對政府政策熟悉的人曾說過，所有的政策都是對未來的預測，而現在面臨到極大的考驗。
「人類想要預測未來是不爭的事實。但是不管是哪個國家，沒有一個能對未來做出正確的判斷。」Foreign Affairs 編輯 Gideon Rose 說。這也代表了20年內發生過幾次的經濟危機、忽略衛生組織警告的疫情資訊、最後導致 無法對應 COVID-19 的國家比比皆是。即使如此，還是有人想要突破對於物來的預測不準確問題。AXIO 的這篇文章介紹了「場景規劃（Scenario Planning）」跟「資料驅動（Data-Driven）」手法，也就是結合地政學與管理學來預測未來，獲得許多人的注目。
地政學的「場景規劃」方法是將發生規模以場景表現，這樣可以規畫出多樣的場景，讓想像力得以發揮。缺點是場景如果沒有細節事件的發生機率，將會大幅減少應用面的程度。另外，如果使用管理學的機率分析邏輯，就可以算出每個事件發生機率，提升原來場景規劃的可用性。
舉例來說，COVID-19 發生的機率如果為一個常數，在跨國搭機旅行的場景下，擴散的機率就能夠被電腦計算出來，此時藉由管控等管理手段等變數，也可以得出斷航、部分開放、完全開放等不同場景的控制結果。而且疫情在不同場景之間傳播的效率，導致不同政策的產生。所以藉由場景規劃與資料驅動的方式，能看得出來疫情如何與經濟並存，或許以科學方式制定政策遠比政治決策來得有價值。
此外，像是上週獲得諾貝爾化學獎的 Emmanuelle Charpentier 跟 Jennifer A. Doudna 的基因編輯（CRISPR）技術，沒有獲得很高的關注，就代表人類也還沒正視基因編輯開源化的影響。像基因編輯的「場景」，例如食品、環境與生態鏈等等，也需要蒐集相關事件，以確保未來基因編輯不會成為人類的下個危機。「現在對於未來預測相關研究，最大的疑問是人類跟機器合作得出的結論，是否比各自做決策來得好。」預測專家 Peter Scoblic說。也就是說，在疫情初期資料數偏少的階段，AI 還沒建立資料模型的時候，人類如果是使用經驗做決定會不會還比較好？或者是等待資料出現之後，讓機器做決定？這都有可能影響對於未來的判斷能力。
隨著科技進步，天氣預測或是車流預測已經是日常生活的一部分同時，另外也要注意不確定性也漸漸提高。我們應該關注的不是疫情在何時結束，而是對於這次的世界各國防疫失敗的經驗中，人類學習到什麼，為本文的重點。