Tipstere mod AI, algoritmer og fællesskaber: Hvem tjente penge?

Vi sorterede 155 af de 172 fodboldforudsigelsestjenester i Tips.GG Accuracy Index efter, hvem der laver forudsigelserne: mennesker, AI, algoritmer eller fællesskabet. To ud af fem af de menneskedrevne tjenester endte med overskud, mens færre end én ud af ti af de algoritmebaserede tjenester gjorde det.

35 af de algoritmedrevne tjenester offentliggjorde hver mere end 1.000 forudsigelser mellem januar og september 2026. Ingen af dem endte foran.

Toppen af tabellen tilhører hovedsageligt mennesker. Fire af de fem tjenester, der gav mere end 10 %, drives af menneskelige tipstere.

Samlet set er andelen med overskud: mennesker 41,3 %, AI 16,0 %, fællesskabet 15,4 % og algoritmer 7,1 %.

Denne artikel bruger tre mål: andelen af tjenester med overskud (hvor mange i en type der endte foran), median-ROI (hvordan den typiske tjeneste i en type klarede sig) og ROI pr. indsats (hvad det ville have givet at følge hver forudsigelse fra en type).

Det er overskriften. Resten af denne artikel handler om, hvorfor det er mindre enkelt, end det ser ud.

Hvem laver forudsigelserne

I vores første gennemgang af fodboldforudsigelsestjenester rangerede vi dem efter resultater. Her sorterer vi det samme indeks efter, hvem der laver forudsigelserne.

Der er fire typer.

Menneske: en navngiven ekspert, et redaktionelt team eller en enkelt tipster, som hos bets.co.za og wettfreunde.net.

AI: tjenesten siger, at kunstig intelligens, maskinlæring eller neurale netværk laver dens forudsigelser, som StaTips på X (Twitter) og betideas.com gør.

Algoritme: tjenesten beskriver en statistisk model eller algoritme og hævder ikke, at der bruges AI, som betimate.com og TheyScored (Twitter) gør.

Fællesskab: forudsigelserne samles fra brugere gennem afstemninger, som hos sofascore.com, eller fællesskabsbaserede tipsterligaer som olbg.com og bettingexpert.com.

Reglen er enkel. En tjeneste er det, den siger om sig selv dér, hvor dens forudsigelser offentliggøres: dens hjemmeside, Om os-side, appbutikside eller profilbiografi. Vi registrerede et citat og et link for hver række. Det placerede 160 af de 172 tjenester.

Tolv tjenester siger intet om, hvem eller hvad der laver de forudsigelser, vi følger. For disse er typen en redaktionel beslutning: tre blev klassificeret som Menneske og ni som Algoritme, markeret med en stjerne i tabellen nedenfor. Ingen af de tolv endte med overskud, og de ændrer ikke resultatet. Hvis man udelader dem, forbliver rækkefølgen den samme: menneskedrevne tjenester stiger til 43,1 % med overskud, og algoritmetjenester til 9,1 %.

17 tjenester er ikke en del af sammenligningen. De beskriver en blanding af metoder og vises som Blandet i tabellen nedenfor. At tvinge dem ind i én type ville betyde, at man opfandt en metode, de ikke selv hævder at bruge.

Forskellen bliver tydelig blandt små tjenester

Forskellen mellem mennesker og algoritmer er reel. Den er også en forskel i output.

Den mediane algoritmetjeneste offentliggjorde omkring 5.500 forudsigelser i løbet af de ni måneder. Den mediane menneskedrevne tjeneste offentliggjorde 423. 35 af de 42 algoritmetjenester kom over 1.000 forudsigelser; det samme gjorde 20 af de 75 menneskedrevne tjenester.

Lønsomheden falder, når volumen vokser. Hvis man deler hver gruppe ved 1.000 forudsigelser, mindskes forskellen i toppen, men den består nedenunder.

Over 1.000 forudsigelser tjener næsten ingen penge, uanset hvem eller hvad der laver forudsigelserne: 5 af de 73 sammenlignede tjenester, og ikke én af dem var en algoritme. Tre af de fem var menneskedrevne, og ingen af de tre endte mere end 0,85 % foran. Under 1.000 fører mennesker. Af de menneskedrevne tjenester endte 50,9 % med overskud, mod 3 af 7 algoritmetjenester, 3 af 15 AI-tjenester og 1 af 5 fællesskabsfeeds. Disse grupper er små, så læs det som det, dette datasæt viser, ikke som en regel.

Det, opdelingen ikke viser, er, at mennesker forudsiger fodbold bedre end modeller. En tipster, der offentliggør 200 forudsigelser, har langt større mulighed for en heldig stime end en model, der offentliggør 9.000. De fleste algoritmetjenester vælger at offentliggøre i et omfang, hvor heldet udjævnes, og bookmakerens margin gør resten.

Tips.GG’s egne forudsigelser kommer fra et redaktionelt team, så vores række tæller som Menneske. Den viser 5.836 forudsigelser, 53,9 % nøjagtighed og −4,05 % ROI.

Det placerer os blandt de 20 menneskedrevne tjenester med høj volumen. Tre af dem endte foran, ingen med mere end 0,85 %. Det er ved offentliggørelse i stor skala, at menneskelige tipstere ligner alle andre mest.

AI er et bredt væddemål, ikke et bedre et

25 tjenester beskriver deres forudsigelser som AI-drevne. Fire af dem endte med overskud, eller 16,0 %, under indekset som helhed og kun lige foran fællesskabet.

Gruppens resultater går i begge retninger. StaTips (Twitter) siger, at deres team udvikler AI-forudsigelser. Tjenesten gav +10,11 % på 582 forudsigelser. I den anden ende tabte Scorebet24 (Twitter), som beskriver sine tips som AI-drevne, 17,66 % på 473.

Selve betegnelsen er en dårlig rettesnor. Syv tjenester i tabellen har “AI” i navnet. Kun én endte foran: Football Predictions AI (Twitter) med +3,18 %. footballpredictions.ai, som har AI i navnet og ingen metode, vi kunne finde, tabte 15,10 %, gruppens næstdårligste resultat.

AI-tjenester er heller ikke mere nøjagtige end menneskedrevne tjenester. Den mediane AI-tjeneste ramte 51,0 % af sine forudsigelser korrekt, mod 54,5 % for menneskedrevne tjenester og 50,0 % for algoritmetjenester.

“Folk spørger os, om AI endelig har slået tipsterne. Det ærlige svar er, at betegnelsen på en forudsigelse fortæller dig langt mindre end historikken bag den. Over nogle få hundrede forudsigelser kan næsten alle se geniale ud — en person, en model eller et fællesskab. Over tusindvis ender næsten alle med at betale bookmakerens margin. Det spørgsmål, man bør stille en tjeneste, er ikke, hvem eller hvad der laver dens forudsigelser. Det er, hvor længe den har haft ret til de priser, den fik.”

Anton Malyutin, CEO hos Tips.GG

Fællesskabet taber langsomt

Fællesskabsfeeds opfører sig anderledes end både mennesker og modeller. De bevæger sig sjældent langt i nogen af retningerne.

13 tjenester samler deres brugeres valg. Resultaterne går fra −5,02 % for Football Predictions Community Voting (Twitter) til +5,20 % for betblog.com, og ingen anden type holder sig inden for så snævert et interval. Kun to endte foran: betblog.com og BetExplorer (Twitter) med +2,22 %.

Det snævre interval ses, når hver forudsigelse tælles med. Samlet gav fællesskabsforudsigelser −3,27 % pr. indsats, det mindste tab af de fire typer. Det er stadig et tab: at følge hele fællesskabet ville have kostet penge.

De største fællesskaber tabte alle. sofascore.com, betclan.com og olbg.com har tilsammen mere end 35.000 forudsigelser, og ingen af dem endte foran. En afstemning blandt tusindvis af brugere er et gennemsnit, og gennemsnit afviger sjældent langt fra prisen i nogen af retningerne.

Om dataene og deres begrænsninger

Tips.GG-trackeren registrerer forudsigelser af fodboldkampes resultater (1X2), som offentliggøres af hjemmesider, tipsteroperationer og individuelle kanaler. Denne undersøgelse dækker 1. januar til 30. september 2026. Hver forudsigelse afregnes ved en fast indsats på $10 til den pris, Tips.GG registrerer for kampen, inklusive bookmakerens margin (8,33 % i gennemsnit), så en tjeneste skal slå marginen for at ende foran.

Nøjagtighed er andelen af forudsigelser, der vandt. ROI er fortjenesten som en procentdel af de samlede indsatser, og en tjeneste tæller som lønsom, når dens ROI er over nul. For at kvalificere sig skal en hjemmeside have 50 bedømte forudsigelser, og en konto, der er opført under en platform, skal have 200. Navne, der drives af én udgiver, slås sammen til én række. Det efterlader 172 tjenester, hvoraf 43 tjente penge. Den fulde metode er offentliggjort på Tips.GG Accuracy Index: Metode.

Typen er en påstand, ikke en metode, vi har verificeret. Vi sorterede tjenester efter, hvad de siger om sig selv. Vi kontrollerede ikke, hvad der ligger bag. theanalyst.com beskriver en “AI-powered Opta supercomputer”, hvis forudsigelser kommer fra kampsimulationer baseret på Opta-vurderinger; den tæller som AI, fordi det er sådan, den præsenterer sig selv. Den samme tjeneste kan fremstå forskelligt forskellige steder. forebet.com’s appbutikside nævner kunstig intelligens, men hjemmesiden, hvor forudsigelserne offentliggøres, beskriver “matematiske algoritmer og statistiske modeller”, så den tæller som Algoritme. Vi kategoriserede hver tjeneste efter de sider, dens forudsigelser kommer fra.

Nogle rækker indeholder mere end én slags forudsigelse. I seks sammenlignede tjenester uden for typen Fællesskab er en del af feedet markeret som fællesskabsafstemning: xgscore.io 41,6 %, livetipsportal.com 41,0 %, betmines.com 37,2 %, sport.ua 13,5 %, zagranie.com 7,9 % og goal.pl 7,3 %. Tre yderligere har under 1 %. Hver tjeneste tælles som en helhed; vi adskilte ikke afstemningsandelen fra resten af feedet. Én kanal optræder som to rækker. Matt SB (YouTube) driver kanalen, og Sophie SB (YouTube) giver sine egne forudsigelser i en videoserie på den; vores tracker registrerer hendes forudsigelser separat under hendes navn.

Nogle grupper er små. Fællesskab har 13 tjenester. Ét resultat, der bevæger sig over nul, ændrer deres andel med næsten otte procentpoint.

Hver forudsigelse afregnes på samme måde. Den faste indsats er et sammenligningsgrundlag, ikke en påstand om, hvordan nogen satsede, og den enkelte pris, Tips.GG registrerer for en kamp, er ikke nødvendigvis en, som en læser kunne have taget.

Så hvem tjente penge?

Ingen type gjorde det som helhed. Hvis man samler alle forudsigelser eller ser på den typiske tjeneste, endte alle fire typer bag bookmakeren. Det, der tjente penge, var individuelle tjenester: 43 af de 172 i indekset, de fleste små, menneskedrevne operationer.

De tre mål viser, hvor hver type står:

• Andel med overskud: mennesker fører med 41,3 % af de menneskedrevne tjenester foran, mod 16,0 % for AI, 15,4 % for fællesskabet og 7,1 % for algoritmer.
• Median-ROI: mennesker fører igen, med den typiske menneskedrevne tjeneste på −1,22 %, foran fællesskabet på −2,67 %, AI på −3,76 % og algoritmer på −4,89 %.
• ROI pr. indsats: fællesskabet ligger lige foran på −3,27 %, med mennesker på −3,74 %, AI på −4,35 % og algoritmer på −4,91 %.

Målene er enige i bunden: algoritmetjenester ligger sidst på alle tre. I toppen deler de sig mellem mennesker og fællesskabet, og på ROI pr. indsats ligger de to mindre end et halvt procentpoint fra hinanden.

Svaret på overskriften er altså ikke en type. En tjeneste, der slog marginen, er mest sandsynligt en menneskelig tipster med nogle få hundrede forudsigelser. Men en type er ikke en resultathistorik: Før du følger en tjeneste, bør du tjekke, hvor mange forudsigelser den har offentliggjort, og hvordan den klarede sig til de priser, den fik.

Genbrug af dataene

Den fulde tabel findes nedenfor med alle 172 tjenester, hver tjenestes type, forudsigelser, nøjagtighed og ROI. Den må frit citeres og genbruges med kreditering til Tips.GG og et link tilbage til denne undersøgelse. Typen for hver række samt det citat og link, den bygger på, kan fås efter anmodning, ligesom spørgsmål om metoden og data i andre formater: [email protected].

Alle 172 tjenester efter type

Alle 172 tjenester, rangeret efter ROI. Forudsigelser af fodboldkampresultater fra 1. januar til 30. september 2026, afregnet med en fast indsats på $10. Præcision er andelen af forudsigelser, der gik hjem. ROI er den samlede profit som en procentdel af de samlede indsatser. Type afspejler hver tjenestes egen offentlige beskrivelse; 12 rækker blev kategoriseret redaktionelt som forklaret ovenfor. Rækker markeret som Blandet indgår ikke i typesammenligningen. * Type fastlagt af Tips.GG-redaktører; tjenesten beskriver ikke, hvordan dens tips udarbejdes.

Du kan se al Tips.GG-forskning her.