Análisis de Hipótesis Competidoras (ACH)

Técnica analítica estructurada clave para Inteligencia de Amenazas Cibernéticas (CTI), que evalúa todas las hipótesis plausibles frente a la evidencia relevante reduciendo sesgos cognitivos.

¿Qué es Análisis de Hipótesis Competidoras (ACH)?

El Análisis de Hipótesis Competidoras (ACH) es una técnica estructurada esencial para profesionales de CTI que buscan reducir el impacto de sesgos cognitivos, especialmente el sesgo de confirmación. Esta skill proporciona un procedimiento paso a paso para generar hipótesis, listar evidencia significativa, construir una matriz de consistencia y analizar sistemáticamente qué hipótesis se sostiene mejor frente a la evidencia. Es especialmente útil en contextos de atribución, situaciones ambiguas, evaluaciones de alto riesgo y análisis controvertidos donde los analistas discrepan. La metodología se enfoca en refutar hipótesis en lugar de confirmarlas, ponderando inconsistencias según la calidad de la evidencia (usando la Escala Almirantazgo) e identificando evidencia clave o 'linchpin' que podría cambiar las conclusiones. Compatible con cualquier flujo de trabajo de CTI y herramientas como Claude, Cursor o Codex, su aplicación permite generar informes estructurados con hipótesis evaluadas, matriz de consistencia, análisis de sensibilidad y conclusiones con nivel de confianza.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add Liberty91LTD/cti-skills

Installed? Explore more Investigación y análisis de datos skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

¿Qué hace Análisis de Hipótesis Competidoras (ACH)?

ACH es la técnica analítica estructurada más importante para CTI. Te obliga a evaluar TODAS las hipótesis plausibles frente a TODA la evidencia significativa, reduciendo el impacto de los sesgos cognitivos — especialmente el sesgo de confirmación.

Cuándo usar ACH

  • Preguntas de atribución: "¿Quién está detrás de esta campaña?"
  • Situaciones ambiguas: Existen múltiples explicaciones plausibles
  • Evaluaciones de alto riesgo: Equivocarse tiene consecuencias significativas
  • Análisis controvertido: Los analistas no coinciden en la conclusión

Procedimiento paso a paso

Paso 1: Generar hipótesis

Enumera TODAS las hipótesis razonables. Incluye las poco probables — el punto es evitar un estrechamiento prematuro.

Reglas:

  • Mínimo 3 hipótesis (si solo tienes 2, estás pensando binariamente)
  • Incluye al menos una que desafíe tu instinto inicial
  • Las hipótesis deben ser mutuamente excluyentes cuando sea posible
  • Incluye "actor desconocido" o "coincidencia" como hipótesis cuando sea apropiado

Paso 2: Listar evidencia significativa

Enumera toda la evidencia y argumentos relevantes para las hipótesis.

Para cada pieza de evidencia, registra:

  • Descripción de la evidencia
  • Fuente (con calificación de la Escala Almirantazgo)
  • Si es evidencia directa, circunstancial o ausencia de evidencia

Paso 3: Construir la matriz de consistencia

Marca cada celda como:

  • C (Consistente) — la evidencia apoya esta hipótesis
  • I (Inconsistente) — la evidencia contradice esta hipótesis
  • NA (No Aplica) — la evidencia es irrelevante para esta hipótesis

Plantilla de matriz

| Evidencia | Calificación Fuente | H1: [Nombre] | H2: [Nombre] | H3: [Nombre] | H4: [Nombre] |
|-----------|:---:|:---:|:---:|:---:|:---:|
| E1: [descripción] | B2 | C | I | C | NA |
| E2: [descripción] | A1 | C | C | I | C |
| E3: [descripción] | C3 | I | C | C | NA |
| E4: [descripción] | B2 | C | I | I | C |
| E5: [descripción] | D4 | C | C | C | I |
| **Inconsistencias** | | **1** | **2** | **2** | **1** |

Paso 4: Analizar la matriz

Principio crítico: Concéntrate en REFUTAR hipótesis, no en probarlas.

El sesgo de confirmación nos hace buscar evidencia que confirme nuestra hipótesis preferida. ACH contrarresta esto enfocándose en las inconsistencias.

  • Cuenta las inconsistencias para cada hipótesis
  • Ponderá las inconsistencias según la calidad de la evidencia (una inconsistencia calificada como A1 importa más que una D4)
  • La hipótesis con menos (y más débiles) inconsistencias es la más probable

Paso 5: Evaluar sensibilidad

Pregunta por cada pieza de evidencia:

  • Si esta evidencia fuera incorrecta, ¿cambiaría la clasificación?
  • ¿Qué elementos de evidencia son evidencia "linchpin" (eliminarlos cambia la conclusión)?
  • ¿Algún elemento linchpin proviene de fuentes únicas?

Paso 6: Extraer conclusiones

  • Indica la hipótesis más probable con su nivel de confianza
  • Explica por qué se rechazaron las hipótesis alternativas (qué evidencia las contradice)
  • Identifica la evidencia que discrimina más fuertemente entre hipótesis
  • Señala la evidencia linchpin y su fiabilidad
  • Marca si la conclusión es sensible a una o dos piezas de evidencia

Paso 7: Informe

## Análisis ACH: [Pregunta]

### Hipótesis evaluadas
1. H1: [descripción]
2. H2: [descripción]
3. H3: [descripción]

### Matriz de consistencia
[Matriz del Paso 3]

### Evaluación
[Hipótesis más probable con nivel de confianza y fundamento]

### Evidencia discriminante clave
[Evidencia que separa más fuertemente las hipótesis]

### Análisis de sensibilidad
[¿Qué evidencia es linchpin? ¿Qué cambiaría la conclusión?]

### Hipótesis rechazadas
- H2 rechazada porque: [evidencia específica la contradice]
- H3 rechazada porque: [evidencia específica la contradice]

### Advertencias
[Limitaciones, brechas de inteligencia, supuestos]

Errores comunes

  • Demasiadas pocas hipótesis — 2 hipótesis es pensamiento binario, no ACH
  • Sesgo de confirmación en el marcado — ser generoso con "C" para tu hipótesis preferida
  • Ignorar la ausencia de evidencia — "el perro que no ladró" puede ser significativo
  • Ponderación igual — una inconsistencia calificada como A1 debería contar más que una D4
  • Detenerse demasiado pronto — ACH funciona mejor cuando se revisa la matriz a medida que surge nueva evidencia
  • Tratarlo como una votación — ACH trata sobre inconsistencias, no sobre recuentos de consistencia

Skills relacionados