Innovaciones recientes en seguridad empresarial con inteligencia artificial

En los últimos años, la inteligencia artificial (IA) ha transformado la forma en que las empresas protegen sus instalaciones, redes y datos. Hoy no se trata solo de tener cámaras y alarmas, sino de contar con sistemas que aprenden, se adaptan y toman decisiones de forma autónoma.

Aprendizaje federado y autoaprendizaje

Una de las innovaciones más destacadas es el aprendizaje federado (Shen et al., 2024; Belenguer et al., 2025), una técnica que permite que cámaras, sensores y servidores entrenen modelos de detección de manera colaborativa sin enviar toda la información sensible a un único centro de control. Esto mejora la capacidad de detectar ataques y, al mismo tiempo, reduce el riesgo para la privacidad de los datos empresariales.

Otra innovación clave es la detección de anomalías sin supervisión, también llamada autoaprendizaje. En lugar de programar al sistema para reconocer los “ataques conocidos”, estos modelos permiten que el sistema aprenda qué es “comportamiento normal” y dé aviso cuando aparece una anomalía o alteración inusual. Un ejemplo reciente es SAFE, un sistema que logra identificar amenazas con una precisión mucho mayor que los métodos anteriores, incluso sin grandes bases de datos etiquetadas (Li et al., 2025). Esto es especialmente útil para pequeñas y medianas empresas que no tienen acceso a enormes volúmenes de datos de ciberseguridad.

Afinando la mirada y la capacidad de respuesta

También se están combinando distintas tecnologías que permitan a los sistemas analógicos de seguridad obtener una visión más completa de sus entornos de vigilancia. Integrar con IA los registros en tiempo real de cámaras convencionales con sensores infrarrojos, de radiofrecuencia o LiDAR, permite al sistema integral monitorear espacios en completa oscuridad, registrar movimiento a través de humo o “ver” a través de objetos que obstaculizan el campo visual de sus cámaras y sensores. Según estudios recientes (Cluster Computing, 2025), al combinar señales complementarias mediante sistemas inteligentes, se detectan intrusiones de forma más eficiente y se reducen las falsas alarmas que consumen tiempo y esfuerzo humano.

La automatización es otro frente en expansión. Como parte de los sistemas federados, existen plataformas de IA capaces de priorizar alertas, sugerir respuestas en tiempo real para mitigar eventos y, en algunos casos, actuar por sí mismos para bloquear un acceso o aislar un equipo comprometido. Este sistema, conocido como respuesta automatizada (Hernández-Ramos et al., 2023), acelera la reacción ante un problema, pero, a juicio de los expertos requiere de una supervisión humana que prevenga decisiones equivocadas o acciones inapropiadas de acuerdo con cada contexto.

Innovación en seguridad y mejora continua

En conjunto, estas innovaciones muestran un avance real en la protección de los negocios: detección más rápida, mejor protección de la privacidad y reducción de errores. Sin embargo, los investigadores advierten que aún hay retos por resolver, como la compatibilidad entre distintos dispositivos, el costo de implementación y la defensa contra ataques diseñados para engañar a la propia IA. El horizonte al que nos encaminamos tecnológicamente en materia de seguridad es claro: la inteligencia artificial ya es una aliada valiosa para la prevención de eventos no deseados, pero su adopción a nivel masivo debe ir acompañada de planificación, supervisión y mejora continua del componente humano.

Referencias

Shen, J., Yang, W., Chu, Z., Fan, J., Niyato, D., & Lam, K.-Y. (2024). Effective intrusion detection in heterogeneous Internet-of-Things networks via ensemble knowledge distillation-based federated learning. arXiv. https://arxiv.org/abs/2401.11968. (arXiv)

Li, E., Shang, Z., Gungor, O., & Rosing, T. (2025). SAFE: Self-supervised anomaly detection framework for intrusion detection. arXiv. https://arxiv.org/abs/2502.07119. (arXiv)

Belenguer, A., Pascual, J. A., & Navaridas, J. (2025). A review of federated learning applications in intrusion detection systems. Computer Networks, 258, Article 111023. https://doi.org/10.1016/j.comnet.2024.111023. (ScienceDirect)

Buyuktanir, B., Altinkaya, Ş., Karatas Baydogmus, G., Yildiz, K., et al. (2025). Federated learning in intrusion detection: Advancements, applications, and future directions. Cluster Computing, 28, 473. https://doi.org/10.1007/s10586-025-05325-w. (SpringerLink)

Hernández-Ramos, J. L., Karopoulos, G., Chatzoglou, E., Kouliaridis, V., Mármol, E., González-Vidal, A., & Kambourakis, G. (2023). Intrusion detection based on federated learning: A systematic review. arXiv. https://arxiv.org/abs/2308.09522. (arXiv)