Por qué importa la ubicación de la infraestructura

Las organizaciones de defensa y seguridad pública están prestando más atención a la IA en el extremo por una razón sencilla: no todos los entornos operativos pueden depender de una conexión estable con una nube centralizada. Algunos sistemas operan en zonas remotas. Otros funcionan con un ancho de banda limitado. Algunos deben seguir funcionando cuando la conectividad se degrada, se deniega o se restringe intencionadamente. En esos entornos, la ubicación de la carga de trabajo de IA importa tanto como el propio modelo.

La IA en el extremo hace referencia a los modelos de IA y al software de apoyo que se ejecutan cerca del punto donde se recopilan los datos. Puede tratarse de cámaras, sensores, sistemas no tripulados, vehículos terrestres, equipos de campo, dispositivos móviles o infraestructura local. En lugar de enviar cada señal sin procesar a una nube central para su procesamiento, un sistema en el extremo puede analizar los datos localmente y devolver únicamente la información que deba transmitirse.

Eso no convierte a la IA en el extremo en un sustituto de la infraestructura en la nube. Los sistemas centrales en la nube siguen siendo importantes para el entrenamiento, la coordinación, el almacenamiento, el análisis, la gestión de modelos y la visibilidad empresarial. La cuestión práctica es que los sistemas orientados a la defensa suelen necesitar una arquitectura híbrida. Algunas tareas deben realizarse de forma centralizada. Otras deben ejecutarse a nivel regional. Y algunas deben llevarse a cabo directamente en el extremo.

Por qué la IA en el extremo está recibiendo más atención

El argumento a favor de la IA en el extremo no es abstracto. Surge de las limitaciones operativas.

Un modelo de nube centralizada funciona bien cuando la conectividad es fiable, la latencia es aceptable y el movimiento de datos no genera problemas de costes, seguridad o gobernanza. Muchos casos de uso empresariales de IA encajan en ese patrón. Los entornos de defensa y seguridad a menudo no.

Pensemos en un sistema de sensores remoto, una red de cámaras desplegada en el terreno o una plataforma móvil que opera con conectividad intermitente. Enviar cada fotograma, señal o flujo de telemetría a un centro de datos distante puede ser lento, costoso o poco realista. Si el sistema necesita detectar anomalías, priorizar alertas, comprimir información o seguir funcionando cuando la red está degradada, el procesamiento local resulta más útil.

Federal News Network describió esta convergencia de la IA agéntica y la computación en el extremo como «agentic edge», donde los sistemas pueden actuar de forma acotada más cerca de la fuente de los datos. Este enfoque resulta útil siempre que se gestione con cuidado. La cuestión no es eliminar a las personas de las decisiones importantes. Se trata de procesar la información allí donde el tiempo, el ancho de banda y la resiliencia hacen que el procesamiento centralizado no sea adecuado.

Cómo es la IA en el extremo en la práctica

La IA en el extremo, en contextos de defensa y seguridad, puede adoptar varias formas. A grandes rasgos, incluye el análisis local de datos de sensores, el procesamiento de imágenes y vídeo, la detección de anomalías, el apoyo a las comunicaciones en el terreno, la visibilidad logística, el apoyo a la respuesta ante desastres y las herramientas de conocimiento de la situación.

General Dynamics Information Technology anunció en marzo de 2026 torres de vigilancia autónomas que utilizan IA en el extremo, aprendizaje automático, análisis de vídeo y comunicaciones 5G y por satélite para detectar, identificar, clasificar y rastrear objetos de interés en tiempo real. La empresa describió estos sistemas como capaces de supervisar a largas distancias y priorizar alertas sin requerir la supervisión constante de un operador.

Este ejemplo muestra por qué importa la arquitectura. El valor no reside únicamente en que intervenga la IA. El valor está en que el análisis se realiza lo bastante cerca de la fuente de los datos como para reducir las transferencias innecesarias, facilitar alertas más rápidas y operar en entornos donde un patrón tradicional centrado primero en la nube puede no ser suficiente.

La misma lógica se aplica a otros escenarios relacionados con la defensa. Un equipo de respuesta ante desastres puede necesitar procesar imágenes de drones cerca del lugar afectado. Una operación logística puede necesitar inferencia local cuando la conectividad es irregular. Un sistema de monitorización puede tener que filtrar grandes volúmenes de datos de sensores antes de enviar resúmenes o excepciones a una plataforma central.

El valor estratégico es la resiliencia, no la magia

A veces se describe la IA en el extremo con un lenguaje que hace que parezca casi automática: decisiones más rápidas, sistemas más inteligentes, mayor autonomía y menor carga para las personas. Parte de ello puede ser cierto en el contexto adecuado. Pero la mejor forma de entender la IA en el extremo es a través de la resiliencia.

El procesamiento local puede reducir la latencia. Puede disminuir las necesidades de ancho de banda. Puede ayudar a que los sistemas sigan funcionando durante las interrupciones de red. Puede reducir la necesidad de trasladar datos sin procesar y sensibles entre entornos. También puede facilitar una comunicación más selectiva con los sistemas centrales, transmitiendo únicamente las alertas, los resúmenes, los eventos o las salidas de los modelos pertinentes.

Son beneficios prácticos, no eslóganes.

La contrapartida es que los sistemas en el extremo son más difíciles de operar de lo que muchos equipos esperan. El hardware puede necesitar protección reforzada. Los dispositivos pueden desplegarse en lugares de difícil acceso. Las actualizaciones de software deben poder realizarse a través de redes poco fiables. Es posible que los modelos necesiten supervisión para detectar su deriva. Los registros pueden tener que capturarse localmente y sincronizarse más tarde. Los controles de seguridad deben tener en cuenta el acceso físico, la manipulación y el funcionamiento desconectado.

En otras palabras, la IA en el extremo reduce algunos riesgos, pero introduce otros.

La supervisión humana sigue siendo importante

Cualquier debate sobre la IA en defensa debe mantener la supervisión humana como prioridad central. La IA en el extremo puede ayudar a procesar la información con mayor rapidez, pero la velocidad no elimina la necesidad de gobernanza. De hecho, la velocidad hace que la gobernanza sea aún más importante.

Los sistemas que clasifican objetos, priorizan alertas, recomiendan acciones o filtran información pueden influir en las decisiones posteriores incluso cuando no toman las decisiones finales por sí mismos. Si un sistema no detecta un evento, da una prioridad excesiva a una señal falsa o presenta información sin suficiente contexto, los operadores humanos pueden verse afectados por ese resultado.

Esto significa que los despliegues de IA en el extremo necesitan límites claros. ¿Qué puede hacer el sistema? ¿Qué requiere revisión humana? ¿Qué umbral de confianza se necesita antes de elevar una alerta? ¿Cómo se revisan los falsos positivos y los falsos negativos? ¿Quién es responsable del rendimiento del sistema después del despliegue? ¿Cómo se prueban los modelos en condiciones similares al entorno operativo real?

No son cuestiones normativas separadas de la ingeniería. Son requisitos de diseño.

La cuestión de la ubicación de la carga de trabajo

La pregunta más útil no es: «¿Debería esta organización utilizar IA en el extremo?» La pregunta más adecuada es: «¿Dónde debería ejecutarse cada parte de esta carga de trabajo?»

Un sistema de IA orientado a la defensa puede incluir varias capas:

Procesamiento local o en el dispositivo: para filtrado, detección, compresión o generación de alertas sensibles al tiempo cerca de la fuente de los datos.
Infraestructura regional o táctica: para coordinar varios sistemas locales, agregar eventos u operar en entornos con limitaciones.
Servicios centrales en la nube o del centro de datos: para el entrenamiento, la gestión de modelos, el almacenamiento a largo plazo, el análisis empresarial y la visibilidad entre misiones.
Revisión humana y flujos de trabajo de mando: para la supervisión, la escalada, la rendición de cuentas y las decisiones que no deberían delegarse en la automatización.

Cada capa tiene una función. Los problemas aparecen cuando las organizaciones obligan a ejecutar todas las cargas de trabajo en una sola capa simplemente porque ahí se encuentra la plataforma preferida.

La ubicación de las cargas de trabajo debe estar determinada por la latencia, la sensibilidad de los datos, el ancho de banda, los requisitos de resiliencia, el entorno operativo, el modelo de soporte y la gobernanza. Una arquitectura basada en la nube puede ser perfecta para algunas cargas de trabajo de IA. Un modelo local en el edge puede ser necesario para otras. Un diseño híbrido suele ser la respuesta más realista.

La seguridad y la gobernanza no pueden dejarse para después

Los sistemas de IA en el edge pueden operar fuera del entorno controlado de un centro de datos tradicional. Eso cambia el modelo de seguridad.

Los dispositivos pueden estar físicamente expuestos. La conectividad puede ser intermitente. Las actualizaciones pueden retrasarse. Los datos pueden almacenarse en caché localmente. Los operadores pueden necesitar solucionar problemas en condiciones difíciles. Los registros pueden no sincronizarse de inmediato. Si el sistema utiliza componentes gestionados por el proveedor, la organización también deberá comprender cómo se gestionan los modelos, la telemetría y los datos de configuración.

Una arquitectura de IA en el edge sólida debería abordar:

Identidad y control de acceso para dispositivos, operadores y servicios
Procesos seguros de actualización y aplicación de parches
Control de versiones y reversión de modelos
Registro local y sincronización diferida
Reglas de conservación y movimiento de datos
Modos de fallo cuando la conectividad se degrada
Supervisión del rendimiento de los modelos y de la deriva operativa
Vías claras de escalado para resultados inusuales o inciertos

Estos detalles no son glamurosos, pero determinan si una implementación de IA en el edge puede ser fiable en la práctica.

Cómo Ridiculous Engineering aborda la infraestructura de IA en el edge

En Ridiculous Engineering, creemos que la IA en el edge debe abordarse primero como un problema de arquitectura y operaciones, antes de tratarla como un problema de IA. El modelo importa, pero el entorno de implementación importa igual de mucho.

Un plan útil de IA en el edge comienza con la carga de trabajo. ¿Qué datos se están recopilando? ¿Dónde se generan? ¿Con qué rapidez debe responder el sistema? ¿Qué ocurre si falla la conectividad? ¿Qué datos deben permanecer localmente? ¿Qué debe enviarse de vuelta a los sistemas centrales? ¿Quién revisa los resultados? ¿Cómo es un fallo seguro?

A partir de ahí, las organizaciones pueden tomar mejores decisiones sobre la infraestructura. Algunas cargas de trabajo pueden necesitar capacidad de cómputo local resistente. Otras pueden requerir únicamente procesamiento regional. Algunas pueden beneficiarse más de servicios en la nube con mejores canalizaciones de datos. Otras pueden necesitar una implementación por fases que comience con asistencia humana en el circuito antes de avanzar hacia flujos de trabajo más automatizados.

Ayudamos a las organizaciones a analizar estas ventajas y desventajas en términos prácticos: arquitectura, integración, movimiento de datos, seguridad, supervisión, costes, facilidad de soporte y gobernanza. El objetivo no es perseguir la IA en el edge porque suene avanzada. El objetivo es colocar la capacidad de cómputo adecuada en el lugar adecuado para el problema que se está resolviendo.

El edge es una decisión de ubicación, no un eslogan

La IA en el edge seguirá transformando la defensa, la seguridad, la protección ciudadana, la logística y las operaciones sobre el terreno. Sin embargo, las organizaciones que más se beneficien no serán las que simplemente añadan IA a hardware distribuido. Serán las que comprendan dónde debe ejecutarse la inteligencia, cómo debe gobernarse y cómo debe integrarse en la toma de decisiones humana.

Una arquitectura incorrecta puede crear sistemas frágiles que parecen impresionantes en una demostración, pero tienen dificultades sobre el terreno. La arquitectura adecuada puede reducir la latencia, preservar la resiliencia, limitar el movimiento innecesario de datos y proporcionar a los operadores mejor información cuando la conectividad, el tiempo y el contexto son importantes.

Si su organización está evaluando la IA en el edge, la infraestructura híbrida o los sistemas inteligentes desplegados sobre el terreno, Ridiculous Engineering puede ayudar a definir los requisitos, diseñar la arquitectura y crear planes de implementación que tengan en cuenta las condiciones operativas reales en lugar de demostraciones idealizadas.

La IA en el edge no consiste solo en ejecutar modelos fuera de la nube. Consiste en comprender dónde se toman las decisiones, dónde deben desplazarse los datos y dónde la infraestructura debe resistir cuando las condiciones distan de ser perfectas.

Fuentes y lecturas adicionales: Federal News Network: Los milisegundos importan: cómo la IA agéntica en el edge ofrece acciones autónomas en el origen, GDIT: Torres de vigilancia autónomas que utilizan IA en el edge y aprendizaje automático, Defense Advancement: Torres de vigilancia autónomas lanzadas mediante IA en el edge y aprendizaje automático, Grand View Research: Informe del mercado de la computación militar en el edge

La IA en el extremo de la línea del frente: sistemas autónomos que transforman la defensa