Lo que el satélite no puede ver. Sesgo de automatización e inteligencia asistida por IA en la guerra de Irán

En las primeras horas del 28 de febrero de 2026, primer día de la guerra de Estados Unidos e Israel contra Irán, un misil de crucero Tomahawk impactó contra la escuela de primaria Shajareh Tayyebeh, en Minab, en el sur del país. Murieron al menos 168 personas, en su mayoría niñas.^[1] Una investigación posterior del The New York Times reveló que los oficiales del Mando Central de Estados Unidos habían generado las coordenadas del objetivo a partir de datos obsoletos de la Agencia de Inteligencia de Defensa (DIA).

Las imágenes satelitales mostraban que, entre 2013 y 2016, la escuela había sido separada mediante un vallado del recinto contiguo de la Guardia Revolucionaria (IRGC), con el que hasta entonces compartía perímetro; la base de datos de objetivos de targeting, sin embargo, nunca se actualizó para reflejar esa separación.^[2] La escuela figuraba en una lista estadounidense de objetivos prohibidos y, sin embargo, fue retirada de esta sin que nadie advirtiera la incongruencia.

El ataque se inscribe en la intersección de dos fenómenos: la integración y la velocidad. La integración de la designación de objetivos asistida por IA en las operaciones estadounidenses e israelíes a una escala que ningún conflicto anterior había alcanzado.

El Maven Smart System del Pentágono, desarrollado por Palantir e integrando a Claude, de Anthropic, consolida en un único entorno operativo lo que antes eran ocho o nueve plataformas de inteligencia independientes.^[3] El segundo, la velocidad, lo que el almirante Brad Cooper, comandante estadounidense al frente de las operaciones en Irán, ha descrito como la capacidad del sistema para «tomar decisiones más inteligentes y más rápidas de lo que el enemigo puede reaccionar»: una compresión, medida en segundos, de procesos que antes requerían horas o días.^[4]

Las ventajas son evidentes. No obstante, la integración de la IA en los flujos de trabajo de inteligencia conlleva un riesgo bien documentado: la eliminación del tiempo del que disponen los analistas para cuestionar aquello que el algoritmo ha concluido. Lo que las campañas de Irán de 2025 y 2026 han revelado es la desconexión que existe entre lo que estos sistemas pueden medir y lo que las particularidades la región exige.

Qué significa el sesgo de automatización en la práctica

El sesgo de automatización es la tendencia a aceptar el resultado de un sistema automatizado con menos escrutinio del que se aplicaría a la misma conclusión formulada por un colega humano.^[5] Cuando se trata del proceso de targeting, la IA procesa imágenes satelitales, las contrasta con datos históricos de movimientos y con inteligencia de señales, y marca una localización o un individuo como analíticamente significativos. El analista que recibe ese resultado se encuentra en una posición desigual: el sistema ha procesado bastantes más datos de los que cualquier analista podría manejar, y discutir sus conclusiones exige construir un contraargumento lo bastante sólido como para invalidar lo que aparenta ser un hallazgo fundado en evidencias. Bajo presión operativa, el camino más fácil es casi siempre dar la razón al sistema. 

El precedente más claro de hasta dónde puede llegar esta dinámica es el uso por parte de Israel de los sistemas Habsora y Lavender en Gaza tras octubre de 2023. Según el testimonio de seis oficiales de inteligencia israelíes recogidos por +972 Magazine y Local Call, el ejército autorizó a los oficiales a adoptar las listas de objetivos generadas por Lavender sin exigirles que examinaran la inteligencia subyacente. Una de las fuentes describió el papel humano como un «mero trámite administrativo», donde el personal dedicaba «en torno a 20 segundos» a cada objetivo antes de autorizar un ataque y, habitualmente, solo para confirmar que el objetivo señalado era varón.^[6] Y ello pese a que la propia evaluación de las IDF cifraba el margen de error del sistema en un 10%.^[7] La cuestión estructural no es que los analistas fueran negligentes. Es que el flujo de trabajo se había organizado de un modo que hacía prácticamente imposible cotejar los resultados con un mínimo de rigor.

Conviene introducir aquí un concepto previo: el error de suponer que, porque la imagen satelital es nítida, el cuadro analítico está completo;^[8] lo que se denomina en inteligencia sesgo de automatización Así, el analista se encuentra con una imagen satélite unida a una IA que ha gestionado una cantidad ingente de datos y finalmente ha asignado un valor numérico aparentemente aséptico y objetivo. Esa cifra desplaza el escepticismo analítico que la situación exige. Porque existe una brecha entre los resultados arrojados por el sistema y complejidad del entorno regional multidimensional en el que se desarrollan los ataques. Las acciones carecen del contexto que le daría un analista humano con todas las implicaciones que se derivan.

Tres maneras en que las cosas se tuercen

Las campañas de Irán de 2025 y 2026, leídas junto con el precedente de Gaza, revelan tres formas distintas en que esa brecha se manifiesta en la práctica.

1. La lectura errónea de infraestructuras de doble uso a partir de datos subyacentes desactualizados. El ataque a la escuela Shajareh Tayyebeh es el caso documentado con mayor claridad. La decisión de selección del objetivo se apoyaba en una entrada de base de datos que no se había actualizado por lo que no reflejaba la reconfiguración física del emplazamiento visible en imágenes satelitales comerciales. El reconocimiento de imágenes por IA funciona bien cuando se trata de localizar equipamiento militar inequívoco en contextos sin ambigüedad, y es bastante menos fiable cuando los emplazamientos podrían cumplir funciones militares o civiles, o cuando los datos de referencia están obsoletos. Una escuela contigua a un recinto del IRGC, un almacén, un dispensario, etc.: la firma visual de una infraestructura de doble uso no se puede recuperar a partir de la imagen por sí sola. Exige conocer cómo se utiliza realmente el lugar, por quién, con qué horario y bajo qué autoridad. Ese conocimiento no está codificado en un satélite, y caduca rápidamente. 
2. La ausencia de razonamiento sobre las consecuencias. Los sistemas de designación de objetivos con IA están construidos para optimizar dentro de parámetros definidos: identificar objetivos de alta probabilidad, recomendar el armamento adecuado, priorizar el paquete de ataque. No están construidos para modelar los efectos de segundo y tercer orden de la acción que recomiendan. El caso de Gaza ilustra el problema a escala. Según la investigación de +972 y Local Call, los mandos de las IDF autorizaron hasta 15 o 20 víctimas civiles para un ataque contra un operativo subalterno de Hamás generado por Lavender, y hasta 100 o más para un mando superior; el sistema asociado Where's Daddy? se diseñó expresamente para identificar el momento en que un objetivo había regresado a su domicilio familiar, de modo que el ataque pudiera programarse en consecuencia.^[9] Como contraste histórico, el general de división Peter Gersten, antiguo comandante adjunto para operaciones e inteligencia del Combined Joint Task Force-Operation Inherent Resolve, ha descrito un NCV^[10] de 30 para Osama bin Laden. Los umbrales autorizados en el flujo de trabajo de Lavender son un orden de magnitud superiores, se aplican a individuos bastante menos relevantes y se ejecutan a velocidad de la máquina.

En el caso iraní, el mismo problema se ha planteado en otros términos: la implicación de los analistas humanos se reduce notablemente. La designación de objetivos asistida por IA contrae los tiempos de planificación a un margen mucho más estrecho para la revisión humana, de modo que los mandos siguen, técnicamente, implicados en la cadena de decisión, pero el tiempo disponible para una deliberación con sentido se reduce drásticamente.^[11] Esa compresión produce una suerte de desafección cognitiva: los decisores humanos se sienten desvinculados de las consecuencias de un ataque porque el trabajo analítico lo ha realizado una máquina.^[12]

3. La atribución errónea de relaciones en una red. Los sistemas de designación de objetivos con IA identifican los nodos de una red con notable precisión: quién está en contacto con quién, con qué frecuencia, por qué canales, en proximidad a qué otros individuos. Lo que no establecen es qué representan esas conexiones. En Gaza, un oficial de inteligencia israelí lo expresó con franqueza: «Si el objetivo [de Hamás] le dio [su teléfono] a su hijo, a su hermano mayor o simplemente a un hombre cualquiera, esa persona será bombardeada en su casa con su familia. Esto sucedía a menudo».^[13] El algoritmo había identificado correctamente una arista de la red. No tenía forma alguna de determinar qué tipo de relación representaba. En una región en la que las redes comerciales, familiares, sociales y políticas se solapan densamente, esa distinción no es una matización menor. Es la cuestión entera en en sí misma.

Si la misma limitación estructural está produciendo el mismo tipo de atribuciones erróneas en las campañas de Irán es algo que las fuentes abiertas no permiten todavía establecer. Lo que sí está establecido es que los sistemas utilizados operan bajo la misma lógica de inferencia basada en patrones a partir de datos a gran escala, y que el ritmo operativo al que se hacen funcionar deja todavía menos tiempo para el tipo de revisión contextual que podría detectar una atribución errónea.^[14]

Imagen de satélite (Google Earth vía CID)

Por qué el analista sigue siendo imprescindible

Estos fallos no son problemas de ingeniería a la espera de un parche de software en la próxima generación de modelos. Son consecuencia de lo que los sistemas de IA, hoy por hoy, fundamentalmente son. Identifican patrones dentro de los datos sobre los que han sido entrenados. No poseen conocimiento regional, no comprenden el contexto organizativo y no razonan sobre las consecuencias políticas de una acción recomendada. Esas no son cuestiones secundarias que puedan atenderse una vez que el algoritmo ha hecho su trabajo. Son aquello para lo que sirve el análisis.

Como observó Chatham House en su evaluación de la campaña de Irán, la velocidad de la toma de decisiones impulsada por IA deja progresivamente menos tiempo para la reflexión humana que exige el trabajo de inteligencia.^[15] Pero la cuestión no es, sencillamente, que los analistas estén revisando los resultados de la IA con demasiada rapidez. Es que la posición del analista en el flujo de trabajo se ha desplazado: de ser alguien que construye un juicio a ser alguien que ratifica o discute una conclusión ya formada. Son tareas cognitivas distintas, y la segunda es bastante más difícil de ejecutar correctamente, sobre todo bajo presión de tiempo.

La respuesta apropiada no es retirar la IA del proceso. Es situar a los analistas regionales antes del algoritmo, no después: no como un último filtro sobre una recomendación ya formada, sino como las personas que formulan las preguntas que se le piden al sistema, que definen qué cuenta como un patrón significativo en este entorno concreto y que ostentan la autoridad para redirigir o rechazar resultados que entren en conflicto con su valoración de lo que la imagen realmente muestra.

Conclusión

La inteligencia obtenida a partir de imágenes satélite gana su valor no en los datos que recoge, sino en el juicio que se aplica sobre ellos. Los acontecimientos de 2025 y 2026 no han contradicho esa observación: han ilustrado lo que ocurre cuando el juicio se delega en un sistema que produce resultados a una velocidad que cierra el paso al tiempo necesario para cuestionarlos. Una escuela en Minab no es, en sí misma, un argumento contra la designación de objetivos asistida por IA. Es un argumento contra un flujo de trabajo en el que la base de datos decía «militar» y nadie estaba en posición de preguntar, en el tiempo disponible, si la base de datos tenía razón.

La tecnología seguirá mejorando. Las velocidades de procesamiento aumentarán, el reconocimiento de objetos será más preciso y las puntuaciones de confianza estarán mejor calibradas. Nada de eso resuelve el problema de fondo, que no es técnico, sino epistémico: estos sistemas evalúan lo que pueden medir, y los factores que determinan si un ataque es jurídicamente sólido, estratégicamente proporcionado y contextualmente apropiado no son, en la mayoría de los casos, medibles desde un satélite. Esa brecha no se cerrará con un algoritmo mejor. Se cerrará, en la medida en que pueda cerrarse, con analistas que comprendan el entorno en el que trabajan y que estén situados dentro del proceso de modo que esa comprensión cuente. (Araceli Jiménez Segura, directora de Inteligencia, Seguridad y Defensa para Evenflow)

Notas

[1] Nilza Amaral, «The Iran war highlights the creeping use of AI in warfare», Chatham House, 27 de marzo de 2026, disponible en: https://www.chathamhouse.org/2026/03/iran-war-highlights-creeping-use-ai-warfare

[2] Bappa Sinha, «Kill chain: Silicon Valley, AI, and the war on Iran», Peoples Dispatch, 27 de marzo de 2026, disponible en: https://peoplesdispatch.org/2026/03/27/kill-chain-silicon-valley-ai-and-the-war-on-iran/, citando información de The New York Times sobre la investigación preliminar.

[3] Amaral, «The Iran war highlights the creeping use of AI in warfare».

[4] Sinha, «Kill chain»; véase también Craig Jones y Helen M. Kinsella, «Iran war shows how AI speeds up military kill chains», The Conversation, 17 de marzo de 2026, disponible en: https://theconversation.com/iran-war-shows-how-ai-speeds-up-military-kill-chains-278492

[5] Citado en Amaral, «The Iran war highlights the creeping use of AI in warfare».

[6] M.L. Cummings, «Automation Bias in Intelligent Time Critical Decision Support Systems», AIAA 1st Intelligent Systems Technical Conference (2004); Office of the Director of National Intelligence, Artificial Intelligence Ethics Framework for the Intelligence Community, disponible en: https://www.dni.gov/files/ODNI/documents/AI_Ethics_Framework_for_the_Intelligence_Community_10.pdf

[7] Yuval Abraham, «Lavender: The AI machine directing Israel's bombing spree in Gaza», +972 Magazine y Local Call, 3 de abril de 2024, disponible en: https://www.972mag.com/lavender-ai-israeli-army-gaza/

[8] Abraham, «Lavender»; véase también Harry Davies, Bethan McKernan y Dan Sabbagh, «The Gospel: how Israel uses AI to select bombing targets in Gaza», The Guardian, 1 de diciembre de 2023, disponible en: https://www.theguardian.com/world/2023/dec/01/the-gospel-how-israel-uses-ai-to-select-bombing-targets

[9] Richards J. Heuer Jr., Psychology of Intelligence Analysis (Washington, DC: CIA Center for the Study of Intelligence, 1999), disponible en: https://www.cia.gov/resources/csi/books-monographs/psychology-of-intelligence-analysis-2/; RAND Corporation, Assessing the Tradecraft of Intelligence Analysis, TR-293 (Santa Mónica, CA: RAND Corporation, 2003), disponible en: https://www.rand.org/pubs/technical_reports/TR293.html

[10] Abraham, «Lavender».

[11] Gral. de Div. Peter Gersten, antiguo comandante adjunto para operaciones e inteligencia del Combined Joint Task Force-Operation Inherent Resolve, citado en Michael N. Schmitt y Geoffrey S. Corn, «Assessing Israel's Approach to Proportionality in the Conduct of Hostilities in Gaza», Lawfare, 16 de noviembre de 2023, disponible en: https://www.lawfaremedia.org/article/assessing-israel-s-approach-to-proportionality-in-the-conduct-of-hostilities-in-gaza. La cifra se cita también en Abraham, «Lavender». Para un contexto más amplio sobre la variación en la práctica del NCV en distintos teatros, véase Nick McDonell, The Bodies in Person: An Account of Civilian Casualties in American Wars (Nueva York: Blue Rider Press, 2018).

[12] David Leslie, citado en Jones y Kinsella, «Iran war shows how AI speeds up military kill chains».

[13] Jones y Kinsella, «Iran war»; véase también la entrevista a Craig Jones, «Speeding up the kill chain: Pentagon bombs thousands of targets in Iran using Palantir AI», Democracy Now!, 18 de marzo de 2026, disponible en: https://www.democracynow.org/2026/3/18/ai_warfare

[14] Fuente «B.», citada en Abraham, «Lavender».

[15] Sobre el ritmo operativo de la campaña de febrero de 2026 y el papel del Maven Smart System, véase Sinha, «Kill chain», y Jones y Kinsella, «Iran war». El comentario de The Daily Star (Bangladés) del 29 de junio de 2025 («How AI shaped the Iran-Israel 12-day war», disponible en: https://online.thedailystar.net/opinion/views/news/how-ai-shaped-the-iran-israel-12-day-war-3927726) señala que, aunque la propia base de datos de Lavender no se desplegó directamente en la campaña de junio de 2025, las fuerzas israelíes se apoyaron en sistemas impulsados por IA que operaban según principios metodológicos similares.

[16] Amaral, «The Iran war highlights the creeping use of AI in warfare».