La aceleración de la inteligencia artificial (IA) y del aprendizaje automático (AA) ha transformado el tratamiento de la diabetes al habilitar predicción glucémica de corto y mediano plazo, administración automatizada de insulina, apoyo a la decisión clínica y pronóstico de complicaciones. En esta revisión-proyecto se delinean los avances más recientes en control de lazo cerrado, algoritmos adaptativos y aprendizaje profundo aplicados al manejo de la diabetes tipo 1 y tipo 2, así como las tendencias hacia terapias personalizadas, integración multimodal de datos y uso de dispositivos portátiles. Se propone un marco metodológico de revisión y síntesis analítica que articula taxonomías de modelos, fuentes de datos y métricas de desempeño clínicamente significativas (tiempo en rango, hipoglucemias, AUC, RMSE, exactitud y utilidad clínica). El análisis muestra que el aprendizaje profundo, los enfoques híbridos con control predictivo basado en modelos y los sistemas AID interoperables ofrecen ganancias consistentes en control glucémico y reducción de hipoglucemia, sobre todo cuando incorporan personalización, detección de eventos no anunciados y actualización en línea. Persisten, sin embargo, vacíos críticos: sesgo algorítmico, interpretabilidad, privacidad, estandarización de reportes y traslación a escenarios reales heterogéneos. Este proyecto define objetivos, hipótesis y un plan de métodos para evaluar comparativamente familias de algoritmos con un énfasis en personalización, equidad y seguridad, proponiendo además líneas de resultados esperados, discusión y conclusiones orientadas a una adopción responsable y efectiva en la práctica clínica.