Por Aixa Benitez, Head of Geospatial Intelligence & Cyber Security Engineer Roca Defense & Systems Detectar no es decidir, nunca tuvimos tantos datos sobre lo que ocurre en el mar y sin embargo, disponer de más información no significa necesariamente comprender mejor una situación. Ésta es, posiblemente, una de las tensiones más importantes de la inteligencia geoespacial contemporánea. Una detección puede indicarnos que existe un contacto en determinada posición. Pero esa detección, por sí sola, no nos dice necesariamente qué estamos observando, qué grado de confianza merece la información, qué otras fuentes la corroboran, qué incertidumbre permanece ni qué decisión corresponde evaluar. La diferencia parece semántica. Operacionalmente, es enorme. Por eso considero que una de las discusiones que debemos plantear en GEOINT ya no es simplemente cómo aumentar nuestra capacidad para observar. La pregunta más exigente es otra: ¿Cómo transformamos observaciones heterogéneas en evidencia trazable, contextualizada y suficientemente confiable para apoyar una decisión humana responsable? Durante mucho tiempo, una parte importante del problema de Maritime Domain Awareness podía formularse en términos de cobertura: observar áreas más extensas, incrementar persistencia, incorporar sensores y reducir zonas sin información. Ese problema no desapareció. Pero se le superpuso otro. Hoy podemos recibir información procedente de sistemas cooperativos, radares, constelaciones satelitales, sensores electroópticos, plataformas autónomas y múltiples infraestructuras digitales. El desafío pasa progresivamente de la escasez de observaciones a la capacidad de correlacionarlas, contextualizarlas y determinar cuánto podemos confiar en ellas. No es una discusión exclusivamente nuestra. En 2026, la United States Geospatial Intelligence Foundation puso en marcha un Maritime Domain Awareness Working Group orientado precisamente a estudiar brechas de sensado, fusión de datos y analítica, así como el papel de la inteligencia artificial para acelerar el análisis y reducir latencias. El problema puede observarse con un ejemplo sencillo. AIS constituye una fuente cooperativa extraordinariamente valiosa. Permite comunicar automáticamente información como identidad, posición, rumbo y velocidad, y su utilización está regulada internacionalmente para determinadas categorías de buques. Pero una declaración AIS y una observación física no son exactamente lo mismo, una detección SAR puede aportar evidencia independiente de presencia en superficie, aunque por sí sola tampoco debería utilizarse para inferir automáticamente identidad o intención. Una imagen EO/IR puede proporcionar contexto visual, pero su utilidad depende, entre otras variables, de resolución, geometría, condiciones ambientales, disponibilidad y oportunidad temporal. Un radar puede mantener una pista, pero esa pista adquiere otro valor cuando puede relacionarse con información geoespacial y temporal adicional. Y GNSS, aun siendo una infraestructura fundamental para posicionamiento, navegación y tiempo, tampoco debería ser tratado como una fuente infalible. En 2025, IMO, ICAO e ITU manifestaron conjuntamente su preocupación por el aumento de episodios de jamming y spoofing que afectan sistemas GNSS. Ninguna de estas observaciones obliga a desconfiar sistemáticamente de los sensores.Obliga a diseñar sistemas capaces de administrar la confianza. Observar, declarar, inferir y decidir no son la misma cosa Aquí aparece una distinción doctrinaria que considero fundamental. Un sistema puede observar. Una fuente puede declarar. Un algoritmo puede inferir. Pero una autoridad debe decidir. Confundir esos niveles puede transformar una alerta técnica en una conclusión operacional antes de disponer de evidencia suficiente. Una detección SAR sin correspondencia AIS, por ejemplo, no demuestra automáticamente una actividad irregular. Puede existir una diferencia temporal, una limitación de recepción, una condición operacional legítima o simplemente información todavía insuficiente. De la misma manera, una transmisión AIS no debería convertirse automáticamente en una confirmación independiente de identidad y posición. La función de GEOINT aparece precisamente en ese espacio entre ambas cosas. No consiste solamente en colocar información sobre un mapa. Consiste en relacionar espacio, tiempo, procedencia, comportamiento, contexto e incertidumbre para transformar datos dispersos en conocimiento útil. Por eso, una arquitectura GEOINT madura debería poder responder no sólo: ¿Dónde está? sino también: ¿Qué sabemos realmente? ¿Cómo lo sabemos? ¿Qué fuentes coinciden? ¿Cuáles se contradicen? ¿Cuándo fueron obtenidas? ¿Qué incertidumbre permanece? ¿Qué observación adicional permitiría reducirla? Esta última pregunta es especialmente importante. Porque GEOINT no debería producir únicamente respuestas. También debería ayudarnos a formular mejores preguntas operacionales. El desafío no es acumular capas, integrar no es superponer datos: es convertir fuentes heterogéneas en evidencia coherente para decidir con mayor confianza. SAR, AIS, radar, EO/IR, meteorología, oceanografía, cartografía, telemetría y fuentes abiertas pueden representarse simultáneamente en una interfaz. Eso no significa que hayan sido realmente integradas. La integración comienza cuando el sistema conserva procedencia, temporalidad, calidad y relaciones entre observaciones. Una correlación SAR–AIS, por ejemplo, puede considerar distancia, diferencia temporal, rumbo, velocidad, dimensiones estimadas y calidad de las fuentes. Pero el resultado no debería presentarse como una verdad matemática. Un score es útil cuando ayuda al analista a comprender por qué dos observaciones podrían corresponder al mismo objeto, qué evidencia sostiene esa hipótesis y qué podría invalidarla. Ésa es una diferencia importante entre automatizar una respuesta y automatizar una parte del razonamiento. También existe una evolución internacional hacia ecosistemas de datos marítimos interoperables. La International Hydrographic Organization (IHO) desarrolla y mantiene el marco S-100 —Universal Hydrographic Data Model— para la creación de productos y servicios hidrográficos digitales interoperables. El marco respalda especificaciones asociadas a cartas electrónicas de navegación, superficies batimétricas, información de nivel de agua, corrientes superficiales, avisos a la navegación y otros productos marítimos. Su arquitectura, complementada por especificaciones de interoperabilidad como S-98, refuerza que el intercambio y la integración entre productos de información deben ser principios de diseño, no una capacidad incorporada de manera posterior. Esto sugiere una conclusión que trasciende cualquier plataforma: la interoperabilidad ya no puede ser una integración posterior; debe ser un principio de arquitectura. La confianza operacional depende de la integridad de toda la cadena, desde el sensor hasta la decisión. Hay otro aspecto que, a mi juicio, merece mayor presencia en la conversación sobre GEOINT, la calidad de una pista no depende solamente del sensor, Depende también de todo lo que ocurre después. Sensor → enlace → ingestión → procesamiento → fusión → visualización → decisión. Si se degrada la autenticidad, integridad, disponibilidad o trazabilidad en alguno de esos puntos, también se degrada nuestra
READ MORE
MÉXICO AEROESPACIAL 
