Scielo RSS http://scielo.sld.cu/rss.php?pid=1815-594420250001&lang=es vol. 28 num. 1 lang. es http://scielo.sld.cu/img/en/fbpelogp.gif http://scielo.sld.cu http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-59442025000100001&lng=es&nrm=iso&tlng=es Resumen Debido al creciente interés en mejorar la eficiencia y confiabilidad del mantenimiento industrial, el monitoreado de condición ha evolucionado con la integración de técnicas de Inteligencia Artificial. En este contexto, se han desarrollado enfoques avanzados para la detección temprana de fallos en máquinas rotatorias, con énfasis en el análisis de vibraciones como fuente principal de información. El presente artículo presenta la revisión realizada a las tendencias actuales en la aplicación de la Inteligencia Artificial al monitoreado de condición, abordando diferentes técnicas como el aprendizaje automático y el aprendizaje profundo. Se examinaron diversas metodologías, incluyendo el uso de redes neuronales y modelos híbridos, con el objetivo de optimizar la identificación de comportamientos anormales en equipos industriales. Además, se analizaron los inconvenientes asociados a la implementación de estos sistemas, tales como la interpretabilidad de los modelos, la gestión de grandes volúmenes de datos y la integración de múltiples fuentes de información en el proceso de diagnóstico. Finalmente, se exploraron las perspectivas futuras en la aplicación de estas tecnologías, señalando la importancia de enfoques que combinen la experiencia en ingeniería con modelos basados en datos, con el objetivo de mejorar la precisión y confiabilidad del monitoreado de condición en la industria.<hr/>Abstract Due to the growing interest in enhancing industrial maintenance efficiency and reliability, condition monitoring has evolved through the integration of Artificial Intelligence techniques. In this context, advanced approaches have emerged for early fault detection in rotating machinery, emphasizing vibration analysis as the main information source. This article reviews current trends in applying Artificial Intelligence to condition monitoring, covering techniques such as machine learning and deep learning. Various methodologies are examined, including neural networks and hybrid models, designed to optimize anomaly identification in industrial equipment. Additionally, challenges related to system implementation are analyzed, including model interpretability, handling large data volumes, and integrating multiple information sources into the diagnostic process. Finally, future perspectives on these technologies are highlighted, stressing the importance of combining engineering expertise with data-driven models to enhance accuracy and reliability in industrial condition monitoring.