El análisis de hipótesis competidoras: la técnica que evita ver solo lo que uno quiere ver

Frente a un problema con varias explicaciones posibles, la reacción natural es elegir la hipótesis que más nos convence y buscar evidencia que la respalde. El problema es que casi cualquier evidencia puede interpretarse como apoyo a la hipótesis favorita si se la mira con esa intención. Para evitar esa trampa, Richards Heuer Jr. desarrolló en la CIA una técnica hoy ampliamente usada en análisis de riesgos: el análisis de hipótesis competidoras, conocido por su sigla en inglés, ACH.

La idea central

En lugar de buscar apoyo para una hipótesis, el método propone evaluar cada evidencia contra todas las hipótesis posibles, y quedarse con la que tenga menos evidencia en contra, no con la que tenga más evidencia a favor. La razón es sutil pero poderosa: muchos datos son compatibles con varias hipótesis a la vez, y solo los datos que resultan difíciles de explicar bajo una hipótesis son realmente útiles para descartarla.

Los pasos, resumidos

• Listar todas las hipótesis razonables, no solo la más obvia.
• Listar toda la evidencia disponible.
• Armar una matriz que cruce cada evidencia con cada hipótesis, marcando si es consistente, inconsistente o neutral.
• Priorizar las hipótesis por cuánta evidencia las contradice, no por cuánta las confirma.
• Evaluar qué tan sensible es la conclusión a que un dato clave resulte incorrecto.

Un ejemplo simple para entenderlo

Supongamos que una empresa nota que un servidor muestra archivos modificados un domingo por la noche. Una primera reacción sería suponer que alguien externo accedió sin autorización. El método ACH obliga a listar también otras hipótesis: que fue una tarea de mantenimiento no registrada, o que un empleado con acceso legítimo hizo el cambio fuera de horario. Al revisar la evidencia, un dato como "el técnico de mantenimiento estaba de licencia esa semana" resulta inconsistente con la primera hipótesis y consistente con la posibilidad de un acceso indebido, mientras que otro dato, como "el acceso se hizo desde la red interna", es compatible con varias hipótesis a la vez y por lo tanto no ayuda demasiado a decidir entre ellas. Ese ejercicio de marcar qué evidencia realmente discrimina entre opciones, y cuál no, es el corazón del método.

Por qué esto importa: el caso de Irak, 2002-2003

Antes de la invasión de Irak en 2003, una evaluación de inteligencia de Estados Unidos sostuvo con alto grado de certeza que el país tenía programas activos de armas de destrucción masiva. Investigaciones oficiales posteriores, como la del Comité Selecto de Inteligencia del Senado (2004) y la Comisión Robb-Silberman (2005), señalaron entre las fallas la falta de consideración sistemática de hipótesis alternativas y la dependencia excesiva de una fuente humana poco confiable. Un análisis de hipótesis competidoras bien aplicado habría obligado a mostrar, de forma explícita, que buena parte de la evidencia disponible también era compatible con explicaciones distintas, como que los programas hubieran sido discontinuados sin que Irak lo comunicara con claridad por otras razones políticas.

Aplicable más allá del espionaje

Esta técnica se usa hoy en análisis de fraude, investigación de incidentes de seguridad informática y evaluación de riesgos corporativos. Frente a un incidente con varias explicaciones posibles, obliga a resistir la tentación de quedarse con la primera hipótesis que "suena bien" y a documentar por qué las demás quedaron descartadas, lo que además deja un registro útil si la conclusión necesita revisarse más adelante con nueva información.

Qué hacer cuando ninguna hipótesis queda claramente mejor

No siempre el método arroja un ganador nítido, y eso también es información valiosa: significa que la evidencia disponible todavía no alcanza para decidir con confianza. En esos casos, el paso siguiente es el análisis de sensibilidad: preguntarse qué pasaría con la conclusión si uno de los datos clave resultara equivocado. Si la hipótesis que hoy parece más consistente depende casi por completo de un único dato frágil, la conclusión debe presentarse con confianza baja, y hay que ser explícito sobre qué información adicional cambiaría el panorama. Presentar esa incertidumbre con honestidad es preferible, siempre, a forzar una conclusión que la evidencia no sostiene todavía.

Fuentes: Richards J. Heuer Jr., Psychology of Intelligence Analysis, capítulo sobre ACH (CIA, 1999); Report of the Commission on the Intelligence Capabilities of the United States Regarding Weapons of Mass Destruction (2005).