El aprendizaje federado permite entrenar modelos de inteligencia artificial sin centralizar datos sensibles, pero en entornos reales las distribuciones de los datos cambian con el tiempo. Cuando llegan nuevas tareas con dominios distintos mientras el espacio de etiquetas permanece fijo, surge el desafío conocido como aprendizaje federado incremental por dominio. Un problema crítico es la participación parcial de clientes en cada ronda de agregación, sumado a la necesidad de preservar el conocimiento adquirido en tareas anteriores, lo que se conoce como transferencia hacia atrás. Sin mecanismos adecuados, el modelo sufre deriva acumulativa y olvida lo aprendido, invalidando su utilidad práctica. Una solución elegante consiste en introducir un anclaje proximal desde el servidor: en cada ronda, el servidor aplica un término ligero de regularización que empuja las actualizaciones de los clientes hacia el modelo global previo, sin necesidad de buffers de reproducción, datos sintéticos ni cabezales específicos por tarea. Este enfoque, al que podemos denominar agregación proximal del servidor, mantiene la comunicación y el tamaño del modelo sin cambios, a la vez que ofrece garantías teóricas de convergencia uniforme a lo largo de todas las tareas. La tasa de convergencia alcanza un orden similar al del aprendizaje federado clásico, separando explícitamente la varianza de optimización del arrastre entre tareas. Para una empresa que desee implementar soluciones de inteligencia artificial robustas y adaptables, contar con capacidades de aprendizaje continuo sin exponer datos es fundamental. En Q2BSTUDIO desarrollamos software a medida que integra estas técnicas avanzadas, desde agentes IA hasta sistemas de recomendación que aprenden de forma federada. Nuestros servicios cloud AWS y Azure permiten desplegar infraestructuras seguras para el entrenamiento distribuido, mientras que nuestras soluciones de ciberseguridad garantizan la protección de los datos en cada nodo. Además, mediante servicios inteligencia de negocio con Power BI, ayudamos a visualizar la evolución del modelo y el rendimiento por tarea. La combinación de aplicaciones a medida con algoritmos de agregación proximal ofrece a las organizaciones la capacidad de escalar modelos de IA que mejoran con cada nuevo dominio sin comprometer la privacidad ni la precisión histórica.