Un modelo de lenguaje avanzado acaba de descifrar una transmisión de radio de la Primera Guerra Mundial que llevaba más de un siglo sin resolverse. El texto original formaba parte de una serie de mensajes alemanes de 1918 recopilados por el especialista en criptología Klaus Schmeh en su conocida lista de los cincuenta enigmas históricos pendientes de solución.
A primera vista, la noticia invita al aplauso fácil. Sin embargo, resolver un criptograma táctico corto mediante combinatoria o probabilidad estadística está al alcance de herramientas informáticas bastante más simples que una inteligencia artificial de última generación. Lo verdaderamente relevante de este caso no es que la máquina haya encontrado una traducción coherente, sino lo que hizo después: demostrar por su cuenta que el mensaje era auténtico cruzando datos históricos de forma autónoma.
El riesgo de inventar una traducción plausible
En el criptoanálisis histórico, el mayor problema al recurrir a modelos de lenguaje es la alucinación. Si introduces una secuencia de caracteres cifrados y pides a un sistema que busque regularidades, el algoritmo puede reorganizar las letras hasta dar con una frase en alemán antiguo perfectamente estructurada pero totalmente inventada. La corrección sintáctica no garantiza la verdad histórica.
El mensaje interceptado en 1918 decía lo siguiente: «EIN ENGLISCHER KREUZER EINLIEG X SEWASTOPOL X S4STEN X EIN GESCHWADER DER X ALLIIERTEN FOLGT 26STEN X».
Traducido al español, el texto describe una operación militar concreta: «Un crucero inglés fondeó en Sebastopol el 24; una escuadra de los aliados le sigue el 26». La letra equis actúa como separador entre oraciones, una práctica habitual en los telegramas militares de la época para evitar confusiones en la transmisión, mientras que el número del primer día contiene un error tipográfico o un carácter deteriorado por la señal de radio original.
La frase tiene todo el sentido castrense. Pero en el terreno de la investigación, una propuesta de descifrado sin pruebas documentales que la respalden sigue siendo una simple teoría.
La comprobación autónoma en los archivos navales
Aquí es donde el experimento cambia de escala. En lugar de conformarse con entregar el texto traducido y cerrar la tarea, el modelo ejecutó una verificación cruzada contra registros históricos externos para validar su propia solución.
Rastreando la cronología naval de finales de 1918, la máquina localizó el buque exacto al que hacía referencia el mensaje: el crucero ligero británico HMS Canterbury. Los diarios de navegación de la Royal Navy confirman que este barco llegó al puerto de Sebastopol el 24 de noviembre de 1918. El informe oficial añade además que el grueso de la escuadra aliada entró en la bahía crimea dos días después, el 26 de noviembre, encajando de manera exacta con las fechas transmitidas en el despacho alemán.
El marco temporal aclara el cuadro completo. Aunque el armisticio en el frente occidental se había firmado el 11 de noviembre, la tensión en la cuenca del mar Negro seguía muy viva debido a la guerra civil rusa y a la evacuación de las tropas de los imperios centrales. Las estaciones de radio alemanas vigilaban de cerca los movimientos de la Entente en Crimea, y ese mensaje era el registro en tiempo real de una maniobra marítima decisiva.
De resolver acertijos a contrastar fuentes
La frontera entre adivinar letras y hacer investigación radica en la prueba documental. Hasta ahora, el uso de algoritmos en enigmas históricos exigía una supervisión humana constante y pesada: los especialistas tenían que acudir a los archivos para comprobar si la hipótesis de la máquina tenía sustento documental o era una casualidad matemática bien vestida.
En este episodio, la máquina cubrió el ciclo de trabajo completo. Formuló la lectura del texto, aisló los datos críticos (un crucero inglés, una fecha y un puerto) y contrastó la información contra bases documentales hasta hallar la bitácora que convertía la hipótesis en un hecho probado.
El interés de este resultado no reside en haber cerrado uno de los muchos misterios menores de la contienda de 1918. Lo significativo es la capacidad de estos sistemas para fiscalizar sus propias conclusiones. Cuando un modelo aprende a verificar lo que produce contra fuentes empíricas antes de darlo por bueno, deja de comportarse como un generador probabilístico de texto y empieza a actuar como un investigador metódico.
Si te ha gustado este artículo y quieres recibir más contenido sobre innovación y tecnología directamente en tu correo, suscríbete a nuestra newsletter y mantente siempre actualizado. No somos de los que llenan tu bandeja, solo compartimos los lunes.
