The Rashomon Strait: The Generative-AI Cognitive War Between China and Taiwan

Let’s start with the figure that runs every headline: in 2025, Taiwan’s National Security Bureau detected 2.3 million pieces of disinformation coming from China —7% more than the year before— and over 45,000 fake accounts, up 61%. Video churned out on a production line. Voices cloned from recordings that Taiwanese citizens handed over without knowing it, answering fake job ads. Welcome to cognitive warfare with generative artificial intelligence! Industrial, cheap and, above all, personalized.

Because it is in that last adjective that the real novelty lies. In August 2025 the internal files of GoLaxy leaked —a Chinese company that had built something called, irony aside, a Smart Propaganda System. What does it do? It doesn’t fire the same message at millions of people: it reads social-media sentiment in real time, sorts more than a thousand Taiwanese public figures into “hardliners,” “moderates” and “swing voters,” and serves each group —each individual— the hoax that best fits their fears. Not propaganda by loudspeaker. Propaganda by sniper.

None of this came out of nowhere. Anyone who followed the story will remember the January 2024 presidential election: AI-forged audio accusing the ruling-party candidate of having once been an informant, or a counterfeit Terry Gou endorsing his rival for the KMT nomination (Hou Yu-ih) —a case laid out in the Microsoft Digital Defense Report. Or the synthetic avatars of the Weta365 app, tied to the Spamouflage network, spreading “the secret history of Tsai Ing-wen,” something documented by the Australian Strategic Policy Institute (ASPI). Two years on, that looks like the prototype. This is already the assembly line.

And what does Beijing make of all this? On 14 January 2026, two days after the Taiwanese report, the spokeswoman for the Taiwan Affairs Office, Zhu Fenglian, didn’t beat around the bush: the report “distorts the facts and smears the mainland,” and the one waging cognitive warfare —the habitual offender, she said— is in fact Taiwan’s own Democratic Progressive Party. The disinformation? The report’s. The bot armies? Taipei’s, aimed at the mainland. China’s embassy in France had already told the Institut de recherche stratégique de l’École militaire (IRSEM) the very same thing when it exposed Beijing’s influence networks: “Cold War mentality,” “defamation,” and the Chinese government “doesn’t need to hire anyone.” All spontaneous, of course.

This has a name, and a cultured one —like everyone reading this post: the Rashomon effect, after Kurosawa’s film in which a single crime is told in four incompatible versions and every one of them rings true. In the Taiwan Strait each side points to the other as the great manipulator. And the fascinating part isn’t deciding who is lying —that, precisely, is the trap— but that the very quarrel over who is spreading disinformation has become the battlefield. The noise is the weapon. Pure cognitive warfare.

That said, time to put on our analyst’s hat: after 2.3 million lies, cloned voices and algorithmic snipers, how many people actually changed their minds? The answer, awkward for alarmists and cynics alike, is: we don’t know, and the little we do know points to less than it seems. Surveys by DoubleThink Lab —Taiwanese, and hardly suspected of going soft on Beijing— find correlation, not causation: pro-China hoaxes land better among those already leaning toward the opposition, and slide off everyone else. The machine hardens the convinced and rarely converts the skeptic. Facing it, a Taiwanese civil society that fact-checks, debunks and laughs (what wonderful news: humor as firewall) with an effectiveness that would put half of Europe to shame.

Here’s the light, if these lines bring any: the capacity to produce disinformation with generative AI is real, proven, and growing at double digits a year. Its effect on what people believe and do is, for now, the great unknown. Strong upstream, weak downstream. Mistaking the first for the second —taking for granted that manufacturing lies equals winning minds— is the error that separates analysis from panic. Taiwan is today our best test bed.

That China —and plenty of others— spreads disinformation with generative AI: little doubt about it. That this suffices to bend a democracy practiced by a people with critical thinking, who know their neighbor all too well: no proof. Between those two terms —AI-made disinformation and critical thinking— much of this century’s geopolitics will be decided.

El estrecho de Rashomon: la guerra cognitiva con IA generativa entre China y Taiwán

El estrecho de Rashomon: la guerra cognitiva con IA generativa entre China y Taiwán

Empecemos por el dato que abre todos los titulares: en 2025 la Oficina de Seguridad Nacional de Taiwán detectó 2,3 millones de piezas de desinformación procedentes de China, un 7 % más que el año anterior, y más de 45.000 cuentas falsas, un 61 % más. Vídeo generado en cadena. Voces clonadas a partir de grabaciones que ciudadanos taiwaneses cedieron, sin saberlo, respondiendo a falsas ofertas de empleo. Bienvenidos a la guerra cognitiva con inteligencia artificial generativa. Pasen y vean: industrial, barata y, sobre todo, personalizada.

Porque en este último adjetivo está la novedad de verdad. En agosto de 2025 se filtraron los documentos de GoLaxy, una empresa china que había construido algo llamado, ironías aparte, Sistema de Propaganda Inteligente. ¿En qué consiste este sistema? No dispara un mismo mensaje a millones de personas: lee el sentimiento de las redes sociales en tiempo real, clasifica a más de mil figuras taiwanesas en “duros”, “moderados” e “indecisos”, y sirve a cada grupo, a cada individuo, el bulo que mejor encaja con sus miedos. No es propaganda de altavoz. Es propaganda de francotirador.

Nada de esto salió de la nada. Quien siguiera el asunto recordará las presidenciales de enero de 2024: audios falsos fabricados con IA que acusaban al candidato del partido gobernante de haber sido informante, o un Terry Gou de pega respaldando a su rival por la nominación del KMT (Hou Yu-ih), asunto expuesto en el Microsoft Digital Defense Report. O los avatares sintéticos de la app Weta365, ligada a la red Spamouflage, difundiendo “la historia secreta de Tsai Ing-wen”, algo que documentó el Australian Strategic Policy Institute (ASPI). Dos años después, aquello parece el prototipo. Esto ya es la cadena de montaje.

¿Y qué piensa Pekín de todo esto? El 14 de enero de 2026, dos días después del informe taiwanés, la portavoz de la Oficina para Asuntos de Taiwán, Zhu Fenglian, no se anduvo con medias tintas: el informe “distorsiona los hechos y difama al continente”, y el que practica la guerra cognitiva —el “reincidente”, dijo— es en realidad el propio Partido Democrático Progresista taiwanés. ¿La desinformación? La del informe. ¿Los ejércitos de bots? Los de Taipéi, apuntando a la China continental. La Embajada china en Francia ya le había soltado lo mismo al Institut de recherche stratégique de l’École militaire (IRSEM), cuando éste destapó sus redes de influencia: “mentalidad de Guerra Fría”, “difamación”, y el gobierno chino “no necesita contratar a nadie”. Todos espontáneos, oigan.

Esto tiene nombre y es culto, como todos los que leen este post: el efecto Rashomon, por la película de Kurosawa en la que un mismo crimen se cuenta en cuatro versiones incompatibles y todas suenan sinceras. En el estrecho de Taiwán cada bando señala al otro como el gran manipulador. Y lo fascinante no es decidir quién miente, ésa precisamente es la trampa, sino que la propia disputa sobre quién desinforma se ha convertido en el campo de batalla. El ruido es el arma. Pura guerra cognitiva.

No obstante, ahora toca ponernos la gorra de analista: después de 2,3 millones de mentiras, voces clonadas y francotiradores algorítmicos, ¿cuánta gente cambió de opinión? La respuesta, incómoda para alarmistas y cínicos por igual, es: no lo sabemos y lo poco que sabemos apunta a menos de lo que parece. Las encuestas del DoubleThink Lab, taiwanés y nada sospechoso de blandura con Pekín, encuentran correlación, no causalidad: los bulos pro-chinos calan más entre quienes ya simpatizaban con la oposición, y resbalan sobre los demás. La máquina refuerza al convencido y rara vez convierte al escéptico. Enfrente, una sociedad civil taiwanesa que verifica, desmiente y se ríe (¡qué gran noticia, el humor como cortafuegos!) con una eficacia que sonroja a media Europa.

Aquí está la luz, si es que aportan alguna estas líneas: la capacidad de producir desinformación con IA generativa es real, está probada y crece a dos cifras al año. Su efecto sobre lo que la gente cree y hace es, de momento, la gran incógnita. Fuerte aguas arriba, débil aguas abajo. Confundir lo primero con lo segundo, dar por hecho que fabricar mentiras equivale a ganar mentes, es el error que separa el análisis del pánico. Taiwán es hoy nuestro mejor banco de pruebas.

Que China (y otros muchos) desinforma con IA generativa, poca duda cabe de ello. Que eso baste para doblegar a una democracia practicada por un pueblo con pensamiento crítico, que conoce muy bien a su vecino: ninguna prueba. Entre esos dos términos, desinformación mediante IA generativa y pensamiento crítico, se juega buena parte de la geopolítica de este siglo.

Los modelos de IA generativa como guardianes del conocimiento: ¿qué y a quién podemos creer?

Antes, los buscadores nos señalaban las fuentes y éramos nosotros quienes las juzgábamos. Los modelos de IA generativa no señalan: responden, con una voz segura de sí misma, y cada vez más estamos tomando esa voz por el conocimiento mismo. La pregunta ya no es solo si la máquina miente. Es más profunda. ¿Qué y a quién deja que se escuche? ¿De quién considera creíble el testimonio? ¿Y a quién obvia? Un artículo reciente le pone nombre a este problema: la injusticia epistémica. Titulado Epistemic Injustice in Generative AI, y firmado por Jackie Kay, Atoosa Kasirzadeh y Shakir Mohamed (Google DeepMind, Google Research, University College London y la Universidad de Edimburgo), el artículo científico toma prestado un concepto de la filósofa Miranda Fricker: la injusticia de negarle a alguien credibilidad como fuente de conocimiento, de no tomarlo en serio por el simple hecho de quién es. Y después se pregunta dicho artículo qué ocurre cuando quien concede o niega esa credibilidad es un modelo de IA generativa consultado por millones de personas.

Los autores describen cuatro daños. El modelo hereda nuestros prejuicios sobre quién es creíble, y los amplifica a escala. Produce falsedades convincentes, y erosiona nuestra confianza en el testimonio ajeno. Entrenado en unas pocas lenguas dominantes, es incapaz de representar a todos los demás. Y sus beneficios llegan a unas comunidades, pero no a otras.

Una sola frase resume el peligro: si tratamos a estos modelos como enciclopedias, acabarán moldeando la estructura misma de nuestro conocimiento colectivo. Ya no hablamos de un chatbot que se equivoca de vez en cuando. Hablamos de la infraestructura a través de la cual las sociedades deciden qué es verdad. Y su efecto más corrosivo no es que creamos una mentira concreta, sino que perdamos la base común sobre la que cualquier afirmación puede ponerse a prueba.

La lectura estratégica es evidente, y prolonga algo que ya he defendido aquí sobre el sesgo intrínseco de estos modelos. Esto es una cuestión de poder. Unos pocos actores construyen los modelos. Esos modelos piensan sobre todo en inglés y en chino. El espacio epistémico se estrecha, y eso es un hecho geopolítico. La injusticia epistémica tiene un mapa, y se parece mucho al mapa del poder.

Es también aquí donde la batalla se traslada a la mente. Los estrategas geopolíticos la llaman guerra cognitiva: el objetivo no es tomar un territorio, sino moldear cómo piensa su población —su percepción, su razonamiento, su juicio—. La injusticia epistémica es lo que la hace posible. Cuando la herramienta que media nuestro conocimiento es sesgada, opaca y está en manos de unos pocos, la mente humana se convierte en el terreno, y cada ciudadano en un objetivo.

La respuesta no es ni el tecno-optimismo ni el tecno-pánico. Es el pensamiento crítico. Si la máquina responde con una sola voz, la carga vuelve a nosotros: preguntar en qué se sostiene una afirmación, qué punto de vista encierra, qué deja fuera. Una sociedad que delega su juicio en una interfaz segura de sí misma acabará gobernada por quien la haya construido. Dudar de la fluidez, sopesar las fuentes, consultar más de un oráculo: esto ha dejado de ser una virtud. Es una condición de libertad.

Dos conclusiones. Primera: el debate sobre la desinformación se queda corto si se detiene en el “verdadero o falso”. El cambio de fondo es que la IA arbitra ya qué cuenta como conocimiento, y lo hace de forma desigual. Segunda: el sesgo intrínseco, el dominio lingüístico y la concentración del poder de la IA no son tres problemas. Son uno solo, y decide qué realidad replican las máquinas.

GenAI Models as Knowledge Gatekeepers: What and Whom Are We Allowed to Believe?

Once, search engines pointed us to sources, and we judged them ourselves. Generative AI models do not point: they answer, in one confident voice, and we increasingly take that voice for knowledge. So the question is no longer only whether the machine lies. It is deeper. What, and whom, does it allow to be heard? Whose testimony does it treat as credible? And who does it quietly erase? A recent paper names this problem in its own title: Epistemic Injustice in Generative AI. Written by Jackie Kay, Atoosa Kasirzadeh and Shakir Mohamed (Google DeepMind, Google Research, UCL and Edinburgh), It borrows a concept from the philosopher Miranda Fricker: the injustice of denying someone credibility as a source of knowledge — of not taking them seriously simply because of who they are. It then asks what happens when the one granting or denying that credibility is a GenAI model consulted by millions.

The authors describe four harms. The model inherits our prejudices about who is credible, and scales them. It produces convincing falsehood, and erodes our trust in testimony itself. Trained on a few dominant languages, it cannot represent everyone else. And its benefits reach some communities, not others.

One line captures the danger: if we treat these models like encyclopedias, they will shape the structure of our collective knowledge. This is no longer a chatbot that errs. It is the infrastructure through which societies decide what is true. Its worst effect is not that we believe a particular lie. It is that we lose the common ground on which any claim can be tested.

The strategic reading is plain, and it extends a point I have made here before on the intrinsic bias of these models. This is a matter of power. A few actors build the models. Those models think mainly in English and Chinese. The epistemic space narrows — and that is a geopolitical fact. Epistemic injustice has a map, and it looks like the map of power.

This is also where the battle moves to the mind. Geopolitical strategists call it cognitive warfare: the aim is not to seize territory, but to shape how the population of that territory thinks — its perception, its reasoning, its judgment. Epistemic injustice is what makes that possible. When the tool that mediates our knowledge is biased, opaque, and controlled by few, the human mind becomes the terrain, and every citizen a target.

The answer is neither techno-optimism nor techno-panic. It is critical thinking. If the machine answers in one voice, the burden returns to us: ask what a claim rests on. Ask whose view it encodes. Ask what it leaves out. A society that outsources judgment to a confident interface will be ruled by whoever built it. To doubt fluency, to weigh sources, to consult more than one oracle — this is no longer a virtue. It is a condition of freedom.

Two conclusions. First, the disinformation debate is too narrow if it stops at “true or false.” The real shift is that AI now arbitrates what counts as knowledge, and does so unevenly. Second, intrinsic bias, linguistic dominance, and the concentration of AI power are not three problems. They are one — and it decides whose reality the machines replicate.

¿Cuáles son las verdaderas capacidades de los LLMs como máquinas de desinformación?

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.