O que é um superforecaster?
Um superforecaster (ou superprevisor) é alguém cujas previsões probabilísticas, pontuadas ao longo de muitas perguntas, se mostraram consistentemente mais precisas do que as de quase todas as outras pessoas que fizeram previsões sobre as mesmas questões. O termo vem do Good Judgment Project, de Philip Tetlock, uma das equipes de pesquisa de um torneio de previsão promovido pelo governo dos EUA. A cada ano, o projeto dava o título aos 2 por cento melhores entre seus forecasters.
O superforecasting é o método que essas pessoas tinham em comum: dividir uma pergunta em partes, começar pela taxa-base, atribuir um número preciso à sua crença e atualizá-lo em pequenos passos. Tetlock e o jornalista Dan Gardner o expõem em Superforecasting: The Art and Science of Prediction (2015), e a maior parte dele pode ser aprendida.
O torneio em si foi uma ideia inusitada. Em 2011, a Intelligence Advanced Research Projects Activity (IARPA), um braço de pesquisa da comunidade de inteligência dos EUA, decidiu descobrir se alguém conseguia prever bem os acontecimentos mundiais e, para isso, convidou equipes universitárias a competir. Cada equipe recrutou voluntários para responder a perguntas geopolíticas difíceis com probabilidades numéricas: este país vai dar calote? Estas duas nações vão entrar em confronto? Este líder ainda estará no poder daqui a seis meses?
Tetlock e Barbara Mellers comandaram a equipe do Good Judgment. Ao longo de quatro anos, milhares de voluntários online fizeram mais de um milhão de previsões em cerca de 500 perguntas, e os resultados envergonharam os profissionais. O Good Judgment superou o grupo de controle oficial do torneio em 60 por cento no primeiro ano e em 78 por cento no segundo. Também superou as equipes universitárias rivais, entre elas as de Michigan e do MIT, por margens de 30 a 70 por cento. Superou até o mercado de previsões interno da própria comunidade de inteligência, cujos analistas tinham acesso a dados sigilosos: em 139 perguntas de 2013 e 2014, os melhores métodos do Good Judgment foram 34,7 por cento mais precisos.
O projeto reunia os superforecasters de cada ano em equipes e continuava a pontuá-los. Se aqueles resultados tivessem sido sorte, eles deveriam ter voltado para perto da média. A maioria não voltou. Cerca de 70 por cento mantiveram o status no ano seguinte e, considerando todos os forecasters, a precisão em um ano tinha uma correlação de cerca de 0,65 com a precisão no ano seguinte.
Um dos primeiros superforecasters, um programador de computador aposentado chamado Doug Lorch, fez perto de mil previsões no primeiro ano e terminou em quinto lugar entre cerca de 2.800 competidores, com um Brier score de 0,22 (quanto menor, melhor; falaremos mais do Brier score adiante). No ano seguinte, já em uma equipe de superforecasters, ele marcou 0,14, o melhor resultado do projeto. Ele não era espião nem analista quantitativo. Era um amador que tinha encontrado um sistema que funcionava.
O nome sobreviveu ao torneio. A Good Judgment Inc., spin-off comercial do projeto, ainda o usa (grafado Superforecaster®) para seus forecasters profissionais, e hoje pesquisadores de IA tratam os superforecasters como a referência humana pela qual os modelos de previsão são avaliados.
A maioria das pessoas lê o livro para ficar melhor em prever mercados ou política. Este guia o trata como um manual de treinamento para o julgamento, porque pensar com clareza sobre um futuro incerto é a habilidade que você usa toda vez que decide no que acreditar, em quais fontes confiar e o que fazer com aquilo que aprende.
Por que a maioria das previsões de especialistas falha
Tetlock conquistou a duras penas o direito de escrever este livro. Seu trabalho anterior, Expert Political Judgment (2005), acompanhou 284 comentaristas e analistas profissionais que fizeram cerca de 28.000 previsões ao longo de aproximadamente vinte anos. O famoso veredito: o especialista médio era mais ou menos tão preciso quanto "um chimpanzé jogando dardos". Pior, quanto mais famoso o especialista, menos preciso ele tendia a ser, porque histórias confiantes e generalizantes levam você à televisão, enquanto ressalvas cuidadosas não.
Mas as médias escondiam uma divisão. Tomando emprestada a metáfora de Isaiah Berlin, Tetlock separou os forecasters em porcos-espinhos e raposas. O porco-espinho sabe uma grande coisa e obriga toda pergunta a se encaixar em uma única grande teoria. A raposa sabe muitas coisas pequenas, desconfia de grandes teorias e costura evidências de muitas fontes. As raposas previam melhor de forma consistente. Os porcos-espinhos faziam previsões mais ousadas e chamavam mais atenção, mas sua única grande ideia vivia levando-os a errar com toda a convicção.
A lição não é que a expertise seja inútil. É que ser conhecedor e ser bem calibrado são habilidades diferentes. Saber muito sobre um tema diz o que poderia acontecer. Não diz automaticamente qual a probabilidade de cada desfecho, e é disso que uma previsão trata. Essa lacuna é a razão pela qual pessoas inteligentes e informadas erram com tanta frequência e tanta confiança, um padrão que Daniel Kahneman passou a carreira documentando (veja como aplicar Rápido e Devagar).
O que de fato faz um superforecaster
O palpite óbvio é a inteligência. Os superforecasters de fato pontuaram acima da média em testes de inteligência e conhecimento, mais ou menos entre os 20 por cento do topo, mas não eram pontos fora da curva. Muita gente muito inteligente prevê mal, e muita gente apenas esperta se destacou. O QI estabelecia um piso, não um teto.
O que separou os melhores foi um hábito de pensamento que Tetlock chama de "beta perpétuo" (perpetual beta), tomando emprestado o termo de software para um produto que nunca está pronto e sempre está sendo aprimorado. Os superforecasters tratam toda crença como um rascunho. Eles procuram ativamente razões pelas quais podem estar errados, revisam em pequenos passos à medida que as evidências chegam a conta-gotas e fazem análises pós-morte honestas de seus erros. Tetlock escreve que esse compromisso com a atualização de crenças e o autoaperfeiçoamento é o preditor mais forte de quem chega ao grupo dos superforecasters, cerca de três vezes mais poderoso do que seu concorrente mais próximo, a inteligência. Adam Grant construiu um livro inteiro, Pense de Novo, em torno desse hábito.
No papel, essas pessoas não tinham nada de especial. Bill Flack, um dos forecasters de destaque, era ex-funcionário do Departamento de Agricultura dos EUA, morava em Kearney, Nebraska, e era um observador de pássaros apaixonado. Mary Simpson, economista que também se tornou superforecaster, já contou que "não tinha previsto, de forma alguma, a crise financeira de 2007-2008" e que chegou ao torneio "muito cética quanto à capacidade de qualquer pessoa prever em certas áreas". Ficar bom justamente naquilo em que você um dia falhou feio é a mentalidade de crescimento de Carol Dweck, aplicada a uma única habilidade treinável.
Boa parte disso pode ser ensinada, e rápido. Em um experimento randomizado, cerca de uma hora de treinamento sobre taxas-base, calibração e vieses comuns melhorou a precisão dos forecasters em 6 a 11 por cento, e os forecasters treinados superaram os grupos de controle sem treinamento em cada um dos quatro anos do torneio. As equipes também ajudaram: em média, foram 23 por cento mais precisas do que os indivíduos, e equipes de superforecasters superaram os mercados de previsão em 15 a 30 por cento. A implicação reconfortante do livro inteiro é que o superforecasting é um comportamento aprendido, e não um traço de personalidade que você está condenado a não ter.
Fermi-ize a pergunta e comece pelo lado de fora
Diante de uma pergunta grande e vaga, a maioria das pessoas recorre ao instinto e a uma manchete. Os superforecasters fazem o oposto. Eles quebram a pergunta em subperguntas menores, cada uma mais fácil de analisar, uma técnica que Tetlock chama de "Fermi-izar" em homenagem ao físico Enrico Fermi, que era famoso por estimar quantidades difíceis (como o número de afinadores de piano em Chicago) decompondo-as. O objetivo de desmontar um problema é separar o que você sabe do que você está adivinhando, ou, como diz Tetlock, "trazer a ignorância à tona".
O passo seguinte é contraintuitivo: comece pelo lado de fora, não pelo de dentro. A visão de dentro é a história específica diante de você, com todos os seus detalhes vívidos. A visão de fora faz uma pergunta mais fria: com que frequência coisas assim acontecem em situações assim? Essa taxa-base é sua âncora. Se você quer prever se uma startup ainda existirá daqui a cinco anos, você não começa pelo quão inspirador é o fundador. Você começa pela taxa de sobrevivência das startups em geral e depois ajusta para cima ou para baixo conforme o que é genuinamente especial nesta.
Os próprios dados do torneio apontam na mesma direção. No último ano da competição, os forecasters treinados podiam marcar em quais de dez princípios uma explicação se apoiava, e só um deles esteve associado de forma significativa a uma precisão maior: as classes de comparação, que nada mais são do que a visão de fora com outro nome.
Acertar a ordem importa. Ancore primeiro na história vívida de dentro e todo ajuste fica contaminado por ela. Ancore primeiro na taxa-base e os detalhes se tornam correções a um ponto de partida sensato, em vez de serem a base inteira do seu palpite. É o mesmo instinto de raposa, amplitude antes de profundidade, que, segundo como aplicar Range, torna os generalistas tão eficazes em áreas imprevisíveis.
Pense em probabilidades, não em palavras
A linguagem comum é onde as previsões vão morrer. Em março de 1951, uma Estimativa Nacional de Inteligência dos EUA concluiu que um ataque do bloco soviético à Iugoslávia "deveria ser considerado uma possibilidade séria" (no original, "serious possibility"). Quando Sherman Kent, analista da CIA que tinha ajudado a produzi-la, perguntou aos colegas do Conselho de Estimativas Nacionais (Board of National Estimates) que probabilidade eles tinham em mente, as respostas foram de 20 a 80 por cento. A do próprio Kent era de cerca de 65 por cento. Todos tinham concordado com a frase, mas quase ninguém concordava sobre o que ela significava. Uma previsão assim não pode ser pontuada, então nunca pode estar errada, então você nunca pode aprender com ela.
Os superforecasters se recusam a se esconder ali. Eles traduzem palpites em probabilidades específicas e usam gradações finas: 63 por cento em vez de um arredondado "provável". Essa precisão não é falsa confiança, é o oposto. Quando Barbara Mellers e seus colegas arredondaram as estimativas dos superforecasters para o múltiplo de 0,1 mais próximo, a precisão deles caiu, o que significa que essas pequenas distinções carregavam informação real. A ferramenta para manter o placar é o Brier score, que mede tanto a calibração (as coisas a que você atribui 70 por cento acontecem cerca de 70 por cento das vezes?) quanto a resolução (você assume posições decisivas em vez de se esconder nos 50 por cento?). Quanto menor, melhor.
| Estilo de previsão | Como soa | Dá para aprender com isso? |
|---|---|---|
| Palavras vagas | "Provavelmente", "uma possibilidade séria", "improvável" | Não, não pode ser pontuado |
| Números redondos | "Cerca de 70 por cento" | Um pouco, mas de forma rudimentar |
| Probabilidades refinadas | "63 por cento, e explico por quê" | Sim, a calibração melhora com o tempo |
Os números fazem algo que as palavras não conseguem: transformam uma previsão em feedback. Diga "70 por cento" cem vezes e você pode conferir se cerca de 70 dessas coisas aconteceram. Diga "provavelmente" cem vezes e você não aprendeu nada sobre si mesmo. Os números também protegem contra o que Tetlock chama de falácia do lado errado do talvez (wrong-side-of-maybe fallacy): julgar uma previsão de 70 por cento um fracasso porque os 30 por cento se concretizaram. Um erro isolado quase não diz nada. Cem previsões dizem muito.
Atualize suas crenças como um bayesiano
Uma previsão feita uma vez e defendida para sempre é apenas uma opinião. O coração do método é a atualização: ajustar sua probabilidade à medida que novas evidências chegam, na proporção do quanto essa evidência lhe diz. Isso é raciocínio bayesiano em espírito, e os superforecasters o fazem constantemente, em pequenos incrementos, sem drama.
A disciplina vale nos dois sentidos. A subreação é se agarrar a uma previsão anterior porque você está ancorado, envolvido ou com vergonha de mudar. A sobrerreação é dar saltos para um número novo toda vez que surge uma manchete nova, tratando ruído como sinal. A habilidade é ajustar o tamanho da atualização ao peso da evidência: uma notícia menor muda sua estimativa em alguns pontos, uma surpresa genuína a muda muito. Os superforecasters eram nitidamente melhores nas duas coisas, mudando de ideia com mais frequência do que os forecasters médios, mas também com mais precisão.
O que torna isso difícil não é a matemática, é o ego. Atualizar significa admitir publicamente que sua última previsão era menos que perfeita, e a maioria das pessoas prefere ser consistente a ser precisa. A solução é parar de tratar uma mudança de ideia como uma derrota. Em Pensar em Apostas, Annie Duke apresenta essa mesma atitude como separar suas crenças da sua identidade: a pergunta nunca é "eu estava certo", é "no que eu acredito agora, dado tudo o que sei hoje".
Construa uma prática de previsão que você de fato mantenha
Tudo o que foi dito acima desmorona sem um registro. Se você não anota o que previu, quando e por quê, a memória reescreve a história em silêncio para que, no fundo, você sempre pareça ter acertado. A coisa mais prática que você pode tirar de Superforecasting é um diário de previsões, e os Dez Mandamentos de Tetlock são o checklist que entra nele.
| Mandamento | O que significa na prática |
|---|---|
| Triagem | Gaste esforço em perguntas em que o trabalho de fato compensa, não nas triviais ou nas impossíveis |
| Decomponha os problemas | Fermi-ize: divida uma pergunta grande em pedaços respondíveis |
| Equilibre as visões de fora e de dentro | Comece pelas taxas-base, depois ajuste conforme as particularidades |
| Atualize suas crenças | Revise em passos pequenos, ponderados pela evidência |
| Procure forças causais em conflito | Mantenha explicações concorrentes em mente ao mesmo tempo |
| Use o grau certo de dúvida | Traduza palpites em probabilidades precisas |
| Equilibre prudência e decisão | Não corra para a certeza nem se esconda no "talvez" |
| Aprenda com o fracasso e o sucesso | Faça análises pós-morte implacáveis de ambos |
| Domine a tomada de perspectiva em equipes | Discorde de forma produtiva, faça perguntas precisas |
| Pratique deliberadamente com feedback | Trate a previsão como um ofício treinável |
Tetlock acrescenta um décimo primeiro mandamento, meio de brincadeira: não trate os mandamentos como mandamentos. Eles são diretrizes para um mundo bagunçado, não leis.
É aqui que suas ferramentas de leitura viram ferramentas de previsão. Quando você lê uma análise ou assiste a um briefing e ele faz uma afirmação sobre o futuro, capture-a. Com o destacador web do Glasp, você pode destacar a previsão exata e adicionar sua própria probabilidade como uma nota, ali mesmo na fonte. Para longos argumentos em vídeo, os resumos de vídeos do YouTube permitem extrair as afirmações principais e marcar o momento exato de cada uma, para que você registre uma previsão sobre cada afirmação.
Se você está lendo o próprio Superforecasting em um Kindle, importe seus destaques do Kindle para que os mandamentos que você marcou fiquem ao lado das previsões que você faz. Com o passar dos meses, essas anotações se tornam um histórico pesquisável, e o chat de IA do Glasp permite fazer perguntas sobre tudo o que você salvou quando for revisar seu próprio raciocínio. É o equivalente a manter o placar, só que na leitura, e combina naturalmente com a abordagem do caderno de citações digital para reunir o que você aprende.
Como se tornar um superforecaster
Não existe prova nem curso que lhe entregue o título. Você o conquista como os superforecasters originais: com um longo histórico de previsões pontuadas que supera o de quase todos os que fazem previsões sobre as mesmas perguntas. Alguns acertos de sorte não provam nada. Centenas de previsões pontuadas começam a provar.
Três hábitos são os que mais importam:
- Faça previsões onde você é pontuado. O Good Judgment Open é o site público de previsões mantido pela Good Judgment Inc., aberto a qualquer pessoa, e o Metaculus tem cadastro gratuito e organiza torneios sazonais, como a Metaculus Cup. Os dois pontuam suas previsões comparando-as com a realidade e com as de todos os outros que respondem à mesma pergunta.
- Responda a muitas perguntas e continue atualizando suas previsões. A precisão só se mede com uma amostra. Os superforecasters eram escolhidos pelo histórico de uma temporada inteira e revisavam suas previsões conforme as notícias chegavam, em vez de dar um palpite e ir embora.
- Escreva seu raciocínio. A Good Judgment diz que recruta potenciais Superforecasters no Good Judgment Open todo outono (do hemisfério norte) e pede que os candidatos façam previsões em pelo menos 100 perguntas ali. O que ela mais observa é a precisão média, mas também a qualidade dos comentários escritos e o espírito colaborativo. Os escolhidos podem receber um trabalho de teste, e os recrutados precisam cumprir um período de experiência de três meses. O Metaculus escolhe seus Pro Forecasters (previsores profissionais) pelo desempenho acumulado e pelo "histórico de descrever com clareza suas justificativas".
| Onde praticar | O que você recebe | Caminho até um título |
|---|---|---|
| Good Judgment Open | Perguntas pontuadas sobre acontecimentos mundiais, rankings | Quem fica no topo de forma consistente se torna elegível para a seleção anual de Superforecasters profissionais da Good Judgment |
| Metaculus | Perguntas, torneios, previsões da comunidade, pontuações | Os Pro Forecasters são escolhidos pelo desempenho acumulado e por justificativas bem explicadas |
| Um diário de previsões pessoal | Perguntas do seu próprio trabalho e das suas leituras | Nenhum, mas é onde a calibração começa |
Não deixe o diário de lado só porque as plataformas existem. As perguntas das plataformas são escritas por outra pessoa. As previsões que mais afiam seu julgamento são sobre perguntas que você mesmo escolhe: se um projeto vai ser entregue no prazo, se a previsão de uma fonte vai se confirmar, se a tendência do artigo que você acabou de ler vai continuar.
Superforecasters vs. IA: o cenário em 2026
Em perguntas claras que se resolvem em questão de meses, os melhores sistemas de previsão com IA já alcançaram os superforecasters, e em perguntas geradas a partir de séries de dados provavelmente já passaram à frente. Em perguntas sobre eventos únicos, que exigem julgamento, ninguém demonstrou uma vantagem estatisticamente clara para nenhum dos lados. A equipe que criou o principal benchmark e a Good Judgment Inc., que mantém o painel profissional de Superforecasters, leem os mesmos resultados de maneiras muito diferentes.
O ForecastBench, criado pelo Forecasting Research Institute (FRI), compara sistemas de IA com superforecasters em dois tipos de pergunta: perguntas de dados (dataset questions), geradas a partir de séries de dados como indicadores econômicos, e perguntas de mercado (market questions), tiradas de plataformas de previsão. Em janeiro de 2026, os superforecasters ainda estavam em primeiro lugar, 0,017 ponto de Brier à frente dos melhores modelos, o que o FRI estimou equivaler a cerca de um ano de progresso dos modelos. A projeção do instituto era de empate em novembro de 2026.
O empate veio antes. Em 16 de julho de 2026, o FRI informou que vários sistemas, liderados por um da Cassi AI e com participantes da xAI e do Google DeepMind, eram estatisticamente indistinguíveis dos superforecasters no ranking do seu torneio. Segundo o FRI, o sistema da Cassi também foi o primeiro a ficar acima da mediana dos superforecasters nas perguntas de mercado. A IA já tinha igualado os superforecasters nas perguntas de dados em maio, e em julho o FRI afirmou que muitos sistemas provavelmente os superam nesse tipo de pergunta. As ressalvas foram francas: o instituto coletou previsões de superforecasters pela última vez em 2024, então a comparação depende de um ajuste estatístico entre conjuntos de perguntas sem nenhuma pergunta em comum, e os intervalos de confiança se sobrepõem tanto que os resultados "são mais compatíveis com paridade em relação aos superforecasters do que com desempenho superior".
A Good Judgment rebateu oito dias depois, em um post intitulado "Not So Fast" ("Calma lá"), com três objeções:
- A linha de base humana está defasada. A empresa a chamou de "um retrato congelado, de julho de 2024, de Superforecasters individuais trabalhando em grande parte sozinhos, com o mínimo de atualização", sendo que os próprios experimentos do Good Judgment Project mostraram equipes superando indivíduos.
- Algumas perguntas de mercado são perguntas de dados disfarçadas. Perguntas como saber se julho de 2026 seria o julho mais quente já registrado são, nas palavras da empresa, "perguntas de dados com roupa de mercado", que podem ser resolvidas com registros climáticos.
- Os modelos podem estar copiando o mercado. O FRI já tinha constatado que as previsões de um modelo tinham correlação de 0,994 com os preços de mercado que lhe eram mostrados, o que levanta a dúvida sobre quanto da precisão de uma IA é, na verdade, do mercado.
O Metaculus mantém a outra grande comparação, o FutureEval, que coloca os dez melhores bots do seu torneio de bots contra dez dos seus Pro Forecasters nas mesmas perguntas. Na rodada da primavera de 2026, os Pros venceram por 1,25 ponto por pergunta no confronto direto, em 99 perguntas, uma margem que o Metaculus considerou não estatisticamente significativa. Nos dois primeiros trimestres de 2025, a diferença tinha sido de 17,7 e 20,0 pontos. Os humanos ainda ficaram com nove dos dez primeiros lugares quando todos foram classificados individualmente. Depois veio a Metaculus Cup do verão de 2026, em que os bots fazem previsões nas mesmas perguntas que os competidores humanos, mas não podem ganhar prêmios. Dois bots, o Laertes e o sistema da Mantic, terminaram em primeiro e segundo lugar na classificação geral, à frente de todos os competidores humanos.
| Benchmark | Quem é comparado | Resultado mais recente |
|---|---|---|
| ForecastBench (FRI) | Sistemas de IA vs. uma linha de base de superforecasters de 2024 | Julho de 2026: vários sistemas estatisticamente indistinguíveis dos superforecasters, e o sistema da Cassi ficou acima deles nas perguntas de mercado |
| Metaculus FutureEval | Equipe dos 10 melhores bots vs. 10 Pro Forecasters | Primavera de 2026: Pros à frente por 1,25 ponto por pergunta, sem significância estatística |
| Metaculus Cup | Bots nas mesmas perguntas que os competidores humanos | Verão de 2026: bots terminaram em primeiro e segundo lugar na classificação geral |
Para um leitor, disso decorrem duas coisas. Primeiro, as pessoas que este livro descreve se tornaram a régua com que se mede a previsão feita por IA, e os melhores modelos só a alcançaram em 2026. Segundo, uma previsão de IA é só mais uma fonte a ser ponderada. Trate-a como um superforecaster trata um comentarista: pergunte qual é a taxa-base, verifique se ela não está apenas ecoando o mercado e anote a afirmação para poder pontuá-la depois.
Os limites honestos do superforecasting
O superforecasting não é mágica, e Tetlock é cuidadoso com seus limites. As perguntas do torneio tinham datas de resolução claras e respostas definidas, e a maioria tinha um horizonte de um mês a um ano. Essa é exatamente a zona em que o método brilha e exatamente onde não está a maioria das grandes perguntas da vida. Pergunte "haverá uma guerra na próxima década" e não há um jeito objetivo de pontuar isso, nenhum feedback rápido e nenhuma forma de praticar.
A crítica mais afiada vem de Nassim Taleb, que argumenta que os eventos que de fato remodelam o mundo são os raros "cisnes negros" de alto impacto que esses torneios sistematicamente excluem. Estar bem calibrado em centenas de perguntas comuns, diria ele, diz pouco sobre o único evento de cauda que importa. A réplica razoável de Tetlock é que a habilidade de previsão de curto prazo e a humildade de longo prazo podem coexistir: acertar as perguntas conhecíveis vale a pena mesmo que as incognoscíveis permaneçam incognoscíveis.
Mesmo nas perguntas que têm resolução, o terreno pode se mover sob o método. No Existential Risk Persuasion Tournament do FRI, realizado em 2022, os superforecasters deram apenas 2,3 por cento de chance de que um sistema de IA alcançasse o nível de medalha de ouro na Olimpíada Internacional de Matemática até 2025. Isso aconteceu em julho de 2025. Em quatro benchmarks de IA cujas perguntas já foram resolvidas, os superforecasters tinham atribuído aos resultados reais uma probabilidade média de 9,7 por cento, contra 24,6 por cento dos especialistas da área. As taxas-base vêm do passado e enganam mais depressa quando o processo que as gera está mudando.
Há também uma armadilha mais sutil. A pontuação pode puxar você para perguntas seguras e de curto prazo em que você vai ficar bem na foto, e para longe das vagas e importantes, em que o julgamento faz mais diferença. O método é uma ferramenta para um tipo específico de pergunta, não uma visão de mundo. Bem usado, ele afia seu pensamento. Mal usado, ele vira um jeito de se sentir preciso sobre coisas que não contam.
Perguntas frequentes
O que é um superforecaster?
Um superforecaster é uma pessoa cujas previsões probabilísticas, pontuadas ao longo de muitas perguntas, se mostraram consistentemente mais precisas do que as de quase todas as outras pessoas que fizeram previsões sobre as mesmas questões. O termo vem do Good Judgment Project, de Philip Tetlock, que a cada ano dava o título aos 2 por cento melhores entre seus forecasters. Cerca de 70 por cento mantiveram o título no ano seguinte. A Good Judgment Inc. ainda usa o termo para seu painel profissional de previsão.
Quem são os superforecasters mais famosos?
Dois dos mais conhecidos são retratados no livro Superforecasting, de Tetlock. Doug Lorch, um programador de computador aposentado, terminou em quinto lugar entre cerca de 2.800 forecasters no primeiro ano e registrou a melhor pontuação do projeto no ano seguinte. Bill Flack, um ex-funcionário do Departamento de Agricultura dos EUA morador de Nebraska, foi outro destaque. Nenhum dos dois era forecaster profissional nem analista de inteligência.
Os superforecasters são melhores do que a IA?
Não de forma clara, pelo menos em 2026. Em julho de 2026, o Forecasting Research Institute relatou que vários sistemas de IA eram estatisticamente indistinguíveis dos superforecasters no ForecastBench, e que muitos provavelmente se saem melhor em perguntas geradas a partir de séries de dados, embora sua linha de base humana seja de 2024. Os Pro Forecasters do Metaculus ainda estavam à frente da melhor equipe de bots na primavera de 2026, por uma margem pequena demais para ser estatisticamente significativa, mas na Metaculus Cup do verão de 2026 dois bots terminaram à frente de todos os competidores humanos. A Good Judgment afirma que, em seu próprio trabalho com clientes, uma amostra pequena, não constatou que a IA se iguale aos superforecasters.
Como alguém se torna um superforecaster?
Construa um histórico longo e pontuado. Faça previsões regularmente no Good Judgment Open ou no Metaculus, responda a muitas perguntas em vez de poucas, atualize conforme as notícias chegam e anote seu raciocínio. A Good Judgment diz que recruta potenciais Superforecasters no Good Judgment Open todo outono (do hemisfério norte), pede que os candidatos façam previsões em pelo menos 100 perguntas ali, avalia a precisão, a qualidade dos comentários e o espírito colaborativo, pode oferecer um trabalho de teste e exige que os recrutados cumpram um período de experiência de três meses.
O superforecasting pode ser aprendido?
Sim, e essa é a descoberta central do livro. Os superforecasters pontuaram acima da média em inteligência, mas não eram gênios, e Tetlock escreve que o preditor mais forte de quem se tornaria um deles era o "beta perpétuo", o compromisso de atualizar as próprias crenças e de se aprimorar, cerca de três vezes mais poderoso do que a inteligência. No experimento de treinamento randomizado do torneio, cerca de uma hora de treinamento melhorou a precisão de forecasters comuns em 6 a 11 por cento.
Qual a diferença entre Superforecasting e Pensar em Apostas?
Eles são complementares. Pensar em Apostas, de Annie Duke, foca na qualidade da decisão sob incerteza e em separar boas decisões de desfechos de sorte. Superforecasting, de Tetlock, foca na previsão em si: como atribuir probabilidades precisas a eventos futuros e medir se você estava calibrado. Um é sobre decidir bem, o outro sobre enxergar com clareza. Lidos juntos, cobrem as duas metades do raciocínio sob incerteza.
O que é um Brier score em termos simples?
É um jeito de dar nota a previsões probabilísticas, em que quanto menor a nota, melhor, e zero é a nota perfeita. Ele recompensa duas coisas ao mesmo tempo: calibração (as coisas a que você atribui 70 por cento devem acontecer cerca de 70 por cento das vezes) e resolução (assumir posições decisivas em vez de sempre se resguardar perto dos 50 por cento). Você precisa de um registro contínuo de previsões e resultados para calculá-lo, e é por isso que manter um diário de previsões é a base de toda a prática.
Preciso de matemática para me tornar um forecaster melhor?
Não é preciso matemática avançada. Os passos essenciais são hábitos: quebre uma pergunta em partes, comece por uma taxa-base, expresse sua visão como um número específico e atualize em pequenos passos à medida que a evidência chega. A atualização bayesiana é uma mentalidade antes de ser uma equação. O verdadeiro gargalo não é o cálculo, é a disposição de anotar suas previsões, conferi-las honestamente e mudar de ideia.
Como começo a praticar hoje?
Escolha um punhado de perguntas com uma resposta clara e um prazo próximo, do seu trabalho, das suas leituras ou das notícias. Anote uma probabilidade específica para cada uma e uma frase sobre seu raciocínio. Quando cada uma se resolver, compare e faça uma breve análise pós-morte. Destacar previsões enquanto você lê, com uma probabilidade anotada na margem, transforma sua leitura normal em um fluxo constante de perguntas de prática.
Conclusão
O radicalismo silencioso de Superforecasting é o seu otimismo. Por décadas, a conclusão do trabalho de Tetlock foi cínica: os especialistas não conseguem prever, então por que se dar ao trabalho? O torneio virou isso do avesso. Um grupo de pessoas comuns, munidas de um método e da disciplina de manter o placar, aprendeu a enxergar o futuro com mais clareza do que profissionais com arquivos secretos. O método é ensinável, e a maior parte dele se resume a hábitos que qualquer leitor cuidadoso pode construir. Agora que os melhores sistemas de IA empataram com os superforecasters nos principais benchmarks, são esses mesmos hábitos que permitem julgar qualquer previsão que chegue às suas mãos, tenha sido feita por uma pessoa ou por um modelo.
Comece pequeno. Desmonte as perguntas, ancore-se na frequência com que coisas assim costumam acontecer, atribua um número real à sua crença e atualize-a sem ego à medida que o mundo responde. Depois, anote. Use o destacador web do Glasp para capturar as afirmações que você encontra enquanto lê e anotar sua própria probabilidade em cada uma, apoie-se nos resumos de vídeos do YouTube para registrar previsões sobre os argumentos a que você assiste e deixe o feed da comunidade do Glasp mostrar como outros leitores cuidadosos raciocinam diante da mesma incerteza. Prever bem é uma habilidade. Como toda habilidade que vale a pena ter, ela cresce com a prática deliberada, o feedback honesto e um registro com o qual você pode aprender. Para o sistema de anotações que sustenta tudo isso, veja como fazer anotações inteligentes.
