La evolución reciente de las operaciones de injerencia y manipulación informativa obliga a revisar los marcos analíticos heredados de la era de las granjas de bots y de la amplificación social clásica. El problema ya no consiste únicamente en inundar redes con cuentas falsas, sino en contaminar de forma previa y estructural los circuitos de producción, descubrimiento, indexación, recuperación y recombinación de información.
Este trabajo sostiene que la irrupción de arquitecturas basadas en inteligencia artificial generativa ha abierto una nueva fase en la guerra informativa, caracterizada por la automatización industrial de identidades digitales, la fabricación de falso consenso, la explotación de vacíos de datos, la contaminación de corpus y la colonización del entorno cognitivo de modelos generativos y motores de respuesta. [1]
A partir de esa base, el artículo desarrolla dos conceptos operativos. El primero, contaminación aguas arriba, describe la manipulación del ecosistema informativo antes del punto final de consumo, es decir, en las fuentes, índices, repositorios, rutas de descubrimiento y mecanismos de recuperación. El segundo, inundación de contenido digital generado por AI, designa la saturación automatizada del entorno informativo mediante textos, imágenes, vídeos, dominios, subdominios, réplicas y señales de visibilidad optimizadas para su indexación y reutilización algorítmica. La utilidad del enfoque se ilustra con una simulación sintética basada en agentes sobre competencia narrativa multilingüe en torno a ETA en euskera, francés e inglés, no como técnica de intervención, sino como instrumento de análisis defensivo y detección de vulnerabilidades narrativas. El trabajo se inserta, además, en un contexto europeo en el que el AI Act ya se aplica progresivamente y el Code of Conduct on Disinformation ha sido integrado en el marco del DSA [2].
Durante años, buena parte del análisis de desinformación digital se centró en la lógica de la amplificación: cuentas coordinadas, trolls, bots, hashtags, tendencia artificial y circulación masiva de narrativas. Ese marco sigue siendo útil, pero ya no resulta suficiente para describir el entorno actual. El NATO Strategic Communications Centre of Excellence sostiene que la desinformación ha evolucionado desde operaciones primitivas y fácilmente detectables hacia sistemas de nueva generación capaces de procesamiento contextual, adopción dinámica de personas, mimetismo conductual e inserción fluida en conversaciones auténticas [3].
Ese desplazamiento obliga también a modificar el objeto de observación. Si antes el reto principal era identificar cuentas falsas visibles o campañas de amplificación burda, hoy el problema central consiste en comprender cómo se manipula el ecosistema previo que alimenta buscadores, sistemas de recomendación, repositorios documentales, espacios abiertos de edición y modelos de lenguaje. La disputa ya no se produce solo en la salida del sistema, sino también en el entorno donde se construyen las condiciones de descubrimiento, plausibilidad y recuperación. En ese punto, la cuestión decisiva deja de ser únicamente qué mensaje circula para pasar a ser qué materiales quedan disponibles para que humanos y máquinas reconstruyan una determinada imagen de la realidad.
Esta mutación se inscribe, además, en un contexto de institucionalización creciente de la respuesta europea. La Comisión Europea resume que el AI Act entró en vigor el 1 de agosto de 2024, que varias obligaciones empezaron a aplicarse el 2 de febrero de 2025 y que las obligaciones relativas a modelos de propósito general se aplican desde el 2 de agosto de 2025, antes de la plena aplicabilidad general prevista para agosto de 2026, salvo excepciones [4]. Paralelamente, el antiguo Code of Practice on Disinformation fue integrado en el marco del DSA como Code of Conduct on Disinformation, con una arquitectura reforzada de transparencia y seguimiento [5].
2. De la amplificación clásica a las máquinas de desinformación
El punto de inflexión descrito por Beyond Spam Bots es especialmente relevante porque desplaza el foco desde el bot como unidad operativa básica hacia la máquina de desinformación como sistema coordinado. El informe sostiene que los sistemas actuales ya pueden combinar descubrimiento de audiencias, generación de personas, producción de contenido, despliegue multicanal y evaluación adaptativa. En sus ejercicios de red teaming, todos los modelos analizados presentaron vulnerabilidades, con tasas de éxito muy dispares, y los modelos abiertos con controles eliminados alcanzaron niveles especialmente altos de susceptibilidad a usos maliciosos [6].
La importancia del hallazgo no reside solo en la posibilidad de producir más contenido, sino en la automatización del ciclo completo de campaña. Según el propio informe, el adversario puede dividir funciones entre agentes especializados y optimizar continuamente la operación a partir del rendimiento observado. El resultado es una capacidad de fabricación industrial de presencia narrativa, donde la coordinación ya no depende tanto de operadores humanos intensivos como de infraestructuras de IA capaces de iterar, segmentar y adaptar.
Esa descripción conecta de manera directa con los informes públicos de OpenAI y Meta sobre usos maliciosos de modelos generativos, en los que ambas compañías documentan campañas de influencia encubierta, estafas, operaciones de comentario coordinado y experimentación con técnicas de abuso cada vez más sofisticadas [7]. Aunque ambos actores sostienen que sus defensas siguen funcionando en muchos casos, reconocen que la IA reduce barreras de entrada, abarata operaciones y multiplica la capacidad de escalar contenido y personalidades falsas.
Simulación 2: sistema multiagente al estilo de la advertencia de la OTAN
Supuesto de partida.
El informe Beyond Spam Bots sostiene que ya existen sistemas de desinformación impulsados por IA capaces de operar con flujo multiagente: descubrimiento, generación de persona, creación de contenido, despliegue y evaluación. También dice que estos sistemas son “buildable today” con tecnología comercial y que pueden ejecutar campañas completas con mínima supervisión humana.
Qué describe exactamente el informe.
El documento explica que la diferencia clave con los bots clásicos es la personalidad algorítmica y la organización por “engagement clusters”. En su ejemplo, no usa una sola cuenta, sino un grupo de cinco papeles coordinados: figura de autoridad, amplificador emocional, proveedor de solución, oposición controlada y narrativa de conversión. En el caso ilustrativo del informe, el sistema identifica una comunidad vulnerable, despliega ese clúster de personas, siembra contenido, amplifica en varias plataformas y luego ajusta automáticamente el peso del contenido emocional cuando detecta que rinde mejor que el analítico.
Simulación defensiva aplicada a un tema político sensible.
En vez de detallar “cómo hacerlo”, el ejercicio útil para un defensor es modelar qué vería si un actor desplegara una arquitectura así sobre un asunto territorial. Día 0: el sistema detecta una comunidad digital multilingüe con alta emocionalidad, baja confianza institucional y fuerte consumo de contenido local. Día 1: aparecen varias voces aparentemente distintas pero complementarias entre sí: una cuenta que aporta apariencia de rigor, otra que expresa enfado o miedo, otra que ofrece una interpretación “razonable”, otra que escenifica dudas “honestas” y otra que representa el cambio de opinión deseado. Días 2 a 4: la narrativa se proyecta en varios formatos y espacios. Días 3 a 7: el sistema aprende qué tono, qué idioma y qué marco consiguen más adopción y reorienta la mezcla. Esa secuencia es, en esencia, la que el informe resume en su tabla de flujo multiagente y en su “seven-day campaign timeline”.
Resultado que la OTAN considera plausible.
En su caso ilustrativo, el informe afirma que en siete días la campaña alcanzó a más de 85.000 usuarios, se extendió orgánicamente a al menos 15 comunidades no sembradas, consiguió que 347 usuarios auténticos repitieran los talking points y elevó un 35 % el volumen de búsquedas asociadas a la conducta deseada. Ese ejemplo no es sobre Euskadi o Cataluña, sino sobre salud, pero sirve para entender qué preocupa al informe: no la pieza falsa aislada, sino la velocidad con la que un sistema aprende, ajusta y fabrica prueba social.
Simulación de impacto en un entorno territorial.
Si se traslada esa lógica a una crisis política o territorial, el resultado más probable en una simulación defensiva no sería una radicalización instantánea, sino una secuencia de cuatro efectos. Primero, falsa percepción de pluralidad: parece que “mucha gente distinta” comparte la misma lectura. Segundo, desplazamiento del centro narrativo: el marco más emocional empieza a parecer el más normal. Tercero, adopción orgánica parcial: usuarios reales reutilizan fragmentos del relato sin percibir su origen coordinado. Cuarto, sobrecarga de moderación y verificación: el sistema adapta el mensaje más rápido de lo que los equipos humanos pueden responder. Ese último punto coincide con una de las conclusiones centrales del informe: el sistema aprende más rápido que la moderación humana y obliga a pasar de gestión reactiva de contenido a resiliencia sistémica.
Qué conllevaría.
En términos sociales y políticos, una campaña así conllevaría más polarización percibida, más deterioro de la confianza en mediadores, mayor facilidad para activar agravios identitarios y una rebaja del umbral de plausibilidad de narrativas antes marginales. En términos operativos, conllevaría también que los actores defensivos tendrían que dejar de mirar solo a la pieza final y pasar a detectar clústeres de personas, secuencias coordinadas, timing anómalo, trasvase entre plataformas y mutaciones de tono o idioma. El propio informe concluye que el momento para ajustes incrementales ya pasó y que la respuesta debe ser coordinada entre plataformas, gobiernos y sociedad civil.
3. Contaminación aguas arriba
Por contaminación aguas arriba entendemos el conjunto de acciones destinadas a manipular el ecosistema informativo antes del momento en que una persona, una redacción, un analista o un sistema generativo consume una respuesta final. No se trata solo de persuadir al receptor último, sino de intervenir sobre las capas previas: fuentes indexables, espacios de archivo, dominios semiperiféricos, señales SEO, repertorios lingüísticos, notas comunitarias, páginas espejo o contenidos aparentemente periodísticos que más tarde funcionarán como insumo para otros procesos.
Figura 4. Representación del modus operandi de la desinformación en lo que a la contaminación aguas arriba se refiere.
Desde esta perspectiva, la eficacia de una campaña no depende únicamente de viralizar una pieza, sino de aumentar la densidad relativa de materiales que puedan ser recuperados, citados, reempaquetados o considerados plausibles por procesos humanos y algorítmicos. La utilidad del concepto se aprecia mejor cuando se lo relaciona con un lenguaje estructurado de técnicas, tácticas y procedimientos. El DISARM Red Framework se presenta oficialmente como un lenguaje común para documentar operaciones de influencia y compartir inteligencia sobre comportamientos manipulativos [8].
Esa formalización permite describir la contaminación aguas arriba no como una intuición vaga, sino como una combinación de procedimientos comparables entre campañas: generación de contaminación informativa, explotación de vacíos de datos, creación de sitios inauténticos o edición de contenidos abiertos. En este sentido, la ventaja de DISARM es epistemológica y operativa a la vez: convierte patrones dispersos en unidades analíticas interoperables.
4. Inundación de contenido digital generado por AI
Por inundación de contenido digital generado por AI entendemos la saturación industrial y automatizada del entorno informativo mediante textos, imágenes, vídeos, artículos, subdominios, webs locales, falsas páginas de noticias y materiales multilingües producidos o asistidos por sistemas generativos. A diferencia de la sobrecarga informativa clásica, esta modalidad no persigue solo volumen, sino persistencia indexable y reutilizable. El objetivo no es únicamente que una pieza sea vista, sino que el ecosistema quede sembrado de suficientes rastros como para que motores de búsqueda, sistemas RAG o modelos generativos recuperen y recompongan esos materiales como si fueran señal legítima.
La preocupación no es teórica. Los informes oficiales y de investigación han ido describiendo una evolución convergente del panorama. OpenAI ha señalado que los actores maliciosos usan sus herramientas para campañas de influencia encubierta, spam, ingeniería social y fraude, mientras Meta ha advertido de un uso creciente de IA en amenazas adversariales, incluidas identidades falsas, estafas, contenido automatizado y técnicas de ocultación[9]. Esa convergencia es relevante porque confirma que la inundación de contenido digital generado por AI ya no es solo un riesgo hipotético de laboratorio, sino una práctica observada por actores centrales del ecosistema.
5. DISARM como puente entre análisis conceptual y operacionalización
Una de las fortalezas del enfoque DISARM es que ayuda a traducir fenómenos difusos en patrones comparables. La DISARM Foundation explica que el framework sirve para documentar incidentes de influencia con una terminología compartida, facilitando tanto la comprensión común como el intercambio de inteligencia entre organizaciones.10 En un contexto donde las campañas son cada vez más modulares, multilingües y dependientes de múltiples infraestructuras, esa capacidad de estandarización resulta especialmente valiosa.
Para el argumento de este trabajo, DISARM permite describir de forma precisa cómo la contaminación aguas arriba y la inundación de contenido digital generado por AI se articulan como secuencias de producción, saturación, inserción y refuerzo. Esta lectura se ve reforzada por trabajos recientes que intentan operacionalizar DISARM mediante arquitecturas agenticas de investigación FIMI. El artículo presentado en arXiv y aceptado para CHI 2026 propone precisamente una operacionalización basada en agentes para detectar comportamientos manipulativos y mapearlos a taxonomías DISARM de manera transparente, con el fin de escalar el trabajo interpretativo de los analistas [11].
6. Wikipedia, espacios abiertos y competencia narrativa multilingüe
Wikipedia merece una atención especial no porque sea la única plataforma relevante, sino porque concentra tres propiedades especialmente sensibles: autoridad simbólica, apertura editorial y reutilización indirecta por periodistas, estudiantes, buscadores y sistemas automáticos. En términos DISARM, los entornos abiertos de conocimiento son superficies plausibles para técnicas como Edit Open-Source Content, precisamente porque permiten desplazamientos graduales del marco dominante, reforzamiento multilingüe asimétrico y sedimentación de cambios que pueden ser más influyentes que una campaña visible de corta duración.
La dimensión multilingüe resulta decisiva. Los ecosistemas lingüísticos no son homogéneos ni presentan la misma densidad de vigilancia, volumen de corpus ni capacidad de auditoría. En el caso europeo, esto se vuelve especialmente relevante en idiomas de menor masa crítica, donde la relación entre producción de contenido, señal de calidad y capacidad correctora puede ser más frágil. La propia agenda del NATO StratCom COE ha subrayado la importancia estratégica de los idiomas menos extendidos al publicar, también en abril de 2026, un estudio sobre brechas de rendimiento de modelos de lenguaje en lenguas oficiales menos usadas de la Unión Europea [12].
En el caso español, esta sensibilidad se proyecta sobre las lenguas cooficiales. Una investigación periodística de El Español sostuvo en abril de 2026 que una operación rusa cocinada en Crimea habría estado inyectando contenido propagandístico en castellano, catalán, gallego y euskera con la intención de contaminar el entorno de la IA generativa. La afirmación debe leerse como una alerta periodística y no como atribución técnica concluyente, pero resulta coherente con el patrón general de explotación de ecosistemas de menor volumen y más difícil auditoría [13].
Simulación 1: contaminación aguas arriba en lenguas minoritarias sobre Euskadi y Cataluña
Supuesto de partida.
Un actor hostil busca que, cuando usuarios consulten en catalán o euskera sobre temas políticamente sensibles, las respuestas automáticas y parte del entorno digital recuperen con más frecuencia marcos de “agravio territorial”, “abandono del centro”, “ineficiencia estatal” o “represión cultural”. El valor estratégico de las lenguas de menor volumen es que suelen tener menos corpus de alta calidad, menos auditoría especializada y menos mecanismos de corrección continuada que los grandes idiomas. El reportaje de El Español precisamente plantea ese riesgo para catalán, gallego y euskera.
Objetivo del actor en esta simulación.
No sería “convencer a todo el mundo”, sino desplazar el entorno de referencia en tres niveles: primero, aumentar la presencia relativa de ciertos encuadres en búsquedas y contenidos periféricos; segundo, lograr que algunas respuestas de IA incorporen esos marcos como contexto plausible; y tercero, hacer que actores orgánicos locales los reutilicen como si fuesen descripciones neutrales del problema. Este tipo de lógica encaja con técnicas DISARM como Generate information pollution, Flooding the Information Space, Create Inauthentic News Sites, Create Localized Content, Exploit Data Voids y Edit Open-Source Content.
Secuencia observable por un defensor.
Semana 1: empieza a crecer un volumen anómalo de piezas en catalán y euskera sobre asuntos localmente sensibles, con formatos aparentemente periodísticos, tono emocional y fuerte repetición semántica. No haría falta que fueran virales; bastaría con que fueran indexables, múltiples y persistentes. El signo de alerta no sería una sola “fake news”, sino la aparición simultánea de muchos rastros digitales de baja calidad pero alta repetición. Este patrón coincide con lo que DISARM llama contaminación informativa y con lo que el artículo periodístico describe como “inyectar basura informativa” en la “comida de las máquinas”.
Semana 2: aparecen consultas cada vez más próximas a vacíos de datos o asuntos poco cubiertos en esas lenguas, por ejemplo infraestructuras, financiación territorial, memoria política o agravios institucionales. El efecto visible para un analista no sería todavía la movilización social, sino que ciertas búsquedas empiezan a devolver desproporcionadamente contenido periférico, repetitivo o muy alineado en su encuadre. Eso encaja con Exploit Data Voids y con el uso de contenido localizado descrito en DISARM.
Semana 3: se observa migración del contenido desde sitios marginales a piezas secundarias, foros, comentarios, resúmenes automáticos y, en algunos casos, respuestas de sistemas generativos. En esta simulación, el salto crítico no es la “viralidad” en redes, sino la normalización del marco: la narrativa deja de parecer marginal y empieza a aparecer como una de varias “explicaciones plausibles”. OpenAI y Meta han advertido de que la IA ya está siendo usada por actores adversarios para acelerar producción de contenido, crear personas falsas y explorar contaminación de datos, aunque sus informes insisten en que las defensas siguen mitigando una parte relevante de estos abusos.
Semana 4 a 6: empieza la fase de efecto político indirecto. Usuarios locales, periodistas o actores militantes encuentran más fácilmente esos materiales, los citan o los reformulan, y la narrativa entra en conversación pública orgánica. El resultado no tiene por qué ser un cambio súbito de opinión, sino algo más corrosivo: más ambigüedad sobre hechos básicos, más disponibilidad de marcos de agravio y más facilidad para reactivar tensiones territoriales en coyunturas de crisis. Beyond Spam Bots define precisamente el riesgo central como la fabricación industrial de falso consenso y el ataque a los mecanismos con los que una sociedad distingue entre verdad y apariencia de consenso.
Resultado simulado.
En una corrida sintética de 45 días, un defensor podría modelar algo así: en catalán y euskera, las respuestas automáticas sobre tres temas sensibles pasan de citar marcos neutrales en el 80 % de los casos a hacerlo solo en el 55 %; los marcos de agravio territorial aparecen en el 35 %; y los encuadres abiertamente sesgados, en el 10 %. En consumo humano, eso podría traducirse no tanto en apoyo explícito a una posición radical, sino en tres efectos acumulativos: aumento de la desconfianza en instituciones estatales, mayor percepción de conflicto centro-periferia y más receptividad a lecturas maximalistas del desacuerdo político. Esto es una simulación, no una medición real. La literatura e informes recientes sostienen, sin embargo, que la exposición repetida a contaminación informativa y a marcos emocionales puede degradar la confianza y polarizar el entorno.
Qué buscaría un blue team.
Lo más útil no sería buscar una pieza concreta, sino señales compuestas: crecimiento súbito de contenido localizado de baja reputación, repetición semántica interdominio, aparición de los mismos encuadres en distintos soportes, incremento de consultas alrededor de vacíos de datos, y deriva de respuestas generativas hacia marcos homogéneos en una lengua pero no en otra. DISARM Blue propone justamente contramedidas como alfabetización mediática, rate limiting de contenido idéntico, de-amplificación, prebunking, etiquetado y exposición del actor e intenciones.
Síntesis comparada
La diferencia entre ambas simulaciones es de capa, no de lógica. La del artículo de El Español apunta a una contaminación aguas arriba del ecosistema en lenguas minoritarias para que la IA y la búsqueda recuperen marcos sesgados; la del informe de la OTAN apunta a una arquitectura multiagente capaz de fabricar personas, adaptar mensajes y convertir exposición en adopción. La primera trabaja más sobre el sustrato informativo; la segunda, sobre la orquestación dinámica de la campaña. Combinadas, describen un riesgo serio: que el contenido sesgado esté ya disponible y que, además, existan sistemas capaces de activarlo, amplificarlo y optimizarlo a gran velocidad.
7. El caso Portal Kombat y la infraestructura de propagación
La red Portal Kombat ocupa una posición central en esta discusión porque constituye un ejemplo documentado de infraestructura coordinada de propaganda pro-rusa con proyección multilingüe y expansión progresiva. Los informes técnicos de VIGINUM describieron en 2024 una red estructurada de portales y, en su actualización de abril de 2024, señalaron que el ecosistema había alcanzado 224 “portales de información”, además de destacar el papel de TigerWeb, radicada en Crimea, y de Evgeniy Chevtchenko en la creación y gestión de la red [14].
La pertinencia para este paper reside en que Portal Kombat ejemplifica una lógica de abastecimiento narrativo compatible con la idea de contaminación aguas arriba. No se trata solo de persuadir a una audiencia puntual, sino de poblar el ecosistema con suficientes nodos, idiomas y señales como para reforzar la disponibilidad de ciertas narrativas. En este sentido, la diferencia entre propaganda visible e infraestructura de contaminación es analíticamente crucial: en el segundo caso, el éxito no depende de un único contenido viral, sino de la sedimentación de materiales recuperables.
8. Modelado basado en agentes para analizar competencia narrativa multilingüe
El informe Beyond Spam Bots resulta especialmente sugerente porque no describe una única máquina monolítica, sino un sistema multiagente compuesto por fases de descubrimiento, generación de personas, elaboración de contenido, despliegue y evaluación. Ese esquema puede reorientarse con fines defensivos y metodológicos para estudiar cómo compiten narrativas opuestas en distintos idiomas sin intervenir sobre ninguna plataforma real.
Sobre esa base, se ha construido una simulación sintética en tres comunidades lingüísticas (euskera, francés e inglés) con dos marcos narrativos contrapuestos: N1: ETA como organización terrorista y N2: ETA como movimiento revolucionario. El modelo no escribe en Wikipedia, no interactúa con servicios reales y no altera contenidos existentes. Solo representa, en un entorno cerrado, la acción de cuatro tipos de agentes: sembradores, amplificadores, usuarios orgánicos y correctores. La finalidad es estrictamente analítica: observar cómo pequeñas diferencias de afinidad lingüística y exposición acumulada pueden generar paisajes narrativos divergentes.
La lógica del ejercicio es sencilla. Los sembradores introducen impulsos iniciales; los amplificadores refuerzan el marco que perciben como más visible en su comunidad; los usuarios orgánicos reaccionan de forma probabilística según su idioma y la exposición acumulada; y los correctores reducen el exceso de hegemonía narrativa cuando detectan un desequilibrio significativo.
Figura 6. Evolución temporal sintética de los marcos narrativos. La figura procede de una simulación local en entorno controlado y no representa datos reales de Wikipedia.
Figura 7. Evolución temporal sintética por tipo de agente. La intensidad negativa de los agentes correctores representa actividad de corrección o reducción del desequilibrio narrativo.
Figura 8. Intensidad narrativa sintética por idioma. El mapa no refleja contenido real, sino el saldo acumulado del entorno simulado.
9. Nota metodológica sobre las figuras
Las tres figuras incluidas en este documento proceden de una simulación sintética ejecutada localmente y no de datos reales de Wikipedia ni de ninguna plataforma abierta. Su función es estrictamente ilustrativa y metodológica. La primera representa la evolución temporal agregada de dos marcos narrativos; la segunda muestra la actividad neta por tipo de agente; y la tercera sintetiza la intensidad narrativa por idioma. No deben interpretarse como evidencia empírica sobre el caso ETA, sino como demostración de cómo un enfoque multiagente puede ayudar a observar oscilaciones, desequilibrios y sensibilidad lingüística en un entorno controlado.
10. Resultados de la simulación sintética
La simulación ejecutada a 30 días mostró tres resultados analíticamente útiles. En el timeline agregado de competencia narrativa, el marco “ETA como organización terrorista” mantuvo mayor intensidad total, aunque el marco “ETA como movimiento revolucionario” presentó picos temporales relevantes. Esto sugiere que, incluso cuando una narrativa no domina el conjunto, puede conquistar ventanas significativas de visibilidad si recibe impulsos exógenos y apoyo local suficiente.
En el timeline por tipo de agente, los usuarios orgánicos generaron la base continua de actividad, mientras que los amplificadores actuaron como multiplicadores de estabilidad y los correctores introdujeron reducciones puntuales cuando la brecha entre marcos creció demasiado. Este patrón es útil porque ilustra una idea central para la investigación FIMI: las arquitecturas de influencia no dependen solo de la siembra inicial, sino de la relación entre amplificación, normalización orgánica y corrección insuficiente.
En el mapa de intensidad por idioma, el resultado sintético agregado fue el siguiente:
• Inglés: N1 = 583; N2 = 52.
• Euskera: N1 = 97; N2 = 511.
• Francés: N1 = 230; N2 = 106.
El resultado no es empírico sobre Wikipedia real, pero ilustra con claridad cómo una misma disputa semántica puede desembocar en configuraciones muy distintas según idioma, densidad de exposición y afinidades iniciales. En términos metodológicos, esto refuerza la hipótesis de que los espacios multilingües abiertos deben estudiarse como ecosistemas diferenciados y no como una sola conversación homogénea.
11. Discusión
La principal utilidad del modelado basado en agentes no es predecir con exactitud lo que ocurrirá en una plataforma abierta, sino ofrecer una gramática formal para pensar la vulnerabilidad narrativa. En el contexto de Wikipedia y de otros espacios abiertos de referencia, este enfoque permite formular preguntas más precisas: qué marcos se consolidan con más facilidad en cada idioma, qué papel juega la visibilidad previa, cuánta actividad correctora sería necesaria para evitar una sobrerrepresentación persistente y qué tipos de pulso externo disparan cambios más intensos.
Este punto es importante porque la defensa frente a la contaminación aguas arriba no puede depender exclusivamente de la detección ex post de piezas ya viralizadas. Requiere herramientas que permitan anticipar dónde pueden aparecer desequilibrios, qué idiomas o comunidades están más expuestos y qué dinámicas de corrección serían necesarias para evitar que una acumulación de rastros acabe actuando como pseudocorroboración. Desde esta perspectiva, la simulación sintética no sustituye la investigación empírica, pero sí ayuda a diseñar mejores preguntas, mejores indicadores y mejores sistemas de alerta.
12. Conclusión
La etapa actual de la guerra informativa ya no puede entenderse solo como una batalla por el mensaje visible. La evidencia reciente indica que el campo de disputa se ha desplazado hacia la infraestructura epistémica que determina qué puede encontrarse, indexarse, recordarse y recomponerse como conocimiento plausible. Beyond Spam Bots documenta que esta evolución ya no es hipotética: la automatización multiagente de campañas completas es técnicamente viable y los grandes modelos presentan vulnerabilidades explotables. [15]
En ese contexto, la contaminación aguas arriba permite describir la manipulación previa de fuentes, índices y rutas de recuperación, mientras que la inundación de contenido digital generado por AI describe la saturación automatizada del ecosistema con materiales optimizados para ser recuperados y reutilizados. DISARM proporciona un lenguaje estructurado para codificar esas dinámicas, y el modelado basado en agentes ofrece una vía prometedora para analizar, de forma segura, cómo compiten los marcos narrativos en espacios abiertos y multilingües. La lección de fondo es clara: la resiliencia informativa ya no depende solo de desmentir piezas falsas, sino de proteger las condiciones mismas bajo las cuales una sociedad (y ahora también sus máquinas) decide qué parece verdadero, relevante o normal.
[1] NATO Strategic Communications Centre of Excellence, Beyond Spam Bots: The Rise of AI-Powered Disinformation Machines and the Imperative for Strategic Response (Riga, abril de 2026).
[2] Comisión Europea, AI Act: Regulatory framework and application timeline; Comisión Europea, The Code of Conduct on Disinformation, 13 de febrero de 2025.
[3] NATO Strategic Communications Centre of Excellence, Understanding LLM performance gaps: Strategic implications of stance detection and sentiment analysis in small languages, abril de 2026.
[4] Comisión Europea, AI Act: Regulatory framework and application timeline; AI Act Service Desk, Timeline for the Implementation of the EU AI Act.
[5] Comisión Europea, Codes of conduct under the Digital Services Act, 10 de marzo de 2026
[6] NATO Strategic Communications Centre of Excellence, Beyond Spam Bots
[7] OpenAI, Disrupting malicious uses of AI, 21 de febrero de 2025; OpenAI, Disrupting malicious uses of AI: June 2025, 5 de junio de 2025; Meta, Q2–Q3 2025 Semiannual Adversarial Threat Report.
[8] DISARM Foundation, DISARM Red Framework.
[9] OpenAI, «Disrupting malicious uses of AI»: June 2025; Meta, Q2–Q3 2025 Semiannual Adversarial Threat Report.
[10] DISARM Foundation, DISARM Foundation.
[11] Tseng, Toledano, De Clerck, Dukach y Tinn, An agentic operationalization of DISARM for FIMI investigation on social media.
[12] NATO Strategic Communications Centre of Excellence, «Understanding LLM performance gaps: Strategic implications of stance detection and sentiment analysis in small languages», abril de 2026.
[13] Ferran Barber, “La granja de ‘bots’ rusa en Crimea que entrena a la IA con propaganda en catalán, gallego y euskera”, El Español, 11 de abril de 2026.
[14] VIGINUM, Portal Kombat (12 de febrero de 2024); VIGINUM, Portal Kombat, Part Two (14 de febrero de 2024); VIGINUM, Portal Kombat network report, Part Three (28 de abril de 2024).
[15] NATO Strategic Communications Centre of Excellence, Beyond Spam Bots
