Die Autorin Erika Gomes-Gonçalves beschreibt anhand einer Fallstudie zur Implied-Volatility-Prognose mit Panel-Daten, wie methodische Schwächen im ML-Prozess zu systematisch überschätzter Modellperformance führen. Im Mittelpunkt stehen sechs konkrete Fallgruben: (1) The Default Pitfall – blinde Übernahme von Framework-Defaults ohne Prüfung ihrer Annahmen; (2) Data Leakage – Informationsfluss aus Testdaten in Training oder Preprocessing durch fehlerhafte Splits oder Full-Sample-Transformationen; (3) The Mirage Metric – Metriken, die Erfolg suggerieren, aber ökonomische Relevanz oder Target-Alignment verfehlen; (4) The Complexity Amplifier – zusätzliche Pipeline-Komplexität, die Fragilität erhöht statt Prädiktivkraft; (5) Reversion-to-the-Mean Reality – scheinbare Vorhersagestärke, die auf natürlicher Rückkehr extremer Werte zum Mittelwert beruht; (6) The Free-Rider Problem – Governance-Lücke, bei der Modellgewinne und Fehlerkosten auf verschiedene Parteien verteilt sind. Gomes-Gonçalves argumentiert im Anschluss an Catalini et al., dass in einer KI-reichen Welt der Engpass nicht mehr die Outputgenerierung, sondern die Verifikation der Ergebnisse ist. Der Artikel richtet sich explizit auch gegen oberflächliche Tool-basierte Recruiting-Kriterien, die methodisches Urteilsvermögen nicht erfassen.