Durante décadas, prever o futuro foi tarefa reservada a especialistas com décadas de experiência, tabelas de probabilidade e uma dose generosa de humildade estatística. Um estudo hoje amplamente citado no campo batizou os melhores desses profissionais de "superforecasters", analistas que superam sistematicamente o mercado e os próprios especialistas de plantão em torneios de previsão geopolítica e econômica. A pergunta que ganhou força em 2026, levantada em reportagem do jornalista Tim Harford na coluna Undercover Economist do Financial Times1, é se sistemas de inteligência artificial já alcançaram esse patamar, e o que fazer com isso caso a resposta seja sim.
O que torna alguém (ou algo) um "superforecaster"
O conceito nasceu do trabalho do psicólogo Philip Tetlock e do Good Judgment Project, que rastreou milhares de voluntários respondendo perguntas sobre eleições, conflitos e indicadores econômicos ao longo de anos. Um grupo pequeno, batizado de superforecasters, mostrou acerto consistentemente superior ao de analistas profissionais com acesso a informação privilegiada. Segundo levantamentos da revista britânica The Economist, esse grupo acertou as oito previsões feitas para 2023, incluindo crescimento do PIB global, da China e resultados eleitorais na Nigéria e na Turquia2. O critério de seleção não é intuição ou fama, é histórico verificável de acerto medido por uma métrica chamada Brier Score, que penaliza tanto o excesso quanto a falta de confiança em uma previsão.
Onde a IA já empata, e onde ainda perde
O principal termômetro dessa disputa é o ForecastBench, projeto que testa modelos de linguagem contra painéis de superforecasters em perguntas sobre eventos futuros reais, de resultados de eleições a recordes de temperatura. Em julho de 2026, um sistema batizado Cassi AI tornou-se o primeiro a superar a mediana dos superforecasters nas chamadas "perguntas de mercado", questões extraídas de plataformas como Metaculus, Polymarket e Manifold3. Em competições abertas como a Metaculus Cup, bots com acesso a ferramentas de busca já terminaram entre os primeiros 5% dos participantes humanos em diversas edições recentes3. A diferença média de desempenho, medida em Brier Score, caiu para cerca de 0,02 ponto entre os melhores modelos e os superforecasters humanos, uma distância pequena, mas ainda mensurável.
As ressalvas que a matéria da FT levanta
A reportagem do Financial Times não trata a equivalência como definitiva, e nisso ela converge com pesquisadores do próprio campo de previsão. Análises publicadas por organizações como o Forecasting Research Institute e a comunidade do Effective Altruism Forum apontam que as alegações de "paridade" com superforecasters ainda não foram avaliadas com o rigor necessário para descartar vazamento de dados de treinamento (quando o modelo já "viu" informação sobre o desfecho da pergunta) ou simples ruído estatístico em amostras pequenas4. Há também uma questão metodológica: o desempenho de referência dos superforecasters no ForecastBench vem de um único engajamento registrado em 2024, enquanto os modelos de IA são avaliados hoje em perguntas completamente diferentes, o que exige camadas de ajuste estatístico para tornar a comparação possível, e cada camada adiciona incerteza ao resultado5.
Contraponto
Nem todo especialista concorda que a métrica agregada conta a história toda. Os próprios superforecasters consultados pelo Forecasting Research Institute foram o grupo mais explícito ao apontar que o desenho do ForecastBench favorece uma "vitória" precoce da IA por razões que pouco têm a ver com capacidade genuína de julgamento, como a natureza das perguntas de mercado, que costumam refletir informação já precificada por multidões online, algo em que sistemas de busca automatizada se saem naturalmente bem6. Em outras palavras, empatar em um benchmark específico não é o mesmo que superar o raciocínio humano em incerteza genuína.
O Brasil já testa o mesmo caminho, com outro nome
Enquanto o debate internacional gira em torno de torneios de previsão geopolítica, o Banco Central do Brasil vem conduzindo um experimento paralelo, com objetivo mais concreto: prever inflação e juros. Segundo o Relatório de Política Monetária de dezembro de 2025, a autoridade monetária passou a testar algoritmos de aprendizado de máquina como o XGBoost e o Lasso Adaptativo como complemento aos modelos tradicionais de equilíbrio geral estocástico dinâmico (DSGE), e esses métodos mostraram desempenho preditivo superior ao próprio Boletim Focus, a pesquisa semanal que consolida a expectativa de dezenas de instituições financeiras, em vários horizontes de tempo7. Em abril de 2026, o Focus projetava IPCA em 4,80% (sexta alta consecutiva na leitura) e Selic em 14,75% ao ano, ainda em patamar restritivo frente à meta de inflação de 3%, com margem de 1,5 ponto percentual, definida pelo Conselho Monetário Nacional7.
O ex-presidente do Banco Central e hoje vice-presidente do Nubank, Roberto Campos Neto, resumiu bem a cautela que atravessa o setor financeiro brasileiro: a capacidade preditiva da IA já melhora a segurança do sistema como um todo, mas a movimentação automatizada de recursos com base nesses modelos segue restrita internacionalmente, porque ainda há pouca capacidade de explicar o que está por trás de cada decisão tomada pelo algoritmo8. É a mesma ressalva sobre opacidade que aparece na reportagem do FT, só que aplicada a política monetária em vez de geopolítica.
Perguntas frequentes
O que diferencia um superforecaster de um analista comum?
Histórico verificável de acerto, medido pelo Brier Score ao longo de centenas de perguntas em torneios como os do Good Judgment Project, e não currículo, cargo ou acesso privilegiado a informação.
Sistemas de IA já superam humanos em previsão?
Em benchmarks específicos, como perguntas de mercado do ForecastBench, ao menos um sistema já superou a mediana dos superforecasters em 2026. No conjunto mais amplo de perguntas, a diferença ainda existe, embora tenha diminuído.
O Banco Central do Brasil usa inteligência artificial para prever inflação?
Sim. O BCB testa modelos de aprendizado de máquina, como XGBoost e Lasso Adaptativo, como complemento aos modelos econômicos tradicionais, com resultados que superaram o Boletim Focus em alguns horizontes de previsão.
Quais são os riscos de confiar demais nessas previsões?
Pesquisadores apontam possível vazamento de dados de treinamento, amostras pequenas, comparações estatisticamente frágeis entre grupos avaliados em momentos diferentes, e a opacidade dos modelos, um ponto levantado inclusive por autoridades do setor financeiro brasileiro.