Estados Unidos busca desarrollar un sistema que combine inteligencia artificial, aprendizaje automático y sensores capaces de medir respuestas fisiológicas a distancia. El proyecto, denominado Polygraph Next, plantea una nueva generación de herramientas para evaluar la credibilidad, aunque persisten dudas científicas sobre la capacidad de detectar una mentira de forma confiable.
El Departamento de Defensa de Estados Unidos solicitó US$30,3 millones durante cinco años para desarrollar Polygraph Next, un programa destinado a modernizar las tecnologías utilizadas en evaluaciones de credibilidad. La propuesta contempla una primera partida de unos US$6,4 millones para el ejercicio fiscal 2027 y todavía debe ser aprobada por el Congreso estadounidense.
La principal diferencia respecto del polígrafo tradicional está en la forma de obtener y procesar los datos. El programa plantea utilizar “standoff sensing”, es decir, tecnologías capaces de registrar señales fisiológicas sin colocar sensores directamente sobre la persona. A esto se sumarían algoritmos de inteligencia artificial y aprendizaje automático destinados a puntuar automáticamente los resultados y generar herramientas de apoyo para la toma de decisiones.
La idea no consiste necesariamente en encontrar una única señal asociada con la mentira, sino en analizar múltiples indicadores fisiológicos y conductuales para identificar patrones. Entre las tecnologías que el Departamento de Defensa ya exploró aparecen sistemas capaces de utilizar cámaras para estimar frecuencia cardíaca y respiratoria, mientras que otros prototipos analizan variables como temperatura facial, movimientos de la cabeza y actividad de los poros.
El problema: la IA no elimina las limitaciones del polígrafo
El desafío tecnológico está en determinar qué significa realmente una determinada respuesta fisiológica. Un aumento de la frecuencia cardíaca, por ejemplo, puede estar relacionado con estrés, miedo, ansiedad o esfuerzo cognitivo y no necesariamente con una mentira.
La propia investigación científica sobre el polígrafo arrastra esta dificultad. Un análisis del National Research Council de Estados Unidos señaló que las estimaciones de precisión obtenidas en determinados estudios probablemente sobreestiman el desempeño que puede esperarse en condiciones reales, debido a las diferencias entre los entornos controlados y las situaciones de campo. También advirtió sobre la dificultad de trasladar los resultados entre distintas poblaciones y contextos.
Por eso, incorporar IA introduce una segunda capa de incertidumbre: el algoritmo puede procesar una cantidad mucho mayor de señales que un sistema tradicional, pero necesita datos de entrenamiento y criterios confiables para determinar qué patrones corresponden efectivamente a engaño.
El proyecto del Pentágono busca precisamente generar esa infraestructura. La documentación presupuestaria contempla almacenamiento en la nube y herramientas de análisis de datos para perfeccionar el software, identificar nuevas características diagnósticas y realizar pruebas operativas con diferentes formatos de evaluación.
Una tecnología con implicancias más allá de la defensa
El interés del proyecto también está relacionado con la posibilidad de realizar evaluaciones a mayor escala. La Agencia de Contrainteligencia y Seguridad de Defensa (DCSA) plantea utilizar estas tecnologías en procesos de selección y control de personal, así como en la detección de posibles amenazas internas.
El antecedente inmediato es Polygraph+, iniciativa lanzada por la Defense Innovation Unit en 2023 para buscar alternativas tecnológicas al polígrafo convencional. En aquella experiencia fueron seleccionados prototipos de Presage Technologies y Altec Research, con participación de investigadores de instituciones como Carnegie Mellon, MIT, la Universidad de Maryland y Columbia.
Para América Latina, el desarrollo resulta relevante por una cuestión tecnológica más amplia: la convergencia entre IA, visión computacional, sensores biométricos, análisis de señales fisiológicas y procesamiento en la nube está desplazando determinadas capacidades de medición desde dispositivos especializados hacia cámaras y sistemas informáticos convencionales.
Esto abre aplicaciones potenciales en seguridad, control de acceso, investigación y monitoreo, pero también plantea interrogantes sobre privacidad, falsos positivos, sesgos de los modelos y utilización de información biométrica. El caso estadounidense muestra que el desafío no pasa solamente por conseguir algoritmos más potentes: también es necesario demostrar científicamente qué puede medir realmente un sistema de este tipo y con qué nivel de confiabilidad.
