Preparación para la IA en el edge: por qué los sistemas de defensa distribuidos necesitan algo más que hardware más inteligente

Por qué los sistemas de defensa distribuidos necesitan algo más que hardware más inteligente

La IA en el edge se está convirtiendo en una consideración de infraestructura importante para la defensa, la seguridad fronteriza, la respuesta ante emergencias y otras operaciones orientadas al terreno. La razón es sencilla: no todos los entornos pueden depender de una conexión fiable con una nube centralizada.

Las ubicaciones remotas, el ancho de banda limitado, las comunicaciones degradadas, los sistemas desconectados y los estrictos requisitos de gestión de datos crean el mismo problema arquitectónico. Algunas cargas de trabajo deben ejecutarse cerca del lugar donde se generan los datos. Esto puede significar sensores, cámaras, sistemas no tripulados, vehículos, embarcaciones, equipos de campo, entornos de mando locales o plataformas informáticas reforzadas que operan fuera de las condiciones normales de un centro de datos.

El error consiste en pensar que la IA en el edge es solo una actualización de hardware. Los dispositivos más capaces importan. Las GPU más pequeñas, los aceleradores de IA, las unidades de procesamiento neuronal y las plataformas desplegables en campo forman parte de la historia. Pero la pregunta más difícil no es si el hardware puede ejecutar un modelo. La pregunta más difícil es si la organización puede operar, gobernar, proteger, actualizar, supervisar y dar soporte a sistemas de IA distribuidos a lo largo del tiempo.

Ahí es donde muchas estrategias de IA en el edge tendrán éxito o fracasarán.

El edge es un entorno operativo, no solo una ubicación

La IA en el edge hace referencia a modelos de IA y software de apoyo que se ejecutan cerca del punto de recopilación de datos. En contextos de defensa y del sector público, esto podría incluir cámaras, sensores, plataformas no tripuladas, vehículos terrestres, infraestructuras fronterizas, sistemas navales, entornos de mando móviles o dispositivos desplegados en campo.

El valor no reside simplemente en que la IA se ejecute fuera de la nube. El valor está en que el procesamiento local puede reducir la latencia, limitar el movimiento innecesario de datos, preservar la funcionalidad cuando la conectividad es débil y permitir que los sistemas filtren o resuman grandes volúmenes de información antes de enviar nada a una plataforma central.

Esto importa porque el edge táctico rara vez es un entorno sencillo. La energía puede ser limitada. La conectividad puede ser intermitente. El acceso físico puede resultar difícil. Los dispositivos pueden tener que funcionar en condiciones adversas. Las actualizaciones de software quizá no se produzcan con un calendario predecible. La supervisión central puede retrasarse. Los registros pueden tener que sincronizarse más tarde. Los supuestos de seguridad que funcionan en un centro de datos pueden no ser aplicables.

En otras palabras, el edge no es simplemente «la nube, pero más pequeña». Es un entorno operativo diferente.

Por qué el procesamiento centralizado no siempre es suficiente

La infraestructura de nube centralizada sigue siendo importante. A menudo es el lugar adecuado para el entrenamiento de modelos, el análisis a gran escala, el almacenamiento centralizado, la supervisión de toda la flota, la simulación, la coordinación y la gestión de datos a largo plazo. La mayoría de las estrategias maduras de IA en el edge seguirán incluyendo sistemas en la nube o en centros de datos en algún punto de la arquitectura.

El problema es suponer que cada decisión debe esperar un viaje de ida y vuelta a un servicio central.

Federal News Network describió claramente el problema del edge táctico: las arquitecturas centradas en la nube funcionan hasta que la red desaparece. En entornos donde no se puede garantizar la conectividad, las aplicaciones críticas para la misión pueden tener que funcionar localmente, de manera independiente o con sincronización diferida. El mismo patrón se aplica más allá de la defensa, por ejemplo, en la respuesta ante catástrofes, las infraestructuras remotas, la energía, las operaciones marítimas y la seguridad pública.

La pregunta no es «¿edge o nube?». La pregunta más adecuada es «¿a qué lugar pertenece cada parte de esta carga de trabajo?»

Qué puede facilitar la IA en el edge

La IA en el edge puede respaldar una variedad de casos de uso de alto nivel en los que el procesamiento local es importante. Entre ellos se incluyen la supervisión distribuida, la detección de anomalías, el análisis de imágenes y vídeo, la clasificación local, la fusión de sensores, la logística de campo, la respuesta ante catástrofes, la inspección de infraestructuras y el apoyo a operadores humanos que trabajan con información urgente.

General Dynamics Information Technology anunció en 2026 unas torres de vigilancia autónomas que utilizan IA en el edge, aprendizaje automático, análisis de vídeo y comunicaciones 5G, por microondas y por satélite para la vigilancia en tiempo real. Posteriormente, GDIT anunció que las torres habían sido certificadas por la Oficina de Aduanas y Protección Fronteriza de Estados Unidos. Los sistemas están diseñados para supervisar zonas remotas, priorizar alertas y reducir la necesidad de una supervisión constante por parte de los operadores.

Ese ejemplo muestra por qué el procesamiento en el edge resulta útil. Puede reducir la cantidad de datos sin procesar que deben trasladarse, ayudar a priorizar lo que merece atención y respaldar operaciones en entornos amplios o remotos.

Una lógica similar se aplica a la respuesta ante catástrofes. Un equipo que responde a una inundación, un incendio forestal, un fallo estructural o una interrupción de una infraestructura puede necesitar procesar imágenes, grabaciones de drones o datos de sensores cerca del lugar del incidente. Esperar a que los sistemas centrales reciban, procesen y devuelvan cada señal puede ralentizar las decisiones cuando el tiempo es importante.

La cuestión no es eliminar a las personas de las decisiones trascendentales. Se trata de acercar análisis útiles a las condiciones en las que las personas los necesitan.

El desafío oculto: la gestión del ciclo de vida

La IA en el edge resulta emocionante durante la adquisición y las demostraciones. El desafío a largo plazo es la gestión del ciclo de vida.

Un sistema de IA distribuido no se despliega una sola vez para luego olvidarlo. Los modelos necesitan actualizaciones. El software necesita parches. Las credenciales deben rotarse. Los registros deben recopilarse. Los dispositivos deben supervisarse. Hay que revisar la calidad de los datos. El hardware puede fallar. Las condiciones de red pueden cambiar. Los usuarios pueden descubrir casos límite que las pruebas originales no cubrían.

Esto genera una carga práctica de gestión. Las organizaciones deben responder a preguntas como:

• ¿Cómo se actualizan los modelos en sistemas distribuidos?
• ¿Cómo sabe la organización qué versión se está ejecutando en cada lugar?
• ¿Se puede revertir un modelo o una configuración de forma segura?
• ¿Qué ocurre cuando no hay conectividad durante una actualización?
• ¿Cómo se recopilan y revisan los registros?
• ¿Quién supervisa la degradación del rendimiento o la deriva del modelo?
• ¿Qué ocurre cuando un dispositivo sufre daños físicos, se ve comprometido o se pierde?

Estas preguntas no son detalles secundarios. Determinan si un sistema de IA en el edge sigue siendo fiable después del despliegue inicial.

La gobernanza debe trasladarse con la carga de trabajo

Cuando el procesamiento de IA se traslada al edge, la gobernanza no puede permanecer únicamente en un documento central de políticas. Tiene que reflejarse en la arquitectura.

Eso significa definir qué puede hacer el sistema localmente, qué requiere revisión humana, qué datos pueden almacenarse o transmitirse, cómo se gestiona la incertidumbre y cómo se escalan los comportamientos inusuales. También implica incorporar la auditabilidad al despliegue. Si un sistema prioriza una alerta, filtra información o recomienda el siguiente paso, la organización debería poder comprender qué datos y qué lógica determinaron ese resultado.

Una buena gobernanza de la IA en el edge debería incluir:

• Identidad y control de acceso para dispositivos, usuarios, servicios y administradores
• Normas claras para el almacenamiento, la conservación y la transmisión de datos locales
• Control de versiones de modelos y gestión de la configuración
• Registro que funcione incluso cuando la sincronización se retrasa
• Revisión humana y vías de escalado para resultados inciertos o de alto impacto
• Supervisión de desviaciones, falsos positivos, falsos negativos y comportamientos inusuales
• Procesos seguros de actualización y aplicación de parches
• Responsabilidad documentada sobre el rendimiento operativo después de la implementación

Aquí es donde la IA en el perímetro se convierte en algo más que un proyecto tecnológico. Se convierte en un modelo operativo.

La seguridad es diferente en el perímetro

Los sistemas periféricos suelen funcionar fuera de las protecciones físicas y de red de un centro de datos convencional. Esto cambia el modelo de riesgo.

Los dispositivos pueden desplegarse en lugares donde es posible acceder físicamente a ellos. Las redes pueden ser menos fiables. Puede ser necesario realizar actualizaciones a través de enlaces con limitaciones. Los registros pueden almacenarse localmente antes de sincronizarse. Los operadores pueden tener que resolver problemas bajo presión. Algunos sistemas pueden funcionar en condiciones de desconexión o con aislamiento físico de redes.

La planificación de la seguridad debe tener en cuenta esas circunstancias. Una arquitectura segura en la nube no se traduce automáticamente en una arquitectura periférica segura. Los sistemas periféricos necesitan configuraciones reforzadas, permisos limitados, controles de identidad sólidos, gestión cifrada de los datos, arranque seguro cuando corresponda, diseño consciente de la manipulación cuando sea viable y procedimientos de recuperación para equipos comprometidos o averiados.

La seguridad también debe ser práctica. Los sistemas desplegados en campo que son demasiado difíciles de operar pueden fomentar soluciones improvisadas. La mejor arquitectura no es simplemente segura en teoría. Es suficientemente segura, utilizable y fácil de mantener para el entorno en el que realmente funcionará.

Las adquisiciones deben evaluar la facilidad de soporte, no solo las capacidades

Las adquisiciones de IA en el perímetro suelen centrarse en capacidades impresionantes: detección, clasificación, autonomía, hardware resistente, capacidad de cálculo integrada, comunicaciones e integración de sensores. Esas capacidades importan. Pero la facilidad de soporte es igual de importante.

Un sistema que funciona bien en una demostración puede seguir siendo difícil de operar a escala. Las organizaciones deben evaluar cómo se desplegará, mantendrá, actualizará, supervisará, protegerá e integrará el sistema con los flujos de trabajo existentes.

Entre las mejores preguntas para las adquisiciones se incluyen:

• ¿Cómo se comporta el sistema cuando la conectividad se degrada?
• ¿Qué datos permanecen localmente y qué datos se transmiten?
• ¿Se puede auditar el comportamiento del modelo?
• ¿Cómo se revisan los falsos positivos y los falsos negativos?
• ¿Cómo se implementan los parches y las actualizaciones de los modelos?
• ¿Puede el sistema integrarse con las herramientas existentes de identidad, registro y supervisión?
• ¿Qué formación necesitan los operadores y administradores?
• ¿Cuál es la vía de salida si cambia la relación con el proveedor o el requisito de la misión?

Estas preguntas son menos atractivas que una demostración en directo. También tienen más probabilidades de predecir si el sistema seguirá siendo útil dos años después de su implementación.

El problema de la plantilla

La IA en el perímetro también requiere una combinación de competencias diferente. Integra infraestructura, sistemas embebidos, ciberseguridad, operaciones de IA, redes, ingeniería de datos, experiencia de usuario, soporte en campo y gobernanza.

Esa combinación de competencias no es la misma que la de las tecnologías de la información empresariales tradicionales. Un equipo capaz de gestionar aplicaciones en la nube puede seguir necesitando nuevas capacidades para dar soporte a sistemas reforzados, operaciones desconectadas, ejecución local de modelos, sincronización retrasada y gestión del ciclo de vida del hardware. Un equipo que entiende las operaciones de campo puede necesitar ayuda para traducir las necesidades operativas en requisitos de software, datos y gobernanza.

Las organizaciones no deben esperar hasta el primer despliegue importante para desarrollar esta capacidad. La formación, la documentación, los procedimientos de soporte y la responsabilidad interfuncional deben formar parte del plan de implementación desde el principio.

Cómo Ridiculous Engineering aborda la preparación para la IA en el perímetro

En Ridiculous Engineering, creemos que la IA en el perímetro debe comenzar con el análisis de las cargas de trabajo, no con la selección del hardware. Las primeras preguntas deben ser prácticas: ¿qué debe ocurrir localmente?, ¿qué puede ocurrir de forma centralizada?, ¿qué datos deben moverse?, ¿qué puede esperar?, ¿qué requiere revisión humana? y ¿qué debe seguir funcionando cuando la conectividad sea deficiente?

A partir de ahí, la arquitectura puede diseñarse en torno a la realidad operativa. Algunas cargas de trabajo pueden corresponder a dispositivos locales. Otras pueden pertenecer a una infraestructura regional. Algunas pueden corresponder a sistemas en la nube. Muchas requerirán un diseño híbrido con límites claros entre la inferencia local, la coordinación central, la supervisión, el almacenamiento y la gobernanza.

Ayudamos a las organizaciones a analizar esas compensaciones. Esto puede incluir el descubrimiento de requisitos, el mapeo de flujos de datos, la planificación de la arquitectura, el apoyo en la evaluación de proveedores, el diseño de la gobernanza, la estrategia de integración, los enfoques de supervisión y la planificación de la implementación de sistemas que deben funcionar fuera de condiciones ideales.

El objetivo no es perseguir la IA en el perímetro porque suene avanzada. El objetivo es crear sistemas útiles, gobernables, seguros y fáciles de mantener en el entorno real en el que se utilizarán.

La ventaja de la IA en el perímetro es la disciplina operativa

La IA en el perímetro seguirá dando forma a la defensa, la seguridad fronteriza, la respuesta ante emergencias, la logística, la supervisión de infraestructuras y otras operaciones orientadas al campo. Pero las organizaciones que más se beneficien no serán las que simplemente desplieguen más dispositivos inteligentes.

Serán las que puedan gestionar todo el ciclo de vida: despliegue, seguridad, gobernanza, supervisión, actualizaciones, flujos de trabajo de los usuarios, movimiento de datos y soporte. Entenderán dónde el procesamiento local aporta valor y dónde los sistemas centralizados siguen siendo la mejor opción. Considerarán la supervisión humana, la auditabilidad y los modos de fallo requisitos de diseño, no aspectos secundarios.

Si su organización está evaluando la IA en el perímetro, la inteligencia distribuida o sistemas desplegados en campo que deban funcionar bajo condiciones limitadas, Ridiculous Engineering puede ayudarle. Trabajamos con nuestros clientes para aclarar los requisitos, evaluar las opciones de arquitectura, analizar el riesgo de implementación y crear vías prácticas desde una capacidad prometedora hasta una realidad operativa.

La IA en el extremo no consiste solo en acercar la inteligencia al terreno. Consiste en crear el modelo operativo que permita confiar en esa inteligencia cuando la demostración haya terminado.

Fuentes y lecturas adicionales: GDIT: Torres de vigilancia autónomas certificadas por el Servicio de Aduanas y Protección Fronteriza de Estados Unidos, Federal News Network: El extremo táctico ya está aquí, FedGovToday: Por qué el Pentágono está impulsando la IA y la informática en el extremo del campo de batalla, Defense Advancement: Torres de vigilancia autónomas desplegadas mediante IA en el extremo, FedScoop: Ganar la guerra de la información en el extremo táctico