¿Qué es el edge computing y qué tiene que ver con la IA?
Edge computing (computación en el borde) significa procesar los datos cerca de donde se generan, en el propio dispositivo o en un equipo local, en lugar de enviarlos a un centro de datos lejano. Gartner lo define como las soluciones que facilitan el procesamiento de datos en el origen o cerca de él [1].
Aplicado a la inteligencia artificial, hablamos de IA en el edge (o edge AI): el modelo funciona en un móvil, un portátil, una cámara, un sensor industrial o un servidor de la propia fábrica. La nube se reserva para lo pesado: entrenar modelos, guardar históricos o cruzar datos de muchas sedes.
IA en el edge vs IA en la nube
| IA en el edge | IA en la nube | |
|---|---|---|
| Latencia | Muy baja: no depende de la red | Depende de la conexión y la distancia al servidor |
| Privacidad | Los datos pueden no salir del dispositivo | Los datos viajan a un tercero; hay que confiar en sus garantías |
| Sin conexión | Sigue funcionando | No funciona o funciona mal |
| Potencia | Limitada por el chip y la batería; modelos más pequeños | Casi ilimitada; los modelos más grandes |
| Coste | Inversión en hardware; menos coste por uso y por transferencia | Sin inversión inicial; pagas por uso |
| Mantenimiento | Hay que actualizar muchos dispositivos repartidos | Se actualiza en un solo sitio |
La conclusión práctica es que casi nadie elige uno solo. Lo habitual es un modelo híbrido: lo urgente o sensible se decide en local y lo que necesita mucha potencia o visión de conjunto va a la nube.
«Procesar los datos en el borde permite mantener la agilidad y la protección, pero también el bolsillo tranquilo».
Analista de transformación digital, Innovación.ec
Ejemplos de IA en el edge que ya usas
- Móviles Android con Gemini Nano: Google ofrece a los desarrolladores un modelo que funciona en el teléfono, sin conexión y sin enviar datos a la nube, a través del servicio del sistema AICore [4].
- iPhone y Mac con Apple Intelligence: Apple procesa en el dispositivo lo que puede y manda las peticiones más pesadas a su Private Cloud Compute, unos servidores diseñados para que ni la propia Apple pueda acceder a los datos [3]. Es un ejemplo de manual de modelo híbrido.
- Portátiles Copilot+ PC: Microsoft exige un chip de IA (NPU) de más de 40 billones de operaciones por segundo (TOPS) para muchas de las funciones de IA locales de Windows [2].
Si te interesa el caso de Apple en concreto, tienes el estado actual en Apple Intelligence en 2026.
Casos de uso en empresas
- Industria: detectar defectos en una línea de producción con una cámara y un modelo local, o anticipar averías analizando vibraciones de una máquina.
- Agricultura: sensores que deciden el riego o detectan plagas en el campo, donde la conexión suele ser mala.
- Comercio: conteo de personas o control de inventario con cámaras que no envían vídeo a la nube.
- Salud: análisis preliminar de imágenes en el propio equipo, con menos exposición de datos sensibles.
- Vehículos y logística: decisiones que no pueden esperar a una respuesta del servidor.
En Ecuador, el argumento de la conectividad pesa: en julio de 2025 el 58,7 % de los hogares rurales tenía internet, frente al 76,6 % de los urbanos, según el INEC [5]. Allí donde la red falla, procesar en local deja de ser una opción técnica y pasa a ser una condición para que el sistema funcione.
Cómo se hace caber un modelo en un dispositivo
Los modelos grandes no caben en un sensor o un móvil tal cual. Las técnicas más comunes son:
- Cuantización: guardar los pesos del modelo con menos precisión (8 o 4 bits) para que ocupe menos y gaste menos energía.
- Modelos pequeños o destilados: entrenar un modelo reducido para que imite a uno grande en una tarea concreta.
- Poda: eliminar partes del modelo que apenas aportan.
- Compilar para el chip: herramientas como ONNX Runtime, OpenVINO o TensorRT adaptan el modelo al hardware concreto (NPU, GPU o CPU).
Lo que hay que corregir de las cifras que circulan
Muchos artículos sobre edge computing, incluida la primera versión de este, repiten predicciones antiguas como si fueran datos actuales:
- La famosa cifra de Gartner es una previsión de 2017-2018: que en 2025 el 75 % de los datos empresariales se crearía y procesaría fuera de un centro de datos o nube tradicional, frente al 10 % de entonces [1]. No he encontrado una medición posterior de Gartner que confirme si se cumplió. La versión anterior de este artículo hablaba, además, de un 50 %, una cifra que no he podido atribuir a Gartner.
- Las estimaciones de IDC sobre «decenas de miles de millones de dispositivos» y «zettabytes» de datos también eran previsiones para 2025, no datos medidos.
Cómo decidir si tu proyecto necesita edge
- ¿Cuánto puede esperar la respuesta? Si son milisegundos, local.
- ¿Los datos pueden salir del recinto? Si no, por privacidad o por contrato, local o nube privada.
- ¿Qué pasa si se cae internet? Si el proceso se para, necesitas algo local.
- ¿Cuántos datos generas? Si es vídeo continuo, filtrar en local y enviar solo lo relevante ahorra mucho ancho de banda.
- ¿Quién mantiene los dispositivos? Un modelo repartido en 200 cámaras hay que actualizarlo, vigilarlo y protegerlo.
Si estás pensando en IA que actúa por su cuenta en la empresa, el edge suele ser una pieza más; tienes el marco general en agentes de IA en empresas.
Fuentes y referencias
Fuentes consultadas el 3 de noviembre de 2026.
- [1] Gartner: What Edge Computing Means for Infrastructure and Operations Leaders, 2018.
- [2] Microsoft Learn: Copilot+ PCs developer guide (NPU devices), consultado el 3 de noviembre de 2026.
- [3] Apple Security Research: Private Cloud Compute, a new frontier for AI privacy in the cloud, 10 de junio de 2024.
- [4] Android Developers: Gemini Nano, consultado el 3 de noviembre de 2026.
- [5] El Comercio: ¿Qué tan rápido es el Internet en Ecuador y cómo avanza la fibra óptica? (datos del INEC), 16 de agosto de 2026.
- Equinix: Beyond Clouds: Why Your AI Strategy Needs an Edge Perspective, 26 de junio de 2025. Artículo de partida (el enlace original en CIO.com ya no está disponible).