AIoT: la revolución silenciosa que está llevando la inteligencia artificial al mundo físico
De conectar cosas a darles capacidad de decidir
La primera revolución de Internet consistió en conectar personas y computadoras. La segunda extendió esa conectividad a objetos: cámaras, sensores, automóviles, electrodomésticos, máquinas industriales y dispositivos portátiles.
Pero conectar no significa necesariamente comprender. La transformación actual consiste en incorporar inteligencia artificial a esos objetos y a las redes que los enlazan. El resultado es AIoT: sistemas capaces de captar información, identificar patrones, realizar inferencias y, en determinadas circunstancias, ejecutar acciones sin esperar instrucciones continuas de un servidor central.
Una revisión reciente de la literatura describe precisamente AIoT como la integración entre IoT e inteligencia artificial y organiza este nuevo campo alrededor de tres componentes fundamentales: sensado, computación y comunicación (Siam et al., 2025). Otra revisión sistemática publicada en 2025, basada en 103 estudios, confirma que la IA se está incorporando a sistemas IoT en múltiples dominios y con diferentes grados de madurez tecnológica.
Estamos pasando, en otras palabras, de un Internet de objetos conectados a un ecosistema de objetos con capacidad creciente para interpretar su entorno y actuar sobre él.
La inteligencia se acerca al lugar donde nacen los datos
Durante mucho tiempo, el modelo dominante fue sencillo: un sensor recopilaba información, la enviaba a Internet y un servidor remoto la procesaba.
Ese esquema continúa siendo útil, pero tiene límites. Transportar continuamente enormes cantidades de información puede consumir ancho de banda y energía y añadir retrasos incompatibles con determinadas aplicaciones. De ahí el crecimiento del edge computing, donde una parte del procesamiento ocurre cerca del dispositivo que genera los datos.
Shi et al. (2016) explican que esta arquitectura propone “processing the data at the edge of the network”, es decir, procesar los datos en el borde de la red (p. 637). Los autores destacan su potencial frente a requisitos de tiempo de respuesta, restricciones de batería, costos de ancho de banda y necesidades de privacidad.
Imagine una cámara industrial capaz de detectar localmente una anomalía. No necesita transmitir cada segundo de video a un centro de datos. Puede analizar la imagen, reconocer el evento y enviar únicamente una alerta.
La nube no desaparece. Se especializa. Puede entrenar grandes modelos, almacenar históricos y coordinar miles de dispositivos, mientras la inteligencia situada en el borde responde a acontecimientos inmediatos.
TinyML: inteligencia artificial dentro de dispositivos diminutos
El siguiente paso es todavía más sorprendente: ejecutar modelos de aprendizaje automático en microcontroladores con memoria, energía y capacidad de procesamiento extremadamente limitadas. Ése es el campo de TinyML.
Gracias a estas técnicas, pequeños dispositivos pueden analizar vibraciones de una máquina, reconocer determinados sonidos, clasificar imágenes sencillas o detectar anomalías sin mantener una conexión permanente con servidores externos.
Pero aquí aparece una lección importante: en AIoT, el algoritmo más avanzado no es necesariamente el mejor. Un modelo con extraordinaria precisión, pero enormes necesidades energéticas puede resultar inservible para un sensor alimentado por batería. Por eso deben optimizarse conjuntamente precisión, memoria, energía, latencia, comunicaciones y seguridad.
La inteligencia artificial deja así de ser exclusivamente un problema de software. Debe diseñarse junto con el hardware y las condiciones materiales donde funcionará.
Máquinas que avisan antes de fallar
Una de las aplicaciones más atractivas se encuentra en el mantenimiento industrial. Tradicionalmente, una máquina podía repararse después de fallar o recibir mantenimiento siguiendo calendarios periódicos. El mantenimiento predictivo introduce una tercera posibilidad: utilizar los datos de sensores para identificar señales de degradación antes de que ocurra una avería.
Temperatura, vibración, presión, corriente eléctrica y sonido pueden convertirse en indicadores del estado de una máquina.
Las revisiones científicas muestran que el machine learning tiene un considerable potencial para mantenimiento predictivo, aunque los resultados dependen del tipo de activo, la calidad de los datos y el modelo empleado (Carvalho et al., 2019; Zonta et al., 2020).
Esto obliga a evitar titulares espectaculares pero científicamente débiles. No existe una cifra universal según la cual la IA pueda predecir todas las fallas con determinada exactitud o con un número fijo de horas de anticipación.
La verdadera innovación es otra: convertir señales dispersas en probabilidades que permitan actuar antes de que la falla se convierta en emergencia.
El pequeño dispositivo también necesita una gran seguridad
Cuando los objetos inteligentes comienzan a controlar procesos físicos, la ciberseguridad adquiere otra dimensión.
Un ataque contra un ordenador puede comprometer información. Un ataque contra un sistema AIoT puede terminar afectando una fábrica, un automóvil, un dispositivo médico o una infraestructura urbana.
El problema es que numerosos dispositivos pequeños carecen de los recursos computacionales disponibles en computadoras convencionales.
Por eso se ha desarrollado la criptografía ligera.
En agosto de 2025, el National Institute of Standards and Technology publicó NIST SP 800-232, convirtiendo la familia Ascon en estándar de criptografía ligera para dispositivos restringidos. NIST explica que Ascon fue seleccionado para proporcionar “efficient cryptographic solutions for resource-constrained devices” (Sönmez Turan et al., 2025).
Es una precisión importante. No significa que la criptografía tradicional haya dejado de ser útil, sino que determinados dispositivos necesitan soluciones específicamente diseñadas para sus restricciones. Seguridad e inteligencia tendrán que crecer juntas.
Aprender sin reunir todos los datos
Otra innovación especialmente importante es el aprendizaje federado. En los modelos tradicionales, grandes cantidades de información suelen trasladarse hacia un servidor central para entrenar un algoritmo. El aprendizaje federado propone otra estrategia: mantener los datos distribuidos y compartir actualizaciones del modelo.
El trabajo fundacional de McMahan et al. (2017) propuso un enfoque que “leaves the training data distributed on the mobile devices” y aprende un modelo común agregando actualizaciones calculadas localmente.
La idea tiene importantes implicaciones para teléfonos, hospitales, empresas y sistemas IoT. Pero conviene evitar otro simplismo frecuente: aprendizaje federado no significa privacidad garantizada.
Li et al. (2020) advierten que entrenar modelos en redes heterogéneas y potencialmente enormes plantea desafíos nuevos de optimización y análisis de privacidad.
Por ello, el aprendizaje federado debe complementarse con otras medidas: cifrado, controles de acceso, agregación segura, privacidad diferencial y gobernanza adecuada.
Su contribución fundamental sigue siendo notable: demuestra que colaborar para construir inteligencia no siempre exige reunir todos los datos originales en un mismo lugar.
Gemelos digitales: probar antes de tocar el mundo real
Otro componente del nuevo ecosistema son los Digital Twins o gemelos digitales. No se trata simplemente de crear una representación tridimensional de una máquina. Un verdadero gemelo digital mantiene una relación dinámica con el sistema físico mediante datos procedentes de sensores.
Una turbina, una línea de producción o incluso una infraestructura urbana pueden tener una representación digital que se actualiza continuamente. Sobre ella pueden simularse escenarios, analizarse riesgos y probarse estrategias antes de actuar sobre el sistema real.
La combinación es poderosa: sensores observan → IA interpreta → gemelo digital simula → sistema decide → sensores vuelven a observar.
AIoT empieza así a cerrar el círculo entre percepción, predicción y acción.
6G: cuando las redes también puedan percibir
La siguiente generación de telecomunicaciones ampliará todavía más estas posibilidades.
La Unión Internacional de Telecomunicaciones ya define el marco IMT-2030, asociado con el desarrollo futuro de 6G. Su recomendación vigente establece objetivos para “IMT for 2030 and beyond” y contempla nuevos escenarios de uso y capacidades.
Entre ellos aparece Integrated Sensing and Communication (ISAC): integrar comunicación y detección en una misma infraestructura.
Hasta ahora imaginábamos las redes como carreteras que transportan datos. Con ISAC, determinados componentes de la propia red podrían también contribuir a percibir posiciones, movimientos o características del entorno. Esto podría transformar movilidad, robótica, logística, ciudades inteligentes y automatización industrial.
Pero es importante mantener una distinción: IMT-2030 constituye todavía un proceso de evolución tecnológica y normalización. Muchas de estas posibilidades son objetivos y líneas de investigación, no servicios universalmente desplegados.
La pregunta más difícil no es tecnológica
Existe finalmente una cuestión que ningún procesador podrá resolver por sí mismo.
¿Qué ocurre cuando una máquina toma una decisión equivocada?
¿Quién responde?
¿Quién puede detenerla?
¿Quién sabe qué datos utilizó?
¿Quién puede comprender por qué actuó?
Aquí AIoT deja de ser únicamente ingeniería y se convierte en un problema de gobernanza.
El Artificial Intelligence Risk Management Framework del NIST fue diseñado precisamente para ayudar a gestionar riesgos de los sistemas de IA y promover su desarrollo y utilización confiables y responsables. El marco se concibe como “voluntary, rights-preserving, non-sector specific, and use-case agnostic” (Tabassi, 2023).
Es una buena síntesis de la siguiente etapa tecnológica.
No basta con preguntar si una máquina puede realizar una tarea.
También debemos preguntar si es segura, auditable, explicable y gobernable.
La nueva brecha digital
Durante décadas hablamos de personas conectadas y desconectadas. AIoT puede introducir una desigualdad diferente.
Dos regiones podrían tener acceso a Internet y, sin embargo, encontrarse a enorme distancia tecnológica si una posee sensores avanzados, infraestructura edge, modelos de inteligencia artificial, especialistas, capacidad de cómputo, ciberseguridad y control sobre sus datos, mientras la otra solamente consume servicios creados en otros lugares.
La nueva brecha podría ser una brecha de inteligencia tecnológica.
Por ello, el debate sobre AIoT no puede limitarse a ingenieros y fabricantes. También implica educación, inversión, regulación, políticas públicas y soberanía tecnológica.
Del Internet de las Cosas al Internet de las decisiones
El cambio que estamos viviendo puede resumirse mediante una secuencia.
IoT conectó los objetos.
Edge Computing acercó la computación.
TinyML llevó la inteligencia a dispositivos diminutos.
El aprendizaje federado distribuyó parte del aprendizaje.
Los gemelos digitales permitieron experimentar sobre representaciones dinámicas.
La criptografía ligera comenzó a proteger dispositivos con recursos limitados.
Y las futuras redes IMT-2030 pueden integrar todavía más estrechamente comunicaciones, inteligencia y percepción.
El resultado es un nuevo tipo de infraestructura: máquinas capaces de observar, interpretar y actuar.
Por eso la pregunta fundamental ya no es cuántos objetos conseguiremos conectar.
Es otra: ¿cómo conseguiremos que su creciente inteligencia permanezca bajo responsabilidad humana?
El verdadero éxito del AIoT no llegará cuando las máquinas puedan funcionar sin nosotros, sino cuando podamos diseñar sistemas donde autonomía, eficiencia y capacidad predictiva convivan con seguridad, privacidad, explicabilidad y control humano.
Porque el futuro no dependerá solamente de que construyamos cosas inteligentes. Dependerá, sobre todo, de que seamos suficientemente inteligentes para decidir cómo, dónde y para qué queremos que actúen.
Te invitamos a ver el video de “Laicos en la Vida Pública” sobre el tema:
Así como la presentación:
Cuando lasm cosas empiezan a pensar – Google Drive
Referencias
Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. Revisión sistemática de la literatura sobre métodos de aprendizaje automático aplicados al mantenimiento predictivo – ScienceDirect
International Telecommunication Union. (2023). Framework and overall objectives of the future development of IMT for 2030 and beyond (Recommendation ITU-R M.2160-0). ITU. M.2160 : Framework and overall objectives of the future development of IMT for 2030 and beyond
Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions. IEEE Signal Processing Magazine, 37(3), 50–60. Aprendizaje Federado: Desafíos, Métodos y Direcciones Futuras | Revistas y Revistas IEEE | IEEE Xplore
McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & Agüera y Arcas, B. (2017). Communication-efficient learning of deep networks from decentralized data. Proceedings of Machine Learning Research, 54, 1273–1282. Aprendizaje eficiente en la comunicación de redes profundas a partir de datos descentralizados
Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637–646. DOI: 10.1109/JIOT.2016.2579198. Computación en el borde: visión y desafíos | Revistas y Revistas IEEE | IEEE Xplore
Siam, S. I., Ahn, H., Liu, L., et al. (2025). Artificial Intelligence of Things: A survey. ACM Transactions on Sensor Networks, 21(1), Article 9. Inteligencia artificial de las cosas: una encuesta | Transacciones ACM en redes de sensores
Sönmez Turan, M., McKay, K., Kang, J., Kelsey, J., & Chang, D. (2025). Ascon-Based Lightweight Cryptography Standards for Constrained Devices: Authenticated Encryption, Hash, and Extendable Output Functions (NIST SP 800-232). National Institute of Standards and Technology. SP 800-232, Estándares de criptografía ligera basada en Ascon para dispositivos restringidos: Cifrado autenticado, hash y funciones de salida extensibles | CSRC
Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. Marco de Gestión de Riesgos de Inteligencia Artificial (IA RMF 1.0) | NIST
Zonta, T., da Costa, C. A., da Rosa Righi, R., de Lima, M. J., da Trindade, E. S., & Li, G. P. (2020). Predictive maintenance in the Industry 4.0: A systematic literature review. Computers & Industrial Engineering, 150, 106889. Mantenimiento predictivo en la industria 4.0: Una revisión sistemática de la literatura – ScienceDirect