Introducción

La inteligencia artificial (IA) ha pasado de ser un concepto futurista a una fuerza transformadora que redefine múltiples aspectos de la sociedad y la economía global. Su capacidad para procesar grandes volúmenes de datos, aprender de ellos y tomar decisiones o realizar tareas con una autonomía creciente ha generado una ola de innovaciones sin precedentes (Wamba-Taguimdje et al., 2020). Este documento examina las innovaciones recientes en IA y su influencia en tecnologías emergentes, así como las implicaciones sociales, éticas y regulatorias que de ello se derivan. La expansión de la IA promete beneficios significativos, pero también introduce desafíos complejos que requieren un análisis minucioso para asegurar un desarrollo equitativo y sostenible.

Innovaciones recientes en inteligencia artificial

El campo de la inteligencia artificial experimenta una evolución acelerada, impulsada por descubrimientos teóricos y mejoras computacionales. Las innovaciones abarcan desde modelos fundacionales hasta aplicaciones especializadas, impactando la forma en que interactuamos con la tecnología y gestionamos la información.

Avances en modelos de lenguaje y visión artificial

Los grandes modelos de lenguaje (LLM, por sus siglas en inglés) han demostrado capacidades notables en tareas de procesamiento de lenguaje natural y otras áreas (Naveed et al., 2025). Estos modelos, como GPT, Bloom y LLaMA, se caracterizan por sus miles de millones de parámetros, lo que les permite comprender y generar lenguaje de manera sofisticada . Su éxito se basa en el ensamblaje de oraciones a partir de estadísticas derivadas de vastas cantidades de texto (Cerf, 2023).

De manera similar, los modelos de lenguaje visual multimodales (VLM, por sus siglas en inglés) combinan la visión por computadora y el procesamiento de lenguaje natural, permitiendo a las máquinas interpretar y razonar sobre el mundo a través de datos visuales y textuales simultáneamente (n.d.). Modelos como CLIP, Claude y GPT-4V exhiben habilidades avanzadas de razonamiento y comprensión en datos visuales y textuales, superando a los modelos de visión unimodales clásicos en clasificación de cero disparos (n.d.). Incluso sin acceso directo a información visual, los LLM pueden adquirir una comprensión del mundo visual mediante el aprendizaje de relaciones entre cadenas de texto, utilizando código para representar imágenes y demostrando su capacidad para generar y corregir imágenes conceptualmente (Sharma et al., 2024).

Desarrollo de IA en el edge y sistemas autónomos

La integración de la inteligencia artificial en el «edge» (computación de borde) constituye una tendencia tecnológica de gran envergadura. Esta estrategia implica la incorporación de capacidades de entrenamiento e inferencia de modelos directamente en los dispositivos de red periféricos (Letaief et al., 2022). Al situar la IA más cerca de la fuente de datos, se logran reducciones sustanciales en la latencia, el consumo energético y la congestión de la red. Esto también mejora la privacidad y la seguridad de los datos al minimizar la necesidad de transmitir información sensible a la nube para su procesamiento (Letaief et al., 2022).

Los sistemas autónomos, beneficiándose de la IA en el edge, transforman diversas industrias. En la Internet de las cosas (IoT), la IA en el edge permite a los dispositivos tomar decisiones inteligentes de forma local, optimizando operaciones y respondiendo en tiempo real a su entorno (Saleem et al., 2023). Esta arquitectura es fundamental para las redes de sexta generación (6G), donde la IA se fusiona con la detección, la comunicación y la computación para crear un ecosistema integrado de toma de decisiones (Ismail & Buyya, 2022).

Distribución y colaboración en redes IoT habilitadas por IA

La expansión de las aplicaciones de ciudades inteligentes y sus componentes, como la Internet de las Cosas (IoT), la inteligencia artificial (IA), el aprendizaje federado y distribuido, el análisis de grandes datos y la computación en la nube/borde, impulsan la necesidad de diseñar redes de sexta generación (6G) (Ismail & Buyya, 2022). En este contexto, la IA se convierte en un catalizador para la funcionalidad de las redes IoT. La adopción de IA en IoT permite la innovación digital a través de la resiliencia adaptativa, aunque las pequeñas y medianas empresas familiares enfrentan obstáculos al integrar el IoT de borde (Saleem et al., 2023).

Las redes inalámbricas de próxima generación requerirán una IA sofisticada para automatizar la entrega de información entre aplicaciones inteligentes de manera simultánea (Alhammadi et al., 2024). Los avances en IA y aprendizaje automático (ML) facilitan la resolución eficiente de problemas complejos que surgen del manejo de grandes volúmenes de datos en redes más allá del 5G (B5G) (Wang et al., 2020). Esto abarca desde la medición y modelado de canales hasta la optimización de la gestión de red, sentando las bases para una colaboración distribuida inteligente entre dispositivos IoT.

Gestión de la innovación y adopción de IA en organizaciones y startups

La gestión de la innovación en IA implica la implementación y supervisión estratégica de tecnologías de IA, incluyendo la adopción de herramientas, la gestión de proyectos y la integración en procesos de negocio (Zhaoxia Yi & Ayangbah, 2024). Una gestión eficaz aumenta la productividad al automatizar tareas rutinarias, mejorar la toma de decisiones y fomentar la innovación (Zhaoxia Yi & Ayangbah, 2024).

Las startups de IA, caracterizadas por ser pequeñas empresas, su adopción de tecnología de IA, la transformación digital y el uso de sistemas de big data, buscan mejorar su competitividad (Lee et al., 2023). El liderazgo estratégico en el tema es un factor clave para el éxito de estas empresas. La adopción temprana de IA, aunque limitada (menos del 6% de las empresas en un estudio de EE. UU., pero el 18% ponderado por empleo), se concentra en empresas grandes y startups dinámicas con propietarios más educados, experimentados y jóvenes, a menudo motivados por nuevas ideas o ayuda a la comunidad (McElheran et al., 2023). Estas empresas pioneras en IA a menudo muestran indicadores de crecimiento acelerado, como financiación de capital de riesgo e innovación reciente de productos y procesos (McElheran et al., 2023). La integración de la IA no debe ser intimidante; las empresas pueden utilizar sus capacidades dinámicas existentes para detectar, aprovechar y transformar sus modelos de negocio mediante la IA (Liu et al., 2024).

Impacto de la inteligencia artificial en tecnologías emergentes

La IA actúa como un motor fundamental para el avance y la reconfiguración de tecnologías emergentes, permeando sectores vitales y moldeando la infraestructura del futuro. Su influencia se traduce en mejoras operacionales, nuevas oportunidades económicas y soluciones para desafíos complejos.

Transformación de sectores clave: salud, finanzas, educación e industria

La inteligencia artificial redefine paradigmas en múltiples sectores. En el ámbito de la salud, la IA puede reducir significativamente los costos y optimizar la atención al paciente, el diagnóstico y el tratamiento (Chakraborty et al., 2024) . Los grandes modelos de lenguaje, por ejemplo, demuestran un potencial considerable para mejorar las prácticas médicas, acelerar la investigación y optimizar la eficiencia de los sistemas de salud a través de diagnósticos asistidos . La integración de IA, aprendizaje automático, aprendizaje profundo e IoT, junto con la computación en la nube, es crucial para superar los desafíos sanitarios contemporáneos, especialmente en el contexto de la salud conectada (Kamruzzaman, 2021). Las plataformas de salud pueden aprovechar la IA para la identificación segura de clientes, consultoría médica virtual, predicción de enfermedades mediante análisis de imágenes y evaluación de riesgos de salud basados en datos del usuario (Ingale et al., 2024).

En el sector financiero, la IA automatiza tareas, mejora la toma de decisiones y fomenta la innovación, lo que se traduce en una mayor eficiencia y competitividad (Zhaoxia Yi & Ayangbah, 2024). La industria también experimenta una optimización de procesos y una mejora en la automatización gracias a la IA, lo que se traduce en un aumento del rendimiento a nivel organizacional y de procesos (Wamba-Taguimdje et al., 2020).

Integración de IA en redes 5G y 6G: aplicaciones y retos

La IA es fundamental para la evolución de las redes inalámbricas, especialmente en la transición del 5G al 6G (Alhammadi et al., 2024). Las redes 5G ya se están implementando, y las redes más allá del 5G (B5G) y 6G se proyectan para la próxima década. La IA, particularmente el aprendizaje automático, puede resolver de manera eficiente problemas no estructurados e intratables que implican grandes volúmenes de datos en B5G . Los investigadores se enfocan en el diseño y la operación de estas redes utilizando IA y ML, abordando aspectos como la medición de canales, el modelado, la estimación, la investigación de la capa física y la gestión y optimización de la red .

La IA en el edge se perfila como una tecnología disruptiva para el 6G, integrando la detección, la comunicación, la computación y la inteligencia, lo que optimiza la eficiencia, la efectividad, la privacidad y la seguridad de las redes (Letaief et al., 2022). Sin embargo, la implementación de sistemas de IA basados en aprendizaje profundo y análisis de big data requiere vastos recursos computacionales y de comunicación, lo que genera desafíos en latencia, consumo de energía, congestión de red y fugas de privacidad (Letaief et al., 2022). La convergencia de IA/ML con las comunicaciones inalámbricas presenta nueve desafíos interrelacionados que deben abordarse para el éxito de las redes 6G, centrados en la computación en IA, las redes neuronales distribuidas y el aprendizaje, y las comunicaciones semánticas (Tong & Li, 2022).

Crecimiento económico y competitividad impulsados por la IA

La inteligencia artificial es un motor decisivo para el crecimiento económico y la mejora de la competitividad global. Al optimizar las operaciones, reducir los costos y elevar la calidad de los productos y servicios, la IA potencia la productividad organizacional (Zhaoxia Yi & Ayangbah, 2024). Estos avances contribuyen significativamente al crecimiento del Producto Interno Bruto (PIB) mundial, particularmente en economías emergentes que compensan desaceleraciones en países industrializados (Zhaoxia Yi & Ayangbah, 2024).

La capacidad de la IA para detectar, predecir e interactuar con humanos, además de su potencial para optimizar procesos y mejorar la automatización, genera un valor de negocio sustancial (Wamba-Taguimdje et al., 2020). Las organizaciones que adoptan innovaciones tecnológicas de IA con el fin de adaptarse o transformar su ecosistema desarrollan ventajas estratégicas y competitivas (Wamba-Taguimdje et al., 2020). Las startups de IA, por ejemplo, buscan activamente mejorar su competitividad mediante la adopción de tecnologías de IA y la transformación digital (Lee et al., 2023). Sin embargo, la difusión temprana de la IA es desigual, con la adopción concentrada en un número reducido de ciudades «superstar» y centros emergentes, lo que podría generar una «brecha de IA» si estas tendencias persisten (McElheran et al., 2023).

IA, sostenibilidad y soluciones para los retos globales

La inteligencia artificial puede ofrecer soluciones significativas a los desafíos globales, contribuyendo a la sostenibilidad. La optimización de procesos mediante IA reduce el desperdicio y el consumo de energía en diversas industrias, lo que se alinea con objetivos de eficiencia y conservación de recursos. Por ejemplo, la implementación de IA en la gestión de redes y sistemas autónomos en el edge reduce el consumo energético al procesar datos localmente, en lugar de transmitirlos a centros de datos remotos (Letaief et al., 2022).

Aunque los documentos consultados no abordan explícitamente el impacto directo de la IA en la sostenibilidad ambiental, sus capacidades de análisis predictivo y optimización pueden aplicarse para gestionar recursos naturales, prever desastres y mejorar la eficiencia energética en ciudades inteligentes. La búsqueda de un ecosistema de IA que sea confiable y eficiente, como se discute en el contexto de las redes 6G para ciudades inteligentes, sugiere un enfoque hacia soluciones tecnológicamente avanzadas que también consideren la eficiencia y la gestión de recursos (Ismail & Buyya, 2022). No obstante, la atención debe centrarse en un desarrollo de IA que evite la exacerbación de la desigualdad de ingresos, asegurando que los beneficios de la IA sean accesibles y contribuyan a un crecimiento equitativo y sostenible (Zhaoxia Yi & Ayangbah, 2024).

Implicaciones sociales, éticas y regulatorias

La rápida expansión de la inteligencia artificial trae consigo una serie de implicaciones que requieren atención meticulosa. Es fundamental abordar los dilemas éticos, las disparidades tecnológicas y las consideraciones políticas para garantizar que la IA beneficie a la sociedad en su conjunto.

Desafíos éticos y responsabilidad en la adopción de IA

La adopción de la inteligencia artificial plantea desafíos éticos sustanciales. La privacidad y la seguridad de los datos son preocupaciones primordiales en sectores como la salud, donde la IA puede reducir costos y mejorar el cuidado, pero requiere una implementación ética cuidadosa para evitar daños y preservar la confianza (Chakraborty et al., 2024)(Al Badi et al., 2021). La precisión, la privacidad y la seguridad son criterios cruciales para optimizar el sector de la salud con IA (Al Badi et al., 2021).

La aparición de sesgos algorítmicos es otra cuestión crítica. Para garantizar la rendición de cuentas y la transparencia, los marcos regulatorios deben adaptarse a la realidad cambiante de la IA (Chakraborty et al., 2024). La colaboración entre las partes interesadas y los organismos reguladores es vital para dar forma a un ecosistema de apoyo a la innovación y el crecimiento digital, mientras se gestionan los desafíos (Korada, 2024). La aceptación de las tecnologías de IA por parte de los usuarios se ve influenciada por factores como la transparencia, la compatibilidad y la fiabilidad de los sistemas, así como por las actitudes, la confianza y las percepciones de los usuarios (Ismatullaev & Kim, 2022).

Brecha digital, desigualdad e inclusión tecnológica

A pesar de las promesas de la IA, existe el riesgo de exacerbar la desigualdad de ingresos si no se establecen políticas adecuadas que garanticen un acceso equitativo a estas tecnologías (Zhaoxia Yi & Ayangbah, 2024). La difusión temprana de la IA muestra patrones de adopción desiguales, concentrándose en grandes empresas y startups en centros tecnológicos específicos. Esto genera la posibilidad de una «brecha de IA» creciente si persisten estas tendencias iniciales (McElheran et al., 2023).

En el ámbito educativo, la brecha digital –la disparidad en el acceso y uso de la tecnología– emerge como un impedimento significativo, especialmente en países en desarrollo (Assefa et al., 2024). La asequibilidad de los dispositivos digitales, las limitaciones de infraestructura y la limitada alfabetización digital son los principales factores que impulsan esta brecha (Assefa et al., 2024). La brecha digital menoscaba los enfoques pedagógicos de los docentes y afecta negativamente el compromiso de los estudiantes y el rendimiento académico, impactando desproporcionadamente a comunidades marginadas (Assefa et al., 2024). Se requieren iniciativas para minimizar las brechas de acceso y uso, inversiones en infraestructura a largo plazo y sistemas de apoyo adaptables para fomentar entornos de aprendizaje equitativos e inclusivos (Assefa et al., 2024).

Consideraciones culturales y políticas en diferentes regiones

La adopción de la IA no se produce en un vacío cultural o político. Las diferencias regionales en la infraestructura, las normas sociales y los marcos legales influyen en cómo se desarrolla y se acepta la IA. Las políticas y estrategias son necesarias para optimizar los beneficios de la IA, garantizando al mismo tiempo un acceso equitativo (Zhaoxia Yi & Ayangbah, 2024). La formulación de marcos regulatorios debe evolucionar para reflejar la realidad cambiante de la IA, especialmente en lo que respecta a la responsabilidad y la transparencia (Chakraborty et al., 2024).

Por ejemplo, en el sector de la salud de los Emiratos Árabes Unidos, se priorizan los desafíos de la adopción de IA, destacando la importancia de la precisión, la privacidad y la seguridad como factores clave para la optimización del sector (Al Badi et al., 2021). Esto ilustra cómo las prioridades y regulaciones pueden variar significativamente entre regiones. La colaboración entre las partes interesadas es esencial para construir un entorno que fomente la innovación mientras se abordan las preocupaciones éticas y sociales, adaptándose a las particularidades de cada contexto cultural y político .

Conclusión

La inteligencia artificial ha catalizado una profunda transformación tecnológica, impulsando avances significativos en modelos de lenguaje y visión artificial, así como en la computación de borde y sistemas autónomos. Su integración en redes como 5G y 6G está redefiniendo las capacidades de conectividad y la toma de decisiones distribuidas, con un impacto notable en la productividad y el crecimiento económico global. La gestión estratégica de la innovación en IA es crucial para las organizaciones y startups que buscan mantener su competitividad.

Sin embargo, la expansión de la IA también plantea desafíos éticos y sociales complejos. La privacidad, el sesgo algorítmico y la responsabilidad requieren marcos regulatorios adaptativos y una colaboración sólida entre las partes interesadas. La brecha digital y la desigualdad en el acceso a la tecnología, especialmente en el ámbito educativo, demandan políticas inclusivas y estrategias para asegurar que los beneficios de la IA se distribuyan equitativamente. La consideración de factores culturales y políticos regionales es indispensable para un desarrollo de la IA que sea robusto, ético y socialmente responsable, contribuyendo a un futuro más inteligente y equitativo.

References

Wamba-Taguimdje, S.-L., Fosso Wamba, S., Kala Kamdjoug, J. R., & Tchatchouang Wanko, C. E. (2020). Influence of artificial intelligence (AI) on firm performance: the business value of AI-based transformation projects. In Business Process Management Journal (Vol. 26, Issue 7, pp. 1893–1924). Emerald. https://doi.org/10.1108/bpmj-10-2019-0411

Naveed, H., Khan, A. U., Qiu, S., Saqib, M., Anwar, S., Usman, M., Akhtar, N., Barnes, N., & Mian, A. (2025). A Comprehensive Overview of Large Language Models. In ACM Transactions on Intelligent Systems and Technology (Vol. 16, Issue 5, pp. 1–72). Association for Computing Machinery (ACM). https://doi.org/10.1145/3744746

Cerf, V. G. (2023). Large Language Models. In Communications of the ACM (Vol. 66, Issue 8, pp. 7–7). Association for Computing Machinery (ACM). https://doi.org/10.1145/3606337

(N.d.).

Sharma, P., Shaham, T. R., Baradad, M., Rodriíuez-Muñoz, A., Duggal, S., Isola, P., Torralba, A., & Fu, S. (2024). A Vision Check-up for Language Models. In 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 14410–14419). IEEE. https://doi.org/10.1109/cvpr52733.2024.01366

Letaief, K. B., Shi, Y., Lu, J., & Lu, J. (2022). Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and Applications. In IEEE Journal on Selected Areas in Communications (Vol. 40, Issue 1, pp. 5–36). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/jsac.2021.3126076

Saleem, I., Hoque, S. Md. S., Tashfeen, R., & Weller, M. (2023). The Interplay of AI Adoption, IoT Edge, and Adaptive Resilience to Explain Digital Innovation: Evidence from German Family-Owned SMEs. In Journal of Theoretical and Applied Electronic Commerce Research (Vol. 18, Issue 3, pp. 1419–1430). MDPI AG. https://doi.org/10.3390/jtaer18030071

Ismail, L., & Buyya, R. (2022). Artificial Intelligence Applications and Self-Learning 6G Networks for Smart Cities Digital Ecosystems: Taxonomy, Challenges, and Future Directions. In Sensors (Vol. 22, Issue 15, p. 5750). MDPI AG. https://doi.org/10.3390/s22155750

Alhammadi, A., Shayea, I., El-Saleh, A. A., Azmi, M. H., Ismail, Z. H., Kouhalvandi, L., & Saad, S. A. (2024). Artificial Intelligence in 6G Wireless Networks: Opportunities, Applications, and Challenges. In S. El Kafhali (Ed.), International Journal of Intelligent Systems (Vol. 2024, pp. 1–27). Wiley. https://doi.org/10.1155/2024/8845070

Wang, C.-X., Renzo, M. D., Stanczak, S., Wang, S., & Larsson, E. G. (2020). Artificial Intelligence Enabled Wireless Networking for 5G and Beyond: Recent Advances and Future Challenges. In IEEE Wireless Communications (Vol. 27, Issue 1, pp. 16–23). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/mwc.001.1900292

Zhaoxia Yi, & Ayangbah, S. (2024). THE IMPACT OF AI INNOVATION MANAGEMENT ON ORGANIZATIONAL PRODUCTIVITY AND ECONOMIC GROWTH: AN ANALYTICAL STUDY. In International Journal of Business Management and Economic Review (Vol. 07, Issue 03, pp. 61–84). Alpinus Publications. https://doi.org/10.35409/ijbmer.2024.3580

Lee, B., Kim, B., & Ivan, U. V. (2023). Enhancing the Competitiveness of AI Technology-Based Startups in the Digital Era. In Administrative Sciences (Vol. 14, Issue 1, p. 6). MDPI AG. https://doi.org/10.3390/admsci14010006

McElheran, K., Li, J. F., Brynjolfsson, E., Kroff, Z., Dinlersoz, E., Foster, L., & Zolas, N. (2023). AI Adoption in America: Who, What, and Where. National Bureau of Economic Research. https://doi.org/10.3386/w31788

Liu, Y. (David), Sun, J., Zhang, Z. (Justin), Wu, M., Sima, H., & Ooi, Y. M. (2024). How AI Impacts Companies’ Dynamic Capabilities. In Research-Technology Management (Vol. 67, Issue 3, pp. 64–76). Informa UK Limited. https://doi.org/10.1080/08956308.2024.2324407

Chakraborty, S., Sarangi, T., Ghosh, S., Misra, B., & Dey, N. (2024). Responsible AI Adoption in Healthcare: Opportunities and Challenges. In 2024 10th International Conference on Advanced Computing and Communication Systems (ICACCS) (pp. 1198–1205). IEEE. https://doi.org/10.1109/icaccs60874.2024.10717182

Kamruzzaman, M. M. (2021). New Opportunities, Challenges, and Applications of Edge-AI for Connected Healthcare in Smart Cities. In 2021 IEEE Globecom Workshops (GC Wkshps) (pp. 1–6). IEEE. https://doi.org/10.1109/gcwkshps52748.2021.9682055

Ingale, V., Wankar, B., Jadhav, K., Adedoja, T., Borate, V. K., & Mali, Y. K. (2024). Healthcare is being revolutionized by AI-powered solutions and technological integration for easily accessible and efficient medical care. In 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT) (pp. 1–6). IEEE. https://doi.org/10.1109/icccnt61001.2024.10725646

Tong, W., & Li, G. Y. (2022). Nine Challenges in Artificial Intelligence and Wireless Communications for 6G. In IEEE Wireless Communications (Vol. 29, Issue 4, pp. 140–145). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/mwc.006.2100543

Al Badi, F. K., Alhosani, K. A., Jabeen, F., Stachowicz-Stanusch, A., Shehzad, N., & AMANN, W. (2021). Challenges of AI Adoption in the UAE Healthcare. In Vision: The Journal of Business Perspective (Vol. 26, Issue 2, pp. 193–207). SAGE Publications. https://doi.org/10.1177/0972262920988398

Korada, L. (2024). Role of Generative AI in the Digital Twin Landscape and How It Accelerates Adoption. In Journal of Artificial Intelligence, Machine Learning and Data Science (Vol. 2, Issue 1, pp. 902–906). United Research Forum. https://doi.org/10.51219/jaimld/laxminarayana-korada/217

Ismatullaev, U. V. U., & Kim, S.-H. (2022). Review of the Factors Affecting Acceptance of AI-Infused Systems. In Human Factors: The Journal of the Human Factors and Ergonomics Society (Vol. 66, Issue 1, pp. 126–144). SAGE Publications. https://doi.org/10.1177/00187208211064707

Assefa, Y., Gebremeskel, M. M., Moges, B. T., Tilwani, S. A., & Azmera, Y. A. (2024). Rethinking the digital divide and associated educational in(equity) in higher education in the context of developing countries: the social justice perspective. In The International Journal of Information and Learning Technology (Vol. 42, Issue 1, pp. 15–32). Emerald. https://doi.org/10.1108/ijilt-03-2024-0058