DraftKings被曝用AI锁定易输钱玩家

DraftKings这条报道把AI转化率工具直接推到消费者保护语境里。纽约时报在9月19日报道DraftKings用AI识别更可能输钱的赌客并做定向触达；BroBible同日发布跟进文章，页面元数据给出的发布时间是16:09 UTC。

可确认的新鲜事实，是媒体调查在过去24小时内把博彩平台的AI营销推到公开审查中。NYT原文在本地抓取时被DataDome返回403，本文不把报道细节写成监管或司法定论；对核心指控统一使用“据报道”“被曝”“BroBible转述NYT称”。

BroBible可访问正文转述了几个关键点：模型使用2023年客户下注记录，目标是回答谁更可能响应促销并继续下注、亏损；模型会按用户习惯给出分数，分数越高，促销后预期亏损越多。文章还引用前员工说法，把“问题赌客”描述为最佳投资对象。

这件事的主要影响对象是高风险行业里的模型治理团队、营销负责人和监管者。若促销系统能识别脆弱用户，关键问题就从“推荐是否更准”变成“平台是否把弱点当成可变现信号”。

信源边界先说清楚

这篇稿件的置信度是medium，不是high。原因很直接：NYT是主报道，但原文抓取受阻；BroBible能提供同日跟进、发布时间、转述段落和部分引语；DraftKings与Fortune材料只能提供公司过往AI和责任博彩说法，不能证明或反驳2026年报道中的内部系统。

Reddit讨论只作为社区扩散信号。它说明这个议题进入AI治理社群视野，但不提供新的文件、模型说明或监管材料。把Reddit热度当成事实证据，会把传播和证明混在一起。

来源	可证明内容	不能证明内容
NYT 9月19日报道	议题的新鲜主锚点和报道标题	本地未抓到完整正文，不能直接逐段核对
BroBible同日跟进	发布时间、NYT转述、前员工引语和报道要点	无法替代NYT原始采访材料和内部文件
Reddit讨论	社区传播与AI治理关注度	不证明模型存在、目标函数或公司意图
DraftKings AI analytics背景页	公司公开谈AI analytics的背景	不证明争议系统的设计和使用方式
Fortune 2024采访	CEO对AI、成瘾风险和人工干预的历史说法	不证明2026年调查中的具体操作边界

这个分层会影响全文措辞。可以写“NYT报道称”“BroBible转述称”“前员工告诉NYT”；不能写“DraftKings已经被证明使用AI诱导问题赌客”。后者需要监管调查、内部文件公开或公司承认，现有材料还不到那个层级。

报道指向的系统是什么

BroBible转述NYT称，DraftKings在2023年拿客户下注记录构建机器学习模型，核心问题是：谁更可能在收到促销后继续下注并亏损。这个问题本身就把推荐系统和利润目标连接起来，因为促销不只是通知用户，而是触发更多下注行为。

报道还称，模型会根据用户习惯打分；得分越高，用户每次收到促销后预计亏损越多。随后平台可用免费投注、奖金等激励继续触达这些用户。若这一转述准确，模型预测对象已经从偏好推荐延伸到“谁在激励后更可能产生亏损”。

最敏感的引语来自前DraftKings数据分析师Jayden Butts。BroBible称他把实践描述为寻找可被定向且显示良好投资回报的特征，并说“最佳投资会是问题赌客”。文章还引用另一名前分析师称：“如果你输得更多，我们给你更多，所以你继续玩更多。”

这些引语需要谨慎处理。它们是媒体报道中的前员工说法，不是公开公司文件。它们足以让这件事成为AI治理高风险议题，但还不能替代完整内部文档、模型目标函数、实验记录或监管调查。

报道口径	中文表述	需要保留的限制
most likely to lose	更可能输钱的赌客	这是报道标题和转述口径，不是法院认定
respond to promotions by gambling and losing more	响应促销后下注并亏损更多	需要说明来自BroBible转述NYT
the higher the score	分数越高，促销后预期亏损越多	公开材料未给出模型阈值和特征
problem gambler	问题赌客	来自前员工引语，不能当作公司正式目标表述

与公司过往说法的张力

Fortune在2024年采访DraftKings CEO Jason Robins时，问题已经很接近这次争议：AI是否会让体育博彩更成瘾。Robins当时说，公司认真对待赌博成瘾，但不应承担全部责任；个人也有责任，公司也必须尽力预防。

他提到的防护包括让用户设置月度消费或下注时间限制，以及由团队评估高风险用户。如果团队发现某个用户下注时间太长或金额令人担忧，就会有人联系用户、制造摩擦并评估伤害。Fortune还写到广告细则中列有赌博成瘾帮助热线等资源。

同一次采访里，Robins否认公司以那种方式使用AI。他说当时AI主要用于聊天机器人、写代码，以及寻找提升客户满意度的领域。对于个性化，他举了一个便利性例子：如果用户每周都投注某支球队，让他滚动12页去找会很烦，系统把它放在前面更像Netflix或Amazon式便利。

但他也承认AI可帮助识别玩家行为模式，并在发现疑似问题用户时通过人工方式介入。这就形成了本次报道的治理张力：同一种行为预测能力，既可以被描述为风险识别，也可能被媒体指称为促销转化工具。

“DraftKings有没有AI”并不是核心问题。大型在线博彩平台使用AI、数据科学和分析能力并不意外。真正需要审计的是模型输出被接到哪条业务链路：减少伤害、增加摩擦、限制促销，还是提高免费投注和奖金的投放效率。

为什么它是AI治理问题

博彩场景与普通电商推荐不同。电商促销也会优化转化，但体育博彩直接关联成瘾、债务和消费者保护义务。一个能识别“更可能输钱”的模型如果被用来加强触达，风险会从体验过度优化升级为系统化利用脆弱性。

这也是监管审计难点。传统营销审查可以看文案、优惠条款和投放对象；AI系统还要看训练标签、特征、阈值、实验分组和人工复核。若平台只公开“我们有责任博彩团队”，外界仍无法知道营销模型是否避开了高风险用户。

更复杂的是，责任博彩和营收增长都可能使用相似信号。下注频率、亏损速度、追损行为、促销响应、夜间下注和账户充值变化，都可能被用于识别风险，也可能被用于识别高价值用户。治理重点应放在识别后的业务动作：降频、加摩擦、限制促销，还是继续投放激励。

如果模型把一个用户标为高风险，合理的治理动作应是降频、加摩擦、提示限额、人工核查或暂停促销。若同一用户反而收到更密集的奖金和免费投注，AI就从风险控制工具变成利润放大器。

需要监管和平台回答的问题

第一层问题是模型目标。公开材料没有给出模型训练标签。监管者真正需要看到模型优化对象：促销响应、下注额、平台毛收入、用户生命周期价值，还是风险缓释结果。不同目标会导向完全不同的产品行为。

第二层问题是特征边界。若模型使用亏损金额、追损行为、下注频率、充值失败、夜间活跃或自我排除前兆等特征，就需要解释这些特征是用于减少触达，还是用于提高触达。仅说“个性化”无法覆盖这些风险。

第三层问题是人工复核。Fortune背景采访提到人工干预高风险用户，但报道争议要求更具体的隔离机制：营销团队能否看到风险分数？促销实验是否排除高风险人群？人工干预是否有权阻止自动化优惠？

第四层问题是记录保全。若有州监管机构介入，最有价值的材料会是模型版本、实验日志、促销分组、用户风险标签、人工联系记录和合规审批链。没有这些材料，外界只能停留在媒体报道和公司表态之间。

接下来怎么看

后续最直接的信号，是DraftKings是否公开说明促销模型与责任博彩模型的隔离规则。一个有说服力的回应应至少回答：高风险用户是否被排除在促销实验之外，风险分数是否会触发降频和人工复核，营销团队能否使用与亏损相关的预测变量。

第二个信号来自监管。美国体育博彩高度依赖州级监管，若州博彩委员会要求保全模型文档、用户分组和促销记录，这件事才会从媒体调查进入可审计阶段。没有监管动作，平台可能只做公关层面回应。

第三个信号是行业联动。FanDuel等同业是否调整免费投注、奖金和高风险用户触达策略，会显示这件事是单家公司争议，还是在线博彩平台普遍面对的AI营销治理问题。

最后还要看NYT是否补充更多可公开材料。前员工引语足以提出问题，但模型目标、训练数据、实验记录和内部审批链才是判断责任的核心证据。AI治理不能把报道热度当作最终事实，也不能因为证据尚未完全公开就忽视高风险信号。