Energía y servicios públicos

La IA para la red eléctrica no es un problema de software. Es un problema de física con una interfaz de software. El apagón ibérico de abril de 2025 —en el que 2,200 MW de generación cayeron en 20 segundos y dejaron a 60 millones de personas sin suministro eléctrico— zanjó un debate de años. El informe final del Panel de Expertos de ENTSO-E (marzo de 2026) confirmó que la causa fundamental fue una sobretensión en cascada provocada por generadores en modo de factor de potencia fijo, no la intermitencia renovable.

La lección para cualquier empresa de servicios públicos que despliegue IA en las operaciones de red es directa: un modelo de optimización que ignore la estabilidad de tensión, los flujos de potencia reactiva y la dinámica de control de los inversores puede recomendar acciones que parezcan económicamente óptimas en el software y provocar fallos en cascada en el hardware (nuestra investigación sobre la ingeniería de resiliencia de la red tras el apagón ibérico). Veriprajna construye IA a medida para empresas de servicios públicos de electricidad, gas y agua en torno al cumplimiento de NERC CIP, la física de la red y las restricciones operativas.

El problema de NERC CIP que nadie previó

Los estándares NERC CIP fueron redactados para sistemas de control deterministas. Un motor de inferencia de IA instalado en el enlace ICCP entre su centro de control y una autoridad de balance puede activar la clasificación de Sistema Ciber-BES de «impacto medio» conforme a CIP-002-5.1, generando obligaciones de cumplimiento que ni la empresa de servicios públicos ni el proveedor de IA previeron.

• CIP-003-9, en vigor a partir del 1 de abril de 2026, amplía la gobernanza sobre el acceso remoto electrónico de proveedores.
• CIP-015-1 exige la monitorización de seguridad en redes internas para sistemas de alto y medio impacto con conectividad enrutable externa, con pleno cumplimiento para octubre de 2028.
• CIP-013-2 exige planes documentados de gestión de riesgos en la cadena de suministro, con sanciones de hasta $1M al día por incumplimiento.

Nuestro enfoque sitúa la arquitectura de cumplimiento en primer lugar cuando una empresa de servicios públicos integra IA en sus operaciones: integrada desde el diseño, no añadida precipitadamente tras el piloto. Cada proyecto mapea cada componente del sistema de IA según los criterios de clasificación CIP, diseña una segmentación de red que satisface CIP-005 al tiempo que proporciona a la IA el acceso a datos necesario, y produce los artefactos de documentación de cumplimiento que los auditores realmente examinan.

Previsión de carga en un mundo que cambió de la noche a la mañana

La demanda de energía de red de los centros de datos en EE. UU. alcanzará 75.8 GW en 2026 (S&P Global) y podría llegar a 106 GW para 2035 (BloombergNEF). PJM atribuye 12 GW de demanda adicional de centros de datos solo en 2026/27, lo que explica una duplicación de los costos de capacidad. Goldman Sachs estima que se necesitan $720B en mejoras de red hasta 2030.

El problema para los planificadores de empresas de servicios públicos es que la carga de IA no sigue patrones históricos: los plazos de proyectos de centros de datos son más cortos, las adiciones de carga son mayores y los perfiles de demanda son más planos que las cargas comerciales tradicionales. Los tiempos medios de espera en la cola de interconexión se han disparado de menos de 2 años en 2008 a más de 5 años en la actualidad, con más de 2,000 GW de recursos en espera. La Orden 2023 de la FERC aborda esta acumulación, pero PJM apenas está comenzando a explorar herramientas habilitadas por IA para agilizar los estudios de interconexión.

La mayoría de los modelos de previsión de carga de las empresas de servicios públicos se entrenaron en un mundo donde la demanda crecía un 1 % anual. Ese mundo ha desaparecido. Diseñamos sistemas de previsión para incorporar las formas de carga no tradicionales, los perfiles de rampa rápida y los patrones de demanda correlacionados que genera la infraestructura de IA (véase nuestra investigación sobre el déficit de PJM y la crisis de ERCOT) — porque errar en la previsión incluso en un 5 % a esta escala significa miles de millones en capital mal asignado.

Presión relacionada: los proyectos que no cumplan las fechas de inicio de 2026-2028 para los créditos fiscales para energía limpia 45Y y 48E se enfrentan a incrementos de costos del 30-50 %. La IA puede acelerar el análisis de estudios por grupos (cluster studies), identificar posiciones en cola propensas a retirarse y automatizar el análisis de ingeniería que actualmente requiere meses de trabajo manual por ciclo de estudio — aunque ningún ISO/RTO ha desplegado aún el cribado automatizado de viabilidad a escala.

Integración de DER: la fragmentación de protocolos se encuentra con la física

La Orden 2222 de la FERC exige a los ISO/RTO que permitan la agregación de recursos energéticos distribuidos en los mercados mayoristas, pero los plazos de implementación varían enormemente. Sobre el terreno, las plataformas DERMS deben coordinar inversores, baterías y cargas controlables a través de IEEE 2030.5, OpenADR, SunSpec Modbus y DNP3 — a menudo simultáneamente. Ningún DERMS comercial único gestiona los cuatro con capacidad completa en tiempo real.

El propio protocolo sigue evolucionando: versiones de CSIP basadas en IEEE 2030.5-2018 y 2023, con CSIP 3.0 y CSIP AUS 1.2 introduciendo cambios adicionales. Mientras tanto, la capacidad de almacenamiento de energía de California creció de 500 MW en 2018 a más de 16,900 MW a mediados de 2025, con baterías entregando más de 12 GW durante la rampa vespertina del 29 de marzo de 2025. CAISO redujo más de 738,000 MWh de energía solar solo en el primer trimestre de 2025.

A esta escala, la calidad del despacho por IA es crítica para la red, no académica, como detalla nuestra investigación sobre inteligencia con restricciones físicas y la perturbación de la red de Virginia (resiliencia estructural mediante inteligencia con restricciones físicas). Diseñamos la capa de coordinación que se sitúa entre DERMS, ADMS y la flota física de DER — gestionando la traducción de protocolos, la aplicación de restricciones en tiempo real y la optimización del despacho que respeta tanto las reglas del mercado como los límites eléctricos.

Medición inteligente más allá de los paneles de control de proveedores

Itron posee el 35 % y Landis+Gyr el 32 % de la cuota de mercado de contadores inteligentes en Norteamérica (GlobeNewsWire, julio de 2025). Entre ambos, cubren la mayoría de los más de 100 millones de puntos finales AMI desplegados en las empresas de servicios públicos de EE. UU. Las plataformas analíticas que suministran están diseñadas para sus propios ecosistemas de hardware.

Revelo de Landis+Gyr es el primer contador de detección de red IoT con computación en el extremo (edge), pero su analítica más allá de la caracterización básica de la carga es limitada. La plataforma analítica de Itron gestiona la respuesta a la demanda y la facturación — no el tipo de detección de anomalías multiflujo que detecta pérdidas de ingresos sin generar falsos positivos que desencadenen desconexiones que vulneren las normas de protección al consumidor de las PUC estatales.

El robo de electricidad a nivel mundial cuesta $89.3B al año (IEEE Smart Grid), y los modelos de ML desplegados para su detección sufren un desequilibrio de clases extremo: los casos de robo son infrecuentes en los datos de entrenamiento, por lo que las tasas de falsos positivos son elevadas. Diseñamos la analítica de AMI para fusionar los datos de los contadores con la topología de la red, la meteorología y el análisis de patrones de consumo para mejorar la precisión de detección (detallado en nuestra investigación sobre la resiliencia de la infraestructura de medición avanzada) manteniendo las tasas de falsos positivos por debajo del umbral que genera exposición regulatoria y conflictos con los clientes.

Incendios forestales, metano, agua: IA para el riesgo físico

Hawaiian Electric comprometió $450M durante tres años (2025-2027) para la seguridad contra incendios forestales, incluidas cámaras con IA y el refuerzo de la red. SDG&E entrena modelos de incendios forestales con una década de registros históricos para predecir la probabilidad de fallo e ignición a nivel de poste y vano. Technosylva y AiDASH se asociaron para integrar el modelado de incendios forestales con inteligencia de vegetación basada en satélites. Pero la mayoría de las empresas de servicios públicos siguen dependiendo de decisiones aproximadas de corte de energía por seguridad pública (PSPS) impulsadas por la meteorología que desenergizan circuitos completos en lugar de centrarse en vanos específicos, porque sus modelos de riesgo carecen de la fusión de sensores para ser granulares.

Para las empresas distribuidoras de gas, la normativa EPA OOOOb exige una monitorización de detección de fugas compatible con IA, con inspecciones iniciales requeridas para 2025 y un endurecimiento continuo del cumplimiento de LDAR a lo largo de 2026. Los sistemas de imágenes ópticas de gas de última generación de Bridger Photonics y Opgal utilizan IA para la detección automatizada fotograma a fotograma de firmas de metano.

Para las empresas de servicios de agua, la detección de fugas con IA ha producido resultados documentados: Walla Walla redujo el agua no registrada del 40 % a menos del 10 %, y los despliegues en empresas individuales muestran ahorros de $213,000 al año (Oldcastle Infrastructure). La detección de fugas basada en SVM alcanza una precisión del 94-100 % en 53 estudios revisados por pares (MDPI). Diseñamos los sistemas de fusión de sensores y puntuación de riesgos que transforman modelos de seguridad aproximados en decisiones operativas específicas y defendibles — ya sea que el activo sea un vano de transmisión, una conducción principal de gas o una red de distribución de agua.

IA agéntica y el dilema de la sala de control

El Laboratorio Nacional Argonne construyó GridMind, un sistema de IA multiagente donde agentes especializados gestionan la programación, la monitorización y el despacho de forma independiente pero se coordinan a través de un marco de razonamiento compartido. Este es el prototipo del DOE para la «sala de control del futuro». El mercado de la IA agéntica en energía y servicios públicos se sitúa en $0.64B en 2025, y se prevé que alcance $3.14B para 2030 (Mordor Intelligence).

El 42 % de las empresas de servicios públicos planea despliegues de IA específicos en los próximos dos años, pero la abrumadora mayoría carece de experiencia interna en IA (Utility Dive). El chatbot de IA de Duke Energy gestionó más de 280,000 interacciones en sus primeros tres meses y redujo las gestiones manuales en un 90 %, pero la satisfacción de los clientes de empresas de servicios públicos del Reino Unido con las reclamaciones gestionadas por IA cayó del 47 % al 44 % entre julio de 2024 y enero de 2025 (Qualtrics).

La brecha entre lo que la IA agéntica puede hacer en un laboratorio y lo que los operadores de servicios públicos confían en una sala de control a las 3 de la madrugada durante un vórtice polar es real, y cerrarla requiere explicabilidad, guardarraíles y un diseño con intervención humana (human-in-the-loop) que la mayoría de los proveedores de IA omiten. Nuestro enfoque consiste en diseñar sistemas agénticos con trazas de razonamiento que los operadores puedan auditar, límites de restricciones que eviten que las acciones autónomas vulneren los procedimientos operativos, y degradación elegante que mantenga el suministro eléctrico encendido cuando la IA presente incertidumbre.

¿Por qué no el proveedor de la plataforma o la gran consultora?

GE Vernova, Schneider Electric y Siemens desarrollan un excelente software de red — ocuparon los puestos 1-2-3 en la clasificación de digitalización de redes de 2026 de ABI Research. Pero las capacidades de IA de cada plataforma están diseñadas para mantenerle dentro del ecosistema de ese proveedor. Quien utiliza GridOS de GE Vernova obtiene la IA de GE. Quien utiliza ADMS de Schneider obtiene la IA de Schneider. Si su empresa de servicios públicos opera una infraestructura mixta —como ocurre en la mayoría— ninguno de los dos proveedores tiene incentivos para desarrollar la capa de integración multiplataforma. Oracle e Hitachi Energy completan los cinco primeros puestos en la clasificación Power and Utilities Grid de ISG, cada uno con dinámicas similares de dependencia forzada del ecosistema.

Las grandes consultoras aportan gestión de programas y encuadre estratégico, pero quienes redactan el pliego de condiciones técnicas rara vez depuran problemas de protocolo ICCP o diseñan despliegues en el extremo capaces de tolerar la interferencia electromagnética (EMI) de una subestación. Accenture adquirió Orlade Group en septiembre de 2025 específicamente para asesoramiento en proyectos de capital de empresas de servicios públicos; Deloitte, McKinsey y Capgemini operan todas ellas prácticas activas de IA en energía.

Nuestra práctica es deliberadamente neutral respecto al proveedor: desarrollamos ingeniería a través de entornos de GE, Schneider, Siemens y sistemas SCADA heredados en lugar de construir para el stack de un solo proveedor. Nuestro enfoque trata la arquitectura de cumplimiento de NERC CIP, la física de la red y las restricciones de OT que diferencian a la IA de servicios públicos de la IA empresarial como problemas de diseño de primer orden — abordados en la arquitectura, no readaptados tras un piloto. Ese trabajo se estructura en torno a un equipo de ingeniería senior y reducido, con propiedad directa y sin dependencia de ninguna plataforma.

Una sola plataforma para empresas combinadas de electricidad, gas y agua

Las empresas de electricidad, gas y agua se enfrentan a desafíos paralelos de IA —detección de fugas, mantenimiento predictivo, atención al cliente y cumplimiento normativo—, pero las soluciones de los proveedores están aisladas por dominio. La detección de fugas con IA en agua ha demostrado una precisión del 94-100 % (revisión de MDPI de 53 estudios) y ahorros de $213,000 al año por empresa de servicios públicos (Oldcastle Infrastructure); las empresas de gas se enfrentan a los requisitos LDAR de la normativa EPA OOOOb que orientan hacia imágenes ópticas de gas mejoradas con IA; las empresas eléctricas necesitan analíticas conformes con NERC CIP.

Una plataforma de IA unificada que comparte infraestructura y canalizaciones de datos entre dominios, respetando al mismo tiempo las restricciones regulatorias y operativas específicas de cada sector, evita triplicar el costo de despliegue y la carga de mantenimiento.