A medida que los datos se vuelven cada vez más abundantes y diversos, su potencial para alimentar modelos de aprendizaje automático es cada vez más vasto. Sin embargo, los enfoques tradicionales de aprendizaje centralizado, que requieren la agregación de datos en una ubicación única, enfrentan desafíos significativos. Las preocupaciones de privacidad, las estrictas regulaciones de protección de datos como el GDPR y el alto costo de la transmisión de datos obstaculizan la viabilidad de centralizar datos sensibles de fuentes dispares como hospitales, instituciones financieras y dispositivos personales. El Aprendizaje Federado aborda estos problemas al permitir el entrenamiento colaborativo de modelos sin requerir que los datos crudos abandonen su origen. Este enfoque descentralizado garantiza la privacidad de los datos, reduce los costos de transmisión y permite a las organizaciones aprovechar la inteligencia colectiva de los datos distribuidos, al tiempo que cumplen con los estándares éticos y legales. Esta revisión profundiza en las aplicaciones actuales del AF y su potencial para remodelar los sistemas de IoT en marcos más colaborativos, centrados en la privacidad y flexibles, con el objetivo de iluminar y motivar a aquellos que navegan por la confluencia de los avances en aprendizaje automático y IoT.