En el debate actual sobre la inteligencia artificial generativa y la guerra de la información, una afirmación se repite casi como un artículo de fe: que los grandes modelos de lenguaje generarán una inundación de desinformación capaz de ahogar la esfera pública. El argumento es intuitivo —si una máquina puede escribir una cantidad arbitraria de texto fluido y similar al humano a demanda, entonces cualquier actor que desee manipular la opinión pública dispone ya de un arma a escala industrial—. Sin embargo, la afirmación ha circulado mucho más ampliamente que la evidencia que la sustenta. Buena parte de lo que leemos sobre el potencial desinformador de los LLMs es teórico, especulativo o anecdótico. El trabajo experimental propiamente dicho; la comprobación paciente y sistemática de lo que estos modelos hacen realmente, cuando se les pide que mientan, ha sido sorprendentemente escasa.
Esta es precisamente la brecha que Ivan Vykopal y sus colegas del Kempelen Institute of Intelligent Technologies de Bratislava se propusieron cubrir. Su artículo, Disinformation Capabilities of Large Language Models, presentado en el Congreso Anual de la Association for Computational Linguistics de 2024, ofrece una de las evaluaciones empíricas más rigurosas realizadas hasta la fecha sobre lo que la generación actual de LLMs puede y no puede hacer, como generadora de noticias falsas: no un manifiesto, no un pronóstico, sino un experimento controlado con una metodología claramente definida y resultados reproducibles.
El diseño es directo y, por esa razón, convincente. Los investigadores seleccionaron veinte narrativas de desinformación reales extraídas de verificadores de datos profesionales —Snopes, Agence France-Presse, el European Digital Media Observatory—, que abarcaban la COVID-19, la guerra ruso-ucraniana, los bulos sanitarios, las elecciones estadounidenses y narrativas regionales. No son invenciones, sino falsedades en circulación, desde la afirmación de que las vacunas causan autismo hasta la de que la masacre de Bucha fue escenificada. El equipo solicitó entonces a diez modelos de lenguaje distintos —entre ellos GPT-3, GPT-4, ChatGPT, Llama-2, Mistral, Falcon y Vicuna— que redactaran artículos de prensa en apoyo de cada narrativa, generando 1.200 textos y sometiendo 840 de ellos a anotadores humanos según un marco de seis preguntas que medía la coherencia, el estilo periodístico, la concordancia con la narrativa y la generación de argumentos novedosos de apoyo.
El hallazgo central es preocupante. Los modelos están, en términos generales, perfectamente dispuestos y son perfectamente capaces de generar desinformación convincente. Producen artículos coherentes, bien estructurados y con apariencia de noticia que concuerdan con falsedades peligrosas y, lo que es más inquietante, a menudo inventan nuevas pruebas de apoyo para hacerlo, inventando nombres, sucesos y estadísticas verosímiles que confieren credibilidad a las fabricaciones. Esto resulta especialmente pernicioso: una cosa es repetir una mentira conocida y otra muy distinta fabricar hechos nuevos e inventados que un lector tendría que desmentir por su cuenta.
Pero la parte más interesante del estudio es donde se complica la narrativa simple. Los modelos no se comportaron de manera uniforme; su disposición a generar desinformación variaba drásticamente. Algunos —en particular Vicuña y el más antiguo GPT-3 Davinci— resultaron carecer prácticamente de filtros de seguridad operativos para este caso de uso, mientras que otros demostraron que un comportamiento más seguro es posible: Falcon rechazó aproximadamente un tercio de las solicitudes y Llama-2 mostró una tasa de rechazo comparativamente alta, con ChatGPT en una posición intermedia. El peligro, en otras palabras, no es una propiedad inherente y uniforme de la tecnología; es una función de cómo se entrenó y alineó cada modelo, lo que significa que la seguridad es una decisión de diseño, no una imposibilidad. El estudio también halló que los modelos son orientables mediante el contexto del prompt, y más complacientes con las falsedades regionales, donde existe menos información auténtica para contradecirlas. Los LLMs pueden ser, por tanto, especialmente peligrosos para campañas dirigidas a comunidades lingüísticas más pequeñas o a sucesos de evolución rápida, donde el lastre protector de la verdad bien documentada es escaso.
Con todo, el artículo no termina en una nota alarmante sin paliativos. Dos observaciones en sentido contrario matizan el panorama. Los textos generados resultaron bastante detectables: los mejores modelos de detección automática identificaron los artículos generados por LLMs con una alta precisión, lo que sugiere que una capa significativa de defensa es técnicamente viable, al menos hasta que los adversarios se adapten. Y, de manera bastante elegante, los investigadores demostraron que los propios modelos pueden formar parte de la solución, empleando GPT-4 para automatizar parcialmente la evaluación de los textos generados y apuntando hacia una monitorización escalable y reproducible de la seguridad de los modelos.
La conclusión honesta se resiste a la atracción tanto del tecno-optimismo como del tecno-pánico. La capacidad de generar desinformación convincente y peligrosa a escala es real, está demostrada y está presente en modelos ampliamente disponibles —incluidos los de código abierto, que no pueden retirarse ni controlarse de forma centralizada. Eso ya no es especulación; es un hecho experimental. Al mismo tiempo, la amenaza no es ni uniforme ni inmanejable: los filtros de seguridad funcionan cuando se construyen, el contenido generado sigue siendo detectable por ahora, y la misma tecnología que produce el problema puede ponerse al servicio de su mitigación.
Quizá la advertencia más importante sea la que los propios autores subrayan: su estudio es una instantánea, que capta el estado del campo en un momento concreto y con un conjunto concreto de modelos. La tecnología avanza deprisa y la próxima generación podría comportarse de otro modo. Este es el reto epistemológico recurrente de todo el ámbito: estamos evaluando un blanco móvil, y cualquier evaluación honesta debe llevar fecha de caducidad. Lo que Vykopal y sus colegas nos han dado no es la última palabra, sino algo más útil: un método riguroso y replicable para volver a formular la pregunta a medida que la tecnología evoluciona. En un debate que con demasiada frecuencia se conduce por la mera afirmación sin base sólida, esa contribución metodológica puede resultar tan valiosa como los propios hallazgos.
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.
On February 4th, 2026 I had the privilege of taking part as panelist in the roundtable AI for Defense in Cyber-defense and Counter-Disinformation during the summit Responsible Artificial Intelligence in the Military Domain (REAIM), held in La Coruña, Spain.
As Col. Ángel Gómez de Ágreda, the roundtable leader and organizer, properly highlighted in his initial intervention: “AI has permeated to mostly every field of military activity. Most prominent among them is its use in autonomy related to lethal weapons systems. However appealing to the public opinion, lethality is not relevant when it comes to use of AI, but a intrinsic characteristic of war itself. Instead, it is autonomy, human agency and the decision making process which is really of the essence.
Availability, confidentiality and integrity of data are more important than ever in the high-tempo data saturated strategic and operational environments of today´s conflicts. Commanders and soldiers alike rely on sensors, communications, human-machine interfaces and displays for their understanding of the battlefield and beyond. Thus, Cybersecurity becomes sort of a commodity with intel being the final product. Poisoned or biased data will not only lead to wrong decisions, but to a breakdown in the coherence of the whole scenario.
Disinformation is not only used on the battlefield. It may trigger war itself, incentivize or deter violence, and help build a narrative around it. In a world in which we deal with a hybrid reality, control over data and the ability to generate, disseminate or identify synthetic false perceptions is the first and most important weapon.“
During the roundtable we tackled topics such as:
Understanding the relevance of cybersecurity in regards to data protection for its use in AI systems.
Exploring the state-of-the-art in both offensive and defensive cybersecurity techniques.
Crypto: quantum and pos-quantum, as key to data integrity and confidentiality.
Digging into the use of disinformation in the escalation process leading to war or its deterrence.
Strategic and operational uses of disinformation: the role of GenAI and DeepFakes
Tactical uses of disinformation.
Analyzing how use of AI in deception operations is different from traditional techniques.
A huge honor to have shared the floor with and learned from Col. Sánchez Tapia and Col. Gómez de Ágreda.
As mentioned in our post “China: Techno-socialism Seasoned with Artificial Intelligence“, in its aim of gaining a global leadership role, China launched the Belt and Road Initiative in 2013: a global infrastructure development strategy to invest in more than 150 countries and international organizations. The BRI was composed of six urban development land corridors linked by road, rail, energy, and digital infrastructure and the Maritime Silk Road, linked by the development of ports.
In 2015, the Chinese government published the “Vision and Actions on Jointly Building Silk Road Economic Belt and 21st Century Maritime Silk Road”, introducing the concept of “Information Silk Road” as a component of BRI -later to be rebranded as “digital’ to encompass its broader aspirations. In 2017, during the BRI Forum in Beijing, Xi Jinping stated the use of AI and big data would be incorporated in the future of BRI as well, further illustrating its broad and ever-evolving nature. The DSR is an important component of China’s Belt and Road Initiative (BRI); it covers a wide array of areas, ranging from telecommunications networks, to ‘Smart City’ projects, to e-commerce, to Chinese satellite navigation systems, and of course AI.
The DSR aims at the global expansion of Chinese technologies to markets in which western players have previously dominated, or in developing countries that are only now undergoing a technological revolution. The implementation of China’s DSR has mainly covered the developing countries of Africa, Asia, Latin America, the Middle East, and Eastern Europe. China presents the DSR as a tool for development, innovation, and technological evolution. However, in its ambitions and impact, the DSR is also a question of geopolitics, as it facilitates China’s attempt to establish itself as a major global power across a growing number of technical and research fields, and regions.
With the growing prominence of the DSR, some Western countries have voiced their concerns about the potential risks related to Chinese technology and involvement in sensitive sectors. Both the US and EU have taken steps to counter the rising influence of the DSR. As a tool to contest the Chinese initiative, the US launched the ‘Clean Network’ initiative. Said that, the EU does not have a unified stance on cooperation with China on the DSR. Among 27 members, there are ‘champions’ of the pushback against China, especially among Central and Eastern European countries like Czechia, Slovakia, Slovenia, and Romania, that have aligned with the US’ initiative. Others, like France, have not introduced outright bans but have de facto decided to exclude “untrusted vendors”, and to focus on the European companies and equipment due to security concerns. Germany, on the contrary, is still considering the inclusion of the Chinese companies in the construction of its 5G infrastructure, for instance.
Western Balkans is a region that has been often seen as a springboard by China regarding its presence in Europe. Chinese efforts to include Serbia in the DSR have been more than welcomed and hence Serbia has become a main stop for the Chinese initiative in the region.
Serbia has developed extensive and strategic relations with China over the past decade. The partnership has also included cooperation within the framework of the DSR. Serbia and China signed the Strategic Agreement on Economic, Technological, and Infrastructural cooperation in 2009. That agreement was a starting point for the development of the contemporary relations between two countries and a cornerstone for future joint projects. During the visit of Chinese leader Xi Jinping to Belgrade in 2016, the two countries established a Comprehensive Strategic Partnership.
DSR has reached Serbia and made it the focal point in the Western Balkans. However, cooperation could come with a price. If Serbia relies too much on China in its technological development and does not differentiate partner companies and suppliers, it may become too dependent on its Chinese partners. The absence of diversification can jeopardize the sustainability of the system and the possibility of further improvements of the system in the future. The need of not being dependent on foreign technology is a lesson perfectly learned and practiced by the Chinese authorities concerning AI.
Chinese Non-dependency Policy Regarding GenAI / LLMs
For China and Chinese companies, developing indigenous LLMs is a matter of independence from foreign technologies and also a matter of national pride. Since August 2023, when China’s rules on generative AI came into effect, 46 different LLMs developed by 44 different companies were approved by the authorities. The legislation requires companies to ensure that the models’ responses align with the communist values and also undergo a security self-assessment, which has, however, not been defined until recently. Besides the afore-mentioned approved models, it is estimated that there are more than 200 different LLMs currently functioning in China.
The first wave of models approved in August 2023 was predominantly general LLM models developed by the biggest players in China’s technological market – Baidu, Tencent, Alibaba, Huawei, iFlytek, SenseTime, and ByteDance. Besides these companies, Chinese research institutions, namely the Chinese Academy of Sciences and Shanghai Artificial Intelligence Laboratory, received approvals for their models. In the following batches, models with specific applications started to appear: models designed for recruitment purposes -ranging from CV formatting to providing recommendations; models designed to help companies with cyber security assessments and risk prevention; models designed for readers to interact with their favorite literary characters; models aimed at video content generation based on an article or an idea description; and models providing recommendations to customers and serve as AI assistants.
In March 2024, China’s National Information Security Standardization Technical Committee (TC260) published its basic security requirements for generative AI, which qualifies as a technical document providing detailed guidance for authorities and providers of AI services. This text sets measures regarding the security of training data. Providers must randomly choose 4,000 data points from each training corpus and the number of ‘illegal’ or ‘harmful’ information should not exceed five percent. Otherwise, the corpus may not be used for training. Developers are also required to maintain information about the sources of the training data and the collection processes, and acquire agreement or other authorization to use data for training when using open-source data. This document also provides detailed guidance regarding the evaluation of the model’s responses. Providers are required to create a 2,000-question bank designed to control the model’s outputs in the case of areas defined as “security risks.” -everything which might mean a violation or threat to the communist values.
Importantly and as final note concerning the willingness of being independent from foreign technical developments, the newest AI rules stipulate that Chinese companies are not allowed to use unregistered third-party foundation models to provide public services. This means that access to LLMs developed outside China becomes even more limited and some of the Chinese AI companies who have built their applications based on ChatGPT or LlaMa, for instance, will need to find other solutions.
More than ever the geopolitical battlefield is played mainly on the technological / AI realm.
“Yes, but artificial intelligence must become common currency”.
A few days ago I had the good fortune to attend a meeting between technology investors, entrepreneurs, businessmen and professors in the field, the latter three, of AI. It was interesting, on the one hand, to mix in the same virtual space money, willingness to create something, success in having done so, and knowledge… and, on the other hand, to observe the same vital dilemma regarding this technology is shared in the background: democratization or industrialization of artificial intelligence.
Information and communication technologies -and more specifically AI- are GPTs, general purpose technologies, a term coined by MIT professors Erik Brynjolfsson and Andrew McAfee in their book The Second Machine Age; namely, technologies that “disrupt and accelerate the normal march of economic progress”. The steam engine and electricity were also GPTs. They were disruptive technologies that have extended their reach into many corners of the economy and radically altered the way we live and work.
Nonetheless, if we look at the current state of AI, it has yet to take off. Why? One of the reasons is perhaps because it is stuck at a crossroads.
On the one hand, we have tech giants like Amazon, Google, Facebook, Alibaba, Tencent… they are not only competing with each other to see which is the first to discover the next disruptive breakthrough within AI. At the same time, they compete against fast AI startups that want to use machine learning, deep learning, ontologies or even hybrid approaches -mathematics, statistics, rule-based programming and logic…-, to revolutionize certain specific industries. It is a competition between two approaches to extend AI in the field of economics: the industrialization of the powerful giants versus the democratization of the agile startups. How that race plays out will determine the nature of the AI business landscape: monopoly, oligopoly, or free and spontaneous competition amongst thousands of companies. The industrialization approach wants to turn AI into a commodity, with a price tending towards zero. Its goal is to transform the power of AI, and its various subfields, into a standardized freemium service; namely, any company can acquire it, with its use perhaps being free of charge for academic or personal environments. Access to this freemium AI environment would be through cloud platforms. The powerful giants behind these platforms (Google, Alibaba, Amazon…) act as service companies, managing the network and charging a fee. Connecting to that network would allow traditional companies, with a large data set, to leverage the optimization power of AI without having to redo their entire business. The most obvious example of this approach: Google’s TensorFlow. This is an open-source software ecosystem for building deep learning models; however, it still requires specialized programming skills to make it work. The goal of the network approach is to both lower that specialization threshold and increase the functionality of AI platforms in the cloud. Making full use of an AI model is not easy as of today but AI giants hope to simplify this technology and then reap the rewards, in addition to operating the network.
On the other hand, AI start-ups and middle-sized enterprises (MsEs) are taking the opposite approach. Instead of waiting for this network to take shape, they are creating AI niche products for each use case. Such startups and MsEs are aiming at specialization, rather than breadth. Instead of providing, for example, natural language processing models for general purposes, they build new products, solutions, niche platforms for algorithms to perform specific tasks such as fraud tracking, insurance policy comparison, customer profiling for upselling and cross-selling, terrorist threat detection on social networks, pharma knowledge graph generation… The starting postulates of these startups and MsEs are twofold: on the one hand, traditional businesses are still very far, operationally, from being able to use a multipurpose AI network; on the other hand, AI should start to be an intrinsic element in the business operation of these traditional companies. It is because of the latter that, almost always, companies following this approach end up building a strategic relationship with the AI startup or MsE, which has introduced them to this world.
Who will win in this race? Difficult to make a prediction. What is clear is that, if the industrialization approach triumphs, the astronomical economic benefits of this technology will be concentrated in a handful of companies (probably American and Chinese ones); if the democratization approach succeeds, these huge benefits will be spread among thousands of vibrant young agile companies.
