La inteligencia artificial ha dejado de ser experimental en buena parte de los procesos del sector energético. Hay modelos de previsión de demanda y generación funcionando en producción, mantenimiento predictivo, visión artificial inspeccionando activos, sistemas que optimizan baterías y asistentes que ayudan a gestionar documentación, incidencias o clientes. Que una tecnología funcione, sin embargo, dice poco todavía sobre el valor que genera.
Para una energética, una comercializadora, un operador de renovables o una industria intensiva en consumo, la pregunta útil ya no es dónde puede utilizarse IA. Es bastante más exigente: en qué decisiones puede mejorar el resultado y cómo podemos demostrarlo. En este artículo repasamos qué se está haciendo en España y fuera de ella, qué tecnologías hay detrás de esos casos y cómo distinguir un proyecto interesante de uno capaz de producir un impacto medible.
España: un sistema energético que exige decidir cada vez mejor
Dos datos sitúan el contexto. Red Eléctrica cifra la generación renovable de 2025 en 150.988 GWh, el 55,5 % de la generación total nacional. Y desde octubre de 2025 el mercado diario gestionado por OMIE opera con intervalos de quince minutos, de modo que los periodos de negociación han pasado de 24 a 96 por día.
Más generación variable y mayor granularidad de mercado obligan a prever mejor producción, demanda y precios, a revisar decisiones con más frecuencia y a coordinar activos cada vez más flexibles. Es un terreno natural para los modelos predictivos y los sistemas de optimización.
Conviene introducir aquí una precaución que reaparecerá a lo largo del artículo: más datos, más frecuencia o un modelo más sofisticado no producen automáticamente más beneficio. El resultado solo se demuestra comparándolo con el procedimiento al que sustituye o complementa, con su precisión actual, sus costes, sus restricciones y el riesgo asociado a equivocarse.
También conviene diferenciar a los actores, porque ninguno está optimizando la misma decisión. Un productor busca maximizar la disponibilidad y el valor de la energía generada. Una comercializadora tiene que prever consumo, aprovisionarse y gestionar clientes. Una distribuidora necesita mantener la calidad y la continuidad de la red. Y un consumidor industrial quiere asegurar su producción y optimizar su coste energético. Todos pueden usar inteligencia artificial, aunque la decisión que les conviene optimizar sea distinta en cada caso.
No toda la IA que genera valor es generativa
Cuando hoy se habla de inteligencia artificial es fácil pensar de inmediato en ChatGPT, Copilot o Claude. En energía esa es solo una parte del panorama, y no siempre la que concentra mayor impacto operativo. En la práctica conviven al menos tres familias tecnológicas.
IA generativa
Los modelos de lenguaje rinden cuando el problema gira alrededor de información no estructurada: documentación técnica, procedimientos, contratos, incidencias, correos o conversaciones con clientes. De ahí salen los copilotos, los asistentes industriales, los agentes de atención al cliente, la recuperación de conocimiento y la generación o revisión de documentación.
Machine learning predictivo y visión artificial
Aquí el objetivo es estimar, detectar o clasificar: previsión de demanda y producción, detección de anomalías, fraude, estimación de fallos y análisis de imágenes procedentes de drones o inspecciones.
Las técnicas no tienen por qué ser nuevas. AleaSoft describe AleaModel como un enfoque híbrido que combina redes neuronales artificiales con modelos SARIMA de Box-Jenkins y regresión múltiple. El Instituto de Ingeniería del Conocimiento utiliza su sistema EA3 para predicción de demanda, generación renovable y mercados energéticos.
Estadística y optimización matemática
En los problemas de mercado, almacenamiento o planificación, predecir es la mitad del trabajo. Después hay que decidir. Una batería puede contar con una buena predicción de precios y aun así tomar malas decisiones si la estrategia ignora restricciones operativas, eficiencia, degradación, disponibilidad o condiciones de mercado. Por eso muchos sistemas combinan machine learning, estadística y optimización numérica. Plataformas como Autobidder de Tesla, o las soluciones de optimización de baterías de otros operadores, trabajan en esa intersección.
La frontera entre las tres familias rara vez es limpia y en los sistemas reales suelen convivir. De ahí que la pregunta útil no sea si algo utiliza IA, sino si mejora de forma consistente la decisión que tomamos hoy.
Dónde está apareciendo el valor
Los casos publicados dibujan varios frentes activos: previsión de demanda, generación y precios; mantenimiento predictivo; inspección automática de activos; optimización de almacenamiento y participación en mercados; detección de anomalías y fraude; recuperación de conocimiento industrial; atención al cliente y gestión documental; y productividad y operación corporativa.
Son problemas distintos con una característica común. El valor aparece cuando una predicción, una clasificación o una respuesta termina conectada con una decisión que puede medirse.
Predecir que un componente puede fallar vale poco por sí mismo; el valor llega cuando esa predicción permite programar una intervención antes de una parada no planificada. Detectar automáticamente un posible defecto en una imagen tampoco es el resultado final, porque lo que cuenta es reducir horas de inspección manteniendo o mejorando la tasa de detección necesaria. Y resumir documentación técnica con rapidez solo tiene impacto si reduce tiempos de búsqueda, evita errores o permite completar mejor una tarea.
Qué están haciendo las compañías energéticas españolas
La actividad en España ya permite observar distintos niveles de madurez.
Iberdrola: la IA como capacidad corporativa
Iberdrola comunicó en julio de 2026 que tenía más de 450 proyectos de inteligencia artificial dentro del grupo. Entre ellos está GregorIA, aplicado al tratamiento de reclamaciones de clientes en España. Su alianza con Microsoft confirma además el uso de Azure y Copilot dentro de su estrategia tecnológica.
La cifra conviene leerla bien, porque no significa 450 agentes generativos ni 450 soluciones desplegadas exclusivamente en España. Lo relevante es que la IA empieza a gestionarse como una capacidad corporativa, con plataforma tecnológica, gobierno, responsables y un portfolio de casos de negocio. Para una organización que todavía trabaja con pilotos aislados, esa es probablemente una lección más útil que el modelo concreto que Iberdrola haya elegido.
Endesa y Enel: inspección, mantenimiento y visión artificial
Endesa describe aplicaciones de mantenimiento predictivo, detección de fraude, monitorización de la distribución, drones, sensores e IA generativa aplicada a documentación técnica.
El caso de Enel permite ver la arquitectura con más detalle. Su ML Factory se apoya en Amazon SageMaker y utiliza PyTorch con arquitecturas como EfficientNet y EfficientDet para tareas de clasificación y detección. Para otros problemas incorpora modelos de segmentación semántica y técnicas de reidentificación basadas, entre otros enfoques, en SimCLR o Transformers. La escala explica el planteamiento: Enel habla de decenas de millones de imágenes procedentes de inspecciones.
En estos escenarios la IA no sustituye al inspector. Reduce el espacio que una persona necesita revisar y ayuda a priorizar dónde merece la pena mirar.
Repsol: productividad y decisiones operativas
Repsol desarrolla su estrategia de datos e inteligencia artificial alrededor de ARiA, su plataforma desplegada sobre Microsoft Azure. En 2026 publicó los resultados de un piloto de cuatro meses de Microsoft 365 Copilot con 550 profesionales, con un ahorro comunicado de 121 minutos semanales por persona.
La cifra es interesante y además ilustra un problema habitual cuando hablamos de retorno. Extrapolada a un año laboral equivale a unas 90 o 100 horas de capacidad por persona, según las semanas efectivas de trabajo. Eso no significa 90 o 100 horas de coste eliminado. Si las personas terminan antes una tarea y dedican ese tiempo a otra actividad, lo que hemos creado es capacidad, no ahorro presupuestario. Ambas cosas pueden ser valiosas y conviene no confundirlas.
Repsol también ha comunicado más de treinta agentes relacionados con requisitos, desarrollo de software e incidencias, además de recomendaciones basadas en IA para apoyar los pedidos de unas 900 estaciones de servicio españolas. Aquí aparece otro patrón útil: automatizar la recomendación no obliga a automatizar la decisión final.
Moeve: conocimiento industrial y mantenimiento predictivo
Moeve anunció a finales de 2025 una colaboración con Mistral AI para desarrollar un asistente capaz de interpretar documentación industrial. Es un caso relevante para cualquier sector con grandes repositorios de procedimientos, manuales, normativa e información técnica dispersa. La compañía venía además de trabajar en mantenimiento predictivo con Amazon Lookout for Equipment en instalaciones andaluzas.
AWS anunció después el fin de soporte de ese producto para octubre de 2026. Es un detalle aparentemente técnico con una lectura empresarial importante: una solución de IA también necesita una estrategia de sustitución. Modelos, plataformas y productos cambian, y diseñar pensando solo en la tecnología disponible hoy introduce una dependencia que puede aparecer varios años después.
EDP: automatizar tareas concretas de operación y mantenimiento
En 2025 EDP probó en la planta solar Cruz de Hierro, en Villacastín, una plataforma que combina drones, detección mediante IA y robots para tareas de limpieza y desbroce. La compañía estimó reducciones de hasta el 80 % en el coste de esas dos tareas.
El matiz es lo que hace útil el dato. No hablamos de reducir un 80 % todo el mantenimiento del parque, sino dos procesos específicos dentro de él. Delimitar así el alcance resulta imprescindible para construir un business case que resista la revisión.
Almacenamiento: donde se encuentran predicción y optimización
El crecimiento del almacenamiento abre otro espacio especialmente interesante. Nexus Energía y enspired han anunciado una colaboración para optimizar activos de almacenamiento dentro del mercado español, y los resultados presentados hasta ahora proceden de simulaciones y backtesting sobre datos históricos. Eso sirve para valorar una estrategia, aunque todavía no equivale al comportamiento económico del activo operando en condiciones reales.
En baterías, una métrica de ingresos atractiva pierde sentido si no incorpora correctamente costes de energía, eficiencia, pérdidas, degradación, restricciones físicas o desviaciones entre la simulación y la operación. Aquí, más que en ningún otro caso, conviene hablar de resultado neto verificable.
Qué podemos aprender de la comunidad internacional
Los casos internacionales aportan referencias útiles siempre que se interpreten dentro de su contexto.
Google DeepMind publicó en 2019 un sistema capaz de prever la producción eólica hasta 36 horas antes. Aplicado a unos 700 MW de capacidad eólica estadounidense, la compañía estimó alrededor de un 20 % de incremento en el valor de la energía bajo su metodología de comparación. No produjo un 20 % más de electricidad: la mejora venía de anticipar mejor la producción y comprometer esa energía con mayor antelación.
Octopus Energy utiliza IA dentro de Kraken para preparar primeros borradores de respuestas de atención al cliente. Kraken indica que en torno al 60 % de los correos reciben ese apoyo y que determinadas consultas pueden ahorrar hasta cuatro minutos. Cuando la compañía habla de una reducción del 40 % del coste de servicio, sin embargo, la atribuye al conjunto de su plataforma y su modelo operativo, y no únicamente al uso de IA generativa.
Epilot, en Alemania, utiliza Claude Sonnet sobre Amazon Bedrock para procesar correos del sector energético. AWS publica un volumen aproximado de 55.000 resúmenes mensuales y una reducción del 87 % en el tiempo dedicado a la tarea concreta de leer y resumir. Tampoco significa reducir un 87 % el coste total de atención al cliente. La unidad de medida cambia por completo la conversación.
Entonces, ¿cómo medimos el retorno?
Es probablemente la pregunta más importante del artículo, y no tiene un porcentaje universal por respuesta. Un proyecto de mantenimiento predictivo, un asistente documental y una estrategia de optimización de baterías generan valor de formas muy distintas.
Antes de hablar de ROI conviene responder cinco preguntas: qué decisión o tarea queremos mejorar, cómo se realiza hoy, qué métrica representa realmente una mejora, qué parte de esa mejora puede atribuirse a la nueva solución y cuánto cuesta conseguirla y mantenerla.
El marco cambia según el caso.
| Tipo de proyecto | Qué conviene medir | De dónde puede venir el retorno |
| Previsión | Error por horizonte, intervalos calibrados, comportamiento en periodos adversos | Menores desvíos, compras evitadas, mejora de margen |
| Mantenimiento | Antelación útil, sensibilidad, falsas alarmas | Paradas evitadas, mayor disponibilidad, menos intervenciones |
| Inspección | Defectos omitidos, falsos positivos, acuerdo con expertos | Menos revisión manual, seguridad en campo, calidad del inventario |
| Asistente industrial | Respuestas sustentadas, cobertura, vigencia y tareas completadas correctamente | Menor tiempo de búsqueda, menos retrabajo y errores |
| Atención al cliente | Resolución correcta, escalados, reincidencias y acciones ejecutadas | Coste por caso, contactos repetidos, satisfacción |
| Baterías | Restricciones respetadas y desviación entre simulación y operación | Ingresos netos después de energía, pérdidas y degradación |
Una forma sencilla de expresarlo sería: el beneficio neto es la mejora atribuible frente al proceso actual, menos los costes recurrentes y menos los costes asociados al cambio. Parece evidente, y aun así evita cuatro errores frecuentes.
Tiempo liberado no siempre significa coste eliminado
Ahorrar dos horas semanales a una persona puede mejorar la productividad, la satisfacción o la capacidad del equipo. Solo puede contabilizarse como ahorro directo si modifica de verdad el coste de operación.
Una mejora local no es una mejora del proceso completo
Reducir un 80 % el coste de una tarea no reduce un 80 % el coste del proceso al que pertenece. Lo mismo sucede con los tiempos de lectura, clasificación o preparación de respuestas.
Una simulación todavía no es un resultado operativo
El backtesting resulta imprescindible para desarrollar modelos. Cuando las decisiones afectan a mercados, mantenimiento o activos físicos, el paso siguiente debería ser comprobar qué ocurre en condiciones reales.
El baseline importa tanto como el modelo
Un sistema que mejora un 5 % puede ser extraordinario si sustituye
un procedimiento ya muy optimizado. Otro que mejora un 40 % puede ser irrelevante si la actividad apenas genera coste o riesgo. Por eso, antes de construir, conviene acordar la población evaluada, el periodo, el procedimiento de referencia y los criterios que determinarán si el proyecto ha tenido éxito.
Del piloto a producción: dónde aparecen las dificultades
Una demo demuestra que un modelo funciona. Una solución operativa necesita bastante más.
Integración con el proceso
Una predicción que llega después de tomada la decisión vale poco. El sistema tiene que integrarse con los datos, las aplicaciones y los tiempos reales del proceso.
Calidad y disponibilidad de los datos
No todos los activos tienen el mismo histórico, los mismos sensores ni la misma calidad de registro. Poder construir un modelo no garantiza que exista información suficiente para operarlo de forma estable.
Supervisión
En sistemas sensibles puede ser razonable empezar en modo sombra, con el modelo generando recomendaciones sin intervenir directamente. Eso permite comparar sus decisiones con el proceso actual antes de aumentar progresivamente el grado de automatización.
Operación del propio modelo
También hay que monitorizar el sistema que monitoriza el negocio. Cambios en datos, activos, mercados o procesos degradan modelos que funcionaban correctamente. Versionado, observabilidad, pruebas de regresión y criterios de rollback deberían formar parte de la arquitectura desde el principio.
Riesgo, regulación y gobierno
La energía añade una característica que no podemos ignorar: algunas decisiones afectan a infraestructuras físicas y servicios esenciales. Eso obliga a separar con claridad predicción, recomendación y control. Que un sistema explique de forma convincente una recomendación no demuestra que esa recomendación sea segura.
Desde el punto de vista regulatorio, tampoco toda aplicación de IA dentro de una energética tiene automáticamente la misma consideración. El AI Act europeo contempla específicamente determinados sistemas utilizados como componentes de seguridad en la gestión y operación de infraestructuras digitales críticas y del suministro de agua, gas, calefacción o electricidad. La clasificación depende por tanto de la función real del sistema y de cómo se utiliza, no de que incorpore IA ni de que exista una persona revisando sus resultados.
En los mercados energéticos aparece además REMIT: los participantes que realizan negociación algorítmica mantienen obligaciones específicas de notificación y control.
A esto se suman cuestiones más conocidas e igual de importantes: minimizar el uso de datos personales, respetar permisos y niveles de acceso en la documentación, separar adecuadamente sistemas corporativos y operacionales, registrar qué versión del modelo produjo cada decisión, proteger modelos y APIs, definir procedimientos de contingencia y evitar una dependencia innecesaria de un único proveedor. El fin de soporte de productos como Amazon Lookout for Equipment recuerda que el riesgo tecnológico también forma parte del gobierno de IA.
¿Por dónde empezar?
El número de casos posibles puede resultar engañoso, porque ninguna organización necesita empezar por el proyecto tecnológicamente más sofisticado. Una buena primera iniciativa suele encontrarse donde coinciden cuatro condiciones: una decisión repetitiva, datos disponibles, un problema suficientemente costoso y una métrica clara.
A veces será una predicción de demanda y otras veces mantenimiento. En determinados entornos el mejor punto de entrada resulta mucho más sencillo: localizar información técnica dispersa, clasificar documentos o ayudar a resolver incidencias. La tecnología debería elegirse después de seleccionar el problema.
Desde Raona proponemos empezar estableciendo el proceso actual y su baseline antes de diseñar la solución. A partir de ahí se puede valorar qué combinación de datos, machine learning, IA generativa, optimización o automatización tiene sentido. En procesos de menor riesgo, una prueba acotada valida con rapidez la integración, la calidad de los datos y la utilidad real. En instalaciones o decisiones sensibles, el mismo principio se traslada a un despliegue en modo sombra que permita recopilar evidencia antes de introducir automatización.
Y desde el principio conviene pensar en cómo va a cambiar la solución: versiones de modelos, proveedores, datos, permisos y arquitectura. Poner un modelo en producción es solo el comienzo de su ciclo de vida.
Conclusión: primero la decisión, después la tecnología
La inteligencia artificial ya tiene aplicaciones reales dentro del sector energético. Los ejemplos de España y de otros mercados muestran resultados en previsión, mantenimiento, inspección, atención al cliente, productividad, almacenamiento y gestión del conocimiento. Y muestran también algo más importante: el valor no procede de utilizar el modelo más reciente, sino de mejorar una decisión relevante y ser capaz de demostrarlo.
Por eso, para una organización que esté explorando IA, la pregunta más útil suele ser otra: ¿qué decisión nos cuesta hoy más dinero, tiempo o riesgo del que debería? A partir de ahí ya se puede hablar de tecnología.
Da el siguiente paso
Si tienes identificado un proceso donde crees que la inteligencia artificial podría generar valor, el primer paso no tiene por qué ser construir un modelo. Podemos empezar analizando el proceso actual, estableciendo su baseline, identificando los datos disponibles y definiendo qué resultado justificaría realmente la inversión. Desde ahí es posible diseñar un primer caso acotado, probarlo con datos reales y decidir con evidencia si merece la pena escalarlo.
En Raona trabajamos precisamente con ese enfoque: problema, decisión y métricas primero; tecnología después.
