La Partea 3 a buclei, senzorii au detectat, fuziunea a urmărit și operatorii au candidați ordonați în fața lor. Etapa de țintire începe: care dintre candidați merită angajat, cu ce prioritate, în ce condiții, cu ce resurse. Acesta este locul unde AI în apărare este cel mai puțin matur, cel mai controversat și cel mai probabil să dezamăgească când este suprapromis. Partea 3 este despre a face aceasta credibil — construind instrumente de suport decizional care comprimă cogniția analistului fără a trece în țintire autonomă, cu limitele structurale de control uman în buclă pe care achizițiile și doctrina le solicită.

Cadrul arhitectural rămâne Partea 1: Bucla. Ingineria la nivelul senzorului se află în Partea 2. Această parte acoperă mijlocul buclei.

Ce Este și Ce Nu Este AI pentru Suport Decizional

Expresia „AI pentru suport decizional" este suficient de largă pentru a acoperi atât capabilități utile cât și depășiri periculoase. Interpretarea utilă: AI care ajută analiștii și comandanții să proceseze mai multe informații, să evalueze mai multe opțiuni și să acționeze mai rapid — în timp ce decizia în sine rămâne a lor. Interpretarea periculoasă: AI care recomandă acțiuni în mod în care operatorii le acceptă fără evaluare independentă, transferând de facto autoritatea de la om la model.

Modelul structural care distinge cele două:

  • Suport decizional util aduce la suprafață dovezi, ordonează candidații, calculează consecințe și prezintă alternative. Operatorul vede munca analitică dar efectuează judecata.
  • Suport decizional periculos prezintă o singură recomandare cu mare încredere și raționament minim expus, încurajând acceptarea operatorului fără examinare.

Implicația inginerească: construiți instrumente care arată munca. Scoruri de încredere, dovezi contribuitoare, interpretări alternative, sensibilitate la intrări. Fiecare recomandare vine cu întrebarea „ce s-ar schimba dacă intrarea X ar fi diferită" care poate fi răspunsă din UI. Operatorii păstrează autoritatea; platforma păstrează transparența.

Capabilitatea emblematică de suport decizional în C2 modern este lista de candidați ordonată — uneori numită listă de ținte de interes, listă de angajare recomandată sau ieșire de prioritizare a amenințărilor în funcție de doctrină. AI ordonează urmele după scor compozit și prezintă primele N operatorilor.

Scorul compozit îmbină mai multe intrări: încrederea urmei, certitudinea identității, potrivirea cu taxonomia de prioritate a amenințărilor, contextul operațional (în zona de angajare, în cadrul intenției comandantului, în cadrul ROE), fezabilitatea angajamentului (disponibilitatea efectoarelor, geometrie, timp) și factorii de risc colateral. Fiecare intrare este un semnal separat calculat de un subsistem separat; modelul de clasificare le combină într-un scor.

Regulile inginerești care disting implementările operaționale de implementările demo:

Descompunerea scorului. Operatorul poate analiza scorul oricărui candidat și vedea cum a contribuit fiecare componentă. Un scor ridicat nu este o instrucțiune — este un punct de plecare pentru revizuirea operatorului. Dacă operatorul respinge un candidat, respingerea alimentează înapoi modelul de clasificare cu raționamentul operatorului dacă este furnizat.

Ponderare configurabilă. Operatorii (în cadrul autorizației) pot ajusta ponderea relativă a semnalelor de intrare — mai multă pondere pe certitudinea identității pentru medii ambigue, mai multă pondere pe prioritatea amenințărilor în operațiuni specifice. Valorile implicite sunt adecvate rolului; suprascrierile sunt înregistrate.

Filtrarea urmelor vechi. Urmele a căror stare a ciclului de viață se estompează sau se pierde (consultați Construirea unui Sistem C2, Partea 2) sunt excluse din lista de candidați sau vizibil marcate. Un angajament cu încredere față de o urmă cu vârsta de 90 de secunde este tipul de mod de eșec pe care evaluatorii de achiziții îl caută specific.

Rezultate negative vizibile. Lista arată ce a fost luat în considerare și respins, nu doar primele N. Dacă un operator se întreabă de ce o anumită urmă nu a apărut, răspunsul este în platformă, nu opac.

Analiza Cursurilor de Acțiune

Analiza cursurilor de acțiune (COA) la nivel de ofițer de stat major a fost istoric un proces care necesită multă muncă — planificatorii propun opțiuni, evaluatorii simulează consecințe, comandanții aleg. AI poate comprima fiecare etapă.

Generarea opțiunilor. Dat un tablou operațional curent, generați cursuri de acțiune candidate. Constrângerile (teren, ROE, forțe disponibile, orizontul de timp) delimitează spațiul de căutare. Ieșirea este un număr mic de opțiuni distincte cu cerințe brute de resurse.

Simulare și evaluare. Pentru fiecare COA candidat, simulați rezultatele față de răspunsurile adversarului plauzibile. Monte Carlo pe incertitudine produce o distribuție de rezultate așteptate. Fidelitatea simulatorului contează mai mult decât volumul — un simulator coarser care captează incertitudinile corecte depășește un simulator de înaltă fidelitate care ratează dimensiunile strategice.

Comparare și recomandare. Ordonați COA-urile față de mai multe criterii (probabilitatea succesului misiunii, estimările de victime, timpul de finalizare, sarcina logistică, sustenabilitatea). Recomandarea este o perspectivă; evaluarea comandantului este alta. Platforma aduce la suprafață ambele.

Realitatea operațională: AI COA se află în faza de pilot în 2026. Simulatoarele sunt parțial validate; generarea de opțiuni augmentată cu LLM este impresionantă în demo-uri și inconsistentă în operațiuni; integrarea cu fluxul de lucru al stafului este bespoke pentru fiecare platformă. Capabilitatea este matură suficient pentru a fi utilizată, immatură suficient pentru a necesita evaluare structurată. Viziunea onestă a pieței se află în Peisajul Pieței AI pentru Apărare 2025.

LLM-uri în Suportul Decizional de Apărare

Modelele de Limbaj de Mari Dimensiuni au trecut de la experimental la operațional în fluxuri de lucru înguste orientate spre analiști din 2023. Utilizările credibil implementate în 2026:

Redactarea rapoartelor de situație din intrare structurată. LLM-ul convertește un set de schimbări de urmă, rezumate de informații și evenimente operaționale într-o narațiune coerentă. Analistul revizuiește și confirmă înainte de publicare. Mai rapid decât redactarea manuală; judecata analistului guvernează publicarea.

Rezumarea produselor de informații. Colecțiile de informații multi-sursă (cabluri, briefing-uri, OSINT, buletine partenere CSIRT) rezumate în ieșiri gata de briefing. Același model de revizuire-înainte-de-publicare se aplică.

Interogarea în limbaj natural a depozitelor de informații. Analistul tastează o întrebare; LLM-ul o traduce într-o interogare structurată față de depozitul de date; rezultatele revin cu lanțul de surse. Interogarea devine auditabilă, răspunsul este bazat pe surse citabile.

Traducere între limbile coaliției. Traducere specifică domeniului pentru terminologia de apărare. Ieșirea este verificată, nu acceptată orbește.

Modelul care distinge utilizarea operațională LLM de utilizarea speculativă LLM:

  • Generare augmentată prin recuperare bazată pe corpusuri verificate — LLM-ul nu poate spune ceva ce nu poate cita din corpus.
  • Cerință de citare — fiecare linie de ieșire se urmărește înapoi la materialul sursă. Operatorii pot verifica înainte de a se baza pe aceasta.
  • Limita superioară strictă privind latitudinea operațională — LLM-ul nu poate crea sarcini, clasificări sau alte acțiuni operaționale. Produce text pentru revizuire umană.
  • Traseul de audit pentru fiecare artefact generat — ce prompturi, ce model, ce corpus, ce marcaj temporal, ce revizor.
  • Conștientizare față de intrări adversariale — injecție de prompturi, tentative de jailbreak, inducere deliberată în eroare. Apărările trebuie construite intern.

Tratamentul ingineresc detaliat se află în LLM-uri în Trierea Informațiilor pentru Apărare.

Perspectivă cheie: Halucinația LLM într-un context de serviciu pentru clienți este o jenă. Într-un context de apărare poate fi un incident strategic. Ingineria defensivă este structurală: generare augmentată prin recuperare, cerințe de citare, domeniu operațional restricționat, trasee de audit. Orice implementare LLM fără acestea este un risc de achiziție; orice cu ele este un multiplicator de capabilitate semnificativ.

Analiza Tiparelor de Comportament și Detectarea Anomaliilor

Etapa de decizie beneficiază enorm de contextul de fond. A ști că un anumit vas apelează întotdeauna trei porturi specifice, apoi brusc deviază la un al patrulea, este informație de suport decizional de înaltă calitate. Analiza tiparelor de comportament condusă de AI aduce acest context la suprafață automat.

Modelul: ingestați date de urmă longitudinale pe luni sau ani; segmentați în comportamente de rutină per entitate; notați observațiile noi față de linia de bază de rutină; aduceți devierile la suprafața operatorilor. Partea dificilă nu este algoritmul — mixturi gaussiene, modele Markov ascunse, clasificatori gradient-boosted funcționează toate — ci curatarea datelor, definiția operațională a „anomalului" și revizuirea etică în jurul profilării comportamentale. Tratamentul detaliat se află în Analiza Tiparelor de Comportament în Informațiile Militare.

Valoarea operațională stă în clasificare — nu aducerea la suprafață a anomaliilor (care sunt comune și în mare parte benigne) ci prioritizarea care pune pe câteva care contează în fruntea cozii analistului. Un sistem PoL care aduce 200 de anomalii pe oră la suprafață este inutilizabil; unul care ordonează primele cinci și explică de ce este de neînlocuit.

UX Operator: Unde Trăiește AI în Fluxul de Lucru

AI pentru suport decizional trăiește în interiorul unui flux de lucru al operatorului. Dacă AI necesită operatorul să părăsească COP-ul, să deschidă un instrument separat și să-și re-contextualizeze gândirea, AI pierde. Integrarea trebuie să fie în-flux de lucru, în-context, în-bandă cu modelul existent al operatorului.

Modelele care funcționează în practică:

Adnotări inline pe COP. Atributele derivate AI — scor de încredere, prioritate recomandată, anomalie detectată — se redă ca modificatori de simbol pe afișajul COP existent. Ochiul operatorului este deja acolo.

Panouri de explorare. Un clic pe orice adnotare generată AI deschide un panou care arată dovezile subiacente: date de urmă de intrare, descompunerea încrederii modelului, semnale sursă. Operatorul poate confirma sau respinge cu informații complete.

Recomandări încorporate în flux de lucru. Când operatorul compune un ordin de sarcinizare, AI aduce la suprafață tiparele istorice relevante. Când operatorul revizuiește un angajament candidat, AI aduce la suprafață factorii de risc colateral. AI este prezent unde se află munca cognitivă, nu într-un tab separat.

Porți explicite de consimțământ. Unde recomandarea AI traversează un prag (un nou angajament, o escaladare, o acțiune cu consecință operațională), poarta este explicită și vizibilă. Operatorul confirmă; platforma înregistrează.

Principiile mai largi de UX operator pentru software de apărare, inclusiv realitățile mediului blindat, se află în UX Blindat pentru Operatorii Militari de Câmp.

Implicații de Acreditare

AI pentru suport decizional este mai dificil de acreditat decât AI la nivelul senzorului. Motivul este proximitatea față de deciziile cu consecințe. Un evaluator de acreditare va întreba: în ce condiții ar putea acest instrument să inducă în eroare un operator într-o acțiune pe care nu ar lua-o altfel? Ce dovezi demonstrează că operatorii păstrează judecata efectivă când acest instrument este activ?

Dovezile pe care evaluatorii de acreditare le găsesc credibile:

  • Rezultate ale testelor cu operatorul în buclă care arată scenarii de misiune realiste cu instrumentul activ și fără, comparând calitatea deciziei.
  • Audituri de prejudecăți — favorizează instrumentul sistematic anumite tipuri de ținte, anumite geografie, anumite atribute de identitate?
  • Evaluarea robustetei adversariale — ce se întâmplă sub manipularea deliberată a intrărilor?
  • Analiza modurilor de eșec — ce face instrumentul sub deriva modelului, degradarea senzorului sau intrări out-of-distribution?
  • Monitorizarea derivei în implementarea operațională — dovezi cantitative că comportamentul instrumentului rămâne în cadrul acreditat.

Disciplina de calitate a achizițiilor de a genera aceste dovezi ca efect secundar al conductei de dezvoltare se află în DevSecOps pentru Conductele de Apărare. Cadrul mai larg al strategiei AI NATO al acestor cerințe se află în Strategia AI NATO pentru Software-ul de Apărare.

Ce Urmează

Partea 3 a acoperit AI-ul etapei de țintire. Liste de candidați, analiza cursurilor de acțiune, instrumente de analiști augmentate cu LLM, analiza tiparelor de comportament ca context de fond, integrarea UX cu operatorii, cerințele de acreditare. Platforma produce acum ieșire de suport decizional pe care operatorii o pot folosi fără a-și pierde judecata.

Partea 4 închide bucla. Cum AI participă la angajare și evaluare fără a traversa linia efectelor autonome, limitele structurale HITL codificate în platformă, doctrina și realitățile de achiziție care fixează limita în loc și unde ingineria întâlnește dreptul internațional umanitar.