Durante años, el Internet de las Cosas (IoT) convirtió millones de objetos en generadores de información. Sensores instalados en fábricas, automóviles, cultivos, viviendas y ciudades comenzaron a registrar y transmitir temperatura, movimiento, imágenes, vibraciones o consumo energético.
Ahora estamos entrando en una etapa diferente: el Artificial Intelligence of Things (AIoT) integra inteligencia artificial en ese ecosistema para transformar los datos en conocimiento y, en determinados casos, en decisiones.
Más artículos del autor
El cambio puede resumirse así: observar → interpretar → predecir → decidir → actuar.
La inteligencia se acerca a las cosas
Una de las transformaciones fundamentales ocurre con el Edge Computing: parte del procesamiento se desplaza desde grandes centros de datos hacia dispositivos situados cerca del lugar donde se genera la información (Shi et al., 2016).
Esto puede reducir latencia y comunicaciones innecesarias. Una cámara inteligente, por ejemplo, no necesita transmitir continuamente todas sus imágenes si puede analizarlas localmente y comunicar solamente una anomalía.
TinyML lleva esta idea todavía más lejos al permitir ejecutar determinados modelos de aprendizaje automático en microcontroladores de recursos limitados. La inteligencia artificial deja así de residir exclusivamente en enormes infraestructuras computacionales y comienza a incorporarse en objetos cotidianos.
Máquinas capaces de anticipar problemas
Una de sus aplicaciones más prometedoras es el mantenimiento predictivo. Sensores pueden registrar vibración, temperatura, presión, sonido o consumo eléctrico y utilizar aprendizaje automático para identificar patrones relacionados con el deterioro de una máquina (Carvalho et al., 2019; Zonta et al., 2020).
No significa que exista un algoritmo capaz de anticipar cualquier avería con una precisión universal. El verdadero avance consiste en convertir pequeñas señales en información que permita intervenir antes de que una anomalía termine provocando una crisis.
Inteligencia significa también vulnerabilidad
Cuando un dispositivo digital controla procesos físicos, un ciberataque puede tener consecuencias que trasciendan la pérdida de información. Por ello, AIoT obliga a integrar ciberseguridad y seguridad física.
Una respuesta es la criptografía ligera. En 2025, el NIST publicó su estándar SP 800-232, basado en la familia Ascon, destinado a proporcionar herramientas criptográficas adecuadas para dispositivos con recursos restringidos (Sönmez Turan et al., 2025). La seguridad ya no debería incorporarse después de construir el sistema. Debe concebirse desde su diseño.
Aprender sin concentrar todos los datos
El aprendizaje federado introduce otra posibilidad: diferentes dispositivos pueden colaborar en el entrenamiento de un modelo manteniendo localmente los datos originales y comunicando actualizaciones del modelo (McMahan et al., 2017).
Sin embargo, descentralizar los datos no garantiza automáticamente privacidad. Continúan siendo necesarios mecanismos complementarios de seguridad, gobernanza y protección de información. La aportación fundamental es otra: podemos desarrollar ciertas formas de inteligencia colectiva sin concentrar necesariamente toda la información original.
Gemelos digitales y redes que perciben
AIoT converge además con los gemelos digitales: representaciones digitales de máquinas o sistemas físicos alimentadas mediante datos procedentes del mundo real. Sobre ellas pueden probarse escenarios y estimarse consecuencias antes de intervenir físicamente.
A esta evolución se suma el horizonte de las redes IMT-2030, asociado con la futura sexta generación de comunicaciones móviles. La Unión Internacional de Telecomunicaciones estableció mediante la Recomendación ITU-R M.2160-0 el marco y los objetivos generales para el desarrollo de IMT hacia 2030 y más allá (International Telecommunication Union [ITU], 2023).
Entre sus escenarios se encuentra Integrated Sensing and Communication (ISAC), que busca integrar las funciones de comunicación y percepción dentro de las futuras redes inalámbricas (Liu et al., 2022).
Esto podría significar que determinadas infraestructuras de telecomunicaciones no solamente transporten información, sino que contribuyan también a detectar, localizar o interpretar elementos de su entorno.
Pero conviene evitar el determinismo tecnológico: IMT-2030/6G continúa en proceso de desarrollo y normalización. De hecho, durante 2026 la UIT continúa definiendo requisitos técnicos y criterios de evaluación para las futuras interfaces de radio IMT-2030.
La pregunta fundamental: ¿quién controla la decisión?
Aquí aparece el problema central. Si una máquina puede observar, interpretar y actuar, debemos preguntarnos: ¿quién responde cuando se equivoca?, ¿quién puede detenerla?, ¿podemos conocer por qué tomó una decisión?, ¿quién controla sus datos?
El Artificial Intelligence Risk Management Framework del NIST propone precisamente gestionar los riesgos de la inteligencia artificial durante su diseño, desarrollo, despliegue y utilización (Tabassi, 2023). La autonomía tecnológica no debería convertirse en ausencia de responsabilidad humana.
De la brecha digital a la brecha de inteligencia
AIoT puede generar además una nueva desigualdad. Hasta ahora hablamos de la brecha entre conectados y desconectados. En el futuro también importará quién posee sensores, infraestructura edge, modelos de IA, especialistas, ciberseguridad y capacidad para gobernar sus propios datos.
Podemos estar avanzando desde una brecha de conectividad hacia una brecha de inteligencia tecnológica.
AIoT puede contribuir a fábricas más eficientes, ciudades inteligentes, agricultura de precisión, movilidad avanzada y nuevas herramientas para la salud. Pero también puede generar sistemas vulnerables, invasivos u opacos.
Con IoT conseguimos que las cosas hablaran. Con AIoT comenzamos a enseñarles a interpretar, aprender y decidir. Por eso, la gran pregunta de los próximos años no será solamente hasta dónde puede llegar la inteligencia de las máquinas, sino hasta dónde queremos permitirle llegar, bajo qué reglas y con qué mecanismos de responsabilidad y control humano.
Porque el verdadero desafío ya no consiste únicamente en conectar las cosas. Consiste en gobernar responsablemente el Internet de las decisiones.
Te invitamos a ver el video de “Laicos en la Vida Pública” sobre el tema:
Referencias
Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. da 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). International Telecommunication Union. M.2160 : Framework and overall objectives of the future development of IMT for 2030 and beyond
Liu, F., Cui, Y., Masouros, C., Xu, J., Han, T. X., Eldar, Y. C., & Buzzi, S. (2022). Integrated sensing and communications: Towards dual-functional wireless networks for 6G and beyond. IEEE Journal on Selected Areas in Communications, 40(6), 1728–1767. Detección y comunicaciones integradas: hacia redes inalámbricas de doble función para 6G y más allá | 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. 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. Computación en el borde: visión y desafíos | Revistas y Revistas IEEE | IEEE Xplore
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 Special Publication 800-232). National Institute of Standards and Technology. NIST.SP.800-232.pdf
Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. NIST.AI.100-1.pdf
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