Videowall con IA: detección de anomalías para NOC y SOC

Entre ellos figuran Infinity EdgeAI de Userful (anunciado con Microsoft y NVIDIA a finales de 2025), la plataforma Cortex de Visiology en el mercado ruso y una lista discreta, pero creciente, de proyectos internos de Hiperwall, VuWall y Polywall.

La pregunta de producto ya no es «cuántas fuentes puede renderizar», sino «qué detecta realmente el videowall para el operador».

Este artículo expone qué ofrecen hoy los videowalls aumentados con IA, qué arquitectura funciona por debajo, por qué solo la inferencia local (on-premises) supera la revisión de cumplimiento normativo y dónde fracasan realmente en producción la mayoría de estos despliegues.

Qué significa realmente «aumentado con IA» en un videowall

Si se elimina el lenguaje de marketing, el término abarca cuatro funciones concretas. Todo lo demás es una de estas cuatro con otra etiqueta o una promesa de la hoja de ruta que todavía no ha llegado al mercado.

• Detección de anomalías en flujos en directo. Un modelo —normalmente de la familia YOLO v8 / v9 para la detección de objetos, o un detector de anomalías en series temporales más ligero para las fuentes de tipo dashboard— se ejecuta sobre cada flujo ingerido y emite una puntuación de confianza. El controlador del videowall se suscribe a esas puntuaciones y puede reaccionar cuando superan un umbral. Es habitual en nodos de transporte, seguridad perimetral y dashboards SCADA del sector energético.
• Promoción de fuentes (cambio automático de disposición). Cuando se dispara una detección, la ventana correspondiente se amplía, se desplaza a una zona central del videowall y permanece allí hasta que un operador la reconoce o la detección desaparece. El motor de disposición tiene que admitir tanto transiciones suaves (fijación / zoom animados) como cortes secos (reorganización instantánea): los operadores reaccionan de forma distinta a cada una.
• Conteo de objetos y métricas de permanencia. Conteo de rostros en salas que vigilan la densidad de multitudes, conteo de vehículos / matrículas en el tráfico, longitud de las colas en el comercio minorista. El resultado suele ser un número superpuesto a la ventana de la fuente o enviado a un dashboard contiguo que renderiza el mismo videowall.
• Correlación entre fuentes. El nivel más reciente: introducir varias fuentes en una única cadena de inferencia y emitir una sola «puntuación de situación» que gobierna la disposición del videowall. Infinity EdgeAI de Userful lo muestra en demostraciones con Splunk Enterprise Security + un flujo de VMS + una fuente de telemetría de gestión de edificios unificados en un solo panel. Siendo honestos sobre su madurez, se trata de una fase temprana: en 2026, la mayoría de los despliegues reales se quedan en la detección de anomalías de una sola fuente.

Las referencias actuales de la categoría

Tres productos marcan el listón de la categoría en 2026, cada uno con una apuesta distinta.

Userful Infinity EdgeAI es el más visible. Anunciado conjuntamente con Microsoft (Azure IoT Edge para el despliegue de modelos) y NVIDIA (asociación Inception, inferencia optimizada en la arquitectura Blackwell), llegó a sus primeros clientes a finales de 2025.

Se posiciona como «plataforma de conciencia operativa»: Userful aleja deliberadamente el producto del encuadre de «software de videowall» para llevarlo a una categoría de mayor margen. Las integraciones abarcan Splunk Enterprise Security, Genetec Security Center, Microsoft Sentinel y Everbridge CEM.

El precio sigue el mismo modelo Enterprise Subscription que el resto de la oferta de Userful: los clientes indican ≈ 500 $ por pantalla y año para el nivel de plataforma, con el complemento EdgeAI como partida aparte.

Visiology Cortex es su homólogo ruso, desarrollado dentro de la plataforma analítica general de Visiology. La apuesta es distinta: en lugar de asociarse con hiperescaladores, integra la pila de inferencia en la misma instalación on-premises que el resto de la plataforma.

Eso encaja con el entorno normativo ruso (FZ-152 y las normas de infraestructura crítica de FZ-187), pero limita el menú de modelos: se ofrece lo que Visiology ha validado, no lo que uno pueda incorporar desde Hugging Face.

Hiperwall, VuWall, Polywall forman parte de la misma conversación, pero con una oferta actual más limitada. La versión 2026 R1 de Hiperwall añadió un «chat de operador on-premises» (una herramienta interna de colaboración, no inferencia en sí) y más compatibilidad con GPU Intel.

VuWall y Polywall hacen referencia a integraciones de IA a través de sus pilas TRx / Polywall compatibles con NMOS. Ninguno de ellos alcanza la profundidad que reivindica hoy el marketing de EdgeAI de Userful.

La verdadera pregunta de la categoría es si esa distancia se mantendrá durante 2027.

La arquitectura subyacente

Si se eliminan las capas de marca, la pila de ejecución converge en tres piezas.

• El modelo. YOLO v8 y v9 (Ultralytics) son la opción por defecto para la detección de objetos: alcanzan un equilibrio utilizable entre precisión y latencia en GPU NVIDIA convencionales, y su licencia (AGPL-3.0) es aceptable para el despliegue típico de un controlador de videowall. En casos de uso más especializados —conteo de rostros, reconocimiento de matrículas, detección de armas— el modelo incorpora cabezas especializadas, pero la estructura de inferencia sigue siendo similar.
• El entorno de ejecución. ONNX Runtime es la lingua franca: los proveedores exportan su modelo de PyTorch / TensorFlow al formato ONNX y después ejecutan la inferencia con este entorno de ejecución independiente del framework. Los dos backends que importan para el hardware de videowall son NVIDIA TensorRT para GPU de clase RTX (una aceleración de ≈ 3-5× frente a ONNX Runtime estándar) e Intel OpenVINO para las GPU integradas Iris Xe y las GPU dedicadas Arc. Ambos backends aceptan el mismo archivo ONNX, así que pasar el modelo de producción de NVIDIA a Intel es una decisión de despliegue, no de reentrenamiento.
• La orquestación. Microsoft Azure IoT Edge es hoy la opción por defecto para «desplegar este contenedor con este modelo en este controlador de videowall desde un punto central». En despliegues on-premises sin orquestador externo, Kubernetes (k3s en el host del videowall) cubre el mismo terreno con más esfuerzo de configuración. El patrón consiste en contenerizar cada modelo y dejar que el orquestador asigne los contenedores a las GPU disponibles.

El dimensionamiento sigue una regla práctica aproximada, válida en la mayoría de los despliegues publicados.

Una sola GPU de clase RTX A4000 absorbe la detección de clase YOLO en 8 a 12 flujos 1080p simultáneos y sigue dando cabida a la carga de renderizado del videowall. Una RTX A5000 / A6000 duplica aproximadamente esa cifra.

Por encima de ~20 flujos, la carga de IA empieza a competir con el trabajo de GPU del compositor.

La arquitectura correcta pasa entonces a ser un nodo de inferencia independiente junto al controlador del videowall, que devuelve las puntuaciones a través de un bus de mensajes en lugar de ejecutarse en la misma GPU.

El requisito de despliegue local (on-premises) no es negociable

Toda contratación seria de un videowall con IA acaba chocando con la misma línea roja: el vídeo en directo no puede salir de la instalación. Tres marcos regulatorios lo imponen.

• RGPD / GDPR (UE). Las cámaras que graban a personas identificables generan datos personales en el sentido del artículo 4(1). Enviar esos datos a un punto de inferencia en la nube de un tercer país exige garantías de nivel Schrems II que la mayoría de las instalaciones no tienen. La respuesta limpia es «la inferencia se ejecuta on-premises; la nube, como mucho, solo ve metadatos».
• FZ-152 y FZ-187 (Rusia). Normas de localización de datos personales y de infraestructura crítica, respectivamente. Los clientes estatales rusos y la mayoría de las instalaciones de energía / transporte deben ejecutar la inferencia dentro del país, a menudo en el propio emplazamiento. La apuesta de Visiology por la inferencia on-premises integrada responde específicamente a esta restricción.
• FedRAMP / DoD IL5+ (gobierno federal de EE. UU.). La IA en la nube para instalaciones clasificadas es una autorización que el equipo de contratación rara vez consigue. Lo que se espera por defecto es la inferencia on-premises, con un despliegue de modelos aislado en NIPRNet.

La conclusión arquitectónica: la parte de IA de un videowall aumentado con IA no es una función en la nube que se añade con una simple clave de API.

Es un archivo de modelo entregado al controlador del videowall y un entorno de ejecución situado junto al compositor. Los proveedores que esconden la inferencia en la nube tras una demo vistosa pierden la venta en la fase de cumplimiento normativo.

Dónde fallan realmente estos despliegues

El modelo rara vez es el punto de fallo; lo son tres problemas operativos. Quien quiera reposicionar a un proveedor como empresa de videowalls con IA necesita una respuesta para cada uno.

• Los falsos positivos erosionan la confianza del operador más deprisa de lo que mejora el modelo. Un videowall que promueve la ventana equivocada al centro tres veces en un turno acaba ignorado en la cuarta promoción: la real. La mitigación habitual son dos umbrales: uno para «mostrar un pequeño indicador en la ventana» y otro, distinto y más alto, para alterar realmente la disposición. El producto tiene que ofrecer al operador una forma clara de ajustar ambos.
• La deriva del modelo es silenciosa hasta que deja de serlo. Un contador de personas ajustado con datos de entrenamiento de verano empieza, llegado noviembre, a subestimar el número de personas con abrigos gruesos de invierno. Un detector de vehículos ajustado con matrículas europeas se degrada en Oriente Medio. El producto necesita una capa de monitorización —tasa de falsos positivos a lo largo del tiempo, número de anulaciones manuales— que permita al integrador detectar la deriva antes que el cliente.
• El registro de auditoría de las ventanas promovidas es innegociable para los compradores regulados. Cuando el videowall promovió la Cámara 17 al centro durante 42 segundos a las 14:03:17, ¿cuál era la puntuación, qué versión del modelo la generó y qué reconocimiento del operador vino después? La mayoría de los revisores de cumplimiento quieren poder responder a esas preguntas. Los proveedores que tienen la respuesta venden en instalaciones reguladas; los que no, se quedan en el AV corporativo.

Dónde encaja Craft Wall

Hoy, Craft Wall es el compositor, no la pila de inferencia. Su modelo de despliegue es el mismo servidor Linux on-premises en el que funciona el resto del producto.

Por eso, una carga de ONNX Runtime junto al compositor basado en Vulkan es arquitectónicamente limpia: la misma GPU atiende ambas cargas cuando el número de flujos lo permite.

Escalar significa añadir un nodo de inferencia junto al controlador del videowall, con el compositor suscrito a las puntuaciones.

El trabajo sobre la ranura para modelos ONNX y la API de disposición basada en puntuaciones figuran en la hoja de ruta, no en las versiones que se comercializan actualmente; la mención del producto aquí es honesta, no aspiracional.

Para las contrataciones que necesitan IA hoy, la vía correcta es Userful o Visiology, según la jurisdicción. Craft Wall entra en la conversación de 2026-2027 como la opción on-premises e independiente del hardware, una vez que llegue la vía ONNX.

Conclusión honesta

Los videowalls aumentados con IA todavía no son una categoría de producto. Son un patrón de despliegue que hoy articula mejor que nadie un proveedor (Userful) y que otro (Visiology) entrega mejor que nadie dentro de un único régimen regulatorio.

La mayoría de los demás proveedores llegarán ahí en 2026-2027. La pregunta del comprador no es «qué proveedor de videowalls con IA es el mejor», sino «qué caso de uso justifica realmente la inferencia en el videowall y si nuestra infraestructura ya lo admite».

La detección de anomalías en un perímetro de 12 cámaras encaja sin problemas. La correlación entre fuentes con SIEM + VMS + BMS es la demo de marketing que la mayoría de las instalaciones no pondrá en marcha hasta dentro de otros dos años.

Lectura recomendada: la entrada del glosario IA en el borde (edge AI) para videowalls y el artículo IPMX frente a ST 2110 frente a SDVoE, sobre la cuestión del transporte subyacente.

Consulte también la comparativa Craft Wall frente a Userful para ver cómo encaja la pieza de IA en una evaluación competitiva.