El mercado de Edge Computing pasará de US$111.340 millones en 2026 a US$317.390 millones en 2031, un crecimiento anual compuesto del 23,3%, según MarketsandMarkets. Para un founder, la traducción es directa: la decisión de dónde se ejecuta un modelo de IA dejó de ser un detalle de arquitectura y se convirtió en una variable de coste, latencia y cumplimiento normativo.
¿Qué es el Edge AI y qué lo distingue del Edge Computing y de la IA local?
Edge AI es la ejecución de modelos de inteligencia artificial en el propio dispositivo que recibe los datos o en un equipo cercano a él. En la práctica se trata casi siempre de inferencia: usar un modelo ya entrenado para clasificar una imagen, reconocer una voz, anticipar una avería o generar una respuesta.
La clave está en que entrenar y ejecutar son dos momentos distintos. Un modelo puede entrenarse en un centro de datos y luego vivir dentro de una cámara, un sensor o un portátil. El NIST describe distintos grados de Edge AI, desde dispositivos que solo ejecutan modelos creados fuera hasta sistemas capaces de aprender de información local. AWS distingue además la inferencia en el propio dispositivo de otras modalidades cercanas al origen de los datos.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasConviene no mezclar tres etiquetas que suenan parecido. Edge Computing acerca almacenamiento y cómputo al origen de los datos, pero no necesariamente usa IA. Edge AI es una aplicación concreta de esa arquitectura. Y la IA local suele referirse a modelos que corren en un ordenador o infraestructura propia, como los que se gestionan con Ollama. A veces las tres ideas coinciden; otras veces, no. Distinguirlas permite comprar la solución adecuada en lugar de seguir una etiqueta de moda.
Por qué el mercado se está moviendo hacia el borde
Los números de la infraestructura explican el giro mejor que cualquier discurso. DC Market Insights estima que el mercado de chips de IA pasó de US$13.570 millones en 2020 a US$185.260 millones en 2025, y proyecta US$677.590 millones para 2035. Lo relevante para el Edge AI es el reparto por función: la inferencia representó US$85.600 millones en 2025 (46,2% del total) y crecería a un ritmo anual del 17,76% hasta los US$439.050 millones en 2035, según el mismo informe.
Dentro de ese total, los chips para edge y dispositivos son el segmento que avanza más rápido: según DC Market Insights crecen un 16,64% anual y su peso pasa del 8,4% del mercado en 2025 al 10,7% en 2035. Ahí entran los SoC para automoción (valorados en US$6.420 millones en 2025), los chips industriales y de borde (US$3.940 millones) y las NPU de PC y móviles (US$5.130 millones).
La otra proyección va en la misma dirección: ResearchAndMarkets calcula que el mercado de chips para Edge AI superará los US$80.000 millones en 2036, impulsado por automoción, smartphones con IA, PCs con IA, robots humanoides y sensores para mantenimiento predictivo. En paralelo, el mercado de aceleradores de IA en general crecería a un 23,5% anual entre 2025 y 2033, según la misma firma.
¿En qué casos conviene ejecutar la IA en el dispositivo?
- Industria: una cámara clasifica anomalías en una pieza y transmite solo el resultado, en lugar de enviar todo el vídeo. Los sensores de vibración alimentan modelos que avisan de patrones anómalos antes de una parada de línea.
- Salud y wearables: un dispositivo detecta una señal o calcula una estimación sin conexión constante, lo que acelera la respuesta y reduce la transferencia de información sensible.
- Movilidad y robótica: robots móviles y vehículos interpretan su entorno en tiempo real. Depender de una conexión remota añadiría latencia en procesos críticos.
- Retail y edificios: el análisis local de sensores ayuda a medir afluencia o detectar incidencias sin que cada imagen se convierta en una grabación enviada a terceros.
IBM señala entre las ventajas del Edge AI la baja latencia, el procesamiento en tiempo real y una menor dependencia de la infraestructura remota, y lo vincula con cámaras, vehículos, robótica y dispositivos conectados. Son ventajas potenciales: no una garantía de ahorro en cualquier instalación.
En video analítica el efecto es especialmente visible. MarketsandMarkets proyecta que el segmento de video analytics y computer vision concentrará la mayor cuota del mercado de Edge Computing, y que los servicios serán el segmento de mayor crecimiento, precisamente porque desplegar y mantener entornos distribuidos exige una especialización que muchas empresas no tienen internamente.
Por qué el hardware solo no resuelve el problema
DigiTimes reportó que EDOM Technology, proveedor de soluciones en Asia, amplió su colaboración con NVIDIA para acelerar el despliegue de Edge AI combinando la plataforma NVIDIA Jetson con modelos abiertos y optimización de sistemas. Un ejemplo que menciona el medio: el asistente Reachy Mini Jetson logra ejecutar razonamiento visión-lenguaje, voz a texto y texto a voz de forma simultánea sobre un Jetson Orin Nano de 8 GB, gracias a cuantización de modelos y frameworks de inferencia optimizados.
El mensaje para un founder no es el chip, es el proceso. Según EDOM, el mayor obstáculo de un proyecto de IA ya no es encontrar un modelo, sino desplegarlo en producción: memoria, rendimiento de inferencia e integración de sistemas son los cuellos de botella habituales.
El coste oculto de operar cientos de equipos
Poner modelos en cientos de equipos distribuidos introduce problemas nuevos: versiones de software distintas, actualizaciones de seguridad, límites de memoria, consumo de energía, monitorización de rendimiento y reparaciones. También amplía la superficie de ataque, porque crece el número de dispositivos que alguien puede intentar manipular física o remotamente.
Y hay una decisión económica que se suele pasar por alto. Un modelo pequeño puede procesar miles de eventos sin pagar una llamada externa por cada uno, pero esa ventaja debe compararse con el coste del hardware, la instalación y las personas que lo mantienen. Si el dispositivo pasa buena parte del tiempo sin usar su capacidad de cómputo, la nube puede resultar más eficiente.
¿Qué significa esto para tu startup?
Tres movimientos concretos, en este orden:
- Elige una sola tarea piloto donde la latencia, la conectividad o el tratamiento de datos sean un problema real. Detectar anomalías visuales en una máquina es un buen punto de partida porque el resultado se puede medir.
- Define las métricas antes de comprar hardware. Necesitas una muestra de situaciones normales y defectuosas, un tiempo máximo aceptable de respuesta y el coste de equivocarse en cada dirección, tanto en falsos positivos como en falsos negativos.
- Compara tres alternativas en paralelo: nube, equipo local y arquitectura híbrida. El híbrido suele ser la opción razonable: respuesta inmediata en local, aprendizaje y análisis histórico donde aporten más valor.
Al evaluar, registra precisión en condiciones reales, falsos avisos, tiempo de respuesta, disponibilidad sin conexión, consumo y coste de operación. Y responde dos preguntas que casi nadie documenta: cómo se actualiza el modelo y qué ocurre cuando deja de responder. Una solución que brilla en una demostración puede volverse insostenible cuando la replicas en veinte sedes distintas.
Conclusión
El Edge AI no reemplaza a la nube: redistribuye dónde ocurre la inteligencia. Con la inferencia camino de convertirse en la mayor función del gasto en chips de IA, la pregunta útil para cualquier startup ya no es qué modelo usar, sino dónde ejecutarlo. En tareas donde la rapidez, la conectividad o la privacidad son un problema real, llevar la decisión al dispositivo deja de ser una moda técnica y se vuelve una ventaja operativa. Para muchas empresas, esa libertad de elegir dónde corre cada tarea vale más que disponer del modelo de mayor tamaño.
Fuentes
- IEBS Business School – Edge AI: qué es y cómo acercar la Inteligencia Artificial a los datos (fuente original)
- MarketsandMarkets – Edge Computing Market worth US$317.390 million by 2031
- DC Market Insights – AI Chip Market to Reach US$677.59 Billion by 2035
- ResearchAndMarkets – Edge AI Chip Market Set for Strong Growth Through 2036
- ResearchAndMarkets – Global AI Accelerator Chips Market, 2026 to 2034
- DigiTimes – EDOM Accelerates Edge AI Deployment with NVIDIA Technologies
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
