Урок 13 от 25
Приложения на AI в отбраната и националната сигурност
Машинният интелект ще е последното изобретение, което на човечеството ще му се наложи да направи – Ник Бостром
Изкуственият интелект е основен двигател на Индустрия 4.0 и се използва за мониторинг и оптимизация на бизнес процеси в реално време. Тези технологии вече намират широко приложение в отбраната и националната сигурност, където подпомагат вземането на решения и превенцията на заплахи, с цел постигане на оперативно превъзходство.
12.1. Стратегическо значение на изкуствения интелект
в отбраната
През септември 2017 г. руският президент Владимир Путин заявява, че изкуственият интелект е бъдещето не само на Русия, но и на цялото човечество и че който стане лидер в тази сфера, ще стане владетел на света[1]. Това изказване подчертава стратегическото значение, което водещите държави отдават на развитието на изкуствения интелект във военната сфера. Военната операция в Украйна от 2022 г. насам демонстрира всеобхватна мозайка от гражданско-военни AI разработки за разузнаване, целеуказване и кибероперации, потвърждавайки фундаменталната трансформация на характера на съвременната война. Глобалните военни разходи достигнаха 2,46 трилиона долара през 2024 г., като значителна част от тези инвестиции се насочват към технологии с изкуствен интелект (SIPRI 2024).
Концепцията за център на тежестта е фундаментален принцип на военната стратегия, формулиран от пруския военен теоретик Карл фон Клаузевиц в неговия трактат „За войната“ (Vom Kriege, 1832). Клаузевиц определя центъра на тежестта като основният пункт, върху който се крепи източникът на сила, от който противникът черпи своята бойна мощ и воля за съпротива (Clausewitz, 1832, прев. 2018)
Идентифицирането на центъра на тежестта на противника е от критично значение за всяка военна операция. Той може да бъде конкретен елемент като команден център, логистична мрежа, ключово военно формирование или по-абстрактна категория – обществената подкрепа, икономическата стабилност и политическата легитимност на режима.
Основната цел на войната е да се открие и неутрализира този център на тежестта, което теоретично би довело до срив на бойния капацитет и съпротивата на противника. В съвременните конфликти обаче децентрализираните структури на управление правят тази задача значително по-сложна и е необходимо да се анализират огромни масиви от разузнавателна информация за определяне на потенциалните центрове. В тази връзка AI базираните системи за анализ на данни помагат да се открият модели и зависимости, които биха останали скрити за човешките анализатори. Системи като Palantir Gotham интегрират фрагментирани данни от хиляди източници, за да идентифицират ключови възли в командната структура, логистичните мрежи или финансовите потоци на противника. Това превръща процеса, който традиционно е отнемал седмици или месеци стратегически анализ, в операция, изпълнима за часове или дори минути.
Когато военната организация разполага с автономни системи, способни да вземат решения на тактическо ниво без централно ръководство, традиционният команден център престава да бъде единствен или дори главен център на тежестта. Това представлява фундаментално предизвикателство и в този смисъл AI създава стратегическа устойчивост чрез децентрализация и самите AI системи също могат да се превърнат в център на тежестта. Инфраструктурата за изкуствен интелект – центрове за обработка на данни, комуникационни мрежи, алгоритми за целеуказане – представлява критичен актив, чието неутрализиране би довело до сериозно деградиране на бойния капацитет.
12.2. AI в цикъла на вземане на решения и верига
на унищожение
Цикълът НОРД (Наблюдение – Ориентация – Решение – Действие) е модел за вземане на решения в бойна среда, разработен от полковник Джон Бойд от американските военновъздушни сили през 1980-те години (Boyd 1987). В своя труд A discourse on winning and losing Бойд формулира концепцията, че успехът в бойните действия зависи от способността да се извършва този цикъл по-бързо от противника, което води до навлизане в неговия цикъл на вземане на решения (Hammond 2001). Интеграцията на изкуствен интелект трансформира всеки от четирите етапа на цикъла по фундаментален начин:
● Наблюдение – AI базираните системи за наблюдение могат да обработват хиляди сензорни потоци едновременно. Дълбоките невронни мрежи за обработка на изображения идентифицират цели, превозни средства, инфраструктурни обекти и дори индивидуални лица с точност, надхвърляща човешките възможности. Системата Maven на американските въоръжени сили например анализира данни от над 20 различни разузнавателни платформи едновременно и извършва корелация между тях в реално време (U.S. Department of Defense, 2024) a. Времето за обработка се съкращава от часове до секунди – ускорение от порядъка на 100 – 1000 пъти.
● Ориентация – това е най-критичният етап за AI приложение и според Бойд – най-важната част от целия цикъл. Големите езикови модели и когнитивните системи могат да анализират и синтезират огромни количества от неструктурирана информация – доклади, комуникации, исторически прецеденти, доктрини – за да формулират разбиране за ситуацията. Мултимодалните модели интегрират текст, изображения, аудио и видео в единна оперативна картина. Системите за автоматично откриване на аномалии могат да идентифицират модели, които биха убягнали на човека. Времето за анализ се съкращава от часове до минути.
● Решение – системите за подпомагане на вземането на решения с AI могат да генерират и оценяват стотици курсове на действие за секунди, като вземат предвид множество променливи — сили и средства, терен, метеорологични условия, вероятни действия на противника, логистични ограничения, правни рамки. Оптимизационните алгоритми намират решения, които човек би пропуснал. Системите за стратегически игри и симулации могат да предвидят вероятните реакции на противника с висока точност. Въпреки това крайното решение за употреба на смъртоносна сила остава прерогатив на човешкия командир, което налага разработването на ефективни интерфейси човек – машина.
● Действие – автономните платформи и системи могат да изпълняват решения с минимално човешко участие. Автопилотите на бойни самолети, автономните морски и наземни системи, рояците от дронове могат да изпълняват сложни мисии, адаптирайки се към променящите се условия в реално време. Системите за огнева поддръжка могат автоматично да координират удари от множество платформи. Железният купол на Израел например открива, оценява и прехваща заплахи за секунди, като човешкият оператор само потвърждава решението на системата.
Кумулативният ефект от ускоряването на всеки етап води до драстично съкращаване на целия цикъл НОРД. Докато традиционният цикъл при добре обучени въоръжени сили може да продължава от 30 – 60 минути до няколко часа, AI интегрираните системи са способни да завършват цикъла за минути или дори секунди при определени типове операции. Това не просто ускорява процеса – то променя самата природа на бойните действия. Командирът, който разполага с по-бърз НОРД цикъл, може да действа преди противникът да е завършил своя собствен цикъл, натрупвайки кумулативно предимство, което води до разпадане на реалността на противника по думите на самия Бойд.
Веригата на унищожение (Kill Chain) представлява последователността от стъпки от откриването на цел до нейното физическо поразяване. Традиционно този процес включва етапите на откриване (find), проследяване (fix), целеуказване (track), насочване (target), ангажиране (engage) и оценка (assess) – схема, известна като F2T2EA. Времето за изпълнение на този цикъл исторически е измервано в часове или дори дни, но съвременните технологии с изкуствен интелект го съкращават до минути, а в някои случаи – до секунди.
Според изследване на CEPA (2024)[2], във войната в Украйна времето от откриване на цел до поразяване е намаляло от часове до секунди, благодарение на интеграцията на дронови системи и AI базиран анализ. Financial Times (2026) потвърждава, че по време на операцията срещу Иран, САЩ и Израел са извършили около 900 въздушни удара за 12 часа – постижение, което би било невъзможно без AI управлявани системи за целеуказване[3]. Системата Maven на американските въоръжени сили ускорява анализа на цели и съкращава времето на веригата на унищожение в невиждани досега мащаби (Chosun 2026). Изкуственият интелект трансформира всеки етап от тази верига на унищожение:
● Откриване – AI системите за обработка на изображения и сигнали могат да сканират хиляди квадратни километри от бойното поле за минути, идентифицирайки потенциални цели с точност над 90%. Дронове с компютърно зрение могат автономно да търсят цели в определен сектор, без да изискват непрекъснато човешко наблюдение. Системата Gospel (Habsora) на Израел генерира до 100 цели на ден чрез автоматичен анализ на разузнавателни данни. Ускорението на процеса е 100 – 1000 пъти.
● Проследяване – автоматизираните системи за проследяване поддържат непрекъснат контакт с подвижни цели чрез интеграция на данни от множество сензори – спътници, дронове, радари, наземни станции. Алгоритмите за предвиждане на движение екстраполират бъдещата позиция на целта въз основа на исторически модели. Ускорението е 10 – 50 пъти.
● Насочване – системите като Lavender автоматично присвояват приоритети на цели и генерират препоръки за поразяване. Мултикритериалните оптимизационни алгоритми вземат предвид множество фактори – военна стойност на целта, налични средства, вероятни щети, правни ограничения – за да предложат оптимално решение. Системата Maven на САЩ координира целеуказанието между различни видове въоръжени сили. Ускорението е 50 – 100 пъти.
● Ангажиране – автономните оръжейни системи могат да изпълняват удари с минимално забавяне. Прецизните боеприпаси с AI насочване могат да коригират траекторията си в реално време. Рояците от дронове могат координирано да поразяват множество цели едновременно. Ускорението е 5 – 20 пъти.
● Оценка – след удара AI системите автоматично анализират резултатите чрез сензорни данни, за да потвърдят поразяването или да идентифицират необходимост от повторен удар. Това затваря цикъла и позволява бърза адаптация на тактиката. Ускорение – 20 – 50 пъти.
Фигура 66. Интеграция на изкуствения интелект в цикъла НОРД
и веригата на унищожение
Трансформацията на веригата за унищожаване чрез AI има дълбоки стратегически последици. Армия с по-бърза верига може да поразява цели по-бързо, отколкото противникът може да ги премества. В класическия пример на Бойд ако страна А може да завърши kill chain за 5 минути, а страна Б – за 15 минути, страна А може да изпълни три пълни цикъла за времето, в което страна Б изпълнява един. Това означава, че страна А може да порази три цели, докато страна Б се опитва да реагира на първата, което води до кумулативно предимство и евентуален срив на отбраната на страна Б.
Физическите ограничения на човека стават все по-очевидни в тази нова реалност. Човешкият оператор изисква 30 – 40 минути за пълен цикъл на наблюдение, осмисляне, решение и потвърждение, като най-бързият възможен цикъл е около 30 секунди при идеални условия. AI системите нямат такива ограничения – те могат да оперират непрекъснато, без умора, с постоянна скорост на обработка. Това прави неизбежно постепенното изместване на човека от непосредствения цикъл на вземане на решения при определени типове операции, което от своя страна поражда сериозни етични и правни въпроси за отговорността при употребата на смъртоносна сила.
Таблица 14. Ориентировъчно времетраене за веригата на унищожение
| Държава | Време за kill chain | Ключови системи |
| Израел | 2 – 3 минути | Lavender, Gospel, Iron Dome |
| САЩ | 3 – 5 минути | Maven, Palantir AIP, OpenAI |
| Китай | 8 – 12 минути | Развиващи се AI системи |
| Русия | 12 – 20 минути | C2 системи |
12.3. Методи, приложения и основни решения
Към настоящия момент могат да се класифицират осем основни типа решения на изкуствения интелект, приложими в отбраната и националната сигурност. Всяка категория отговаря на специфични оперативни нужди и се реализира чрез различни методи на машинно обучение (Goodfellow, Bengio & Courville 2016):
● Предсказващите модели използват алгоритми за машинно обучение за прогнозиране на бъдещи събития и тенденции въз основа на исторически данни. Във военната сфера те намират приложение в стратегическото и оперативното планиране, прогнозиране на движението на противникови сили, анализ на вероятните курсове на действие и предвиждане на логистични нужди. Методите за реализация включват невронни мрежи, опорни вектори (Support Vector Machines), дървета на решенията и еволюционни изчисления. Според Morgan et al. (2020), предсказващите модели имат най-широк спектър от приложения във военната сфера поради универсалния им характер.
● Класифициращите модели систематизират данните според установени критерии и подпомагат оценката на рискове и заплахи. В работата на военен щаб тези модели се използват за категоризиране на разузнавателна информация, идентифициране на типове заплахи, класификация на цели по приоритет и оценка на бойната готовност на формирования. Ефективността на класификацията зависи от качеството на обучаващите данни и избора на подходящ алгоритъм.
● Клъстерните модели групират сходни обекти и улесняват идентификацията на аномалии или потенциални проблеми. В киберзащитата те се използват за откриване на необичайна мрежова активност, идентифициране на модели на зловредно поведение и групиране на подобни кибератаки. В разузнавателния анализ клъстеризацията помага за откриване на скрити връзки между субекти и събития.
● Модерните оптимизационни методи, включително генетични алгоритми и групов интелект, осигуряват ефективни решения при комплексни задачи в динамична среда. Те намират приложение в оптимизация на логистични маршрути, разпределение на ресурси, планиране на мисии и координация на автономни системи. Еволюционните алгоритми имитират естествения отбор за намиране на оптимални решения в сложни пространства на търсене.
● Моделите за обработка на изображения, базирани на дълбоки невронни мрежи (Deep Neural Networks), позволяват автоматична идентификация на обекти и цели за поразяване или разузнаване. Те се използват в спътникови и въздушни разузнавателни системи, автоматично разпознаване на цели, анализ на видео потоци от дронове и мониторинг на ключова инфраструктура. Напредъкът в разпознаването на лица позволява бързо идентифициране на конкретни индивиди, което има важно приложение в контратерористичните операции.
● Езиковите модели преобразуват неструктурирани данни (текст, глас) в структурирани знания, подпомагайки комуникацията и анализа на информация. Модели като GPT серията и Claude намират все по-широко приложение във военните щабове за анализ на документи, автоматично резюмиране на разузнавателни доклади, превод на чуждестранни източници и генериране на текстови доклади. САЩ интегрират езикови модели в класифицирани среди за подпомагане на оперативното планиране.
● Когнитивните модели осигуряват адаптивна и контекстуална обработка на информация, разширявайки потенциала на AI в стратегическите сфери. Те се стремят да имитират човешките когнитивни процеси като разсъждение, учене от опит и адаптация към нови ситуации. Във военната сфера те намират приложение в симулации на противниково поведение, стратегическо планиране и системи за подпомагане на вземането на решения на високо ниво.
● Интелигентните агенти са автономни софтуерни системи, които могат да възприемат средата, да вземат решения и да действат за постигане на определени цели. Те намират приложение в автономни дронови системи, киберзащита, мониторинг на мрежи и координация на мултиагентни операции. Развитието на мултиагентни системи позволява координирано поведение на групи от автономни платформи, което е от ключово значение за бъдещите военни концепции като рояци от дронове.
Фигура 67. Основни типове решения, които предлагат методите
на изкуствения интелект
Таблица 15. Връзка между типовете решения и основните методи
на изкуствения интелект
| Методи типови решения | Невронни мрежи | Дълбоки мрежи | Опорни вектори | Дърво на решенията | Еволюционни изчисления | Групов интелект | Интелигентни агенти |
| Предсказване | х | х | х | х | х | ||
| Прогнозиране | х | х | х | х | |||
| Класификация | х | х | х | х | х | х | |
| Клъстеризация | х | х | х | ||||
| Оптимизация | х | х | |||||
| Изображения | х | ||||||
| Езикови модели | х | ||||||
| Когнитивни модели | х |
От представения анализ се вижда, че най-богати възможности за реализация имат предсказващите модели. Няколко метода на изкуствен интелект – невронни мрежи, опорни вектори, дървета на решенията и еволюционни изчисления (генетично програмиране) – могат да генерират такъв тип модели (Goodfellow, Bengio & Courville 2016). В резултат на това могат да се разграничат следните конкретни практически приложения на изкуствения интелект в сферата на отбраната:
Разузнаване, наблюдение и целеуказване (ISR). В сектора на разузнаването са съсредоточени най-големите инвестиции за придобиване на системи с изкуствен интелект (Kitzmann, Strimovskaya & Serova, 2024). Възможността за автономно събиране на разузнавателна информация чрез дронове, сензори в наземната област, космоса и киберпространството обещава да увеличи експоненциално количеството генерирани данни. Разузнавателният анализ вече не се бори с дефицита на информация, а с нейното изобилие, което изисква преосмисляне на целия цикъл на събиране, обработка и експлоатация на данни.
Съвременното разузнаване разчита на специализирани платформи, които интегрират изкуствен интелект директно в оперативните работни потоци. Системи като Palantir Gotham, за интегриране на фрагментирани данни, AIP (Artificial Intelligence Platform), за използване на големи езикови модели върху частни, класифицирани мрежи, и Maven Smart System за интегриране на оперативни данни в голям мащаб, действат като съединителна тъкан между сензорите, анализаторите и лицата, вземащи решения (U.S. Department of Defense, 2024b).
Автономни системи и роботизация. Автономните системи и роботизацията са най-често споменаваната област за военна употреба на AI от експертите (Morgan et al. 2020). Те спомагат за повишаване на скоростта на извършване на дейностите по цикъла НОРД чрез обработка на големи масиви от данни. Израелските системи The Gospel (Habsora) и Lavender представляват пример за AI базирани платформи за целеуказване. Системата Lavender маркира десетки хиляди индивиди като потенциални цели, докато Gospel генерира до 100 цели на ден за въздушни удари. Железният купол (Iron Dome) на Израел е пример за напълно автоматизирана отбранителна система, която открива, оценява и прехваща балистични заплахи в рамките на секунди.
Киберотбрана и информационни операции. В сферата на киберотбраната изкуственият интелект има сериозно приложение, най-вече в антивирусните компании, където анализира големи набори от данни за разкриване на подозрително поведение и зловреден софтуер. Още по-значимо е приложението на AI за дезинформация и информационни операции. Днес вече съществуват голям брой автономни агенти, генериращи текстови откъси за убеждаване на целеви аудитории (Bradshaw & Howard, 2021). AI може да анализира данните, които хората разкриват за себе си онлайн, и да приспособи съобщения за влияние (Woolley & Howard, 2018).
Системи за подпомагане на вземането на решения. Очаква се изкуственият интелект да препоръчва опции в системите за вземане на решения и планиране по-бързо от хората (Morgan et al. 2020). Напредъкът на AI в игри като Го показва потенциал за прилагане в стратегическото планиране. Дори ако тези технологии не са подходящи за директно вземане на решения за бойни действия, експертите очакват, че те биха могли да бъдат използвани за осигуряване на по-широк спектър от възможни действия на противника във военни игри (Payne 2018).
Системи за подпомагане на логистиката. Системите с изкуствен интелект играят ключова роля в оптимизирането на военната логистика чрез автоматизиране на процеси като планиране на доставки, управление на складови наличности и прогнозиране на потребности. AI може да анализира огромни обеми от логистични данни, да идентифицира потенциални рискове и да предлага най-ефективни маршрути и решения за снабдяване. Това намалява времето за реакция и увеличава оперативната ефективност, което е от критично значение за поддържане на бойна готовност.
Според Директива 3000.09 на Министерството на отбраната на САЩ (2023), взаимоотношенията човек – машина в бойната среда се разделят на три основни категории:
– полуавтономни системи – човекът оператор взема решение за действие, а системата изпълнява;
– контролирани автономни системи – системата може да избира и ангажира цели, но човек осъществява контрол;
– напълно автономни системи – системата сама избира и ангажира цели без човешка намеса.
Парадоксът на Моравец подчертава, че лесни задачи за хора често са трудни за компютри, докато формалните изчисления са сравнително лесни за машини (Moravec 1988). Физическите ограничения на човека са от решаващо значение. Времето за наблюдение, осмисляне, вземане на решение и потвърждение от човек е между 30 и 40 минути при стандартни условия, като най-бързият възможен цикъл е около 30 секунди.
Стратегията на Пентагона за ускорено внедряване на изкуствен интелект от 2026 г. определя седем проекта – Pace-Setting Projects (PSP), които целят да превърнат американските въоръжени сили в първата AI сила (U.S. Department of War, 2026)[4]. Ключовите инициативи включват GenAI.mil за генеративен AI на всички нива на класификация, Enterprise Agents за бързо внедряване на агенти, Open Arsenal за ускорен достъп до данни и Swarm Forge за координация на рояци от автономни системи.
Пентагонът използва комбинация от собствени системи, Microsoft Azure Government и модели на OpenAI в класифицирани среди. През 2026 г. възникна публичен дебат относно използването на AI от частни компании за военни цели. OpenAI обяви споразумение с Пентагона, като заяви, че няма да разработва оръжия, но ще позволява използване на моделите си за неконфликтни военни приложения като анализ на данни, логистика, киберсигурност, търсене и спасяване.
Тази ускорена интеграция на AI довежда до драстично компресиране на НОРД цикъла и веригата на унищожение (Kill Chain) – последователност от идентифициране на цел до използване на оръжие – от часове до минути, което позволява на американските и израелските сили да извършат около 900 удара за 12 часа при операция „Епична Ярост“ срещу Иран. В нея AI управлявани системи създадоха практически непрекъснат поток от целеви препоръки.
Изкуственият интелект се превръща в ключов фактор за постигане на военно превъзходство през XXI век. Неговото въздействие се проявява в драстичното съкращаване на циклите НОРД и веригите на унищожение, автоматизацията на рутинни задачи и способността за обработка на огромни обеми от данни в реално време. Въоръжените сили, които интегрират тези технологии ефективно, ще имат значително предимство.
12.4. Емпирично изследване на AI грамотността
За България, като член на НАТО и страна от източния фланг на Алианса, интеграцията на AI в отбранителните способности е не само възможност, но и необходимост. Стратегическият подход трябва да бъде фокусиран върху развитие на асиметрични предимства, модулни системи за бърза адаптация и пълна интеграция със съюзническите структури. За да се илюстрира как военнослужещите и цивилните служители употребяват изкуствен интелект и каква е тяхната AI грамотност, бе проведено емпирично изследване за употребата на генеративен AI сред 20 български офицери и 66 студенти или цивилни служители в началото на 2026 г. или общо 86 души.
Анализът на честотата на употреба на инструменти с изкуствен интелект разкрива статистически незначими разлики между военнослужещи и цивилни служители по отношение на текстови генератори (ChatGPT, Claude, Gemini) – съответно 75,0% срещу 75,8%. Това съответства на хипотезата за широко разпространение на LLM сред работещите в Министерството на отбраната, независимо от професионалния профил.
Таблица 16. Честота на употреба на AI инструменти
(в рамките на 30 дни)
| Инструменти | Военни (%) | Цивилни (%) | Z/χ² | p-стойност | Cohen’s h |
| Текстови генератори (ChatGPT, Gemini, Copilot) | 75,0 | 75,8 | – 0,073 | 0,942 | 0,02 |
| Автоматични инструменти за преводи | 40,0 | 51,5 | – 0,901 | 0,367 | 0,23 |
| Генератори на изображения (Midjourney, DALL·E и др.) | 0,0 | 18,2 | – | 0,060 | 0,51 |
| Инструменти за автоматизация (n8n, Zapier и др.) | 0,0 | 3,0 | – | 0,349 | – |
| Не са използвали AI | 15,0 | 9,1 | 0,755 | 0,450 | 0,18 |
Най-значимата разлика е установена при генераторите на изображения (Midjourney, DALL-E), като при военнослужещите употребата е 0%, докато при цивилните достига 18,2%. Това подкрепя тезата за по-ниска инструментална широта при военнослужещите (Jalowiec & Paliszkiewicz 2025), което предполага нужда от въвеждане на кратки практически курсове за базови умения за работа с AI инструменти за военнослужещи.
Прави впечатление, че по-голямата част от българските офицери употребяват AI инструменти за лични цели много над средното ниво. Според официалните данни на Eurostat, през 2025 г. 32,7% от населението на ЕС са използвали генеративни AI, докато в настоящото изследване 75% от българските офицери го употребяват. Употребата за професионални задачи в ЕС е 15,1%, а у нас употреба на специализиран военен/служебен софтуер с изкуствен интелект въобще няма.
Има съществени различия между отделните държави членки. Най-високи нива на използване се отчитат в Дания (48,4%), Естония (46,6%) и Малта (46,5%), което е близо двойно по-висока степен на дигитална зрялост спрямо средното за ЕС. В противоположния край на скалата се намира България, където едва 22,5% от населението използват генеративен AI. Това я поставя сред държавите с най-ниска степен на възприемане на тези технологии в Европейския съюз. Завишените резултати в настоящото изследване се дължат на това, че представителната извадка са предимно офицери и студенти във Военна академия „Г. Раковски“. Въпреки това 50% от офицерите декларират, че не са използвали AI за служебни задачи през последния месец, срещу 31,8% от цивилните. Тази разлика, макар и статистически незначима при дадената извадка (поради ограничения обем N = 20, статистическата мощ е приблизително 0,40), е съществена от оперативна гледна точка.
Таблица 17. Употреба на AI за служебни задачи
| Опция | Военнослужещи % | Цивилни % |
| Не съм използвал/а AI за служебни задачи | 50,0% | 31,8% |
| Създаване на визуално съдържание (снимки, графики, видео аватари) | 30,0% | 39,4% |
| Създаване или структуриране на презентация | 25,0% | 27,3% |
| Анализ на голям обем данни/документи | 30,0% | 28,8% |
| Превод на чуждоезичен текст | 25,0% | 36,4% |
| Написване или редактиране на официален рапорт/доклад | 20,0% | 22,7% |
| Генериране на програмен код | 5,0% | 13,6% |
Критичен индикатор за цифровата компетентност е разбирането на базовите принципи на функциониране на LLM. Само 5% от военнослужещите идентифицират коректно механизма на „предсказване на следващата най-вероятна дума“ (next-token prediction) спрямо 15,2% от цивилните. Основната заблуда при двете групи е представата за „търсене в база данни с факти“ (45% при военните), което отразява по-ниско коректно ментално моделиране и съответства на дефицитите в AI грамотността, описани от Tripp и Brenner (2024).
Таблица 18. Как работи генеративен AI за текст
| Опция | Военнослужещи % | Цивилни % |
| Моделът търси в база данни с факти и ги комбинира | 45,0% | 37,9% |
| Моделът се свързва в реално време с интернет | 30,0% | 30,3% |
| Моделът използва предварително програмирани логически правила | 15,0% | 16,7% |
| Моделът предсказва следващата най‑вероятна дума | 5,0% | 15,2% |
| Не знам | 5,0% | 0% |
С други думи, почти всички военнослужещи не разберат как работят инструментите и какво стои под капака на кутията. Поради това те имат нужда от разработване на кратки обяснителни демонстрации с визуализация на токени и параметъра температура. Тази необходимост се доказва с тестване на уменията за писане на команди и промптове, от което е видно, че 40% от военнослужещите са намерили начин да се научат чрез проби и грешки.
Табл. 19. Най-добър промпт за резюме на дълъг доклад
(единичен избор)
| Опция | Военнослужещи % | Цивилни % |
| „Действай като опитен анализатор… Изведи 5‑те ключови твърдения…“ | 40,0% | 45,5% |
| „Резюмирай това“ + [текст] | 20,0% | 22,7% |
| „Направи ми резюме на този документ“ + прикачен файл | 30,0% | 21,2% |
| „Напиши ми нещо за този текст.“ | 5,0% | 10,6% |
| Без отговор | 5,0% | 0% |
От гледна точка на спецификата на работа с класифицирана информация е много важно военнослужещите да разберат, че употребата на такива инструменти носи риск за сигурността на информацията. Затова са необходими превантивни обучения на личния състав с цел информираност относно това каква информация може и каква – не да се използва в подобни инструменти.
Таблица 20. За какво се използва Make.com (единичен избор)
| Опция | Военнослужещи % | Цивилни % |
| Не знам | 85,0% | 69,7% |
| Свързва различни приложения, за да се автоматизират различни бизнес процеси | 10,0% | 13,6% |
| Използва се за обработка на снимки и видео монтаж за социалните мрежи | 5,0% | 16,7% |
Анализът на представените данни относно използването на модерни инструменти за автоматизация показва, че значителен дял от военнослужещите (85,0%) не знаят за какво се използват най-известните безплатни инструменти. Броят им е много по-висок в сравнение с цивилните респонденти (69,7%). Само 10,0% от военнослужещите са запознати с начините за автоматизация на различни бизнес процеси чрез свързване на приложения, докато при цивилните този дял е 13,6%. Резултатите показват, че сред военнослужещите липсва осведоменост и реална употреба на инструмент за автоматизация в работните процеси. Това предполага, че те не интегрират активно съвременни дигитални решения за автоматизация в своята ежедневна дейност, което може да е резултат както от липса на знания, така и от специфични ограничения или опасения, свързани със сигурността на информацията и особеностите на военната служба.
Таблица 21. Използване на AI инструменти за видео аватари
| Опция | Военнослужещи % | Цивилни % |
| Не | 75,0% | 66,7% |
| Създавал/а съм видео аватар | 20,0% | 10,6% |
| Създавал/а съм интерактивни визуализации | 5,0% | 7,6% |
| И двете | 0% | 15,2% |
Отговорите от таблица 21 разкриват съществени разлики в уменията за създаване на видео или аватари при военнослужещите, от които 75% посочват, че не използват такива инструменти и цивилните респонденти – 66,7%. Забележително е, че нито един военнослужещ не е използвал и двата типа AI видео инструменти, докато 15,2% от цивилните респонденти са го направили. Тази ниска степен на използване на AI инструменти за видео съдържание сред военнослужещите създава потенциален риск по отношение на разпознаване на дезинформацията. Липсата на практически опит и познания за създаване на видео с помощта на изкуствен интелект може да означава, че военните нямат необходимите умения да разпознават фалшифицирани или манипулирани с AI видеоматериали. В условията на съвременната информационна война и масовото разпространение на дезинформация, това ги прави по-уязвими към целенасочени кампании за влияние, които използват deepfake технологии и други AI базирани средства за манипулация на видео съдържание. Това подчертава необходимостта от целенасочени обучителни програми, които да повишат дигиталната грамотност и критичното мислене по отношение на новите технологии сред военнослужещите, за да се гарантира по-добра защита срещу информационни атаки.
Статистиката за участие в обучителни програми по AI разкрива критичен дефицит – 90% от военнослужещите не са посещавали семинар или курс през последните 6 месеца, срещу 78,8% от цивилните. Въпреки че разликата не е статистически значима, то абсолютното ниво на 90% необучени е критично високо и ограничава потенциала за успешно внедряване на такива инструменти (U.S. Department of Defense, 2024b).
Таблица 22. Участие в обучение и разбиране на технологични принципи
| Показател | Военни (%) | Цивилни (%) | p | Интерпретация |
| Участвали в обучение по AI | 10,0 | 21,2 | 0,347 | Критичен дефицит при военните |
| Коректно разбиране на LLM | 5,0 | 15,2 | 0,419 | Ниска технологична грамотност |
| Не знаят какво става с данните в ChatGPT | 35,0 | 34,8 | 0,985 | Дупка в сигурността |
При оценката на значимостта на AI за различните отбранителни области (5-степенна Likert скала, 1 = несъществена, 5 = критична) военнослужещите придават статистически незначим, но практически по-висок рейтинг на автономните системи (M = 3,44, SD ≈ 0,8) спрямо цивилните (M = 3,11). Това съвпада с фокуса върху автономни AI системи и AI разузнаване/анализ като приоритетни области за военните, където обучението може да включи конкретни теми, засягащи некласифицирани данни.
Таблица 23. Сравнение на оценките за значимост на AI в отбраната
| Област | Средно (военни) | Средно (цивилни) | Δ Средно (В−Д) | Ранг (военни) | Ранг (цивилни) |
| Киберсигурност | 3.15 | 3.08 | +0.07 | 3 | 3 |
| Автономни системи | 3.44 | 3.11 | +0.33 | 1 | 2 |
| Разузнаване и анализ | 3.36 | 3.26 | +0.10 | 2 | 1 |
| Логистика и поддръжка | 3.00 | 3.02 | −0.02 | 4 | 4 |
| Вземане на решения (C2) | 2.91 | 2.98 | −0.07 | 5 | 5 |
Рангът е подреден по средна оценка (при равенство – по медиана 3,0).
Фигура 67. Степен на значимост по области. (В синьо са военнослужещите, а в червено останалите респонденти)
Четиридесет процента от военнослужещите идентифицират регулаторните ограничения и информационната сигурност като основно предизвикателство за AI в отбраната, срещу 34,8% от цивилните.
Таблица 24. Най-голямо предизвикателство за AI в отбраната
(единичен избор)
| Опция | Военнослужещи % | Цивилни % |
| Регулаторни ограничения/сигурност на информацията | 40,0% | 34.8% |
| Липса на технически умения | 30.0% | 25.8% |
| Етични притеснения/недоверие в технологията | 20.0% | 25.8% |
| Липса на подходящ хардуер/софтуер | 10.0% | 13.6% |
Европейският съюз създаде първия в света закон за справяне с потенциалните рискове от ИИ. Актът за ИИ беше официално приет от Съвета на 21 май 2024 г. и влезе в сила на 1 август 2024 г.[5] За да се гарантира правилното му прилагане, Актът създава няколко управителни органа, включително служба за ИИ в рамките на Европейската комисия и съвет по ИИ. Регулаторните/инфосигурност теми са главна бариера при военните – затова обучението трябва да включва модул за безопасно промптиране и DLP практики (Data Loss Prevention), какво не качваме в публични модели, и използване на модели с on-premise/ограничено обучение.
Запитани относно съдбата на данните при качване на PDF в ChatGPT, 35% от военнослужещите и 35% от цивилните декларират „Не зная“, а още 35% приемат, че данните могат да бъдат запазени на сървърите на компанията и използвани за обучение. Това разкрива критична уязвимост в информационната сигурност, тъй като общо около 35% от респондентите не притежават ясна представа за обработката на класифицирана или служебна информация от страна на комерсиални AI модели.
Таблица 25. Какво става с данните при качване на PDF в ChatGPT
(единичен избор)
| Опция | Военнослужещи % | Цивилни % |
| Те могат да бъдат запазени на сървърите на компанията и използвани за обучение на модела | 35,0% | 36,4% |
| Те остават в историята на моя акаунт и са сигурно защитени | 20,0% | 19,7% |
| Те остават в чат формата на съответния браузър и се изтриват след затваряне на чата | 10,0% | 9,1% |
| Не зная. | 35,0% | 34,8% |
Може да се види, че по-голямата част от респондентите нямат съответните знания относно сигурността на информацията. Въпреки очакваните ползи, военните приложения на изкуствения интелект представляват значителни рискове в сферата на сигурността и отбраната, които се обособяват в три основни категории – етични и правни, оперативни и стратегически (Morgan et al. 2020).
Сред етичните и правните рискове се разглеждат въпроси като международното хуманитарно право (МХП), отговорност и морална отговорност, човешко достойнство и човешки права. Ключовите принципи на МХП включват: (1) разграничение – воюващите страни трябва да правят разлика между цивилни и бойци; (2) пропорционалност – забрана на действия, които причиняват прекомерна вреда; (3) предпазни мерки – задължение за предотвратяване на нараняване на цивилни.[6]
Автономните системи не могат да изпълнят изискванията за пропорционалност, тъй като това изисква субективна, качествена и етична човешка преценка, а не просто балансиране на количествени данни (Schwarz 2024). По тази причина група изследователи написа отворено писмо още през 2015 г. в което призовават за забрана на автономните оръжия, действащи без човешки контрол, и предупреждават за опасност от надпревара във въоръжаването.[7]
В международен план дискусиите в рамките на Конвенцията на ООН за определени конвенционални оръжия предоставят форум за забрана или ограничаване на употребата на оръжия, които са „прекомерно вредни или имат неизбирателно действие“.[8]
Емпиричното изследване сред българските военнослужещи демонстрира, че те притежават базови умения за използване на GenAI инструменти, но страдат от „инструментална ограниченост“ (липса на употреба на визуални и автоматизационни инструменти) и критичен дефицит във формалното обучение (90% необучени). Статистиката потвърждава значимото разминаване в разбирането на технологичните принципи и рисковете за сигурността в сравнение с цивилните в сектора.
На базата на анализа се формулират следните препоръки за учебните програми във Военна академия и военните училища:
– имплементация на модули за AI грамотност, фокусиращи се на механизма на token prediction и рисковете от data leakage, съобразени с констатациите на Трип и Бранар (Tripp & Brenner 2024);
– разработване на специализирани военни GenAI инструменти, отговарящи на изискванията за информационна сигурност, идентифицирани като най-добра бариера от 40% от респондентите (Care 2025);
– програми за повишаване на уменията за бързо овладяване на инструменти за генериране на изображения, автоматизация на бизнес процеси, насочени към преодоляване на инструменталната ограниченост;
– стандартизиране на обучителните програми по примера на AETC Data Literacy Foundations (Tripp & Brenner 2024) с интеграция на автономни системи за разузнавателен анализ;
– занятия за безопасно промптиране и DLP практики, включващи конкретни инструкции какво не качваме в публични модели, за използване на модели с ограничено обучение, разбиране на GDPR и Закона за защита на класифицираната информация в контекста на GenAI;
– международно сътрудничество и обмен на добри практики в рамките на НАТО и ЕС относно етичните рамки и оперативните стандарти за автономни системи.
Изкуственият интелект има потенциала да промени фундаментално характера на войната и икономиката. Тази перспектива предполага, че държавите ще се стремят към бързо внедряване на нови технологии, без да въвеждат необходимите хуманитарни и безопасни ограничения. За справяне с рисковете, свързани с военния ИИ, се формира консенсус, че хората трябва да запазят контрол върху разработването, внедряването и използването на военни системи с изкуствен интелект. Въпреки това остават много нерешени въпроси относно степента и формата на необходимия контрол, както и начина, по който тези предпазни мерки могат да се прилагат на национално и международно ниво.
[1] Reuters. (2017). Putin says whoever leads in artificial intelligence will “rule the world”. London: Reuters, 1 September 2017.
[2] CENTER FOR EUROPEAN POLICY ANALYSIS (CEPA), 2024. An Urgent Matter of Drones. Washington, DC: CEPA. Достъпно от: https://cepa.org/wp-content/uploads/2024/04/CEPA-Drone-PDF-V4.pdf [Посетено на 4 June 2026].
[3] FINANCIAL TIMES, 2026. The AI-driven kill chain. March 12, 2026 https://www.scribd.com/document/1018983188/AI-Driven-Kill-Chain-Transformation-FT-14-March-2026-p-2
[4] U.S. Department of War. (2026). Artificial Intelligence Strategy for the Department of War. https://media.defense.gov/2026/Jan/12/2003855671/-1/-1/0/artificial-intelligence-strategy-for-the-department-of-war.pdf
[5] EUROPEAN PARLIAMENT, 2024. Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.
[6] International Committee of the Red Cross, 2014, Autonomous Weapon Systems: Technical, Military, Legal and Humanitarian Aspects). Available from: https://www.icrc.org/sites/default/files/document/file_list/4221-002-autonomous-weapons-systems-full-report.pdf.
[7] Future of Life Institute, 2015, Autonomous Weapons: An Open Letter from AI & Robotics Researchers. Available from: https://futureoflife.org/open-letter/open-letter-autonomous-weapons-ai-robotics/.
[8]United Nations, 1980, Convention on Certain Conventional Weapons. Available from: https://disarmament.unoda.org/en/our-work/conventional-arms/convention-certain-conventional-weapons.