Señuelos terrestres vs. IA: la economía del error en la guerra de Irán

El frente iraní muestra un patrón interesante: señuelos terrestres baratos —pinturas en el suelo y maquetas huecas— provocan impactos contra objetivos falsos y exponen debilidades de los algoritmos de targeting. Varios vídeos y crónicas recientes apuntan al uso de siluetas pintadas y maquetas para atraer ataques. Distintos medios han planteado dudas sobre objetivos en plataformas iraníes donde lo golpeado parecía una pintura o un señuelo estático; el debate ilustra la facilidad con la que se puede activar el ciclo de ataque. El resultado es un intercambio económico desfavorable para el atacante y presión sostenida sobre sus arsenales.

En la ofensiva contra Irán conviven dos formas de pelear con algoritmos. Por el lado estadounidense, distintos reportes periodísticos apuntan a que la aceleración del planeamiento y la priorización de blancos se apoya en plataformas ya maduras, junto a la integración de modelos comerciales de IA/LLM (Inteligencia Artificial / Modelo Extenso de Lenguaje) en los flujos de análisis, capaces de fusionar vídeo de drones, imágenes satelitales y señales para entregar listados priorizados en minutos y comprimir la kill chain al proponer objetivos y recomendaciones casi en tiempo real.

Del otro lado, Irán tira de ingeniería frugal: señuelos terrestres (pinturas anamórficas y mock‑ups huecos) que explotan sesgos de los clasificadores y fuerzan impactos sobre objetivos falsos, ganando por economía del error.

Analizaremos cómo y por qué esos señuelos terrestres hacen fallar a los sistemas de targeting basados en IA, y qué implicaciones tiene para doctrinas, arsenales y presupuestos—concluyendo con nuestra propuesta pasiva y modular (Kallisto Shield) diseñada precisamente para romper la coherencia multibanda que buscan los algoritmos.

Ejemplo de paneles de Kallisto Shield (Kallisto AI)

Del camuflaje clásico al engaño “optimizado para IA”

Irán ha actualizado prácticas de engaño terrestre para el ciclo de targeting contemporáneo: pinturas anamórficas (siluetas 2D sobre asfalto/hormigón) y maquetas (mock‑ups) y señuelos de lanzadores diseñados para “parecer suficientemente buenos” a los clasificadores basados en Inteligencia Artificial (Vision por Computador y fusión de datos principalmente) y a operadores con ventanas de decisión comprimidas. El entorno desde finales de febrero de 2026 —salvas y contrasalvas de drones y misiles— incentiva automatismos que priorizan velocidad sobre validación profunda, el contexto ideal para que el engaño terrestre tenga efectos multiplicadores.

Señuelos que explotan puntos ciegos del reconocimiento automático. Por qué la IA “pica”: no es (solo) el sensor, es la pipeline

Las principales causas son:

1. Sesgo de datos. Los conjuntos de datos de entrenamiento utilizados por los modelos de IA suelen infrarrepresentar y apenas incluyen señuelos. Una silueta compatible en mala resolución puede pasar por un objetivo válido si el resto de las señales no lo niegan con claridad. En estos casos el clasificador IA eleva la detección a “objetivo probable” si el resto de la pipeline no contradice con fuerza.
2. Falta de verificación multimodal/temporal: bajo presión, se reduce la fusión EO/IR/SWIR/SAR y la persistencia (movimiento, actividad EM), disparando contra “instantáneas” o identificaciones plausibles.
3. BDA (Battle Damage Assessment o Evaluación de Daños de Combate) complaciente. Sin revisión de “segunda detonación” u otros indicios de subsistemas destruidos, un señuelo se computa como neutralizado, alimentando feedback erróneo.

En el entrenamiento de modelos de IA, el introducir miles de señuelos sintéticos junto a vehículos reales (variando geometría, textura, firma y contexto) permite que los clasificadores aprendan a dudar de patrones 2D y carcasas huecas “demasiado perfectas” para un entorno operativo.

El intercambio asimétrico y buenas prácticas

Los ataques muestran rangos de coste por misil de decenas de miles a millones de dólares, mientras que un señuelo terrestre cuesta cientos. El diferencial convierte cada falso positivo (FP) en una victoria económica y logística del defensor. A escala estratégica, la proliferación de drones y salvas mixtas agrava el riesgo de agotamiento de arsenales (magazine exhaustion).

La proliferación de drones de bajo coste y mayor alcance extiende el riesgo más allá de la primera línea. La consecuencia práctica: es rentable poblar la retaguardia con señuelos para forzar errores y desviar munición.

Ante esta situación se plantea la necesaria aplicación de “buenas prácticas” doctrinales que sin embargo tienen límites reales, relacionadas con los puntos antes expuestos. Entre estas están la fusión multibanda (EO/IR/SWIR/SAR/ELINT) antes del disparo, la persistencia temporal para confirmar actividad coherente y el BDA riguroso con criterios de segunda detonación. En ritmos de 6–8 minutos entre detección y ataque, muchas salvaguardas se relajan y el adversario diseña señuelos justo entre el umbral de duda y el de disparo.

Kallisto Shield: ingeniería de señuelos 100% pasivos, pensada para un enemigo que usa IA

Kallisto Shield (patente pendiente) es un sistema de contramedidas de percepción para perturbar pipelines de targeting basados en IA mediante una arquitectura física modular —sin electrónica ni elementos activos— que genera apariencias plausibles en detección, clasificación y priorización. No emite ni incorpora electrónica, su lógica es física: paneles intercambiables de distintos materiales y acabados modifican la firma en visual, IR, térmica, radar y multispectral. El objetivo es simple: eliminar la coherencia entre bandas y ángulos que buscan los algoritmos de fusión.

Las claves técnicas del diseño son:

• Superficie panelizada, no continua y firma multibanda modulable de bajo coste. La firma se varía físicamente, de forma sencilla y económica intercambiando paneles de distintos materiales/configuraciones, alterando reflectancia, emisividad y absorción en todas las bandas relevantes (visual, IR, térmica, multispectral y radar), sin sistemas electrónicos ni cambios activos.
• Geometría y paralaje coherentes. Diseño volumétrico que mantiene coherencia a distintas alturas/ángulos, superando el “antídoto” contra pinturas 2D y reforzando la verosimilitud algorítmica.
• Saturación coherente y a gran escala. Por su bajo coste, es viable desplegar miles de señuelos para absorber salvas, degradar el BDA enemigo y forzar intercambios económicos desfavorables, incluso en retaguardia por la proliferación de drones de bajo coste y mayor alcance.
• Señuelos (decoys) con un mismo “idioma” físico: los mismos kits de paneles se montan sobre estructuras ligeras para crear blancos verosímiles a escala.
• Adversarial design desde lo físico. Patrones de paneles pensados para disparar falsas confianzas en clasificadores CNN/Transformer, como parte de un ciclo de diseño‑simulación‑entrenamiento.
• Spam algorítmico: al combinar vehículos protegidos y muchos señuelos baratos, el adversario recibe una avalancha de objetivos plausibles y distribuye mal sus recursos.
• El tiempo como objetivo: la defensa busca retrasar la identificación fiable; el enemigo puede mejorar sus modelos con más datos, pero cada minuto ganado reduce pérdidas propias.

Imagen sintética de blancos (Kallisto AI)

Conclusión estratégica

El teatro iraní confirma que la superioridad en sensores y precisión no basta cuando el adversario entiende cómo decide la IA. El engaño terrestre traslada el centro de gravedad desde la cinemática del interceptor a la economía del ciclo de targeting: quien domina el coste marginal y la duda algorítmica gana tiempo, conserva activos y agota al rival.

La lección es operativa: el enemigo no necesita “ver mejor”, solo necesita “equivocarse más caro”. La respuesta pasa por dos líneas simultáneas:

1. fortalecer la cadena de targeting (datos con señuelos, verificación multibanda con persistencia, BDA exigente) y
2. industrializar el engaño pasivo a gran escala. Con paneles baratos y decoys distribuibles, la defensa puede degradar la confianza de los clasificadores y desplazar el intercambio hacia donde más duele al atacante: su presupuesto y su tiempo.

En este contexto, los estados y alianzas que no incorporen de inmediato:

1. entrenamiento con datos sintéticos ricos en señuelos,
2. verificación multibanda con persistencia temporal y
3. capacidades pasivas, modulares y escalables de saturación y engaño,

verán degradada su eficacia operativa en campañas prolongadas.

La prioridad estratégica no es (únicamente) disparar más, sino decidir mejor: robustecer la pipeline contra la plausibilidad fabricada por el enemigo y, en paralelo, industrializar el engaño propio —a bajo coste y gran escala— para imponer un intercambio económico insostenible al atacante.

Referencias

1. Moneycontrol — Iran uses painted ground decoy trick to mislead IDF strike: https://www.moneycontrol.com/world/iran-accused-of-using-painted-ground-decoy-to-mislead-idf-strike-article-13850501.html
2. Factually — Síntesis sobre decoys visuales y mock-ups por Irán: https://factually.co/fact-checks/military/iran-decoy-aircraft-mockups-historical-uses-sources-52a4a6
3. Defence Blog — Iran uses missile decoys to mislead Israeli strikes: https://defence-blog.com/iran-uses-missile-decoys-to-mislead-israeli-strikes/
4. POLITICO — Iran strikes threaten to deplete US weapons supplies: https://www.politico.com/news/2026/02/25/iran-weapons-trump-troops-defense-00797801
5. Interesting Engineering — Cost debate and decoys discourse: https://interestingengineering.com/military/iran-allegedly-painted-helicopter-decoy
6. IR tracking: https://www.linkedin.com/feed/update/urn:li:activity:7434553859970293760
7. Kallisto Shield: A World Built Panel by Panel:  https://www.linkedin.com/pulse/kallisto-shield-world-built-panel-kallistoai-h7zmf
8. Grokking on the Battlefield: When AI Learns to See Through Camouflage: https://www.linkedin.com/pulse/grokking-battlefield-when-ai-learns-see-through-camouflage-yz56f

(Raúl Álvarez, Director General de Kallisto IA y profesor del curso de “Inteligencia Artificial para la Defensa” en CISDE)