Uso de la IA para maximizar la resiliencia en la infraestructura
Por: Kevin Scarborough, Director de servicios energéticos de los Estados Unidos, Infraestructura inteligente de Siemens — Edificios y miembro de la Asociación de Administración de Energía
Nota del editor: esta es una versión narrativa de los comentarios de Kevin Scarborough sobre el pódcast Energy Beat. Puedes escuchar las entrevistas completas del pódcast aquí.
En Siemens, reconocemos que está ocurriendo 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 una de estas megatendencias tendrá un impacto significativo en la energía: cómo la generamos, distribuimos y usamos. Y como todos sabemos, las empresas priorizan la energía renovable, la eficiencia energética y la electrificación de sus activos.
También sabemos que esta transición agota la energía existente y la infraestructura de edificios. Requiere una transformación rápida para mantener la confiabilidad y sostenibilidad de estos sistemas complejos.
El sector de la construcción representa alrededor del 40 % de la demanda mundial de energía y se espera que la superficie útil de los edificios de todo el mundo se duplique para 2060. Se trata de una gran cantidad de metros cuadrados que están a punto de construirse, lo que supondrá una mayor presión sobre 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 nuestro CEO de Infraestructura Inteligente Matthias Rebellius declaró recientemente en su publicación para Reuters Plus, "un suministro energético resiliente ha ganado importancia hasta convertirse en la prioridad número uno en materia de infraestructura".
Siemens considera que esto supone una gran oportunidad para que la infraestructura de edificios y energía se vuelva más inteligente gracias a la IA, con el fin de 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 informes de datos que, a su vez, brinda una mayor eficiencia energética y resultados operativos para los clientes. Un ejemplo de esto sería el uso de IA generativa para ayudar a identificar el historial de pedidos de trabajo de un activo, con el fin de priorizar el mantenimiento y responder más rápidamente a las necesidades de mantenimiento. También utilizamos el aprendizaje automático para optimizar los sistemas de tratamiento de aire y los aires acondicionados de las salas de servidores.
En pocas palabras, recurrimos a la IA para analizar el consumo energético en los edificios y los propios edificios. Pero, como todo en este nuevo panorama, hay retos y oportunidades, lo cual se ve acentuado por una enorme necesidad de contar con los datos adecuados.
Los desafíos de integrar la IA en las industrias de energía y servicios públicos
Los tres mayores desafíos para integrar la IA en las industrias de energía y servicios públicos son la seguridad de datos, la gobernanza de datos y la dependencia excesiva de la IA.
La seguridad de los datos relacionada con la IA está en gran medida sin regular, por lo que se trata de un ámbito que presenta tanto oportunidades como riesgos. Podrían surgir oportunidades si asociaciones del sector, como la Sociedad Estadounidense de Ingenieros de Calefacción, Refrigeración y Aire Acondicionado (ASHRAE), se unieran para establecer buenas prácticas en el uso de la IA en el sector. Los riesgos potenciales en materia de seguridad de datos incluyen el uso malintencionado de la IA por parte de personas malintencionadas, como por ejemplo, la piratería informática. Las industrias deben evolucionar su enfoque de la seguridad de datos rápidamente para hacer frente a estos desafíos. Los datos y las decisiones deben ser auditables, y debe haber un control de acceso basado en roles a los algoritmos para evitar que personas malintencionadas afecten el funcionamiento del motor de IA en uso.
Recurrimos a la IA para analizar el consumo energético en los edificios y los propios edificios. Pero, como todo en este nuevo panorama, hay retos y oportunidades, lo cual se ve acentuado por una enorme necesidad de contar con los datos adecuados.
En la gobernanza de datos, para que la industria sea eficiente y efectiva en la obtención de resultados, la IA debe tener una salida uniforme, especialmente con IA generativa. La gobernanza de datos de calidad incluye categorizaciones de datos normalizados, mecanismos de generación de informes y comunicaciones, especialmente si la IA se comunica con un sistema de automatización de edificios. La facilidad de comunicación ayuda a prevenir 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 creatividad; todo se basará en lo que se introduzca en el motor de IA y se limitará a esto, lo que puede conducir al sesgo y a la complacencia, especialmente con la IA generativa. Las empresas que utilizan IA como herramienta de creatividad lo hacen con éxito solo con el aporte y la supervisión de las mentes humanas.
En última instancia, un motor de IA solo será tan inteligente como los datos con los que se alimente.
Uso de los mejores datos para aprovechar la IA en los sectores de la construcción y la energía
En cualquier tipo de aplicación de IA en los sectores de la construcción y la energía, los datos más importantes son los datos históricos precios y aplicables, ya que, para predecir el futuro, necesitamos saber cómo reaccionaron u operaron las cosas en el pasado ante diversos estímulos dirigidos a ese sistema. Los datos históricos pueden incluir imágenes: por ejemplo, se introducen imágenes de una planta central en un motor de IA para que te ayude a buscar en Internet información de diseño de un dispositivo o un motor.
Con la IA generativa, tener informes de pedidos de trabajo y un historial completo de mantenimiento en un sistema específico podría darle a un especialista, un experto en optimizar un sistema, la capacidad de moverse más rápidamente para abordar un problema complejo que un cliente pueda tener. Con el aprendizaje automático, contar con un sistema de automatización de edificios que utilice los sensores adecuados y esté configurado con los datos de tendencias y las mediciones correctas.
Tanto la precisión de los datos como una cantidad realmente confiable de datos son esenciales para optimizar la IA. Por ejemplo, los datos meteorológicos pueden utilizarse para tomar decisiones casi en tiempo real en el marco de un plan de operaciones centralizado, o para que un sistema de climatización, mediante el aprendizaje automático, calcule el ahorro potencial. Este supone un paso hacia el uso de una interfaz de programación de aplicaciones (API), un intermediario digital entre dos aplicaciones que permite que un programa solicite datos o funcionalidades de otro sin necesidad de saber cómo funciona el otro sistema. Los administradores de sistemas pueden crear API que se pueden integrar en la IA en uso, lo que resulta en una mayor escalabilidad, funcionalidad mejorada y flexibilidad con la capacidad de personalizar los resultados para satisfacer las necesidades específicas de los usuarios.
Cómo calcular la cantidad correcta de datos históricos para IA
¿Cómo determinas qué grado de datos históricos necesitas? Eso depende de lo que haya ocurrido realmente, por ejemplo, en los últimos tres años. ¿Es suficiente o realmente necesitas más?
En mi experiencia como ingeniero energético, la mayoría de los gerentes solicitarían datos de consumo de dos o tres años. Pero si durante la pandemia de COVID me hubieras dicho que querías datos de servicios públicos de tres años, te habría dicho que 2020 y 2021 no eran realmente relevantes para pronosticar cómo será el futuro, ya que los edificios estaban desocupados en ese momento.
La cantidad de datos históricos que necesitas también depende del sistema del edificio, del edificio en sí y de lo que estás intentando lograr, en términos operativos. Un ejemplo de esto es cuando tienes un climatizador de sala de conferencias que necesita datos. Si hay una reunión al día en esa sala de conferencias, probablemente me bastaría con aproximadamente dos semanas de datos. Si la temperatura exterior fuera representativa de una mayor cantidad de horas a una temperatura determinada, esos datos deberían ser suficientes.
Muchas consideraciones sobre los datos históricos dependen de la aplicación, pero los administradores de energía deben mirar seriamente el pasado y cómo los eventos globales podrían haber dado influido en la calidad real de los datos que tienen.
Uso de IA para abordar la gestión de carga y la flexibilidad de la demanda
La industria energética está aprendiendo a aprovechar el aprendizaje automático y la IA para cuestiones clave como la optimización y el dimensionamiento adecuado de la carga en la red y los sistemas. La tecnología de gemelos digitales también juega un papel importante en esto. Un gemelo digital puede ayudar a aumentar la vida útil de los activos eléctricos al detectar fallas en estos sistemas antes de que se conviertan en un problema. La IA puede alimentar este gemelo digital al procesar los grandes conjuntos de datos necesarios para crear gemelos de dichos activos.
Otra tecnología que puede entrar en juego para la distribución energética es una oferta dentro de la plataforma Siemens Xcelerator: Electrification X. Esta oferta, basada en servicios en la nube, está diseñada para administrar, optimizar y automatizar la infraestructura de electrificación al proporcionar una visión integral de las subestaciones y otros activos. Una función de Electrification X, denominada "Gestión de activos de Electrification X", utiliza el análisis de datos de sensores para permitir a los propietarios y operadores de activos aumentar el tiempo de actividad y la confiabilidad, reducir los gastos operativos y reforzar la ciberseguridad.
Siemens tiene otra oferta llamada Gridscale X que proporciona software modular fácil de implementar para la administración de redes de extremo a extremo 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 IA para descubrir recursos energéticos distribuidos (DER) detrás del medidor 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. Además, es valioso porque ayuda a los clientes a optimizar las operaciones de DER, comprender el rendimiento y la salud de DER, y maximizar la resiliencia del negocio y de la red.
Mantenerse a la vanguardia de las principales tendencias de IA
Los gerentes del sector deben estar atentos a las regulaciones sobre IA que se están preparando en Estados Unidos y a nivel mundial, ya que sin duda influirán en el desarrollo futuro de la IA. Esto significa que lo que estamos haciendo ahora con AI cambiará. También necesitamos estar al tanto de las nuevas capacidades y tecnologías de IA a medida que se conecten. Los gerentes del sector necesitan aprender rápidamente cómo estos nuevos elementos pueden aplicarse a las operaciones de construcción y energía para que su valor pueda marcar la diferencia para las empresas y para los clientes.
En última instancia, todos debemos tener una mente abierta sobre lo que la IA puede hacer. Aceptemos los cambios que se avecinan y reafirmemos el papel humano en la IA. Podemos ser cautelosos, pero no debemos tener miedo. Todos pueden apoyarse en la IA y aprender todo lo que puedan al respecto e intentar hacer crecer su negocio: Debemos usarla donde agregue valor, mejore las operaciones y beneficie a los clientes.
Publicado: 30 de diciembre de 2025