Superprévisionnistes : ce qu'ils font différemment

Un superprévisionniste est une personne classée parmi les 2 % les plus précis sur des centaines de questions évaluées, et qui confirme ensuite ce niveau. Le terme vient d'un tournoi de recherche. L'avantage est mesurable : meilleur calibrage, distinction plus nette entre ce qui se produit et ce qui ne se produit pas, et méthodes de travail faciles à reproduire. Aucun de ces gestes n'exige un talent inné.

D'où vient le terme ?

De 2011 à 2014, l'Intelligence Advanced Research Projects Activity américaine a organisé trois tournois de prévision géopolitique. Cinq programmes universitaires devaient produire des estimations probabilistes exactes. Le Good Judgment Project de Barbara Mellers et Philip Tetlock, à l'université de Pennsylvanie, l'a emporté. Tous étaient notés avec la même mesure, le score de Brier, créé par Glenn Brier pour la météo en 1950.

Les détails définissent l'échantillon. Chaque tournoi durait environ neuf mois. Les deux premiers comportaient un peu plus de 100 questions, le troisième environ 150, ouvertes pendant 102 jours en moyenne. Chaque année réunissait au départ entre 2 200 et 3 900 prévisionnistes. Après la première, le projet a retenu les cinq meilleurs de chacune des douze conditions expérimentales, soit 60 personnes, puis les a réparties en cinq équipes de douze. Ce sont les superprévisionnistes décrits dans Identifying and Cultivating Superforecasters, publié par Mellers et ses collègues en 2015.

On attendait un retour vers la moyenne. Il n'a pas eu lieu : ces personnes sont restées en tête la deuxième année, puis la troisième.

À quoi ressemble cet avantage mesuré ?

Mesure	Superprévisionnistes ou foule d'élite	Groupe de comparaison	Étude et date
Score de Brier standardisé, moyenne des années 2 et 3	-0,34	-0,14 pour le niveau suivant, +0,04 pour les autres	Mellers et al., 2015
Erreur de calibrage	0,01	0,03 pour le niveau suivant, 0,04 pour les autres	Mellers et al., 2015
Résolution	0,40	0,35 pour le niveau suivant, 0,32 pour les autres	Mellers et al., 2015
Aire sous la courbe ROC	96 %	84 % pour le niveau suivant, 75 % pour les autres	Mellers et al., 2015
Valeurs de probabilité distinctes utilisées	57	29 pour le niveau suivant, 30 pour les autres	Mellers et al., 2015
Prévisions par question, année 1	2,77	1,47 dans les groupes de comparaison	Mellers et al., 2015
Articles consultés, années 2 et 3	255	55 et 58	Mellers et al., 2015
Score de Brier agrégé, sondage d'élite face à une foule ordinaire de plus de 300 personnes	0,166	0,228	Atanasov et al., 2024
Score de Brier médian, 498 questions de référence	0,096	0,121 pour la médiane publique	Karger et al., ICLR 2025

Deux précisions. Le tournoi Good Judgment utilisait la définition binaire originale du score de Brier, comprise entre 0 et 2. Ces résultats ne se comparent donc pas directement aux scores de 0 à 1 de la dernière ligne. Les scores standardisés sont relatifs au groupe répondant aux mêmes questions, seule comparaison équitable lorsque tout le monde n'a pas traité les mêmes sujets.

Quelles habitudes peut-on reproduire ?

Voici les sept étapes, dans l'ordre d'utilisation.

1. Commencez par la vue extérieure. Demandez à quelle fréquence les situations comparables se produisent avant d'étudier ce cas précis.
2. Découpez la question. Remplacez-la par plusieurs éléments estimables. C'est la méthode la plus facile à transférer.
3. Lisez les critères de résolution avant de chercher la réponse. Bien des litiges de prévision portent d'abord sur la définition.
4. Donnez un nombre précis. Les superprévisionnistes utilisaient en moyenne 57 probabilités distinctes, contre 29 et 30 pour les groupes comparés. Ils choisissaient plus souvent des valeurs au point de pourcentage près plutôt que des multiples de 10.
5. Actualisez souvent, par petites touches. La première année, ils ont déposé 2,77 prévisions par question, contre 1,47. La fréquence des mises à jour était le meilleur indicateur comportemental de précision.
6. Lisez les sources. Durant les deuxième et troisième années, ils ouvraient en moyenne 255 articles dans l'outil du projet, contre 55 et 58.
7. Calculez et examinez votre score. Le projet mesurait l'apprentissage par la baisse de l'erreur au fil d'une année. Les superprévisionnistes progressaient le plus vite.

Des différences cognitives existaient aussi. Ils dépassaient d'au moins un écart-type la population générale aux tests d'intelligence fluide et de connaissances politiques. L'étude montre donc qu'ils ont été en partie repérés et en partie formés. La seconde part est celle que chacun peut copier.

Comment décomposer une question ?

Décomposer consiste à remplacer une question impossible à estimer par plusieurs questions abordables.

« Ce projet de loi sera-t-il adopté avant la fin de l'année ? » devient : sortira-t-il de commission, reste-t-il du temps en séance, la direction souhaite-t-elle un vote, un texte comparable a-t-il déjà été adopté dans cette configuration ? Chaque étape possède un taux de base approximatif. Multipliez les probabilités des étapes toutes nécessaires pour obtenir un point de départ fondé sur autre chose qu'une impression.

Cette méthode fait apparaître le maillon faible. Si une seule des quatre sous-questions concentre toute l'incertitude, vous savez quoi étudier. Une nouvelle porte généralement sur une sous-question, pas sur l'ensemble.

Pourquoi faire de petites mises à jour ?

La plupart des nouvelles modifient peu une probabilité. Savoir la déplacer légèrement distingue une prévision d'une réaction.

Les petites actualisations fréquentes étaient le meilleur indicateur comportemental de précision du projet. Un prévisionniste qui revient chaque semaine intègre dix éléments modestes en dix semaines. Celui qui oublie son estimation n'en intègre aucun. Celui qui passe de 20 % à 80 % après un seul titre remplace toutes les autres informations par une seule.

Des pas réduits préservent aussi la finesse du nombre. Avec des mouvements de 10 points seulement, impossible de distinguer un indice faible d'un indice moyen.

Pourquoi faut-il conserver un score ?

Sans score, il n'y a pas de retour d'expérience. Les habitudes précédentes restent des préférences.

La plupart des prévisions publiques échouent ici. Elles paraissent dans des espaces où l'on peut les supprimer, les oublier ou les réinterpréter. Un historique modifiable n'apprend rien au lecteur, ni à son auteur. Le résultat de Good Judgment dépend du fait que chaque prévision était horodatée, évaluée selon une règle fixe et impossible à retirer.

Il faut aussi une référence. Un taux de réussite brut dépend de la difficulté des questions. Comparer le résultat à quelqu'un ou quelque chose ayant répondu aux mêmes questions au même moment, autre prévisionniste, taux de base ou prix du marché, transforme le nombre en preuve.

Que valent-ils face aux marchés et à l'IA en 2026 ?

Face aux marchés, la composition de la foule compte plus que le mécanisme. Dans Crowd prediction systems: Markets, polls, and elite forecasters, publié en 2024, Pavel Atanasov, Jens Witkowski, Barbara Mellers et Philip Tetlock comparent marchés prédictifs et sondages prédictifs en équipe dans le tournoi Good Judgment, avec une grande foule ordinaire ou une petite foule d'élite. Les petites foules d'élite gagnent, tandis que les deux systèmes sont statistiquement à égalité. Le sondage agrégé de l'élite obtient 0,166 au score de Brier contre 0,228 pour plus de 300 prévisionnistes ordinaires sur les mêmes questions. L'écart vient entièrement d'une meilleure discrimination, pas du calibrage. L'élite représentait les 2 % de tête. L'article cite aussi des travaux antérieurs où des équipes d'élite battaient des analystes du renseignement ayant accès à des informations classifiées.

Face à l'IA, toute photographie vieillit vite. Sur ForecastBench, présenté à ICLR 2025, le score de Brier médian des superprévisionnistes était de 0,096 sur 498 questions, contre 0,121 pour la médiane publique et 0,122 pour le meilleur modèle testé, Claude 3.5 Sonnet. Les prévisions humaines ont été recueillies en juillet 2024. L'étude projette le niveau des superprévisionnistes autour d'un score Arena de 1 406, avec un large intervalle de confiance. En septembre 2026, toute affirmation sur l'écart actuel exige une nouvelle évaluation.

Peut-on s'entraîner sans tournoi ?

Oui. Il faut des questions qui seront résolues, une probabilité enregistrée sans modification ultérieure et une référence commune.

Metaculus et Good Judgment Open proposent des questions évaluées. En France, le ministère de l'Intérieur publiait, au 4 septembre 2026, les données de référence, candidatures et résultats des municipales 2026 en trois phases. Ce type de source officielle permet de formuler une règle de résolution vérifiable.

insiderz fournit la référence par défaut. Un call, c'est-à-dire une prévision publique Oui ou Non assortie d'un degré de confiance, porte sur les mêmes événements que Polymarket. Il est verrouillé dès sa publication, avec l'heure et le prix Polymarket figés. Ni vous ni insiderz ne pouvez le modifier ou le supprimer. À la résolution, le call est évalué face à ce prix.

Aucun argent n'est engagé. Le classement des insiders utilise Bat le marché, Événements, Edge et Avance. Les événements ouverts sont ici.

Pour comprendre la mesure, lisez le score de Brier en clair. Pour le défaut que ces habitudes corrigent, voyez le calibrage. Pour appliquer la méthode à un prix réel, consultez comment battre le marché.