El año 2024 marca un punto de inflexión para varias tecnologías que dejan el estadio experimental y entran en producción. Tres ejes estructuran esta evolución: el desplazamiento de la inteligencia artificial hacia los dispositivos, el endurecimiento regulatorio europeo y la reorientación de los flujos de inversión hacia la deep tech. Aquí analizamos las implicaciones concretas para las arquitecturas de SI, las estrategias de datos y las elecciones de socios.
IA on-device y Edge AI: la ruptura de arquitectura que redistribuye el valor
El movimiento más subestimado de 2024 no se refiere a los modelos de lenguaje en sí, sino al lugar donde se ejecutan. Qualcomm, Apple (con Apple Intelligence) y Google están impulsando modelos de IA que funcionan directamente en smartphones y PCs. Las razones son tres: reducción del costo de inferencia en la nube, privacidad nativa de los datos del usuario y latencia casi nula.
Lectura complementaria : Las últimas tendencias del mercado inmobiliario a seguir en 2024
Este cambio on-device redibuja la cadena de valor. Donde un servicio de IA generativa clásico cobra por cada solicitud API, un modelo embebido desplaza el centro de gravedad hacia el chip y el firmware. Para los CIO, esto significa repensar los arbitrajes de proveedores: el rendimiento del NPU (Unidad de Procesamiento Neural) de un dispositivo se convierte en un criterio de compra al mismo nivel que la RAM o el almacenamiento.
Ya estamos observando consecuencias en las arquitecturas híbridas. Los tratamientos sensibles (análisis de documentos internos, transcripción de voz, sugerencias contextuales) migran hacia el dispositivo, mientras que las tareas pesadas (entrenamiento, generación larga) permanecen en la nube. Esta distribución impone revisar los pipelines de datos y las políticas de sincronización, un proyecto que la mayoría de las empresas aún no ha presupuestado.
Ver también : Descubre las últimas tendencias inusuales y divertidas de la web en 2024
Los análisis publicados en el sitio neonews.fr dedicado a la tech detallan regularmente los benchmarks de estos NPU y sus impactos en las flotas de dispositivos profesionales.
AI Act, DMA, DSA: lo que la regulación europea cambia en las hojas de ruta tech
El AI Act europeo entra en su fase de implementación progresiva en 2024. Los sistemas de IA clasificados como de alto riesgo y los modelos de base deberán cumplir con obligaciones de transparencia, gobernanza de datos y gestión de riesgos. Ya no es una señal débil: es un calendario de cumplimiento con plazos firmes.
Paralelamente, el Digital Markets Act (DMA) y el Digital Services Act (DSA) están produciendo sus primeros efectos concretos. Las grandes plataformas deben abrir sus ecosistemas (interoperabilidad de mensajerías, acceso a datos publicitarios) y reforzar sus mecanismos de moderación. Para las direcciones de marketing y los equipos de datos, las estrategias publicitarias basadas en los walled gardens están siendo cuestionadas.
Implicaciones directas sobre las elecciones técnicas
- Los modelos de IA desplegados en Europa ahora requieren una documentación técnica completa (conjuntos de datos de entrenamiento, sesgos identificados, métricas de rendimiento), lo que alarga los ciclos de producción.
- La interoperabilidad impuesta por el DMA obliga a repensar las integraciones con las plataformas dominantes, especialmente para la comunicación con clientes y la gestión de datos de usuarios.
- Las obligaciones de moderación del DSA aumentan el costo de cumplimiento para cualquier empresa que opere un servicio digital con contenido generado por los usuarios.
El punto a recordar: la regulación no frena la adopción tecnológica, modifica la secuencia. Las empresas que integran el cumplimiento desde la fase de diseño (privacy by design, documentación continua) ahorran tiempo respecto a aquellas que tratan la regulación como una capa añadida al final del proyecto.
Deep tech y reorientación de inversiones: el fin de la financiación generalista
El mercado de capital riesgo en 2024 marca un giro claro. Las inversiones en startups tecnológicas generalistas están disminuyendo en favor de la deep tech, es decir, empresas construidas sobre avances científicos fundamentales: chips especializados, materiales avanzados, biotecnologías computacionales, sistemas cuánticos.
Este reposicionamiento tiene una explicación técnica. Las capas aplicativas (SaaS, marketplace, agregadores) alcanzan un techo de diferenciación. Los inversores buscan barreras a la entrada sostenibles, y estas barreras ahora se encuentran en el hardware y la investigación fundamental.
Lo que esto significa para las empresas usuarias
Las asociaciones tecnológicas a horizonte de 3-5 años deben integrar la componente deep tech. Un proveedor de nube que no desarrolle sus propios chips de inferencia (como lo hace Google con sus TPU) corre el riesgo de perder competitividad frente a aquellos que dominan la pila completa.
Para los sectores industriales (energía, salud, defensa), la deep tech abre aplicaciones directas: sensores más precisos, simulaciones más rápidas, materiales con propiedades programables. El ciclo de decisión es más largo, pero el bloqueo competitivo es mucho más sólido que una ventaja de software.
IA generativa en empresas: más allá del prototipo, las restricciones de producción
La mayoría de las grandes empresas han lanzado pilotos de IA generativa. El desafío de 2024 ya no es la experimentación, es la industrialización. Gartner anticipa que la parte de empresas que utilizan GenAI en producción crecerá masivamente para 2026, lo que implica resolver tres problemas concretos.
- La gestión de la confianza y los riesgos relacionados con la IA (AI TRiSM): supervisión de modelos en producción, detección de desviaciones, protección de los datos de entrenamiento. Sin estas salvaguardias, los beneficios de la IA generativa se ven anulados por los riesgos reputacionales y legales.
- El costo de inferencia a gran escala: cada solicitud a un modelo de base tiene un costo unitario. Multiplicado por millones de interacciones con clientes, el presupuesto puede superar al de la infraestructura tradicional.
- La integración con los sistemas existentes: conectar un LLM a un ERP o un CRM no se reduce a una API. Es necesario estructurar los datos internos, gestionar los derechos de acceso y garantizar la frescura de la información inyectada en el contexto del modelo.
Las empresas que pasan del piloto a la producción en 2024 son aquellas que han abordado estos tres puntos desde la fase de definición, no después del primer incidente.
El panorama tecnológico de 2024 se distingue por un desplazamiento del centro de gravedad: de lo aplicativo hacia el hardware, de la nube centralizada hacia el edge, de la financiación generalista hacia la investigación fundamental. Las direcciones técnicas que ajusten sus hojas de ruta en estos tres ejes tomarán una ventaja medible en los ciclos siguientes.