Acertar o pelotão de frente é análise. Cravar o campeão é palpite — e a Copa acabou de mostrar a diferença em tempo real.

Em 12 de junho, com a bola começando a rolar, perguntamos às IAs quem ganharia a Copa do Mundo de 2026. ChatGPT, Gemini e Claude convergiram para uma resposta que desagradou o torcedor brasileiro: Espanha favorita, com cerca de 14,5% de chance de título, e o Brasil apenas em sexto.

Na terça-feira (14), a Espanha venceu a França por 2 a 0 e carimbou a primeira vaga na final. Nesta quarta (15), a Argentina virou sobre a Inglaterra por 2 a 1 e completou a decisão. A final de domingo será Espanha × Argentina.

A conclusão fácil é dizer que a IA acertou. A conclusão útil é outra — e exige olhar com cuidado o que exatamente ela acertou. Porque, no mesmo torneio em que os modelos cravaram o pelotão de frente, eles erraram a semifinal, e não enxergaram a única coisa que realmente importava para quem assistia daqui.

O pelotão que os modelos desenharam

Quando pedimos as projeções em junho, os modelos indicaram cinco seleções acima das demais: França, Espanha, Argentina, Inglaterra e Portugal. O Brasil vinha logo atrás, penalizado por duas variáveis específicas — a pior campanha da história nas Eliminatórias sul-americanas e a ausência de uma identidade tática consolidada sob Carlo Ancelotti.

As quatro semifinalistas da Copa de 2026 foram Espanha, França, Argentina e Inglaterra. Todas as quatro estavam no top 5 dos modelos. E o quinto nome, Portugal, não caiu para um azarão: caiu para a própria Espanha, por 1 a 0, nas oitavas de final.

Agora, com a final definida, o placar fica ainda mais impressionante: os dois finalistas saíram daquela lista de cinco.

Isso não é sorte, e é importante dizer com clareza: identificar o pelotão de frente é exatamente o que esse tipo de modelo faz bem. Ranking FIFA, valor de mercado do elenco, desempenho recente, profundidade de plantel — são variáveis estáveis, bem documentadas e altamente correlacionadas com chegar longe em um torneio de mata-mata. O modelo lê tudo isso de uma vez, sem paixão e sem memória afetiva, e devolve uma lista. A lista estava certa.

O problema é que quase ninguém queria uma lista. As pessoas queriam um campeão.

Ordenar o pelotão é outra história — e a semifinal provou

Aqui é onde a projeção deixa de funcionar. E, desta vez, não é teoria: é o placar de ontem à noite.

Antes de Inglaterra × Argentina, as probabilidades eram de 35,1% para a Inglaterra e 31,8% para a Argentina, com 33,1% de chance de empate no tempo normal. Três números praticamente idênticos — com uma leve vantagem para os ingleses.

Deu Argentina. E deu de um jeito que nenhum modelo do mundo captura.

A Inglaterra abriu o placar aos 55 minutos. Naquele instante, qualquer projeção ao vivo teria disparado a probabilidade inglesa para o alto: time na frente, jogando por trás da linha da bola, 35 minutos para segurar. A Argentina, que dominou a posse de bola durante toda a partida (64% contra 36%) e finalizou 14 vezes contra 6, ainda não tinha transformado superioridade em gol.

Aí vieram os cinco minutos finais. Empate aos 85. Virada aos 90.

Repare no que aconteceu ali. O modelo não errou por ser ruim. Ele errou porque, uma vez que você já separou o pelotão do resto, o que sobra dentro do pelotão é justamente a parte que os dados não explicam. Duas seleções de elite, com elencos comparáveis e retrospectos comparáveis, decidindo em 90 minutos. Um lance, um pênalti, um erro de goleiro, cinco minutos de desespero.

É a mesma lógica de uma corrida: dizer quem estará no pelotão da frente na última volta é análise. Dizer quem cruza a linha primeiro é palpite. Os modelos fizeram a primeira coisa muito bem e a segunda com a mesma precisão de uma moeda — e a moeda, ontem, caiu do lado argentino.

E vale insistir num ponto que passou batido na comemoração dos acertos: a Espanha estar na final não valida os 14,5%. Aquele número dizia, textualmente, que em 85,5% dos cenários simulados o campeão seria outro. Uma probabilidade de 14,5% não é uma previsão de que algo vai acontecer — é uma previsão de que provavelmente não vai. Um único torneio não confirma nem desmente um número desses. Ele apenas aconteceu.

A Noruega: o buraco no meio do modelo

No dia 5 de julho, no MetLife Stadium, o Brasil foi eliminado nas oitavas de final pela Noruega, por 2 a 1. Erling Haaland marcou os dois gols na reta final do segundo tempo; Neymar descontou de pênalti nos acréscimos. Antes disso, segundo a CNN Brasil, o Brasil ainda desperdiçou um pênalti com Bruno Guimarães, defendido pelo goleiro Nyland. Foi a pior campanha brasileira desde 1990.

Nenhum modelo previu isso. Nenhum.

Em junho, as projeções davam ao Brasil mais de 88% de chance de passar da fase de grupos — o que de fato aconteceu — e apontavam as quartas de final, contra França ou Espanha, como o primeiro obstáculo real. A Noruega sequer aparecia nas conversas. Ela não apenas eliminou o Brasil: chegou às quartas e só parou diante da Inglaterra, por 2 a 1.

E aqui está a parte mais interessante desta Copa para quem se interessa por IA. O mesmo mecanismo que colocou o Brasil em sexto é o que tornou a Noruega invisível.

Os modelos penalizaram o Brasil por dados recentes ruins. E ignoraram a Noruega por ausência de dados recentes — uma seleção que não disputava uma Copa desde 1998 não tem histórico de campanhas longas para alimentar o índice, por mais que tenha, em campo, o centroavante mais decisivo do mundo. O algoritmo lê continuidade. O futebol produz descontinuidade.

O erro, portanto, não foi aleatório. Foi estrutural, e simétrico: o modelo subestima quem está caindo e não vê quem está subindo, porque as duas coisas só existem no futuro, e o futuro não está no conjunto de treino.

E agora, a final: Espanha × Argentina

Domingo (19), às 16h de Brasília, a Copa termina onde os modelos disseram que ela poderia terminar — mas com o time que eles não escolheram do outro lado.

As projeções para a decisão repetem exatamente o padrão que este texto vem descrevendo: Espanha com 42,1%, Argentina com 26,5% e 31,4% de chance de empate no tempo normal. Traduzindo: o modelo prefere a Espanha, mas atribui a ela menos da metade dos cenários. Ou seja — de novo — ele não sabe. Ele só arruma os números.

Antes disso, no sábado (18), França e Inglaterra decidem o terceiro lugar. Os mesmos modelos que deram a semifinal à Inglaterra agora dão 47,7% à França.

Os modelos deram o pelotão. Agora é a sua vez — e, diferente dos modelos, aqui a gente guarda e mostra o palpite de todo mundo:

Não para descobrir quem está certo — leitor e algoritmo estão fazendo a mesma coisa aqui, que é chutar com informação. Mas porque comparar a intuição coletiva com uma projeção estatística costuma ser revelador, e quase nunca do jeito que se espera.

O que essa Copa ensina sobre usar IA no trabalho

A tentação, depois de ver os dois finalistas saírem do top 5, é aumentar a confiança nas projeções. Seria o aprendizado errado — e a semifinal de ontem é a prova. O certo é mais sutil e muito mais aplicável:

A IA é confiável onde há continuidade, e cega onde há ruptura. Ela acertou o pelotão porque força de elenco muda devagar. Errou a Noruega porque rupturas não têm precedente por definição. E errou a semifinal porque dois gols nos cinco minutos finais são, literalmente, uma descontinuidade. Isso vale integralmente fora do futebol: um modelo projeta bem a demanda do seu produto no próximo trimestre e não projeta o concorrente que ainda não existe. Use IA para ler o que é estável. Não peça a ela o que é descontínuo.

Acerto pontual não é validação. Se a Espanha for campeã, muita gente vai dizer que a IA previu a Copa. Ela não previu — ela atribuiu 14,5% e o cenário de 14,5% aconteceu. Confundir uma coisa com a outra é como concluir que um dado é viciado porque saiu 6. Em ambiente profissional, esse é o erro caro: passar a confiar num modelo por causa de um acerto que a própria matemática do modelo classificava como improvável.

Precisão e utilidade não são a mesma coisa. As respostas mais detalhadas — as que simulavam placar, minuto do gol, posse de bola — não eram as mais corretas. Eram as mais convincentes. Ontem, aliás, a Argentina venceu a estatística e o modelo: teve 64% de posse, o dobro de finalizações, e ainda assim precisou de dois gols no limite para transformar domínio em vaga. A IA é ótima em produzir confiança na apresentação, e a confiança na apresentação não guarda relação nenhuma com a confiabilidade do conteúdo. Se existe um único reflexo a treinar na era da IA, é esse: desconfiar da fluência.

Conclusão

No fim, a Copa de 2026 deu às IAs uma nota justa: excelentes de analista, péssimas de vidente.

Elas leram o pelotão com precisão quase constrangedora — as quatro semifinalistas e os dois finalistas saíram de uma lista de cinco nomes feita um mês antes. E, dentro desse mesmo pelotão, erraram a única pergunta que interessava na noite de ontem. E não viram o Haaland. Não porque sejam ruins, mas porque ver o Haaland não era um problema de dados. Era um problema de futebol.

O algoritmo entregou o pelotão. A bola entregou o resto. É exatamente essa divisão de trabalho que vale levar do estádio para o escritório.

Nota: as projeções citadas foram publicadas por veículos de imprensa e por modelos estatísticos antes e durante a competição, com base nos dados disponíveis à época, e foram reunidas por nós nesta matéria de 12 de junho. Resultados, estatísticas e probabilidades citados refletem o quadro da competição em 15 de julho de 2026, após a definição dos dois finalistas.