Aprendizaje federado: celulares que aprenden sin tus datos

El teclado de tu hijo sabe cómo escribe. Ese conocimiento tuvo que aprenderse de escritura real, y la escritura real es de lo más privado que existe. ¿Entonces cómo mejora el teclado sin enviar los mensajes de tu familia a un servidor? El aprendizaje federado, en una frase: en vez de mover los datos al modelo, mueves el modelo a los datos, lo entrenas localmente en cada dispositivo y devuelves solo los cambios resultantes. Google publicó el método en 2017 y lo corre en los teclados de Android desde años. Es esa técnica de privacidad poco frecuente que es a la vez genuinamente ingeniosa y genuinamente desplegada, y por eso es uno de los mejores conceptos para enseñarle a un chico que empieza a preguntar a dónde van sus datos.

Puntos clave

• El paper fundacional es McMahan, Moore, Ramage, Hampson y Agüera y Arcas (AISTATS 2017), que introdujo el Promediado Federado y reportó reducir las rondas de comunicación necesarias entre 10 y 100 veces frente al SGD sincronizado.
• Lo que sale del celular es una “actualización pequeña y enfocada” del modelo, encriptada, no los datos de entrenamiento. Google dice que “todos los datos de entrenamiento se quedan en tu dispositivo, y ninguna actualización individual se guarda en la nube”.
• La agregación segura es un protocolo criptográfico que hace que el servidor coordinador “solo pueda descifrar la actualización promedio si participaron cientos o miles de usuarios”. Ninguna actualización de un celular individual se puede inspeccionar.
• El entrenamiento corre solo cuando el dispositivo está inactivo, enchufado y en wifi gratis, así que no le cuesta al usuario batería ni datos.
• El enfoque relacionado de Apple usa privacidad diferencial y datos sintéticos, y es opcional a través de Analíticas del Dispositivo. Apple afirma que “el contenido de los correos muestreados nunca sale del dispositivo”.

El mecanismo, paso a paso

La publicación de investigación de Google del 6 de abril de 2017 describió el ciclo usando Gboard, el teclado de Android, y el ciclo no cambió mucho:

1. Tu celular descarga el modelo compartido actual.
2. Lo entrena con tus datos locales: qué escribiste, qué sugerencias aceptaste o ignoraste.
3. Calcula la diferencia entre el modelo con el que empezó y el modelo con el que terminó. Esa diferencia es la actualización.
4. Encripta la actualización y la envía.
5. El servidor promedia miles de actualizaciones y produce un modelo compartido nuevo.
6. Todos descargan el modelo mejorado, y el ciclo se repite.

La propiedad clave está en el paso 3. La actualización no es tu texto. Es un conjunto de números que describe cómo se moverían los pesos del modelo si aprendiera de ti. Tus frases nunca salen.

Después la agregación segura cierra el hueco que queda, porque una actualización individual no es automáticamente inofensiva: con suficiente esfuerzo a veces se pueden inferir cosas de los datos de entrenamiento a partir de una actualización del modelo. El protocolo de Google está diseñado para que el servidor no pueda descifrar la contribución de un solo celular, solo la suma. En palabras de Google, el servidor “solo puede descifrar la actualización promedio si participaron cientos o miles de usuarios”. La privacidad viene de la multitud, con garantía matemática.

Y la restricción de ingeniería que lo hace aceptable para el usuario: el entrenamiento corre solo cuando el celular está inactivo, cargando y en wifi gratis. El celular de tu hijo hace esto a las 3 de la mañana en la mesa de luz, no mientras él juega.

Aprendizaje federado: por qué el Promediado Federado fue el avance

La idea de entrenar en dispositivos es vieja. Volverla práctica fue el aporte, y el obstáculo era la comunicación.

El entrenamiento estándar de redes neuronales usa descenso de gradiente estocástico: calcular un gradiente sobre un lote de datos, dar un paso chico, repetir millones de veces. Si cada paso requiriera una ida y vuelta a cada celular, el tráfico de red sería absurdo y el proceso imposiblemente lento.

El Promediado Federado cambió la proporción. Cada dispositivo seleccionado corre varias pasadas de entrenamiento local sobre sus propios datos antes de reportar, produciendo una actualización más grande y más informativa. El servidor promedia esas. McMahan y colegas reportaron “una reducción de las rondas de comunicación necesarias de 10 a 100 veces comparado con el descenso de gradiente estocástico sincronizado”, y mostraron que maneja las distribuciones de datos desparejas del mundo real, donde una persona escribe 500 palabras por día y otra 5.000.

Dos limitaciones honestas van acá, porque el aprendizaje federado se sobrevende.

Primera: no es privacidad mágica. Las actualizaciones del modelo pueden filtrar información en principio, y por eso mismo se le suman la agregación segura y la privacidad diferencial. Aprendizaje federado más agregación segura más ruido es fuerte. Aprendizaje federado solo es una mejora significativa, no una garantía.

Segunda: funciona mejor con modelos angostos. Mejorar la predicción de la siguiente palabra en un teclado encaja bien: modelo chico, datos locales abundantes, señal clara. Entrenar un modelo de lenguaje de frontera así hoy no es práctico, y por eso los modelos grandes se entrenan de forma centralizada con datos recolectados y licenciados, y solo los modelos chicos en el dispositivo reciben el tratamiento federado. La ola de IA local de 2026 (Gemini Nano en el Tensor G6 del Pixel 11, los modelos locales de Apple) usa técnicas federadas sobre todo para personalización y mejora, no para el entrenamiento original.

La variante de Apple vale conocerla porque muestra otro compromiso. En vez de enviar actualizaciones del modelo, Apple (según su publicación de investigación de abril de 2025) usa privacidad diferencial y datos sintéticos. Para Genmoji, los dispositivos se consultan al azar sobre si vieron determinado fragmento de prompt y “responden anónimamente con una señal ruidosa”, con suficiente ruido como para que “se necesiten cientos de personas usando el mismo término antes de que la palabra pueda descubrirse”. Para textos más largos como resúmenes de correo, Apple genera mensajes sintéticos, deriva representaciones matemáticas, las envía a dispositivos que aceptaron participar, y recibe de vuelta solo señales agregadas sobre qué variantes sintéticas se parecen más a los patrones reales. El límite que fija Apple es explícito: “el contenido de los correos muestreados nunca sale del dispositivo y nunca se comparte con Apple”. Los dos enfoques requieren aceptar las Analíticas del Dispositivo.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el juego de la receta secreta

Cada uno en la familia cocina la misma sopa por separado y la prueba. Nadie comparte su sopa. En cambio, cada uno dice una sola cosa: “más sal” o “menos sal”. Juntas todas las sugerencias, las promedias y escribes una receta mejor que todos usan la próxima vez. La sopa se quedó en casa. Solo viajó el consejo. Eso es aprendizaje federado, y un niño de cinco te lo puede explicar de vuelta.

De 9 a 12 años: la demostración de los sobres cerrados

Cuatro personas escriben un número en un papelito y lo sellan en un sobre. La regla: nadie puede abrir un sobre solo, únicamente la pila completa a la vez para calcular el total. Que tu hijo intente averiguar el número de una persona solo con el total. No puede, a menos que conozca los de todos los demás. Eso es agregación segura, demostrada con papel. Después la pregunta filosa: ¿y si hubiera solo dos sobres? (Ahí, conociendo el tuyo, sabes el otro.) Por eso el protocolo exige cientos de participantes.

De 13 en adelante: encontrar la configuración y leer la política

Que tu adolescente encuentre el interruptor real: en Android, la configuración de uso y diagnóstico; en iOS, Ajustes, Privacidad y seguridad, Análisis y mejoras, donde están “Mejorar Siri y Dictado” y “Compartir análisis del iPhone”. Después que lea qué afirma la configuración y lo compare con la descripción técnica publicada por Google o Apple. Este ejercicio produce dos cosas: una decisión informada sobre una configuración real, y el descubrimiento de que las empresas sí publican detalles técnicos si los vas a buscar.

La pregunta que debes hacer: “¿Qué salió exactamente del celular, y alguien podría trabajar al revés desde eso hasta algo sobre ti?”

Central vs. federado: qué cambia de verdad

Dimensión	Entrenamiento central	Aprendizaje federado
Qué sale del dispositivo	Datos crudos: texto, audio, imágenes	Actualizaciones del modelo: números que describen cambios de pesos
Dónde ocurre el entrenamiento	Centro de datos con datos agrupados	En cada dispositivo, y después se promedian
Protección de privacidad	Política, controles de acceso, cifrado en tránsito	Los datos nunca se mueven, más agregación segura y ruido opcional
Cuándo corre	Cuando la empresa lo programe	Dispositivo inactivo, cargando, en wifi
Sirve para modelos de frontera	Sí, así se entrenan	Hoy no es práctico
Sirve para teclados, palabras de activación, personalización	Sí pero exige subir datos	Sí, y es su uso desplegado principal
Debilidad principal	Una filtración expone contenido real de usuarios	Las actualizaciones pueden filtrar en principio; necesita capas extra
Tu control	Pedir borrado después del hecho	Optar por no contribuir del todo

La última fila es la práctica. Con entrenamiento central, tu recurso es pedirle a una empresa que borre algo que ya tiene. Con aprendizaje federado, el control significativo está antes: eliges si participas.

¿Y en América Latina?

Hay un detalle que a la región le conviene entender bien. El aprendizaje federado funciona mejor cuando participan muchos dispositivos similares, y las mejoras del modelo se reparten entre todos los que lo usan. Si los dispositivos que contribuyen están concentrados en Estados Unidos y Europa, el teclado y el reconocimiento de voz mejoran primero para el inglés y para los acentos de allá. El reconocimiento de voz en español rioplatense, en español chileno o en las lenguas indígenas mejora más lento simplemente porque hay menos actualizaciones entrando.

Eso hace que la decisión de participar sea menos obvia de lo que parece. Si tu familia opta por no contribuir, protege sus datos y también deja que el modelo siga sin aprender de su forma de hablar. No hay respuesta correcta única, y es una conversación mucho más interesante que “activa o desactiva la privacidad”. Para un adolescente al que le interesa la tecnología, la falta de datos de entrenamiento en variantes regionales del español y en lenguas originarias es un problema abierto y real, con proyectos académicos activos en México, Perú y Bolivia.

Qué hacer en casa

Busquen y configuren el interruptor juntos, una vez

En las dos plataformas, contribuir a la mejora de los modelos es una configuración que tu familia puede inspeccionar y cambiar. Hacerlo juntos, con tu hijo leyendo la descripción en voz alta, convierte una conversación abstracta de privacidad en una decisión concreta. Toma diez minutos y es la habilidad de privacidad más transferible que existe.

Enseña la pregunta “¿qué salió del dispositivo?”

Esta sola pregunta cubre casi toda situación de privacidad que tu hijo va a enfrentar: un juego que pide los contactos, una app de filtros de fotos, un ayudante de tareas, un altavoz inteligente. No “¿esta app es mala?” sino “¿qué salió exactamente del dispositivo y qué se podría reconstruir con eso?”. Escala de los nueve años a la adultez.

Distingue procesamiento local de entrenamiento federado

Son cosas distintas que las dos se venden como “IA privada”. Procesamiento local significa que un pedido se resuelve en el dispositivo, como Gemini Nano resumiendo un artículo. Entrenamiento federado significa que tu dispositivo ayudó a mejorar un modelo compartido. Un celular puede hacer uno, los dos o ninguno. Nuestros explicadores de IA en el celular con Tensor G6 y Gemini Nano y de edge AI vs. cloud AI cubren la primera mitad.

Úsalo como contraejemplo al fatalismo de privacidad

Muchos chicos concluyeron que la privacidad está muerta y que no se puede hacer nada. El aprendizaje federado con agregación segura es un contraejemplo concreto: matemáticos e ingenieros diseñaron un sistema que obtiene el beneficio de los datos de todos sin recolectar los datos de nadie. Vale saberlo, como hecho y como motivación.

Lo que no hay que hacer

No trates la palabra “federado” como certificado de seguridad. Describe cómo se mejoró un modelo, no qué recolecta la app, qué permisos tiene ni qué hace con el resto de su telemetría. Revisa los permisos aparte. Las dos preguntas no están relacionadas.

Qué observar en los próximos 3 meses

• Semana 4: Tu hijo puede explicar con sus palabras la diferencia entre enviar datos y enviar una actualización.
• Señales de alerta en el mes 2: Tu hijo supone que cualquier app que dice “IA en el dispositivo” es privada, o no puede nombrar qué recolecta una app específica.
• Autoevaluación del mes 3: ¿La familia revisó de verdad los interruptores de análisis y mejoras? Vuelvan a revisar después de la próxima actualización del sistema, porque a veces los valores por defecto se reinician.

Preguntas frecuentes

¿El aprendizaje federado significa que los mensajes de mi hijo nunca se suben?

Para la función específica que usa aprendizaje federado, sí: lo que se sube es una actualización del modelo, no el texto. No dice nada del resto de la app ni del sistema operativo. Una app de mensajería puede usar aprendizaje federado para las sugerencias y a la vez respaldar los mensajes en la nube. Revisa cada comportamiento por separado.

¿Una actualización del modelo puede filtrar información privada?

En principio sí, y por eso existen la agregación segura y la privacidad diferencial como capas adicionales. El protocolo de Google hace que el servidor solo pueda descifrar el promedio de cientos o miles de actualizaciones, no una individual. La combinación es fuerte; el aprendizaje federado solo es una mejora, no una garantía.

¿Esto le gasta batería o datos a mi hijo?

Está diseñado para que no. Las condiciones que declara Google son que el entrenamiento ocurre solo cuando el dispositivo está inactivo, enchufado y conectado a wifi gratis. Si notas lo contrario, vale investigarlo como falla o como otra función distinta.

¿Apple hace aprendizaje federado?

El enfoque publicado de Apple para Apple Intelligence enfatiza privacidad diferencial y datos sintéticos más que el promediado federado clásico: consultas anónimas con ruido para los prompts populares, y comparación de representaciones para textos largos, con el contenido quedándose en el dispositivo. Mecanismo distinto, objetivo parecido, y exige aceptar las Analíticas del Dispositivo.

¿Un colegio o ministerio puede usar esto?

Conceptualmente sí, y es un área de investigación activa para mantener los datos de estudiantes locales mientras se mejoran modelos compartidos. Los ejemplos desplegados en educación básica son raros. Si un proveedor lo afirma, pregunta qué modelo, qué sale del dispositivo y si se usa agregación segura. Esas tres preguntas separan implementaciones reales de marketing.

¿Mi adolescente debería aprender a construir esto?

Es un excelente tema de proyecto final para un estudiante fuerte de secundaria o de primeros años de universidad: la matemática es abordable (promediar gradientes), la motivación de privacidad es convincente, y existen marcos abiertos como Flower y TensorFlow Federated. Arranquen con el resumen del paper de 2017 y un tutorial.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & Agüera y Arcas, B. (2017). “Communication-Efficient Learning of Deep Networks from Decentralized Data.” AISTATS 2017 / arXiv 1602.05629. https://arxiv.org/abs/1602.05629
2. Google Research. (2017, 6 de abril). “Federated Learning: Collaborative Machine Learning without Centralized Training Data.” https://research.google/blog/federated-learning-collaborative-machine-learning-without-centralized-training-data/
3. Apple Machine Learning Research. (2025, 14 de abril). “Understanding Aggregate Trends for Apple Intelligence Using Differential Privacy.” https://machinelearning.apple.com/research/differential-privacy-aggregate-trends
4. Android Developers. “Gemini Nano.” https://developer.android.com/ai/gemini-nano
5. Google. (2026, 1 de septiembre). “Google AI updates: August 2026.” https://blog.google/innovation-and-ai/technology/google-ai-updates-august-2026/
6. Apple. (2026, 8 de junio). “Apple unveils next generation of Apple Intelligence, Siri AI, and more.” https://www.apple.com/newsroom/2026/06/apple-unveils-next-generation-of-apple-intelligence-siri-ai-and-more/
7. UNESCO. (2026, 14 de abril). “UNESCO launches Observatory on Artificial Intelligence in Education for Latin America and the Caribbean.” https://www.unesco.org/en/articles/unesco-launches-observatory-artificial-intelligence-education-latin-america-and-caribbean