Tässä artikkelissa tarkastellaan systemaattisesti empiirisiä tutkimuksia, joissa tarkastellaan Delphi-tekniikan tehokkuutta ja antaa kritiikkiä tästä tutkimuksesta. Tulokset viittaavat siihen, että Delphi-ryhmät ylittävät tilastolliset ryhmät (12 tutkimuksella kahteen, joissa on kaksi ’sidosta’) ja tavanomaiset vuorovaikutuksessa olevat ryhmät (viidellä tutkimuksella yhdelle, jolla on kaksi ’siteitä’), vaikka ei ole olemassa johdonmukaista näyttöä siitä, että tekniikka olisi muita strukturoituja ryhmiä parempi menettelyt. Tekniikan tyypillisen laboratorioversion ja Delphin alkuperäisen konseptin välillä on kuitenkin merkittäviä eroja, jotka tekevät yleistyksiä Delphistä sinänsä. Nämä erot johtuvat tärkeiden ryhmä-, tehtävä- ja tekniikkaominaisuuksien (kuten paneelin asiantuntijoiden suhteellisen tason ja käytetyn palautteen luonteesta) hallinnan puutteesta. Itse asiassa on olemassa teoreettisia ja empiirisiä syitä uskoa, että ”ihanteellisten” spesifikaatioiden mukaisesti suoritettu Delphi voisi toimia paremmin kuin tavalliset laboratoriotulkinnat. Johtopäätöksenä on, että Delphi-tehokkuutta koskeviin kysymyksiin vastaamiseksi tarvitaan erilaista tutkimusta, joka keskittyy analyysiin arviointiprosessista nimellisryhmissä.