Utilización de la IA para maximizar la resiliencia en la infraestructura

Nota del editor: Esta es una versión narrativa de los comentarios de Kevin Scarborough en el pódcast Energy Beat. Puedes escuchar las entrevistas completas del pódcast aquí.

En Siemens, reconocemos que se está produciendo una transición energética global. Confiamos en esta observación porque basamos nuestra estrategia a largo plazo en cinco megatendencias globales: cambio demográfico, urbanización, glocalización, cambio ambiental y eficiencia de recursos, y digitalización. Cada uno de estos componentes tendrá un impacto significativo en la energía, en la forma en que la generamos, distribuimos y utilizamos. Y como todos sabemos, las empresas dan prioridad a la energía renovable, la eficiencia energética y la electrificación de sus activos.

También sabemos que esta transición está agotando la infraestructura energética y edilicia existente. Se requiere una transformación rápida para mantener la fiabilidad y la sostenibilidad de estos sistemas complejos.

El sector de la construcción representa alrededor del 40 por ciento de la demanda mundial de energía, y se espera que la cantidad de espacio utilizable en los edificios de todo el mundo se duplique para 2060. Son muchos metros cuadrados sobre los que se está a punto de construir, lo que exige nuestros recursos. Esta es una de las razones por las que se espera que la demanda de electricidad se triplique para 2050. Por lo tanto, como declaró recientemente nuestro director general de Infraestructura Inteligente, Matthias Rebellius, en su publicación para Reuters Plus, «un suministro de energía resiliente ha ganado importancia hasta convertirse en la prioridad número uno de la infraestructura».

Siemens ve esto como una gran oportunidad para que la infraestructura energética y edilicia sea más inteligente con la IA, para crear ese tipo de tecnología preparada para el futuro a la que aspiramos.

Estamos aprovechando e investigando la IA dentro de lo que llamamos nuestro ecosistema Building X para mejorar la entrega de los informes de datos y, a su vez, ofrecer a los clientes una mayor eficiencia energética y resultados operativos. Un ejemplo de ello sería el uso de la IA generativa para ayudar a identificar el historial de las órdenes de trabajo de un activo y ayudar a priorizar el mantenimiento y a responder en menos tiempo a las necesidades de mantenimiento. También utilizamos el aprendizaje automático para optimizar los sistemas de tratamiento de aire y los equipos de climatización en salas de ordenadores.

En pocas palabras, pedimos a la IA que piense en el uso de la energía dentro de los edificios y en los propios edificios. Pero como todo en este nuevo panorama, hay desafíos y oportunidades, subrayados por la enorme necesidad de los datos correctos.

Los desafíos de integrar la IA en las industrias de la energía y los servicios públicos

Los tres mayores desafíos para integrar la IA en los sectores de la energía y los servicios públicos son la seguridad de los datos, la gobernanza de los datos y la excesiva dependencia de la IA.

La seguridad de los datos relacionada con la IA no está regulada en gran medida, por lo que se trata de un área de oportunidades y riesgos. Podrían surgir oportunidades si asociaciones industriales como la Sociedad Estadounidense de Ingenieros de Calefacción, Refrigeración y Aire Acondicionado (ASHRAE) se unieran para crear las mejores prácticas para el uso de la IA en la industria. Entre los posibles riesgos de la seguridad de los datos, se incluye la posibilidad de que los malos actores utilicen la IA de forma maligna, como para el jaqueo. Las industrias deben mejorar su enfoque de la seguridad de los datos en poco tiempo para abordar estos desafíos. Los datos y las decisiones deben poder auditarse, y debe haber un control de acceso a los algoritmos basado en funciones para evitar que los malos actores afecten el cerebro del motor de IA en uso.

En la gobernanza de los datos, para que la industria sea eficiente y eficaz a la hora de generar resultados, la IA debe tener un rendimiento uniforme, especialmente con la IA generativa. La gobernanza de datos de calidad incluye categorizaciones de datos, mecanismos de presentación de informes y comunicaciones estandarizados, especialmente si la IA se comunica con un sistema de automatización de edificios. La facilidad de comunicación ayuda a impedir la creación de silos de datos que dificultan el intercambio de datos clave.

Sin embargo, existe un gran riesgo en torno a la dependencia excesiva de la IA. Si confiamos demasiado en la IA, perdemos esa chispa clave de la creatividad; todo se basará (y se limitará a) lo que se le dé al motor de la IA. Esto puede llevar a sesgos y autocomplacencia, especialmente con la IA generativa. Las empresas que utilizan la IA como herramienta creativa solo lo hacen con éxito con la participación y la supervisión de la mente humana.

En última instancia, un motor de IA solo será tan inteligente como los datos que contiene.

Utilizar los mejores datos para aprovechar la IA en las industrias de la construcción y la energía

En cualquier tipo de aplicación de IA en edificios y energía, los datos más importantes son los precisos y aplicables datos históricos, porque para predecir el futuro, necesitamos saber cómo reaccionaron u funcionaron las cosas en el pasado ante los diversos estímulos de ese sistema. Los datos históricos pueden incluir imágenes: usted introduce imágenes de una planta central, por ejemplo, en un motor de IA para ayudarlo a buscar información de diseño en Internet para un dispositivo o un motor.

Con la IA generativa, tener informes de órdenes de trabajo y un historial completo de mantenimiento de un sistema específico podría dar a un especialista (alguien que sea experto en la optimización de un sistema) la posibilidad de actuar más rápido para abordar un problema complejo que pueda tener un cliente. Con el aprendizaje automático, es absolutamente fundamental tener un sistema de automatización de edificios que utilice los sensores correctos y esté formateado con los datos de tendencia y las medidas correctos.

Tanto la precisión de los datos como una cantidad de datos realmente fiable son esenciales para optimizar la IA. Por ejemplo, los datos meteorológicos se pueden utilizar para tomar decisiones casi en tiempo real para un plan de operaciones central o para una empresa de tratamiento aéreo mediante el aprendizaje automático, para calcular los posibles ahorros. Esto es un guiño al uso de una interfaz de programación de aplicaciones (API), un intermediario digital entre dos aplicaciones que permite a un programa solicitar datos o funciones a otro sin tener que saber cómo funciona el otro sistema. Los administradores del sistema pueden crear API que se puedan integrar en la IA en uso, lo que se traduce en una mayor escalabilidad, una mejor funcionalidad y flexibilidad, con la capacidad de personalizar las salidas para satisfacer las necesidades específicas de los usuarios.

Averiguar la cantidad correcta de datos históricos para la IA

¿Cómo determina el alcance de los datos históricos que necesita? Eso depende de lo que haya ocurrido realmente en, digamos, los últimos tres años. ¿Es suficiente o realmente necesita más?

En mi experiencia como ingeniero energético, la mayoría de los gerentes querrían datos de servicios públicos para dos o tres años. Pero si durante la pandemia de COVID me dijera que quería tres años de datos de servicios públicos, le diría que 2020 y 2021 no son realmente relevantes para pronosticar el futuro, porque los edificios estaban desocupados en ese momento.

La cantidad de datos históricos que necesite también depende del sistema del edificio, del edificio en sí y de lo que intente lograr desde el punto de vista operativo. Un ejemplo de esto es cuando tiene un controlador de aire para una sala de conferencias que necesita datos. Si hay una reunión al día en esa sala de conferencias, probablemente pueda arreglármelas con unos datos para dos semanas. Si la temperatura exterior fuera representativa de una cantidad mayor de horas a una temperatura determinada, esos datos deberían ser suficientes.

Muchas consideraciones sobre los datos históricos dependen de la aplicación, pero los gestores de energía deben analizar seriamente el pasado y la forma en que los acontecimientos mundiales podrían haber influido en la calidad real de los datos de los que disponen.

Uso de la IA para abordar la gestión de la carga y exigir flexibilidad

La industria energética está aprendiendo a aprovechar el aprendizaje automático y la IA para las cuestiones clave de optimizar y dimensionar correctamente la carga de la red y los sistemas. La tecnología de gemelos digitales también desempeña un papel importante en esto. Un gemelo digital puede ayudar a aumentar la vida útil de los activos eléctricos al detectar los fallos en estos sistemas antes de que se conviertan en un problema. La IA puede impulsar este gemelo digital procesando los grandes conjuntos de datos necesarios para crear gemelos de esos activos.

Otra tecnología que puede utilizarse en la distribución de energía es una oferta de la plataforma Xcelerator de Siemens: Electrification X. Esta oferta, basada en los servicios en la nube, está diseñada para gestionar, optimizar y automatizar la infraestructura de electrificación al proporcionar una visión holística de las subestaciones y otros activos. Una función incluida en Electrification X, llamada Electrification X Asset Management, utiliza el análisis de datos de los sensores para permitir a los propietarios y operadores de los activos aumentar el tiempo de actividad y la fiabilidad, reducir los gastos operativos y reforzar la ciberseguridad.

Siemens tiene otra oferta llamada Gridscale X que proporciona un software modular fácil de implementar para la gestión integral de la red y aprovecha la IA para analizar grandes cantidades de datos de la red. Dentro de esa oferta se encuentra Gridscale X DER Insights, que utiliza la IA para descubrir los recursos energéticos distribuidos (DER) detrás del contador y evaluar su comportamiento y su impacto en los equipos de la red. Esto ayuda a pronosticar, analizar y extraer información útil y convertirla en próximos pasos procesables. Esto es valioso porque ayuda a los clientes a optimizar las operaciones de DER, a entender el rendimiento y el estado del DER y a maximizar la resiliencia empresarial y de la red.

Mantenerse a la vanguardia de las principales tendencias de la IA

Los directores del sector deben vigilar las normas sobre la IA que están en vigor en los EE. UU. y en todo el mundo, porque sin duda afectarán al desarrollo de la IA en el futuro. Esto significa que lo que estamos haciendo ahora con la IA cambiará. También tenemos que estar atentos a las nuevas capacidades y tecnologías de la IA a medida que se pongan en línea. Los gerentes del sector tienen que aprender rápidamente cómo se pueden aplicar estos nuevos elementos a las operaciones de edificios y energía para que su valor pueda marcar la diferencia para las empresas y los clientes.

En última instancia, todos debemos tener una mente abierta sobre lo que puede hacer la IA. Aceptemos los cambios que se avecinan y afirmemos el papel humano en la IA. Podemos ser cautelosos, pero no debemos tener miedo. Todo el mundo puede apoyarse en la IA aprendiendo todo lo que pueda sobre ella e intentando hacer crecer su negocio, utilizándola cuando añada valor, mejore las operaciones y beneficie a los clientes.

Publicado: 30 de diciembre de 2025