En este artículo, proponemos un sistema de comunicación semántica orientado a tareas que transmite únicamente información relacionada con ellas en redes de nueva generación. Esto es especialmente importante para la transmisión eficiente e inteligente de datos en escenarios de Internet de las Cosas basado en 6G (6G-IoT), donde las limitaciones de ancho de banda, los requisitos de latencia y la privacidad de los datos son cruciales. Los métodos existentes tienen dificultades para separar por completo la información relacionada con la tarea de la irrelevante, lo que genera problemas de privacidad y un rendimiento deficiente. Para abordar esto, en este artículo, proponemos un método basado en cuellos de botella de información, denominado Aprendizaje Contrastivo y Separación Adversarial (CLAD), que captura eficazmente las características relacionadas con la tarea y elimina la información irrelevante mediante aprendizaje contrastivo y separación adversarial. Además, considerando la falta de un método fiable y reproducible para cuantificar la minimalidad de los vectores de características codificados, introducimos el Índice de Retención de Información (IRI), que se utiliza como medida sustitutiva de la información mutua entre las características codificadas y las entradas. La IRI refleja la nitidez y riqueza de información de una representación, lo que la hace muy relevante para sistemas 6G-IoT que preservan la privacidad y hacen un uso eficiente del ancho de banda. Mediante experimentos exhaustivos, demostramos que CLAD supera a los modelos de referencia de vanguardia en términos de extracción semántica, rendimiento de tareas, privacidad e IRI, lo que demuestra que es un componente prometedor para servicios 6G-IoT responsables, eficientes y fiables.
