Besser als Superforecaster? Warum bei KI-Prognosen gerade jeder Erster ist
Das koreanische Start-up Neurofusion meldet Platz 1 unter 550 Modellen und will menschliche Spitzenprognostiker geschlagen haben. Vor Neurofusion haben Cassi, DeepMind und andere schon Ähnliches gemeldet. Wir zeigen, warum das alles gleichzeitig stimmen kann und was die Zahlen tatsächlich hergeben.

Darum geht es
Am 20. November 2026 berichteten mehrere südkoreanische Medien, darunter Hellot und StartupN, über das Finanz-KI-Start-up Neurofusion. Es soll bei ForecastBench, einem Wettbewerb für KI-Prognosen, auf Platz 1 von 550 Modellen stehen und dabei auch die menschlichen „Superforecaster“ übertroffen haben. Superforecaster sind Menschen, die in Prognoseturnieren über Jahre überdurchschnittlich treffsicher waren. Der Betreiber des Benchmarks, das Forecasting Research Institute (FRI) um den Psychologen Philip Tetlock, hatte im Juli allerdings Cassi AI als stärkstes System genannt, dazu Einreichungen von xAI und Google DeepMind. Es sprach ausdrücklich nur von einem wahrscheinlichen Gleichstand. Schon im September hatte Neurofusion einen „Platz 1“ gemeldet, und Cassi bezeichnet sich auf seiner Website als „#1 AI on the ForecastBench leaderboard“.
Wie können so viele gleichzeitig vorne liegen? Die Antwort steckt in der Mechanik des Benchmarks. Sie ist gerade jetzt wichtig, denn das FRI hatte den Gleichstand zwischen KI und Superforecastern per Hochrechnung für genau diesen Monat vorhergesagt, für November 2026.
Drei Ranglisten, viele Stichtage
ForecastBench stellt alle zwei Wochen neue Ja/Nein-Fragen über die Zukunft. Bewertet wird mit dem Brier-Score, also der quadrierten Abweichung zwischen der angegebenen Wahrscheinlichkeit und dem tatsächlichen Ausgang. Seit März 2026 wird er in einen „Brier-Index“ umgerechnet: 100 bedeutet perfekte Voraussicht, 50 entspricht dem Raten mit „50 Prozent“ bei jeder Frage. Es gibt zwei Fragetypen:
- Datensatz-Fragen werden automatisch aus Zeitreihen erzeugt, etwa aus FRED, Yahoo Finance, ACLED oder Wikipedia. Ein Beispiel: Steigt der Leitzins?
- Marktfragen stammen von Prognoseplattformen wie Metaculus, Polymarket, Manifold und der RAND Forecasting Initiative. Das FRI hält sie für den besseren Test von Urteilsvermögen bei neuartigen Einzelereignissen.
Dazu kommen drei Ranglisten. Die vorläufige wertet nur Datensatz-Fragen aus, und zwar schon ab 225 aufgelösten Fragen, nach rund zehn Tagen. Die Website warnt dazu: „Rankings are not finalized.“ Die Turnier-Rangliste kombiniert beide Fragetypen zu gleichen Teilen, und eine Einreichung erscheint dort erst nach 50 Tagen. Die Baseline-Rangliste schließlich zeigt nur Modelle, die das FRI selbst ohne Hilfsmittel laufen lässt.
So lösen sich die widersprüchlichen Meldungen auf:
| Wer meldet „Platz 1“? | Rangliste | Stand | KI-Wert | Superforecaster |
|---|---|---|---|---|
| Cassi AI | Turnier, gesamt (bestes KI-System, nicht bester Teilnehmer) | 17.7.2026 | 68,8 | 69,2 (Platz 1) |
| Neurofusion | vorläufig, nur Datensatz | 18.9.2026 | 67,5 (von 464) | 63,6 |
| Neurofusion | Turnier, gesamt | 17.11.2026 | 69,4 (von 550) | 68,1 (Platz 9) |
Quellen: Cassi-Website, ETNews, Hellot/StartupN. Die Werte von Neurofusion sind Firmenangaben. Wir konnten die Live-Rangliste nicht abrufen und deshalb nicht selbst prüfen.
Im September sprach ETNews zudem von anonymen Neurofusion-Einreichungen auf den Plätzen 2 bis 4. Die „550 Modelle“ zählen offenbar jede Einreichung einzeln, also auch Testvarianten und die Läufe des FRI selbst. Wo Cassi im November steht, geht aus den koreanischen Berichten nicht hervor. Dort heißt es nur, unter den Teams mit offengelegter Herkunft lägen allein Neurofusion und DeepMind (68,4) vor den Menschen. Die Plätze dazwischen sind demnach anonym.
Der Vergleichswert, der sich bewegt, obwohl niemand mehr prognostiziert
Die Superforecaster haben zuletzt im Juli 2024 prognostiziert, und zwar zu anderen Fragen als die heutigen Modelle. Das FRI überbrückt das mit einer Schwierigkeitskorrektur. Bei Datensatz-Fragen schätzt es per statistischem Modell (Two-Way Fixed Effects), wie schwer jede Frage ist. Bei Marktfragen dient der Brier-Score des Marktes selbst als Schwierigkeitsmaß. Wer eine schwere Frage gut trifft, bekommt mehr Punkte.
Das hat eine merkwürdige Nebenwirkung, die wir aus mehreren Quellen zusammengetragen haben:
| Datum | Index der Superforecaster (gesamt) |
|---|---|
| März 2026 | 70,6 |
| 23. Mai 2026 | 70,2 |
| 6./17. Juli 2026 | 69,3 / 69,2 |
| 17. November 2026 | 68,1 |
Die Menschen haben seit zwei Jahren keine einzige neue Prognose abgegeben, trotzdem sinkt ihr Wert. Ein Autor im EA-Forum hat das nachgerechnet. Der korrigierte Score der Superforecaster liegt seit Juli 2024 unverändert bei −0,0173. Ihr Index bei Marktfragen fiel aber innerhalb von vier Monaten um 4,7 Punkte, weil der Fragenpool schwerer wurde und sich dadurch der Bezugspunkt verschob. Die Ziellinie bewegt sich also mit. Neurofusions 1,3 Punkte Vorsprung liegen damit in derselben Größenordnung wie diese Verschiebungen.
Wir haben die Werte zurückgerechnet. Der Index 69,4 entspricht einem Brier-Score von etwa 0,094, der Index 68,1 etwa 0,102. Das sind rund 8 Prozent weniger Fehler. Neurofusions Angabe „15 bis 16 Prozent weniger Fehler“ bezieht sich auf Claude Opus 5.5 (66,6) und GPT-6 Astra (66,7), nicht auf die Menschen. Diese Rechnung geht auf.
p-Werte um 0,4: was „Gleichstand“ heißt
Das FRI testete im Juli-Beitrag, ob sich die Systeme von den Superforecastern unterscheiden. Für Cassi ergab sich ein p-Wert von 0,41, für xAI 0,16 und 0,15, für DeepMind 0,14. Der p-Wert gibt an, wie leicht ein solcher Abstand allein durch Zufall entstehen könnte. Üblich ist, erst ab 0,05 von einem echten Unterschied zu sprechen. Die Konfidenzintervalle, also die Spannbreite plausibler Werte, überlappen stark. Das FRI schreibt deshalb, die Daten passten „eher zu Gleichstand als zu Überlegenheit“. Neurofusion veröffentlicht zu seinem Vorsprung keinen p-Wert.
Bei den Datensatz-Fragen ist die Lage eindeutiger: Im Juli lagen dort 17 Einreichungen vor den Superforecastern. Ein Superforecaster wies laut Good Judgment auf ein Grundproblem hin. Wenn alle zwei Wochen Dutzende Systeme antreten, gilt:
„Bei genügend vielen Auswertungen wird irgendwann eines rein zufällig unter dieser Marke landen.“
Die Copier Line: Wer den Marktpreis abschreibt, kommt weit
Bei Marktfragen bekommen die Modelle laut ForecastBench-Paper den „Freeze Value“ in den Prompt, also die Prognose der Masse auf der Plattform zum Zeitpunkt, als der Fragensatz erstellt wurde (zehn Tage vor dem Abgabetermin). Das FRI fand schon 2025 heraus, dass GPT-4.5 diesen Wert praktisch abschrieb: Die Korrelation lag bei 0,994, und bei 26 von 122 Fragen übernahm es den Wert exakt.
Die EA-Forum-Analyse „The Copier Line“ vom 21. August 2026 zieht daraus die Konsequenz. Sie berechnet, welchen Wert ein Teilnehmer erreicht, der nur den gezeigten Preis zurückgibt. Diese Copier Line lag am 11. August bei 70,93 Punkten. Die Ergebnisse:
- Von 527 getesteten Teilnehmern schlug keiner den Marktpreis signifikant, 442 lagen signifikant darunter.
- Am nächsten kamen Cassi (p = 0,004 ohne Korrektur für Mehrfachtests) und der Median der Superforecaster (p = 0,017).
- 75 Prozent der 273 Ranglisteneinträge lagen auf oder unter der Copier Line.
- Allein der gezeigte Preis hob die Baseline-Modelle im Median um 15,7 Punkte, von etwa 51,5 auf 68,1.
Die Superforecaster lagen 4,67 Punkte über der Linie, Cassi 5,67. Der „Sieg“ der KI bei Marktfragen bedeutet also: Sie ist etwas besser als der Marktpreis, den sie vorgelegt bekommen hat. Neurofusions Marktwert (73,9 gegenüber 73,5 bei den Menschen) liegt 0,4 Punkte über dem der Menschen. Der Autor kritisiert außerdem, dass die Schwierigkeitskorrektur nicht neutral ist, weil sich der Markt bei unsicheren Fragen am leichtesten schlagen lässt. Seine Forderung: Die Copier Line soll neben jedem Score veröffentlicht werden.
Die Gegenproben: Metaculus und Good Judgment
Metaculus FutureEval misst direkt, auf denselben Fragen und mit Ja/Nein-, Zahlen- und Mehrfachauswahlfragen. Im Frühjahr 2026 lagen zehn Profis auf 99 Fragen im Schnitt 1,25 Punkte vor dem Team der zehn besten Bots (Konfidenzintervall −4,87 bis 2,37, p = 0,247). 2025 hatte der Abstand noch 17,7 bis 20 Punkte betragen. Die Sommer-Auswertung, am 15. Oktober auf GitHub zusammengeführt, ergab nur noch −0,26 Punkte (p = 0,94). Die Profis gewannen zwar 60 von 97 Fragen, im Schnitt herrscht aber Gleichstand. Am 5. September gewann laut StackFutures erstmals ein Bot den Metaculus Cup.
Good Judgment vermarktet die Prognosen von Superforecastern und hat damit ein geschäftliches Interesse. In „What ForecastBench Doesn't Measure“ bringt die Firma trotzdem nachprüfbare Punkte vor. Die Menschen arbeiteten 2024 allein, unter Zeitdruck und mit drei bis acht Personen pro Frage statt 16 oder mehr. Es gibt nur Ja/Nein-Fragen. Teamarbeit, das Aktualisieren von Prognosen und das Formulieren guter Fragen werden nicht getestet. In der eigenen Kundenarbeit, mit kleiner Stichprobe, habe man keine KI auf Superforecaster-Niveau gesehen. Laut Good Judgment hat ein Test der Financial Times zu Fed-Entscheidungen gezeigt, dass die KI ungefähr so gut war wie der Markt, ihn aber nicht schlug.
Zum Vergleich der Bridgewater-Bericht zum AIA Forecaster: Wir haben die Zahlen im Paper geprüft. 0,1076 gegenüber 0,1110 bei den Superforecastern stimmt, allerdings rückblickend gemessen und nur auf einer Fragenrunde. Bei Marktfragen lagen die Menschen vorn (0,0740 zu 0,0753), und auf liquiden Märkten war der Marktkonsens besser als die KI (0,1106 zu 0,1258).
Unser Fazit
Mehrere Firmen können „Erster“ sein, weil sie verschiedene Ranglisten, verschiedene Stichtage und verschiedene Vergleichsgruppen meinen („beste KI“, „bester mit Namen“). Dazu kommt ein Vergleichswert von 2024, der sich rechnerisch verschiebt.
Unsere Einschätzung, getrennt nach Fragetyp:
- Datensatz-Fragen (Zinsen, Kurse, Zeitreihen, kurze Fristen): Hier ist die KI tatsächlich gleichauf oder vorn, und das bestreitet nicht einmal Good Judgment.
- Marktfragen: Statistisch herrscht Gleichstand. Die Leistung besteht aber vor allem darin, einen vorgegebenen Marktpreis leicht zu verbessern. Wie gut die Systeme ohne diesen Preis wären, zeigt das Turnier nicht.
- Direkter Vergleich auf denselben Fragen (Metaculus): Die Lücke ist praktisch geschlossen, ein eindeutiger Sieger fehlt.
- Lange Fristen, dünne Datenlage, gut formulierte Fragen, Teamprognosen: Dazu gibt es kaum belastbare Daten, weder für noch gegen die KI.
Bemerkenswert ist, dass die Hochrechnung des FRI auf November 2026 wohl aufgeht. Das Expertenpanel LEAP erwartete im Median erst 2030, dass KI die Superforecaster übertrifft, die Superforecaster selbst 2028.
Wer KI-Prognosen für Finanzen oder Politik nutzen will, sollte daraus Folgendes mitnehmen. Gibt es einen liquiden Markt, ist dessen Preis die Messlatte, und kein System hat ihn bisher nachweislich geschlagen. Die KI lohnt sich vor allem dort, wo es keinen Markt gibt und viele Datenfragen schnell beantwortet werden müssen. Auch ein Platz auf einer Benchmark-Rangliste sagt nichts über Rendite aus, das räumt sogar StartupN in seinem Bericht über Neurofusion ein. Die Firma vermarktet mit Valley AI eine Investment-Plattform, Cassi verkauft Prognosen, Good Judgment ebenfalls. Klarer wird das Bild erst nach der neuen Superforecaster-Runde, die das FRI für Herbst 2026 angekündigt hat. Erst dann treten Menschen und Maschinen wieder auf denselben Fragen gegeneinander an.
Quellen
- Hellot: Neurofusion, ForecastBench 550 Modelle Platz 1 hellot.net
- StartupN: Neurofusion Platz 1 unter 550 Modellen startupn.kr
- ETNews: Neurofusion Platz 1 auf vorläufiger Rangliste (Sept. 2026) m.etnews.com
- AI Market Watch: Neurofusion-Behauptung (Sept. 2026) ai-market-watch.com
- ForecastBench: Leaderboards forecastbench.org
- FRI Substack: AI models have likely reached parity with superforecasters forecastingresearch.substack.com
- FRI Substack: LLMs Are Closing the Gap on Human Superforecasters forecastingresearch.substack.com
- FRI Substack: How well can large language models predict the future? forecastingresearch.substack.com
- FRI Substack: Introducing the Brier Index forecastingresearch.substack.com
- arXiv: ForecastBench-Paper (v5) arxiv.org
- EA Forum (GreaterWrong-Spiegel): The Copier Line ea.greaterwrong.com
- Good Judgment: What ForecastBench Doesn't Measure (Yet) goodjudgment.substack.com
- Good Judgment: What Superforecasters Actually Said About ForecastBench goodjudgment.substack.com
- Good Judgment: Not So Fast goodjudgment.substack.com
- LessWrong: FutureEval Spring Results lesswrong.com
- GitHub: Metaculus/aib-analysis PR #33 (Summer 2026) github.com
- LessWrong: AI Forecasting in 2026 – What 11 Analyses Say lesswrong.com
- arXiv: AIA Forecaster Technical Report (Bridgewater) arxiv.org
- LEAP: ForecastBench performance leap.forecastingresearch.org
- Cassi AI cassi-ai.com
- Lightning Rod: AI Reaches Human SuperForecaster Range blog.lightningrod.ai
- StackFutures: AI wins Metaculus Cup stackfutures.com
- Telling the Future: Tetlock Among the Machines tellingthefuture.substack.com
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.