Aeroespacial y Defensa
Verificación de IA, inferencia en el borde y arquitectura de sistemas autónomos para programas de defensa y operaciones aeroespaciales comerciales.
El Departamento de Defensa convirtió la IA en una prioridad financiada, pero la adquisición de defensa nunca se concibió para adquirir, probar o desplegar sistemas de IA a la velocidad a la que evoluciona la tecnología. Nuestro trabajo se centra en el punto en el que la IA satisface los requisitos operativos de las oficinas de programas de defensa y las organizaciones aeroespaciales: no presentaciones estratégicas, no marcos de gobernanza en diapositivas, sino la disciplina de ingeniería de lograr que los sistemas de IA se verifiquen, desplieguen y cumplan la normativa en entornos donde el fallo conlleva consecuencias a las que los despliegues comerciales nunca se enfrentan.
El presupuesto de IA para el año fiscal 2026 es real; la capacidad para gastarlo, no
El Pentágono asignó $13.4 mil millones en la solicitud presupuestaria del año fiscal 2026 para IA y autonomía: la primera línea presupuestaria dedicada a estas capacidades. El Congreso promulgó $9.8 mil millones para sistemas autónomos y no tripulados. Solo la Armada sumó $308 millones en gasto de IA, un incremento del 22.7 % interanual. Los fondos son reales. El problema radica en que la adquisición de defensa no fue concebida para adquirir, probar o desplegar sistemas de IA a la velocidad con que se mueve la tecnología.
Se trata de programas de producción, no de pilotos:
- El Ejército adjudicó en marzo de 2026 a Anduril un contrato de 10 años por hasta $20 mil millones para su plataforma Lattice AI, consolidando más de 120 acciones de adquisición independientes.
- Palantir entregó las dos primeras estaciones terrestres de puntería habilitadas para IA TITAN a la 1.ª Fuerza de Tareas Multidominio, previéndose una decisión de producción a pleno rendimiento este año fiscal.
- Shield AIsu software de autonomía Hivemind ha pilotado ya 26 clases de vehículos.
- La Fuerza Aérea prueba paquetes de autonomía de misión en prototipos de CCA con una financiación conjunta de $804.4 millones en el año fiscal 2026.
Sin embargo, las oficinas de programas que integran IA en sus propios sistemas afrontan una realidad distinta: marcos de prueba y evaluación de CDAO que no encajan claramente en las estructuras TEMP convencionales, requisitos de IA responsable que parecen nítidos en memorandos pero resultan ambiguos al aplicarse a un algoritmo concreto de fusión de sensores, y una plantilla de IA/ML acreditada inexistente a la escala requerida.
La IA de defensa afronta un problema de pruebas que el T&E tradicional no puede resolver
La prueba y evaluación convencional presupone un comportamiento determinista: las mismas entradas generan las mismas salidas. Los sistemas de ML son probabilísticos. Un modelo de visión artificial que clasifica vehículos con una precisión del 97 % de precisión en el campo de pruebas puede degradarse imprevisiblemente cuando la guerra electrónica modifica la distribución de entrada (consulte nuestra investigación sobre ingeniería de robustez de IA frente a ataques adversarios).
El marco regulatorio sigue rezagado. CDAO publicó marcos estratégicos de T&E y la subsecretaria Feinberg reasignó CDAO bajo USD(R&E) en agosto de 2025 para acelerar su adopción. Sin embargo, una auditoría de la GAO de abril de 2026 reveló que ninguna de las cuatro grandes agencias evaluadas recopilaba lecciones aprendidas de adquisiciones de IA. La estrategia de IA del DoD publicada en enero de 2026 enfatiza la velocidad, mientras que los expertos en seguridad advierten que la IA militar agéntica engendra una "ilusión de control" en la que los sistemas eluden evaluaciones de forma inapreciable para los operadores.
Nuestra metodología T&E de IA está diseñada para generar las evidencias de verificación indispensables para las decisiones de hitos: pruebas operativas en condiciones adversarias realistas, así como modos de fallo y límites de rendimiento documentados con rigor técnico para evaluadores y operadores. Para sistemas autónomos en entornos privados de GPS o disputados por guerra electrónica, diseñamos la validación de la resiliencia en fusión de sensores y toma de decisiones frente a perfiles de amenaza concretos, enfoque demostrado en una demostración operativa de autonomía de drones sin GPS.
La inferencia en el borde sobre hardware de defensa es un problema de ingeniería
Un modelo transformer ejecutándose en una A100 en un centro de datos resulta inservible en la carga útil de un UAV limitada por tamaño, peso y potencia (SWaP). La capacidad de cómputo en un procesador Jetson Orin o Qualcomm RB5 se mide en TOPS de un solo dígito. La disipación térmica es hoy una restricción primaria: el calor de la inferencia reduce el rendimiento a la mitad en plataformas confinadas.
El paso del modelo en la nube al modelo operativo en el borde requiere:
- Cuantización — INT8, INT4 y los compromisos GPTQ / AWQ cruciales tanto para la precisión como para la latencia;
- Poda (pruning) y destilación de conocimiento;
- Validación bajo las condiciones ambientales de MIL-STD-810H .
Las restricciones de seguridad sobre herramientas de código abierto en redes clasificadas agravan el desafío: el flujo MLOps comercial no funciona en SIPR ni en JWICS. Diseñamos canalizaciones de inferencia en el borde que contemplan estas restricciones desde el origen: optimización de modelos para hardware específico, evaluación de rendimiento térmico y energético, y flujos de validación para redes clasificadas (SIPR o JWICS) (detallado en nuestro informe técnico sobre navegación sin GPS para drones autónomos).
CMMC 2.0 incluye ahora la IA, y 220,000 contratistas no están preparados
El cumplimiento de CMMC 2.0 ya era el mayor desafío para contratistas de defensa que manejan CUI. En 2026 se complicó aún más. La FY2026 NDAA impuso un marco de seguridad de IA a los contratistas de defensa, añadiendo cuatro categorías de controles de seguridad específicos:
- Validación y saneamiento de entradas de datos para prevenir inyecciones de prompt;
- Controles de acceso a modelos con autenticación multifactor;
- Supervisión y registro exhaustivos de las salidas de la IA;
- Medidas de prevención frente a ataques adversarios.
El DoD debe informar de los avances al Congreso antes del 16 de junio de 2026. El reto aumenta dado que la mayoría de servicios comerciales de IA operan en nubes estándar no aptas para el tratamiento de CUI: recurrir a una API comercial transfiere datos controlados a infraestructuras externas no supervisadas. Shadow AI (IA en la sombra) constituye la principal observación en auditorías: uso no registrado de herramientas de IA por personal acreditado en redes con CUI.
Paralelamente, ITAR plantea un dilema normativo no abordado por la mayoría de programas. La DDTC del Departamento de Estado y la BIS del Departamento de Comercio no han publicado directrices taxativas sobre si los datos técnicos generados por IA suponen exportaciones controladas bajo la USML. Un ingeniero que emplee un LLM para redactar especificaciones de defensa puede originar una exportación presunta (deemed export) involuntaria.
Nuestro enfoque plantea arquitecturas de conformidad que abordan los controles de IA de CMMC 2.0, el tratamiento ITAR de datos técnicos en flujos de IA y los requerimientos de ciberseguridad de DFARS 252.204-7012 como un sistema integral integrado, lejos de trámites aislados. El propósito es facilitar el uso eficaz de la IA preservando una sólida postura ante una evaluación de C3PAO y una auditoría de la DDTC.
El sector aeroespacial comercial afronta los mismos retos técnicos
En el sector civil, aerolíneas y proveedores de MRO invierten en IA para mantenimiento predictivo, gestión de flotas e integridad de la cadena de suministro. La demanda global de MRO avanza a una TCAC del 3.2 % hasta 2035, liderada por la actividad en turbinas. El mantenimiento basado en la condición promete anticipar averías, atenuar paradas imprevistas y prolongar la vida útil de los activos. El reto radica en articular 30 años de registros de sensores heterogéneos de flotas mixtas en modelos capaces de emitir diagnósticos accionables y no mero ruido.
Garantizar la cadena de suministro resulta apremiante. En marzo de 2026, un tribunal londinense condenó a un proveedor por suministrar módulos electrónicos falsificados para aviónica crítica. La 2026 NDAA encomienda al secretario de Defensa crear un marco contra piezas falsificadas e intoxicación de datos en cadenas de suministro de IA. Los gemelos digitales evolucionan hacia la toma de decisiones operativas, exigiendo integración de sensores en tiempo real, modelado con base física y herramientas de planificación que generen confianza en los mecánicos.
Trasladamos la rigurosidad de verificación de defensa al sector comercial: modelos predictivos contrastados frente a históricos empíricos de fallos, canalizaciones para detectar piezas anómalas antes de su montaje y arquitecturas de gemelos digitales para una planificación de flota fiable.
Por qué los contratistas principales, proveedores de plataformas y consultoras dejan vacíos
Tres tipos de proveedores dejan vacíos diferenciados: resolver esto demanda profunda solvencia técnica en ML y conocimiento nativo del sector de defensa, combinación de la que carecen.
| Categoría de proveedor | Ejemplos | El vacío que dejan |
|---|---|---|
| Contratistas principales de defensa (Primes) | Lockheed Martin, Northrop Grumman, Boeing | Crean capacidades internas de IA, pero son organizaciones centradas en hardware. La gestión del ciclo de vida ML y el T&E de IA distan de sus culturas mecánicas y eléctricas tradicionales, viéndose obligados a externalizar software de vuelo autónomo para el concurso CCA. |
| Proveedores de plataformas | Anduril, Shield AI, Palantir, Skydio | Desarrollan excelentes soluciones autónomas, pero adquirir Lattice implica atarse a la arquitectura propietaria de Anduril, careciendo de apoyo independiente para calibrar si se adapta a la misión o satisface los requisitos de IA responsable de CDAO. |
| Consultoras | Accenture, Deloitte, Booz Allen | El Pentágono rescindió en abril de 2025 contratos de consultoría por valor de $5.1 mil millones con estas firmas. BCG documentó que el 70 % de las empresas de A&D señalan la captación en IA como su principal cuello de botella: las consultoras padecen la misma escasez de talento que se les encomienda solventar. |
Nuestra labor intermedia comprende: auditoría técnica imparcial de plataformas, metodología de T&E para la oficina de programa, ingeniería de inferencia en el borde hacia hardware táctico y arquitecturas que integran CMMC, ITAR y RAI como requerimientos de ingeniería.
Puntos clave
- La inversión en IA para defensa es cuantiosa ($13.4 mil millones para IA y autonomía, $9.8 mil millones para sistemas autónomos/no tripulados), pero adquisición, T&E y especialistas habilitados continúan rezagados.
- Los sistemas de ML son probabilísticos, por lo que el T&E determinista tradicional resulta ineficaz; validar hitos clave exige protocolos específicos probados en condiciones hostiles y sin GPS.
- El despliegue en el borde sobre hardware con restricciones SWaP (Jetson Orin, Qualcomm RB5) es un reto de ingeniería: cuantización, poda, destilación, perfilado térmico y homologación MIL-STD-810H en perímetros SIPR/JWICS.
- CMMC 2.0, los controles de IA de la FY2026 NDAA (informe previsto el 16 de junio de 2026), las dudas técnicas ITAR/USML y DFARS 252.204-7012 deben gobernarse de forma unificada.
- La aviación comercial comparte estas necesidades: mantenimiento predictivo, control contra falsificaciones y gemelos digitales requieren ingeniería validada y basada en pruebas rigurosas.
Aeroespacial y Defensa
VerAutonomía de drones en entornos sin GPS: VIO, IA en el borde e integración Blue UAS | Veriprajna
Los inhibidores rusos R-330Zh crean zonas de bloqueo de GPS de varios kilómetros a lo largo de las líneas del frente ucraniano. La FCC bloqueó las nuevas autorizaciones para todos los drones de fabricación extranjera en diciembre de 2025. El Ejército acaba de comprar 2.500 unidades Skydio X10D en 72 horas porque nada más en el inventario autorizado podía operar en un entorno electromagnético en disputa.
Preguntas Frecuentes
¿Cómo superar un hito de decisión del DoD cuando los marcos T&E de CDAO no encajan en nuestro TEMP?
La desconexión es patente: los marcos estratégicos de T&E de CDAO fueron concebidos para evaluación de IA, mientras que la mayoría de los TEMP siguen estructuras clásicas DT&E/OT&E basadas en determinismo. Los sistemas de ML son probabilísticos y su rendimiento varía con la distribución de datos y condiciones operativas. Superamos esto formulando planes de prueba específicos de IA que se anidan en los TEMP existentes, definiendo envolventes de rendimiento operativo, documentando modos de fallo y generando evidencias técnicas válidas para evaluadores y directores de programa.
¿Qué exige el marco de seguridad de IA CMMC 2.0 a los contratistas de defensa?
La FY2026 NDAA impuso controles específicos adicionales a CMMC 2.0 en cuatro áreas clave: saneamiento de entradas de datos contra inyecciones de prompt, control de acceso a modelos con autenticación multifactor, monitorización exhaustiva de salidas integrada con SIEM y defensas frente a ataques adversarios. El DoD presentará un informe al Congreso antes del 16 de junio de 2026. El principal riesgo reside en Shadow AI: el uso no regulado de herramientas comerciales en redes vinculadas a CUI. Desarrollamos entornos protegidos que habilitan IA homologada dentro de los límites de CMMC.
¿Cómo desplegar modelos ML entrenados en la nube en plataformas tácticas con restricciones SWaP?
La transición comprende cuatro fases: cuantización (de FP32 a INT8 o INT4 con métodos GPTQ o AWQ según el balance de latencia y precisión para chips como Jetson Orin o Qualcomm RB5), poda de arquitectura y destilación de conocimiento, análisis térmico y energético para evitar caídas de rendimiento por sobrecalentamiento, y validación ambiental bajo norma MIL-STD-810H. Estructuramos este ciclo como una canalización MLOps adaptada a redes clasificadas.
¿Se consideran las salidas de modelos de IA datos técnicos regulados por ITAR?
Es uno de los interrogantes legales más determinantes. La definición ITAR de datos técnicos ampara cualquier información para diseño o fabricación de artículos de defensa. Si un LLM elabora especificaciones para elementos de la USML, la salida es susceptible de considerarse dato controlado. A falta de criterios oficiales de DDTC o BIS, el enfoque conservador exige tratar estas salidas como reguladas. Configuramos entornos seguros que retienen datos críticos en terminales locales o GovCloud con estricto control de exportaciones.
¿Cómo validar la navegación autónoma de drones en entornos disputados sin GPS?
La ausencia o degradación de GPS es la premisa operativa en teatros disputados. Las alternativas —sistemas inerciales (con deriva acumulativa en minutos), odometría visual-inercial y navegación por correspondencia de terreno— presentan fallos concurrentes si no se combinan adecuadamente. Validar exige evaluar el comportamiento frente a inhibición de señales (jamming), suplantación (spoofing) y amenazas electromagnéticas reales, garantizando que el sistema autónomo cumpla la misión aun con sensores primarios degradados.
¿Cuál es la diferencia real entre Anduril Lattice y Palantir AIP para programas de defensa?
Resuelven necesidades distintas. Palantir AIP y TITAN operan en integración de datos y designación de blancos, sintetizando sensores en un mapa operativo para apoyo a la decisión humana. Anduril Lattice gestiona autonomía de misión coordinando sistemas autónomos heterogéneos en múltiples dominios. Evaluar una u otra depende de si el programa precisa fusión de inteligencia o gestión de activos no tripulados. Aportamos análisis técnico independiente libre de intereses de proveedores.
¿Cómo implantar mantenimiento predictivo con IA en flotas comerciales heterogéneas?
El reto fundamental es la disparidad de datos generados por sistemas de aviónica de distintas generaciones. Crear modelos viables para toda la flota exige normalizar lecturas de sensores, mapear patrones de degradación propios de cada aeronave y apoyarse en modelos físicos e intervalos de mantenimiento oficiales. Validar frente a historiales de fallo reales resulta imperativo para eludir falsas alarmas que resten credibilidad operativa.
¿Cómo evaluar la IA agéntica en apoyo a decisiones militares sin generar exceso de confianza?
La estrategia del DoD de enero de 2026 contempla redes de agentes para gestión del combate. No obstante, los operadores tienden a confiar excesivamente en sistemas que transmiten certeza formal. Nuestras evaluaciones someten a los agentes a entornos con información degradada, cuantifican si los operadores revocan recomendaciones incorrectas y comprueban la inteligibilidad del razonamiento para neutralizar la perjudicial 'ilusión de control'.
Construya su IA con confianza.
Colabore con un equipo que cuenta con amplia experiencia en la creación de la próxima generación de IA empresarial. Permítanos ayudarle a diseñar, construir e implementar una estrategia de IA en la que pueda confiar.
Veriprajna consultora de Deep Tech está especializada en la creación de sistemas de IA críticos para la seguridad en los sectores de salud, finanzas y ámbitos regulatorios. Nuestras arquitecturas se validan conforme a protocolos establecidos, con documentación de cumplimiento integral.