Entre la herramienta y el juicio

¿Sirve la inteligencia artificial generativa para el trabajo de inteligencia? No todos los profesionales responderían de la misma manera. Algunos encuentran en estas herramientas nuevas capacidades para buscar, ordenar, relacionar, comparar o comunicar información, mientras que otros las observan con desconfianza por sus errores, por la dificultad para comprender cómo producen determinadas respuestas o, especialmente, por los riesgos que supone trabajar con información que no debería compartirse fuera de entornos autorizados. Ambas preocupaciones pueden ser razonables, y los marcos desarrollados específicamente para incorporar inteligencia artificial a actividades de inteligencia reconocen simultáneamente oportunidades y riesgos, proponiendo valorar finalidad, contexto, intervención humana y responsabilidad antes de decidir su empleo (Dstl, 2023; ODNI, 2020).

El problema aparece cuando una observación válida para una situación concreta se convierte en una conclusión general sobre lo que la inteligencia artificial puede o no puede aportar. Su capacidad para procesar grandes volúmenes de información, responder preguntas, redactar textos o generar hipótesis no permite asumir que pueda reemplazar buena parte del trabajo profesional, del mismo modo que sus errores o las restricciones para tratar determinada información tampoco bastan para descartarla en términos generales. Una aproximación más útil podría comenzar por comprender qué trabajo queremos realizar y recién después preguntarnos dónde una capacidad artificial resultaría pertinente (Dstl, 2023).

En lugar de discutir si la inteligencia artificial “sirve” para inteligencia en términos generales, conviene precisar la tarea que necesitamos realizar, qué parte podría beneficiarse con una capacidad generativa, qué información necesita conocer el sistema, qué ocurriría si su respuesta fuera incorrecta y quién conservará la posibilidad de aceptarla, modificarla o rechazarla. Este modo de plantear el problema resulta compatible con los marcos que recomiendan vincular la utilización de IA con una finalidad definida, ajustar los controles al riesgo y conservar responsabilidad humana sobre su empleo y sus resultados (ODNI, 2020).

Además, no todas las tareas de inteligencia son iguales. Quien participa en la Dirección de un requerimiento enfrenta un problema diferente de quien obtiene información, la integra o finalmente comunica un juicio a un decisor. Incluso dentro de la Obtención pueden coexistir disciplinas muy diferentes y no sería prudente suponer que una misma tecnología tendrá idéntica utilidad en OSINT, HUMINT, GEOINT, SIGINT o MASINT. Tampoco toda inteligencia artificial aplicada a inteligencia es generativa, porque muchas capacidades relevantes dependen de aprendizaje automático, visión computacional, procesamiento de señales u otros desarrollos. Este trabajo se concentrará deliberadamente en IA generativa, particularmente en sistemas basados en grandes modelos de lenguaje, utilizando el ciclo como referencia funcional y comparativa sin pretender convertirlo en una taxonomía universal aplicable del mismo modo a todas las doctrinas (AFI, 2021; Ministry of Defence, 2023).

El ciclo utilizado en este artículo funciona como una referencia para ordenar el análisis, no como una versión única del proceso de inteligencia. En Argentina, la Resolución AFI 1039/2021 describió públicamente un ciclo compuesto por Dirección, Obtención, Elaboración y Difusión, concebido además como un proceso retroalimentado. Otras doctrinas distribuyen estas funciones de otro modo, agregan etapas o representan la retroalimentación de manera diferente. Esas variantes también son compatibles con la propuesta desarrollada aquí, porque las buenas prácticas para emplear IA se vinculan con la función que cumple la herramienta dentro del proceso, más que con el nombre o la cantidad de sus fases (AFI, 2021; Ministry of Defence, 2023).

Este artículo busca responder cómo podría incorporarse la inteligencia artificial generativa al ciclo de inteligencia de modo que permita aprovechar sus capacidades sin comprometer el método, la seguridad, la independencia analítica, el juicio profesional y la responsabilidad sobre el producto. La intención no será ofrecer un catálogo de herramientas ni establecer cuánto debe utilizarse IA, sino reconocer dónde podría aportar valor, dónde exigiría mayor cautela y qué convendría evitar delegar.

Una capacidad al servicio del proceso

El uso cotidiano de estos modelos favorece una secuencia bastante intuitiva. Abrimos la herramienta, formulamos una pregunta y esperamos una respuesta, aunque en inteligencia convendría comenzar por definir qué necesitamos hacer, qué operación forma parte del problema y qué valor concreto podría aportar una capacidad artificial. Las experiencias humano céntricas desarrolladas para inteligencia aconsejan precisamente comprender primero la tarea y el flujo de trabajo antes de decidir dónde incorporar tecnología (Dstl, 2023).

Un modelo puede resumir documentos, comparar argumentos, traducir, formular hipótesis e incluso redactar una estimación con apariencia profesional, aunque que sea capaz de producir esas salidas no significa que todas posean el mismo significado dentro del proceso. Extraer fechas de una serie documental y seleccionar la hipótesis más probable pueden realizarse desde la misma interfaz, pero el efecto de un error no sería equivalente. Los marcos institucionales existentes reconocen esta diferencia y proponen que el riesgo y las consecuencias del empleo determinen dónde y con qué intensidad corresponde incorporar intervención humana (ODNI, 2020).

Que un sistema pueda realizar una operación no equivale por sí solo a autoridad profesional para asumir su resultado. Una IA podría formular una hipótesis o redactar una estimación, pero aceptar que esa proposición posee suficiente fundamento para incorporarla a un producto supone evaluar fuentes, incertidumbres, supuestos, alternativas y coherencia argumental, elementos que continúan formando parte de los estándares profesionales del análisis (ODNI, 2015).

Con las fuentes ocurre algo similar. Un modelo puede ayudarnos a encontrar un documento, recorrerlo o extraer información, pero su respuesta no debería confundirse automáticamente con la evidencia que sostiene aquello que afirmamos. Cuando una información adquiere relevancia para el producto debería ser posible regresar a su procedencia, comprender su contexto y evaluar sus limitaciones. En un entorno caracterizado por respuestas cada vez más fluidas, esta distinción puede resultar especialmente importante porque la verosimilitud de una afirmación podría aparecer mucho antes de haber comprobado su origen (ODNI, 2015).

Dirección

La IA también puede resultar útil antes de empezar a buscar información. En la Dirección podríamos utilizarla para examinar cómo estamos formulando el problema, porque una necesidad mal delimitada, una premisa aceptada sin examen o una variable omitida pueden condicionar todo aquello que se obtendrá y analizará posteriormente. Reconocer supuestos y considerar explicaciones alternativas constituye desde hace tiempo una preocupación del trabajo analítico profesional (CIA, 2009; ODNI, 2015).

Por ejemplo, una necesidad podría formularse como “determinar cómo el actor X utilizará determinada situación para perjudicar nuestros intereses”. La pregunta ya supone una intención y orienta nuestra atención hacia determinado comportamiento. Una interacción con IA podría permitir explorar qué debería ser cierto para sostener esa formulación, qué otros cursos de acción serían compatibles con la situación o qué evidencia podría debilitar la hipótesis inicial. No estaríamos delegando la determinación del problema, sino utilizando la capacidad generativa para volver visibles algunos supuestos que podrían haber permanecido implícitos.

Ese uso se relaciona con técnicas estructuradas destinadas a examinar supuestos o desafiar interpretaciones dominantes. La IA no crea esas necesidades metodológicas, aunque podría facilitar la producción inicial de preguntas, objeciones o alternativas que luego deberán evaluarse profesionalmente. Al mismo tiempo, puede comenzar a estructurar el problema por nosotros si aceptamos sin examen las variables, categorías o hipótesis que propone. En esta instancia podría aprovecharse su capacidad para problematizar y ampliar perspectivas, emplearse con cautela cuando sus propuestas comiencen a definir aquello que consideraremos relevante y evitarse la delegación de la necesidad final que orientará el proceso (CIA, 2009; ODNI, 2020).

Obtención

Después de definir qué necesitamos conocer, hay que reunir la información con la que intentaremos responder. La inteligencia artificial podría ofrecer aquí algunas de sus capacidades más visibles cuando permite recorrer grandes volúmenes documentales, traducir, localizar referencias, construir cronologías o recuperar información que difícilmente podría revisarse exhaustivamente en el tiempo disponible. En OSINT, el crecimiento simultáneo de fuentes públicas, comerciales y capacidades de IA ha obligado incluso a actualizar los estándares profesionales de citación y referencia, manteniendo la procedencia como un requisito central para el producto (ODNI, 2024).

La capacidad para encontrar y resumir más información no debería llevarnos a confundir generación con obtención. Si una afirmación va a contribuir posteriormente a una estimación, debería poder regresarse a su origen y valorar qué fuente la sostiene. Tampoco varias publicaciones constituyen necesariamente varias confirmaciones, porque podrían reproducir una misma fuente inicial. La IA podría ampliar enormemente nuestra capacidad para localizar y organizar información, aunque esa expansión parece hacer todavía más importante conservar la genealogía de aquello que utilizamos (ODNI, 2024).

El filtrado introduce otro problema. Si una herramienta selecciona cincuenta documentos entre diez mil porque los considera más relevantes, la ventaja resulta clara cuando una revisión manual completa sería imposible, aunque desde ese momento el análisis depende también del criterio que determinó qué llegó a nuestra atención y qué quedó fuera. Algunas organizaciones de inteligencia ya emplean diferentes modalidades de IA para procesar grandes volúmenes de información y orientar la atención hacia elementos potencialmente significativos, lo que muestra el valor operativo de estas capacidades y también que GenAI constituye sólo una parte de un ecosistema tecnológico más amplio (NGA, 2025).

Eso no obliga a renunciar al filtrado automatizado ni a pedir al profesional que repita manualmente todo aquello que la herramienta permitió descartar. Podrían pensarse controles proporcionales mediante muestreos, búsquedas alternativas o análisis de exclusiones cuando las consecuencias de omitir información sean especialmente relevantes. Esta es una propuesta metodológica del presente trabajo y no una práctica doctrinaria establecida, aunque permitiría recordar que la IA puede comenzar a condicionar el producto mucho antes de formular una inferencia, simplemente determinando qué información llegará a ser vista.

Tampoco todas las disciplinas se beneficiarán del mismo modo con GenAI. En GEOINT, por ejemplo, visión computacional y aprendizaje automático pueden tener una centralidad mayor que un modelo lingüístico, mientras que en HUMINT la discusión profesional reciente sugiere que la expansión del contenido sintético podría incluso incrementar la importancia de la confiabilidad de fuentes humanas y de la corroboración. En SIGINT o MASINT sería todavía menos prudente atribuir un papel central a GenAI sin evidencia específica suficiente. Reconocer estos límites también forma parte de desmitificar su empleo, porque valorar una tecnología no exige demostrar que resulte igualmente útil para todas las funciones (Mulligan, 2026; NGA, 2025).

En esta fase la seguridad se vuelve especialmente concreta. Que un sistema pueda procesar una información no significa que el profesional esté autorizado a proporcionársela, pero que determinado contenido no pueda introducirse en una plataforma tampoco implica que toda IA sea incompatible con una actividad sensible. Las recomendaciones actuales exigen controlar accesos, proteger datos, instrucciones, registros y resultados, conocer el entorno en que se procesan y considerar también la intervención de proveedores externos (NCSC, 2023; NIST, 2024).

Una práctica posible sería reducir la exposición y proporcionar únicamente aquello que la tarea autorizada necesita conocer, valorando, cuando corresponda, si ciertos trabajos metodológicos pueden realizarse con información pública, ficticia, abstracta o adecuadamente sanitizada. La sanitización no debería convertirse en una forma de sortear restricciones ni asumirse como suficiente por haber eliminado nombres, porque otros elementos pueden permitir reconstruir aquello que pretendíamos proteger. También convendría recordar que el resultado generado puede conservar o concentrar la sensibilidad de la información original (NCSC, 2023).

En Obtención podría entonces aprovecharse la IA para ampliar búsquedas, manejar volumen, traducir, clasificar y recuperar información, mientras que sería razonable emplearla con mayor cautela cuando empiece a determinar qué merece ser visto o qué queda excluido y evitar que una generación sustituya a la fuente o que información protegida sea tratada en entornos no autorizados.

Elaboración

Durante la Elaboración, la IA puede intervenir en operaciones que modifican el significado atribuido a la información. Comparar antecedentes, reconocer contradicciones, relacionar acontecimientos, formular explicaciones o explorar cursos de acción son actividades en las que un modelo generativo podría resultar especialmente útil, aunque una respuesta clara y coherente no garantiza que sus relaciones, inferencias o conclusiones estén suficientemente respaldadas. La práctica profesional exige precisamente distinguir información de supuestos y juicios, valorar fuentes, expresar incertidumbres y considerar alternativas (ODNI, 2015).

A medida que pasamos de información a inferencias, de inferencias a hipótesis y luego a estimaciones y juicios, también cambia el peso que puede adquirir una salida artificial dentro del análisis. La separación no será siempre limpia, pero ayuda a reconocer que cuanto más avanza una herramienta desde la organización hacia la interpretación, mayor podría ser su influencia sobre aquello que terminaremos sosteniendo. Esta gradación constituye un criterio propuesto en este trabajo y permitiría concentrar controles donde aceptar un error demasiado pronto pueda condicionar significativamente las operaciones posteriores.

Una aplicación concreta podría estar en la generación de alternativas. La IA podría ayudar a producir explicaciones rivales, reconocer contradicciones, explicitar supuestos o construir argumentos contrarios a una hipótesis dominante. Las técnicas estructuradas ya buscan deliberadamente introducir ese tipo de fricción, por lo que el aporte de GenAI consistiría en facilitar la producción de material que luego deberá contrastarse con la evidencia y con el problema real (CIA, 2009).

No es lo mismo proponer una hipótesis que integrarla en un juicio. En un experimento de inteligencia militar realizado bajo presión temporal, participantes asistidos mediante búsqueda semántica, resumen automático y reconocimiento de entidades obtuvieron mejores resultados globales que el grupo control y produjeron determinadas estimaciones probabilísticas más próximas a las de expertos. El estudio trabajó con una muestra pequeña y un escenario acotado, además de no poder aislar completamente el aporte de cada capacidad, por lo que permite hablar de valor añadido en determinadas tareas y condiciones, no de una superioridad general del análisis asistido por IA (Nitzl et al., 2025).

En estudios sobre trabajo intelectual con IA generativa también se ha observado un desplazamiento del esfuerzo hacia la verificación, integración y supervisión de resultados, acompañado por una asociación entre mayor confianza en la herramienta y menor esfuerzo declarado de pensamiento crítico. No se trata de analistas de inteligencia y, por ello, esos resultados no deberían trasladarse directamente a nuestro campo, aunque permiten considerar que automatizar una parte del trabajo cognitivo podría aumentar la importancia de verificar aquello que el sistema produce (Lee et al., 2025).

Una redacción convincente tampoco debería darle mayor peso a una explicación. Un modelo podría relacionar correctamente varios hechos e introducir entre ellos una causalidad no demostrada, resolver contradicciones mediante nuevas premisas o transformar una posibilidad abierta en una narración más determinada de lo que permite la evidencia. También consultar varios modelos puede aportar perspectivas diferentes, pero la coincidencia entre ellos no debería considerarse por sí sola equivalente a corroboración entre fuentes independientes, ya que distintos modelos podrían apoyarse en materiales, supuestos o regularidades comunes. Esta última constituye una inferencia metodológica del presente trabajo.

En Elaboración podría, entonces, aprovecharse la IA para producir alternativas, explicitar supuestos y generar material de contraste, mientras que sería aconsejable emplearla con mayor cautela cuando comienza a valorar evidencia, atribuir causalidad o intención, jerarquizar hipótesis y formular estimaciones. Lo que convendría evitar delegar acríticamente es la aceptación de una conclusión cuyo fundamento no podamos reconstruir o cuya plausibilidad lingüística haya sustituido al examen de la evidencia.

Difusión

En Difusión, varios de los usos de IA resultan bastante directos. Transformar un informe extenso en una síntesis ejecutiva, adaptar el lenguaje, preparar una exposición oral o producir versiones diferentes de un mismo producto son tareas para las que estas herramientas parecen especialmente apropiadas, aunque la forma de comunicar no pueda separarse completamente del contenido comunicado. Claridad, incertidumbre, alternativas y fundamento continúan formando parte del significado del producto (ODNI, 2015).

Pensemos en una estimación que sostiene que determinado curso de acción es el más probable con confianza moderada, reconoce una alternativa plausible y advierte sobre lagunas informacionales capaces de modificar el juicio. Una síntesis automática podría conservar únicamente que aquel curso “es el más probable”. La frase no necesariamente sería falsa, pero ya no comunicaría exactamente el mismo conocimiento. La investigación sobre resumen mediante LLM ha mostrado problemas de consistencia factual y también dificultades para preservar adecuadamente la incertidumbre presente en el texto de origen (Feng et al., 2024; Kolagar & Zarcone, 2024).

Para este artículo proponemos la expresión fidelidad epistemológica para referirnos a la conservación de aquellos elementos que determinan qué estamos sosteniendo y con qué fundamento cuando modificamos extensión, lenguaje o formato. Una buena práctica podría consistir en identificar antes de la transformación qué elementos no deberían desaparecer y comprobar después que el resultado conserve el juicio, la incertidumbre, las alternativas o las limitaciones que resulten esenciales. No se trataría de impedir que el producto se adapte al usuario, sino de evitar que esa adaptación modifique inadvertidamente aquello que puede sostenerse (NIST, 2024; ODNI, 2015).

Adaptar un producto para que sea relevante y comprensible puede resultar plenamente profesional. La frontera aparece cuando esa adaptación comienza a modificar el juicio para facilitar su aceptación. En Difusión podría aprovecharse la IA para resumir, traducir y adaptar productos, emplearse con cautela cuando la transformación pueda alterar incertidumbres, alternativas o fundamentos y evitar delegar la decisión acerca de qué matices pueden desaparecer sin cambiar el significado analítico.

Retroalimentación y relación con el decisor

El proceso sigue después de que el producto llega a su destinatario. Las preguntas posteriores, los vacíos detectados y los cambios en la necesidad vuelven a alimentar el trabajo. En este artículo esa continuidad se aborda como retroalimentación y relación con el decisor, sin asumir que deba aparecer como una fase independiente en todas las versiones del ciclo (AFI, 2021; Ministry of Defence, 2023).

En esa continuidad, la IA podría ayudar a comparar el requerimiento inicial con el producto terminado, ordenar nuevas preguntas, identificar vacíos o mantener continuidad entre productos. También podría aprender preferencias de formato, extensión o nivel técnico del decisor y mejorar de ese modo la comunicación. El riesgo aparece cuando dejamos de aprender cómo comunicar mejor y comenzamos a aprender qué conclusión resulta mejor recibida.

La relación con el decisor siempre ha planteado una tensión entre utilidad e independencia. La literatura sobre politización ha mostrado los riesgos de distorsionar análisis para satisfacer expectativas del poder, aunque también advierte que no toda proximidad entre productor y usuario constituye politización. La inteligencia necesita suficiente interacción con el decisor para ser pertinente sin permitir que sus preferencias se conviertan en criterio de verdad analítica (Marrin, 2013; ODNI, 2015).

A ese problema se suma ahora la capacidad de los modelos generativos para adaptar sus respuestas al usuario. Estudios recientes han encontrado comportamientos de concordancia excesiva en modelos contemporáneos y han mostrado que determinadas respuestas complacientes pueden aumentar la convicción del usuario y ser percibidas como más confiables, mientras que otros experimentos han observado que los circuitos repetidos entre personas y sistemas sesgados pueden amplificar errores. Estas investigaciones no fueron realizadas en organizaciones de inteligencia y sus resultados no permiten afirmar que ese mecanismo se reproduzca del mismo modo en nuestro campo (Cheng et al., 2026; Glickman & Sharot, 2025).

Con esos antecedentes, podría considerarse una vulnerabilidad posible. Las expectativas del decisor podrían influir sobre el requerimiento, el profesional podría trasladar ese encuadre al sistema y una respuesta artificial excesivamente concordante podría reforzar la hipótesis previa, que posteriormente regresaría al decisor como producto. Proponemos denominar complacencia acoplada a esta posible configuración, no como categoría doctrinaria demostrada sino como una forma de pensar el riesgo que puede producirse cuando expectativas humanas y respuestas artificiales se refuerzan recíprocamente.

El mismo sistema también podría utilizarse para introducir contradicción. Podríamos pedirle que busque evidencia incompatible con la hipótesis dominante, formule una interpretación rival o explicite qué supuestos estamos tratando como hechos. El sistema no se convertiría por eso en garantía de independencia, pero podría aportar fricción dentro de métodos que ya procuran cuestionar explicaciones demasiado consolidadas (CIA, 2009).

Como control práctico, proponemos una breve auditoría de complacencia, no como técnica analítica estructurada sino como una revisión previa al cierre. Podríamos preguntarnos si el requerimiento contenía una conclusión implícita, si buscamos evidencia capaz de contradecirla, si la interacción con el sistema favoreció determinada respuesta y si la adaptación posterior al decisor modificó solamente la presentación o también las incertidumbres y alternativas.

Una guía breve para el profesional

Para llevar estos criterios a la práctica, quizá resulte más útil conservar unas pocas preguntas que un catálogo rígido de usos permitidos y prohibidos.

• ¿Qué tarea de inteligencia intento resolver y qué espero que aporte la IA?

• ¿Necesita realmente conocer toda la información que estoy por proporcionarle y está autorizado ese entorno para procesarla?

• ¿Puedo reconstruir de dónde proviene aquello que el sistema utiliza o afirma?

• ¿Qué ocurriría si esta salida fuera incorrecta y cuándo debería intervenir antes de continuar utilizándola?

• ¿Estoy utilizando la herramienta también para cuestionar mis hipótesis o solamente para confirmarlas?

• ¿Quién podrá finalmente explicar y asumir el juicio que llegará al destinatario?

Estas preguntas permiten recuperar las tres orientaciones que atravesaron el artículo. Cabría aprovechar aquello que aporte escala, velocidad, organización, contraste o claridad; emplear con cautela las capacidades que comiencen a seleccionar, interpretar, integrar o transformar conocimiento relevante; y evitar delegar acríticamente aquello cuya aceptación comprometa seguridad, independencia, juicio o responsabilidad. Las fronteras no serán permanentes, porque la misma operación tecnológica puede adquirir significados diferentes según la información utilizada, su función dentro del proceso y las consecuencias de un error.

Conclusión

¿Puede la inteligencia artificial generativa aportar valor a la producción de inteligencia? Después de recorrer distintas funciones del ciclo, parecería difícil responder responsablemente mediante un sí o un no absoluto. Su utilidad dependerá de la tarea, de la información que deba procesarse, del entorno, del impacto que tendría un error y de la capacidad profesional para verificar, redireccionar o rechazar aquello que el sistema produce. Los marcos institucionales existentes siguen precisamente una lógica que relaciona finalidad, riesgo, intervención humana y responsabilidad antes que aceptar o excluir la tecnología de manera general (Dstl, 2023; ODNI, 2020).

El carácter sensible de la actividad de inteligencia justifica límites estrictos sobre qué información puede procesarse y mediante qué sistemas, pero no necesariamente permite concluir que toda IA resulte incompatible con ella. Podría existir un espacio amplio para trabajar sobre información pública, estructuras metodológicas o contenidos adecuadamente tratados dentro de entornos autorizados, mientras que otros usos sencillamente deberán quedar excluidos cuando no puedan garantizarse las condiciones requeridas. La seguridad podría dejar así de funcionar únicamente como argumento de prohibición para convertirse también en parte del diseño profesional del empleo de la herramienta (NCSC, 2023; NIST, 2024).

Preservar el juicio profesional tampoco debería significar reservar al ser humano toda operación intelectual y relegar la IA a tareas mecánicas. Los modelos generativos podrían contribuir a problematizar, relacionar, formular alternativas o desafiar una explicación dominante. El desafío estaría en reconocer cuándo esas contribuciones comienzan a condicionar significativamente el conocimiento posterior y aumentar allí la exigencia de revisión, contraste y capacidad de intervención. La evidencia disponible continúa siendo limitada, aunque existen resultados que muestran valor añadido en tareas específicas bajo condiciones determinadas, lo que aconseja hablar de posibilidades y condiciones de empleo antes que asumir una superioridad general del equipo humano e IA (Nitzl et al., 2025).

Antes de abrir un modelo, quizá convenga preguntarnos qué estamos intentando hacer y qué parte de esa tarea podría beneficiarse realmente con IA. A partir de allí podremos revisar qué información necesita conocer, qué debemos verificar, qué podría estar dejando fuera de nuestra atención y quién estará finalmente en condiciones de explicar por qué determinada conclusión merece ser sostenida.

La facilidad para producir respuestas no elimina la necesidad de reconocer qué pregunta estamos intentando resolver, qué evidencia sostiene aquello que afirmamos, qué incertidumbre permanece y por qué estamos dispuestos a asumir determinado juicio.

El valor profesional de la IA generativa dependería menos de cuánto se la utilice que de la capacidad para decidir cuándo incorporarla, cómo controlarla y qué no conviene delegar.

Próximo curso de El Analista Internacional

El Analista Internacional está diseñando un curso sobre el empleo de inteligencia artificial en procesos de inteligencia e investigación. La propuesta buscará trasladar a la práctica los problemas abordados en este artículo y explorar aplicaciones en distintas funciones, junto con los criterios de seguridad, verificación, control metodológico y responsabilidad profesional que deberían acompañarlas. El desarrollo responde al crecimiento de estas herramientas y al compromiso institucional de acompañar su incorporación con formación específica y una mirada crítica, evitando tanto la adopción acrítica como el rechazo por desconocimiento. Quienes estén interesados pueden ayudar a difundir este artículo y seguir las próximas novedades de #ElAnalistaInternacional sobre contenidos, modalidad y apertura del curso.

Referencias

Agencia Federal de Inteligencia. (2021). Resolución 1039/2021. Boletín Oficial de la República Argentina.

Central Intelligence Agency. (2009). A tradecraft primer: Structured analytic techniques for improving intelligence analysis. Center for the Study of Intelligence.

Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science, 391(6792), eaec8352. https://doi.org/10.1126/science.aec8352

Defence Science and Technology Laboratory. (2023). Human-centred ways of working with AI in intelligence analysis. UK Government.

Feng, H., Fan, Y., Liu, X., Lin, T. E., Yao, Z., Wu, Y., Huang, F., Li, Y., & Ma, Q. (2024). Improving factual consistency of news summarization by contrastive preference optimization. Findings of the Association for Computational Linguistics: EMNLP 2024, 11084–11100. https://doi.org/10.18653/v1/2024.findings-emnlp.648

Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2

Kolagar, Z., & Zarcone, A. (2024). Aligning uncertainty: Leveraging LLMs to analyze uncertainty transfer in text summarization. Proceedings of the 1st Workshop on Uncertainty-Aware NLP, 41–61. https://doi.org/10.18653/v1/2024.uncertainlp-1.5

Lee, H. P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, Article 1121, 1–22. https://doi.org/10.1145/3706598.3713778

Marrin, S. (2013). Rethinking analytic politicization. Intelligence and National Security, 28(1), 32–54. https://doi.org/10.1080/02684527.2012.749064

Ministry of Defence. (2023). Joint Doctrine Publication 2-00: Intelligence, counter-intelligence and security support to joint operations (4th ed.). UK Government.

Mulligan, T. (2026). Espionage in our AI future. Studies in Intelligence, 70(1).

National Cyber Security Centre. (2023). Guidelines for secure AI system development.

National Geospatial-Intelligence Agency. (2025). GEOINT artificial intelligence.

National Institute of Standards and Technology. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). https://doi.org/10.6028/NIST.AI.600-1

Nitzl, C., Cyran, A., Krstanovic, S., & Borghoff, U. M. (2025). The use of artificial intelligence in military intelligence: An experimental investigation of added value in the analysis process. Frontiers in Human Dynamics, 7, 1540450. https://doi.org/10.3389/fhumd.2025.1540450

Office of the Director of National Intelligence. (2015). Intelligence Community Directive 203: Analytic standards (versión con enmiendas técnicas posteriores).

Office of the Director of National Intelligence. (2020). Artificial Intelligence Ethics Framework for the Intelligence Community (Version 1.0).

Office of the Director of National Intelligence. (2024). Intelligence Community Standard 206-01: Citation and reference for publicly available information, commercially available information, and open source intelligence.

Aviso Legal: El contenido del presente artículo no fue redactado por #ElAnalista, siendo el mismo exclusiva autoría y propiedad intelectual de su creador. El articulo podría no reflejar las opiniones de #ElAnalista como organismo.