Perspectivas tecnológicas de F5 para 2025

Aunque la IA generativa ha sido sin duda uno de los factores que mayor impacto ha tenido en las empresas en 2024, no es la única tendencia o tecnología que está causando sensación. La vorágine de costes y complejidad está impulsando la repatriación de cargas de trabajo desde la nube pública, especialmente las relacionadas con el almacenamiento y los datos. Sin duda, este movimiento también responde a la necesidad de poner en orden los datos empresariales para aprovechar las oportunidades que ofrece la IA.

Esto deja a las empresas con una infraestructura de TI híbrida distribuida entre la nube pública, los entornos locales y la computación en el borde. Aunque prevemos importantes traslados de cargas de trabajo desde la nube pública a los entornos locales, no creemos que las empresas vayan a apostarlo todo por una única ubicación. Seguirán siendo, como hasta ahora, decididamente híbridas.

Esto plantea a la empresa importantes retos a la hora de estandarizar la seguridad, la entrega y las operaciones en entornos dispares. La desconcertante variedad de API y herramientas sigue suponiendo una amenaza para la estabilidad y la escalabilidad del negocio digital.

Este es el contexto en el que F5 analiza las tecnologías y cómo podrían afectar a la empresa y, posteriormente, a la entrega y la seguridad de las aplicaciones. Las consecuencias orientan nuestros planes, nuestra estrategia y la exploración futura de tecnologías emergentes. Desde esta perspectiva, un grupo selecto de expertos en tecnología de F5 ofrece su visión sobre las cinco tecnologías clave que, en nuestra opinión, tendrán el mayor impacto en la empresa y, por tanto, en la entrega de aplicaciones en 2025.

Tecnología n.º 1 de 2025: WebAssembly

Esta realidad impulsa la primera de las tecnologías que habrá que seguir de cerca en 2025: WebAssembly (Wasm). Wasm ofrece una vía hacia la portabilidad en entornos híbridos multinube, ya que permite desplegar y ejecutar aplicaciones en cualquier lugar donde pueda funcionar un entorno de ejecución de Wasm. Pero Wasm es mucho más que una mera materialización de la promesa de portabilidad del código entre distintas plataformas. Ofrece ventajas en materia de rendimiento y seguridad, al tiempo que abre nuevas posibilidades para enriquecer la funcionalidad de las aplicaciones basadas en navegador.

Oscar Spencer, ingeniero principal explica:

No se espera que WebAssembly en el navegador experimente cambios drásticos a lo largo de 2025. La actualización más importante es la continuidad de la compatibilidad con la recolección de basura (GC) de WebAssembly, que ya se ha integrado en Chrome. Esto beneficiará a lenguajes como Dart y Kotlin, que dependen en gran medida de la GC y buscan ampliar su presencia en los entornos de navegador. También existe la posibilidad de que mejore el uso de Python en los navegadores, aunque todavía es pronto para predecir todo su impacto.

Sin embargo, los avances más importantes se están produciendo fuera del navegador con el lanzamiento de WASI (WebAssembly System Interface) Preview 3. Esta actualización incorpora operaciones asíncronas y flujos, lo que resuelve un problema importante relacionado con la transmisión de datos en diversos contextos, como los proxies. WASI Preview 3 ofrece métodos eficientes para gestionar el movimiento de datos hacia y desde los módulos Wasm y permite un control preciso sobre su tratamiento, como modificar las cabeceras sin procesar el cuerpo completo de las solicitudes. Además, la incorporación de las operaciones asíncronas mejorará la interoperabilidad entre lenguajes, permitiendo una interacción fluida entre el código asíncrono y el síncrono, algo especialmente beneficioso para los lenguajes nativos de Wasm. A medida que se estabilicen los estándares de WASI, cabe esperar un aumento significativo de la adopción de Wasm, que proporcionará a los desarrolladores herramientas sólidas y una plataforma fiable sobre la que aprovechar estos avances.

Suponiendo que Wasm pueda resolver algunos de los problemas de portabilidad inherentes a tecnologías anteriores, trasladaría los problemas de portabilidad a los que se enfrenta actualmente el 95 % de las organizaciones a otras capas críticas de la infraestructura tecnológica de TI, como las operaciones.

La IA generativa se apresura a afrontar ese reto, junto con un futuro cada vez más real: AIOps. Esta visión casi fantástica de las operaciones —con cambios y políticas impulsados por análisis basados en IA y fundamentados en la observabilidad de toda la pila— está cada día más cerca de hacerse realidad gracias a la increíble velocidad de evolución de la IA generativa.

Tecnología n.º 2 de 2025: IA agéntica

En menos de un año, han surgido agentes para sustituir funciones de IA. Esta capacidad, denominada «IA agéntica,», está llamada no solo a transformar las operaciones, sino también a desplazar mercados enteros de software empresarial. Basta con observar el uso de la IA para automatizar flujos de trabajo que han estado dominados por el SaaS durante casi dos décadas para comprender hasta qué punto esta capacidad será disruptiva.

Laurent Quérel, ingeniero distinguido explica:

Los agentes autónomos de programación están llamados a revolucionar el desarrollo de software mediante la automatización de tareas clave como la generación, las pruebas y la optimización de código. Estos agentes agilizarán considerablemente el proceso de desarrollo, reduciendo el trabajo manual y acortando los plazos de los proyectos. Por su parte, la aparición de los agentes multimodales de gran escala (LMA) ampliará las capacidades de la IA más allá de las búsquedas basadas en texto para abarcar interacciones más complejas. Estos agentes interactuarán con páginas web y extraerán información de diversos formatos, como texto, imágenes y vídeos, mejorando así la forma en que accedemos al contenido en línea y lo procesamos.

A medida que los agentes de IA transformen Internet, veremos el desarrollo de una infraestructura de navegación específica para ellos, diseñada para facilitar interacciones seguras y eficientes con los sitios web. Este cambio podría alterar sectores como el comercio electrónico al automatizar tareas web complejas, lo que daría lugar a experiencias en línea más personalizadas e interactivas. Sin embargo, a medida que estos agentes se integren más en la vida cotidiana, serán esenciales nuevos protocolos de seguridad y normativas para abordar las inquietudes relacionadas con la autenticación de la IA, la privacidad de los datos y su posible uso indebido. Se espera que, para 2028, una parte significativa del software empresarial incorpore agentes de IA, lo que transformará los procesos de trabajo y permitirá tomar decisiones en tiempo real gracias a una generación de tokens más rápida en flujos de trabajo iterativos. Esta evolución también dará lugar a la creación de nuevas herramientas y plataformas para el desarrollo web impulsado por agentes, lo que marcará un hito importante en el panorama digital.

Pero lo cierto es que, para aprovechar al máximo las ventajas de la IA, se necesitan datos, y muchos. Un reto considerable, dado que casi la mitad (el 47 %) de las organizaciones reconoce no contar con una estrategia de datos para la IA (https://www.f5.com/state-of-application-strategy-report). No es un reto menor. La cantidad de datos que posee una organización —datos estructurados, no estructurados y métricas en tiempo real— es abrumadora. El mero hecho de catalogarlos requiere una inversión considerable.

Tecnología n.º 3 de 2025: Clasificación de datos

Si a esto se suman las preocupaciones de seguridad derivadas del drástico aumento de las superficies de ataque, las nuevas normativas sobre privacidad de datos y cumplimiento, y la aparición de nuevas fuentes de datos y vectores de amenaza, se dan las condiciones perfectas para el auge de tecnologías sólidas de clasificación de datos en tiempo real. De hecho, se espera que los modelos de IA generativa superen a los sistemas tradicionales basados en reglas en la detección y clasificación de datos empresariales.

James Hendergart, director sénior de Investigación Tecnológica explica:

La clasificación de datos cobró una importancia creciente en 2024 debido a la confluencia de varias tendencias. El crecimiento exponencial de los datos, los dispositivos y las aplicaciones, junto con la continua transformación digital, amplió drásticamente la superficie de ataque frente a las ciberamenazas. Este aumento de las vulnerabilidades, sumado a las persistentes filtraciones de datos, puso de relieve la necesidad crítica de contar con una protección de datos sólida. Al mismo tiempo, la ampliación de las normativas destinadas a proteger la privacidad de los datos y garantizar su cumplimiento llevó a las organizaciones a dar aún más prioridad a la clasificación de datos, ya que esta constituye el punto de partida de la privacidad. Además, el auge de la IA generativa introdujo nuevas fuentes de datos y vectores de ataque, lo que añadió complejidad a los retos de seguridad de los datos.

Aproximadamente el 80 % de los datos empresariales no están estructurados. De cara al futuro, los modelos de IA generativa se convertirán en el método preferido para detectar y clasificar los datos empresariales no estructurados, con tasas de precisión superiores al 95 %. Estos modelos serán cada vez más eficientes, requerirán menos potencia de cálculo y permitirán reducir los tiempos de inferencia. Soluciones como la gestión de la postura de seguridad de los datos (DSPM), la prevención de pérdida de datos (DLP) y la gobernanza del acceso a los datos dependerán cada vez más de la detección y clasificación de datos sensibles como base para ofrecer diversos servicios de seguridad. A medida que converjan los servicios de red y de entrega de datos, la consolidación de plataformas impulsará a los proveedores a mejorar sus ofertas con el objetivo de ganar cuota de mercado mediante plataformas integrales, rentables y fáciles de usar que respondan a las necesidades cambiantes de las empresas.

El deseo común de las organizaciones de aprovechar la IA generativa para todo tipo de usos, desde la productividad y la automatización de flujos de trabajo hasta la creación de contenidos, está propiciando la introducción de un nuevo patrón de arquitectura de aplicaciones a medida que comienzan a implementar capacidades de IA. Este patrón amplía las tres capas tradicionales —cliente, servidor y datos— para incorporar una nueva capa de IA, en la que se ejecuta la inferencia.

Tecnología n.º 4 de 2025: puertas de enlace de IA

Este nuevo nivel está contribuyendo a definir las pasarelas de IA, la cuarta de nuestras tecnologías a seguir. Las pasarelas de IA no son simples pasarelas de API o pasarelas web. Aunque sus capacidades básicas son similares a las de las pasarelas de API, las necesidades arquitectónicas específicas del tráfico bidireccional y no estructurado, así como una base de usuarios cada vez mayor de bots «buenos», requieren nuevas capacidades.

Ken Arora, ingeniero distinguido explica:

Las puertas de enlace de IA están surgiendo como la evolución natural de las puertas de enlace de API, diseñadas específicamente para satisfacer las necesidades de las aplicaciones de IA. Al igual que los agentes de seguridad de acceso a la nube (CASB) se especializan en proteger las aplicaciones SaaS empresariales, las puertas de enlace de IA se centrarán en retos específicos como las alucinaciones, los sesgos y el jailbreaking, que a menudo provocan divulgaciones de datos no deseadas. A medida que las aplicaciones de IA adquieran mayor autonomía, las puertas de enlace también deberán ofrecer una sólida visibilidad, gobernanza y seguridad de la cadena de suministro, garantizando la integridad de los conjuntos de datos de entrenamiento y de los modelos de terceros, que ahora constituyen posibles vectores de ataque. Además, a medida que crezcan las aplicaciones de IA, cuestiones como los ataques distribuidos de denegación de servicio (DDoS) y la gestión de costes cobrarán una importancia crítica, dado el elevado coste operativo de estas aplicaciones en comparación con las tradicionales. Asimismo, el aumento del intercambio de datos con aplicaciones de IA para tareas como la elaboración de resúmenes y el análisis de patrones exigirá una protección más sofisticada contra las fugas de datos.

En el futuro, las pasarelas de IA deberán admitir tanto proxies inversos como directos. A corto plazo, los proxies directos desempeñarán un papel fundamental, ya que el consumo de IA supera a su producción. Los proxies intermedios también serán esenciales para gestionar las interacciones entre los componentes de las aplicaciones de IA, como las que se producen entre las bases de datos vectoriales y los grandes modelos de lenguaje (LLM). La naturaleza cambiante de las amenazas también exigirá un cambio en nuestro enfoque de la seguridad. Dado que muchos clientes se convertirán en agentes automatizados que actuarán en nombre de personas, los modelos actuales de protección contra bots evolucionarán para distinguir entre bots legítimos y maliciosos. Las pasarelas de IA deberán incorporar políticas avanzadas, como la autenticación delegada, el análisis del comportamiento y la aplicación del principio de mínimo privilegio, tomando como referencia los principios de confianza cero. Esto incluirá políticas basadas en el riesgo y una mayor visibilidad, lo que permitirá contener eficazmente las brechas de seguridad provocadas por la IA y, al mismo tiempo, mantener una gobernanza sólida.

Lo más urgente es la capacidad de abordar no solo los problemas tradicionales de seguridad relacionados con los datos (exfiltración, filtraciones), sino también las cuestiones éticas derivadas de las alucinaciones y los sesgos. A nadie le sorprende que estos últimos figuren entre los riesgos más importantes en prácticamente todas las encuestas sobre el tema.

Tecnología n.º 5 de 2025: modelos de lenguaje pequeños

Dados los problemas relacionados con las alucinaciones y los sesgos, sería impensable ignorar el uso creciente de la generación aumentada por recuperación (RAG) y los modelos de lenguaje pequeños (SLM). RAG se ha convertido rápidamente en un patrón arquitectónico fundamental para la IA generativa, especialmente por su capacidad para mejorar la precisión y el nivel de detalle de la información producida por los grandes modelos de lenguaje. Al combinar las ventajas de los sistemas de recuperación con las de los modelos generativos, RAG ofrece una solución a uno de los principales retos de la IA: las alucinaciones, es decir, la generación de información incorrecta o engañosa.

Las organizaciones que aún no integran la generación aumentada por recuperación (RAG) en sus estrategias de IA se están perdiendo mejoras significativas en la precisión y la relevancia de los datos, especialmente en tareas que requieren recuperar información en tiempo real y ofrecer respuestas contextualizadas. Sin embargo, a medida que se amplían los casos de uso de la IA generativa, las organizaciones están descubriendo que la RAG por sí sola no puede resolver algunos problemas.

Lori MacVittie, ingeniera distinguida explica:

Las crecientes limitaciones de los LLM, en particular su falta de precisión al tratar conocimientos específicos de un ámbito o una organización, están acelerando la adopción de modelos de lenguaje pequeños. Aunque los LLM son increíblemente potentes en aplicaciones de conocimiento general, suelen fallar cuando se les pide que proporcionen información precisa y con matices en campos especializados. Es en este aspecto donde destacan los SLM, ya que están adaptados a áreas de conocimiento concretas, lo que les permite ofrecer resultados más fiables y específicos. Además, los SLM requieren muchos menos recursos en términos de energía y ciclos de computación, por lo que constituyen una solución más rentable para las empresas que no necesitan las amplias capacidades de un LLM en todos los casos de uso.

Actualmente, los SLM suelen ser específicos de cada sector y, a menudo, se entrenan con datos de ámbitos como la sanidad o el derecho. Aunque estos modelos se limitan a dominios más acotados, su entrenamiento e implementación resultan mucho más viables que los de los LLM, tanto en términos de coste como de complejidad. A medida que más organizaciones busquen soluciones que se ajusten mejor a sus necesidades de datos especializados, se espera que los SLM sustituyan a los LLM en aquellas situaciones en las que los métodos de generación aumentada por recuperación no puedan mitigar por completo las alucinaciones. Con el tiempo, prevemos que los SLM predominarán cada vez más en los casos de uso en los que la precisión y la eficiencia sean primordiales, ofreciendo a las organizaciones una alternativa a los LLM más precisa y eficiente en el uso de recursos.

Mirando al futuro: más allá de los transformadores

La necesidad de contar con modelos de IA más eficientes, capaces de gestionar la creciente complejidad de las aplicaciones modernas sin requerir enormes recursos computacionales, es cada vez más acuciante. Aunque son potentes, los modelos de transformadores presentan limitaciones en cuanto a escalabilidad, uso de memoria y rendimiento, especialmente a medida que aumenta el tamaño de los modelos de IA. Por ello, existe un fuerte impulso para desarrollar arquitecturas que mantengan una alta precisión y, al mismo tiempo, reduzcan la carga computacional. Además, la demanda de democratizar la IA —haciéndola accesible en distintos dispositivos y casos de uso— acelera aún más la adopción de innovaciones como los grandes modelos de lenguaje de 1 bit, diseñados para optimizar la precisión y minimizar los requisitos de hardware.

Estas necesidades están impulsando la evolución de la IA más allá de los transformadores.

Kunal Anand, director de Innovación explica:

Está surgiendo un nuevo paradigma: la convergencia de novedosas arquitecturas de redes neuronales con técnicas de optimización revolucionarias que prometen democratizar la implantación de la IA en diversas aplicaciones y dispositivos.

La comunidad de la IA ya está presenciando los primeros indicios de innovaciones postransformador en el diseño de redes neuronales. Estas nuevas arquitecturas pretenden abordar las limitaciones fundamentales de los modelos de transformadores actuales, al tiempo que mantienen o mejoran sus extraordinarias capacidades para comprender y generar contenido. Entre los avances más prometedores se encuentra la aparición de modelos altamente optimizados, en particular los grandes modelos de lenguaje de 1 bit. Estas innovaciones representan un cambio fundamental en la forma de abordar la eficiencia de los modelos, ya que reducen drásticamente los requisitos de memoria y la sobrecarga computacional, al tiempo que mantienen su rendimiento pese a la menor precisión.

El impacto de estos avances se propagará por el ecosistema de la IA en varias oleadas. Los efectos iniciales se harán patentes de inmediato en la reducción de los recursos necesarios para implementar la IA. Los modelos que antes exigían una gran cantidad de recursos computacionales y memoria funcionarán de manera eficiente con una sobrecarga considerablemente menor. Esta optimización propiciará un cambio en la arquitectura informática: las GPU podrían especializarse en tareas de entrenamiento y ajuste fino, mientras que las CPU asumirían las cargas de trabajo de inferencia gracias a sus nuevas capacidades.

Estos cambios catalizarán una segunda oleada de efectos centrados en la democratización y la sostenibilidad. A medida que disminuyan los requisitos de recursos, el despliegue de la IA será accesible para diversas aplicaciones y dispositivos. Los costes de infraestructura se reducirán considerablemente, lo que permitirá capacidades de computación en el borde que antes resultaban inviables. Al mismo tiempo, la menor intensidad computacional aportará beneficios medioambientales gracias a un menor consumo energético y una huella de carbono más reducida, haciendo que las operaciones de IA sean más sostenibles.

Estos avances permitirán dotar a los dispositivos periféricos de capacidades sin precedentes, mejorar el procesamiento en tiempo real e integrar la IA de forma rentable en distintos sectores. El panorama informático evolucionará hacia soluciones híbridas que combinen diferentes arquitecturas de procesamiento optimizadas para cargas de trabajo específicas, creando una infraestructura de IA más eficiente y versátil.

Las implicaciones de estos avances van mucho más allá de las mejoras técnicas. Apuntan a un futuro en el que la implantación de la IA será más versátil y respetuosa con el medio ambiente, sin renunciar al rendimiento. A medida que nos acercamos a 2025, es probable que estos cambios aceleren la integración de la IA en aplicaciones cotidianas, creando nuevas oportunidades de innovación y eficiencia en todos los sectores.

Ahora, la única constante es realmente el cambio

Sin duda, el último año ha estado marcado por importantes cambios, avances y sorpresas en el ámbito tecnológico. Es razonable pensar que el próximo año seguirá la misma tónica. Al fin y al cabo, aún no se ha explorado todo el potencial de la IA generativa, lo que hace probable que surjan nuevos casos de uso disruptivos para esta apasionante tecnología.

Si las organizaciones aún no están experimentando con la IA generativa, deberían hacerlo. El uso de servicios ofrece sin duda un buen punto de partida para casos de uso básicos, como los chatbots y los motores de recomendación, pero el potencial de la IA generativa va mucho más allá de las conversaciones y la creación de nuevos vídeos de gatos.

Cabe esperar que sigan surgiendo más cambios y nuevas formas de aprovechar la IA a medida que esta continúa transformando los propios cimientos de la tecnología.