Kan AI het WK voorspellen? Wat de supercomputers écht doen

Het WK voetbal is begonnen, en met de aftrap kwam de jaarlijkse golf koppen mee: “Supercomputer voorspelt de winnaar.” De Opta-supercomputer zet Spanje bovenaan. Een AI-octopus genaamd Fable koos zijn opvolger uit. En als je het ChatGPT vraagt, krijg je ook een naam. Maar voorspelt AI hier nou echt wie er wint? Of doet het iets heel anders, dat we alleen graag een voorspelling noemen?

Wat de supercomputer écht zegt

Begin bij de bron van alle koppen: het model van databedrijf Opta. Dat liet voor het WK 2026 het hele toernooi 25.000 keer simuleren. De uitkomst is geen winnaar, maar een ranglijst van kansen. Spanje staat bovenaan en wint in 16,1% van die simulaties. Frankrijk volgt met 13%, Engeland met 11,2%, en titelhouder Argentinië met 10,4%. Daarna wordt het snel kleiner: Portugal 7%, Brazilië 6,6%, Duitsland 5,1% (Bron: Opta Analyst).

Lees die 16% nog eens. “Favoriet Spanje” betekent dat het model Spanje in ongeveer één op de zes doorgerekende toernooien laat winnen. In de andere vijf op de zes wint Spanje dus níet. Zelfs de sterkste ploeg is volgens het model waarschijnlijker uitgeschakeld dan kampioen. Opta laat dat zelf mooi zien: Spanje is de enige ploeg met meer dan 50% kans om de kwartfinale te halen (52,1%). Eén op de twee, voor de topfavoriet, om alleen al bij de laatste acht te komen.

Beginner-tip:
Een “supercomputer” klinkt als een machine die wedstrijden bekijkt en de winnaar aanwijst. In de praktijk is het een rekenmodel dat elke ploeg een aanvals- en verdedigingscijfer geeft op basis van duizenden eerdere interlands, en daarmee het toernooi heel vaak naspeelt. Het telt hoe vaak iedereen wint. Jij ziet de uitkomst als percentage, niet als orakel.

Voorspellen is kansen rekenen, niet waarzeggen

Hier zit de kern. Het model “voorspelt” geen uitslag, het schat een waarschijnlijkheid. En dat verschil wordt pijnlijk zichtbaar zodra de bal rolt.

Neem het vorige WK, in 2022. Datzelfde type model gaf Argentinië vooraf zo’n 5% kans op de titel. Argentinië werd wereldkampioen. Het model had het niet “fout”: een gebeurtenis van 5% gebeurt nu eenmaal af en toe, dat is wat 5% betekent. Maar wie vooraf de kop “Argentinië wint” had verwacht, zou bedrogen zijn uitgekomen. De cijfers wezen een andere kant op, en de werkelijkheid trok zich daar weinig van aan.

Soms zit een model er juist verbluffend dichtbij. In 2014 voorspelde Microsofts model via Bing vijftien van de zestien knock-outwedstrijden correct, inclusief de Duitse winst in de finale (Bron: GeekWire). Indrukwekkend. Maar precies dat WK leverde ook de grootste schok uit de voetbalgeschiedenis: gastland en medefavoriet Brazilië ging in de halve finale met 7-1 onderuit tegen Duitsland. Geen model zag die uitslag aankomen, want zoiets zit niet in de patronen van eerdere wedstrijden.

Dat is voetbal: een sport met weinig doelpunten en veel toeval. Eén rode kaart, één afgekeurd doelpunt, één penalty die de paal raakt. Over duizenden gesimuleerde toernooien middelt dat toeval uit en krijg je een nette kansverdeling. Over één avond in één stadion regeert het toeval. Het model is goed in het eerste en machteloos in het tweede.

Gevorderden:
De meeste van deze modellen draaien op een variant van een Poisson-verdeling over verwachte doelpunten, gevoed met sterkte-ratings (vergelijkbaar met Elo) en soms onderliggende cijfers zoals expected goals. Ze modelleren despreidingvan mogelijke uitkomsten goed. Wat ze niet kunnen: een eenmalige, niet-gemodelleerde gebeurtenis voorzien. Hoe meer toeval per wedstrijd, hoe breder de verdeling en hoe minder zeker elke individuele uitkomst.

Vraag je ChatGPT, dan krijg je een mening

Dit WK is het eerste waarbij iedereen ook gewoon een chatbot kan raadplegen. En dat doen mensen massaal. Er is zelfs een AI-opvolger van Paul de octopus opgetuigd, Fable de octopus, die elke wedstrijd een uur voor de aftrap een winnaar kiest (Bron: AFP). Leuk als format. Maar hier wordt het onderscheid belangrijk.

Een taalmodel als ChatGPT, Claude of DeepSeek rekent geen 25.000 simulaties uit. Het genereert een plausibel klinkend antwoord op basis van zijn trainingsdata en de manier waarop jij de vraag stelt. Het resultaat: vraag je verschillende modellen, dan krijg je verschillende winnaars. ChatGPT en Claude kozen Spanje, het Franse Le Chat van Mistral koos Frankrijk, en DeepSeek en Qwen gokten op Argentinië (Bron: AFP). Soms verzint een model er details bij die nergens op slaan, zoals een verkeerde finalelocatie.

Een taalmodel geeft je dus een onderbouwde gok in vloeiende taal. Dat kan een prima gespreksopener zijn, en je kunt het zelf sturen door het de juiste data te voeren. Wil je dat zelf proberen op een verstandige manier, dan legt onze collega-site stap voor stap uit hoe je AI een wedstrijd laat analyseren zónder dat je in verzonnen cijfers trapt: lees zo laat je AI een voetbalwedstrijd analyseren op debesteaitools.nl. Maar verwar de uitkomst niet met de statistische kansberekening van Opta. Het zijn twee verschillende dingen die toevallig allebei “AI” heten.

Wat dit betekent voor jouw werk

Waarom een AI-platform voor het MKB zich druk maakt om voetbal? Omdat het WK perfect laat zien waar AI sterk is en waar niet, en dat onderscheid bepaalt of AI in jouw bedrijf waarde toevoegt of alleen ruis.

AI is op zijn best bij situaties met veel herhaling en data: welke producten verkopen straks goed, welke klant dreigt op te zeggen, hoeveel voorraad je volgende maand nodig hebt. Dat zijn de zakelijke equivalenten van “het toernooi 25.000 keer naspelen”. Daar is de gemiddelde verwachting echt bruikbaar.

Vraag je AI om één unieke, chaotische uitkomst hard te voorspellen, dan krijg je schijnzekerheid. Of die ene grote deal volgende week rondkomt, of dat ene nieuwe product een hit wordt, of een sollicitant de juiste blijkt: dat zijn de 7-1’s van het bedrijfsleven. Een model kan je een kans geven, geen garantie. De truc is om de kans te gebruiken en de stelligheid te wantrouwen. “Er is 70% kans dat deze klant blijft” is informatie waar je iets mee kunt. “Deze klant blijft” is een belofte die AI niet kan waarmaken. Diezelfde eerlijkheid passen we op onszelf toe: in Wat we voorzagen scoren we onze eigen AI-signalen achteraf, mét de keren dat we ernaast zaten.

Dat past in een breder patroon dat we vaker zien: het verschil tussen wat AI wel en niet is, en de gezonde scepsis die nodig is in een tijd van AI-moeheid en groeiend tegengeluid. Het hoort er ook bij dat modellen soms met grote stelligheid dingen beweren die niet kloppen, iets wat we uitgebreider behandelen in ons stuk over AI-hallucinaties. Wie de cijfers in de staat van AI in Nederland leest, ziet hetzelfde terug: de winst zit in voorspelbare, datarijke taken. En soms is AI gewoon leuk dichtbij huis: dezelfde patroonherkenning helpt je de natuur om je heen te benoemen, van een vogelzang tot een plant langs het pad.

Dus kan AI het WK voorspellen? Het kan je vertellen wie waarschijnlijk wint, met een eerlijk percentage erbij. Wie er daadwerkelijk met de beker vandoor gaat, weten we pas op 19 juli, als de finale gespeeld is. En als het toernooi ons íets leert over AI, is het dat een goed percentage waardevoller is dan een stellige naam.