Posted: May 6th, 2026 | Author:Domingo | Filed under:Geopolitics | Tags:Desinformación, Geopolítica, ia, inteligencia artificial, LLMs | Comments Off on “Un mundo falaz” e “Inteligencia artificial y defensa” de Ángel Gómez de Ágreda. Dos obras indispensables sobre geopolítica, desinformación e inteligencia artificial.
Ángel Gómez de Ágreda es una de las referencias intelectuales más sólidas en España y Europa para comprender la intersección entre geopolítica, desinformación e inteligencia artificial generativa. Coronel del Ejército del Aire y del Espacio en la reserva, doctor ingeniero, analista estratégico y divulgador, su trabajo destaca por conectar la reflexión filosófica sobre la verdad y el conocimiento con las transformaciones tecnológicas y militares del siglo XXI.
En 2025, junto Enrique Martín Romero, escribió Inteligencia artificial y defensa. El impacto en los ejércitos. Y este año 2026 acaba de publicar Un mundo falaz. El nuevo orden global en la era de los algoritmos y la manipulación. La idea central alrededor de la cual giran ambas obras es la siguiente: el poder global ya no se mide únicamente por la capacidad económica o militar de los Estados, sino por su habilidad para moldear la percepción de la realidad de millones de personas.
La tesis de Gómez de Ágreda parte de una constatación esencial: la tecnología no crea nuestras debilidades, simplemente amplifica las que ya existen. La política, las plataformas digitales y ahora la IA generativa explotan la inclinación humana a aceptar relatos que encajen emocionalmente con nuestras creencias previas. El filósofo alemán Markus Gabriel define esta situación como posrealidad: un estadio en el que ya no se manipula únicamente a otros, sino que las sociedades participan activamente en su propio autoengaño colectivo. El fenómeno va más allá de la clásica posverdad; supone la sustitución progresiva de los hechos por narrativas diseñadas para ser compartidas, viralizadas y emocionalmente eficaces.
Las redes sociales primero y la IA generativa después han acelerado este proceso hasta niveles inéditos. Gómez de Ágreda sostiene que hemos delegado no sólo tareas cognitivas en las máquinas, sino incluso la búsqueda misma del conocimiento. Lo que antes requería contrastar fuentes y desarrollar criterio propio se resuelve ahora mediante una consulta instantánea a un modelo de lenguaje. Los grandes modelos de IA funcionan como oráculos digitales cuya autoridad se percibe como neutral e infalible, pese a que no existe, ni existirá una IA neutral, imparcial u objetiva. Los algoritmos son tan neutrales como lo sea el programador que haya detrás de ellos.
El problema es que, en un contexto de saturación cognitiva, las personas tienden a aceptar las respuestas automatizadas sin apenas cuestionarlas, y aquí es cuando se produce ese salto de la manipulación técnica a la afectiva: ese momento en el que el dominio de las máquinas deja de ejercerse sobre lo que pensamos para hacerlo sobre lo que deseamos. Las máquinas lo que nos permiten es querer querer. Nos dan motivos para querer enamorarnos, para querer amar. Más que satisfacer la necesidad de recibir afecto, lo que hacen es solventar nuestro impulso de ofrecerlo. Y esto entronca con la definición certera del filósofo José Antonio Marina del sujeto contemporáneo como “crédulo, pasivo, gregario, aislado y anti-ilustrado”. El resultado es un individuo incapaz de soportar la presión del entorno.
Esta transformación social y ontológica tiene consecuencias directas sobre la geopolítica contemporánea. Para Gómez de Ágreda, el concepto clásico de soberanía debe ampliarse hacia la idea de soberanía cognitiva: la capacidad de un país o una comunidad para conservar autonomía interpretativa frente a campañas de manipulación externas. La desinformación deja de ser un fenómeno marginal para convertirse en un recurso estratégico orientado a modelar emociones, alterar percepciones y condicionar decisiones colectivas. En este escenario, el verdadero campo de batalla ya no está sólo en las fronteras físicas, sino en el interior de las sociedades.
Las doctrinas militares contemporáneas reflejan precisamente esta evolución. El autor cita al analista ruso Dmitri Trenin para explicar cómo las estrategias actuales no buscan necesariamente ocupar territorios, sino provocar caos interno y desestabilización psicológica. La doctrina Gerasimov y el llamado control reflexivo persiguen alterar la percepción que el adversario tiene de la realidad. La guerra cognitiva, por tanto, no pretende únicamente controlar la información, sino influir directamente sobre los procesos mentales de individuos y poblaciones enteras. Como recuerda Gómez de Ágreda, mientras la guerra de la información actúa sobre el contenido, la guerra cognitiva apunta al cerebro humano.
La IA generativa multiplica exponencialmente el alcance de estas operaciones. La capacidad de producir textos, audios, imágenes y vídeos sintéticos prácticamente indistinguibles de los reales transforma radicalmente el entorno informativo. A diferencia de la propaganda tradicional, los mensajes pueden adaptarse a cada perfil psicológico, difundirse masivamente y evolucionar en tiempo real según la reacción de las audiencias. Gómez de Ágreda describe cómo la desinformación funciona mediante una cadena organizada de actores: activadores, impulsores, legitimadores, bots difusores y relanzadores. La IA generativa reduce drásticamente el coste y el tiempo necesarios para desplegar este tipo de campañas, haciendo que sean prácticamente ubicuas.
Uno de los ejemplos más inquietantes citados en Un mundo falaz es GoLaxy, un sistema ya operativo en China capaz de generar avatares artificiales extremadamente realistas para interactuar emocionalmente con usuarios reales. Estas identidades sintéticas pueden actuar simultáneamente a gran escala, sin levantar sospechas y adaptándose psicológicamente a cada interlocutor. La manipulación ya no se limita al terreno ideológico; se desplaza al plano afectivo. Las máquinas no sólo condicionan lo que pensamos, sino también lo que deseamos.
China aparece en ambos libros como el actor geopolítico que mejor ha comprendido el potencial estratégico de la IA. Pekín ha articulado una ambiciosa hoja de ruta para convertir esta tecnología en el eje de su desarrollo económico, industrial y militar. Según el documento oficial chino Opiniones del Consejo de Estado sobre la aplicación profunda de la iniciativa I+D, de agosto de 2025, se pretende conseguir una penetración del 70% de terminales inteligentes y agentes de IA en seis sectores clave en 2027: ciencia y tecnología, industria, consumo, bienestar social, gobierno y cooperación global. Para 2030 la penetración tiene que ser ya del 90% pero en toda la economía. En 2035 la IA será tan universal como la electricidad, un equivalente a lo que es Internet hoy en día. La industrias, ya en 2037, se crearán con IA como sustrato y guía. Del mismo modo que surgió un nuevo tipo de economía sobre Internet, el informe propone que la nueva industria se base en los algoritmos.
Estados Unidos, consciente de esta competición tecnológica, ha respondido acelerando sus propios programas militares de IA generativa. En 2023, OpenAI, Google, Anthropic y xAI recibieron contratos millonarios del Departamento de Defensa para desarrollar aplicaciones de inteligencia y simulación de combate. Al mismo tiempo, Washington ha impuesto restricciones a las inversiones estadounidenses en tecnologías de inteligencia artificial dirigidas a China, con el objetivo de frenar el progreso de su IA militar y preservar la ventaja tecnológica occidental. La rivalidad geopolítica del siglo XXI se juega ya en el terreno de los semiconductores, los centros de datos y los algoritmos.
Sin embargo, Gómez de Ágreda advierte de que el impacto de la IA no se limita al equilibrio entre grandes potencias. Los conflictos recientes muestran cómo esta tecnología transforma también la guerra convencional. La guerra de Ucrania y el conflicto previo de Nagorno-Karabaj han demostrado que pequeños sistemas autónomos, drones baratos y capacidades de IA accesibles, pueden generar enormes asimetrías frente a armamento mucho más costoso. El campo de batalla del futuro será híbrido: físico, digital y cognitivo al mismo tiempo.
No obstante, quizá la advertencia más profunda del autor sea de naturaleza filosófica. En un mundo saturado de información, la principal amenaza no es únicamente tecnológica, sino epistemológica. Si toda comprensión implica interpretación, como exponía el filósofo Hans-Georg Gadamer en su libro Verdad y método, entonces la lucha por controlar los marcos interpretativos se convierte en una lucha por controlar la realidad misma. De ahí que Gómez de Ágreda insista en la necesidad de recuperar el pensamiento crítico y la reflexión filosófica como herramientas de defensa democrática. La gran batalla del siglo XXI no se decidirá únicamente en los laboratorios de IA o en los arsenales militares, sino en la capacidad de las sociedades para preservar su libertad cognitiva frente a un ecosistema tecnológico diseñado para influir, emocionar y manipular.
El blanqueo de capitales se define legalmente como la transferencia de dinero obtenido ilegalmente a través de personas o cuentas legítimas, de manera que no se pueda rastrear su fuente original.
El Fondo Monetario Internacional (FMI) estima que el tamaño agregado del blanqueo de capitales en todo el mundo es de aproximadamente 3,2 billones de dólares, o el 3% del PIB mundial. Los beneficios del blanqueo de capitales se utilizan a menudo para financiar delitos, como el terrorismo, la trata de personas, el tráfico de drogas y la venta ilegal de armas. Los bancos y otro tipo de instituciones financieras implementan sistemas contra el blanqueo de capitales. No cumplir con las normas de lucha contra el blanqueo de capitales es un tipo de delito corporativo, que significa un serio riesgo para la reputación de estas instituciones financieras. A pesar de los esfuerzos actuales, varias instituciones financieras multinacionales han sido objeto de fuertes multas por parte de los reguladores de la lucha contra el blanqueo de capitales, por la ineficacia de sus prácticas en los últimos años.
La introducción de la inteligencia artificial con el propósito de luchar contra el blanqueo de capitales mejora y facilita el proceso general de toma de decisiones, al tiempo que se mantiene el cumplimiento de políticas como el Reglamento General de Protección de Datos. La IA puede reducir al mínimo el número de transacciones falsamente etiquetadas como sospechosas, lograr una calidad demostrable de cumplimiento de las expectativas reglamentarias, y mejorar la productividad de los recursos operacionales.
La colocación, la diversificación y la integración son las tres fases en los procesos de blanqueo de capitales. En la fase de colocación el producto de las actividades delictivas se convierte en instrumentos monetarios o se deposita de otro modo en una institución financiera (o ambas situaciones). La diversificación se refiere a la transferencia de fondos a otras instituciones financieras o personas mediante transferencias electrónicas, cheques, giros postales u otros métodos. En la fase final de integración, los fondos se utilizan para adquirir activos legítimos o seguir financiando empresas delictivas. En este caso, el dinero obtenido ilegalmente pasa a formar parte de la economía legítima. Los enfoques de inteligencia artificial pueden aplicarse para identificar las actividades de blanqueo de capitales en cada una de las tres fases mencionadas. Pueden utilizarse métodos comunes de aprendizaje automático como las máquinas de vectores de soporte (support vector machines, según su denominación en inglés), y los bosques aleatorios (random forests, según su denominación en inglés), a fin de clasificar las transacciones fraudulentas utilizando grandes conjuntos de datos bancarios anotados.
En la actualidad, los esquemas típicos en la lucha contra el blanqueo de capitales pueden descomponerse en cuatro capas. La primera capa es la capa de datos, en la que se produce la recogida, gestión y almacenamiento de los datos relevantes. Esto incluye tanto los datos internos de la institución financiera como los datos externos de fuentes como agencias reguladoras, autoridades y listas de vigilancia. La segunda capa, la capa de control y vigilancia, examina las transacciones y los clientes en busca de actividades sospechosas. Esta capa ha sido automatizada en su mayor parte por las instituciones financieras en un procedimiento de varias etapas que a menudo se basa en normas o análisis de riesgos. Si se encuentra una actividad sospechosa, se pasa a la capa de alerta y eventos para una inspección en más detalle. El aprovechamiento de los datos en redes sociales y la web para adquirir información para la investigación está poco desarrollado en los sistemas actuales de lucha contra el blanqueo de capitales. Un analista humano toma la decisión de bloquear o aprobar una transacción en la capa de operaciones.
Procesamiento de lenguaje natural, ingeniería ontológica, aprendizaje automático, aprendizaje profundo y análisis de sentimiento
El procesamiento de lenguaje natural (PLN) y la ingeniería ontológica, ambos campos de la inteligencia artificial, pueden ayudar a aliviar la carga de trabajo al proporcionar a los expertos humanos una valoración y una visualización de las relaciones, basadas en datos de las noticias: por ejemplo, la base de datos de noticias de los bancos y las fuentes de noticias tradicionales o de las redes sociales en relación con la posible entidad defraudadora. Un enfoque para identificar el blanqueo de capitales consiste en definir un grafo de conocimiento relativo a las entidades. El reconocimiento de entidades es un conjunto de algoritmos capaces de reconocer las entidades pertinentes; a saber, personas, cargos y empresas mencionadas en una cadena de texto de entrada. La extracción de relaciones detecta la relación entre dos entidades nombradas (e1 , e2) en una oración dada, típicamente expresada como un triplete [ e1 , r, e2 ] donde r es una relación entre e1 y e2. La resolución de entidades determina si las referencias a las entidades mencionadas en diversos registros y documentos se refieren a la misma o a diferentes entidades. Por ejemplo, una misma persona puede ser mencionada de diferentes maneras, y una organización podría tener diferentes direcciones. Los principales desafíos en el aprendizaje de grafos para la lucha contra el blanqueo de capitales son la velocidad de aprendizaje/análisis de grafos y el tamaño de los mismos. El aprendizaje rápido de grafos utiliza redes neuronales convolucionales rápidas, y aumenta drásticamente las velocidades de entrenamiento en comparación con las redes neuronales convolucionales convencionales. El análisis de relaciones, de sentimiento y muchas otras técnicas basadas en el PLN y los grafos de conocimiento se utilizan a menudo para reducir los altos índices de falsos positivos en la lucha contra el blanqueo de capitales.
Otra manera de enmarcar la IA y la minería de datos en la lucha contra el blanqueo de capitales es a través de la detección de anomalías mediante técnicas de aprendizaje automático. De conformidad con este método, en primer lugar se define lo que sería una transacción normal o típica y luego se detecta cualquier transacción que sea lo suficientemente diferente como para ser considerada como anómala. Se define un grupo de elementos comunes, a fin de captar los hábitos de gasto típicos de un cliente. La agrupación es un método estándar para definir los grupos de elementos comunes; a continuación, se calcula una distancia entre las transacciones entrantes y los grupos de elementos comunes con el ánimo de detectar comportamientos anómalos, por ejemplo, mediante el algoritmo de agrupación k-medias (k-means, según su denominación en inglés).
El salto adelante significativo se ha producido al utilizar, en contraste con los enfoques convencionales de aprendizaje automático, métodos de aprendizaje profundo para aprender representaciones de características a partir de datos en bruto. En las técnicas de aprendizaje profundo, se aprenden múltiples capas de representación a partir de una capa de entrada de datos en bruto, utilizando manipulaciones no lineales en cada nivel de aprendizaje de la representación. El PLN y el aprendizaje profundo ya se utilizan en muchos niveles de cumplimiento normativo de la lucha contra el blanqueo de capitales.
La implementación de análisis de sentimiento puede ser útil también para la lucha contra el blanqueo de capitales. Entendido dicho análisis como una tarea de clasificación masiva, mediante PLN, de documentos de manera automática en función de la connotación positiva o negativa del lenguaje del documento, su función principal es acortar el período de investigación por parte de un responsable de cumplimiento normativo. Puede aplicarse en diferentes niveles, incluidas las etapas de gestión de atrasos, incorporación de clientes y supervisión del perfil de los mismos. El objetivo de un sistema de análisis de sentimiento en este contexto es vigilar las tendencias de sentimiento asociadas con un cliente, para identificar patrones importantes. Cuando los investigadores de la lucha contra el blanqueo de capitales identifican una empresa que ha participado potencialmente en una transacción sospechosa, generalmente consultan Internet para obtener pruebas. El análisis de los niveles de sentimiento de las noticias relativas a una organización específica puede revelar una gran cantidad de pruebas. El análisis de sentimiento basado en el PLN puede examinar miles de artículos en segundos, mejorando significativamente el proceso de investigación en términos de eficiencia y precisión. El análisis de sentimiento también puede emplearse en el proceso de monitoreo del perfil del cliente y de la incorporación del mismo, con el ánimo de investigar e identificar puntos débiles específicos de un cliente y sus vinculaciones con artículos negativos. En términos de IA, se han utilizado numerosas técnicas para el análisis de sentimiento, entre ellas las máquinas de vectores de soporte, los campos aleatorios condicionales (conditional random fields, según su denominación en inglés) y las redes neuronales profundas como las redes neuronales convolucionales y las redes neuronales recurrentes.
Métodos explicables de inteligencia artificial
La eficacia de los sistemas de IA está limitada en cierta medida por su capacidad para explicar una decisión específica que se ha tomado o predicho. La naturaleza de la explicación varía según las diferencias de los datos y los algoritmos, y hasta ahora no se ha implementado ningún marco común o estándar de explicación.
La comunicación con los analistas es de suma importancia cuando se diseña cualquier sistema de lucha contra el blanqueo de capitales, puesto que los usuarios toman la decisión final. Los métodos explicables de IA funcionan proporcionando a los usuarios información clara sobre por qué se hizo una predicción: por ejemplo, por qué el sistema cree que una transacción es sospechosa, a fin de ayudar a los usuarios a tomar una decisión y fomentar la comprensión de la tecnología por parte de los mismos. Es importante que cualquier sistema pueda explicar sus decisiones de manera sencilla para el usuario. Las políticas europeas y el Reglamento General de Protección de Datos hacen hincapié en la necesidad de que las instituciones financieras proporcionen decisiones explicables y autorizadas por el ser humano. Es fundamental que cualquier método de lucha contra el blanqueo de capitales incorpore un analista humano y garantice que éste comprenda claramente la información que se le presenta. Un sistema de “caja negra” que etiqueta una transacción como “fraudulenta” sin ningún tipo de explicación o argumentación es inaceptable.
Finalmente, en este futuro entorno de trabajo común, una decisión final tomada por el humano, que puede o no apoyar la predicción del sistema, debería ser retro-propagada al modelo de IA para mejorar su capacidad de toma de decisiones. Los sistemas de lucha contra el blanqueo de capitales no deberían ser lineales sino cíclicos, en los que los modelos de IA se comuniquen y aprendan de los analistas. Sólo a través de este esfuerzo conjunto de los seres humanos y la inteligencia artificial los procedimientos de lucha contra el blanqueo de capitales lograrán un éxito excepcional.
In 2020, the AI Forum Live was born. This comprehensive digital event is bringing together AI leaders and experts to learn more about cutting-edge artificial intelligence strategies and solutions. Organised by Associazione Italiana per l’Intelligenza Artificiale (AIxIA), which promotes the study and research of AI, this live forum is reuniting the world of research with that of businesses in hopes of building promising new collaborations.
Expert.ai Managing Director – SwitzerlandDomingo Senise de Gracia, will partake in a workshop on November 3rd at 12.30 pm CET to discuss expert.ai’s international expansion and new venture in Switzerland. The presentation will share the main challenges and opportunities expert.ai considered when choosing Switzerland as a strategic environment to leverage and deploy its AI approach.
