La IA y los datos, entre las tendencias tecnológicas más destacadas de 2025 según ITI

La Inteligencia Artificial (IA) sigue acaparando titulares y marcando la agenda tecnológica con nuevas promesas y aplicaciones que cambiarán la forma en que interactuamos con la tecnología y tomamos decisiones. Pero tras el brillo de estos avances, su verdadero impacto no se medirá solo por los logros técnicos, sino también por cómo enfrentamos los desafíos éticos, legales, sociales y medioambientales que conlleva.

La IA, especialmente los modelos generativos, ha capturado la imaginación colectiva en los últimos años, prometiendo aplicaciones que van desde la automatización creativa hasta la optimización de procesos empresariales a una escala que hace poco parecía inimaginable. Sin embargo, esta ola tecnológica se enfrenta a una serie de retos que no solo impactan en su adopción, sino también en su sostenibilidad ética y operativa. Desde el alto consumo energético hasta los dilemas éticos que surgen por su opacidad, la tecnología que está cambiando el mundo nos sitúa ante una pregunta fundamental: ¿cómo aseguramos que el futuro que construimos sea no solo transformador, sino también sostenible y responsable?

En esta línea, los expertos de ITI, centro tecnológico privado especializado en TIC, revelan las 7 principales tendencias tecnológicas para este 2025:

1. La consolidación de la IA Responsable: en busca de confianza, gobernanza, ética y regulación
2. La sostenibilidad de la IA, el gran dilema
3. Hacia una IA transparente: explicabilidad de las decisiones tomadas de manera autónoma por la IA
4. Estrategia y proyectos piloto para el retorno de inversión de la IA en las empresas
5. De sistemas reactivos a agentes autónomos: la próxima frontera en la evolución de la IA
6. La calidad de los datos desbloqueará el potencial de la IA
7. Los espacios de datos, fundamentales para una economía más conectada y sostenible

1. La consolidación de la IA Responsable: en busca de confianza, gobernanza, ética y regulación

Un tema recurrente en los debates sobre el futuro de la IA es la adopción de una IA Responsable. En los próximos años, regulaciones como la AI Act de la Unión Europea seguirán marcando la pauta sobre cómo las organizaciones desarrollan y despliegan sistemas de IA. Esta ley exige transparencia, trazabilidad y medidas para evitar discriminación y sesgos, estableciendo un estándar global que muchos otros mercados seguirán. Pero cumplir con estas normativas no es solo una cuestión de evitar sanciones; es una oportunidad para que las empresas se posicionen como líderes éticos en un entorno tecnológico cada vez más competitivo.

La gobernanza adecuada de la IA va más allá del plano técnico. Implica decisiones estratégicas sobre cómo garantizar que los sistemas respeten principios fundamentales como la privacidad y la equidad. Según cifras de un estudio de McKinsey¹, el 91% de las empresas dudan de si están debidamente preparadas para implantar y extender el uso de la Inteligencia Artificial de forma segura y responsable. Además, un análisis de Forrester destaca que el 40%² de las empresas en sectores regulados combinarán la gobernanza de datos y de IA para hacer frente a la creciente complejidad normativa, facilitando un control más efectivo de los riesgos y una mayor alineación con las exigencias regulatorias. Este cambio responde no solo a la necesidad de cumplir con regulaciones como la AI Act, sino también a una demanda creciente de operaciones de IA más transparentes y responsables. Esta demanda ya ha originado una respuesta de las grandes compañías que desarrollan modelos y sistemas de IA, las cuales han elaborado en los últimos años sus propios principios de responsabilidad³.

Abordar estos desafíos requiere no solo herramientas adecuadas, sino también un cambio de mentalidad: entender que la innovación y la ética no son opuestas, sino complementarias. La responsabilidad en la IA se construirá sobre la base de la confianza, responsabilidad, la inclusión y la transparencia, con marcos de gobernanza más integrados que reflejen el compromiso de las empresas con un uso ético y sostenible de la tecnología.

2. La sostenibilidad de la IA, el gran dilema

El desarrollo y la operación de soluciones de IA Generativa, lideradas por aplicaciones como ChatGPT, dependen de centros de datos cuyo consumo energético es extremadamente elevado. Según algunas previsiones⁴, estos consumos podrían duplicarse para 2030, alcanzando los 1.065 teravatios, equivalente al 4% del consumo energético global. La infraestructura actual y las proyecciones futuras necesarias para mejorar estos sistemas exigen niveles de energía sin precedentes, lo que genera tensiones con los objetivos globales de sostenibilidad. Abordar este desafío será clave en 2025 y en los años venideros. Aunque las empresas líderes ya están invirtiendo en nuevas fuentes de energía y en hardware más eficiente, el ritmo de avance de la IA plantea interrogantes sobre cómo equilibrar la innovación tecnológica con la responsabilidad ambiental.

El auge de los Small Language Models, modelos de lenguaje más compactos y diseñados para tareas específicas o dominios concretos, así como enfoques más eficientes en la analítica de datos, como la IA Neuromórfica, tendrán un amplio campo de desarrollo en este contexto por su capacidad para combinar rendimiento y eficiencia, ayudando a reformular cómo integramos la IA en nuestras vidas y entornos profesionales de manera más sostenible.

3. Hacia una IA transparente: explicabilidad de las decisiones tomadas de manera autónoma por la IA

Uno de los mayores retos técnicos y éticos de la IA es su opacidad. Los sistemas avanzados, especialmente los basados en grandes modelos de lenguaje (LLM), a menudo toman decisiones que ni siquiera sus creadores pueden explicar completamente. Esto plantea problemas serios en sectores regulados, como la medicina, las finanzas o el transporte autónomo, donde la confianza en el sistema, a través de mecanismos basados en reglas que permitan su verificación y cumplimiento legal en un ecosistema digital, es fundamental.

En respuesta, la industria está desarrollando herramientas para hacer que la IA sea más explicable. Entre ellas se encuentran técnicas de análisis local, que buscan aclarar cómo un modelo llega a una decisión concreta identificando qué partes de los datos han influido más en su respuesta, y análisis global, que intenta entender el funcionamiento general del modelo. Una de las áreas más prometedoras en este campo es la interpretabilidad mecanicista⁵, una especie de “ingeniería inversa” que descompone redes neuronales para entender cómo procesan la información. Además, se aplican estos avances en tareas como reducir errores sistemáticos, llamados “alucinaciones”, y mejorar el aprendizaje del modelo en contexto.

Por ejemplo, un estudio publicado en Computers in Human Behavior⁶ demostró que las explicaciones visuales sobre el funcionamiento de los modelos de IA pueden mejorar el rendimiento de los usuarios en tareas complejas hasta en un 26%, además de ajustar su nivel de confianza para que sea proporcional a las capacidades reales del sistema. La transparencia no solo mejorará la aceptación pública, sino que también impulsará aplicaciones más seguras y efectivas en sectores clave. Además, iniciativas como el right to explanation (derecho a la explicación) ayudarán a dar a los ciudadanos más control sobre las decisiones algorítmicas que les afectan.

4. Estrategia y proyectos piloto para lograr el retorno de inversión de la IA en las empresas

El entusiasmo inicial por la IA Generativa ha llevado a inversiones multimillonarias en chips, software y centros de datos por parte del sector tecnológico. Sin embargo, desde el lado de la demanda muchas empresas se están enfrentando a una realidad más compleja: el retorno de inversión de estas tecnologías es más lento de lo esperado. Esto no significa que la IA no sea rentable, sino que requiere un enfoque estratégico, equilibrando casos de uso a corto plazo, y con impactos demostrables, con iniciativas más ambiciosas a largo plazo. En este sentido, el ajuste de expectativas entre las empresas respecto a la IA continuará en el nuevo año.

Según informes como el del World Economic Forum⁷, las empresas que buscan maximizar el retorno de inversión en IA Generativa deben superar la fase de proyectos piloto y apostar por estrategias que transformen procesos completos. Integrar soluciones end-to-end no solo permite reducir costes, sino también mejorar la productividad y escalar los beneficios a largo plazo. Las organizaciones más visionarias están reinvirtiendo los éxitos de sus primeras implementaciones en nuevos proyectos, generando un ciclo virtuoso de innovación. Un ejemplo de este enfoque es la adopción de modelos híbridos que combinan IA Generativa con analítica predictiva, una fórmula que ya está demostrando su efectividad en sectores clave como la logística, las operaciones industriales y la personalización de productos. En definitiva, la clave radica en un enfoque pragmático que aproveche las oportunidades sin perder de vista los desafíos reales en la implementación.

5. De sistemas reactivos a agentes autónomos: la próxima frontera en la evolución de la IA

El foco del desarrollo tecnológico seguirá en la próxima frontera en la evolución de la IA: pasar de sistemas reactivos a sistemas autónomos capaces de gestionar flujos de trabajo completos, tomar decisiones complejas y coordinar múltiples tareas sin intervención humana. Aunque estas arquitecturas de agentes representan una de las áreas más emocionantes de la innovación en IA, todavía se encuentran en una etapa inicial y presentan desafíos importantes.

Según algunas previsiones para el año entrante⁸, tres de cada cuatro empresas que intenten desarrollar arquitecturas basadas en agentes por sí solas fracasarán, debido a la complejidad técnica y los altos costes asociados. Estas arquitecturas requieren la integración de múltiples modelos, pilas avanzadas de RAG (Generación Aumentada por Recuperación), arquitecturas de datos sofisticadas y experiencia técnica sólida. Alinear estas necesidades para lograr resultados concretos sigue siendo un desafío sin resolver, lo que llevará a muchas empresas a recurrir a proveedores especializados o a adoptar agentes ya integrados en las plataformas de software comercial, aprovechando la experiencia acumulada de estos actores para superar las barreras técnicas y acelerar la implementación.

La clave para desbloquear el potencial de estos sistemas será una colaboración efectiva entre empresas, centros de I+D+I y proveedores tecnológicos, apostando por soluciones escalables que puedan integrarse en sectores como la fabricación, la logística y la atención sanitaria. En este sentido, las empresas más avanzadas sabrán reconocer las limitaciones actuales y aprovechar la experiencia de socios tecnológicos e integradores para desarrollar agentes adaptados a las necesidades reales y al estado del arte de esta tecnología.

6. La calidad de los datos desbloqueará el potencial de la IA

Los datos son el pilar fundamental de cualquier sistema de inteligencia artificial. Sin embargo, cuando son incompletos o presentan sesgos, pueden generar resultados inesperados y comprometer la confianza en los sistemas. La calidad de los datos seguirá siendo tan crucial como los algoritmos que los procesan, aunque solo el 22% de las empresas considera que sus fundamentos de datos están preparados para afrontar este desafío, según un informe de MIT Technology Review Insights⁹. Los fundamentos de datos incluyen las prácticas, herramientas y tecnologías necesarias para recopilar, almacenar, procesar y asegurar el acceso a los datos de forma efectiva. Un componente esencial de estos fundamentos es la calidad de los datos, que garantiza que estos sean representativos, limpios y libres de sesgos, habilitando así su uso confiable en aplicaciones críticas.

La falta de calidad en los datos no solo limita la precisión de los modelos, sino que también restringe su capacidad para ofrecer resultados confiables y reproducibles. Además, la creciente dependencia de datos no estructurados, que representan entre el 80 y el 90% de los datos disponibles, añade una complejidad significativa al proceso de preparación y gestión. En este contexto, construir y fortalecer los fundamentos de datos no es opcional; es un requisito indispensable para desbloquear el verdadero potencial de la IA. Desde optimizar la productividad hasta rediseñar procesos clave, la calidad de los datos marca la diferencia entre el éxito y el fracaso de estas tecnologías.

Las empresas que logren extraer valor de la IA serán aquellas que adopten enfoques integrales de gestión de datos, cimentando las bases necesarias para alcanzar objetivos ambiciosos en su explotación avanzada. La gobernanza de datos, con un enfoque decidido en la calidad y la seguridad, no solo será esencial para maximizar el impacto de la IA, sino que también se convertirá en una prioridad estratégica para toda organización que aspire a liderar en un entorno cada vez más dominado por la tecnología.

7. Los espacios de datos, fundamentales para una economía más conectada y sostenible

El potencial de compartir datos se perfila como una de las promesas más transformadoras para el futuro de la economía digital. En 2025, los espacios de datos desempeñarán un papel esencial en la creación de ecosistemas federados, donde múltiples actores podrán colaborar, intercambiar datos y desarrollar soluciones basadas en IA de forma segura y controlada. Según la Comisión Europea¹⁰, el 80% de los datos industriales no se utilizan, lo que supone un enorme potencial desaprovechado para la innovación y el crecimiento económico. Iniciativas como los espacios de datos europeos se consolidarán como pilares fundamentales para fomentar una economía del dato que maximice el valor de los datos más allá de los límites individuales de cada organización.

Fomentar una cultura de colaboración y compartición permitirá abordar desafíos comunes de manera más eficiente y abrir nuevas oportunidades de negocio que, de otro modo, serían inalcanzables. Aprovechar este enorme potencial requerirá una interoperabilidad efectiva entre sistemas, así como plataformas diseñadas para facilitar la construcción de estos ecosistemas.

La interoperabilidad y la adopción de plataformas comunes serán factores críticos para materializar esta visión de innovación colectiva. Estos espacios de datos no solo permitirán un uso más eficiente de los recursos, sino que también impulsarán avances en sectores clave como la salud, la energía, la movilidad y la manufactura. Al promover un enfoque colaborativo, será posible transformar los datos en el motor de una economía más conectada, sostenible y orientada al futuro.

En última instancia, el verdadero valor de la IA más allá de 2025 no radicará únicamente en sus capacidades técnicas, sino en cómo somos capaces de integrarla de manera ética, sostenible y pragmática en nuestro día a día. El reto no es solo crear máquinas más inteligentes, sino garantizar que esa inteligencia sirva a un propósito humano y colectivo, transformando la tecnología en una herramienta que amplíe no solo nuestras capacidades, sino también nuestras aspiraciones. La colaboración intersectorial, la innovación responsable y el compromiso con la sostenibilidad serán fundamentales para construir un ecosistema tecnológico que no solo sea más avanzado, sino también más equitativo y beneficioso para toda la sociedad.