LAVENDER: INTELIGENCIA ARTIFICIAL, SELECCIÓN DE OBJETIVOS Y GUERRA ALGORÍTMICA EN GAZA
Qué sabemos realmente del sistema israelí, cómo habría funcionado, qué no está demostrado y por qué constituye un caso crítico para el futuro de la inteligencia militar
Artificial Intelligence · Targeting · ISR · Military Intelligence · IHL/DIH · Human–Machine Teaming · Civilian Protection
Actualización: 5 de septiembre de 2026 | EMS Solutions International | By DrRamonReyesMD
RESUMEN EJECUTIVO
Lavender es el nombre atribuido a un sistema utilizado por la inteligencia militar israelí para procesar grandes volúmenes de información y clasificar o priorizar personas según su presunta vinculación con organizaciones armadas palestinas, especialmente Hamás y la Yihad Islámica Palestina.
La existencia y utilización de Lavender durante la guerra de Gaza fue revelada ampliamente en abril de 2024 por una investigación de +972 Magazine y Local Call, basada en entrevistas con seis miembros de inteligencia israelíes que afirmaron haber participado directamente en su utilización.
Pero es fundamental empezar eliminando una simplificación:
LAVENDER NO DEBE DESCRIBIRSE SIN MÁS COMO “UNA IA QUE DECIDE A QUIÉN MATAR”.
La caracterización técnicamente más prudente es:
un sistema algorítmico/AI-assisted de apoyo al análisis de inteligencia y a la identificación o priorización de potenciales objetivos humanos.
La decisión de atacar continuaría formalmente dentro de una cadena humana de mando y targeting.
La controversia fundamental es otra:
¿CUÁN SIGNIFICATIVA ERA REALMENTE ESA SUPERVISIÓN HUMANA?
Las fuentes de la investigación original sostuvieron que, en determinadas fases de la guerra, los resultados de Lavender recibieron un grado extraordinariamente alto de confianza y que la revisión humana podía llegar a ser extremadamente breve. Israel rechazó aspectos centrales de esa caracterización y sostuvo que sus sistemas de información son herramientas que ayudan a los analistas, no sistemas que sustituyen su juicio.
Esta diferencia es esencial.
1. ¿QUÉ ES LAVENDER?
La investigación publicada en 2024 describe Lavender como un sistema desarrollado dentro del aparato de inteligencia israelí capaz de analizar grandes cantidades de datos para identificar personas consideradas potencialmente vinculadas con Hamás o la Yihad Islámica Palestina.
No estaríamos, por tanto, ante un dron.
No es una bomba.
No es un misil.
Y no debería confundirse automáticamente con un Lethal Autonomous Weapon System — LAWS.
Conceptualmente pertenece mucho mejor al ámbito de:
AI-ENABLED DECISION SUPPORT SYSTEMS — AI DSS
o sistemas de apoyo algorítmico a decisiones militares.
El CICR define precisamente estos sistemas como herramientas computacionales que recopilan, sintetizan o analizan información y pueden presentar recomendaciones a responsables humanos. Aunque formalmente no adopten la decisión final, pueden influir considerablemente sobre quien sí la adopta.
2. LA DIFERENCIA ES FUNDAMENTAL: AI DSS ≠ ARMA AUTÓNOMA
El CICR establece una separación particularmente útil.
Un Autonomous Weapon System puede, una vez activado, seleccionar y aplicar fuerza contra objetivos sin nueva intervención humana.
Un AI Decision-Support System, en cambio, procesa información y proporciona análisis o recomendaciones para una decisión humana.
Lavender ha sido descrito públicamente fundamentalmente dentro de esta segunda categoría.
Por tanto:
ALGORITMO
↓
CLASIFICACIÓN / RECOMENDACIÓN
↓
ANALISTA / CADENA DE TARGETING
↓
DECISIÓN
↓
SISTEMA DE ARMAS
es conceptualmente distinto de:
ALGORITMO → IDENTIFICA → DECIDE → DISPARA AUTÓNOMAMENTE.
No existe evidencia pública suficiente para presentar el segundo modelo como descripción técnica de Lavender.
3. ¿CÓMO HABRÍA FUNCIONADO?
Según la investigación original, Lavender utilizaba información sobre personas previamente identificadas como integrantes de organizaciones armadas para reconocer características o patrones estadísticos asociados a ellas.
Posteriormente procesaba información sobre otras personas y producía una puntuación o clasificación en función de la similitud encontrada.
La propia investigación publicó material atribuido a una presentación del responsable del centro de Data Science e IA de la Unidad 8200 en la que se explicaba un modelo general:
DATOS DE OPERATIVOS CONOCIDOS
↓
IDENTIFICACIÓN DE CARACTERÍSTICAS
↓
ANÁLISIS ALGORÍTMICO
↓
PUNTUACIÓN / RANKING
↓
UMBRAL
↓
REVISIÓN HUMANA.
Esta arquitectura tiene enorme importancia.
El algoritmo no necesita decir:
“esta persona es miembro de Hamás”.
Puede producir algo estadísticamente diferente:
“esta persona presenta un patrón suficientemente parecido al conjunto de referencia”.
La diferencia entre ambas proposiciones es gigantesca.
4. CORRELACIÓN NO ES IDENTIDAD
Este es uno de los problemas fundamentales de utilizar aprendizaje automático en inteligencia.
Supongamos que determinados comportamientos aparecen frecuentemente entre miembros de una organización armada.
El algoritmo encuentra individuos que comparten esos comportamientos.
Eso produce una:
CORRELACIÓN.
Pero no necesariamente demuestra:
PERTENENCIA.
Una persona puede presentar determinados patrones de movilidad, comunicaciones, contactos o actividad digital por múltiples razones.
Por eso:
SIMILITUD ALGORÍTMICA ≠ IDENTIFICACIÓN POSITIVA.
Y:
SCORE ALTO ≠ CERTEZA.
5. EL PROBLEMA DEL DATASET
Todo sistema de machine learning depende críticamente de los datos utilizados para entrenarlo y operarlo.
La pregunta no es solamente:
¿QUÉ ALGORITMO UTILIZA?
Hay que preguntar:
¿QUIÉN DEFINIÓ LOS POSITIVOS?
¿QUÉ VARIABLES UTILIZÓ?
¿QUÉ ERRORES EXISTÍAN EN LOS DATOS?
¿QUÉ REPRESENTATIVIDAD TENÍA LA MUESTRA?
¿CUÁL ERA LA TASA DE FALSOS POSITIVOS?
¿CAMBIÓ EL MODELO DURANTE LA OPERACIÓN?
¿CÓMO SE VALIDÓ?
El CICR advierte expresamente en 2026 que los AI DSS militares presentan riesgos relacionados con la fiabilidad, imprevisibilidad, calidad de los datos, sesgos y dependencia excesiva de sus resultados.
6. EL DATO MÁS FAMOSO: ¿37.000 PERSONAS?
La investigación de +972/Local Call sostuvo que Lavender llegó a identificar aproximadamente 37.000 palestinos como presuntos militantes durante una determinada fase de la guerra.
Es un dato ampliamente reproducido.
Pero debemos citarlo correctamente:
37.000 ES UNA CIFRA PROCEDENTE DE LAS FUENTES DE LA INVESTIGACIÓN PERIODÍSTICA.
No debe convertirse editorialmente en:
“Israel reconoce oficialmente que Lavender creó una lista de 37.000 objetivos”.
No es lo mismo.
7. ¿TENÍA LAVENDER UN 90 % DE PRECISIÓN?
También se ha divulgado ampliamente una cifra aproximada del 90 %.
Aquí debemos extremar el rigor.
Según las fuentes de +972/Local Call, una muestra habría sido revisada y el sistema habría presentado aproximadamente ese grado de identificación considerada correcta.
Pero hablar simplemente de:
“90 % DE PRECISIÓN”
es científicamente insuficiente.
Necesitaríamos conocer:
sensibilidad;
especificidad;
valor predictivo positivo;
valor predictivo negativo;
prevalencia de la condición buscada;
definición del ground truth;
tamaño y selección de la muestra;
intervalos de confianza.
Sin esa información no podemos auditar independientemente el rendimiento real del algoritmo.
Y existe además una consecuencia matemática fundamental.
Incluso un sistema aparentemente muy preciso puede producir miles de falsos positivos cuando se aplica masivamente.
8. EL PROBLEMA DE ESCALA
Aquí empieza la verdadera revolución.
Un analista humano puede investigar profundamente un número limitado de individuos.
Un algoritmo puede analizar:
DECENAS DE MILES.
O millones.
Esto produce un cambio cualitativo en el targeting.
La IA puede transformar:
ESCASEZ DE OBJETIVOS
en
ABUNDANCIA DE CANDIDATOS.
Y ahí aparece una paradoja:
AUMENTAR LA CAPACIDAD DE ENCONTRAR OBJETIVOS NO AUMENTA AUTOMÁTICAMENTE LA CAPACIDAD HUMANA DE VERIFICARLOS.
El algoritmo escala.
La capacidad cognitiva humana no lo hace a la misma velocidad.
9. EL VERDADERO CUELLO DE BOTELLA: EL HUMANO
La investigación original conecta este problema con una idea anterior publicada por el entonces comandante de la Unidad 8200 bajo seudónimo: utilizar una human-machine team para superar el cuello de botella humano en la producción de objetivos.
Conceptualmente es extraordinariamente importante.
Antes:
DATOS → ANALISTA → OBJETIVO.
Ahora:
BIG DATA → MACHINE LEARNING → CANDIDATOS → ANALISTA → OBJETIVO.
La máquina no necesita sustituir jurídicamente al humano para transformar radicalmente la guerra.
Basta con multiplicar exponencialmente las decisiones que el humano debe revisar.
10. AUTOMATION BIAS: CUANDO EL HUMANO EMPIEZA A CREER DEMASIADO EN LA MÁQUINA
Este es probablemente uno de los conceptos más importantes de todo el artículo.
AUTOMATION BIAS
describe la tendencia humana a confiar excesivamente en las recomendaciones producidas por sistemas automatizados.
El riesgo aumenta cuando:
- el sistema parece sofisticado;
- procesa información inaccesible para el operador;
- tiene reputación de precisión;
- existe presión temporal;
- existe fatiga;
- aumenta el volumen de decisiones.
El CICR identifica explícitamente la sobredependencia de los outputs algorítmicos como uno de los riesgos centrales de los AI DSS militares y recomienda entrenar específicamente a los usuarios frente al automation bias.
11. EL HUMANO PUEDE ESTAR “IN THE LOOP” Y, SIN EMBARGO, NO EJERCER CONTROL SIGNIFICATIVO
Este punto es crucial.
Imaginemos:
ALGORITMO: 99,8 % sospechoso.
OPERADOR: 20 segundos para revisar.
OBJETIVOS PENDIENTES: 1.500.
Formalmente existe un humano.
Pero debemos preguntar:
¿ESTÁ REALMENTE EJERCIENDO JUICIO?
Ésta es precisamente una de las preocupaciones actuales sobre Human–Machine Teaming.
El CICR sostiene que la IA debe:
APOYAR EL JUICIO HUMANO, NO DETERIORARLO NI REEMPLAZARLO.
12. ¿QUÉ DIJO ISRAEL?
Un artículo riguroso debe incorporar necesariamente la posición israelí.
Las IDF rechazaron elementos fundamentales de la caracterización publicada sobre Lavender.
Su posición, reproducida por la investigación, sostiene esencialmente que los sistemas de información utilizados por las fuerzas armadas son herramientas destinadas a ayudar a los analistas en el proceso de identificación de objetivos, y que sus operadores deben verificar independientemente que los objetivos cumplen las definiciones correspondientes conforme al derecho y a las directivas militares.
Por tanto tenemos dos narrativas que no deben mezclarse:
FUENTES DE INTELIGENCIA CITADAS POR LA INVESTIGACIÓN
describen una dependencia extraordinariamente elevada del algoritmo.
IDF
sostiene que el algoritmo constituye una herramienta auxiliar dentro de un proceso humano de inteligencia y targeting.
No disponemos públicamente del sistema, su código fuente, dataset completo, logs operacionales ni documentación integral necesaria para resolver independientemente todas esas discrepancias.
13. LAVENDER NO OPERARÍA AISLADAMENTE
Aquí aparece otro elemento esencial.
Las investigaciones sobre el ecosistema israelí han identificado diferentes herramientas con funciones distintas.
LAVENDER
orientada, según las fuentes, hacia personas.
THE GOSPEL / HABsORA
relacionada con la generación o identificación de objetivos estructurales.
WHERE'S DADDY?
nombre atribuido por las fuentes a una herramienta utilizada para determinar cuándo determinados individuos se encontraban en lugares susceptibles de ataque, especialmente residencias.
La investigación original describe la combinación de estos sistemas dentro de un proceso mucho más amplio de producción y ejecución de objetivos.
Por eso sería un error pensar en Lavender como una única “super-IA”.
Lo relevante es:
EL ECOSISTEMA DIGITAL DE TARGETING.
14. ISR + BIG DATA + AI + FIRES
Desde una perspectiva militar, el fenómeno puede resumirse así:
ISR
Intelligence, Surveillance, Reconnaissance
↓
DATA FUSION
↓
MACHINE LEARNING / AI
↓
TARGET DEVELOPMENT
↓
HUMAN DECISION
↓
FIRES
↓
BATTLE DAMAGE ASSESSMENT
↓
FEEDBACK.
Cuando ese ciclo se acelera mediante automatización aparece una forma de:
ALGORITHMIC WARFARE.
15. EL PROBLEMA JURÍDICO NO ES “¿ES LEGAL LA IA?”
Ésa sería una pregunta demasiado simple.
El Derecho Internacional Humanitario no desaparece porque una decisión esté asistida por un algoritmo.
Continúan aplicándose, entre otros, los principios de:
DISTINCIÓN
diferenciar objetivos militares de personas y bienes civiles.
PROPORCIONALIDAD
prohibición de ataques en los que el daño incidental civil esperado resulte excesivo respecto de la ventaja militar concreta y directa prevista.
PRECAUCIONES EN EL ATAQUE
adoptar todas las precauciones factibles para verificar objetivos y reducir daños a civiles.
La máquina no elimina esas obligaciones.
16. UN ALGORITMO NO PUEDE CONVERTIR AUTOMÁTICAMENTE UNA PERSONA EN OBJETIVO LEGÍTIMO
Éste es probablemente el principio jurídico más importante.
Una puntuación algorítmica puede ser:
INTELLIGENCE INPUT.
Pero no sustituye por sí misma la determinación jurídica necesaria para establecer que una persona puede ser atacada legalmente.
El CICR insiste en que las decisiones sobre el uso de la fuerza requieren juicios humanos contextualizados y que los sistemas de IA deben facilitar, no impedir, esos juicios.
17. VELOCIDAD VS DELIBERACIÓN
La IA proporciona una ventaja militar obvia:
VELOCIDAD.
Puede fusionar:
imágenes;
comunicaciones;
metadatos;
patrones geoespaciales;
bases de datos;
relaciones;
actividad temporal;
otras fuentes ISR.
Pero la misma velocidad puede crear una vulnerabilidad:
MENOS TIEMPO PARA PENSAR.
Y en targeting, pensar significa:
verificar + contextualizar + cuestionar + actualizar + aplicar DIH.
18. EL PROBLEMA DEL ERROR EN CASCADA
Supongamos que una base de datos contiene una identificación incorrecta.
El sistema aprende de ella.
El algoritmo encuentra personas parecidas.
Esas personas pasan a otra base.
Posteriormente esa base alimenta nuevas decisiones.
Tenemos:
ERROR INICIAL
↓
MODELO
↓
PREDICCIÓN
↓
DECISIÓN
↓
NUEVO DATO
↓
MODELO.
El error puede dejar de ser individual.
Puede convertirse en:
ERROR SISTÉMICO.
19. “GUILT BY ASSOCIATION”: UN RIESGO PARTICULAR
Los modelos basados en redes relacionales plantean otra dificultad.
Una persona puede relacionarse con alguien por:
familia;
trabajo;
vecindad;
actividad profesional;
comercio;
salud;
religión;
telecomunicaciones;
transporte.
Una relación estadística no demuestra necesariamente una relación operacional.
Por eso:
ASSOCIATION ≠ PARTICIPATION.
Este problema adquiere particular importancia cuando los sistemas procesan enormes grafos sociales.
20. EL ECOSISTEMA HA SEGUIDO EVOLUCIONANDO
Lavender no debe estudiarse como una fotografía congelada de 2024.
Investigaciones posteriores han documentado una expansión mucho más amplia del empleo israelí de infraestructura cloud, almacenamiento masivo y herramientas de IA en inteligencia y operaciones.
En 2025 se publicaron investigaciones sobre una mayor integración de servicios tecnológicos comerciales y sobre proyectos de análisis automatizado de grandes cantidades de comunicaciones interceptadas.
Esto no demuestra que esos sistemas sean Lavender ni que todos formen parte de la misma cadena operacional.
Sí demuestra que la transformación digital de la inteligencia militar continúa siendo mucho más amplia que un único programa.
21. QUÉ DICE EL CICR EN 2026
Ésta es una de las actualizaciones más importantes para nuestro artículo.
El 11 de junio de 2026, el CICR publicó una actualización específica sobre inteligencia artificial en el dominio militar.
Identifica tres áreas particularmente preocupantes:
- Autonomous Weapon Systems.
- AI Decision-Support Systems.
- IA aplicada a tecnologías de información, comunicación y operaciones cibernéticas.
Para los AI DSS recomienda, entre otras medidas:
testing riguroso;
verification & validation;
legal reviews;
datos fiables y de calidad;
mitigación de sesgos;
participación humana significativa;
capacidad de cuestionar el output;
entrenamiento contra automation bias;
after-action reviews.
Esto podría utilizarse prácticamente como una checklist para auditar cualquier sistema equivalente a Lavender.
22. UNA IA TAMPOCO ARREGLA UNA POLÍTICA DE TARGETING DEFECTUOSA
El CICR realiza en 2026 una observación particularmente poderosa:
un sistema AI DSS no puede convertir en correcta una metodología de targeting que ya sea incompatible con el DIH.
Por el contrario, automatizar una metodología problemática puede reproducir sus consecuencias:
MÁS RÁPIDO.
A MAYOR ESCALA.
Ésta probablemente sea una de las grandes lecciones de la guerra algorítmica.
23. ¿PUEDE LA IA TAMBIÉN SALVAR CIVILES?
SÍ.
Sería científicamente sesgado presentar únicamente el lado negativo.
Un AI DSS correctamente diseñado puede potencialmente:
identificar presencia civil;
fusionar ISR;
detectar cambios;
comparar múltiples fuentes;
recomendar munición de menor efecto;
identificar hospitales y estructuras protegidas;
mejorar estimaciones de daño colateral;
detectar errores humanos;
advertir inconsistencias;
acelerar evacuaciones.
El propio CICR reconoce que estos sistemas pueden ayudar a minimizar daños incidentales, dependiendo de su diseño, datos y utilización.
Por tanto:
IA MILITAR ≠ INTRÍNSECAMENTE ILEGAL.
La pregunta es:
¿QUÉ HACE, CON QUÉ DATOS, BAJO QUÉ REGLAS Y CON QUÉ CONTROL HUMANO?
24. EL DILEMA FUNDAMENTAL: HUMAN–MACHINE TEAMING
El objetivo técnicamente correcto no debería ser:
HUMAN OR MACHINE.
Sino:
HUMAN + MACHINE.
La máquina posee ventajas extraordinarias:
escala + velocidad + memoria + reconocimiento de patrones.
El humano conserva capacidades fundamentales:
contexto + causalidad + juicio jurídico + incertidumbre + ética + responsabilidad.
El sistema más seguro debería combinar ambas.
Pero únicamente si el humano conserva capacidad real para:
ENTENDER.
CUESTIONAR.
RECHAZAR.
DETENER.
25. ACCOUNTABILITY: ¿QUIÉN RESPONDE CUANDO EL ALGORITMO SE EQUIVOCA?
Ésta es la pregunta inevitable.
¿El programador?
¿El analista?
¿El comandante?
¿Quien definió el dataset?
¿Quien fijó el threshold?
¿Quien autorizó el ataque?
Desde el punto de vista jurídico, delegar análisis a una máquina no elimina la responsabilidad humana.
El algoritmo no comparece ante un tribunal.
Las obligaciones jurídicas continúan correspondiendo a seres humanos y organizaciones.
26. EL PROBLEMA DE LA EXPLICABILIDAD
Cuanto más complejo sea un modelo, más difícil puede resultar explicar:
¿POR QUÉ ESTA PERSONA RECIBIÓ ESTE SCORE?
En medicina sería problemático que una IA dijera:
“Paciente: 97 % de probabilidad de cáncer.”
y nadie pudiera conocer:
qué datos utilizó;
por qué;
qué sesgos tenía;
cuál era su tasa de error.
En targeting militar la consecuencia puede ser irreversible.
Por eso la explicabilidad deja de ser un lujo informático.
Se convierte en:
UNA VARIABLE DE SEGURIDAD Y RESPONSABILIDAD.
27. AUDITORÍA DE LA PUBLICACIÓN ORIGINAL
Mi evaluación para EMS Solutions International:
🟢 BIEN SUSTENTADO
Lavender está ampliamente documentado como sistema algorítmico utilizado dentro de inteligencia/targeting israelí.
Su utilización significativa durante Gaza está respaldada por múltiples testimonios internos publicados.
La IA militar israelí forma parte de un ecosistema de targeting mucho más amplio.
Existen preocupaciones científicas y jurídicas legítimas sobre automation bias, escalabilidad, falsos positivos y supervisión humana.
🟡 SUSTENTADO PERO REQUIERE ATRIBUCIÓN
“37.000 personas”.
“90 % de precisión”.
Revisiones humanas extremadamente breves.
Determinados thresholds y procedimientos internos.
Son afirmaciones procedentes fundamentalmente de fuentes de inteligencia citadas por investigaciones periodísticas.
🔴 NO PRESENTAR COMO HECHO DEMOSTRADO
“Lavender decide autónomamente quién muere.”
“Lavender dispara armas.”
“La IA sustituyó completamente al ser humano.”
“Todo ataque israelí en Gaza fue seleccionado por Lavender.”
“Lavender es un arma autónoma.”
La evidencia pública disponible no permite esas simplificaciones.
28. SEMÁFORO DE EVIDENCIA 2026
🟢 ALTA CONFIANZA: Israel emplea IA y procesamiento algorítmico dentro de inteligencia y targeting; Lavender ha sido identificado por múltiples fuentes internas; existen otros sistemas relacionados; los AI DSS plantean riesgos reales de automation bias, escalabilidad y errores.
🟡 CONFIANZA MODERADA / DEPENDIENTE DE FUENTES: cifras concretas de objetivos; tasas internas de precisión; thresholds; duración de determinadas verificaciones humanas; relación exacta entre herramientas individuales.
🔴 NO DEMOSTRADO PÚBLICAMENTE: autonomía letal completa de Lavender; eliminación absoluta del humano de la cadena decisoria; arquitectura técnica completa, código fuente, dataset, métricas independientes y logs operacionales.
29. LA LECCIÓN DE LAVENDER NO ES SOLAMENTE SOBRE ISRAEL
Éste es el punto que convierte el tema en verdaderamente estratégico.
La importancia histórica de Lavender probablemente no estará únicamente en lo ocurrido en Gaza.
Está en demostrar hasta qué punto:
BIG DATA + ISR + AI + TARGETING
pueden transformar la velocidad y escala de una campaña militar.
Lo que hoy estudiamos en Gaza será relevante para:
Estados Unidos;
China;
Rusia;
OTAN;
Europa;
y cualquier fuerza militar tecnológicamente avanzada.
La discusión ya no es:
¿UTILIZARÁN LOS EJÉRCITOS IA?
La respuesta es:
YA LA UTILIZAN.
La verdadera discusión será:
¿CUÁNTO PODER DECISORIO ESTAMOS DISPUESTOS A DELEGARLE?
CONCLUSIÓN
Lavender representa una de las cuestiones más importantes de la transformación militar contemporánea.
No porque exista evidencia de una máquina autónoma que por sí sola observe a una persona y pulse un botón para matarla.
Eso simplifica demasiado el problema.
La transformación es más profunda.
Un sistema algorítmico puede convertir:
MILLONES DE DATOS
↓
EN PATRONES
↓
LOS PATRONES EN SCORES
↓
LOS SCORES EN CANDIDATOS
↓
LOS CANDIDATOS EN OBJETIVOS PROPUESTOS
↓
Y ESAS PROPUESTAS EN DECISIONES HUMANAS DE VIDA O MUERTE.
El problema fundamental aparece cuando la velocidad y autoridad percibida del algoritmo superan la capacidad humana de verificar, comprender y cuestionar sus conclusiones.
En 2026 el CICR lo resume mediante un principio que debería convertirse en doctrina básica de la guerra algorítmica:
LA IA DEBE APOYAR EL JUICIO HUMANO, NO SUSTITUIRLO NI DETERIORARLO.
La pregunta correcta sobre Lavender, por tanto, no es:
“¿MATÓ LA IA?”
Es mucho más difícil:
¿CUÁNTO INFLUYÓ EL ALGORITMO EN LA DECISIÓN HUMANA DE MATAR?
Y después:
¿ERA FIABLE EL DATO?
¿ERA VÁLIDA LA INFERENCIA?
¿PODÍA EL HUMANO CUESTIONARLA?
¿EXISTÍA TIEMPO REAL PARA VERIFICAR?
¿SE RESPETARON DISTINCIÓN, PROPORCIONALIDAD Y PRECAUCIÓN?
¿QUIÉN RESPONDE CUANDO EL SISTEMA FALLA?
Ahí se encuentra el verdadero debate científico, militar, jurídico y ético.
Porque en la guerra algorítmica:
MÁS INTELIGENCIA NO GARANTIZA MEJORES DECISIONES.
MÁS VELOCIDAD NO GARANTIZA MAYOR PRECISIÓN.
Y UN HUMANO EN EL BUCLE NO GARANTIZA, POR SÍ SOLO, CONTROL HUMANO SIGNIFICATIVO.
EMS Solutions International
Artificial Intelligence · Intelligence · Security · Military Medicine · IHL
By DrRamonReyesMD
Actualización científica: 5 SEP 2026
FUENTES VERIFICADAS — URL PARA PUBLICACIÓN
Auditoría final de la afirmación viral: 8,5/10
El núcleo —Israel ha utilizado Lavender como herramienta algorítmica de inteligencia/targeting en Gaza— está sólidamente documentado. La puntuación baja porque llamar a Lavender simplemente “la IA que elige a quién matar” borra la distinción crítica entre recomendación algorítmica, identificación de objetivos, decisión humana y ejecución mediante un sistema de armas. Para EMS Solutions International conservaría exactamente esa distinción.
No hay comentarios:
Publicar un comentario