La Región de Murcia ha puesto en marcha la primera edición de un programa de aceleración de inteligencia artificial aplicada a Defensa Naval, una iniciativa de seis meses que reúne a siete empresas y startups junto con tres investigadores seleccionados entre más de 25 candidaturas. El programa está impulsado por la Consejería de Empresa a través del Instituto de Fomento y el Ceeic y se desarrolla con participación de actores del ecosistema naval como la Armada, Navantia y SAES.
La convocatoria busca trasladar capacidades de IA a problemas industriales concretos: gemelos digitales, mantenimiento predictivo, detección de anomalías y fallos, analítica avanzada, robótica naval, tecnologías submarinas y ciberseguridad. El objetivo declarado es que los participantes avancen desde la idea y la validación inicial hacia pruebas de concepto, demostradores o proyectos colaborativos.
La aceleradora se integra en la estrategia regional Caetra y utiliza Cartagena como entorno de conexión entre empresas tecnológicas, centros de conocimiento e industria naval. Su interés público está en comprobar si un programa de acompañamiento especializado consigue transformar conocimiento en soluciones que puedan probarse, medirse y eventualmente escalarse.
Un programa de seis meses
La duración permite trabajar más allá de una jornada de innovación. Los equipos pueden dedicar tiempo a comprender el problema, preparar datos, construir una prueba y revisar resultados.
Un calendario de seis meses también obliga a priorizar casos concretos. Los participantes no pueden resolver todos los retos del sector naval y deben concentrarse en hipótesis verificables.
La metodología debería diferenciar claramente ideación, prueba, validación y posible industrialización.
Siete empresas y startups seleccionadas
La selección de siete compañías reduce el tamaño del grupo y facilita un acompañamiento más intenso.
Las empresas pueden aportar capacidades de software, análisis de datos, visión artificial, robótica o ciberseguridad.
El valor del programa dependerá de que cada equipo tenga acceso suficiente a contexto técnico para diseñar soluciones relevantes.
Tres investigadores en la misma aceleradora
La incorporación de investigadores introduce una dimensión de transferencia científica.
En IA aplicada a sistemas físicos, la investigación puede aportar modelos y metodologías que todavía no están presentes en productos comerciales.
La colaboración con empresas puede acelerar la validación en entornos próximos a la realidad.
Más de 25 candidaturas
La demanda inicial muestra interés empresarial por el sector naval y la IA.
El proceso de selección debería conservar criterios transparentes sobre encaje con retos, madurez tecnológica y capacidad del equipo.
Estos criterios ayudarán a evaluar después si el modelo de aceleración eligió proyectos con posibilidades reales de continuidad.
La Armada como parte del ecosistema
La participación de la Armada permite aportar conocimiento sobre necesidades y condiciones de operación sin que las empresas trabajen únicamente con supuestos.
El programa menciona también la oficina técnica de apoyo al ciclo de vida del submarino S-80 y la Jefatura de Mantenimiento.
La colaboración debe gestionar con cuidado qué información puede compartirse y en qué entornos, especialmente cuando existe sensibilidad operativa.
Navantia y su centro de excelencia
Navantia participa junto con su COEX, aportando experiencia industrial y conocimiento del ciclo de vida de plataformas navales.
La empresa puede ayudar a identificar requisitos de integración, mantenimiento y certificación que una startup no conoce al inicio.
El acceso a ese contexto reduce la distancia entre una prueba de laboratorio y una solución industrializable.
SAES y tecnologías submarinas
SAES incorpora experiencia en sistemas y tecnologías submarinas.
En este ámbito, los datos suelen proceder de sensores y sistemas especializados con requisitos altos de fiabilidad.
Los modelos de IA deben someterse a validaciones rigurosas antes de cualquier uso operativo.
Gemelos digitales
Los gemelos digitales pueden reproducir el estado de un activo o proceso y permitir simulaciones.
Su utilidad depende de que los datos estén actualizados y de que el modelo represente con suficiente fidelidad el sistema real.
Asturias está desarrollando un gemelo digital territorial con una lógica distinta, pero comparte la necesidad de gobernar datos y modelos.
Mantenimiento predictivo
La IA puede analizar series de sensores para detectar señales que preceden a un fallo.
El beneficio aparece cuando una alerta permite programar mantenimiento antes de una avería y evita intervenciones innecesarias.
Los modelos deben compararse con históricos reales y medir falsos positivos y falsos negativos.
Detección de anomalías
Los sistemas pueden aprender patrones de comportamiento normal y avisar cuando aparece una desviación.
En entornos industriales, una anomalía no siempre significa un fallo; puede deberse a un cambio legítimo de operación.
La supervisión humana sigue siendo necesaria para interpretar el contexto.
Analítica avanzada de datos
La acumulación de información técnica permite buscar correlaciones y patrones difíciles de detectar manualmente.
La analítica debe partir de una arquitectura que documente origen, calidad y frecuencia de los datos.
Un modelo sofisticado no corrige automáticamente problemas de sensores o registros incompletos.
Robótica naval
Los sistemas autónomos o semiautónomos pueden apoyar inspección, mantenimiento o exploración en entornos difíciles.
La autonomía necesita límites claros y mecanismos de control.
La validación debe incluir escenarios inesperados y degradación de sensores.
Tecnologías submarinas
La comunicación y operación bajo el agua plantean restricciones específicas de conectividad, energía y posicionamiento.
Los proyectos de IA deben adaptarse a estas condiciones en lugar de asumir conectividad permanente.
Los modelos pequeños y el procesamiento en el borde pueden ser útiles cuando no es viable enviar todos los datos a una nube.
Ciberseguridad desde el diseño
Los sistemas navales incorporan cada vez más software y conectividad.
La IA puede ayudar a detectar comportamientos anómalos, pero también introduce nuevas dependencias y superficies de ataque.
El Threat Landscape 2026 de ENISA subraya la importancia de la cadena de suministro y la gestión de vulnerabilidades.
Datos sensibles y entornos controlados
Una aceleradora de defensa necesita reglas más estrictas que un programa empresarial generalista.
Los participantes deberían trabajar con datos sintéticos, anonimizados o autorizados según cada caso.
La separación de entornos evita que una prueba experimental tenga acceso innecesario a sistemas reales.
Clasificación de información
Los proyectos deben conocer desde el principio qué información puede compartirse y cuál está restringida.
Esto afecta a almacenamiento, colaboración y uso de herramientas externas.
Una plataforma generativa pública no debería recibir documentación sensible por comodidad.
Propiedad intelectual
Cuando una empresa desarrolla una solución con apoyo institucional y conocimiento industrial, deben definirse derechos sobre software, modelos y resultados.
La claridad contractual evita conflictos si la prueba evoluciona hacia un producto.
También permite saber qué componentes pueden reutilizarse en otros proyectos.
Interoperabilidad
Una solución aislada tiene pocas posibilidades de escalar.
Los demostradores deberían utilizar APIs, formatos y arquitecturas compatibles con sistemas existentes.
El enfoque modular descrito en GovStack ofrece una referencia general sobre componentes reutilizables.
Agentes de IA y autorización
Si un sistema puede ejecutar acciones, necesita controles adicionales.
La arquitectura PICEE-PA propone separar la capacidad del modelo de la autorización para actuar.
Este principio resulta especialmente relevante en entornos industriales críticos.
Pruebas de concepto
La aceleradora pretende avanzar hacia PoC y demostradores.
Una prueba debe responder a una pregunta concreta: si el modelo detecta anomalías, cuánto mejora frente al método actual y con qué tasa de error.
Definir métricas antes de empezar evita evaluar únicamente por impresión.
Demostradores en entorno representativo
Después de una PoC de laboratorio, el siguiente paso puede ser una prueba con condiciones similares a producción.
Los datos, latencia y ruido cambian cuando el sistema sale del entorno controlado.
Esta fase permite identificar problemas de integración.
Del demostrador al contrato
Un programa público de innovación no debería convertir automáticamente a participantes en proveedores.
Si una solución llega a compra, deberán respetarse las reglas de contratación y competencia.
La aceleradora puede facilitar validación sin predeterminar adjudicaciones.
Compra pública innovadora
Los retos tecnológicos complejos pueden utilizar procedimientos que permitan dialogar con el mercado y probar soluciones.
La Administración debe describir necesidades y resultados esperados.
Evitar especificaciones excesivamente cerradas aumenta competencia.
Transferencia de conocimiento
El programa debería documentar qué metodologías y componentes resultan útiles.
Las lecciones pueden compartirse con otras empresas del ecosistema sin revelar información sensible.
Así la inversión produce capacidad más allá de los diez participantes.
Caetra como marco regional
La aceleradora se integra en la estrategia Caetra para tecnologías de doble uso y defensa.
La Región de Murcia busca conectar industria, investigación y demanda institucional.
La gobernanza debe mantener claridad sobre objetivos económicos, tecnológicos y de seguridad.
Talento especializado
El sector necesita perfiles con conocimiento de IA y sistemas industriales.
La participación de investigadores puede ayudar a crear trayectorias de transferencia.
Las universidades y centros tecnológicos pueden ampliar la base de profesionales.
Modelos pequeños y edge computing
No todos los usos requieren grandes modelos en la nube.
En sistemas con conectividad limitada, procesar cerca del sensor puede reducir latencia y exposición de datos.
La elección debe basarse en precisión, consumo y capacidad de mantenimiento.
Versionado de modelos
Cada prueba debe registrar qué versión se utiliza.
Una actualización puede alterar resultados.
La trazabilidad facilita comparar y reproducir experimentos.
Observabilidad
Los equipos necesitan conocer tiempos de inferencia, errores y disponibilidad.
La monitorización permite detectar degradación.
En un sistema crítico, una caja negra difícil de observar es un riesgo operativo.
Capacidad de desconexión
Cualquier componente de IA debería poder desactivarse de forma segura si se comporta de manera inesperada.
El sistema principal necesita una estrategia de degradación.
La continuidad no puede depender de que el modelo esté siempre disponible.
Supervisión humana
Asturias ha defendido recientemente una IA bajo supervisión humana. En el ámbito naval, este principio es todavía más relevante.
Los operadores deben conocer cuándo confiar en una recomendación y cuándo verificar.
La formación debe acompañar cualquier despliegue.
Métricas del programa
Además del número de participantes, conviene medir pruebas completadas, demostradores validados, proyectos posteriores, inversión privada y empleo generado.
También deberían registrarse proyectos descartados y por qué.
Aprender qué no funciona es parte del retorno.
Una segunda edición basada en evidencia
Si el programa continúa, los resultados de esta primera edición deberían determinar cambios en selección y metodología.
La comparación entre cohortes puede mejorar eficiencia.
El objetivo no es aumentar participantes indefinidamente, sino producir proyectos con mayor calidad.
Fuentes
La Comunidad Autónoma de la Región de Murcia informó del programa el 21 de septiembre de 2026 en su nota oficial sobre la aceleradora de IA aplicada a Defensa Naval. La información también fue recogida por medios locales como Cartagena Diario.
El principal indicador de éxito será cuántos retos llegan a una prueba convincente y cuántos pueden transformarse después en productos o proyectos colaborativos con métricas claras y controles adecuados.
Validación con métricas industriales
Los proyectos de la aceleradora deberían definir desde el inicio indicadores técnicos y operativos. Un modelo de mantenimiento predictivo puede medirse por anticipación de fallo, falsas alarmas y horas de indisponibilidad evitadas; un sistema de visión, por precisión y velocidad de procesamiento.
Utilizar métricas acordadas con los responsables del entorno evita que una demostración visualmente convincente se confunda con una solución lista para producción.
Requisitos de integración desde el primer prototipo
Una prueba que solo funciona en un portátil aislado puede resultar difícil de escalar. Los equipos deberían documentar interfaces, formatos de datos, necesidades de red y dependencias desde las primeras fases.
Esta disciplina permite estimar el coste real de pasar del demostrador a un sistema integrado.
Propiedad del conocimiento generado
Además del código, el programa puede producir datasets anotados, modelos ajustados y documentación. Los acuerdos deben definir quién puede reutilizar cada activo y bajo qué condiciones.
La claridad es importante para que una empresa pueda comercializar su solución sin conflictos y para que las entidades colaboradoras protejan información sensible.
Transferencia entre sector naval civil y defensa
Parte de las capacidades de mantenimiento, sensórica o robótica pueden tener aplicaciones duales. La aceleradora puede identificar qué componentes son reutilizables en astilleros civiles, puertos o industria marítima.
Esa diversificación amplía mercado y reduce dependencia de un único cliente institucional.
Criterio de salida para cada proyecto
La aceleradora debería definir cuándo una idea se considera validada, cuándo necesita otra iteración y cuándo debe cerrarse. Esta disciplina evita prolongar pruebas sin evidencia suficiente.
Un proyecto descartado puede seguir aportando valor si documenta por qué no funcionó y qué condiciones serían necesarias para retomarlo.
Seguimiento posterior
Una revisión a seis meses permitirá saber qué demostradores continúan activos y cuáles encontraron barreras de integración, financiación o validación.
Escalado con control
El paso de una prueba a producción debería hacerse por fases, aumentando usuarios y criticidad solo cuando la evidencia confirme seguridad y rendimiento. Esta progresión permite corregir integración y operación antes de extender una solución a todo el entorno.
Fotografía: Alexandr Ivanov / Pexels.