Por Kelli De Faria Cordeiro, Arquitecta de bases de datos en el Centro de Análisis de Sistemas Navales de la Marina de Brasil.
La irrupción de la inteligencia artificial (IA) como recurso de apoyo a operaciones militares plantea desafíos que trascienden lo meramente técnico. No se trata solo de incorporar una solución innovadora, sino de adaptar la lógica de una estructura organizacional que históricamente ha gestionado la incorporación de nuevas tecnologías al ámbito operativo. El ciclo entre las fases de preparación y empleo de tecnologías de apoyo a las operaciones militares se ve tensionado por una herramienta que evoluciona a gran velocidad y cuya capacidad disruptiva acelera también la obsolescencia de los instrumentos institucionales de planificación, control, gobernanza y ejecución. La pregunta ya no es si la IA será incorporada a las operaciones militares conjuntas, sino cuándo y con qué nivel de impacto.
Una iniciativa que busque incorporar inteligencia artificial al ámbito de la defensa debe comenzar por una aclaración conceptual. ¿Qué significa, exactamente, “IA” desde una perspectiva operativa militar? Más allá de las múltiples definiciones disponibles (algunas contradictorias, otras meramente especulativas), hay un consenso básico: la IA aplicada a la defensa es importante y modificará el escenario operativo. En este artículo adoptamos una definición centrada en el aprendizaje automático: una forma de inteligencia artificial orientada al desarrollo de soluciones que aprenden a partir de datos. Sin embargo, esa capacidad de aprendizaje no es inherente a la máquina; es el resultado de la articulación de distintos elementos.
Un modelo entrenado no surge de manera espontánea: necesita un algoritmo que lo genere y una base de datos que lo alimente. Una solución de aprendizaje automático está compuesta por tres elementos básicos (modelo, algoritmo y datos), además de la infraestructura computacional necesaria para procesarlos. Solo cuando estos elementos se configuran y parametrizan de forma coherente es posible obtener un resultado consistente.
El modelo funciona como un estudiante, el algoritmo como su docente y los datos como el material de estudio. El nivel de precisión del modelo dependerá de la correcta parametrización del algoritmo y de la calidad de los datos utilizados en el entrenamiento. Aplicada a las operaciones militares, esta arquitectura adquiere una especificidad muy particular. Un modelo genérico, entrenado con datos abiertos o provenientes de entornos civiles, no posee el conocimiento necesario para responder a las particularidades de un escenario de defensa.
Las imágenes de un puerto turístico o comercial no contienen el mismo tipo de información que un entorno de operaciones navales; del mismo modo, clasificar embarcaciones de recreo no equivale a clasificar naves que representan un contacto de interés operativo. La IA para la defensa necesita datos del ámbito de la defensa. Y esos datos, por su naturaleza crítica y sensible, solo pueden ser gestionados por quienes los producen y resguardan: las propias fuerzas armadas. Esta condición, que puede parecer evidente a primera vista, tiene implicancias profundas. Significa que ninguna solución inteligente con aplicación operativa será verdaderamente eficaz si no se construye internamente y con datos propios del sistema de defensa.
La cuestión de los datos, en este sentido, no es simplemente un componente más del ecosistema de IA: es su base estructural. El problema no radica solo en su volumen o en su formato, sino en su valor estratégico. En un entorno dominado por el big data y la proliferación de sensores, la información circula en grandes cantidades, aunque muchas veces de forma fragmentaria y sin curaduría. En defensa, sin embargo, lo que importa no es la acumulación indiscriminada, sino la capacidad de organizar, depurar y proteger esa información. Esto requiere recursos materiales y humanos: infraestructura adecuada, equipos técnicos capacitados, normativas claras y mecanismos robustos de gobernanza.
Sin estos elementos, la soberanía tecnológica puede quedar comprometida. La gobernanza de los datos de defensa —su control y su trazabilidad— no puede ser delegada, dada la sensibilidad de la información, cuyo valor estratégico crece a medida que se integra, se agrega y se analiza. Tener dominio sobre los datos que alimentan los modelos es ejercer soberanía sobre la IA de defensa.
A medida que crecen las soluciones de IA utilizadas en acciones estratégicas por parte del sector privado, se observa una tendencia a migrar los datos desde proveedores remotos de nube hacia entornos propios —on-premise— con infraestructura física localizada dentro de las instalaciones. Esta estrategia es una condición necesaria para las soluciones inteligentes en defensa, dadas las implicancias estratégicas de sus datos.
Un centro de datos militar no se reduce a un conjunto de servidores: requiere sistemas complejos de refrigeración, suministro energético redundante, seguridad física, respaldo de la información, mantenimiento especializado y personal técnico altamente capacitado. Además, debe tener capacidad de adaptación a la rápida evolución del hardware, especialmente en un campo como la inteligencia artificial, donde los requerimientos técnicos cambian de forma constante. Los procesadores utilizados para el entrenamiento de modelos han pasado de las GPU a las TPU, y hoy proliferan chips diseñados para funciones específicas, lo que acorta el ciclo de vida de cada inversión.
Frente a ese escenario, la adquisición de equipamiento puede resultar menos eficiente que la contratación de servicios que incluyan la actualización periódica de la infraestructura. De ese modo, la carga de la obsolescencia tecnológica recae sobre el proveedor, y no sobre el Estado.
La limitación de recursos hace cada vez más necesaria la planificación de proyectos conjuntos. En un escenario donde el desarrollo de sistemas de inteligencia artificial es costoso y técnicamente exigente, se vuelve prioritario optimizar el uso de la infraestructura computacional y compartir modelos entrenados. El diseño conjunto de soluciones reduce la necesidad futura de generar mecanismos de interoperabilidad, al haber sido concebidas desde un inicio de forma integrada.
La inteligencia artificial aplicada a la defensa constituye un desafío institucional. Para que una solución alcance el plano operativo, debe atravesar un proceso complejo con múltiples capas: infraestructura de conectividad, capacidad computacional, plataforma de datos, entrenamiento de modelos y aplicación en escenarios reales. Cada una de estas etapas requiere equipos especializados. El reto no es solo desarrollar tecnología, sino coordinar un desarrollo multidisciplinario y asegurar su integración efectiva a los entornos operativos.
Como en todo proceso de incorporación tecnológica, también aquí se vuelve indispensable una regulación. Sin embargo, regular una tecnología en proceso de maduración implica ciertos riesgos, dada la incertidumbre propia de su evolución. Por eso, una estrategia conservadora basada en ciclos evolutivos breves podría ser una vía prudente para mitigar esos riesgos.
La inteligencia artificial no aparece como una invención repentina, sino como el resultado de una larga maduración. Durante décadas, los algoritmos y modelos matemáticos del aprendizaje automático fueron perfeccionándose, aunque sin el volumen de datos necesario para volverlos operativos. Más tarde, con la proliferación de sensores, cámaras y dispositivos conectados, surgió el big data que permitió alimentar esos modelos con datos de entrenamiento. Entonces apareció una nueva limitación: la falta de capacidad de cómputo suficiente para generar los modelos en tiempos razonables. Solo cuando los tres elementos —algoritmos, datos y procesamiento— convergieron, las soluciones inteligentes empezaron a mostrar resultados concretos en entornos reales.
En todos los contextos, el camino es similar: iniciativas de gobernanza de datos, inversión en infraestructura y experimentación con algoritmos. Está claro que la inteligencia artificial no es una moda pasajera. Pero es necesario un enfoque crítico que distinga qué resultados son verdaderamente aplicables en escenarios operativos y cuáles forman parte de un imaginario todavía especulativo. Solo así será posible dar los primeros pasos minimizando riesgos. Además, el ciclo de preparación y empleo debe ser coherente con la cultura organizacional de cada institución, con un objetivo claro: garantizar la soberanía sobre una tecnología que puede representar una ventaja decisiva en los nuevos tipos de conflicto que emergen con el avance de la IA.