FutureSearch aborda el pronóstico como un problema de investigación, no como una adivinanza. En lugar de pedir a un solo modelo un número basado en intuición, despliega un equipo de agentes que recopila evidencia, pondera fuentes y devuelve una respuesta calibrada en el formato que exige la pregunta: una probabilidad ("¿ocurriría X antes de 2030?"), un rango numérico, una estimación de fecha o una elección entre opciones concretas. Las subpreguntas y los pronósticos condicionales permiten modelar decisiones —"si hacemos A en vez de B, ¿qué pasa?"— y la plataforma publica el razonamiento y las fuentes junto a cada resultado para que puedas auditar la lógica.
Lo que distingue al producto es su historial público. FutureSearch publica sus posiciones en benchmarks de pronóstico como Metaculus FutureEval, ForecastBench y la Metaculus Cup, además de posiciones reales en mercados de predicción como Kalshi, Polymarket y preguntas ligadas al S&P 500, incluidas las perdedoras. Esa transparencia es inusual en una categoría donde las afirmaciones de precisión suelen ser inverificables. También ofrece flujos para tareas intensivas en investigación: enviar una pregunta a un equipo de agentes o añadir una columna investigada a cada fila de una lista.
Para equipos que trabajan dentro de un asistente de IA, FutureSearch ofrece conectores MCP para que Claude.ai, Claude Desktop, Claude Code, Cursor, ChatGPT y Codex llamen al motor de pronóstico como herramienta. Una API y un SDK para desarrolladores cubren canalizaciones programáticas, cribado y flujos cuantitativos. El uso se factura por pregunta y escala con el esfuerzo de investigación solicitado, de modo que las comprobaciones rápidas y los estudios profundos tienen precios distintos.
