AI шукає тих, хто програє: як персональна реклама може використати вразливість людини

Штучний інтелект у рекламних системах може шукати не просто зацікавленого клієнта, а людину, яка найімовірніше втратить гроші й повернеться після персональної акції. Electronic Frontier Foundation звернула увагу на повідомлення про модель DraftKings, навчену на історії ставок користувачів. За описом EFF із посиланням на розслідування The New York Times, алгоритм визначає гравців, схильних до програшу та реакції на промоцію. Це показовий приклад ризику поведінкової реклами: оптимізаційна мета платформи може суперечити добробуту людини.

Що саме стверджує EFF

За переказом EFF, компанія використовує власні записи про ставки для навчання моделі машинного навчання. Вона має виявляти клієнтів, які програють і водночас реагують на рекламні пропозиції. Після цього платформа може надсилати їм персоналізовані бонуси чи нагадування, щоб повернути до гри.

Це важливо формулювати обережно: йдеться про твердження EFF, що спирається на стороннє журналістське розслідування, а не про незалежний аудит моделі або оприлюднений код. Без доступу до даних, цільової функції та результатів неможливо перевірити точність класифікації чи те, як часто система помилково зараховує людину до ризикової групи.

Чому «власні дані» не означають безпечні

У цьому випадку, за даними EFF, використовуються first-party data — інформація, яку сервіс отримує безпосередньо від своїх клієнтів, а не купує в зовнішнього брокера. Для користувача різниця суттєва, але не вирішальна. Платформа все одно бачить суми, час, частоту дій, реакцію на повідомлення й історію поповнень. Сукупність цих сигналів дозволяє будувати дуже детальні профілі навіть без стеження на сторонніх сайтах.

Саме тому блокування міжсайтових cookie не зупиняє персоналізацію всередині сервісу, де людина увійшла до акаунта. Браузерне розширення може зменшити зовнішнє стеження, але не приховає від платформи дії, які користувач виконує безпосередньо в її застосунку.

Як AI посилює стару рекламну модель

Поведінкова реклама існувала задовго до сучасних нейромереж. AI додає здатність обробляти більше ознак, швидше оновлювати прогноз і знаходити слабкі комбінації сигналів, які важко помітити аналітику вручну. Якщо оптимізаційна мета сформульована як «збільшити повернення і витрати», система може винагороджувати саме ті рішення, що тиснуть на найбільш вразливих користувачів.

Проблема не в магічній «злій моделі», а в метриці. Один і той самий прогноз ризику можна використати двома протилежними способами: показати людині ліміт і запропонувати паузу або, навпаки, надіслати бонус у момент, коли вона найімовірніше повернеться. Тому відповідальний дизайн потребує не лише accuracy, а й заборонених сценаріїв застосування, незалежного аудиту та метрик шкоди.

Що може зробити користувач

• Вимкнути рекламну персоналізацію та маркетингові push-повідомлення, якщо сервіс дає таку можливість.
• Перевірити ліміти витрат, поповнень і часу; не покладатися лише на силу волі в момент емоційного рішення.
• Не дозволяти зайві доступи застосунку до контактів, точного місця, рекламного ідентифікатора та відстеження між застосунками.
• Видалити збережені платіжні методи, якщо миттєве поповнення провокує неконтрольовані витрати.
• Звернутися по допомогу, якщо азартні ігри шкодять фінансам, роботі або стосункам; технічні налаштування не замінюють професійної підтримки.

Висновок: історія важлива не лише для ставок. Рекомендаційні системи в іграх, кредитуванні, торгівлі та соціальних мережах теж можуть оптимізувати поведінку, а не інтерес людини. Ключове питання до будь-якої AI-персоналізації звучить так: хто отримує вигоду, коли прогноз спрацьовує, і хто платить за помилку?

Перекладено й адаптовано за матеріалом Devanshi Nishar для Electronic Frontier Foundation від 24 вересня 2026 року. Оригінальний матеріал та банер EFF поширюються за CC BY 4.0. Твердження про практику DraftKings подані як позиція EFF із посиланням на журналістське розслідування, а не як результат незалежного аудиту редакції.