Autores:
Preeti Wadhwani, Manish Verma
Descargar PDF Gratis
Mercado de software de IA perimetral Tamaño y Compartir 2026-2035
ID del informe: GMI15854
|
Fecha de publicación: September 2026
|
Formato del informe: PDF/Excel/Panel de control/Plataforma
Descargar PDF Gratis
Explore nuestras opciones de licencia:
Descargar PDF Gratis
Mercado de software de IA perimetral
Obtenga una muestra gratuita de este informe
Obtenga una muestra gratuita de este informe
Mercado de software de IA perimetral
Is your requirement urgent? Please give us your business email
for a speedy delivery!
Tamaño del mercado de software de IA en el edge
El mercado de software de IA en el edge se valoró en 3,700 millones de USD en 2025 y se prevé que aumente de 4,500 millones de USD en 2026 a 42,600 millones de USD en 2035, con una expansión a una TCAC del 28,3 %. El mercado abarca el software utilizado para desarrollar, optimizar, implementar, orquestar, supervisar y actualizar modelos de IA en dispositivos conectados o cerca de ellos. Incluye plataformas, marcos de trabajo, entornos de ejecución, conjuntos de herramientas y capacidades de gestión del ciclo de vida utilizadas en sistemas integrados, equipos industriales, vehículos, cámaras, dispositivos médicos y redes distribuidas de sensores.
Conclusiones clave del mercado de software de IA perimetral
Líder del mercado: AWS lideró con una cuota de mercado superior al 9% en 2025.
Principales actores: Los 5 principales actores de este mercado son AWS, Google, Intel, Microsoft, NVIDIA, que registraron conjuntamente una cuota de mercado del 33% en 2025.
La previsión refleja un cambio en el lugar donde se realiza la inferencia, más que una sustitución total de la IA en la nube. Los flujos de datos de sensores de gran volumen y las cargas de trabajo operativas suelen requerir una respuesta local, mientras que el entrenamiento de modelos, la administración de flotas y determinados análisis pueden seguir conectados a la nube. La propuesta de valor es más sólida cuando la inferencia debe continuar durante períodos de conectividad poco fiable, cuando los datos sin procesar son comercialmente sensibles o cuando los tiempos de ida y vuelta de la red son incompatibles con un proceso de producción.
Las aplicaciones industriales ofrecen un ejemplo concreto. ISA-95 sigue siendo una arquitectura de referencia ampliamente utilizada para el intercambio de información de fabricación, y su relevancia ha aumentado a medida que los flujos de datos se han distribuido más entre los entornos de la Industria 4.0 [1]ISA - International Society of Automation. isa.org. Los dispositivos edge pueden procesar señales de vibración, visión y procesos cerca de la maquinaria; diversos trabajos revisados por pares sobre arquitecturas de mantenimiento predictivo contenerizadas muestran cómo la supervisión en el edge puede reducir la latencia en el análisis de indicadores de estado de equipos rotativos [2]SpringerLink - Edge AI / Artificial Intelligence Research Publications. link.springer.com. Esto sitúa el software de IA en el edge en la intersección del rendimiento de los modelos, la interoperabilidad industrial y la continuidad operativa.
Perspectiva del analista de GMI
El perfil de crecimiento del mercado depende menos del número de dispositivos conectados que de la posibilidad de gestionar las implementaciones como entornos de software repetibles. Un único modelo local puede resolver un problema específico de latencia, pero la oportunidad comercial se amplía cuando los clientes necesitan empaquetado de modelos, optimización adaptada al hardware, controles de seguridad, supervisión y actualizaciones en flotas de dispositivos. Esto desplaza las adquisiciones hacia plataformas que reducen el trabajo de integración sin obligar a las empresas a utilizar un único procesador o patrón de implementación.
La privacidad y la gobernanza constituyen un segundo factor estructural de crecimiento, aunque no determinan automáticamente una arquitectura completamente local. La Ley de IA de la UE entró en vigor el 1 de agosto de 2024, y su aplicación gradual incorpora al proceso de adquisición obligaciones relativas a las prácticas prohibidas, los modelos de IA de propósito general y los sistemas de alto riesgo. El Marco de Gestión de Riesgos de IA del NIST y su Perfil de IA Generativa también sitúan la gobernanza de datos y la gestión de riesgos dentro del ciclo de vida de los sistemas de IA. Para los proveedores de IA en el edge, la inferencia local es más defendible cuando se combina con trazabilidad, controles de modelos y una vía creíble para mantener el software a lo largo del tiempo.
Principales impulsores
Adopción creciente de la automatización industrial y la fabricación inteligente
El software de IA en el borde se implementa cada vez más en aquellos entornos donde las operaciones de fabricación necesitan tomar decisiones antes de que una respuesta desde la nube resulte útil. Las arquitecturas de la Industria 4.0 combinan conectividad industrial, IA, dispositivos IoT y sistemas de producción interoperables; ISA-95 proporciona un método consolidado para definir los límites de los sistemas a medida que estos flujos de datos se distribuyen. El mantenimiento predictivo, la inspección mediante visión artificial y la optimización de procesos generan demanda de software, ya que cada uno requiere el despliegue de modelos, integración local y supervisión en función de las condiciones específicas de cada planta.
La justificación económica no se limita a una menor latencia. Un modelo que identifica un patrón de vibración anómalo o un defecto de producción en la línea puede activar una respuesta operativa mientras la señal todavía tiene valor. Por tanto, los proveedores de software compatibles con el despliegue en contenedores, los protocolos industriales y las actualizaciones controladas de modelos están mejor posicionados que los proveedores que ofrecen bibliotecas de inferencia aisladas. El principal obstáculo para la adopción sigue siendo la integración con la tecnología operativa, donde las interrupciones, el riesgo cibernético y las interfaces heredadas limitan la tolerancia al software experimental.
Aumento de la demanda de IA de baja latencia y que preserve la privacidad
La inferencia local puede reducir la exposición derivada de trasladar vídeo, datos sanitarios, de voz o de producción sensibles a entornos externos. Los requisitos escalonados de la Ley de IA de la UE ponen aún más énfasis en la gobernanza y la rendición de cuentas durante todo el ciclo de vida, especialmente en las aplicaciones que podrían clasificarse como de alto riesgo. El AI RMF del NIST y su perfil de IA generativa de 2024 también identifican las consideraciones relativas a la privacidad y la gobernanza de los datos como aspectos centrales del diseño, en lugar de cuestiones que deban abordarse después del despliegue.
Esto favorece el software que permite a las empresas determinar qué datos permanecen localmente, qué resultados de los modelos pueden transmitirse y cómo se documentan las versiones en los distintos dispositivos. En los sectores de la automoción, el control industrial y los dispositivos médicos, la elección del despliegue también refleja la capacidad de respuesta: un servicio de inferencia que depende de una conexión intermitente o congestionada puede crear un modo de fallo operativo. La demanda resultante se orienta hacia arquitecturas híbridas, no simplemente hacia dispositivos desconectados, ya que los clientes siguen necesitando políticas centralizadas, observabilidad y mantenimiento de modelos.
Expansión de los dispositivos IoT y los sensores conectados
La base instalada de equipos conectados está aumentando el volumen y la variedad de los datos que deben filtrarse, interpretarse o utilizarse para activar acciones. IoT Analytics estimó 18.5 mil millones de dispositivos IoT conectados activos en 2024 y pronosticó 21.1 mil millones para 2025 [3]IoT Analytics - Edge AI / Edge Computing Market Research. iot-analytics.com. A medida que proliferan las cámaras, los sensores industriales, los controladores y los terminales móviles, transmitir cada señal sin procesar a un entorno centralizado resulta costoso y, a menudo, innecesario.
La implicación para el software es que las aplicaciones en el borde deben gestionar el acondicionamiento de datos, la inferencia, el enrutamiento de eventos y la sincronización selectiva en entornos con recursos limitados. Las cargas de trabajo visuales y temporales son especialmente relevantes, ya que las transmisiones de vídeo y la telemetría de las máquinas pueden generar entradas continuas. Los proveedores capaces de hacer que estas canalizaciones sean portátiles entre distintas clases de dispositivos pueden convertir el crecimiento de la conectividad en una demanda recurrente de plataformas; los proveedores que requieren un despliegue específico para cada objetivo de hardware se enfrentarán a una mayor fricción de implementación.
Proliferación de modelos compactos de IA generativa
La IA generativa está ampliando el conjunto de cargas de trabajo que pueden ejecutarse cerca de un dispositivo, pero su implementación sigue estando limitada por la memoria, la energía y la disponibilidad de aceleradores. La investigación sobre EDGE-LLM informó de que un enfoque combinado de poda y cuantización logró una mejora de velocidad de 2,92 veces y una reducción de cuatro veces de la sobrecarga de memoria frente al ajuste convencional, manteniendo una precisión comparable en las tareas [4]arXiv - Research Papers on Edge AI and Artificial Intelligence. arxiv.org. Por tanto, las técnicas de compresión modifican el conjunto de cargas de trabajo abordable al permitir que modelos más pequeños se ajusten a los límites de los dispositivos periféricos.
Este desarrollo crea una oportunidad para el software de optimización de modelos, en lugar de provocar simplemente un aumento de la demanda de modelos lingüísticos de gran tamaño. Los compradores necesitan herramientas que permitan cuantificar las compensaciones entre latencia, memoria, precisión y consumo energético en el dispositivo de destino seleccionado. El papel comercial de la IA generativa será más relevante en aplicaciones acotadas, como la asistencia local, las interfaces multimodales o la generación de resúmenes en el dispositivo, en las que la ejecución local ofrece una ventaja clara en materia de privacidad, fiabilidad o costes.
Principales restricciones
Fragmentación del hardware y retos de portabilidad del software
El panorama del hardware perimetral abarca ARM, x86, RISC-V, GPU, NPU, VPU y aceleradores especializados. ONNX surgió como respuesta a la fragmentación existente entre marcos de aprendizaje automático, herramientas y hardware, mientras que ONNX Runtime busca proporcionar una capa de inferencia común para distintos destinos de implementación. Aun así, los proveedores de ejecución, controladores, compiladores, formatos de cuantización y compilaciones de sistemas operativos siguen siendo específicos de cada destino.
El resultado es un coste comercial que a menudo se subestima durante los proyectos piloto. Un modelo que funciona bien en un acelerador puede requerir una compilación, calibración o compatibilidad con operadores diferentes en otro. La compatibilidad de ONNX Runtime con proveedores que abarcan NVIDIA, Intel, AMD, Qualcomm y otros fabricantes de hardware ilustra el valor de una interfaz común, pero también pone de manifiesto el trabajo de integración necesario. Los proveedores de software que reduzcan esta brecha pueden acortar los ciclos de implementación de los clientes; aquellos que dependan de vías de optimización propietarias se arriesgan a limitar la elección de hardware del cliente.
Escasez de desarrolladores cualificados de IA perimetral
El desarrollo de IA perimetral combina aprendizaje automático, software integrado, integración de sistemas, optimización del rendimiento y operaciones de producción. La demanda de estas capacidades está aumentando junto con la demanda general de software: la Oficina de Estadísticas Laborales de Estados Unidos prevé que el empleo de desarrolladores de software aumente un 15,8% entre 2024 y 2034, con una demanda respaldada por las aplicaciones de IA, IoT, robótica y automatización.
La restricción es especialmente significativa para los usuarios finales que cuentan con experiencia operativa, pero carecen de equipos capaces de convertir los modelos en software para dispositivos que sea fácil de mantener. Esto incrementa el valor de la abstracción de hardware, las integraciones prediseñadas, las herramientas de desarrollo visual y los flujos de trabajo de implementación gestionados. También convierte la experiencia del desarrollador en una variable competitiva: la documentación, las herramientas de perfilado, las vías de conversión de modelos y la automatización de la implementación pueden ser tan decisivas como el rendimiento de la inferencia cuando los clientes seleccionan una pila de IA perimetral.
Perspectiva del analista de GMI
Ambos factores restrictivos están conectados. La heterogeneidad del hardware eleva el nivel de conocimientos especializados necesario para implementar y mantener una aplicación, mientras que la escasez de talento especializado encarece cada problema de portabilidad. Esto limita la capacidad de los fabricantes más pequeños, las empresas de servicios públicos y los operadores de infraestructuras públicas para pasar de una prueba de concepto a un despliegue en flota, incluso cuando el modelo inicial funciona correctamente.
En consecuencia, el mercado recompensará el software que haga visible la optimización específica del objetivo sin dejar de hacerla gestionable. Los entornos de ejecución multiplataforma, los formatos de modelos abiertos, la compatibilidad con compiladores y los procesos de actualización controlados no eliminan las diferencias de hardware; las convierten de un ejercicio de ingeniería personalizada en un flujo de trabajo de producto mantenible. Los proveedores que combinan esta portabilidad con capacidades de implementación de bajo código o guiada tienen una vía más clara para lograr la adopción fuera de las grandes empresas intensivas en tecnología.
Análisis de segmentos del mercado de software de IA en el edge
Por oferta
Las plataformas representaron 2,530,2 millones de USD en 2025 y se prevé que alcancen 31,658,1 millones de USD en 2035. Su liderazgo refleja la demanda de funciones integradas de implementación de modelos, administración de dispositivos, supervisión y actualización. La adquisición de plataformas es especialmente relevante cuando un comprador dispone de muchos dispositivos, varias ubicaciones o requisitos operativos regulados; la decisión se basa en el control del ciclo de vida, no solo en la inferencia.
Por modalidad de implementación
El edge habilitado para la nube representó 2,164,7 millones de USD en 2025 y se espera que alcance 26,536,5 millones de USD en 2035, con un crecimiento del 29,0 %. Combina la ejecución local con la distribución centralizada de modelos, la supervisión y la administración de flotas. Esta arquitectura es adecuada para despliegues distribuidos en los sectores minorista, industrial, del transporte y de las infraestructuras, en los que la inferencia local debe continuar mientras los equipos de operaciones necesitan visibilidad remota.
El edge local generó 1,519,2 millones de USD en 2025 y se prevé que alcance 16,037,7 millones de USD en 2035, con una TCAC del 27,1 %. Es especialmente relevante para redes operativas aisladas y entornos en los que los requisitos de control de datos o la respuesta local determinista tienen más peso que las ventajas de una conectividad continua con la nube. Las modalidades de implementación deben considerarse opciones de diseño dentro de un continuo: muchos clientes mantendrán las funciones de control local mientras utilizan recursos externos o de nubes privadas para el desarrollo de modelos y los análisis que no requieren una respuesta inmediata.
Por tecnología
La visión artificial fue el mayor segmento tecnológico, con un valor de 1,366,1 millones de USD en 2025, y se prevé que alcance 15,829,1 millones de USD en 2035. Su escala refleja los casos de uso en inspección, supervisión de la seguridad, análisis minorista, movilidad y seguridad física, en los que la transmisión continua de vídeo puede imponer cargas de ancho de banda y privacidad.
Se prevé que la IA generativa crezca a una TCAC del 31,0%, al pasar de 637,6 millones de USD en 2025 a 9,136,4 millones de USD en 2035. Su crecimiento está vinculado a las herramientas de compresión e implementación que pueden hacer viables los modelos generativos en dispositivos con recursos limitados, y no a la implementación sin restricciones de modelos de escala avanzada. Se prevé que el ML aumente de 997,1 millones de USD a 11,167,2 millones de USD, mientras que el PLN pase de 683,1 millones de USD a 6,441,5 millones de USD. El ML clásico conserva su relevancia en cargas de trabajo estructuradas, temporales y de detección de anomalías, en las que un modelo más pequeño puede ofrecer ventajas prácticas.
Por modalidad de datos
Los datos visuales (vídeo e imagen) lideraron el mercado con 1,353,5 millones de USD en 2025 y se prevé que alcancen 16,156,9 millones de USD en 2035. Su relevancia está vinculada a la implementación de visión artificial en entornos físicos, donde el procesamiento local puede reducir los volúmenes de datos ascendentes y facilitar alertas sensibles al tiempo.
Se prevé que los datos temporales aumenten de 904,4 millones de USD a 10,166,7 millones de USD, a medida que las aplicaciones de equipos, energía, redes y transporte utilicen señales en streaming para la supervisión del estado y la previsión. Se espera que los datos multimodales alcancen 7,016,2 millones de USD en 2035, frente a 475,7 millones de USD en 2025, gracias a aplicaciones que combinan imágenes, audio, texto y entradas de sensores. Se prevé que los datos espaciales y los datos textuales alcancen 3,218,6 millones de USD y 6,015,7 millones de USD, respectivamente, en 2035.
Por uso final
El segmento de manufactura e industria fue el mayor segmento de uso final, con un valor de 889,9 millones de USD en 2025, y se prevé que alcance 12,303,9 millones de USD en 2035. El segmento se beneficia de aplicaciones en las que la inferencia puede conectarse directamente con el estado de las máquinas, el control de calidad, la seguridad o las decisiones sobre los procesos. Su crecimiento depende de la capacidad del software para integrarse con las arquitecturas de datos industriales y funcionar de forma fiable cerca de los activos de producción.
Se prevé que el sector de automoción y transporte aumente de 566,5 millones de USD en 2025 a 7,484,5 millones de USD en 2035, lo que refleja las necesidades de procesamiento local de sistemas con numerosos sensores y sensibles a la latencia. Se espera que el sector sanitario y de ciencias de la vida crezca de 405,3 millones de USD a 5,045,0 millones de USD, en un contexto en el que los datos sensibles, la portabilidad de los dispositivos y la fiabilidad de los flujos de trabajo condicionan las decisiones de implementación.
Se prevé que el comercio minorista y consumo alcance 4,993,9 millones de USD en 2035, mientras que las ciudades inteligentes e infraestructura alcanzarán 4,023,3 millones de USD. Se espera que energía y servicios públicos, TI y telecomunicaciones, y otros alcancen 2,971,7 millones de USD, 3,052,6 millones de USD y 2,699,2 millones de USD, respectivamente. Estos sectores comparten la necesidad de una supervisión distribuida, pero sus criterios de compra difieren: las empresas de servicios públicos priorizan la fiabilidad y la integración de activos, mientras que los proveedores de telecomunicaciones hacen hincapié en la compatibilidad de red y la escala.
Perspectiva del analista de GMI
La divergencia más significativa entre segmentos se da entre las cargas de trabajo que exigen un rendimiento máximo y aquellas que requieren reproducibilidad. Las aplicaciones de visión artificial y multimodales impulsan la demanda de canalizaciones de streaming optimizadas y aceleradores, mientras que las aplicaciones industriales, de servicios públicos y de supervisión remota suelen priorizar un comportamiento determinista, ciclos de soporte prolongados y la integración con los sistemas existentes. Una estrategia de plataforma amplia debe adaptarse a ambos tipos de necesidades sin obligar a todos los usuarios a adoptar el mismo modelo de hardware o conectividad.
El edge habilitado para la nube crece más que el edge local porque la gestión de flotas y las operaciones iterativas de modelos se están convirtiendo en requisitos fundamentales. Sin embargo, las implementaciones locales conservan una importancia estratégica cuando los sistemas de control, los datos sensibles o la disponibilidad de la red hacen que la autonomía local sea innegociable. La oportunidad para los proveedores reside en arquitecturas de software que permitan coexistir estas opciones y que posibiliten al cliente utilizar prácticas comunes de desarrollo y gobernanza en distintos entornos locales y conectados a la nube.
Análisis regional del mercado de software de IA en el perímetro
América del Norte
América del Norte generó 1,3114 miles de millones de USD en 2025 y se prevé que alcance 14,8115 miles de millones de USD en 2035, con una TCAC del 28,0 %. Estados Unidos representó 1,1385 miles de millones de USD en 2025 y se prevé que alcance 13,2494 miles de millones de USD en 2035, respaldado por la concentración de proveedores de servicios en la nube, semiconductores, software y tecnología industrial. Se prevé que Canadá crezca de 172,9 millones de USD a 1,5621 miles de millones de USD.
Europa
El mercado europeo se valoró en 895,3 millones de USD en 2025 y se prevé que alcance 9,3919 miles de millones de USD en 2035, con un crecimiento del 27,1 %. Alemania generó 369,7 millones de USD en 2025 y se espera que alcance 4,1783 miles de millones de USD en 2035; se prevé que el resto de Europa aumente de 525,7 millones de USD a 5,2136 miles de millones de USD. La jerarquía regional incluye Alemania, el Reino Unido, Francia, Italia, España, Rusia y los Países Bajos.
La adopción en Europa está determinada por la automatización industrial y el entorno de gobernanza de la IA. Las obligaciones progresivas de la Ley de IA de la UE incentivan la incorporación de la documentación de modelos, la trazabilidad y la gestión de riesgos en las decisiones de implementación [5]European Commission - Digital Strategy. digital-strategy.ec.europa.eu. Esto no convierte al procesamiento en el perímetro en una solución universal de cumplimiento, pero hace que las arquitecturas con capacidades de gobernanza cobren mayor relevancia en casos de uso sensibles y regulados.
Asia-Pacífico
Se prevé que Asia-Pacífico sea la región de mayor crecimiento, al aumentar de 1,0457 miles de millones de USD en 2025 a 14,0367 miles de millones de USD en 2035, con una TCAC del 30,2 %. China representó 483,3 millones de USD en 2025 y se espera que alcance 7,0787 miles de millones de USD en 2035. Se prevé que el resto de Asia-Pacífico, incluidos India, Japón, Corea del Sur, Australia, Vietnam e Indonesia, crezca de 562,4 millones de USD a 6,9580 miles de millones de USD.
La región combina capacidad de fabricación, grandes poblaciones de dispositivos conectados y una expansión de las aplicaciones industriales y de infraestructura. La oportunidad resultante no es homogénea: la fabricación avanzada, la electrónica del automóvil y los ecosistemas de dispositivos de consumo generan requisitos de implementación diferentes. Los proveedores capaces de ofrecer soporte a los ecosistemas técnicos locales y a arquitecturas de dispositivos diversas tienen más probabilidades de convertir la escala regional en una adopción de software duradera.
América Latina
América Latina generó 258,8 millones de USD en 2025 y se prevé que alcance 2,1330 miles de millones de USD en 2035, con una TCAC del 24,0 %. Brasil, México y Argentina constituyen el ámbito nacional principal. Las aplicaciones en instalaciones industriales distribuidas, agricultura, transporte e infraestructura urbana pueden favorecer el procesamiento local cuando la calidad de la conectividad varía o los datos deben procesarse cerca de la fuente.
La menor tasa de crecimiento en comparación con otras regiones sugiere que los proveedores de software deben demostrar con mayor claridad las ventajas de implementación y mantenimiento. Las soluciones que reduzcan la dependencia del ancho de banda, simplifiquen la instalación y funcionen con los equipos existentes tendrán mayor relevancia comercial que las ofertas muy personalizadas e intensivas en infraestructura.
Oriente Medio y África
Se prevé que MEA aumente de 172,7 millones de USD en 2025 a 2,2011 miles de millones de USD en 2035, con un crecimiento del 29,6 %. Sudáfrica, Arabia Saudí y los EAU constituyen el ámbito nacional especificado. La infraestructura inteligente, los activos energéticos, la logística y las operaciones industriales ofrecen casos de uso importantes, especialmente cuando las ubicaciones remotas requieren inteligencia local y un funcionamiento resiliente.
La oportunidad regional está determinada por el valor práctico de reducir la dependencia de una conectividad de backhaul persistente. Los proveedores deben equilibrar la gobernanza centralizada con un software que pueda seguir funcionando en ubicaciones remotas, al tiempo que apoyan a los integradores locales responsables de gestionar la implementación y la prestación de servicios.
Perspectiva del analista de GMI
Norteamérica conserva el mayor valor previsto porque su base de proveedores tecnológicos y sus ecosistemas de software empresarial pueden acelerar la implementación, pero la TCAC del 30,2 % de Asia-Pacífico indica que la próxima gran oportunidad de escala se encuentra en los mercados donde confluyen la fabricación, los dispositivos conectados y la expansión de las infraestructuras. Esta distinción es importante para la estrategia de producto: los compradores norteamericanos pueden priorizar la integración con sistemas empresariales y servicios en la nube consolidados, mientras que las implementaciones en Asia-Pacífico suelen requerir una compatibilidad de hardware más amplia y asistencia localizada para la implementación.
El entorno de gobernanza de Europa crea un mercado diferenciado para la implementación de IA auditable y controlable. Entretanto, América Latina y MEA favorecen la resiliencia operativa y la implementación simplificada sobre el terreno. Por tanto, la expansión regional no consiste simplemente en traducir la interfaz de una plataforma; requiere adaptar la gestión del ciclo de vida, los supuestos de conectividad, la compatibilidad de hardware y la estrategia de canales al entorno operativo.
Cuota de mercado y panorama competitivo del software de IA perimetral
El mercado sigue estando moderadamente fragmentado. AWS registró una cuota estimada del 8,7 % en 2025, equivalente a aproximadamente 322,3 millones de USD en ingresos del mercado. Intel representó el 7,4 % (271,6 millones de USD), Microsoft el 6,9 % (253,6 millones de USD), Google el 5,3 % (196,7 millones de USD) y NVIDIA el 4,6 % (168,3 millones de USD). En conjunto, estas cinco empresas representaron aproximadamente el 32,9 % del mercado, lo que deja un margen considerable para los proveedores de software industrial, los proveedores de software vinculados al silicio y los especialistas.
AWS utiliza AWS IoT Greengrass como un entorno de ejecución perimetral y un servicio en la nube para crear, implementar y gestionar software para dispositivos, incluida la inferencia local de aprendizaje automático, la mensajería y la sincronización de datos [6]AWS - Edge AI and Machine Learning. aws.amazon.com. Su ventaja reside en conectar la implementación perimetral con un conjunto más amplio de servicios en la nube, aunque los clientes deben evaluar las dependencias del ciclo de vida, dado que el soporte de AWS IoT Greengrass V1 finalizará el 1 de junio de 2026.
Intel presenta OpenVINO como un conjunto de herramientas para optimizar la inferencia en CPU, GPU integradas, VPU, NPU y FPGA de Intel, con compatibilidad para la conversión de modelos de los principales marcos de trabajo [7]Intel - Edge AI Solutions and Technologies. intel.com. Microsoft ofrece Azure IoT Edge para la implementación en contenedores de cargas de trabajo de IA y Azure en dispositivos Linux y Windows IoT, incluida la operación sin conexión. Google facilita la IA en el dispositivo mediante LiteRT y herramientas relacionadas para dispositivos móviles, integrados y de IoT, con capacidades de cuantización y poda relevantes para implementaciones con recursos limitados.
NVIDIA compite en cargas de trabajo de vídeo de alto rendimiento y de múltiples sensores mediante DeepStream, un conjunto de herramientas de análisis de streaming acelerado por GPU que admite entornos x86 con GPU discretas y Jetson ARM64. Qualcomm, con una cuota estimada del 3,8 % y unos ingresos de 141,2 millones de USD en 2025, ofrece Qualcomm AI Runtime SDK para la conversión, cuantización y ejecución de modelos en aceleradores de CPU, GPU y HTP Hexagon de Snapdragon. La adquisición de Edge Impulse por parte de Qualcomm en marzo de 2025 añade una capacidad de MLOps perimetral y una plataforma para desarrolladores a su cartera de IoT.
Arm proporciona el kit de herramientas de software Arm NN, que conecta marcos como LiteRT y ONNX con CPU Cortex-A, GPU Mali y NPU Ethos. AMD participa mediante el proveedor de ejecución Vitis AI ONNX Runtime, que admite la compilación específica para cada objetivo en entornos de aceleradores Ryzen AI y Versal/Zynq. NXP Semiconductors ofrece el entorno de desarrollo eIQ para implementar modelos de redes neuronales en sus microcontroladores y procesadores, con compatibilidad con TensorFlow Lite, ONNX Runtime, PyTorch y OpenCV.
Los proveedores de software industrial se diferencian por su contexto operativo. PTC ofrece ThingWorx para el internet industrial de las cosas, con conectividad periférica e integraciones destinadas a trasladar los datos de las máquinas a los flujos de trabajo industriales. Schneider Electric proporciona EcoStruxure Edge Apps para el procesamiento local de datos industriales y la gestión centralizada de aplicaciones periféricas. Siemens Industrial Edge admite el preprocesamiento de datos, el análisis, la implementación de modelos y la supervisión de modelos en la planta de producción.
IBM, que registró una cuota estimada del 3,6 % y unos ingresos de 133,6 millones de USD en 2025, sigue siendo un participante empresarial relevante gracias a su posicionamiento consolidado en computación periférica y nube híbrida. Alibaba Cloud, MediaTek y SAP también figuran entre los competidores regionales y empresariales, aunque el paquete de evidencias aprobado no proporciona material técnico de fuente admisible suficiente para respaldar afirmaciones específicas sobre los productos de estas empresas.
Los competidores emergentes aportan arquitecturas diferenciadas y distintos enfoques para desarrolladores. Axelera AI combina su plataforma Metis con un enfoque de computación en memoria para la inferencia periférica. Edge Impulse es una plataforma de IA periférica integral con más de 170.000 desarrolladores y compatibilidad con la implementación en MCU, CPU, GPU y NPU. Hailo y SiMa.ai se centran en enfoques de aceleradores vinculados al software y de pila completa para cargas de trabajo de visión, multimodales y generativas.
Desarrollos recientes del sector
¿Necesita una sección específica de este informe?
Adquiera por separado el análisis regional, el análisis por país, los perfiles de empresas u otros datos detallados por segmentos
en función de sus necesidades de investigación.
Preguntas frecuentes (FAQs):
Metodología de investigación, fuentes de datos y proceso de validación
Este informe se basa en un proceso de investigación estructurado basado en conversaciones directas con la industria, modelado propietario y validación cruzada rigurosa, y no solo en investigación de escritorio.
Nuestro proceso de investigación de 6 pasos
1. Diseño de investigación y supervisión de analistas
En GMI, nuestra metodología de investigación se basa en la experiencia humana, la validación rigurosa y la transparencia total. Cada perspectiva, análisis de tendencias y pronóstico en nuestros informes es desarrollado por analistas experimentados que entienden los matices de su mercado.
Nuestro enfoque integra una extensa investigación primaria a través del compromiso directo con participantes y expertos de la industria, complementada con una investigación secundaria integral de fuentes globales verificadas. Aplicamos análisis de impacto cuantificado para ofrecer pronósticos confiables, manteniendo una trazabilidad completa desde las fuentes de datos originales hasta los insights finales.
2. Investigación primaria
La investigación primaria forma la columna vertebral de nuestra metodología, contribuyendo con casi el 80% a los insights generales. Implica el compromiso directo con los participantes de la industria para garantizar la precisión y profundidad en el análisis. Nuestro programa de entrevistas estructuradas cubre los mercados regionales y globales, con aportes de ejecutivos de nivel C, directores y expertos en la materia. Estas interacciones proporcionan perspectivas estratégicas, operativas y técnicas, permitiendo insights completos y pronósticos de mercado confiables.
3. Minería de datos y análisis de mercado
La minería de datos es una parte clave de nuestro proceso de investigación, contribuyendo con casi el 20% a la metodología general. Implica analizar la estructura del mercado, identificar las tendencias de la industria y evaluar los factores macroeconómicos a través del análisis de participación en los ingresos de los principales actores. Los datos relevantes se recopilan de fuentes pagas y gratuitas para construir una base de datos confiable. Esta información se integra luego para respaldar la investigación primaria y el dimensionamiento del mercado, con validación de partes interesadas clave como distribuidores, fabricantes y asociaciones.
4. Dimensionamiento del mercado
Nuestro dimensionamiento del mercado se basa en un enfoque ascendente, comenzando con datos de ingresos de empresas recopilados directamente a través de entrevistas primarias, junto con cifras de volumen de producción de fabricantes y estadísticas de instalación o implementación. Estos datos se ensamblan a través de los mercados regionales para llegar a una estimación global fundamentada en la actividad real de la industria.
5. Modelo de pronóstico y supuestos clave
Cada pronóstico incluye documentación explícita de:
✓ Principales impulsores de crecimiento y su impacto asumido
✓ Factores restrictivos y escenarios de mitigación
✓ Supuestos regulatorios y riesgo de cambio de política
✓ Parámetro de la curva de adopción tecnológica
✓ Supuestos macroeconómicos (crecimiento del PIB, inflación, moneda)
✓ Dinámicas competitivas y expectativas de entrada/salida al mercado
6. Validación y aseguramiento de calidad
Las etapas finales implican validación humana, donde expertos del dominio revisan manualmente los datos filtrados para identificar matices y errores contextuales que los sistemas automatizados podrían pasar por alto. Esta revisión de expertos añade una capa crítica de aseguramiento de calidad, asegurando que los datos se alineen con los objetivos de investigación y los estándares específicos del dominio.
Nuestro proceso de validación de triple capa garantiza la máxima fiabilidad de los datos:
✓ Validación estadística
✓ Validación de expertos
✓ Verificación de la realidad del mercado
Confianza & credibilidad
Fuentes de datos verificadas
Publicaciones comerciales
Revistas sectoriales, publicaciones comerciales y medios especializados
Bases de datos industriales
Bases de datos de mercado propias y de terceros
Documentos regulatorios
Registros de contratación pública y documentos de política
Investigación académica
Estudios universitarios e informes de instituciones especializadas
Informes corporativos
Informes anuales, presentaciones a inversores y declaraciones
Entrevistas con expertos
Alta dirección, responsables de compras y especialistas técnicos
Archivo GMI
Más de 13.000 estudios publicados en más de 20 sectores industriales
Datos comerciales
Volúmenes de importación/exportación, códigos HS y registros aduaneros
Parámetros estudiados y evaluados
Cada punto de datos de este informe se valida mediante entrevistas primarias, modelado ascendente real y rigurosas comprobaciones cruzadas. Lea sobre nuestro proceso de investigación →