FutureSearch behandelt Prognosen als Rechercheproblem, nicht als Ratespiel. Statt ein einzelnes Modell um eine gefühlte Zahl zu bitten, entsendet die Plattform ein Team von Agenten, das Belege sammelt, Quellen gewichtet und eine kalibrierte Antwort in dem Format liefert, das zur Frage passt: eine Wahrscheinlichkeit („Wird X vor 2030 eintreten?“), eine Zahlenspanne, eine Datumsschätzung oder die Auswahl unter benannten Optionen. Unterfragen und bedingte Prognosen erlauben es, Entscheidungen zu modellieren – „Wenn wir A statt B machen, was passiert dann?“ – und die Plattform veröffentlicht Begründung und Quellen zu jedem Ergebnis, sodass die Logik überprüfbar bleibt.
Das Alleinstellungsmerkmal ist die öffentliche Bilanz. FutureSearch veröffentlicht seine Platzierungen in Prognose-Benchmarks wie Metaculus FutureEval, ForecastBench und dem Metaculus Cup sowie reale Positionen an Prognosemärkten wie Kalshi, Polymarket und S&P-500-Fragen – einschließlich der Verlustpositionen. Diese Transparenz ist in einer Kategorie ungewöhnlich, in der Genauigkeitsaussagen meist nicht überprüfbar sind. Dazu kommen Arbeitsabläufe für rechercheintensive Aufgaben: eine Frage an ein Agententeam senden oder jeder Zeile einer Liste eine recherchierte Spalte hinzufügen.
Für Teams, die in einem KI-Assistenten arbeiten, bietet FutureSearch MCP-Konnektoren, damit Claude.ai, Claude Desktop, Claude Code, Cursor, ChatGPT und Codex die Prognose-Engine als Werkzeug aufrufen können. Eine Entwickler-API und ein SDK decken automatisierte Pipelines, Screenings und quantitative Recherche ab. Die Nutzung wird pro Frage abgerechnet und skaliert mit dem angeforderten Rechercheaufwand – schnelle Prüfungen und tiefe Untersuchungen kosten unterschiedlich viel.
