm zu gefallen. Das Postmortem des Systems tat stattdessen das unglamouröse Richtige: Es schickte das Ziel fürs Finale in Rente, schriftlich, mit angehängtem Grund, und ersetzte es durch Ziele, die das letzte Spiel tatsächlich messen kann — Konfidenz innerhalb von fünf Punkten des Marktes oder ein dokumentierter Grund, die Format-Prüfungen zur Schreibzeit auf Grün (das Tor, das der Viertelfinal-Bug in die Pipeline gezwungen hat), die neuen Aufstellungs-Deckel angewandt. Dieses Format-Tor hat übrigens, wenn wir schon dabei sind, seine erste saubere Runde seit dem Umbau bestanden — beide Tipps korrekt geschrieben, nichts verloren.

Ein Ziel, das sich nicht mehr beeinflussen lässt, misst keine Leistung mehr; es misst deine Bereitschaft, es zu manipulieren. Es offen in Rente zu schicken ist der einzige Zug, der den Rest des Spielstands glaubwürdig hält.

Die Liga: fünfundneunzig Vorsprung, und alle noch im Spiel

Die Ligatabelle steht auf Platz eins, 526 Punkte, fünfundneunzig vor dem Zweiten — der Stand nach dem Viertelfinale; die Halbfinal-Runde war der offiziellen Tabelle noch nicht hinzugefügt, diese Zahl ist also der Boden zum Start der letzten beiden Spiele, nicht das letzte Wort.

Der Kader dahinter ist die Endspiel-Form, die der letzte Artikel beschrieben hat, zu Ende gedacht: sieben Spieler, jeder einzelne noch im Rennen. Drei Franzosen und Englands Box-to-Box-Mittelfeldspieler gehen ins Spiel um Platz drei; mein spanischer Torhüter und beide Argentinier — darunter der Kapitän mit der Zehn — spielen das Finale. In einem Format, in dem ausgeschiedene Spieler nichts einbringen, ist ein Sieben-Mann-Kader mit sieben Mann noch auf dem Platz in den letzten beiden Spielen eines 104-Spiele-Turniers die stille Hälfte dieses Systems, die noch einmal Zinseszins abwirft. Und die Recherche des Systems vermerkt noch eine Geschichte, für die es sich weigert, eine selbstsichere Zahl zu nennen: Im Torschützenrennen des Turniers liegt meine Nummer zehn punktgleich an der Spitze mit Frankreichs Stürmer — jeder mit genau einem Spiel, um es zu entscheiden, in zwei verschiedenen Partien.

Nimm den Fußball weg

Die Kernfähigkeit beim Betrieb jedes Systems, das mit Wahrscheinlichkeiten umgeht, ist, Ergebnis-Rauschen von Prozess-Versagen zu unterscheiden — und auf genau eines von beiden zu reagieren. Ergebnis-Rauschen: Das Ergebnis lief gegen dich, während die Begründung solide war. Prozess-Versagen: Die Begründung selbst war kaputt, egal was herauskam. Eine Umsatzprognose, die danebenlag, weil ein Kunde mitten im Quartal pleiteging, ist Rauschen — keine Korrektur; dieselbe Abweichung, verursacht durch veraltete Daten in der Pipeline, ist Prozess — sofort korrigieren. Auf der Ergebnisfolie sehen beide identisch aus, und du kannst sie nur auseinanderhalten, indem du die Begründung benotest, nicht das Ergebnis. Mein System verlor zwei Münzwürfe und änderte nichts an Münzwürfen; es fand eine unerklärte Abweichung von sechzehn Punkten vom Markt und schaffte sie per Regel ab. Beide Entscheidungen gingen aus derselben Auswertung hervor.

„Nichts zu korrigieren” ist nur glaubwürdig aus einer Auswertung, die auf der Jagd war. Wenn dein Rückblick in einer gut gelaufenen Runde nicht ein einziges Mal ein Problem gefunden hat — oder in einer schlecht gelaufenen Runde nicht ein einziges Mal darauf verzichtet hat, eines zu finden —, dann wertet er nicht aus, er erzählt. Die Prüfung, die dich freispricht, muss dieselbe Prüfung sein, die dich verurteilen könnte.

Muster haben ein Verfallsdatum, und die teuren Fehltreffer wohnen direkt dahinter. Das Startelf-Modell extrapolierte „jüngste Runden” in eine Turnierphase hinein, in der Trainer in einzelnen Spielen denken. Die Information, die es brauchte — Paarung, Trainer-Aussagen, Brisanz —, war verfügbar; dem Regelwerk war nur nicht gesagt worden, dass sich das Regime geändert hatte. Was auch immer dein Äquivalent zur „Stamm-Elf” ist — der übliche Freigebende, die typische Bestellgröße, die Standard-Vorlaufzeit —, die Frage ist nicht, ob das Muster letzten Monat gehalten hat. Sie ist, ob das, was das Muster erzeugt, noch existiert.

Und auch Ziele verfallen. Ein KPI, den niemand mehr beeinflussen kann, misst keine Leistung; er misst die Bereitschaft, ihn zu manipulieren. Wenn eine deiner Kennzahlen diesen Zustand erreicht, ist der ehrliche Zug der, den dieses System gemacht hat — sie offen in Rente schicken, Gründe angehängt —, denn jedes Quartal, das sie auf dem Dashboard bleibt, trainiert sie Menschen darauf, sie zu fälschen.

Im gesamten WM-Turnier sind noch zwei Spiele übrig. Die erste der beiden verbleibenden Prognosen des Systems steht schon öffentlich auf meinem Dashboard, neue Ehrlichkeitsregel in Kraft — das Spiel um Platz drei: Frankreich schlägt England, 2:1, mit 50, unter drei Punkte von der Markttendenz entfernt, Abweichung dokumentiert. Das Finale, Spanien–Argentinien, wird unter derselben Vorgabe getippt, und wenn der Markt Münzwurf sagt, wirst du eine Münzwurf-Zahl sehen, KPI hin oder her. Dann endet das Turnier, das Kassenbuch schließt, und ich schreibe die Schlussabrechnung: jede Runde, jede Regel, die das System sich selbst geschrieben hat, und ob ein öffentlicher Spielstand das Ding tatsächlich besser gemacht hat — oder nur ehrlicher darin, falsch zu liegen. Wenn du die Zahlen zusammen mit mir mitgerechnet hast, weißt du schon, dass das nicht dasselbe ist. Noch eine Runde.