Actualizar creencias con frecuencia y en incrementos pequeños

Cuando llega nueva evidencia, ajusta tu estimación de probabilidad — aunque el cambio sea pequeño.

Why it works

Los superpredictores actualizan con más frecuencia y en incrementos más pequeños que los pronosticadores promedio. El mecanismo es bayesiano: cada nueva pieza de evidencia tiene un peso diagnóstico, y actualizar en proporción a ese peso produce calibración. Los dos modos de fallo son la actualización insuficiente (anclarse en la estimación original) y la actualización excesiva (sobreponderar eventos recientes salientes). Las actualizaciones pequeñas y frecuentes resisten ambas al mantener la estimación cerca de la evidencia actual.

How to do it

1. Fija una cadencia regular de revisión para pronósticos activos: semanal para horizonte corto, mensual para largo.
2. En cada revisión, pregunta: "¿qué evidencia llegó desde la última vez, y en qué dirección empuja mi estimación?"
3. Haz una actualización numérica — incluso ±3 puntos porcentuales — para registrar la decisión.
4. Si la evidencia es consistente con lo previo, regístralo explícitamente en lugar de dejar el número sin cambios.

Evidencia

En el Good Judgment Project, los superpredictores actualizaron sus predicciones más del doble de frecuentemente que el participante promedio y mantuvieron mejor calibración como resultado. La actualización bayesiana secuencial es el marco formal; los datos del torneo lo confirman en la práctica. (observational)

La frecuencia de actualización que mejoró la precisión en los torneos de pronóstico puede no aplicarse de forma idéntica a contextos de toma de decisiones personales con menor densidad de señal.

Fuentes

• Tetlock & Gardner (2015), Superforecasting

Error común

Esperar hasta estar "seguro" sobre un cambio antes de actualizar — esperar a la certeza significa actualizar demasiado tarde y por demasiado, lo cual es simplemente el fallo del anclaje.