O FutureSearch trata a previsão como um problema de pesquisa, não como um jogo de adivinhação. Em vez de pedir a um único modelo um número baseado em intuição, ele envia uma equipe de agentes para recolher evidências, ponderar fontes e devolver uma resposta calibrada no formato que a pergunta exigir: uma probabilidade ("o X aconteceria antes de 2030?"), um intervalo numérico, uma estimativa de data ou uma escolha entre opções nomeadas. Subperguntas e previsões condicionais permitem modelar decisões —"se fizermos A em vez de B, o que acontece?"— e a plataforma publica o raciocínio e as fontes junto a cada resultado, para que possa auditar a lógica.
O que distingue o produto é o histórico público. O FutureSearch publica as suas posições em benchmarks de previsão como Metaculus FutureEval, ForecastBench e a Metaculus Cup, além de posições reais em mercados de previsão como Kalshi, Polymarket e perguntas ligadas ao S&P 500 — incluindo as perdedoras. Essa transparência é invulgar numa categoria em que as alegações de precisão costumam ser inverificáveis. Há também fluxos para tarefas intensivas em pesquisa: enviar uma pergunta a uma equipe de agentes ou acrescentar uma coluna investigada a cada linha de uma lista.
Para equipes que trabalham dentro de um assistente de IA, o FutureSearch disponibiliza conectores MCP para que Claude.ai, Claude Desktop, Claude Code, Cursor, ChatGPT e Codex chamem o motor de previsão como ferramenta. Uma API e um SDK para programadores cobrem pipelines automatizados, triagem e fluxos quantitativos. O uso é cobrado por pergunta e escala com o esforço de pesquisa solicitado, pelo que verificações rápidas e investigações profundas têm preços diferentes.
