Vivimos en la era de los gigantes digitales. Actualmente, los titulares tecnológicos están dominados por la inteligencia artificial generativa y los grandes modelos de lenguaje. Estos modelos de gran tamaño son capaces de redactar textos de distinta naturaleza, generar imágenes o vídeos indistinguibles de la realidad y razonar sobre problemas complejos. Sin embargo, tienen un gran coste oculto: requieren de centros de datos inmensos, consumen cantidades astronómicas de agua para refrigeración y su huella de carbono rivaliza con la de países enteros debido al gasto energético que presentan.
Mientras crecen los desarrollos en modelos de gran tamaño, también se está consolidando un enfoque centrado en dispositivos muy pequeños y de bajo consumo. Así, enriqueciendo el paradigma del Internet de las Cosas, está cobrando fuerza una nueva tendencia basada en equipos con recursos muy limitados capaces de combinar dos tecnologías clave descritas en la literatura científica reciente [1]: las comunicaciones de bajo consumo y largo alcance (LPWAN por sus siglas en inglés) y la inteligencia artificial embebida (TinyML). Frente a la tendencia dominante actual en el ámbito de la inteligencia artificial y las redes de comunicaciones donde «más es mejor», esta propuesta demuestra que «menos es más inteligente».
LPWAN: cuando la señal llega donde no llega el móvil
Cuando pensamos en tecnologías inalámbricas habituales, como Wi‑Fi o Bluetooth, su alcance es de unas decenas de metros, lo que limita su uso a distancias cortas. En cambio, existen sistemas diseñados para enviar pequeños mensajes a varios kilómetros de distancia, incluso en entornos con obstáculos, y hacerlo con un consumo energético muy bajo. A este tipo de solución se la conoce como LPWAN (Low-Power Wide-Area Network).
Se puede entender LPWAN como una red pensada para “hablar poco y muy lejos”. En lugar de transmitir vídeos o grandes volúmenes de datos, estos sistemas permiten enviar a gran distancia pequeños mensajes (por ejemplo, lecturas de temperatura, humedad, posición o mensajes de texto cortos) cada cierto tiempo, lo que posibilita que los dispositivos funcionen con baterías muy pequeñas durante años. Esto los hace especialmente adecuados para sensores repartidos por zonas remotas, contadores inteligentes, dispositivos portátiles o nodos en localizaciones poco accesibles.
En LPWAN se suelen distinguir dos formas básicas de estructurar la red según con quién hablan los dispositivos: dispositivo a infraestructura o dispositivo a dispositivo (ver Fig. 1). En el primer modelo, cada nodo final se comunica directamente con un elemento de la infraestructura, normalmente una pasarela o estación base que actúa como punto central. Esa pasarela se encarga de recibir los mensajes de muchos dispositivos y reenviarlos a un agregador de datos o directamente a internet. En el modelo dispositivo a dispositivo, en cambio, éstos pueden enviarse mensajes directamente unos a otros, sin pasar por una infraestructura fija. Esto permite crear redes en malla o cadenas de repetidores entre nodos. Estas redes no solo sirven para chatear sin cobertura celular, son la columna vertebral de distintos sectores clave dentro del Internet de las Cosas como la agricultura y las ciudades inteligentes, la industria 4.0 o la tele-asistencia, por citar algunos. Existen distintas tecnologías LPWAN, incluyendo NB-IoT, LoRaWAN o Sigfox, entre otras [2].
TinyML: inteligencia que vive en el propio dispositivo
Si bien LPWAN aporta la conectividad de largo alcance con bajo consumo a estos sistemas, el paradigma TinyML [3] permite incorporar capacidad de procesamiento avanzado en los propios dispositivos. Hasta hace poco, para dotar de cierta “inteligencia” a un dispositivo era necesario enviar los datos a servidores remotos para su análisis y esperar la respuesta. Este enfoque introduce retardo, expone los datos durante su envío por la red y aumenta el consumo energético del dispositivo debido a dicha transmisión.
TinyML presenta un enfoque distinto del que se sigue en los modelos de inteligencia artificial más conocidos en la actualidad como ChatGPT, ya que permite adaptar y simplificar modelos de inteligencia artificial para ejecutarse en microcontroladores muy limitados en recursos, es decir, en chips de muy bajo coste y tamaño reducido. Esta estrategia conlleva una serie de ventajas, como la mejora en la privacidad de los datos, ya que éstos no viajan por la red; se reducen los retardos introducidos en estos envíos de datos y, finalmente, se habilita la generación de una suerte de inteligencia colectiva distribuida donde los dispositivos pueden compartir su conocimiento con otros, enriqueciéndose unos a otros.
La generación, adaptación y uso de los modelos de TinyML suele realizarse en tres pasos bien definidos (ver Fig. 2). En primer lugar, se realiza el pre-procesamiento de los datos que generarán el modelo, así como el entrenamiento de éste en un ordenador o en la nube, usando entornos de desarrollo habituales de aprendizaje computacional. Este paso dará como resultado un modelo completo que debe ser optimizado para poder ser integrado en un dispositivo de recursos limitados. Esta optimización también se realiza en un entorno sin restricciones computacionales, haciendo uso de librerías y entornos de trabajo especializados en TinyML, que permiten “comprimir” el modelo generado en el paso anterior y obtener su versión optimizada. Finalmente, este modelo es cargado en el dispositivo final, el cual hará uso de él introduciéndole los datos que él mismo pueda recabar del entorno, por ejemplo, datos biométricos, ambientales, etc.
Arquitectura de los dispositivos
Un dispositivo que integra LPWAN y TinyML se organiza internamente para combinar tres funciones clave: medir, procesar y comunicarse a larga distancia (ver Fig. 3). En su interior suele haber uno o varios sensores conectados a un micro-controlador o procesador de bajo consumo, que actúa como unidad de cómputo y ejecuta el modelo TinyML encargado de analizar los datos en el propio dispositivo. Este elemento dispone de la memoria justa para almacenar el firmware y el modelo, y está pensado para pasar la mayor parte del tiempo en reposo, activándose solo para tomar muestras y realizar la inferencia. Junto a él se integran uno o varios módulos de radio compatibles con tecnologías de tipo LPWAN, para poder estar conectado con la infraestructura u otros dispositivos.
Todo el conjunto se alimenta con una batería de capacidad limitada (o incluso con técnicas de alimentación autónoma mediante energía solar), por lo que tanto el hardware como el software están optimizados para ahorrar energía: el procesamiento local sustituye a muchos envíos continuos de datos a la nube, por lo que los sensores y radio se activan solo cuando es necesario, es decir, cuando el modelo detecta algo relevante, reduciendo al mínimo el tráfico de datos. El resultado es un dispositivo compacto, autónomo y conectado, capaz de tomar decisiones básicas por sí mismo y mantener un enlace de larga distancia con la infraestructura u otros dispositivos sin depender de un equipo intermedio como un teléfono, el cual solo se utiliza para visualizar datos o configurar el propio dispositivo cuando sea necesario.
Casos de uso
La combinación de comunicaciones de bajo consumo y largo alcance con inteligencia embebida en el propio dispositivo permite hoy aplicaciones que hace pocos años resultaban difíciles de imaginar. En el ámbito de la salud, un reloj o sensor de muñeca ya no se limita a contar pasos: puede analizar en tiempo real las señales cardíacas mediante modelos optimizados y, solo cuando detecta un patrón anómalo, enviar una alerta con la posición del usuario a través de una red de largo alcance, incluso en zonas sin cobertura móvil. En agricultura, desplegar decenas o cientos de nodos en un cultivo permite medir continuamente variables como humedad o temperatura y, además, aplicar modelos locales que identifican indicios tempranos de plagas o estrés en las plantas, reduciendo el número de mensajes que deben transmitirse. En la industria, pequeños módulos adheridos a motores o maquinaria “aprenden” su vibración habitual y detectan desviaciones sutiles, avisando al personal de mantenimiento antes de que aparezca una avería grave.
Además del envío de datos de sensores, proyectos con gran vigencia en la actualidad, especialmente tras el apagón eléctrico sufrido en España en abril de 2025, permiten el envío de mensajes de texto entre usuarios de forma directa, sin hacer uso de Internet. Proyectos como Meshtastic o MeshCore permiten crear mallas comunitarias para mensajería donde la fiabilidad y la eficiencia energética de los dispositivos son sus características primordiales. En concreto, cada dispositivo actúa a la vez como usuario y como “mini‑repetidor”, extendiendo la cobertura y permitiendo que haya intercambio de mensajes incluso sin acceso a Internet ni a una estación base central
Conclusión: el futuro también es pequeño y colaborativo
En la actualidad, mientras una parte del esfuerzo en inteligencia artificial se centra en modelos cada vez más grandes y complejos, también se están explorando enfoques orientados a dispositivos pequeños y muy eficientes. La combinación de comunicaciones de bajo consumo de largo alcance con técnicas de inteligencia embebida en microcontroladores ofrece una vía complementaria, que pone el foco en soluciones más discretas, con mejor protección de la privacidad, mayor resiliencia y un consumo energético muy contenido.
No es necesario que todos los objetos conectados tengan capacidades avanzadas de interacción; en muchos casos basta con que realicen bien una tarea concreta, de forma autónoma y fiable. En ese sentido, las soluciones presentadas en este artículo resultan adecuadas para dotar de cierta inteligencia práctica a dispositivos cotidianos, sin añadir complejidad innecesaria.
