El equipo de Vigilancia Estratégica hace parte del proceso de Gestión de Información de la Biblioteca EPM. Su labor consiste en rastrear, recuperar y analizar información utilizada en la elaboración de productos que apoyen la identi cación y anticipación de oportunidades o riesgos en el sector de servicios públicos. Estos productos también contribuyen a mejorar la formulación y ejecución de la estrategia organizacional, así como a acompañar la toma de decisiones en diferentes fases de la planeación empresarial, tanto a nivel táctico como estratégico.
El informe IRO es un documento desarrollado para contribuir a los objetivos de negocio del Grupo EPM y promover la innovación en el sector de servicios públicos y en la ciudad, para esto consolida información relevante, sobre temas clave y de tendencia. En su cuarta edición, se enfoca en la Inteligencia arti cial: una visión general de su implementación en el sector de los servicios públicos.
Se destaca, que este documento es diferente a un trabajo de investigación, su estructura tampoco responde a la de un artículo o reporte, se usa el formato de un informe de Vigilancia Estratégica e Inteligencia Competitiva (VT/IC) en el cual se realiza una recopilación, análisis y consolidación de datos e información de fuentes con ables, tales como universidades, grupos de investigación, empresas consultoras, agremiaciones y organizaciones que trabajan en el desarrollo de temáticas relacionadas, en este caso, con la gestión e implementación de la Inteligencia Arti cial en el sector de los servicios públicos.
intro
subsector mencionado, incluyendo tendencias emergentes, actores claves en la industria, casos de uso destacados, así como desafíos especí cos y las soluciones asociadas. También se exponen los riesgos y oportunidades asociados con el desarrollo y la implementación de esta tecnología, proporcionando un panorama general del alcance que ha tenido la IA en la mejora de infraestructuras y en la adaptación a las necesidades cambiantes de la sociedad moderna.
Palabras clave
Inteligencia Arti cial (IA), Sector de servicios públicos, Aplicaciones de IA, Sostenibilidad empresarial, Sector energético, Suministro de agua y saneamiento, Gestión de Residuos, Industria del Gas.
Key words
Arti cial Intelligence (AI), Utilities Sector, AI Applications, Business Sustainability, Energy Sector, Water Supply and Sanitation, Waste Management, Gas Industry.
Resumen
Siglas
AI
AI/IA
Arti cial Intelligence / Inteligencia Arti cial
Agua no registrada
High-Level Expert Group on Arti cial Intelligence
Adaptative Neuro-Fuzzy Inference System / Sistema adaptativo de inferencia Neuro - difusa
ANN/RNA
Arti cial Neural Network / Red neuronal arti cial
Application Programming Interface / Interfaz de programación de aplicaciones
AR/VR/RA
Tecnología de realidad aumentada y virtual Banco Interamericano de Desarrollo
Bayesian Networks / Redes Bayesianas
Compound Annual Growth Rate / Tasa de
Crecimiento Anual Compuesta
Compañía de aguas de Joinville
Condensate Polishing Plants / Plantas de pulido de condensado
Computer Vision
District Metered Area / Área medida del distrito
Decision Tree / arból de decisión
Empresa de acueducto y alcantarillado de Bogotá
Evolutionary Computation / Computación evolutiva
Responsabilidad Extendida del Productor
Energías Renovables No Convencionales
Expert System / Sistema experto
Environmental, Social and Governance
Fondo Multilateral de Inversiones
Fuzzy logic / Lógica difusa
Flow monitoring zones / zonas de monitoreo de ujo
Genetic Algorithms / Algoritmos Genéticos
Generative Arti cial Intelligence / Inteligencia arti cial generativa
Generalized Linear Model / Modelo lineal
generalizado
Gas Natural Líquido
General Packet Radio Service / Servicio general de paquetes vía radio
Unidad de Procesamiento de Gráficos
Guaya Water Incorporated
Hydraulic Network Risk Tool
Siglas
ROI
RSU
SAAEP
SaaS
International Energy Agency / Agencia Internacional de la Energía
Internet of Things / Internet de las cosas
K-Nearest Neightbors / K-vecinos más cercanos
Large language models / Modelos de lenguaje grande
Long Term Evolution / Evolución a Largo Plazo
Machine Learning/ Aprendizaje Automático
Material Recovery Facility / Planta de Recuperación de residuos
Natural language processing / Procesamiento del Lenguaje Natural
Objetivos de desarrollo sostenible
Organización de Naciones Unidas
Obras Sanitarias del Estado
Producto Interno Bruto
Pressure management areas / áreas de manejo de presión
Residuos de Aparato Eléctricos y Electrónicos
Rojo-Ámbar-Verde
Return on Investment
Residuos Sólidos Urbanos
Servicio Autónomo de Agua y Saneamiento de Parauapebas
Software as a servive / Software como servicio
Servicio de Agua y Drenaje de Monterrey
Synthetic Aperture Radar / Radar de Apertura
Sintética
Supervisory Control and Data Acquisition / Supervisión, control y adquisición de datos
SDSR
UE
Solution Delivery System Remote / Sistema de entrega de soluciones remoto
Servicio de Agua Potable y Alcantarillado de Lima
Smart Relay / Relé Inteligente
Support Vector Machine / Máquina de Vectores de Soporte
Smart Water Management Platform / Plataforma de gestion inteligente del agua
Smart Water Infrastructure / Infraestructura
Hídrica Inteligente
Unión Europea
Generalidades de la Inteligencia
Arti cial (IA)
•Marcos Regulatorios de la IA
Capítulo 1. Inteligencia Arti cial en Sostenibilidad en el sector Servicios Públicos
•Ideas clave
•Generalidades
•Tendencias y aplicaciones
•Sector en cifras: Análisis de mercado Internacional y nacional
•Proveedores
•Referentes o Casos de estudio
•Oportunidades y riesgos
Capítulo 2. La Convergencia de la IA y la Energía, Impulsando la Industria Energética del Futuro
•Ideas clave
•Generalidades de la IA en Energía
•Tendencias y aplicaciones
•Sector en cifras: Mercado Internacional y nacional
•Proveedores: Soluciones y/o Proyectos
•Referentes o Casos de estudio
•Oportunidades y riesgos
Página 009 a la 025
Página 026 a la 049
Contenido
Página 050 a la 078
Capítulo 3. Inteligencia Arti cial en el sector de Agua y saneamiento
•Ideas clave
•Generalidades
•Tendencias – Aplicaciones en Inteligencia Arti cial en el sector del agua
•Aplicaciones de la IA en el abastecimiento y saneamiento
•Sector en cifras: Mercado Internacional y nacional
•Proveedores globales
•Referentes o Casos de estudio
•Oportunidades y riesgos
Capítulo 4. IA en el Sector de
Página 079 a la 096
•Tendencias – Aplicaciones: Avances en IA para el sector del
•Sector en cifras: Datos y proyecciones generales del mercado del sector de residuos
•Proveedores clave de IA en el sector de residuos: soluciones, proyectos y casos de estudio
•Oportunidades y Riesgos
Capítulo 5. Inteligencia Arti cial en el sector de Gas e hidrógeno
•Ideas clave
•Generalidades
•Tendencias – aplicaciones
•Nuevas áreas de negocio o servicios en el sector
•Sector en cifras: Análisis de mercado Internacional y nacional
•Proveedores
•Startup
•Referentes o Casos de estudio
•Hidrógeno Gas
•Oportunidades y riesgos
Página 097 a la 119
Contenido
Página 120 a la 144
Generalidades
Viannet Marcela Montoya Calle
Leidy Selene Alzate Acosta
Para dar un contexto general del tema, es importante iniciar por una de nición precisa de Inteligencia Arti cial (IA), en este sentido se toma como referencia la de nición propuesta por el Grupo de Expertos de Alto Nivel sobre IA - High-Level Expert Group On Arti cial Intelligence (AI HLEG por sus siglas en inglés) establecido por la Comisión Europea en 2018, este grupo tiene la misión de asesorar y ofrecer recomendaciones sobre la estrategia de IA de la Unión Europea. Su objetivo es garantizar que el avance y la aplicación de la IA en Europa se lleven a cabo de forma ética y segura para la sociedad, promoviendo la con anza en la tecnología y propiciando un ambiente favorable para la innovación (AI HLEG, 2019).
Bajo esta premisa el AI HLEG (2019), propone adoptar la siguiente de nición actualizada de IA:
Los sistemas de IA son sistemas de software (y posiblemente también de hardware) diseñados por humanos que, dado un objetivo complejo, actúan en la dimensión física o digital al percibir su entorno mediante la adquisición de datos, interpretar los datos estructurados o no estructurados recopilados, razonar sobre el conocimiento o procesar la información derivada de estos datos, y decidir las mejores acciones a tomar para alcanzar el objetivo dado. Los sistemas de IA pueden usar reglas simbólicas o aprender un modelo numérico, y también pueden adaptar su comportamiento analizando cómo el entorno se ve afectado por sus acciones anteriores
Como disciplina cientí ca, la IA incluye varios
enfoques y técnicas, tales como el aprendizaje automático (de los cuales el aprendizaje profundo y el aprendizaje por refuerzo son ejemplos especícos), el razonamiento automático (que incluye la plani cación, programación, representación y razonamiento del conocimiento, búsqueda y optimización), y la robótica (que incluye el control, percepción, sensores y actuadores, así como la integración de todas las demás técnicas en sistemas ciberfísicos). (p.6).
Ahora bien, aunque existe una de nición general de IA, no hay consenso sobre qué desarrollos informáticos pueden considerarse inteligentes, ni una clasi cación clara de las diferentes IA actuales o futuras. Un aspecto clave de la IA, es su necesidad de ser entrenada para tomar decisiones acertadas, lo que requiere datos de entrada y métodos de aprendizaje avanzados. Estas técnicas interrelacionadas permiten que la IA, de manera autónoma, distinga entre resultados correctos e incorrectos.
Entre las más utilizadas se encuentran el Machine Learning, que posibilita a los sistemas adquirir conocimientos y perfeccionarse a partir de la información sin la necesidad de intervención humana directa; el Deep Learning, que emplea redes neuronales profundas para procesar grandes volúmenes de información con alta precisión; y las Redes Neuronales, que imitan el funcionamiento del cerebro humano para reconocer patrones y tomar decisiones (Ramos y Vicente, 2023).
Evolución de la IA
La IA es una de las tecnologías más innovadoras de la historia reciente. Esta tecnología está preparada para transformar la humanidad, las sociedades, las industrias, la política, los mercados y las economías locales, nacionales y globales, mediante la transformación de la forma en que las personas perciben e interactúan con los mundos físico y digital; y la transformación de las experiencias, creencias y elecciones humanas. El enorme potencial de la IA ha creado un fuerte desafío competitivo para gobiernos, empresas e individuos (Andeobu et al., 2022).
La IA, tanto el término como concepto, se originaron en 1955, cuando el matemático John McCarthy la ideó, describiéndola más tarde como la “ciencia e ingeniería de desarrollar máquinas inteligentes, especialmente programas informáticos inteligentes” (Centeno y Rubio, 2023).
Durante más de medio siglo, la IA fue ganando visibilidad de forma recurrente a través de la literatura, del cine y ciertos modelos de negocio digitales que teóricamente se basaban en ella. Para la década de 2010, comenzó a tomar mayor relevancia, gracias a ciertos desarrollos informáticos, su creciente proyección aumento con el inicio de debates prelegislativos y la creación de normas especí cas sobre el uso de algunas IA en contextos concretos, encabezados por la aparición de los primeros vehículos autónomos. A partir de estos desarrollos, la IA dejo de ser un tema exclusivo de laboratorios universitarios y de empresas tecnológicas avanzadas, para empezar a difundirse ampliamente en otros sectores.
De esta manera, la gura 1 presenta la trayectoria histórica del avance de la IA desde la década de 1940 hasta la actualidad:
El matemático Alan Turing utilizó su dispositivo llamado Bombe para descifrar la máquina Enigma, lo que permitió a los países Aliados interpretar las comunicaciones alemanas durante la Segunda Guerra Mundial.
En 1950, Turing propone un test para determinar si una máquina puede contar con un comportamiento inteligente comparable al de un ser humano. Cinco años después, en 1955, John McCarthy, conocido como el Padre de la IA, acuña el término "Inteligencia Arti cial", lo que impulsa la investigación en este campo.
En 1961, el inventor George Devol creó el primer robot industrial, llamado Unimate, que fue empleado por General Motors para realizar tareas en la cadena de montaje, como soldadura y traslado de materiales. Tres años después, en 1964, el ingeniero Joseph Weizenbaum diseñó el primer programa de chatbot, conocido como ELIZA. Posteriormente, en 1969, el Centro de Inteligencia Arti cial de SRI International desarrolló a Shakey, el primer robot móvil de propósito general con la capacidad de interpretar y analizar su entorno.
Durante la década de 1970, la investigación en IA enfrenta obstáculos, como la disminución del respaldo por parte del gobierno de Estados Unidos. Sin embargo, un grupo de investigadores de la Universidad de Waseda en Japón logra desarrollar a WABOT-1, el primer robot capaz de mover sus extremidades, observar su entorno y mantener conversaciones.
Década de los años 80
Década de los años 90
Década de los años 2000
Década de los años 2010
Década de los años
2020
En 1986, Mercedes-Benz introduce una furgoneta sin conductor que cuenta con cámaras y sensores, marcando un avance signi cativo en la tecnología de vehículos autónomos. Dos años más tarde, en 1988, el informático Rollo Carpenter elabora un chatbot denominado Jabberwacky, concebido para replicar conversaciones humanas de manera natural.
En 1995, se presenta el chatbot ALICE, que interactúa en conversaciones más uidas con los usuarios. En 1997, DeepBlue de IBM vence a el campeón mundial de ajedrez, Garry Kasparov, en una emblemática partida que deja en evidencia la capacidad estratégica de la inteligencia arti cial.
En 2002, la compañía iRobot lanza el Roomba, una aspiradora autónoma que emplea sensores para orientarse y esquivar obstáculos. Seis años después, en 2008, Apple presenta características de reconocimiento de voz en el iPhone, marcando el inicio de las interacciones de IA basadas en la voz, y posteriormente incorpora a Siri como asistente virtual.
En 2011, Watson de IBM se convierte en ganador en el concurso televisivo estadounidense Jeopardy, demostrando su habilidad para responder preguntas en lenguaje natural y evolucionando hacia un sistema de aprendizaje automático adaptable. Tres años más tarde, en 2014, Amazon lanza a Alexa, un asistente virtual que permite a los usuarios interactuar con dispositivos mediante comandos de voz.
En 2017, Amper Music se establece como el primer compositor musical de IA, colaborando con músicos humanos para crear piezas musicales. Tres años después, en 2020, la compañía OpenAI presenta su chatbot GPT-3, una herramienta para facilitar conversaciones automatizadas; este sistema emplea procesamiento de lenguaje natural y aprendizaje profundo para generar texto que imita el lenguaje humano, mejorando así las capacidades lingüísticas impulsadas por la inteligencia arti cial.
Figura 1. Trayectoria histórica de la IA. Recuperado de: (Association of College and University Educators [ACUE], s.f.)
como textos, imágenes o vídeos. Este avance tecnológico coincidió con los esfuerzos legislativos de la Unión Europea para aprobar la primera normativa especí ca sobre la IA, re ejando la creciente necesidad de establecer un marco legal para su uso.
Actualmente, la IA se aplica en cuatro campos, clasi cados según el nivel de intervención humana y el tipo de sistemas utilizados, áreas de actuación
primer semestre de 2024 por la Organización Internacional del Trabajo (OIT) y el Banco Mundial, que resaltó el impacto de la inteligencia arti cial generativa (GenAI) en el mercado laboral de América Latina y el Caribe. Según el estudio, entre el 26% y el 38% de los trabajos podrían verse impactados, con un 2% a 5% potencialmente automatizados por completo. Sin embargo, entre el 8% y el 14% de los empleos podrían experimentar un incremento en su productividad sin necesidad de una automatización total (Iglesias et al., 2020).
Sistemas programados/ especí cos
Con intervención humana
Inteligencia Asistida
Sistemas de IA que asisten a los humanos en la toma de medidas/decisiones. Sistemas preprogramados que no aprenden de sus interacciones.
Sin intervención humana
Automatización
Automatización de tareas manuales y cognitivas, rutinarias y no rutinarias. No implica nuevas formas de hacer las cosas sino que se automatizan tareas existentes.
Sistemas adaptados
Inteligencia Aumentada
Sistemas de IA que mejoran el proceso de toma de decisiones y aprenden constantemente de las interacciones con los humanos y el ambiente
Inteligencia Autónoma
Sistemas de IA que pueden adaptarse a diferentes situaciones y funcionar de forma autónoma sin asistencia humana.
Figura 2. Campos de la IA. Fuente. (Iglesias et al., 2020)
Mundo: Pais de ingreso alto*
Costa Rica
Uruguay
Brasil
Chile
República
Dominicana
Montserrat
México
Colombia
Suriname
Guatemala
Belize
El Salvador
Peru
Panamá
Grenada
Honduras
Guyana
Nicaragua
Bolivia
Ecuador
Barbados
43% (260.49 Millones de empleos)
38% (0.84 Millones de empleos)
37% (0.6 Millones de empleos)
37% (37.02 Millones de empleos)
37% (3.29 Millones de empleos)
36% (1.8 Millones de empleos)
35% (0 Millones de empleos)
35% (20.48 Millones de empleos)
35% (8.24 Millones de empleos)
33% (0.08 Millones de empleos)
31% (2.27 Millones de empleos)
31% (0.05 Millones de empleos)
31% (0.87 Millones de empleos)
31% (5.54 Millones de empleos)
31% (0.6 Millones de empleos)
31% (0.01 Millones de empleos)
29% (1.28 Millones de empleos)
29% (0.08 Millones de empleos)
28% (0.87 Millones de empleos)
27% (1.59 Millones de empleos)
27% ( 2.28 Millones de empleos)
26% (0.03 Millones de empleos)
Proporción del empleo total (%)
Potencial de automatización
Potencial de acrecentamiento
El estudio también analiza el impacto por países, indica por ejemplo que, en Colombia el 35% de los empleos podrían verse afectados, lo que equivale a 8.24 millones de empleos ( gura 3). Se espera que la tecnología transforme los puestos de trabajo en lugar de automatizarlos por completo, lo que impacta principalmente a empleos formales en áreas urbanas ocupados por trabajadores con
La Gran incógnita
mayores niveles de educación e ingresos. En términos generales, el informe concluye que la GenAI tiene el potencial de transformar el empleo en América Latina y el Caribe, pero su impacto dependerá de la superación de las brechas digitales y de la adopción de políticas adecuadas para aprovechar sus ventajas y mitigar sus riesgos (Banco Mundial, 2024).
Figura 3. Exposición total a la GenAI por país. (Iglesias et al., 2020)
Además, la cuarta revolución industrial y, en particular, la IA, tienen el potencial de impulsar signicativamente el crecimiento económico y abordar problemas sociales estructurales como el cambio climático, la desigualdad y la corrupción. Se estima que el impacto de la IA podría aumentar el PIB de Colombia en un 6,8% en los próximos 10 años. Además, se identi có que el mercado de software de IA en América Latina generó ingresos
de aproximadamente 1.340 millones de dólares en 2021. No obstante, la IA también conlleva riesgos como, la propagación de desinformación, la perpetuación de sesgos y discriminación, así como problemas de seguridad y afectaciones a la privacidad. Por lo tanto, se presenta una necesidad urgente de garantizar una implementación ética y conable de la IA en el mundo y en Colombia (Guío et al., 2021).
El papel de la IA en el sector de las utilities
La industria de servicios públicos se encuentra en un punto de in exión. Los modelos tradicionales, que estaban respaldados por una regulación rigurosa y se basaban en riesgos bajos, retornos seguros, ciclos de inversión prolongados, y sobre todo previsibilidad, están quedando rápidamente obsoletos. En su lugar, emergen modelos más complejos y menos regulados, impulsados por precios en tiempo real y tecnologías avanzadas; además, caracterizados por la descarbonización, descentralización, digitalización y la integración continua entre sectores. Este nuevo entorno se caracteriza por ser más ágil, con una alta dependencia de datos y tecnología. En este contexto, la oferta y la demanda se gestionarán de manera autónoma a través de softwares inteligentes que optimizan operaciones y la toma de decisiones. En este sentido, para mantenerse competitivas, las empresas de servicios públicos deberán desarrollar estas tecnologías internamente (Roland Berger, 2018).
La IA permitirá nuevos modelos de negocio
La IA ofrecerá la capacidad de desarrollar una competitividad borde
Varios procesos a lo largo de la cadena de valor cambiarán completamente o será reemplazado por la IA
Los procesos individuales a lo largo de la cadena de valor cambiarán completamente o será reemplazado por la IA
Gran parte de las empresas prestadoras de servicios públicos creen que la IA tendrá un gran impacto en sus negocios ( gura 4), pero aún deben integrarla en sus planes principales.
Los servicios públicos comprenden un conjunto de actividades y funciones gestionadas por el Estado oentidades gubernamentales, con el objetivo de satisfacer las necesidades básicas de las personas y mejorar su calidad de vida. Estos servicios abarcan áreas diversas como salud, educación, seguridad, transporte, agua potable y energía, entre otros. Su relevancia se debe a que constituyen la base fundamental para el funcionamiento e ciente de una sociedad (Ríos y Munguía, 2024).
Además de cubrir necesidades diarias y asegurar el bienestar inmediato de los ciudadanos, los servicios públicos tienen un impacto signi cativo y duradero en las oportunidades de desarrollo futuro.
En la actualidad, el sector de las empresas prestadoras de servicios públicos, conocidas también como utilities, está experimentando una transformación sin precedentes con la incorporación de la IA. Esta tecnología innovadora ha abierto nuevas posibilidades para optimizar la e ciencia en los procesos, disminuir costos y mejorar la personalización y satisfacción en el servicio.
Figura 4. Impacto en la creación de valor de empresas públicas (Roland Berger Gmbh, 2018).
La IA generativa (GenAI) promete abordar muchos de estos desafíos y ya está comenzando a integrarse en el sector de los servicios públicos. Este sector ha estado utilizando diversas formas de IA durante casi una década y continuará haciéndolo. La IA computacional, que desarrolla algoritmos capaces de adquirir conocimiento a partir de la información, y el aprendizaje automático, que se centra en la detección de patrones y estructuras en la información para facilitar la adquisición de conocimientos, son ampliamente utilizados para el mantenimiento predictivo y otras operaciones
Marcos Regulatorios de la IA
Los aspectos normativos del uso de IA resultan ser un asunto desa ante debido a la indispensable participación y colaboración de enfoques de diversas disciplinas y de intereses económicos, de distintas organizaciones y gobiernos.
Si bien las organizaciones buscan regulaciones más exibles, los gobiernos deben considerar el impacto generalizado de la IA en todos los sectores económicos, razón por la cual cabe resaltar que uno de los aspectos más importantes en esta materia, es la gestión de los datos, ya que estos son la base para el desarrollo de sistemas inteligentes; por tanto en este aspecto es importante delimitar que datos pueden utilizarse, asegurar el consentimiento para su uso y considerar el poder que se otorga a las grandes corporaciones, ya que el control de altos volúmenes de datos puede incidir en su posición en el mercado, y es justamente en este punto, donde se llega a la disyuntiva de si los datos de estas compañías privadas deberían compartirse con entidades públicas para equilibrar las oportunidades en la investigación y desarrollo de sistemas inteligentes (Iglesias et al., 2020).
El año 2023 y lo transcurrido del 2024 serán reconocidos como la etapa en la que se buscó rmemente regular la IA a nivel global. En particular, ha sido un período en el que el marco jurídico intentó mantenerse a la par con el avance de esta tecnología, y cuyos momentos más destacados pueden visualizarse en la gura 5:
dentro de la industria de servicios públicos (Engelhardt et al., s.f.)
La IA está modi cando los procesos tradicionales al ofrecer soluciones nuevas que bene cian tanto a las empresas como a sus usuarios. Entre las mejoras destacadas se encuentran la automatización de tareas repetitivas, así como la implementación de análisis predictivo y segmentación, lo que les permite a las utilities una gestión más e caz y personalizada de sus usuarios.
272023
ONU
Lanzó el cuerpo asesor en materia de AI conformado por 38 expertos internacionales
OCDE
Publicó el reporte sobre la implementación de los principios éticos de la IA luego de 4 años de su expedición
G7
Acordó un código de conducta para organizaciones que desarrollan sistemas avanzados de IA
Cumbre de la IA en el R.U.
Publicó la declaración de Bletchley sobre IA.
OCDE
Actualización del concepto de sistemas de IA
Propuesta de reglamento de la IA en la UE
Acuerdo político entre la Comisión, el Consejo y el Parlamento Europeo (Trílogo) sobre el reglamento de la IA
ISO
Actualización de la norma técnica sobre Tecnologías de la Información - Inteligencia Arti cial (ISO/IEC 42001-2023
OCDE
Memorando explicativo sobre la actualización de la de nición de sistemas de IA
Aprobación del texto del reglamento de IA por el Parlamento Europeo Octubre 262023
Propuesta de Reglamento de IA en la UE
5. Hitos de la regulación de la IA 2023-2024. Recuperado de: (Nieto, 2024)
Figura
de la IA
Como componente de su plan digital, la Unión Europea (UE) busca establecer regulaciones para la IA con la nalidad de generar un entorno más favorable para su desarrollo y aplicación. En ese sentido, la Ley de IA de la Unión Europea es la primera regulación integral sobre este campo a nivel mundial. Propuesta por la Comisión Europea en abril de 2021, su propósito es regular la utilización de la IA en la UE de manera que se puedan garantizar condiciones óptimas de desarrollo y uso de esta tecnología.
Uno de los aspectos más relevantes que establece esta normativa es que los sistemas de IA que se puedan emplear en diversas aplicaciones deben ser evaluados y clasi cados según el riesgo que representen para los usuarios; de este modo, los diferentes niveles de riesgo conllevarán una
regulación más o menos estricta. Bajo este enfoque, el Parlamento Europeo busca promover sistemas de IA seguros, transparentes, imparciales y ecológicamente responsables, además, que se ajusten a los valores y principios europeos.
Con esta legislación, la Unión Europea busca posicionarse como pionera en el establecimiento de un marco normativo integral para la IA, que no solo aborde los riesgos vinculados a su utilización, sino que también fomente su desarrollo ético y humanitario.
En lo que respecta al contenido general, esta ley busca alcanzar una regulación adaptable que permita mitigar los riesgos y problemas asociados con la IA, sin entorpecer el avance tecnológico. En la gura 6 se destacan algunos de sus principales componentes:
113 considerados
180 palabras +109.000 anexos
13
artículos
13 títulos
20actos delegados y de ejecución
Esta normativa contempla seis principios éticos fundamentales propuestos por AI HLEG, que, aunque no son vinculantes, están diseñados para fomentar la con abilidad y ética de la IA; si bien estas directrices no tienen fuerza legal, complementan las disposiciones del Reglamento. Los principios, según se presentan en la gura 7, son:
Principios éticos esenciales:
Acción y supervisión humanas
Solidez técnica y seguridad
Bienestar social y ambiental
Rendición de cuentas
Gestión de la privacidad y datos
Transparencia, diversidad, no discriminación y equidad
Figura 7. Principios éticos Ley de IA de la Comisión Europea. Recuperado de: (Ramos et al., 2024)
Figura 6. Cifras de la Ley de IA de la Comisión Europea. (Ramos et al., 2024)
También establece distintas obligaciones para proveedores y usuarios, basadas en una jerarquía de riesgos, entendiendo estos como la combinación de la probabilidad de que se produzca un perjuicio y la gravedad de este ( gura 8).
Riesgo inaceptable
Prohibido
Riesgo elevado
Evaluación de conformidad
Riesgo limitado
Transparencia
Riesgo mínimo
Código de conducta
Los sistemas de IA considerados de riesgo inaceptable, y que representan una amenaza para las personas, serán prohibidos. Entre estos se incluyen: la manipulación cognitiva del comportamiento de individuos o grupos vulnerables, como los juguetes activados por voz que promueven conductas peligrosas en menores de edad; la puntuación social, que clasi ca a las personas según su comportamiento, estatus socioeconómico o características personales; y los sistemas de identi cación biométrica, como el reconocimiento facial (Parlamento Europeo, 2023).
La clasi cación de Sistemas de Alto Riesgo implica un elevado riesgo para la salud, la seguridad olos derechos fundamentales de las personas, lo que requiere el cumplimiento de estrictas obligaciones en cuanto a la gestión de datos, seguridad, supervisión humana, transparencia, registro en la base de datos europea, y la aprobación del test de conformidad y certi cación correspondiente. Los sistemas de IA de alto riesgo serán examinados antes de su lanzamiento al mercado y durante todo su ciclo de vida. Además, los ciudadanos tendrán el derecho de presentar
Puntuación social, reconocimiento facial, IA de patrones oscuros, manipulación
Educación, empleo, justicia, inmigración, derecho
Chatbots, deepfakes, sistemas de reconocimiento de emociones
Filtros de SPAM para videojuegos
Figura 8. Niveles de Riesgo establecidos en el marco regulatorio europeo. Recuperado de: (Centeno y Rubio, 2023)
quejas ante autoridades nacionales designadas en relación con estos sistemas (Parlamento Europeo, 2023).
La Ley, aunque de aplicación generalizada, otorga especial importancia al uso de sistemas de IA por parte de organismos públicos, ya que muchos de los usos considerados de alto riesgo están vinculados a funciones típicamente administrativas, como la administración de justicia, procesos democráticos, migración, asilo, control fronterizo, y servicios públicos esenciales.
En este contexto, las entidades públicas deben cumplir con las obligaciones asociadas a los sistemas de alto riesgo, tanto en su rol de proveedores, cuando desarrollan un sistema de IA para su propio uso, como en su función de responsables del despliegue, cuando contratan estos servicios a un proveedor externo. La Ley también establece que los organismos públicos que empleen sistemas de IA de alto riesgo están obligados a realizar una evaluación de impacto sobre los derechos fundamentales, cuyos detalles y formato serán determinados por la Comisión Europea (Ramos et al., 2024).
Otras disposiciones y herramientas nuevas o complementarias a la mencionada Ley, a nivel de Europa, son recopiladas en el Foro Administración, Gestión y Política Pública y se mencionan a continuación ( gura 9):
Unión Europea
Proyectos normativos:
Texto provisionalmente acordado: “Proposal for a regulation laying down harmonised rules on Arti cial Intelligence (Arti cial Intelligence Act) and amending certain Union legislative acts 2021/0106(COD)” (Feb. 2., 2024)
Herramientas:
La Comisión Europea publicó un breve texto en Castellano que describe los puntos esenciales de la norma: “Las claves de la nueva ley de Inteligencia Arti cial”. Además, también cuenta con una sección de “Preguntas y Respuestas” sobre la norma europea de inteligencia arti cial que también está en Castellano.
«El explorador de la ley de IA» (desarrollado por FLI).
«Veri cador del cumplimiento de la Ley de IA de la UE» (desarrollado por FLI).
Reino Unido
Proyectos normativos:
Documento sometido a consulta pública «A pro-innovation approach to AI regulation» (Mar., 2023).
Reporte de la consulta pública: «A pro-innovation approach to AI regulation: government response» (Feb. 6, 2024)
La nueva normativa es amplia y puede dar lugar a diversas interpretaciones. Las empresas que desarrollen y utilicen sistemas de IA deberán adaptarse a ella, a menudo sin tener una comprensión clara de cómo interpretar y cumplir con las obligaciones establecidas. Comprender cómo interactúa la ley con las normas existentes que se aplican a la IA, como las relativas a la protección de datos, propiedad intelectual y gobernanza de datos, será crucial para las organizaciones.
Regulación América Latina y el mundo
A continuación ( gura 10), se presenta un panorama de la regulación sobre IA a nivel mundial, así como de los proyectos normativos relacionados. Entiéndase, regulación como cualquier acción del Estado que imponga reglas obligatorias, como leyes, decretos o resoluciones. El listado incluye tanto las normativas que tratan la IA de manera integral como aquellas que la mencionan explícitamente sin que sea el foco principal.
Figura 9. Proyectos normativos en Europa. Recuperado de: (Gutiérrez, 2024)
Artgentina
Proyecto de ley, «Marco legal para la regulación del desarrollo y uso de la Inteligencia Arti cial», 2505-D-2023. 2505-D-2023.pdf (hcdn.gob.ar)
Disposición 2/2023, DI-2023-2-APN-SSTI#JGM, aprueba las “Recomendaciones para una IA Fiable”. BOLETIN OFICIAL REPUBLICA ARGENTINA - JEFATURA DE GABINETE DE MINISTROS SUBSECRETARÍA DE TECNOLOGÍAS DE LA INFORMACIÓN - Disposición 2/2023
Proyecto de Ley, «Modi cación ley nacional 25.467». proyecto-de-ley-argentina-1.pdf (forogpp.com)
Anexo I: “Recomendaciones para una IA Fiable”. anexo-i.pdf (forogpp.com)
Ley 25.467 de «Ciencia Tecnología e Innovación» establece principios para el «funcionamiento ético» de sistemas de IA.
Anexo II: «Esquema grá co de las etapas de Proyectos de IA». anexo-ii.pdf (forogpp.com)
Brasil
Projeto de Lei No. 2238 / 2023, «Dispõe sobre o uso da Inteligência Arti cial». documento (senado.leg.br)
Chile
Boletín 15869-19 de la Cámara de Diputados y Diputadas, «Proyecto de ley que regula los sistemas de IA, robótica y tecnologías conexas». boletin-15869-19.pdf (forogpp.com)
Proyecto de Ley de IA presentado por el presidente ante la Cámara el 7 de mayo de 2024. verDoc.aspx (camara.cl)
Costa Rica
Boletín 15869-19 de la Cámara de Diputados y Diputadas, «Proyecto de ley que regula los sistemas de IA, robótica y tecnologías conexas». boletin-15869-19.pdf (forogpp.com)
Proyecto de Ley de IA presentado por el presidente ante la Cámara el 7 de mayo de 2024. verDoc.aspx (camara.cl)
Ecuador
Proyecto de Ley Orgánica de Regulación y Promoción de la IA en Ecuador. pp - proyecto de ley 450889-nuñez.pdf (asambleanacional.gob.ec)
México
Iniciativa de Ley que «Regula el Uso de la IA». ini_sen_gustavo_madero_ley_que_regula_el_uso_de_la_ia.pdf (forogpp.com)
Iniciativa de Ley para la Regulación Ética de la IA y la Robótica.
Panamá
Anteproyecto de Ley No. 014, «Que regula la IA en la República». Se encuentra en etapa preliminar. QUE REGULA LA IA EN LA REPUBLICA . (forogpp.com)
Perú
Ley Nº 31814 del 13 de junio de 2023, «Ley que promueve el uso de la IA en favor del desarrollo económico y social del país». https://busquedas.elperuano.pe/dispositivo/NL/2192926-1
Uruguay
Proyecto de ley, «Sistema que usan la IA. Regulación».
Reportes regionales
Ascess Now (2024). “Radiografía Normativa: ¿Dónde, qué y cómo se está regulando la IA en América Latina?”. Access Now: ¿Cómo se regula la IA en LATAM?
Canadá
«Directive on Automated Decision-Making» (Actualizada a abril 24, 2023).
Directive on Automated Decision-Making- Canada.ca
Estados Unidos
«Executive Order on the Safe, Secure, and Trustworthy Development and Use of AI» (Actualizada a Oct. 30, 2023).
Executive Order on the Safe, Secure, and Trustworthy Development and Use of Arti cial Intelligence | The White House
China
«Medidas provisionales para la gestión de servicios de IA generativa» (Actualizada Jul. 13, 2023). www.cac.gov.cn
Artículo por Mat Seehan, «China’s AI Regulations and How They Get Made» (Jul. 10, 2023). China’s AI Regulations and How They Get Made
Artículo por Angela Huyue Zhang, «The Promise and Perils of China’s Regulation of AI» (Feb. 12, 2024). https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4708676
Figura 10. Proyectos normativos América Latina y el mundo. Recuperado de: (Gutiérrez, 2024)
Regulación en Colombia
En el país los avances legislativos han sido limitados hasta ahora. De los proyectos en discusión, seis se encuentran en el primer debate y solo uno ha avanzado al segundo debate. Los proyectos son los siguientes (tabla 1):
Proyecto
Proyecto de Ley 059 / 2023
Senado
Proyecto de Ley 091 / 2023
Senado
Proyecto de Ley 130 / 2023
Senado
Proyecto de Ley 225 / 2024
Senado
Proyecto de Ley 447 / 2024
Cámara
CONPES 3975 de 2019
Decreto 1078 de 2015
Decreto 403 de 2020
Descripción
"Por medio de la cual se establecen los lineamientos de política pública para el desarrollo, uso e implementación de IA y se dictan otras disposiciones."
"Mediante el cual se establece el deber de información para el uso responsable de la IA en Colombia y se dictan otras disposiciones."
"Por medio de la cual se crea la armonización de la IA con el derecho al trabajo de las personas."
"Por medio del cual se modi ca y establece un agravante al artículo 296 de la Ley 599 del 2000, Código Penal Colombiano."
"Por medio de la cual se dictan disposiciones para el suministro, intercambio y aprovechamiento de la infraestructura de datos del Estado colombiano (IDEC) y la interoperabilidad de los sistemas de información de las entidades públicas."
"Política Nacional para la Transformación Digital y la Inteligencia Arti cial." Esta política plantea “fortalecer las competencias del talento humano para enfrentar la Cuarta Revolución Industrial (4RI) con el n asegurar el recurso humano requerido”. Además, busca “favorecer el desarrollo de competencias digitales”, “potenciar la interacción de la comunidad con las tecnologías emergentes” y “generar apropiación de la cultura innovadora para incentivar el desarrollo social y económico” (pp. 39-48).
"Por medio del cual se expide el Decreto Único Reglamentario del Sector de Tecnologías de la Información y las Comunicaciones."
"Por el cual se dictan normas para la correcta implementación del Acto Legislativo 04 de 2019 y el fortalecimiento del control scal."
Tabla 1. Proyectos normativos en Colombia. Recuperado de: (Gutiérrez, 2024)
Aunque en Colombia existen normas jurídicas de menor rango que facilitan y promueven el uso de la IA especialmente en la operación y prestación de servicios por parte de entidades públicas, no hay una regulación legal especí ca para esta. La política pública más relevante es la de transformación digital e inteligencia arti cial, establecida en el Documento Conpes 3975 de 2019. En el sector privado, las principales regulaciones son emitidas por la Superintendencia Financiera y la Superintendencia de Industria y Comercio, y se centran en los usos y aplicaciones desarrolladas por las personas bajo su inspección, control y vigilancia (Nieto, 2024).
De este modo, el uso continuo de la IA en nuestro país ha motivado la propuesta de iniciativas destinadas a establecer códigos éticos y marcos jurídicos generales, así como especí cos para ciertas aplicaciones y casos de uso. La discusión se centra en los diferentes modelos de regulación posibles, que abarcan desde la autorregulación y los códigos de conducta hasta marcos legales más estrictos. En cuanto a las soluciones legislativas, hay diversas opciones que pueden basarse en directrices éticas, en la protección de derechos humanos, en la evaluación de niveles de riesgo o en consideraciones de mercado. Estos modelos de
regulación no suelen ser aplicados en su forma pura, sino que tienden a combinarse, aunque con la predominancia de uno de ellos (Nieto, 2024).
La legislación sobre IA en Colombia avanza de manera gradual. Durante el período legislativo de 2024, se discutirán varios proyectos de ley orientados a su regulación. De nir regulación especí ca sobre la IA es crucial para establecer el alcance de la normativa y determinar quiénes deberán cumplirla. Aunque los proyectos de ley en Colombia se basan en de niciones de fuentes internacionales, esta tarea es compleja debido a la rápida evolución y la naturaleza técnica de esta tecnología (Nieto, 2024).
El reducido número de propuestas legislativas sobre IA y sus aspectos, presentadas en las legislaturas anteriores di ere con el elevado número de proyectos y regulaciones en desarrollo en la actualidad. Esta disparidad re eja un cambio signi cativo en el enfoque legislativo hacia la IA, en consonancia con una tendencia global más amplia. A nivel internacional, se observa un auge en la actividad relacionada con la inteligencia arti cial, impulsado por el creciente interés en sus aplicaciones y el reconocimiento de su impacto potencial en diversos sectores.
Referencias
Andeobu, L., Wibowo, S. y Grandhi, S. (2022). Arti cial intelligence applications for sustainable solid waste management practices in Australia: A systematic review. Science of The Total Environment, 834, 155389. https://doi.org/http://dx.doi.org/10.1016/j.scitotenv.2022.155389
Association of College and University Educators. (s.f). History of Arti cial Intelligence. Recuperado el 08 de agosto de 2024. https://acue.org/wp-content/uploads/2024/01/ACUE_AI_Timeline.pdf
Banco Mundial. (2024). La IA generativa y los empleos en América Latina y el Caribe: ¿La brecha digital es un amortiguador o un cuello de botella?. Banco Mundial. https://www.bancomundial.org/es/topic/poverty/publication/generative-ai-and-jobs-in-l ac
Centeno, S. y Rubio, R. (2023). Aspectos regulatorios (IA Act). Visión europea sobre la inteligencia arti cial (aspectos ético jurídicos y comerciales). Pérez-Llorca. https://www.perezllorca.com/wp-content/uploads/2023/11/techlaw-inteligencia-arti ca l-que-es-y-como-se-regula.pdf
CONPES 3975 de 2019. Política Nacional para la Transformación Digital y la Inteligencia Arti cial. 8 de noviembre de 2019. https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/3975.pdf
Engelhardt, S., McClelland, J. y Collett, S.(s.f.). What Generative AI Can Do for Utilities. SAP. Recuperado el xx de julio de 2024. https://www.sap.com/mena/insights/viewpoints/what-generative-ai-can-do-for-utilities .html
Guío, A., Tamayo, E. y Gómez, P. (2021). Marco ético para la inteligencia arti cial en Colombia. Departamento Administrativo de la Presidencia de la República. https://minciencias.gov.co/sites/default/ les/marco-etico-ia-colombia-2021.pdf
Gutiérrez, J. (24 de julio de 2024). Regulación sobre IA. Foro Administración, Gestión y Política Pública. https://forogpp.com/inteligencia-arti cial/regulacion-sobre-ia/
High-Level Expert Group on Arti cial Intelligence. (2019). A de nition of AI: Main capabilities and scienti c disciplines. European Commission https://www.aepd.es/sites/default/ les/2019-12/ai-de nition.pdf
Iglesias, E., García, A., Puig, P. y Benzaqué, I. (2020). Inteligencia arti cial Gran oportunidad del siglo XXI: documento de re exión y propuesta de actuación. Banco Interamericano de Desarrollo. http://dx.doi.org/10.18235/0003037
Nieto, L. (27 de marzo de 2024). Así van los proyectos de ley sobre inteligencia arti cial en Colombia en la legislatura 2023-2024. Ámbito Jurídico. https://www.ambitojuridico.com/noticias/analisis/tic/asi-van-los-proyectos-de-ley-sobr e-inteligencia-arti cial-en-colombia-en-la
Parlamento Europeo. (2023). Ley de IA de la UE: primera normativa sobre inteligencia arti cial. Parlamento Europeo. https://www.europarl.europa.eu/pdfs/news/expert/2023/6/story/20230601STO93804/2 0230601STO93804_es.pdf
Referencias
Ramos, A. y Vicente, R. (2023). ¿Qué es realmente la IA? Tipos, clasi caciones y glosario (Deep learning, machine learning, algoritmo, etc.). Pérez-Llorca.
https://www.perezllorca.com/wp-content/uploads/2023/11/techlaw-inteligencia-arti ca l-que-es-y-como-se-regula.pdf
Ramos, A., Rubio, R., Mesquita, A., Ribeiro, F. y Iglesias, I. (2024). La primera regulación de la Inteligencia Arti cial ya está aquí. Aspectos clave. Pérez-Llorca.
Ríos, G. y Munguía, J. (29 de julio de 2024). La IA generativa en los servicios públicos para impulsar las oportunidades de desarrollo de las personas. Programa de las Naciones Unidas para el Desarrollo.
Inteligencia Arti cial, habilitadora o inhibidora de la Sostenibilidad en los Servicios Públicos
David Flórez Bohórquez
María del Mar Castro Yepes IRO
Ideas Clave
La importancia de la Inteligencia Arti cial (IA) en el área de la sostenibilidad estará en fomentar de manera e caz la gobernanza ambiental, que se de ne como, el conjunto de procesos, normas y reglas, ya sean formales o informales, mediante los cuales se decide y regula la toma de decisiones de las comunidades con relación a los recursos naturales. De esta forma la IA toma un nivel más elevado, en comparación a la capacidad que pueda tener para disminuir el consumo de energía, agua y otros recursos (Nishant et al., 2020).
La literatura sobre la IA para la sostenibilidad se extiende a través de muchas disciplinas y dominios y aborda también los aspectos ambientales. Por tanto, la biodiversidad, el agua, la energía y el transporte se han consolidado como áreas amplias de investigación para la IA.
Generalidades de IA en la sostenibilidad
La IA se ha convertido en una aliada clave para impulsar la sostenibilidad, ya que permite diseñar, ejecutar y plani car el futuro tanto del entorno natural como industrial de manera más e ciente. Contribuye a optimizar el uso de los recursos, promoviendo su gestión sostenible, y ayuda a reducir y manejar de manera más efectiva los residuos que generamos. Además, su versatilidad abarca muchos otros aspectos que potencian un desarrollo más equilibrado y responsable.
De forma general, las tecnologías de IA traen consigo bene cios entre los cuales se encuentran la automatización de tareas importantes que se acompañan de actividades repetitivas y que demandan tiempo, al implementarla permite al personal trabajar en actividades de mayor exigencia. Por otro lado, las tecnologías de la información con el paso del tiempo han permitido el acceso a cantidades masivas de datos no estructurados que, para su gestión y aprovechamiento, demandarían mayor esfuerzo y tiempo, situación que se ve
mitigada con la implementación de la IA ya que facilita el acceso a esta información compilada y concreta como por ejemplo en videos, informes escritos, documentos empresariales, correos electrónicos e incluso redes sociales, los cuales se han transformado en el insumo principal para la toma de decisiones de forma rápida y oportuna (Nishant et al., 2020).
Según Vinuesa et al. (2020), la IA puede facilitar el cumplimiento del 79% de los Objetivos de Desarrollo Sostenible (ODS) ( gura 1); se presentan entonces las implicaciones de cómo puede facilitar o inhibir dicho cumplimiento, al igual que el de las 169 metas reconocidas para lograr la agenda 2030. Esto, entendiendo la IA como cualquier tecnología de software con al menos una de las siguientes capacidades: percepción, toma de decisiones, predicción, extracción automática de conocimiento, reconocimiento de patrones a partir de datos, comunicación interactiva y razonamiento lógico.
Figura 1. Objetivos de Desarrollo Sostenible. Recuperado de: (Comisión Económica para América Latina y el Caribe [Cepal], s.f)
En la gura 2 se presentan de los tres grupos principales que abarcan los ODS, a saber: sociedad, economía y medio ambiente, donde se documenta el potencial de la IA bien sea como facilitador (a) o como inhibidor (b) de cada ODS. Para su interpretación, se observa, en el interior de los cuadros, los colores que representan cada ODS, seguidos por un porcentaje que indican la proporción de todos los objetivos potencialmente afectados por la adopción de la IA; lo que se encuentra en el interior del círculo re eja la relación para cada uno de ellos y en la parte exterior de los círculos muestran los resultados obtenidos cuando se tiene en cuenta el tipo de evidencia que se observa en la parte sombreada del interior y sus valores correspondientes dentro de paréntesis (Vinuesa et al., 2020).
A continuación, de forma especí ca, se presenta cada grupo de ODS con sus respectivos análisis y datos en relación al papel que juega la IA en cada uno de ellos.
IA y aspectos sociales
Con el apoyo de la IA se impulsan las ciudades inteligentes y bajas en carbono, porque pueden abarcar una amplia gama de tecnologías como la movilidad eléctrica y electrodomésticos inteligentes, que permiten la respuesta a la demanda en el sector eléctrico bene ciando a los ODS 7, 11 y 13; también, facilita la integración de las energías renovables variables, al apoyar la gestión de las redes inteligentes que permitan adaptar parcialmente la demanda eléctrica a los momentos donde hay alta radiación y vientos fuertes.
Si bien las tecnologías basadas en IA actúan como catalizadores para alcanzar el cumplimento de la Agenda 2030, también pueden desencadenar una serie de desigualdades que inhiben el progreso a los ODS para el caso el 1, 4 y 5. Esta dualidad se ve re ejada en los aspectos relacionados al cumplimiento de las meta 1.1, ya que la IA permite la identi cación de las áreas de mayor pobreza y promover la acción internacional mediante imágenes satelitales mientras que, por otro lado, también puede exigir mayores requisitos de cali cación para trabajos que impliquen su uso, lo que podría aumentar en consecuencia las desigualdades inherentes e impedir el logro de la meta mencionada (Vinuesa et al., 2020).
Figura 2. Potencial de la IA como facilitador o inhibidor de cada uno de los ODS. Recuperado de: (Vinuesa et al., 2020, p. 2).
(Vinuesa et al., 2020).
En la gura 3, se evidencia el impacto positivo o negativo de la IA en el logro de cada una de las metas de los ODS 1, 2, 3, 4, 5, 6, 7, 11 y 16, cada bloque del diagrama representa una meta. El color de las metas, resaltadas en verde o naranja, indica la evidencia publicada de que la IA podría potencialmente habilitar o inhibir dicha meta.
Con más detalle, en la gura 3 se puede interpretar que 77 objetivos (82%) de este grupo encuentran un bene cio potencial de las tecnologías basadas en IA, como lo son los ODS 1, 4, 6, 7 y 11 ya que encuentran un facilitador al apoyar, por ejemplo, la provisión de alimentos, mejorar los sistemas de
salud y el acceso al agua y servicios energéticos por parte de la población.
De este mismo grupo, según la evidencia en el estudio, menos ODS se ven afectados negativamente por la IA siendo un 38% respecto a los de impacto positivo. Muchos de ellos se relacionan con la forma en que las mejoras tecnológicas que son habilitadas por la IA pueden implementarse en países con diferentes valores culturales y acceso a tecnologías avanzadas y los recursos a los que se accede a través de ella, que a su vez tienen un alto requerimiento energético y huella de carbono relativamente altas (Vinuesa et al., 2020).
Como vimos en este apartado, la mayoría de las metas asociadas al segmento de sociedad muestran un potencial bene cioso de la IA, contribuyendo a áreas cruciales como la alimentación, la salud y el acceso a servicios básicos, lo que cierra un poco la brecha social de los países. Sin embargo, es importante destacar que una proporción considerable de los ODS también puede enfrentar consecuencias negativas, particularmente en contextos donde las disparidades culturales y de recursos limitan la efectividad de las soluciones basadas en IA.
IA y aspectos económicos
En el contexto del grupo Economía de los ODS ( gura 4), si los mercados futuros dependen en gran medida del análisis de datos y estos recursos no están igualmente disponibles en los países de ingresos bajos y medios, la brecha económica puede aumentar signi cativamente debido a ese desequilibrio, afectando signi cativamente a los ODS 8, 9 y 10 (Vinuesa et al., 2020).
En este sentido, Brynjolfsson y McAfee (2014) (como se citó en Vinuesa et al., 2020) plantean que la IA puede exacerbar la desigualdad también dentro de las naciones, esto porque puede llegar a inducir el reemplazo de los viejos empleos por otros que requieren más habilidades, debido a que la tecnología recompensa desproporcionadamente a las personas formadas. Adicionalmente, la automatización traslada los ingresos corporativos a los dueños de las empresas en desventaja para los que trabajan en ellas. Esta transferencia de ingresos de los trabajadores a los inversores ayuda a explicar por qué, aunque los ingresos combinados de los tres grandes de Detroit (GM, Ford y Chrysler) en 1990, eran casi idénticos a los de los tres grandes de Silicon Valley (Google, Apple y Facebook) en 2014, estos últimos
Figura 3. Impactos de la IA en el logro de las metas sociales de los ODS. Recuperado de:
tenían nueve veces menos empleados y valían 30 veces más en el mercado de valores (p. 3).
1
Habilitador
Inhibidor
ese acceso a la información agrandando las brechas sociales. Además, este segmento de población se encontraría en un gran riesgo laboral ya que su mano de obra puede verse afecta al entrar la IA a operar en sus puestos de trabajo, lo que se re eja en altos índices de desempleo, este aparente riesgo se vería disminuido si las organizaciones se reestructuran y este personal es trasladado a otras áreas donde puedan seguir operando con sus capacidades y habilidades.
IA y aspectos medio ambientales
Figura 4. Impactos de la IA en el logro de las metas económicas de los ODS. Recuperado de: (Vinuesa et al., 2020, p. 4).
Aunque las relaciones identi cadas en este grupo se evidencian principalmente positivas, hay que estar pendientes de las compensaciones, por ejemplo, la IA evidencia un efecto negativo en el uso de las redes sociales, al enfocar su contenido adaptado a ideas preconcebidas, lo que consigue una polarización política y económica de la sociedad, sin embargo, también existe un riesgo asociado al utilizar la IA para evaluar y predecir el comportamiento humano, que es el sesgo inherente a los datos. Se ha informado que se enfrentan una serie de desafíos discriminatorios en la segmentación automatizada de las convocatorias laborales en línea mediante IA, esencialmente relacionados con los datos sesgados de procesos de selección anteriores realizados por reclutadores humanos (Vinuesa et al., 2020, p. 4).
Este aspecto económico, presenta varios escenarios que deben analizarse de forma detallada, ya que según el segmento poblacional, muchos tienen acceso a la información pero esta información presenta un sesgo parcializando o polarizando las poblaciones con ideas preconcebidas haciendo que la gobernabilidad y la economía de los países sea más compleja, y por otro lado, está la población que por sus capacidades adquisitivas no cuentan con
Los bene cios de la IA podrían derivarse de la posibilidad de analizar bases de datos interconectadas a gran escala para desarrollar acciones conjuntas destinadas a preservar el medio ambiente ( gura 5). En cuanto al ODS 13, sobre la acción por el clima, hay evidencia de que los avances de la IA apoyarán la comprensión del cambio climático y el modelado de sus posibles impactos. Además, la IA tendrá in uencia en los sistemas de energía bajos en carbono con una alta integración de energía renovable y e ciencia energética, que son necesarios para abordar el cambio climático. La IA también se puede utilizar para ayudar a mejorar la salud de los ecosistemas. Por otro lado, el logro de la meta 14.1, que llama a prevenir y reducir signi cativamente la contaminación marina de todo tipo, puede beneciarse de la IA a través de algoritmos para la identicación automática de posibles derrames de petróleo (Vinuesa et al., 2020, p. 4).
Según Mohamadi et al. (2016) (como se citó en Vinuesa et al., 2020) las redes neuronales y las técnicas orientadas a objetos se pueden utilizar para mejorar la clasi cación de los tipos de cubierta vegetal a partir de imágenes satelitales, con la posibilidad de procesar grandes cantidades de imágenes en un tiempo relativamente corto. Estas técnicas de IA ayudan a identi car tendencias de deserti cación en grandes áreas, información que es relevante para la plani cación ambiental, la toma de decisiones y la gestión para evitar una mayor deserti cación, o ayudar a revertir las tendencias negativas identi cando los principales impulsores.
Sin embargo, los esfuerzos para lograr el ODS 13 podrían verse socavados por las altas necesidades energéticas para las aplicaciones de IA, especialmente si se utilizan fuentes de energía que no sean neutrales en carbono. Además, a pesar de los numerosos ejemplos de cómo la IA se aplica cada vez más para mejorar el seguimiento y la
conservación de la biodiversidad se puede conjeturar que un mayor acceso a la información relacionada con la IA sobre los ecosistemas puede impulsar la sobreexplotación de los recursos, aunque hasta ahora ese uso indebido no ha sido su cientemente documentado (p. 4).
Medio ambiente Habilitador Inhibidor
Los datos de la grá ca anterior se toman de los tres grupos principales que abarcan los ODS, a saber: sociedad, economía y medio ambiente, donde se documenta el potencial de la IA bien sea como facilitador (a) o como inhibidor (b) de cada ODS. Para su interpretación, se observa, en el interior de los cuadros, los colores que representan cada ODS, seguidos por un porcentaje que indican la proporción de todos los objetivos potencialmente afectados por la adopción de la IA; lo que se encuentra en el interior del círculo re eja la relación para cada uno de ellos y en la parte exterior de los círculos muestran los resultados obtenidos cuando se tiene en cuenta el tipo de evidencia que se observa en la parte sombreada del interior y sus valores correspondientes dentro de paréntesis (Vinuesa et al., 2020).
Como muestran los diferentes informes y el compromiso global con el aporte al cumplimiento de los ODS, la sostenibilidad se ha venido convirtiendo en una prioridad urgente en todas las industrias y especialmente para las empresas de servicios públicos que facilitan el acceso a los recursos para suplir necesidades básicas; al contar con infraestructuras robustas y consumo de recursos naturales, los prestadores de servicios públicos domiciliaros se posicionan como grandes contribuyentes a las emisiones de carbono, enfrentándose a una presión cada vez mayor por parte de las entidades reguladoras, inversores y consumidores.
Como ejes de la infraestructura nacional que suministran electricidad, gas y agua, las empresas de servicios públicos se ven enfrentadas a transformar sus modelos de negocio para alinearse con planes de sostenibilidad agresivos, pero esenciales. Sin embargo, todavía existen barreras como la infraestructura obsoleta que requiere mejoras o reemplazo, la energía renovable intermitente, la reticencia a adoptar nuevas tecnologías y los elevados costos que esto implica.
Otro de los desafíos en el sector de los servicios públicos es el manejo de un gran volumen de datos de carácter con dencial, como información sobre la red, información de los consumidores y detalles operativos, que se posiciona como aspecto de alta importancia al momento de involucrar la IA en los procesos y que se suma a la lista de inversiones a realizar en respaldo, defensa de los ciberataques y seguridad de la información.
Riesgos de sostenibilidad que plantea la IA
Aunque represente una forma de hacer más e cientes y sostenibles los procesos, la IA conlleva varios riesgos de sostenibilidad planteados por Genghini (2023) de la siguiente manera:
Consumo de energía
Los sistemas de la IA requieren una cantidad considerable de energía para su operabilidad lo que se ve re ejado en altas contribuciones en las emisiones de gases de efecto invernadero, por lo que las iniciativas para su implementación deben orientarse a equilibrar el crecimiento de la IA con la gestión de las emisiones atmosféricas.
Residuos Electrónicos
Con el desarrollo y uso de tecnologías de la IA, a futuro se prevé la alta generación de residuos electrónicos lo que se ve re ejado en impactos ambientales perjudiciales, por lo que las acciones de compensación del efecto producto de la IA van desde el diseño de los componentes, el ecodiseño de los hardware orientados a la reparabilidad, el reciclaje adecuado hasta las infraestructuras duraderas.
Sesgo y Discriminación
Si los sistemas de IA se entrenan con datos sesgados o incompletos se puede perpetuar dicha situación con consecuencias sociales y ambientales negativas al expandir las desigualdades, contribuir a la injusticia social, económica y ambiental.
Figura 5. Impactos de la IA en el logro de las metas medio ambientales de los ODS. Recuperado de: (Vinuesa et al., 2020, p. 4)
Privacidad y seguridad
Con los desarrollos de la IA, los datos personales se encuentran con un acceso más fácil, lo que compromete la privacidad y seguridad de las personas, conllevando consecuencias negativas para el bienestar social y ambiental.
Desplazamiento laboral
Sectores industriales como las fábricas y el transporte se verían amenazados por la pérdida de puestos de trabajo por la automatización de las actividades, teniendo consecuencias sociales y económicas de gran importancia, especialmente en comunidades que dependen de estos sectores.
Dependencia de la tecnología
Es claro que la tecnología es fundamental para el uso de la IA, lo que conlleva el riesgo de volverse excesivamente dependiente de ella. Además, al reducir la interacción humana con entornos naturales y reales, contribuye al aislamiento social, obstaculizando la capacidad de crear comunidades sostenibles e inclusivas.
Tendencias y
aplicaciones
Los avances tecnológicos que involucran la IA, especí camente los gemelos digitales, están surgiendo como tecnologías que facilitan y aceleran los esfuerzos en materia de sostenibilidad en el sector de servicios públicos, que van desde la gestión de fuentes de energía renovables hasta la reducción de las emisiones de las plantas y centros de operación de cada uno de los negocios en pro de crear un impacto ambiental positivo.
Al crear réplicas virtuales de sistemas físicos, los gemelos digitales permiten una comprensión y un control más profundos de las infraestructuras complejas, lo que ayuda a optimizar la gestión y el mantenimiento de forma proactiva. Esta duplicación digital puede mejorar la precisión de las previsiones, por ejemplo, para las fuentes de energía renovable, lo que a su vez ayuda a crear un panorama energético más estable, sostenible y predecible. En la actualidad, las empresas de servicios públicos utilizan la tecnología para el mantenimiento de los recursos, la modelización de comportamientos complejos de los clientes y la concientización en ahorro de agua, energía y gas.
Otra de esas tendencias revolucionarias que está transformando el panorama de la sostenibilidad es el Internet de las cosas, conocida también como
IoT por sus siglas en inglés, su unión con la IA se vuelve prometedora y ofrece soluciones innovadoras para combatir los desafíos ambientales y crear un futuro más brillante y ecológico (Figura 6).
Gestión inteligente de la energía
Monitoreo de la calidad del aire
Gestión inteligente de residuos
Gestión de otas
Monitoreo inteligente del agua
Agricultura inteligente
Gestión de la cadena de frío
Figura 6. Aplicaciones del IoT para sostenibilidad ambiental. Recuperado de: (Conure, 2022)
En cuanto a las tendencias del papel de la IA, en la sostenibilidad para utilities, se encuentran diferentes escenarios y aplicaciones que se puntualizarán para cada uno de los negocios a medida que avance el informe; en esta sección se presentan algunos de forma más general.
La sostenibilidad ambiental
Los conceptos y temas en este ámbito abarcan el transporte de bajo impacto, la agricultura sostenible y la conservación de los recursos ambientales, como la biodiversidad, los recursos hídricos, el uso de la energía, las energías renovables y las
materias primas, incluyendo alimentos y minerales, así como la sostenibilidad en el uso del suelo. También incluyen la gestión de residuos y la contaminación, contemplando la reducción de residuos, el reciclaje, la reutilización, la reparación, el empleo de materiales más amigables con el medio ambiente, además del control y el tratamiento de contaminantes (Nishant et al., 2020).
Aplicaciones y modelos: La investigación sobre la IA en la sostenibilidad ha explorado varios de estos temas, enfocándose en aplicaciones especí cas en temas de la biodiversidad (tabla 1). Los sistemas basados en reglas, como ARIES1, son ampliamente utilizados para modelar servicios ecosistémicos. Este software integra varios modelos de aprendizaje automático para el análisis de datos, lo que permite a los investigadores comprender relaciones complejas y no lineales (Death, 2015). Dado que los algoritmos genéticos (GA) se utilizan con frecuencia como técnica de optimización, los modelos de Machine Learning (ML) más populares para la biodiversidad incluyen Red Neuronal Articial (ANN) y Redes Bayesianas (BN), populares entre los modelos de redes en ecosistemas (Nishant et al., 2020).
Temas
Evaluación de los servicios ecosistémicos
Conservación de las especies
Modelación de población
Opinión pública
Software Componentes de IA
Machine learning (ML) Apoyo a la toma de decisiones
Machine learning (ML) Apoyo a la toma de decisiones
Machine learning (ML)
Machine learning (ML)
Visión por computadora (CV)
Procesamiento del Lenguaje
Natural (NLP)
Detalles técnicos de IA
Redes Bayesianas (BN)
Conjunto Difuso, Redes Bayesianas (BN), Algoritmos Genéticos (GA), Red Neuronal Arti cial (ANN), Máquina de Vectores de Soporte (SVM), Lógica Difusa (FL)
Autómata celular
Análisis de contenido
Tabla 1. Modelos más usados en investigaciones de IA relacionada con la biodiversidad. Recuperado de: (Nishant et al., 2020).
El uso de la inteligencia arti cial en la preservación de los recursos hídricos ha generado un considerable interés en la investigación (tabla 2). Desde 2015, se ha incrementado la aplicación de modelos de aprendizaje automático para anticipar y mejorar la gestión de estos recursos. La revisión bibliográ ca ha identi cado la Red Neuronal Arti cialANN (especialmente ANFIS, un tipo de ANN basado en FL- Lógica Difusa) y la Máquina de Vectores de Soporte - SVM como los principales modelos de ML utilizados en este campo (Salcedo-Sanz, et al., 2016, como se citó en Nishant et al., 2020, p. 4). Algunos investigadores utilizan árboles de decisión (especialmente random forest), regresión múltiple y regresión spline (Ochoa y Urbina, 2017, como se citó en Nishant et al., 2020, p. 4).
ARIES, Weka SWAT, InVEST
Aplicaciones con modelos de Machine Leaning (ML)
Machine Leaning (ML)
Temas
Predicción del ujo de corriente
Química y calidad del agua
Detección de fugas
Machine Leaning (ML)Red Neuronal Arti cial (ANN) Temas
Predicción hidrometeorológica
Apoyo a la toma de decisiones
Machine Leaning (ML)
Machine Leaning (ML)
Apoyo a la toma de decisiones
Machine Leaning (ML)
Apoyo a la toma de decisiones
Red Neuronal Arti cial (ANN), Máquina de Vectores de Soporte (SVM), Algoritmos Genéticos (GA), Lógica Difusa (FL), Sistema Adaptativo de Inferencia Neuro-Difusa (ANFIS)
Red Neuronal Arti cial (ANN), Algoritmos Genéticos (GA), Árbol de Decisión (DT)
Regreción Lineal, K-Vecinos Más Cercanos (KNN), Red Neuronal Arti cial (ANN), Máquina de Vectores de Soporte (SVM), Lógica Difusa (FL), Sistema Adaptativo de Inferencia Neuro-Difusa (ANFIS), Árbol de Decisión (DT), Algoritmos Genéticos (GA)
Red Neuronal Arti cial (ANN), Algoritmos Genéticos (GA), Lógica Difusa (FL), Sistema Adaptativo de Inferencia Neuro-Difusa (ANFIS)
Tabla 2: Modelos más usados en investigaciones de IA relacionada con la conservación de los recursos hídricos. Recuperado de: (Nishant et al., 2020).
La IA y la sostenibilidad en ciudades inteligentes
Además de centrarse en las aplicaciones de IA relacionadas con la conservación de recursos y los impactos ambientales relacionados con actividades como el transporte, en la literatura se han evidenciado aplicaciones de IA para ciudades inteligentes en seis dimensiones: la economía, la movilidad, el medio ambiente, las personas, la vida y la gobernanza (Gif nger et al., 2017, como se citó en Nishant et al., 2020). La tecnología de la información constituye la base fundamental para optimizar los servicios tanto públicos como privados, abarcando la mejora en la gobernanza, la innovación en los negocios, el desarrollo cultural y la sostenibilidad (Hollands, 2008, como se citó en Nishant et al., 2020). Es así como los grandes datos generados por el IoT pueden ser analizados por la IA para respaldar tanto la gobernanza, como la cultura y los mecanismos organizacionales de una ciudad inteligente (Nishant et al., 2020).
En la tabla 3 se resumen los estudios sobre IA para la sostenibilidad en las ciudades inteligentes. El machine learning se utiliza para analizar los grandes volúmenes de datos recopilados a través de IoT e IA cognitiva (CV- Visión por Computadora y NLP- Procesamiento del Lenguaje Natural) (Nishant et al., 2020). En cuanto a las tendencias del papel de la IA, en la sostenibilidad para utilities, se encuentran diferentes escenarios y aplicaciones que se puntualizarán para cada uno de los negocios a medida que avance el informe; en esta sección se presentan algunos de forma más general.
Temas
Aplicaciones en diferentes sectores de sostenibilidad
Temas
IA en área de la sostenibilidad ambiental en las ciudades inteligentes
Arquitectura de IoT impulsa por IA
Componentes de IA
Recopilación y análisis de big data
Machine Leaning (ML), Visión por Computadora (CV), Procesamiento del Lenguaje Natural (NPL)
Machine Leaning (ML), IA Cognitiva, Soporte de decisiones basado en el conocimiento, Análisis de Datos
Tabla 3: Modelos más usados en investigaciones de IA con sostenibilidad de ciudades inteligentes. Adaptado de: (Nishant et al., 2020).
Sistemas de predicción climática
La IA puede mejorar sustancialmente los modelos de predicción climática al procesar enormes cantidades de datos meteorológicos en tiempo real. Esto permite prever con mayor precisión los patrones climáticos y preparar mejor la respuesta para los fenómenos extremos. Ocurre, por ejemplo, en el caso de las sequías donde la IA utiliza modelos avanzados para analizar datos históricos en tiempo real sobre precipitaciones, temperaturas y patrones de humedad. Lo que ayuda a conocer con antelación los períodos de sequía y planicar medidas preventivas a tiempo.
Además, mediante el uso de sensores y tecnología de IoT, la IA puede monitorizar los niveles de agua en embalses, ríos y acuíferos. Datos que son analizados para optimizar la distribución y el uso del agua, ayudando a conservar recursos durante períodos de escasez (Acciona, s.f., párr. 7-9).
En la tabla 4 se presenta un resumen de las investigaciones sobre el uso de la inteligencia arti cial para la sostenibilidad enfocadas en el cambio climático, que se centran únicamente en la predicción de posibles escenarios asociados con este fenómeno. En contraste, la IA para la sostenibilidad ambiental es un ámbito más amplio centrado principalmente en la conservación de los recursos y la gestión de la contaminación. Según la literatura, Computación Evolutiva (Evolutionary Computation, EC), Lógica Difusa (Fuzzy Logic, FL) y Sistema Experto (Expert System, ES) son métodos que se han aplicado junto con otros modelos de Machine Learning (ML) para predecir escenarios de cambio climático (Nishant et al., 2020).
Red Neuronal Arti cial (ANN), Redes Bayesianas (BN), Máquina de Vectores de Soporte (SVM), Modelo Lineal Generalizado (GLM), Algoritmos Genéticos (GA), Sistemas basados en el conocimiento, Neuro-Difuso
Machine Leaning (ML)Red Neuronal Arti cial (ANN)
Machine Learning (ML), Lógica Difusa (FL)
Machine Learning (ML), Lógica Difusa (FL)
Red Neuronal Arti cial (ANN), Máquina de Vectores de Soporte (SVM), Computación Evolutiva (EC), Neuro-Difuso
Red Neuronal Arti cial (ANN), Máquina de Vectores de Soporte (SVM), Neuro-Difuso
Machine Leaning (ML)Red Neuronal Arti cial (ANN)
Machine Leaning (ML)Red Neuronal Arti cial (ANN)
Tabla 4: Modelos más usados en investigaciones de IA para la sostenibilidad relacionada con el cambio climático. Recuperado de: (Nishant et al., 2020).
Por otro lado, la española Acciona S.A, que se enfoca en la gestión de infraestructuras y energías renovables, plantea unas posibles aplicaciones de la IA y su papel en la sostenibilidad tanto en las empresas como en la sociedad (Acciona, s,f,), las cuales se plantean a continuación:
Detección temprana de desastres naturales - Con el uso y análisis de los datos satelitales y los sensores en tierra, la IA puede hacer el reconocimiento de señales tempranas de desastres naturales, como incendios forestales, terremotos e inundaciones, lo que permite una respuestas más rápida y e ciente.
Aplicación: proyecto Prevenir (pronóstico y alerta de eventos de inundaciones repentinas) en Argentina, que buscó desarrollar un sistema de alerta temprana para las inundaciones urbanas en dos cuencas altamente pobladas y con alto índice de vulnerabilidad a estos eventos
Agricultura inteligente - En la agricultura, el uso de sensores y drones impulsados por IA permiten monitorear los cultivos en tiempo real, hacer reconocimiento de enfermedades, la gestión y optimización del agua y los fertilizantes, lo que aumenta no solo la productividad sino también ayuda a la disminución de impactos ambientales de este sector
Conservación de la biodiversidad -Con aplicaciones en la vigilancia de hábitats, la protección de la vida en la selva y el reconocimiento de patrones en diferentes especies está tomando un papel cada vez más relevante en términos de conservación y preservación de estos hábitats. Por ejemplo, en África se hace el seguimiento de las rutas de caza furtiva de los elefantes y la identi cación de infecciones emergentes
Gestión del trá co - Para la gestión de trá co, la IA ha permitido la predicción del ujo en las vías para ofrecer rutas alternativas, como es el caso de la aplicación Sharing, la que permite predecir el ujo de vehículos por zonas en horas especí cas, de esta manera, las empresas de transporte público facilitan la gestión de disponibilidad vehicular en función de las solicitudes, disminuyendo el impacto ambiental del parque automotor
La IA en tratamiento de datos
Verosimilitud de las mediciones, del consumo y del costo
Mediante el uso de IA se abordan problemáticas de las facturas anómalas. Al hacer uso de estas herramientas para hacer evaluación, por ejemplo, de consumos habituales de los usuarios contrarrestados con usuarios similares, los datos de factores externos y otros datos (por ejemplo, periodos de sequías anormales), se arrojan de manera instantánea en una serie de respuestas sobre la medida esperada, pudiendo identi car un nivel de verosimilitud de las supuestas anomalías y que sean gestionadas en el tiempo indicado (Terranova, 2024).
Asistente virtual para el usuario y la empresa
Con diferentes herramientas, se crea interacción de los usuarios nales con un chatbot, disponible las 24 horas del día que proporcione respuestas inmediatas a las preguntas formuladas, facilitando así el trabajo del personal de atención al cliente.
Yendo un poco más allá, una herramienta similar puede llegarse a utilizar para gestionar las relaciones entre dependencias de la misma organización, permitiendo abordar en paralelo actividades operativas y consultas sobre una base de datos, ancladas estas últimas a un motor de IA para facilitar y aumentar la productividad de las organizaciones (Terranova, 2024).
La IA en el trabajo de Campo
Programación de las actividades y realidad aumentada para trabajadores de campo Para el trabajo en campo se tiene en cuenta una serie de variables que intervienen en el cumplimiento de las actividades como los horarios laborales, permisos, vacaciones, incapacidades y las habilidades técnicas de un operador, también se debe considerar la localización geográ ca de las visitas o intervenciones, los tiempos de desplazamiento y terreno de acceso, que pueden di cultar o demandar mayor tiempo en la ejecución de las actividades, situación que se puede ver optimizada con la implementación de programas informáticos basados en IA, que tengan la capacidad de generar secuencias de actividades en función del cumplimiento de las metas de cada área teniendo en cuenta las variables anteriormente mencionadas.
Además, la realidad aumentada (RA) cuando es implementada ofrece intercambio de información entre el operario de campo y un operario remoto, por ejemplo, si un operario está ejecutando actividades en redes subterráneas puede hacer uso de herramientas de RA como Tablet o visores para ver la posición exacta de las tuberías y compartir con otro operario de forma remota lo que está viendo y de esta forma intercambiar conceptos técnicos para la toma de decisiones y a su vez disminuir los riesgos operacionales que puedan llevar consigo los trabajos de alta complejidad (Terranova, 2024).
Dentro de este grupo de aplicaciones generales, se han encontrado una serie de iniciativas que se están aplicando en diferentes países y que se indican a continuación.
Iniciativas
La inteligencia arti cial (IA) asiste a urbanistas y plani cadores en la creación de entornos urbanos adaptables mediante estrategias basadas en datos en tiempo real. Facilita la integración de prácticas sostenibles en el tejido urbano, permitiendo a los plani cadores tomar decisiones informadas sobre rutas, gestión del trá co, transporte público equitativo y servicios más e cientes. La IA potencia la creación de entornos urbanos e caces y adaptativos en bene cio de los habitantes.
La IA generativa ofrece un enorme potencial para impulsar la sostenibilidad ambiental. Puede automatizar el cálculo de huellas de carbono, monitorizar emisiones en tiempo real y proporcionar recomendaciones, incluyendo escenarios de trayectorias netas cero. También facilita la gestión y visualización de datos ambientales. Además, acelera la investigación de enfoques sostenibles innovadores. La IA activa respuestas sobre el cambio climático y su impacto. En diseño y fabricación, se emplea para acceder a investigaciones y crear simulaciones para probar diseños sostenibles.
eMapGAN es una aplicación basada en redes neuronales que es capaz de generar nuevas realidades, más sostenibles, a partir de una imagen por satélite de una porción del territorio, permitiendo al profesional urbanista concebir nuevas realidades, visualizadas como ortofotos de lugares que nunca han existido.
Los modelos de entrenamiento de la IA generativa es lo que más energía consume. Investigadores a rman que el entrenamiento de un modelo de como el GPT-4 de OpenAI o el PaLM de Google, consume unas 300 toneladas de CO2; a modo de comparación, una persona media es responsable de la creación de unas 5 toneladas de CO2 al año, aunque el norteamericano medio genera varias veces esa cantidad.
Cuatro riesgos de la IA identi cados por cientí cos: 1) uso malicioso; 2) carrera de la IA entre naciones y corporaciones; 3) riesgo organizacional, o sea, accidentes provocados por el uso de las IAs si se priorizan los bene cios sobre seguridad; 4) IAs rebeldes: que se pierda el control de las IAs y éstas se desvíen de sus metas originales
"AI for Good" se presenta como una plataforma digital en la que los innovadores de la IA y propietarios de los problemas aprenden, construyen y se conectan para ayudar a identi car soluciones prácticas de IA para avanzar en los Objetivos de Desarrollo Sostenible de las Naciones Unidas. Está organizado por la UIT en colaboración con 40 agencias hermanas de la ONU y co-convocado con Suiza.
MagicSchool utiliza la tecnología de OpenAI para respaldar a los profesores al proporcionar indicaciones basadas en las mejores prácticas educativas. Esto les permite crear material educativo como hojas de trabajo y exámenes, ajustar la di cultad del contenido según las necesidades de los estudiantes, personalizar programas educativos para aquellos con necesidades especiales y ofrecer orientación sobre cómo abordar problemas de conducta
Inteligencia Arti cial para rediseñar ciudades impactadas por el cambio climático
La inteligencia arti cial para establecer políticas y planes de desarrollo en cuerpos de agua
Misión Lunar Colmena - La misión de México busca establecer redes de comunicación en red que ayudarán al manejo futor de datos e información con AI en el espacio sin tener que pasar por control en la tierra, como en el caso de robots
La plataforma respaldada por IA busca promover una perspectiva de género para las trabajadoras de la multitud en IA desde el Sur Global. Ofrecerá recomendaciones de herramientas para el desarrollo de habilidades y facilitará la conexión con colegas para fomentar el crecimiento profesional.
El uso de la IA en robots industriales ha mejorado la e ciencia energética de empresas manufactureras
Tabla 5. Iniciativas a nivel mundial con IA para lograr los ODS. Recuperado de: (Ríos, et al., 2024).
OverIT Next-Gen FSM Platform
La plataforma OverIT Next-Gen FSM hace uso de la Realidad Aumentada (RA) y la Inteligencia Arti cial (IA) para procesos operativos en el sector de energía y en la utilities en general, proporcionando a los técnicos y operadores información de fácil acceso y en tiempo real, lo que mejora las actividades de mantenimiento y maximiza la productividad.
Debido a la complejidad de los activos y su mantenimiento, sumado a la rotación de personal experimentado, se plantea un reto para la industria en cuanto a mantener, e incluso mejorar, los estándares y niveles de operación, lo que requiere soluciones especí cas; la plataforma aborda los siguientes casos de uso y su aplicabilidad en el sector en mención:
Virtualización de los presupuestos: permite la reducción de los costos y asegura la continuidad de los servicios al colaborar virtualmente en la preparación y colaboración virtual de los presupuestos.
Inspecciones remotas: permite a los profesionales guiar a los trabajadores técnicos en campo durante diferentes actividades, compartiendo conceptos técnicos, contenidos en realidad aumentada en ambas direcciones y en tiempo real.
Procedimientos paso a paso para ejecución de tareas complejas: instrucciones y maniobras que son guiadas para disminuir los riesgos de las actividades o mantenimientos complejos que re ejan altos riesgos.
Distribución del conocimiento: facilita la gestión del conocimiento al convertir las experiencias en campo de los técnicos convirtiendo este insumo en un activo más de la empresa, ya que permite recolectar datos y procedimientos que quedan documentados y se pueden fusionar con modelos digitales.
Intervención de Emergencia: a través de las funciones automatizadas de la inteligencia arti cial, las tareas con alta importancia son asignadas al experto con mayor experiencia que se encuentre disponible en el momento (OverIT, s.f.). Herramientas/ Tecnologías
Clean Energy Program Management de Salesforce
Salesforce ha presentado Clean Energy Program Management, una herramienta de Energy & Utilities Cloud que es la encargada de la supervisión de proyectos de e ciencia energética, conservación, electri cación y carga de vehículos eléctricos. Con ella, las empresas de electricidad, gas y agua pueden estimular la participación de sus clientes en programas de energía limpia.
Clean Energy Program Management impulsa a las empresas de servicios públicos a llevar a cabo nuevas iniciativas de energía limpia con datos de sus clientes, además de promover ofertas personalizadas. Esta herramienta automatiza de forma sencilla el proceso de solicitud para los clientes, los contratistas y el personal que participa en los proyectos.
La Consola de Gestión de Programas estimula los objetivos de ahorro de energía, conservación del agua, cumplimiento de normativa vigente o número de hogares atendidos. Permite monitorizar y gestionar las solicitudes, controlar el rendimiento y el presupuesto del proyecto. Según Alejandro Romero, vicepresidente de Salesforce Iberia, esta solución ayuda al sector de utilities y energía a acelerar la transición hacia una energía limpia y sostenible. (It User, 2024, párr. 1-3)
Pro cy for Sustainability Insights
Es una solución de software diseñada para hacer operativos los objetivos de sostenibilidad de las organizaciones, al tiempo que ayuda a maximizar la productividad y la rentabilidad, mediante la integración de datos operativos y de sostenibilidad, el software basado en inteligencia arti cial (IA) ayuda a las empresas a utilizar los recursos de manera más e ciente y e caz en una planta o en toda la empresa, así como a gestionar las métricas climáticas necesarias para el cumplimiento normativo. (Opertek, 2024, párr. 1)
En palabras de Richard Kenedi, Director General de Software y Servicios Pro cy de GE Vernova (como se citó en Opertek, 2024):
La digitalización continua es fundamental para hacer operativos los objetivos de sostenibilidad industrial para ayudar a reducir costos, mitigar riesgos y mejorar la resiliencia. El software Pro cy for Sustainability Insights ofrece visibilidad sobre el progreso de la sostenibilidad con cuadros de mando basados en personas para una resolución de problemas más rápida y especí ca, gracias a la IA, lo que permitirá a los líderes de operaciones, gerentes de primera línea y operadores tener una visibilidad clara de los factores clave que afectan al rendimiento. (párr. 2)
Un fabricante europeo de automóviles de primer nivel utilizó recientemente el software Pro cy (IA) para ahorrar un 18% de energía en los sistemas de calefacción de sus fábricas. La empresa quería aprovechar su SCADA de planta existente con el análisis y la innovación del cuadro de mandos para optimizar la calefacción y la refrigeración en sus numerosas instalaciones de producción de alto consumo energético. La solución mejorada optimiza los puntos de ajuste del sistema en función de las temperaturas del aire exterior. Además, las capacidades analíticas de Pro cy identicaron un problema en el control del sistema de calefacción relacionado con la respuesta a los valores de consigna de temperatura, así como un problema con las válvulas que no se cerraban correctamente.
Una de las principales características del software basado en IA es su capacidad para ayudar a reducir costes mediante la supervisión de los datos de consumo de electricidad, gas natural, agua, vapor y otros servicios públicos. Los análisis pueden detectar continuamente el uso excesivo o innecesario, la variabilidad y otros residuos que, de otro modo, pasarían desapercibidos. Además, Pro cy for Sustainability Insights ayuda a calcular puntos de referencia para cada con guración única de proceso, SKU de producto y planta para comprender el rendimiento actual en relación con las tasas de consumo esperadas o el mejor rendimiento demostrado. Opertek, 2024, párr. 3-4)
La sostenibilidad en el contexto de las operaciones de producción
El software promete resolver el problema de proporcionar el contexto de proceso necesario para optimizar la utilización de los recursos, aumentar la colaboración entre los equipos de operaciones y sostenibilidad y hacer operativos los objetivos de sostenibilidad medioambiental. Esto puede ayudar a reducir los costes de energía y otros servicios públicos mediante el modelado y la optimización del uso en el contexto de los eventos y prioridades de las operaciones diarias, junto con la detección de patrones previamente no reconocidos. (Opertek, 2024, párr. 5).
Resnick (como se citó en Opertek, 2024) añade que:
Pro cy for Sustainability Insights proporciona esta convergencia de sostenibilidad, operaciones y digitalización combinando la probada cartera de software
Pro cy que abarca la planta en tiempo real, la analítica y la gestión de datos OT junto con la experiencia de GE Vernova en energía para hacer operativa y optimizar la fabricación sostenible y reducir el consumo de recursos, las emisiones decarbono y el gasto en servicios públicos. Esto puede maximizar la productividad y la rentabilidad al tiempo que avanza el viaje de cada cliente hacia el logro de la sostenibilidad, ESG y objetivos netos cero. (párr. 7).
Pro cy for Sustainability Insights puede ayudar a las empresas a integrar y gestionar conjuntamente el rendimiento de la sostenibilidad y los indicadores clave del rendimiento (KPI) de la producción, produciendo optimizaciones más holísticas y creando visibilidad de las compensaciones y los bene cios colaterales que pueden reducir el impacto medioambiental y los costes. Al traducir el impacto de las actividades cotidianas en emisiones de carbono de Alcance 1 y Alcance 2, consumo de agua o e ciencia energética, los fabricantes pueden empezar a gestionarlos como KPI, al igual que la calidad, la productividad y el rendimiento. Los responsables de operaciones pueden disponer de información para la toma de decisiones y la plani cación, mientras que los operarios y los responsables de primera línea pueden gestionar las prioridades en un entorno operativo cambiante. (Opertek, 2024, párr. 8)
Sector en cifras: análisis de mercado internacional y nacional
La Agenda 2030 aceleró, según se expresa en Cepei (2024) “la revolución de los datos y su reconceptualización como instrumento para entender el ritmo en el que se desarrolla el mundo, y cómo estos pueden aprovecharse mejor para la toma de decisiones basadas en evidencia” (párr. 1). Por ello, con la ayuda de la IA, se encontraron los siguientes datos reportados por el proyecto AID Data que “busca monitorear, integrar y visualizar fuentes de nanciamiento para los ODS” (Cepei, 2024, párr. 5). Estos datos establecen un parámetro para evaluar y reevaluar la inversión que se ha hecho en los ODS y el enfoque global que se les está dando.
1
Los ODS 3: salud y bienestar, 8: Trabajo decente y crecimiento económico, 4: Educación de calidad y 9: Industria, innovación e infraestructura, recibieron cada uno, al menos 8% de las donaciones, entre los años 2010 y 2021. Algunos de ellos recibieron, incluso el 16% de los recursos
2
Entre 2010 y 2021, los ODS 5: Igualdad de género, 15: vida de ecosistemas terrestres, 13: Acción por el clima, 10: reducción de las desigualdades, 12: producción y consumo responsable y 14: Vida Submarina, recibieron menos de un 2% de las donaciones, cada uno.
3
Para el periodo 2020-2021, los ODS que experimentaron una mayor reducción en las donaciones fue el 10: Reducción de las desigualdades, 12: Producción y consumo responsable y el 7: Energía asequible y limpia. Con una reducción del 39.3%, 32.4% y 25.3% respectivamente.
4
En 2010, los países de renta baja recibían 1.54 dólares por cada dólar que llegó a los países de renta media baja. Para 2021, esta proporción se redujo 1.05, lo que representa una disminución del 32%
El ODS 7: Energía asequible y limpia, recibió 16 veces más donaciones que el ODS 5: Igualdad de género, entre 2010 y 2021.
Proveedores
IBM Turbonomic
Los objetivos centrados en la equidad, como el ODS 5: Igualdad de género y el ODS 10: reducción de las desigualdades, recibieron menos del 2% de la nanciación total entre 2010 y 2021, cada uno. (Cepei, 2024, párr. 6-12)
IBM con el n de reducir la huella ambiental de su organización y operaciones en pro de cumplir sus objetivos de sostenibilidad, presentó la iniciativa Turbonomic, que permite acceder a los consumos energéticos de forma optimizada en el modo en que se asignan a los recursos de la infraestructura informática a las aplicaciones de todo el ecosistema empresarial, es decir, las aplicaciones consumen de manera medida lo que necesitan para funcionar, pueden aumentar la utilización, reducir los costos energéticos y las emisiones de carbono logrando operaciones e ciente y de manera continua con la utilización de la automatización inteligente de la iniciativa (IBM, s.f.).
Características principales del cuadro de mandos de TI sostenible de la iniciativa Turbonomic Comprender el uso actual El cuadro de mando ofrece visibilidad del consumo de energía y electricidad de los centros de datos, y arroja datos de una estimación de a huella de carbono.
Ejecutar acciones sostenibles: si bien la iniciativa permite reducir el uso de la energía y el impacto en la reducción de emisiones de carbono de forma e ciente, también facilita la visualización de las proyecciones que muestran el impacto energético y de las acciones con emisiones potenciales pudiendo suspender los hosts no utilizados luego de consolidar de forma segura las cargas de trabajo en los mismos.
Comparar emisiones de CO2: para situarse en el contexto, permite comparar la equivalencia de las emisiones desde el mismo panel de TI
Cómo operacionalizar la TI sostenible
Sostenibilidad de la TI en lo local: la automatización de esta iniciativa permite impulsar estrategias de economía circular que contemplen los ciclos de vida del hardware y haya reducción de residuos.
E ciencia energética de la infraestructura: facilita la consolidación de los activos de los centros de datos que se ven re ejados en ahorros y reducción de costos CapEx y realizar compras más e caces orientadas a un crecimiento sostenible de la infraestructura.
Computación en la nube y sostenibilidad medioambiental: los proveedores almacenados en la nube pueden ser seleccionados de mejor manera al considerar las las métricas de emisiones de gases de efecto invernadero, lo que agiliza la toma de decisiones basadas en inteligencia arti cial y apoya sus esfuerzos de sostenibilidad en la nube.
Caso de aplicación de IBM
Colin Holyoake y Graham Eames de IBM Hursley implantaron por primera vez IBM Turbonomic en noviembre de 2021. Un par de horas después de la instalación, empezaron a aparecer 6.000 sistemas virtuales en la instancia de Turbonomic del equipo. Por n, el equipo tenía una visión única de toda la pila de aplicaciones de su centro de datos, desde la aplicación (máquina/contenedor virtual) hasta el almacenamiento asociado. (IBM, 2022, párr. 5)
Cómo gestiona IBM Turbonomic los costos y el impacto medioambiental
Dado que Turbonomic ayuda a los equipos a identi car oportunidades para reequilibrar los recursos en todo el centro de datos de IBM Hursley, el equipo está ahora mejor equipado para maximizar la utilización de su infraestructura existente sin sacri car el rendimiento. Esta capacidad de maximizar la utilización tiene bene cios nancieros y medioambientales, ya que ayuda al equipo a reducir las futuras demandas de gastos de capital (Capex). Al ampliar el uso de su infraestructura existente, el equipo de IBM Hursley evita gastos innecesarios en nuevo hardware, así como los gastos operativos para alimentarlo y refrigerarlo. Esta consolidación continua de rendimiento optimizado también reduce la huella de carbono de IBM Hursley al disminuir la electricidad necesaria para alimentar y refrigerar la infraestructura innecesaria. (IBM, 2022, párr. 10)
El equipo de IBM Hursley también confía en Turbonomic para plani car el crecimiento. Utilizan la visibilidad completa de IBM Turbonomic para evaluar el impacto de añadir o eliminar recursos en los clústeres antes de aplicar esos cambios. Esta capacidad de examinar diferentes decisiones de dotación de recursos antes de actuar sobre ellas ya ha ayudado al equipo a optimizar sus planes de Capex. Con Turbonomic, Holyoake y su equipo disponen de los datos que necesitan para elaborar planes de crecimiento precisos y determinar la cantidad exacta y las especi caciones de las sustituciones de hardware para minimizar los residuos.
De cara al futuro, el equipo de IBM Hursley tiene previsto ampliar el uso de las acciones automatizadas de contratación de Turbonomic en todo su entorno, así como las integraciones de Turbonomic. Seguirán explorando nuevas formas de con ar en la automatización impulsada por IA para reducir los residuos y acelerar su camino hacia la neutralidad de carbono (IBM, 2022, párr. 12-13).
Referentes
o Casos de estudio
Schneider Electric
Schneider Electric ha usado las capacidades de la IA generativa (GenAI) para el aumento de la productividad a través de las nuevas formas de trabajar que propicia dicha tecnología (Schneider Electric, 2023).
En colaboración con Microsoft, Schneider Electric está integrando Microsoft Azure OpenAI para desarrollar soluciones que aprovechen algoritmos que generen textos, códigos u otro tipo de contenidos que permitan reimaginar su enfoque en torno a varios procesos de carácter operacional, agilizando tareas que demandan tiempo y facilita la optimización en la asignación de recursos, por otro lado también ha hecho uso de dicha herramienta para avanzar en la innovación de su portafolio de ofertas; además, la cartera de soluciones de Schneider Electric basadas en Microsoft Azure ofrece a sus clientes soluciones IoT (Internet de las Cosas) de última generación basadas en la nube, así como capacidades avanzadas de datos e IA (Schneider Electric, 2023).
Schneider Electric (2023) presenta los aspectos clave del uso de la GenAI (párr. 5-10):
Resource Advisor Copilot: Utilizando la tecnología Large Language Model a través de Microsoft Azure OpenAI, Schneider Electric haconstruido de manera segura Copilot como un conveniente compañero digital integrado dentro
de Resource Advisor. Copilot dota a los clientes con mejoras en materia de análisis de datos, visualización, apoyo en la toma de decisiones y optimización del desempeño, así como la capacidad de procesar de manera uida los intrincados conocimientos del sector y la información del sistema Resource Advisor.
Jo-Chat GPT: Asistente conversacional interno basado en Microsoft Azure OpenAI Service que permite a los empleados bene ciarse de las capacidades de IA generativa de manera segura.
Asesor nanciero: Contribuyendo al ahorro anual de 10 millones de euros, este asistente de conversación ofrece una forma fácil y e caz de encontrar información precisa para analistas nancieros en contabilidad y otras funciones en el sector de las nanzas globales. Ayuda a lograr una toma de decisiones consistente, conforme y oportuna.
Bot de conocimiento: Asistente conversacional que ayuda a los representantes de atención al cliente a encontrar información precisa para las consultas de los clientes y propone una respuesta adecuada en función de una vasta documentación interna.
Búsqueda conversacional: Ayuda a nuestros clientes a buscar los productos que necesitan en un estilo de conversación natural utilizando la capacidad de búsqueda semántica.
Oportunidades y riesgos
Esta sección explora los riesgos y oportunidades que la IA presenta en el ámbito de la sostenibilidad, evaluando cómo sus capacidades pueden impulsar avances como plantear desafíos complejos. A medida que se exploran las interacciones entre la tecnología avanzada y los objetivos del desarrollo sostenible, se verá cómo la IA puede ser un catalizador para el impacto positivo, al mismo tiempo que exige una gestión cuidadosa para mitigar sus posibles impactos negativos.
Riesgos
Si bien la IA ofrece modelos prometedores y e caces para promover la sostenibilidad, su uso genera una signi cativa huella de carbono, lo que constituye un claro ejemplo de efecto rebote. En palabras de Hao (2019) “Entrenar un solo modelo de IA puede generar emisiones de dióxido de carbono equivalentes a las que producirían cinco automóviles a lo largo de su vida útil” (párr. 1). A medida que los modelos de IA se vuelven más complejos, su huella de carbono aumenta drásticamente, suponiendo que las fuentes de energía sigan siendo las mismas (Kern et al., 2018, como se citó en Nishant et al., 2020). Además, los modelos de IA dependen en gran medida de los datos y, por lo tanto, contribuyen indirectamente a la huella de carbono global de TI. Más allá de las métricas típicas de e ciencia del centro de datos, como el PUE (efectividad del uso de energía), se están desarrollando nuevos marcos y técnicas que proporcionan modelos de ciclo de vida más holísticos para medir la sostenibilidad del centro de datos (Lykou, et al., 2018, como se citó en Nishant et al., 2020). La comunidad investigadora y práctica debe aprovechar los avances realizados en software e infraestructuras verdes para anticipar los posibles riesgos medioambientales de la IA (Watson et al., 2012, como se citó en Nishant et al., 2020).
El logro de los Objetivos Mundiales y la implementación de la ambiciosa visión de un futuro sostenible re ejada en los ODS enfrentan fuerzas poderosas y profundamente arraigadas. Estas incluyen la apatía, la inercia y la falta de conciencia en las personas, la escasez de recursos y la falta de voluntad política en los gobiernos, la búsqueda de ganancias a corto plazo por parte de las corporaciones, y el enfoque limitado de los estados-nación
en sus propios intereses, descuidando el bienestar global. La lucha por la sostenibilidad global y el futuro de la humanidad en la Tierra requerirá el compromiso de diversas organizaciones del sector público y privado, gobiernos nacionales y la sociedad civil, así como todos los recursos disponibles (Goralskia y Tan, 2020, p. 7). La implementación y el desarrollo de aplicaciones a partir de IA no son ajenos a estos obstáculos
Oportunidades
La IA ofrece una amplia variedad de aplicaciones que pueden transformar radicalmente la búsqueda del desarrollo sostenible, involucrando a actores de distintos países, culturas y sectores. La IA puede ser un facilitador clave en el esfuerzo global por impulsar el desarrollo económico, al mismo tiempo que aborda de manera sostenible el impacto de nuestra producción y consumo en la sociedad, los sistemas de gobernanza y el medio ambiente. Las innovaciones en IA han mejorado la e ciencia en diversas industrias y sectores, ayudado a conservar recursos no renovables, facilitado la difusión de conocimientos y experiencias, reducido las desigualdades globales en acceso a recursos y tecnología, y promovido la creación de alianzas multisectoriales (gobiernos, sector privado, sociedad civil y ciudadanos) que contribuyen a la sostenibilidad mundial (Goralskia y Tan, 2020, p. 7).
Los responsables políticos, las organizaciones y la sociedad deben ser capaces de ver con claridad el impacto de las estrategias de intervención en relación con los objetivos establecidos, como los nueve Límites Planetarios o los 17 Objetivos de Desarrollo Sostenible. Esta evaluación es sumamente desaante, ya que medir el rendimiento de los sistemas de información ha sido históricamente complejo y, en muchos casos, poco exitoso. Evaluar tanto los impactos positivos como negativos de las soluciones de IA para la sostenibilidad será aún más difícil, ya que las métricas necesarias deben ir más allá de los aspectos puramente técnicos. Para que la IA tenga éxito en la sostenibilidad, se necesitan métricas integrales que combinen modelos técnicos y predictivos, mida la aceptación del público objetivo y tenga en cuenta tanto las limitaciones tecnológicas de la IA como la complejidad de las crisis climáticas (Nishant et al., 2020, p. 7).
IA y sostenibilidad: ideas, ejemplos, riesgos y oportunidades
Como hemos visto en este capítulo, la IA puede ser desarrollada y aplicada desde un marco ético y responsable donde se abre un amplio panorama de oportunidades, como puede ser usada para lo contrario y es donde se enmarcan los riesgos de la IA, a continuación, se presenta en la Tabla 5 una serie de ideas donde entra a jugar un papel muy importante la IA para el cumplimiento de los objetivos y metas planteadas para el desarrollo sostenible, una breve descripción de ellas, el tiempo de aplicabilidad (presentes, futuro), si genera un riesgo o una oportunidad, algunos ejemplos y el ODS que abordan, este tipo de información e insumo puede ser trasladado como apoyo y guía para la sostenibilidad de las organizaciones (Ríos, et al., 2024).
La tabla 6 es una muestra de cada una de las iniciativas que se están tomando a nivel mundial que apuntan al cumplimiento de los diferentes ODS y como cada una de ella nos abre una puerta de oportunidades que se deben aprovechar, y por otro lado las que representan un riesgo aparente, teniendo esto en cuenta y conociendo estos aspectos, el desafío que se presenta es encontrar las alternativas para prevenir o disminuir esos riesgos si es del caso, o como se pueden compensar para continuar con el avance tecnológico que se está presentando en la actualidad.
Estas iniciativas son una pequeña visión de lo que se está logrando con la IA, y de a donde puede llegar el desarrollo y los avances de estas herramientas, y como el uso que se le dé puede marcar un antes y un después como organización, país y sociedad.
Agilizar la investigación para el desarrollo
IdeasDescripciónEjemploODS
Oportunidad en la ciencia para agilizar tareas que realizan los investigadores y/o realizar investigaciones y probar hipótesis de forma autónoma
OpenAI lidera nanciamiento para el desarrollo de robots humanoides que interactúen con máquinas de razonamiento. Sam Altman destaca la importancia de la encarnación, subrayando que queremos que las cosas sucedan en el mundo físico. Imagina un futuro donde la IA genere y pruebe sus propias hipótesis en simulaciones, siempre manteniendo el control humano en experimentos del mundo real. Altman busca una IA capaz de avanzar en el conocimiento cientí co, construyendo sobre las ideas existentes y profundizando en la naturaleza.
Transversal a todos
Elevar la productividad del trabajo
Mejorar el aprovechamiento académico de estudiantes
Oportunidad en el trabajo de elevar la productividad de las personas.
La IA generativa interesa al 93% de las pymes la IA, pero sólo 13% la usa. La incorporación de la IA en el ámbito de recursos humanos conlleva una invaluable contribución al ahorro de tiempo y la e ciencia. Mediante la automatización de tareas repetitivas y la optimización de procesos, la IA libera a estos profesionales de tareas mecánicas y administrativas que consumen tiempo y recursos, lo que les permite concentrarse en tareas más estratégicas y valiosas.
8: Trabajo decente
9: Industria, infraestructura e innovación
Afectar la labor de los docentes
Oportunidad en la educación para elevar el aprovechamiento académico de estudiantes. La IA tiene el potencial de crear espacios educativos más so sticados y personalizados que respondan a las necesidades e intereses de cada estudiante.
Riesgo en la educación de di cultar para los profesores la tarea de discernir entre trabajo original del alumno y el contenido generado por IA. Esto puede parecer una responsabilidad abrumadora para los educadores.
Reinventar la escuela: La IA generativa brinda una oportunidad para transformar qué, cómo y con quién aprenden los jóvenes, liberando el potencial de una mayor autonomía, creatividad y pensamiento de orden superior por parte de los estudiantes.
Los educadores se enfrentan a di cultades al evaluar el trabajo auténtico de los alumnos debido a la presencia de contenido generado por IA, lo que puede resultar abrumador.
4: Educación
Desplazar o sustituir trabajadores
Riesgo en el trabajo de desplazar a personas al sustituir sus tareas por sistemas de IA.
Automatización de labores mecánicas, por robots; desplazamiento de personal por el uso de software y algoritmos.
Oportunidad Riesgo Presente Futuro
4:
Educación
8: Trabajo decente
Crear nuevas fuentes de empleo
Oportunidad de creación de nuevas profesiones y oportunidades de trabajo en la cadena de valor de la IA. El desarrollo de sistemas de IA genera diversas fuentes de empleo, desde trabajadores especializados como ingenieros y programadores, hasta oportunidades de ingreso para trabajadores no cali cados en la clasi cación de bases de datos.
'-El crecimiento explosivo de la inteligencia arti cial (IA) está impulsando la necesidad de grandes conjuntos de datos de formación, que son atendidos por millones de trabajadores que etiquetan texto, imágenes, vídeo y audio para todo tipo de aplicaciones, desde asistentes de reconocimiento de voz hasta reconocimiento facial o reconocimiento de imágenes en 3D para vehículos autónomos.
-Datos y Recolección de Información: La recopilación y curación de datos para entrenar algoritmos de IA es fundamental. Esto puede crear empleo en la recopilación de datos, la gestión de bases de datos y la seguridad de datos.
8: Trabajo decente
Alta demanda y consumo de energía
Riesgo de que el desarrollo de sistemas de IA consuma cantidades insostenibles de energía y produzca afectaciones considerables al sistema climático global.
Los modelos de entrenamiento de la IA generativa es lo que más energía consume. Investigadores a rman que el entrenamiento de un modelo de como el GPT-4 de OpenAI o el PaLM de Google, consume unas 300 toneladas de CO2; a modo de comparación, una persona media es responsable de la creación de unas 5 toneladas de CO2 al año, aunque el norteamericano medio genera varias veces esa cantidad.
7: energía asequible y no contaminante
Desarrollo y avance de la planeación y gestión urbana
Oportunidad de aprovechar herramientas de IA generativa para generar conocimiento y ayudar en la toma de decisiones en procesos de planeación y gestión urbana.
-eMapGAN es una aplicación basada en redes neuronales que es capaz de generar nuevas realidades, más sostenibles, a partir de una imagen por satélite de una porción del territorio, permitiendo al profesional urbanista concebir nuevas realidades, visualizadas como ortofotos de lugares que nunca han existido.
-Diseño Inteligente que presenta la toma de decisiones de diseño urbano reforzada por el diseño asistido por inteligencia arti cial, para explorar formas urbanas sostenibles.
11: Ciudades Sostenibles
Profundizar la brecha digital y de conocimiento
Riesgo en profundizar brecha digital y acceso a conocimiento en diversos ámbitos (laborales, educativos, etc.).
Oportunidad
Acceso a Recursos Tecnológicos: Si los países y poblaciones no tienen igual acceso a las tecnologías de IA y a la infraestructura necesaria para aprovecharlas, podría ampliarse la brecha entre aquellos que pueden bene ciarse de la IA y aquellos que no pueden.
10:
Reducción de las desigualdades
Predicción y reducción del riesgo de desastres
Mejorar la gestión de la sostenibilidad ambiental
Oportunidad de implementar IA para sistemas de alerta temprana y así mejorar la gestión de riesgos y desastres derivados de fenómenos naturales.
-Uso de la IA para pronosticar el clima, hacer cálculos para hacer frente al cambio climático. -La IA se aplica para mejorar la gestión de riesgos y desastres naturales en la reducción de riesgo de desastres (RRD). Se han implementado soluciones efectivas, como sistemas de alerta temprana y estaciones hidrológicas para prevenir daños. También se utiliza geodesia para detectar tsunamis y evaluar amenazas. Una plataforma de información en tiempo real ayuda en la toma de decisiones. Sin embargo, hay desafíos en la recopilación y procesamiento de datos, desarrollo de modelos y transparencia. Se promueve el intercambio de datos de código abierto y la normalización para mejorar la aplicación de la IA en RRD. Se necesitan esfuerzos para garantizar recursos computacionales y reducir la brecha digital.
13: Acciones por el clima
Inhibir los ODS
Oportunidad de aumentar capacidades y mejorar la toma de decisiones con herramientas de IA para promover la sostenibilidad ambiental.
La IA generativa ofrece un enorme potencial para impulsar la sostenibilidad ambiental. Puede automatizar el cálculo de huellas de carbono, monitorizar emisiones en tiempo real y proporcionar recomendaciones, incluyendo escenarios de trayectorias netas cero. También facilita la gestión y visualización de datos ambientales. Además, acelera la investigación de enfoques sostenibles innovadores. La IA activa respuestas sobre el cambio climático y su impacto. En diseño y fabricación, se emplea para acceder a investigaciones y crear simulaciones para probar diseños sostenibles.
13: acciones por el clima
14: Vida submarina
15: Vida de ecosistemas terrestres
Crear "super humanos" con implantes
Riesgo de utilizar la IA de manera inadecuada, produciendo lagunas en la transparencia, seguridad y ética, e inhibir los ODS.
Riesgo de profundizar la desigualdad entre las personas con el poder adquisitivo de acceder a tecnologías como implantes para aumentar sus capacidades cognitivas.
Oportunidad
Si el desarrollo de la IA no está respaldado por una regulación adecuada podrían producirse lagunas en la transparencia, la seguridad y las normas éticas e inhibir 59 objetivos de los ODS, de acuerdo a un proceso de recolección de opiniones de expertos.
En caso de que la idea de un Neuralink fuese realidad crearía una brecha aun mayor para el acceso a oportunidades al que pueden acceder las personas con mayor poder adquisitivo.
Transversal a todos
10: Reducción de las desigualdades
Aumentar la e ciencia en la gestión de recursos
Perpetuar dominancia de naciones y empresas
Oportunidad para mejorar la gestión de recursos y por ende disminuyendo las huellas ambientales de actividades humanas y/o extendiendo el alcance de iniciativas de desarrollo.
-El uso de la IA en robots industriales ha mejorado la eficiencia energética de empresas manufactureras.
-La IA generativa puede ayudar a hacer que los sistemas sean más eficientes y sostenibles. La IA puede utilizarse para automatizar tareas, optimizar procesos y reducir residuos. Esto puede contribuir a que nuestros sistemas sean más eficientes y sostenibles.
7: energía asequible y no contaminante
Acelerar comunicación y toma de decisiones en contextos remotos
Riesgo en profundizar la desigualdad entre regiones al tener naciones o empresas que controlen excesivamente los datos y algoritmos de IA.
Identi car y evaluar
Greenwashing con IA
Procesos robotizados generan cantidades enormes de información y se van complejizando las redes y dependencias de procesos. AI generativa puede acelerar las tomas de decisión donde la participación humana se vuelve un liability.
Control de Datos: Si las naciones o empresas más avanzadas en IA ejercen un control excesivo sobre los datos y los algoritmos, podrían perpetuar su ventaja competitiva y limitar el acceso a otras regiones.
-Por ejemplo, La misión lunar colmena de México busca establecer redes de comunicación en red que ayudarán al manejo futuro de datos e información con AI en el espacio sin tener que pasar por control en la tierra, como en el caso de robots.
-Por el fácil acceso a los datos en tiempo real con el uso de la sensorización, la toma de decisiones basadas en datos se puede realizar de forma inmediata agilizando procesos.
Oportunidad en evaluar greenwashing a través de la revisión de documentos y materiales que analice el desempeño real de las empresas en cuanto a temas ambientales. La IA se presenta como una herramienta útil para reducir semanas de análisis de información de a solo días
En análisis realizados con herramientas de IA, se ha identi cado una tendencia creciente del greenwashing en el ofrecimiento y prestación de los servicios, con declaraciones ambientales no justi cadas
8: trabajo decente
9: Industria, infraestructura e innovación
6: Agua limpia y Saneamiento
7: Energía asequible y no contaminante
13: Acciones por el clima
10: Reducción de las desigualdades
Tabla 6. Papel de la IA para el cumplimiento de los ODS. Recuperado de: (Ríos, et al., 2024)
Referencias
Acciona (s.f). La alianza entre inteligencia arti cial y desarrollo sostenible. AccionaDesarrollo sostenible. https://rebrand.ly/podvwqx
Cepei. (1 de abril de 2024). La Inteligencia Arti cial es clave para acelerar el desarrollo sostenible. Cepei. https://rebrand.ly/7w6dwr5
Comisión Económica para América Latina y el CaribeCepal. (s.f) Objetivos de desarrollo sostenible. Cepal.
Conure (8 de marzo de 2022). Top 7 Applications of IoT for Environmental Sustainability. Conure. https://rebrand.ly/bupsjwn
Death, R. (2015). An environmental crisis: science has failed; let us send in the machines. WIREs Water, 2(6), 595-600. https://rebrand.ly/qvktfbo
Genghini, L. (3 de octubre de 2023). 8 Ways Arti cial Intelligence Can Contribute to Environmental Conservation. 2023 Builders. https://rebrand.ly/9288e5
Goralskia, M., y Tan, T. (2020). Arti cial intelligence and sustainable development. The International Journal of Management Education, 18(1), 100330. https://rebrand.ly/jhfdwwn
Hao, K. (6 de junio de 2019). Training a single AI model can emit as much carbon as ve cars in their lifetimes. Deep learning has a terrible carbon footprint. MIT Technology Review: https://rebrand.ly/tx7mxfg
IBM. (2022). Impulsar la innovación minimizando el impacto ambiental. Cómo IBM Hursley implementa la automatización en su trayecto hacia la neutralidad de carbono. IBM. https://rebrand.ly/ooads01
IBM. (s.f.). TI sustentable con IBM Turbonomic. IBM. https://www.ibm.com/mx-es/products/turbonomic/sustainability
It User. (20 de febrero de 2024). IA y Automatización para la gestión sostenible de la energía. Sostenibilidad. It User. Centro de Recursos. https://rebrand.ly/4pa7kul
Nishant, R., Kennedy, M., y Corbett, J. (2020). Arti cial intelligence for sustainability: Challenges, opportunities, and a research agenda. International Journal of Information Management (53), 102104 https://rebrand.ly/rkvp1dg
Opertek. (14 de mayo de 2024). IA ayuda a conseguir objetivos de sostenibilidad. Opertek. https://rebrand.ly/298812
OverIT. (s.f.). Overit Nextgen Platform : Enabling your FSM digital transformation. OverIT. https://www.overit.ai/es/plataforma/overit-next-gen-fsm-features/
Ríos, G., Munguía, J., Cervantes, L., Rodríguez, D., García, G. y Rincón, R. (4 de abril de 2024). Navegando las posibilidades de la IA generativa para el desarrollo sostenible. Programa de las Naciones Unidas para el DesarrolloUnited Nations Development Programme. (UNDPPNUD). https://rebrand.ly/j55mcw1
Schneider Electric. (13 de noviembre de 2023). Schneider Electric impulsa soluciones de productividad y sostenibilidad de IA generativa al integrar Microsoft Azure OpenAI. PR Newswire. https://rebrand.ly/fc0bjgs
Terranova. (10 de abril de 2024). Casos prácticos de inteligencia arti cial aplicada al sector de las utilities. Terranova. https://rebrand.ly/b01ecf
Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., Felländer, A., Langhans, S., Tegmark, M. y Fuso, F. (2020). The role of arti cial intelligence in achieving the Sustainable Development Goals. Nature Communication,. 11 (11), 233 https://rebrand.ly/33f410
Alejandro Marín Uribe
Elkin Alexander Caro Acevedo IRO
Ideas Clave
La inteligencia arti cial (IA) ha empezado a utilizarse con más frecuencia en el sector energético y ahora se ha visto con mayor claridad su importancia, por ejemplo, en aspectos como la optimización de la generación de energía, el cuidado de las infraestructuras ya sea en producción, transporte o distribución, la reducción del consumo energético, el almacenamiento de energía, la lucha contra el cambio climático, entre otros que se encuentran como promesas que cubren al sector en relación con el uso de la IA.
La adopción de la IA en el sector energético no está exenta de desafíos, en primer lugar, implementar sistemas de IA e integrarlos en la infraestructura existente conlleva un costo inicial signi cativo. Por otra parte, el sector energético maneja grandes cantidades de datos sensibles, como la red y la información de los clientes; cuando se trata de datos y detalles operativos, el desafío es garantizar la seguridad de estos datos, ya que los sistemas tecnológicos deben estar protegidos contra amenazas e infracciones cibernéticas. Además, hay una escasez de profesionales capacitados en IA que comprendan el sector energético y las tecnologías implicadas.
El mercado de IA en el sector eléctrico ha experimentado un crecimiento signi cativo desde 2020, tanto a nivel global como en Colombia. La IA se ha convertido en una tecnología clave para mejorar la e ciencia operativa, integrar energías renovables, y optimizar la gestión de redes eléctricas. A pesar de los desafíos, las proyecciones indican que su adopción continuará en aumento, impulsada por la necesidad de descarbonizar el sector energético y mejorar la resiliencia de los sistemas eléctricos.
En Colombia, la adopción de IA está en una fase inicial, pero el potencial de crecimiento es considerable. Con el apoyo adecuado en términos de inversión, políticas públicas y desarrollo de infraestructura, puede desempeñar un papel crucial en la transición energética del país. El futuro del sector eléctrico dependerá en gran medida de la capacidad de las empresas y los gobiernos para adoptar e implementar estas tecnologías de manera efectiva.
Generalidades de IA en energía
En un mundo cada vez más e ciente y sostenible, la IA se per la como una poderosa herramienta que puede transformar diversos campos y gestionar la energía. La transferencia de tecnología y la sostenibilidad abren nuevas vías para optimizar el uso de los recursos energéticos y reducir las emisiones de carbono, fomentando la transición hacia un futuro más limpio y e ciente energéticamente.
La aparición de nuevas tecnologías está marcando el desarrollo de la industria eléctrica y las agencias de transformación digital empiezan a ocupar un lugar importante en las empresas del sector. Disponer de los datos correctos y utilizar el mejor enfoque se ha convertido en la clave del cambio. En este sentido, muchos tipos de tecnologías que surgen hoy en día caen bajo el paraguas de la inteligencia arti cial: aprendizaje profundo, imágenes digitales, análisis de comandos, redes neuronales, visión arti cial, lenguaje natural entre otros, es necesario aprender a implementarlas y evaluarlas para mejorar.
Desde la optimización de los procesos industriales hasta la mejora de los servicios, el impacto de la IA está ahí. Sin embargo, uno de los sectores más afectado por esta revolución es el energético. Imagine un mundo donde las redes eléctricas puedan anticipar y responder e cazmente a la demanda de energía, y la transición a las energías renovables se gestione de manera óptima. Esto ya no es sólo una visión futurista, sino una realidad cada vez más concreta gracias a la integración de la inteligencia arti cial en el sector energético.
La IA permite a las empresas y organizaciones del sector energético mejorar la e ciencia, la estabilidad, la gestión de recursos, entre otros. Esto es posible a través del análisis de datos, que ayudan a automatizar procesos, reducir riesgos y tomar decisiones.
Las aplicaciones más relevantes en este sector están relacionadas con la optimización de las redes eléctricas, que utilizan IA para pronosticar la demanda de energía, lo que puede garantizar un suministro estable y una gestión e ciente de la distribución de energía.
Inteligencia arti cial en nuevos sistemas de energía
de millón de artículos académicos y de investigación sobre diversos aspectos de la IA en la cadena de valor de la energía, publicados hasta 2022. Los autores muestran cómo la tasa de trabajos publicados se ha disparado en los últimos años, y actualmente se añaden unos 25.000 nuevos artículos anualmente. El estudio concluye que el foco de la investigación actualmente recae principalmente en las aplicaciones de IA en el comercio minorista de energía (55%), la transmisión (14%) y la generación (13%) (Eriksen et al., s.f., p. 41).
Unidades: 1000
Un estudio reciente titulado Reviewing 40 years of arti cial intelligence applied to power systems – A taxonomic perspective analizó más de un cuarto
Número de publicaciones anuales
Elemento de la cadena suministro del sistema de energía
Minorista
Redes de distribución
Redes de transmisión
Generación
Redes aisladas / Microrredes
Operaciones de mercado / Trading
Figura 1. Material publicado relacionado con la IA en la industria energética. Recuperado de: (Eriksen et al., s.f., p. 41).
El proceso de investigación y desarrollo de IA es menos activo en transmisión y generación porque implica el apoyo a las decisiones y el aumento de un entorno físico complejo, sujeto a limitaciones físicas muy precisas, la IA todavía no controla el mundo físico. Recién ahora hay inicios de la fusión de la robótica y la IA en algo llamado inteligencia física, esto no quiere decir que la IA no sea necesaria para ayudar a gestionar la generación distribuida cada vez más compleja y el entorno de red en expansión, muchos operadores de redes están al límite y necesitan la ayuda de nuevas herramientas digitales e inteligencia arti cial.
Muchas empresas de servicios públicos están utilizando la IA para analizar las condiciones y las amenazas de la red más rápidamente, permitir el mantenimiento remoto y predictivo de equipos críticos, optimizar las topologías y forjar contratos más ágiles con socios y clientes (Eriksen et al., s.f., p. 41).
La IA también facilitará la integración de fuentes de energía renovables en las redes eléctricas, optimizando su producción, almacenamiento y distribución y promoviendo un modelo energético más sostenible y sustentable.
La inmensa escala de cambio que la IA generativa está imponiendo en las industrias de servicios y el marketing es muy diferente de las mejoras que la IA está aportando y traerá a la industria energética la cual cuenta con muchos activos, a continuación, se describen dos conceptos útiles para comprender la IA:
IA generativa: modelos utilizados para generar nuevos datos. Estos modelos tienen como objetivo aprender la distribución subyacente de los datos para producir nuevas muestras que sean similares a los datos de entrenamiento. Los modelos de IA generativa incluyen modelos de lenguaje grande (LLM) como ChatGPT, que dominan el ciclo publicitario en este momento. Su aplicabilidad a los sistemas energéticos se limita actualmente a aplicaciones de bajo riesgo, como herramientas de mejora de la productividad para el personal —por ejemplo, Copilot— y aplicaciones de servicio al cliente —por ejemplo, Chatbots— (Eriksen et al., s.f., p. 42).
IA discriminativa: modelos utilizados para predicción e inferencia basados en datos existentes. No generan nuevos datos, sino que se centran en identi car patrones y tomar decisiones basadas en esos patrones. Este tipo de IA abarca la visión por computadora, la previsión, el mantenimiento predictivo, la detección de anomalías, la optimización del diseño, etc. (Figura 2) (Eriksen et al., s.f., p. 42).
Hoy: se utiliza como parte de los procesos de trabajo. Por ejemplo, copiloto de MS o Chat GPT
Futuro: puede ser parte de agentes de IA que reemplacen las soluciones de IA discriminatorias en el futuro
Generación de contenido, texto, imágenes, video, audio usando ChatGPT, Dall-E, etc.
Chatbots
Puede reemplazar la búsqueda web tal como la conocemos hoy.
IA utilizada para diseñar u operar activos industriales
Esto está en funcionamiento hoy y se espera mucho más en el futuro cercano
Por ejemplo, visión por computadora, previsión, mantenimiento predictivo, detección de anomalías, optimización del diseño
Por ejemplo, sistemas de recomendación utilizados por Net ix o Amazon, publicidad, aplicaciones para consumidores, etc.
Figura 2. Aplicabilidad de la IA a los sistemas energéticos. Recuperado de: (Eriksen et al., s.f., p. 42)
En el nuevo contexto de transición energética y reorganización del sector energético de sistemas tradicionales a sistemas más descentralizados, la digitalización es la clave para la implementación de electricidad con able y asequible. A medida que la energía renovable se integre rápidamente en las redes eléctricas (280 GW de capacidad adicional instalada a nivel mundial en 2020, un 45% más que en 2019), la IA será vista como una herramienta de digitalización y desempeñará un papel importante en el rediseño de los sistemas energéticos futuros, a través de toda la cadena de suministro del sistema eléctrico, se proyecta que se podrá implementar
Clasi cación de defectos
Uso e ciente de baterías múltiples
Monitoreo geoespacial proactivo
Visión computacional
Mapeo geográ co del potencial solar
Predicción de fallas
Optimización de la línea de producción
Planeación
Inteligencia arti cial en el sector energía
Machine learning
Enrutamiento del punto de cargade vehículos eléctricos
Detección de fallas con drones
Robótica
soldadura de turbina hidráulica
Producción de células solares
Control de la intensidad de la carga de vehículos eléctricos
Gestión de la red eléctrica
Figura 3. Taxonomía de IA para aplicaciones en el sector energético, con casos de uso. Recuperado de: (Quest et al., 2022)
para pronósticos y plani caciones precisas, para fuentes de energía renovables no convencionales, operación y optimización de la red, regulación de la demanda, gestión de formas y detección automática de errores (Figura 3). Por tanto, los nuevos avances en inteligencia arti cial permearan todos los niveles del sistema energético, desde la comercialización, la distribución, la plani cación y la operación de la red de transporte hasta la generación de energía, de hecho, muchos países están desarrollando y probando aplicaciones de IA en sus sistemas energéticos (Quest et al., 2022).
La IA, está cobrando una creciente importancia como tecnología multipropósito integrándose de manera generalizada en diversos sectores de la economía. En el ámbito del sector eléctrico, la creciente complejidad en la plani cación y operación de los sistemas de energía resalta su valor como una herramienta indispensable. Sin embargo, actualmente persiste cierta ambigüedad sobre los
puntos especí cos dentro de la cadena de suministro del sistema eléctrico donde las aplicaciones de IA aportan un valor considerable y sobre cuáles dominios de IA son los más adecuados para estas aplicaciones.
Según Heymann et al. (2024) el estado del arte de los últimos 40 años de la inteligencia arti cial aplicada a sistemas eléctricos indica que, hay un predominio actual en las aplicaciones de IA para la venta minorista de energía (55%), la transmisión (14%) y la generación (13%) y las aplicaciones basadas en algoritmos de aprendizaje (45%) y plani cación (14%). Sin embargo, los autores sugieren que la de nición actual de IA y su aplicación al sector eléctrico es ambigua y resaltan la falta de información sobre el uso real y la implementación exitosa en los casos de uso del sistema de energía (p. 2).
Cada vez más empresas del sector energético
están incorporando la IA en sus operaciones. Aunque su uso actual es aún limitado, se considera que esta tiene un gran potencial para contribuir a la descarbonización de los sistemas energéticos. De acuerdo con el último análisis del Foro Económico Mundial (Word Economy Forum), las aplicaciones de IA podrían generar hasta 1,3 billones de dólares estadounidenses (USD) en valor, al reducir la inversión necesaria para la generación de energía mediante soluciones de exibilidad. Además, se estima que la misma podría ahorrar 188 mil millones de USD al optimizar modelos que extienden la vida útil y mejoran la utilización de los componentes del sistema eléctrico, como los transformadores, y disminuir los costos generales del sistema energético en un rango de 6-13% a través del control y balanceo del sistema facilitado por la IA (Kuhlmann et al., 2021, p. 8).
¿Por qué se utiliza cada vez más la IA en el sector energético?
Según la Agencia Internacional de la Energía —IEA, por sus siglas en inglés— (2022) en su informe Perspectivas de la Energía en el Mundo 2022, para el 2050 se espera que el sector eléctrico cubra más del 50% del consumo de energía nal, para un escenario cero neto, por encima de otros sectores como industria, construcción o transporte (p. 123). Además, las tendencias actuales muestran que los sistemas energéticos se están transformando en sistemas digitalizados (IEA, 2017).
La digitalización depende en gran parte, de factores que impulsan el empleo de la IA en los sistemas eléctricos y que tienen su origen en la necesidad de reestructuración y descarbonización, dichos factores también son denominados 4D por sus características de digitalización, descarbonización, descentralización y desregulación. Implicando esto que la gran mayoría de las tecnologías digitales emergentes y los modelos de negocios utilizados en el sector energético hagan uso de Big Data e IA.
Por otra parte, la creciente complejidad en la planicación y operación de redes eléctricas y mercados energéticos se debe al incremento de actores y servicios involucrados. Según Heymann et al. (2024) el sistema eléctrico actual no fue concebido para integrar fuentes de energía diversi cadas y distribuidas, especialmente las energías renovables con patrones de producción variables. Por lo tanto, es necesario desarrollar nuevas herramientas que permitan evaluar y gestionar la incertidumbre en la plani cación del sistema eléctrico (p. 3).
Además, el cambio climático y los peligros provocados por el ser humano, como los ciberataques, exigen la implementación de nuevas medidas para mitigar los crecientes riesgos en infraestructuras críticas como los sistemas de energía. Los nuevos desafíos operativos incluyen la pronta identi cación y análisis de las desviaciones de frecuencia de la red o la detección automatizada de anomalías en la generación de energía eólica (Kruse et al., 2021)
En un sector energético cada vez más impredecible, incierto y complejo, la IA puede ayudar a mantener un alto nivel de con anza en la toma de decisiones.
El uso creciente de sensores, como los medidores inteligentes y el IoT, está abriendo nuevas oportunidades comerciales al aprovechar los datos recopilados. Esto puede, en última instancia, mejorar la e ciencia energética y/o reducir costos tanto para los consumidores como para las empresas. Se ha sugerido que la inteligencia arti cial tiene el potencial de generar nuevas oportunidades comerciales al procesar y valorizar los nuevos ujos de datos del sector energético, especialmente en hogares y edi cios inteligentes, en la automatización industrial (industria 4.0), así como en la optimización de la gestión de activos del sistema eléctrico y las estrategias de mantenimiento.
La tendencia actual en muchos sistemas eléctricos a nivel mundial muestra una transformación en el funcionamiento de los mercados mayoristas y minoristas de electricidad. Nuevos esquemas de mercado, como los mercados locales o las comunidades energéticas con comercio entre pares, requieren mecanismos rápidos para la asignación y facturación de recursos (Dudjak et al., 2021). La inteligencia arti cial puede facilitar la automatización necesaria para la toma de decisiones en estos entornos de mercado cada vez más complejos, como en tareas de compromiso de unidades, equilibrio de carga y suministro en esquemas de microrredes, o la asignación de ingresos a nivel del sistema energético comunitario (Ableitner et al., 2020).
la operación y monitoreo de microrredes, y la gestión de sistemas energéticos a gran escala (p. 3).
La IA puede ayudar a que el sector energético sea más seguro, más limpio, más e ciente y protegido que nunca, una tendencia creciente que se observa en los avances tecnológicos actuales (Figura 4). Sin embargo, como ocurre con cualquier tecnología nueva, puede ser perjudicial si nuestros adversarios no la implementan, no la comprenden o utilizan de forma correcta, el cumplimiento de estándares y prácticas de trabajo recomendadas en torno a gestión de la calidad de los datos, recopilación y transmisión segura de datos en sistemas de sensores, gemelos digitales y modelos de simulación,
Diseño, construcción y producción/captura Activo/ almacenamiento
Aseguramiento de la gestión de calidad de los datos
DNV-RP-0497
Aseguramiento de la recolección y transmisión de datos en sistemas de sensores
DNV-RP-0317
Análisis y toma de decisiones
marcos de modelado de información de activos, garantía del aprendizaje automático y la IA permitirá e ciencias energéticas signi cativas no solo en nuevos sistemas de energía sino también en innumerables aplicaciones de uso nal (Eriksen et al., s.f.).
Aseguramiento de los modelos de simulación
DNV-RP-0513
Aseguramiento de las aplicaciones de aprendizaje automático
DNV-RP-0665
Garantía de aplicaciones basadas en datos
DNV-RP-0510
Figura 4. Los componentes básicos de los sistemas digitales avanzados. Recuperado de: (Eriksen et al., s.f., p. 46).
No obstante, la aplicación de la inteligencia articial en el sector energético no es algo completamente nuevo. Según Heymann et al. (2024) para 1989 se publicó bajo el término sistemas expertos una primera revisión del estado del arte de la IA en sistemas eléctricos y en 1997, se evaluaron varias aplicaciones de IA empleadas en dichos sistemas. De hecho, los sistemas expertos básicos y las redes neuronales se han utilizado en el sector energético durante más de 30 años. Sin embargo, con el aumento de la potencia computacional, sus capaci dades han crecido, lo que ha permitido su aplica ción continua en los desafíos actuales de los siste mas de energía modernos, como la previsión de energía renovable,
Según el informe publicado por el U.S. Department of Energy, Of ce of Cybersecurity, Energy Security, and Emergency Response (2024) —Departamento de Energía de EE. UU., O cina de Ciberseguridad, Seguridad Energética y Respuesta a Emergencias—, llamado Potential Bene ts and Risks of Arti cial Intelligence for Critical Energy Infrastruc ture se identi ca un con junto de diez categorías
amplias de aplicaciones de IA para infraestructura energética crítica, así mismo examina cada una de ellas en tres períodos de tiempo: aplicaciones actuales, aplicaciones que están en el horizonte y aplicaciones que están en el futuro lejano.
Esta no es una lista exhaustiva y es casi seguro que surgirán nuevas aplicaciones a medida que avancen los sistemas de energía y la tecnología de IA:
Conciencia operativa de la infraestructura: frente a la avalancha de datos generados por las nuevas infraestructuras energéticas, la IA ayudará a los operadores de sistemas a identi car ideas clave en tiempo real y una visión más clara de su sistema. Al mismo tiempo, su capacidad para mostrar rápidamente cambios en las condiciones del sistema, incluso con datos limitados o incompletos, brinda a los gerentes la información y el contexto que se necesitan.
Modelado y simulación de alta complejidad: los modelos basados en IA pueden generar patrones climáticos más complejos y simpli car la simulación de sistemas energéticos para una mejor toma de decisiones. Pueden aumentar la e ciencia de los modelos físicos tradicionales y permitir enfoques más intuitivos y e cientes.
Controles activos: Existe una gran necesidad del poder de la inteligencia arti cial para controlar el funcionamiento del sistema eléctrico a una velocidad mecánica, en base a la decisión humana. La IA puede apoyar la gestión de la infraestructura eléctrica, brindando apoyo en la toma de decisiones a los operadores humanos (asistencia de la IA y humanos) o administrando directamente las actividades de la infraestructura (dirigidas por la IA), y en diferentes niveles (supervisada por una presencia humana o realizada de forma independiente).
1 2 3 4
Mantenimiento predictivo: la IA puede proporcionar alertas tempranas y advertencias mejoradas sobre daños o fallas en equipos eléctricos. Esto permite a los operadores garantizar que el equipo reciba el mantenimiento adecuado, mejo
6
Detección y diagnóstico de eventos maliciosos: la IA puede proporcionar formas nuevas y mejoradas de detectar, identi car y responder a amenazas conocidas y emergentes (físicas y cibernética) en sistemas electrónicos. Una aplicación válida para permitir el análisis automático rápido de datos de tecnología operativa (OT) y de tecnología de la información (IT), en un esfuerzo por detectar, identi car y mitigar más rápidamente las intrusiones cibernéticas en la infraestructura eléctrica.
Previsión: la IA puede mejorar la previsión de condiciones operativas clave. La proyección de tendencias y precios del mercado tiende a ofrecer bene cios económicos, mejorar la preparación para condiciones climáticas extremas e incluir diferentes recursos y responsabilidades, lo que aumenta la exibilidad y ayuda en la transferencia de energía.
Plani cación del sistema: la IA puede proporcionar nuevas formas de respaldar la gestión de los sistemas de plani cación energética, incluido el cambio de equipos y combinación de recursos, así como la producción de nueva infraestructura a largo plazo. Esto puede ayudar a identicar rápidamente con guraciones óptimas del sistema, ayudar a reducir costos y mejorar la exibilidad del sistema, incluso cuando se integra infraestructura nueva y existente en sistemas complejos.
7 8 9
Exploración y extracción de recursos: la IA puede ayudar a utilizar datos físicos históricos y no estructurados para identi car reservas potenciales de recursos fósiles y minerales, y permitir que robots/máquinas avanzadas faciliten la extrac
Tendencias y aplicaciones: ¿Cómo está cambiando la inteligencia
arti cial (IA) el sector de las energías renovables?
A medida que se acelera la transición energética, garantizar una red estable y con able requerirá que la energía de la IA continúe integrando grandes cantidades de energía renovable (solar y eólica).
Las previsiones de variables básicas (velocidad del viento, ancho horizontal y potencia producida) se entienden en varias escalas, minutos y horas para mantener la estabilidad de la red y los equipos de distribución. Para lograr esto, las redes neuronales arti ciales y las redes neuronales de retropropagación se aplican especí camente en aplicaciones de energía eólica para el modelado de predicción de la velocidad del viento, pero para la predicción de la energía solar los cambios son mejores.
La lógica difusa, una de las tecnologías utilizadas en IA, es adecuada para implementar sistemas de control que aseguren una mayor gestión de recursos y una mejor gestión a través de la automatización con IoT y las smart grid (Africa Renergy E-Training Academy [ARETA], 2020).
IA en el sector energético: ejemplos de casos de uso
La IA y el aprendizaje automático están revolucionando el sector energético, permitiendo una optimización avanzada y una toma de decisiones inteligente. Desde mejorar la producción de energía y la gestión de redes inteligentes hasta optimizar la e ciencia energética, la IA está cambiando la forma en que se produce, distribuye y consume la energía. En este apartado, se explora el interesante papel de la IA en la optimización energética y sus aplicaciones en la cadena de valor de la energía (TyN, 2023, párr. 1)
Optimización de la generación de energía Una de las aplicaciones más importantes de la IA en el sector energético es la optimización de la generación de energía. Los algoritmos de IA pueden analizar datos de fuentes de energía renovables, como paneles solares y turbinas eólicas, predecir la producción y mejorar el rendimiento del sistema.
La IA tiene en cuenta factores como los patrones climáticos y los datos históricos, lo que permite predicciones más precisas y garantiza un uso e ciente de los recursos renovables. Los consumidores también verán estos avances como lo demuestran los procesos mejorados, como el registro electrónico, que automatiza y acelera el proceso con la ayuda de la IA. Los modelos de aprendizaje automático también pueden optimizar el rendimiento de las centrales eléctricas existentes para reducir el consumo de combustible, reducir las emisiones y optimizar los programas de mantenimiento.
Gestión de redes inteligentes
La IA desempeña un papel importante en la gestión de redes inteligentes, cambiando la forma en que se produce, distribuye y consume la energía. Monitorear y controlar la red eléctrica permite a las empresas de servicios equilibrar la oferta y la demanda. Los algoritmos de IA analizan datos de múltiples fuentes para promover una mejor gestión de la red, reducir las pérdidas de transmisión y mejorar la estabilidad
del sistema. Los dispositivos pueden utilizar modelos de aprendizaje automático para predecir con precisión la demanda de energía en función de patrones de consumo anteriores. Esta información ayudará a optimizar la distribución de energía, plani car la gestión de cargas máximas y minimizar las ine ciencias. Además, la tecnología de optimización de redes basada en IA detecta y predice fallas en los equipos que pueden respaldar un mantenimiento más rápido y reducir el tiempo de inactividad (TyN, 2023, párr. 3).
Según la multinacional del software SAP (como se citó en Derrick, 2024) las tecnologías de inteligencia arti cial conectadas a la nube, como el aprendizaje automático, el análisis de datos y la IoT, mejorarán las operaciones de las redes inteligentes, permitiendo una generación y distribución de energía complejas. La inteligencia arti cial, la nube y las tecnologías digitales permiten que todos los dispositivos y activos de red se comuniquen, para que puedan ser mejor gestionados y autogestionados, a rmó la multinacional del software (párr. 21).
Optimización del consumo de la energía
Los sistemas de gestión de energía de IA están logrando grandes avances en la mejora de la e ciencia energética de edi cios, industrias y hogares. La inteligencia arti cial recopila y analiza sensores para controlar el aire acondicionado, la iluminación y los sistemas de consumo para optimizar el uso de energía, reduciendo las facturas de los hogares y comunidades. Los algoritmos de aprendizaje automático identi can patrones y variaciones en el uso de energía, lo que permite productos más e cientes y que ahorran energía. Utilizando la IA, los edi cios pueden transformarse en estructuras inteligentes y energéticamente e cientes que se centren en las necesidades de los ocupantes y reduzcan el consumo de energía.
Respuesta a la demanda y comercio de energía
Los programas de respuesta a la demanda implementados con tecnología de inteligencia arti cial permiten a los consumidores ajustar su consumo de energía según las condiciones de la red. Al participar en estos programas, los consumidores pueden ayudar a equilibrar la oferta y la demanda, evitar cortes de energía y reducir la necesidad de costosas plantas de energía durante períodos de alta demanda. Los algoritmos de IA analizan datos
del mercado energético en tiempo real, patrones climáticos y comportamiento del consumidor para optimizar las estrategias de comercio de energía para las empresas del sector. Esto les permite maximizar las ganancias y tomar decisiones en mercados energéticos volátiles. La gestión de la demanda de energía mediante IA puede optimizar y gestionar el consumo de energía en función de las uctuaciones de la demanda mediante el análisis de datos en tiempo real. Según la AIE (como se citó en Derrick, 2024), la respuesta a la demanda consiste en proporcionar incentivos para desplazar oeliminar la demanda de electricidad de los mercados mayorista y secundario para ayudar a equilibrar la red, que debería ser más exible porque la red será alimentada por fuentes de energía alternativas como la eólica y la solar fotovoltaica (párr. 20).
Sistemas de energía distribuida
La IA desempeña un papel importante en la gestión de sistemas de energía distribuida, como los microrrecursos energéticos y los recursos energéticos distribuidos (DER). La IA garantiza la estabilidad y el uso e ciente de los recursos al optimizar la interacción entre diferentes fuentes de energía, sistemas de almacenamiento y aplicaciones energéticas locales. Los modelos de aprendizaje automático predicen la producción de energía a partir de fuentes distribuidas, como paneles solares en los tejados, lo que permite a los operadores inteligentes equilibrar la oferta y la demanda. Además, los algoritmos basados en IA operarán una plataforma de comercio electrónico entre pares, lo que permitirá a individuos y empresas acceder a los mercados electrónicos locales. Estas plataformas mejoran la e ciencia energética, reducen las emisiones y promueven la participación comunitaria en prácticas energéticas sostenibles.
La informática inteligente está transformando el sector energético al optimizar la producción de energía, gestionar redes inteligentes, mejorar la e ciencia energética, simpli car la respuesta a la demanda y fortalecer el sistema de energía distribuida. A medida que la tecnología de IA continúa avanzando y aumenta la adopción en todas las industrias, podemos esperar sistemas electrónicos más e cientes, duraderos y sostenibles. Aprovechando el poder de la IA, podemos desbloquear todo el potencial de las fuentes de energía renovables, mejorar la con abilidad de la producción de energía y reducir nuestro impacto ambiental.
Áreas de negocio o servicios en el sector
La IA es muy prometedora para el futuro de la industria electrónica, esto es fundamental para la producción, la distribución y el consumo, y continuará a medida que la IA se vuelva más capacitada e inteligente, las oportunidades en este campo son in nitas. Aquí hay un resumen de las 10 principales formas en que se está implementando la IA en el ciberespacio y cómo evolucionará a medida que avance el conocimiento.
Mantenimiento predictivo
Siguiendo con la naturaleza predictiva de la IA, las empresas de energía pueden predecir cuándo es probable que sus equipos fallen o necesiten mantenimiento gracias a las capacidades de la IA. La empresa eléctrica E.ON (como se citó en Derrick, 2024) dice que la inteligencia arti cial, especialmente el aprendizaje automático, ha dado lugar a un proceso llamado mantenimiento predictivo (párr. 18). La IA puede procesar y analizar con rapidez y precisión grandes cantidades de datos recopilados de las computadoras. Podemos ver patrones y relaciones simples que indican lo que está por venir (Derrick, 2024, párr. 18).
Al analizar grandes cantidades de datos de múltiples fuentes, el aprendizaje automático (ML) puede predecir fallas antes de que ocurran, reducir el tiempo de inactividad y los costos de reparación, y mejorar la con abilidad (Derrick, 2024, párr. 19).
Previsión de energía renovable
En cuanto a las fuentes de energía nuevas y disponibles, la IA puede ayudar a predecir cuándo se producirá mejor la energía renovable o cuánta estará disponible con el tiempo. Equilibrio de oferta y demanda.
VTT EnergyTeller, una solución del Centro de Investigación Técnica VTT de Finlandia, es un servicio inteligente que puede predecir con mayor precisión la demanda de energía y el desarrollo del mercado. En Finlandia, un error del 1% en las previsiones de energía eólica cuesta 300.000 euros (326.700 dólares) al año para corregir la incertidumbre, según una empresa de investigación y tecnología. Ahora tenemos más datos, a rma VTT (como se citó en Derrick, 2024, Párr. 17). "Un servicio de previsión energética preciso permite utilizar datos del mercado y de la red para realizar previsiones precisas. Las previsiones se pueden utilizar para optimizar la transición a la energía renovable y garantizar una gran disponibilidad en todas las circunstancias" (Derrick, 2024, párr. 17)
Almacenamiento de energía
La optimización es un concepto avanzado y, en este contexto, la IA optimiza el almacenamiento y la distribución de energía a partir de fuentes de energía renovables. Utilizando algoritmos que monitorean y determinan factores como la oferta, la demanda, los precios y las condiciones de la red, la IA puede guiar a las empresas hacia los mejores momentos para ahorrar energía, tiempo de entrega y cantidad de distribución. Esto se ve cada vez más en diversas formas de energía renovable, como la eólica. La IA puede ayudarnos a almacenar el exceso de energía que se produce durante las horas pico y utilizarla cuando no se produce electricidad (Derrick, 2024, párr. 14).
Captura, utilización y almacenamiento de carbono (CCUS)
La captura de CO2 asistida por IA puede ayudar a optimizar la captura y el almacenamiento de CO2 en procesos industriales y plantas de energía. El proceso CCUS se puede mejorar a través de la IA, a rma Geoteric, desarrollador de un sistema de interpretación basado en IA (como se citó en Derrick, 2024, párr. 13).
El informe de estudio de caso de la compañía examina la viabilidad de utilizar redes de inteligencia arti cial para evaluar de forma rápida y precisa posibles sitios CCUS, con especial atención en Bunter Sandstone en el sur del Mar del Norte. El análisis de errores de IA muestra que la ubicación seleccionada tiene muy pocos errores, lo que la convierte en una buena ubicación para proyectos CCUS. Los sistemas basados en IA pueden desempeñar un papel importante en la reducción de las emisiones de gases de efecto invernadero y la mitigación del cambio climático al identi car las formas más e cientes de utilizar el carbono atrapado, incluso en uso industrial, en el almacenamiento a largo plazo (Derrick, 2024, párr. 13).
Intercambiar energía
Cuando se utiliza en las condiciones adecuadas, la IA tiene un gran potencial para intercambiar energía (Derrick, 2024). Según un estudio reciente del Instituto Fraunhofer de Economía Energética y Tecnología de Sistemas Energéticos —Fraunhofer IEE— (como se citó en Derrick, 2024) el comercio de energía puede resultar más fácil gracias a la IA. En su análisis, la IA ha superado con éxito a los humanos. La IA también puede procesar datos en tiempo real sobre precios, demanda y condiciones de entrega para comprender la dinámica del mercado. Esto permite a las empresas energéticas tomar decisiones comerciales rentables (párr. 12).
Hogares y edi cios inteligentes
La IA tiene un gran impacto a la hora de convertir los edi cios en entornos energéticamente más e cientes. Por ejemplo, los medidores inteligentes y los dispositivos IoT combinados con inteligencia arti cial pueden proporcionar información en tiempo real sobre el consumo, lo que permite tomar decisiones basadas en datos para optimizar el uso de energía y, en última instancia, reducir los costos administrativos. La IA cambia las reglas del juego cuando se trata de alimentar edi cios inteligentes (Derrick, 2024, párr. 11).
La IA está optimizando varios aspectos de las operaciones de construcción a través de análisis de datos avanzados, cambios predictivos y monitoreo en tiempo real, ahorrando energía, costos y tiempo en el futuro, dice la empresa de soluciones de infraestructura Utilities One (como se citó en Derrick, 2024, párr. 11). Según un estudio del IBM Institute for Business Value (IBV) (como se citó en Derrick, 2024), el 70% de los directivos encuestados a rmó que las máquinas inteligentes proporcionarán nueva información para mejorar la toma de decisiones (párr. 11). 6
Monitoreo de plantas de energía nuclear
Según la Agencia Internacional de la Energía (AIE) (como se citó en Derrick, 2024), la energía nuclear proporciona casi el 10% de la producción mundial de electricidad, lo que fortalece su posición como fuente de energía de bajas emisiones (párr. 7). Los avances de la IA en la energía nuclear han cambiado la forma en que se monitorean las centrales eléctricas, ayudando a reducir el error humano y mejorar la seguridad. "La IA, junto con otras tecnologías como las trampas digitales, puede aumentar la e ciencia de la generación de energía nuclear", a rmó Nelly Ngoy Kubelwa, ingeniera nuclear de la Agencia Internacional de Energía Atómica (OIEA) (como se citó en Derrick, 2024, párr. 7). El aprendizaje automático (ML) una aplicación de la inteligencia arti cial se utiliza en este campo desde hace muchos años, y ha demostrado ser efectivo en algoritmos utilizados en mantenimiento predictivo y en tiempo real (Derrick, 2024, párr. 7).
Sector en cifras: mercado internacional y nacional
De nición de IA en el mercado energético
The Business Research Company (2024) de ne a la IA en su Informe sobre el mercado mundial de la IA en el sector energético, como la aplicación de tecnologías y métodos avanzados para optimizar la e ciencia operativa, mejorar la toma de decisiones y maximizar la gestión de recursos. Esta aplicación incluye el análisis de grandes volúmenes de datos, la seguridad y gestión de redes, así como la respuesta a la demanda energética.
De nición de IA en el mercado energético
Por oferta: Servicios de soporte, Hardware, Software
Por despliegue: Local —in situ—, Nube
Por aplicación: Gestión de respuesta a la demanda, Gestión de bienes y activos, Gestión de energía renovable, Perforación de precisión, Previsión de demanda, Gestión de infraestructura, Otras aplicaciones
Por usuario nal: Transmisión de energía, Generación de energía, Distribución de energía, Servicios públicos, Otros usuarios nales.
Regiones con mayor participación de la IA en el mercado energético
La adopción de la IA ha sido particularmente fuerte en regiones como América del Norte, Europa, y Asia-Pací co. En Estados Unidos, por ejemplo, se ha utilizado IA para mejorar la resiliencia de la red eléctrica, mientras que, en China, la IA se ha integrado en la gestión de grandes plantas solares y eólicas.
En 2023, América del Norte fue la región más grande en materia de inteligencia arti cial en el mercado energético. Según The Business Research Company (2024) se espera que Asia-Pací co sea la región de más rápido crecimiento en el período de pronóstico de 2024 a 2033.
Principales actores del mercado de IA en energía
Las principales empresas que operan en el mercado de IA del sector energético son: Google, Microsoft Corporation, Engie SA, Huawei Technologies Co Ltd., Intel Corporation, International Business Machines Corporation, Iberdrola, Cisco Systems Inc., Honeywell International Inc., Flex Ltd., Duke Energy Corporation, Nvidia Corporation, Alpiq
Holding AG, Enel Green Power SpA, Databricks Inc., C3 AI, Uptake Technologies, Sentient Energy Inc., AutoGrid Systems Inc., Arundo Analytics Inc., Bidgely Inc., Verdigris Technologies, Greenbird Integration Technology AS, Ecube Labs Co. Ltd.
Actores destacados en implementación de IA mercado de la energía
Schneider Electric, Siemens AG, Hazama Ando Corporation, General Electric, AppOrchid Inc, Alpiq AG, ABB Group, ATOS SE, Zen Robotics Ltd, SmartCloud Inc.
Factores que impulsan actualmente el mercado global de IA en energía
Para Congruence Market Insights (2024) en su informe Tamaño, tendencias, participación, crecimiento y previsión de oportunidades del mercado de la IA en el sector de la energía, 2023 – 2030, algunos de los principales factores impulsores del mercado global de la IA en el sector eléctrico son la demanda de e ciencia energética, el auge de las energías renovables, la creciente complejidad de los sistemas energéticos y los avances en análisis de datos. A continuación, se describe cada uno de ellos:
Demanda de e ciencia energética: a medida que la sostenibilidad y la e ciencia energética cobran mayor relevancia, crece la demanda de soluciones basadas en IA para optimizar el uso de energía, reducir el desperdicio y mejorar la e ciencia en la producción, transmisión y consumo de energía.
Auge de las energías renovables: debido a la creciente dependencia global de fuentes de energía renovable, como la eólica y la solar, las tecnologías de IA se están utilizando cada vez más para predecir con mayor precisión, integrar de manera más efectiva los recursos renovables en la red y maximizar la producción de energía renovable.
Creciente complejidad de los sistemas energéticos: se requieren soluciones impulsadas por IA para gestionar y optimizar los sistemas energéticos en tiempo real debido a su creciente complejidad, que incluye la proliferación de suministros de energía distribuida, generación renovable intermitente y patrones de demanda cambiantes.
Avances en análisis de datos: los rápidos avances en algoritmos de inteligencia arti cial, técnicas de aprendizaje automático y capacidades de análisis de datos permiten un análisis más so sticado de los datos energéticos, lo que conduce a una mejor toma de decisiones, mantenimiento predictivo y optimización operativa en toda la cadena de valor energética (párr. 2-5).
Crecimiento del Mercado y Adopción de la IA
Puntos clave de los informes:
Según los informes de Precedence Research (2023), The Bussiness Research Company (2024) y Market US (2024) se espera que América del Norte y Asia-Pací co dominen el mercado durante los períodos pronosticados. Factores como la adopción temprana de tecnologías avanzadas, inversiones sustanciales en investigación de IA y marcos de políticas favorables contribuyen al predominio de estas regiones.
Los informes de Market US (2024) y Market Research Intellect (2024) identi can que, por componente, se espera el dominio por parte del segmento de servicios. Por aplicación, del segmento de previsión de la demanda. Por usuario nal, del segmento de generación de energía y por despliegue, la nube dominará el mercado durante los períodos de pronosticados.
Para Allied Market Research (2022) el segmento de seguridad y protección (ciberseguridad) de los sistemas es el que más ingresos aporta al mercado, con una CAGR del 18,0%.
Los servicios públicos constituyen el segmento más grande, ya que captan más del 48% de la participación de mercado. Su papel fundamental en la integración de tecnologías de inteligencia arti cial para mejorar la e ciencia, la con abilidad y la sostenibilidad subraya la importancia de la estás en la transformación de las operaciones tradicionales de dicho sector (Market US, 2024, párr. 13).
El uso de la nube con una participación de más del 53%, predominará en el segmento de despliegue. Esto se atribuye a la exibilidad, escalabilidad y rentabilidad de las soluciones en la nube, que facilitan una implementación rápida y permiten la optimización en tiempo real de la producción y distribución de energía (Market US, 2024, párr. 28).
La previsión de la demanda surge como una aplicación clave, con una cuota de mercado de más del 27%. El uso de la IA para la previsión de la demanda permite a los proveedores de energía predecir con precisión las demandas futuras de energía, optimizar la producción y minimizar el desperdicio, algo especialmente crucial en el contexto de la integración de la energía renovable (Market US, 2024, párr. 32).
El uso de la IA en el comercio de energía y el análisis de mercado está en aumento, con un crecimiento esperado del 40% entre las empresas de servicios públicos entre 2022 y 2024. Esto demuestra que cada vez más empresas están empezando a con ar en la IA para tomar decisiones más inteligentes a la hora de comprar y vender energía (Market US, 2024, párr. 36).
Se espera que, en 2024, más del 55% de las implementaciones de IA en el sector energético involucren tecnología de gemelos digitales y el 60 % de las aplicaciones utilicen el aprendizaje automático para detectar patrones inusuales y diagnosticar problemas. Permitiendo realizar simulaciones y modelos que pueden mejorar la plani cación y la operación sin poner en riesgo los activos reales (Market US, 2024, párr. 41).
Además, se prevé que para 2024-2028 más del 65 % de las plataformas de IA para la industria energética ofrezcan funciones avanzadas de ciberseguridad. Crucial para proteger la infraestructura energética de amenazas cibernéticas (Market US, 2024, párr. 42).
Contexto Económico y Energético de IA en el Sector Eléctrico en Colombia
El sector eléctrico colombiano ha estado en un proceso de transformación digital, en parte impulsado por la necesidad de diversi car su matriz energética y mejorar la e ciencia operativa. En 2020, la matriz energética de Colombia estaba compuesta principalmente por energía hidroeléctrica, que representaba alrededor del 70% de la generación total. Sin embargo, el país ha comenzado a integrar otras fuentes de energías renovables no convencionales (ERNC), como la solar y la eólica (Ministerio de Minas y Energía de Colombia, 2021).
Según el Banco de la República de Colombia (s. f.), el Producto Interno Bruto (PIB) de Colombia se contrajo un 6.8% en 2020 debido a la pandemia de COVID-19, pero la economía comenzó a recuperarse en 2021, con un crecimiento del 10.7%. Esta recuperación ha sido un catalizador para nuevas inversiones en el sector energético, incluidas aquellas relacionadas con la digitalización y la IA.
Implementación de IA en el Sector
Eléctrico Colombiano
Las aplicaciones de IA en el sector eléctrico colombiano han seguido tendencias globales, aunque con un enfoque particular en las necesidades locales:
Gestión de Energía Renovable: Con el aumento de la capacidad instalada en parques solares y eólicos, la IA se ha utilizado para mejorar la previsión de generación y gestionar la intermitencia de estas fuentes de energía.
Optimización de Redes de Transmisión y Distribución: Empresas como ISA Intercolombia han comenzado a implementar IA para optimizar la operación de sus redes, lo que ha permitido reducir pérdidas técnicas y mejorar la con abilidad del suministro eléctrico (ISA Intercolombia, 2024).
Control y Reducción de pérdidas: como parte de la gestión de control y reducción de pérdidas, EPM puso en productivo la aplicación BI Inspecciones para la detección de clientes con fraude en el consumo de energía eléctrica. La aplicación cuenta con características analíticas de inteligencia arti cial, redes neuronales y machine learning (EPM, s.f.).
Mantenimiento Predictivo: Compañías como Celsia están utilizando IA para implementar programas de mantenimiento predictivo, lo que ha resultado en una mayor e ciencia operativa y reducción de costos (González, 2023).
Detección de amenazas (ciberseguridad): EPM implementa una herramienta de ciberseguridad llamada DARKTRACE basada en inteligencia arti cial que utiliza el aprendizaje automático para detectar y responder a amenazas en tiempo real. Se especializa en la detección de amenazas internas y comportamientos inusuales (EEGSA, 2024, p. 65).
Proveedores: Soluciones y/o Proyectos
De los actores principales en el mercado de IA en energía, mencionados en el apartado de Mercado de este informe, se destacan ABB Group, General Electric, Schneider Electric, Siemens AG, a continuación, se desglosan sus respectivas soluciones y/o proyectos.
ABB Group
ABB Group utiliza IA para innovar en el sector energético y eléctrico, aplicando tecnologías para mejorar la e ciencia, la abilidad y la sostenibilidad.
Casos de uso y/o proyectos destacados de ABB en este ámbito:
ABB Ability™ Energy Management System (EMS):
Es una plataforma que utiliza IA para optimizar la gestión de redes eléctricas y la integración de fuentes de energía renovable. La IA dentro del sistema ayuda a predecir y gestionar la demanda de energía en tiempo real, ajustar la producción y distribución de energía y mejorar la estabilidad de la red. Esto permite una operación más e ciente y exible de las redes eléctricas, facilitando la integración de fuentes renovables como la solar y la eólica (ABB, 2024a).
ABB Ability™ Predictive Maintenance:
Es una solución basada en IA diseñada para el mantenimiento predictivo de equipos industriales y eléctricos. Utiliza algoritmos de IA para analizar datos en tiempo real de sensores instalados en equipos como generadores, transformadores y motores. La plataforma predice posibles fallos y
proporciona recomendaciones para el mantenimiento antes de que ocurran problemas, lo que reduce el tiempo de inactividad no plani cado y mejora la e ciencia operativa (ABB, 2022).
ABB Ability™ Smart Sensor:
Es una solución que utiliza IA para la monitorización y el análisis de equipos eléctricos, como motores y bombas. Los sensores inteligentes de ABB recopilan datos sobre el rendimiento y el estado de los equipos, y la IA analiza estos datos para detectar patrones y anomalías. Esta tecnología permite a las empresas realizar un seguimiento continuo del estado de sus equipos, identi car problemas potenciales con antelación y optimizar el mantenimiento para mejorar la abilidad y la e ciencia operativa (ABB, 2024b).
Grid IQ:
Es la plataforma para la gestión y optimización de redes eléctricas que incorpora IA para mejorar la operación de dichas redes —smart grids—. La plataforma utiliza IA para analizar datos en tiempo real y optimizar el ujo de energía en la red. Esto incluye la integración de fuentes de energía renovable, la gestión de la demanda y la detección de anomalías en la red. Grid IQ ayuda a las utilities a mejorar la abilidad y la e ciencia de la distribución de energía, así como a reducir los costos operativos (GE, 2018).
Electric
General Electric (GE) ha estado a la vanguardia en la aplicación de IA en el sector energético y eléctrico.
Casos de uso y/o proyectos destacados de GE en este ámbito:
Predix:
Predix es la plataforma de General Electric que utiliza IA para el análisis de datos y el mantenimiento predictivo en el sector energético. Esta recopila y analiza datos en tiempo real de equipos y sistemas, como turbinas de gas y generadores. La IA dentro de Predix ayuda a predecir fallos potenciales y a optimizar el rendimiento de los activos, permitiendo un mantenimiento proactivo y una reducción de tiempos de inactividad inesperados. Esto resulta en una mayor e ciencia operativa y una mejor gestión de los recursos (General Electric [GE], 2016a; 2016b; 2024).
Predix:
Es una solución especí ca para la industria eólica que utiliza IA para optimizar el rendimiento de las turbinas eólicas. La plataforma aplica algoritmos de IA para analizar datos de rendimiento de las turbinas y condiciones meteorológicas. Con esta información, la IA puede ajustar en tiempo real los parámetros operativos para maximizar la generación de energía y reducir el desgaste del equipo. Esto no solo mejora la e ciencia de cada turbina, sino que también aumenta la producción general de energía eólica (GE, 2016a).
Con estas soluciones GE muestra cómo la IA puede transformar diversos aspectos del sector energético, desde la optimización del rendimiento de las turbinas eólicas hasta la gestión inteligente de redes eléctricas y el mantenimiento predictivo de equipos.
Electric
Schneider Electric ha estado activo en la implementación de inteligencia arti cial —IA— en el sector eléctrico. Algunas de sus soluciones destacadas en el sector son las plataformas EcoStruxure™ Grid y Asset Advisor.
EcoStruxure™ Grid:
Plataforma de gestión de redes eléctricas que integra IA para mejorar la e ciencia y la abilidad de las redes de distribución. Utiliza algoritmos de IA para realizar un análisis en tiempo real de datos operacionales, prediciendo y respondiendo a posibles fallos en la red antes de que ocurran. Optimiza el ujo de energía, facilita la integración de fuentes renovables y mejora la estabilidad de la red eléctrica (Schneider Electric, 2024b).
EcoStruxure™ Asset Advisor:
Es una solución de mantenimiento predictivo que emplea IA para monitorizar y analizar el estado de los equipos críticos, como transformadores y generadores. La plataforma utiliza IA para procesar datos de sensores en tiempo real y predecir posibles fallos o necesidades de mantenimiento. Esto permite a las utilities realizar intervenciones más oportunas y precisas, reduciendo el tiempo de inactividad y optimizando la gestión del mantenimiento (Schneider Electric, 2024a).
General
Schneider
Siemens Energy
Siemens, ha desarrollado varias aplicaciones de IA para el sector eléctrico. La empresa utiliza IA para el mantenimiento predictivo y la optimización de la generación de energía. Su solución Siemens Energy Digital Services combina análisis de datos y aprendizaje automático para mejorar la abilidad de equipos de generación y reducir los tiempos de inactividad.
Siemens Energy Digital Services:
Utiliza IA para el mantenimiento predictivo y la optimización de la operación de equipos de generación de energía. Esta plataforma aplica algoritmos de IA para analizar grandes volúmenes de datos de sensores instalados en turbinas de gas, generadores y otros equipos críticos. La IA ayuda a prever fallos potenciales y a realizar recomendaciones para el mantenimiento antes de que ocurran problemas, lo que reduce el tiempo de inactividad no plani cado y mejora la e ciencia operativa (Siemens, s.f. a).
Siemens Grid Edge:
Es una solución que emplea IA para la gestión avanzada de redes eléctricas y la optimización de la distribución de energía. La plataforma utiliza IA para analizar datos en tiempo real y mejorar la toma de decisiones en la operación de redes eléctricas. Esto incluye la gestión de la integración de fuentes de energía renovable, la optimización del ujo de energía y la detección de anomalías o fallos en la red, lo que contribuye a una mayor estabilidad y e ciencia en la distribución de electricidad (Siemens, s.f. b; s.f. d).
Siemens’ MindSphere:
Es la plataforma de IoT que utiliza IA para transformar la operación de sistemas eléctricos. MindSphere recoge y analiza datos de sensores y dispositivos en equipos como turbinas eólicas, generadores y transformadores. La IA en MindSphere ayuda a realizar un mantenimiento predictivo, optimizar el rendimiento y detectar anomalías. Este enfoque ha mejorado la e ciencia operativa y reducido los tiempos de inactividad en diversos activos de energía (Siemens, 2019).
Estos proyectos de Siemens AG demuestran cómo la IA puede ser utilizada para mejorar la gestión de la energía y las operaciones eléctricas en diferentes contextos, desde la generación y distribución de energía hasta la gestión de edi cios inteligentes.
Referentes o Casos de estudio
Enel Group:
Empresa de energía con presencia global, ha integrado IA en varias áreas de su operación. Utiliza IA para el mantenimiento predictivo de equipos, la gestión de redes eléctricas y la optimización de la producción de energía renovable. Enel ha desarrollado la plataforma Enel X, que utiliza algoritmos de IA para optimizar el consumo energético en edi cios y fomentar la integración de energías renovables.
Enel X Demand Response:
Enel X Demand Response es un proyecto que utiliza IA para gestionar la demanda de energía en tiempo real. La plataforma emplea algoritmos de IA para analizar patrones de consumo y predecir la demanda futura, permitiendo a Enel X coordinar la reducción de la demanda en momentos pico. Esto no solo ayuda a equilibrar la carga en la red eléctrica y evitar sobrecargas, sino que también facilita la integración de fuentes de energía renovable al ajustar la demanda de acuerdo con la disponibilidad de energía. La optimización de la demanda mediante IA contribuye a la estabilidad de la red y a la reducción de costos (ENEL, 2021; 2024).
Enel Green Power's Renewable Energy Optimization:
Enel Green Power ha desarrollado un proyecto que utiliza IA para optimizar la generación de energía a partir de fuentes renovables, como la solar y la eólica. La plataforma de optimización emplea IA para analizar datos meteorológicos, patrones de generación y condiciones operativas de las plantas de energía renovable. La IA ajusta en tiempo real las operaciones de las instalaciones para maximizar la producción de energía y mejorar la e ciencia general. Este enfoque no solo aumenta la producción de energía limpia, sino que también mejora la integración de las fuentes renovables en la red eléctrica (ENEL, 2023).
Enel Virtual Power Plant (VPP):
Enel ha lanzado el proyecto Virtual Power Plant —VPP— que utiliza IA para gestionar una red de recursos energéticos distribuidos. La VPP combina y controla múltiples fuentes de energía, como plantas solares, baterías y sistemas de almacenamiento, utilizando IA para optimizar la generación, el almacenamiento y la distribución de energía. La IA en este proyecto ayuda a equilibrar la oferta y la demanda, integrar de manera efectiva fuentes renovables y mejorar la resiliencia y la exibilidad del sistema eléctrico.
Estos proyectos demuestran cómo ENEL está utilizando IA para mejorar la gestión de la demanda de energía y optimizar la generación de energía renovable, avanzando hacia una operación más e ciente y sostenible en el sector eléctrico.
Iberdrola:
Iberdrola ha implementado soluciones de IA para mejorar la e ciencia de sus operaciones y la gestión de redes eléctricas. La empresa utiliza IA para la gestión predictiva del mantenimiento, así como para la optimización de la red y la predicción de la demanda. Su plataforma de gestión inteligente, Iberdrola Smart Grids, emplea IA para analizar grandes volúmenes de datos y gestionar la distribución de energía de manera más e ciente.
Iberdrola ha integrado IA en varios proyectos dentro del sector energético para mejorar la e ciencia operativa y la sostenibilidad. Aquí se presentan dos casos de uso destacados:
Iberdrola
Smart Grids:
Iberdrola Smart Grids es un proyecto que utiliza IA para gestionar y optimizar redes eléctricas inteligentes (smart grids). La solución emplea IA para analizar datos en tiempo real provenientes de sensores y medidores distribuidos en la red. La plataforma optimiza el ujo de energía, facilita la integración de fuentes de energía renovable, y mejora la respuesta ante fallos o anomalías en la red. La IA ayuda a predecir y gestionar la demanda de manera más e ciente, mejorando la estabilidad y abilidad del suministro eléctrico (Iberdrola, 2024a).
Iberdrola’s Predictive Maintenance for Wind Turbines:
Iberdrola ha implementado IA en el mantenimiento predictivo de turbinas eólicas a través de su plataforma Iberdrola's Wind Turbine Health Monitoring System. Utilizando IA, la empresa analiza datos de sensores instalados en las turbinas para detectar patrones y anomalías que podrían indicar problemas futuros. La IA permite prever fallos antes de que ocurran, optimizando el mantenimiento y reduciendo el tiempo de inactividad. Esto no solo mejora la e ciencia de las turbinas eólicas, sino que también maximiza la generación de energía renovable y reduce los costos operativos asociados al mantenimiento (Iberdrola, 2024b).
Estos proyectos subrayan cómo Iberdrola está utilizando IA para mejorar la gestión de redes eléctricas y el mantenimiento de equipos, avanzando en la e ciencia operativa y la integración de energías renovables en el sector energético.
E.ON:
E.ON ha implementado soluciones de IA para la gestión de redes eléctricas. Utilizan IA para analizar datos en tiempo real de su red de distribución, permitiendo una gestión más e ciente del ujo de energía y la integración de fuentes de energía renovable. La IA ayuda a prever problemas en la red, optimizar la distribución de energía y mejorar la respuesta a interrupciones, aumentando la abilidad y reduciendo los costos operativos (König y Ossadnik, 2024).
Empresas de IA en el sector energético
Franki et al. (2023) realizaron una revisión de la inteligencia arti cial y su implementación en el sector energético a nivel mundial, recopilando más de 200 compañías de IA que presentan soluciones para este sector. En la tabla 1 se enumeran algunas de estas empresas, clasi cadas por nombre, país de origen, mercado objetivo y campo de interés según la gura 5.
Mercado
R- residencial
C- comercial
No.Nombre
PaísSitio web
1Absolar
E- Compañías eléctricas productores de energía, Utilities
Aids solar power design, scans sites to establish solar potential UK
DescripciónCampos de aplicación
R/C https://www.absolar.co.uk/
Optimización de Activos. E ciencia Energética
M EM AO EE DA VPP Movilidad eléctrica sistema de gestión energética
Analítica de Datos Centrales eléctricas virtuales
IOTDR HVAC HEMS O&M Other
Internet de las Cosas
Respuesta a la Demanda
Calefacción, ventilación y aire acondicionado
Gestión de energía en el hogar
Operación y Mantenimiento
Figura 5. Explicación Tabla #1. Adaptado de: (Franki et al., 2023)
Provee analítica basada en IA para medidores inteligentes a utilities. Estados Unidoshttps://amperon.co/
Alemania https://annea.ai/
Ofrece soluciones de mantenimiento predictivo para activos de energías renovables, como turbinas eólicas, parques solares y centrales hidroeléctricas.
Estados Unidoshttps://www.auto-grid.com/
AutoGrid integra todos los recursos energéticos distribuidos mediante el uso de gestión exible.
Estados Unidoshttps://www.bidgely.com/
Proveedor de plataformas de atención al cliente, analítica energética para programas relacionados con la gestión de sistemas de distribución.
Desarrolla una plataforma que proporciona a las empresas de servicios públicos recopilación de datos en tiempo real, indicación de averías y ayuda a prevenir el hielo en las líneas eléctricas.
Desarrolla drones autónomos para imágenes térmicas y limpieza de paneles solares y super cies de vidrio Cleandrone
DeepMind de Google, es líder en investigación de inteligencia arti cial y su aplicación en diferentes campos, como juegos, medicina o la e ciencia energética.
Desarrolla sistemas de conducción autónomos y soluciones de movilidad inteligente.
Reino Unido
Plataforma que suministra energía exible en tiempo real mediante una agrupación de activos de generación y almacenamiento de energía exible.
Octopus
Reino Unido
Desarrollo de una plataforma de red inteligente basada en la nube que equilibra las cargas en la red.
Rumania
Ogre AI desarrolla una plataforma B2B automatizada que utiliza el aprendizaje automático para ofrecer ayuda en la toma de decisiones nancieras y operativas a empresas energéticas y de servicios públicos.
Scopito
Dinamarca
Mantenimiento predictivo de líneas eléctricas y centrales solares y eólicas.
Reino Unido
Detección de fallas en equipos críticos para utilities.
Desarrolla algoritmos de previsión energética.
Tabla 1. Empresas de IA en el sector eléctrico. Recuperado de: (Franki et al., 2023)
Oportunidades y riesgos
El desafío es implementar casos que agreguen valor a la organización, en este sentido, un error común de las empresas involucradas en las nuevas tecnologías es poner en marcha muchos proyec tos piloto en diferentes áreas de la organización sin diseñar una estrategia digital integral, en cambio, los líderes deberían centrarse en invertir el tiempo y los recursos necesarios para plantear actividades viables y de alto impacto, estas apues tas conducen a mayores ganancias reales, mayores tasas de adopción y un mayor apoyo de las partes interesadas (Barbosa et al., 2024, párr. 20).
Los propietarios de empresas deberían considerar cuidadosamente si la IA de próxima generación es la opción correcta para resolver el problema, aunque la próxima generación de modelos traerá ventajas en muchas tareas y mejorará la calidad de otras. Los problemas que pueden ayudar a resolver son problemas que antes no se podían resolver y problemas que se resuelven mediante métodos de IA, por ejemplo, predicción simple, modelado de sistemas o aplicación de optimización.
Seguridad: La IA es susceptible a ataques por la espalda que en ocasiones pueden pasar desapercibidos. Ha habido casos en los que los piratas informáticos secuestraron modelos, crearon datos falsos, robaron datos o cometieron fraude.
Privacidad: Es posible que se ltre información con dencial o competitivamente sensible a través de las API públicas de LLM. Es posible que sea necesario segmentar la información disponible para los LLM para re ejar los métodos de control de acceso que ya existen, especialmente para información sensible o con dencial.
Según Congruence Market Insights (2024) y Market US (2024) entre algunas de las oportunidades de la IA en el sector se destacan la gestión energética, la optimización y estabilidad de la red, el mantenimiento predictivo y la analítica de datos.
Imparcialidad: Al igual que la IA tradicional, la IA general a veces puede producir resultados sesgados. También se puede utilizar indebidamente para eludir medidas de seguridad agregadas intencionalmente.
Consideraciones legales: Existe un riesgo potencial de derechos de propiedad intelectual, infracción de derechos de autor y responsabilidad por mal uso. Aún no está claro cómo se aplican las leyes a los resultados generados por la IA. Muchas jurisdicciones todavía están debatiendo cómo regular e cazmente esta tecnología (párr. 33-38).
Aunque existen riesgos en todas las industrias, la industria de la energía y los materiales debe ser consciente del riesgo potencial de errores iniciales en los modelos iniciales, considerando las posibles consecuencias de un resultado inexacto. Las plantillas de respuesta inexactas que comprometen la seguridad son inaceptables, y se deben implementar medidas de seguridad cuidadosas para las herramientas de inteligencia arti cial comunes utilizadas por los empleados. La precisión del modelo debe ser lo más alta posible y limitar el impacto de resultados inexactos. Los actores humanos deben estar informados y, en última instancia, ser responsables de tomar decisiones operativas basadas en la IA general. También se deben controlar las alucinaciones. La posible mitigación puede incluir ajustes y mediciones objetivas de la precisión del rendimiento, junto con otras medidas para prevenir o informar reacciones alucinatorias. Y los equipos que desarrollan herramientas basadas en LLM pueden mejorar o diseñar indicaciones utilizando técnicas avanzadas para mejorar la precisión de la respuesta (Barbosa et al., 2024, párr. 39).
Soluciones de gestión energética: la demanda de soluciones de gestión energética impulsadas por IA presenta una oportunidad para que las empresas desarrollen plataformas innovadoras que permitan la monitorización, la optimización y el control en tiempo real del consumo energético en entornos residenciales, comerciales e industriales.
Optimización y estabilidad de la red: existen oportunidades para que las tecnologías de IA optimicen las operaciones de la red, mejoren la estabilidad e integren fuentes de energía renovables en la red de manera más e caz. Las empresas pueden aprovechar esto desarrollando soluciones basadas en IA para la gestión de la red, la previsión y la respuesta a la demanda.
Mantenimiento predictivo: la IA ofrece oportunidades para implementar estrategias de mantenimiento predictivo para infraestructura energética, incluidas plantas de energía, líneas de transmisión y redes de distribución. Las empresas pueden desarrollar soluciones de mantenimiento predictivo que aprovechen algoritmos de IA para identi car fallas en los equipos antes de que ocurran, lo que reduce el tiempo de inactividad y los costos de mantenimiento (Congruence Market Insights, 2024, párr. 2-5).
Avances en IoT y análisis de big data: los rápidos avances en IoT y el análisis de big data representan una oportunidad sustancial para la IA en el mercado energético. La proliferación de sensores y dispositivos inteligentes en las redes energéticas genera grandes conjuntos de datos que, cuando se analizan con IA, pueden revelar información para impulsar la e ciencia, predecir fallas de equipos y automatizar los procesos de gestión energética (Market US, 2024, párr. 47).
Esta convergencia de tecnologías permite un control más matizado y dinámico de los sistemas energéticos, desde la generación hasta la distribución y el consumo, abriendo nuevas vías para la innovación en la gestión energética y la e ciencia operativa.
Alta inversión inicial y complejidad
Según el informe de Market US (2024), una de las principales limitaciones del mercado de la IA en el sector energético es la elevada inversión inicial necesaria para implementar estas tecnologías, además de la complejidad que implica integrarlas en la infraestructura energética existente. Los costos asociados con la adquisición, procesamiento y mantenimiento de los grandes volúmenes de datos requeridos para las aplicaciones de IA pueden ser prohibitivos para algunas empresas de servicios públicos, especialmente en regiones con menor exibilidad nanciera. Además, la di cultad de actualizar los sistemas heredados con capacidades de IA presenta desafíos técnicos que pueden frenar las tasas de adopción, ralentizando el crecimiento general del mercado, a pesar de los bene cios potenciales que la IA ofrece para la optimización de los sistemas energéticos (párr. 46).
Entorno regulatorio incierto
Para Precedence Research (2023) el mercado energético está in uenciado por regulaciones y políticas variables que impactan tanto sus operaciones como sus inversiones. La incertidumbre en el entorno regulatorio puede di cultar que los actores del mercado energético desarrollen estrategias a largo plazo y realicen predicciones con a-
bles con modelos de IA generativos, ya que los cambios regulatorios pueden alterar de manera signi cativa la dinámica y los resultados del mercado. La falta de pautas regulatorias claras puede generar reticencia en la adopción de soluciones de IA por parte de los participantes de la industria, lo que representa un obstáculo importante para el crecimiento del mercado (párr. 10).
Preocupaciones sobre la privacidad y seguridad de los datos
Uno de los principales desafíos que enfrenta la IA en el mercado energético según el pronóstico del mercado de la inteligencia arti cial de Market Us, es abordar las preocupaciones relacionadas con la privacidad y la seguridad de los datos. A medida que los sistemas energéticos se vuelven más interconectados y dependientes de los datos, también aumentan su riesgo a ciberataques y vulneraciones.
Es fundamental asegurar la integridad y seguridad de los datos en los que se basan las aplicaciones de IA. Las empresas de servicios públicos y los proveedores de tecnología deben navegar un entorno regulatorio complejo e implementar medidas de ciberseguridad robustas para proteger la información con dencial, lo cual exige una vigilancia constante e inversión continua para mantenerse al día con las amenazas en constante evolución (párr. 50).
ABB. (2024a). ABB Ability™ Energy Management System. DatasheetAAB. https://library.e.abb.com/public/a574d5b495ba45d08a7c8265088763c4/ABB%20Ability %20EMS%20datasheet.pdf
ABB. (2024b). ABB Ability™ Smart Sensor - Motores que indican cuando realizar mantenimiento. Smart SensorAAB. https://new.abb.com/motors-generators/es/servicios-del-motor/servicios-avanzados/s mart-sensor
Ableitner, L., Tiefenbeck, V., Meeuw, A., Wörner, A., Fleisch, E. y Wortmann, F. (2020). User behavior in a real-world peer-to-peer electricity market. Appliet Energy, 270, 115061. https://doi.org/https://doi.org/10.1016/j.apenergy.2020.115061
Africa Renergy E-Training Academy. (31 de diciembre de 2020). How is arti cial intelligence (AI) revolutionizing the renewable energy sector?. ARETA. https://www.areta.ma/how-is-arti cial-intelligence-ai-revolutionizing-the-renewable-en ergy-sector/
Allied Market Research. (2022). AI in Energy Market Size, Share, Competitive Landscape and Trend Analysis Report, by Component type, By Application, By End user, By Deployment Type: Global Opportunity Analysis and Industry Forecast, 20241-202931. (Informe N° A12587). Allied Market Research. https://www.alliedmarketresearch.com/ai-in-energy-market-A12587
Banco de la República de Colombia. (s. f.). ¿Qué hizo el Banco de la República para enfrentar el impacto de la pandemia en la economía? Banco de la República de Colombia. https://www.banrep.gov.co/es/medidas-banrep-covid-19-0
Barbosa, F., Wells, I., Lehmitz, S., Roth, R., Maksimainen, J., Mori, L., Richardson, B., Tai, H., Zemmel, R., Thakker, S., Bates, R., Carothers, R. y Terisno, L. (2024). Beyond the hype: New opportunities for gen AI in energy and materials. McKinsey & Company. https://www.mckinsey.com/industries/metals-and-mining/our-insights/beyond-the-hyp e-new-opportunities-for-gen-ai-in-energy-and-materials#/
Congruence Market Insights. (2024). AI in Energy Market Size, Trends, Share, Growth, and Opportunity Forecast, 2023 - 2030 Global Industry Analysis. (Informe N° CGN ENR 391). Congruence Market Insights https://www.congruencemarketinsights.com/report/ai-in-energy-market
Derrick, M. (14 de febrero de 2024). Top 10: Uses of AI in Energy. Energy Digital. https://energydigital.com/top10/top-10-uses-of-ai-in-energy
Dudjak, V., Neves, D., Alskaif, T., Khadem, S., Pena-Bello, A., Saggese, P., Bowler, B., Andoni, M., Bertolini, M., Zhou, Y., Lormeteau, B., Mustafa, A., Wng, Y., Francis, C., Zobiri, F., Parra, D. y Papaemmanouil, A. (2021). Impact of local energy markets integration in power systems layer: A comprehensive review. Applied Energy, 301, 117434. https://doi.org/https://doi.org/10.1016/j.apenergy.2021.117434
EEGSA. (2024b). Informe de Gestión 2023. https://epmguatemala.com/wp-content/uploads/2024/03/INFORME-DE-GESTION-2023 _EEGSA.pdf
ENEL. (2021). VIA y Enel X: crear sinergia entre los datos de las sociedades de energía y las soluciones de IA. ENEL. https://openinnovability.enel.com/es/historias/articles/2021/10/via-startup
Referencias
ENEL. (2023). Technology opens new pathways for Renewable Energy. ENEL. https://www.enelgreenpower.com/countries/europe/greece/technology-new-pathways -renewable-energy
ENEL. (2024). ¿Cómo funciona la respuesta a la demanda y por qué es importante?. ENEL.
EPM Guatemala. (2024a). Informe de Sostenibilidad 2023. https://sostenibilidadgrupoepm.com.co/wp-content/uploads/2024/07/2-3-5_CALID-SE GUR-PRODUC-SERVIC_FINAL_Espejo.pdf
Eriksen, R., Engel, D., Haugen, U., Hodne, T., Hovem, L., Huang, J., Hadizadeh, M., Koefoed, A., McConnell, E., Narula, H., Rinaldo, M., Romanenko, E., Selvakkumaran, S., Zambon, A., Bosma, T., Eijgelaar, M., Agrell, C., Børre, F., Eriksson, K.,… y Hewicker, C. (s.f.). Energy Transition Outlook New Power Systems. Det Norske Veritas. https://brandcentral.dnv.com/original/gallery/10651/ les/original/f5149884-79ab-4a3e99f2-10e59e36db79.pdf
Franki, V, Majnaric, D. y Viskovic, A. (2023). A Comprehensive review of Arti cial Intelligence (AI) Companies in the Power Sector. Energies,16 (163), 1077. http://dx.doi.org/10.3390/en16031077
General Electric Vernova. (2024). What is Predix Platform?. General Electric. https://www.ge.com/digital/documentation/edge-software/c_what_is_predix_platform .html
General Electric. (2016a). Digital Wind Farm: the next evolution of wind energy. General Electric.
Heymann, F., Quest, H., Lopez, T., Ballif, C. y Galus, M. (2024). Reviewing 40 years of arti cial intelligence applied to power systems – A taxonomic perspective. Energy and AI, 15, 100322. https://doi.org/10.1016/j.egyai.2023.100322
Iberdrola. (2024a). Iberdrola España and BCAM will collaborate on the AI Innovation Data Space project to optimise grids. Press room.
Iberdrola. (2024b). Digitalization of the wind sector: the digitalisation of the wind energy sector, advances and opportunities. Innovation. https://www.iberdrola.com/innovation/digitalisation-of-the-wind-sector
Referencias
International Energy Agency. (2017). Digitalisation and Energy. https://www.iea.org/reports/digitalisation-and-energy
International Energy Agency. (2022). World Energy Outlook 2022. https://www.iea.org/reports/world-energy-outlook-2022
ISA Intercolombia. (2024). Reporte Integrado de Gestión 2023. ISA. https://www.isa.co/es/reporte-integrado-de-gestion-2023/
König, T. y Ossadnik, V. (2024). Digital grids – smart technology for a sustainable energy future. E.ON. https://www.eon.com/en/energy-grids/digital-grids.html
Kruse, J., Schafer, B. y Witthaut, D. (2021). Revealing drivers and risks for power grid frequency stability with explainable AI. Paterns, 2(11), 100365. https://doi.org/https://doi.org/10.1016/j.patter.2021.100365
Kuhlmann, A., Mehlum, E., y Moore, J. (2021). Harnessing Arti cial Intelligence to Accelerate the Energy Transition. Word Economy Forum. https://www3.weforum.org/docs/WEF_Harnessing_AI_to_accelerate_the_Energy_Tran sition_2021.pdf
Market Research Intellect. (2024). Global Arti cial Intelligence (AI) In Energy Market Size, Scope And Forecast Report. (Informe N° 998604). Market Research Intellect.
Market US. (2024). Global AI in Energy Market By Component, By Deployment Mode, By Application, By End user, By Region and Companies - Industry Segment Outlook, Market Assessment, Competition Scenario, Trends, and Forecast 2024-2033. (Informe N° 116964). Market US.
McConnell, E., Narula, H., Rinaldo, M., Romanenko, E., Selvakkumaran, S., Zambon, A., Bosma, T., Eijgelaar, M., Agrell, C., Børre, F., Eriksson, K.,… y Hewicker, C. (2024). Energy Transition Outlook New Power Systems: Electricity, renewables generation, and grids through to 2050. Det Norske Veritas (DNV).
Ministerio de Minas y Energía de Colombia. (2021). Transición energética: un legado para el presente y futuro de Colombia. Banco Interamericano de Desarrollo.
Quest, H., Cauz, M., Heymann, F., Rod, C., Perret, L., Ballif, C., Virtuani, A. y Wyrsch, N. (2022). A 3D indicator for guiding AI applications in the energy sector. Energy and AI, 9, 100167. https://doi.org/10.1016/j.egyai.2022.100167
Siemens. (2024s.f. a). Digital Services. https://www.siemens-energy.com/global/en/home/products-services/service-offerings /digital-services.html
Siemens. (2024s.f. b). Grid Edge - Software para la energía y la industria. https://www.siemens.com/co/es/compania/acerca-de-nosotros/nuestros-negocios-/sm art-infrastructure/automatizacion-energetica-y-red-inteligante/grid-edge-software.ht ml
The Business Research Company. (2024). AI In Energy Global Market Report 2024 – By Offering, By Deployment, By Application, By End User – Market Size, Trends, And Global Forecast 2024-2033. https://www.thebusinessresearchcompany.com/report/ai-in-energy-global-market-rep ort
TyN Magazine. (23 de julio de 2023). Arti cial Intelligence: La IA desata una revolución energética sostenible. Arti cial Intelligence. TyN Magazine. https://tynmagazine.com/arti cial-intelligence-la-ia-desata-una-revolucion-energeticasostenible/
U.S. Department of Energy, Of ce of Cybersecurity, Energy Security, and Emergency Response. (2024). Potential Bene ts and Risks of Arti cial Intelligence for Critical Energy Infrastructure. U.S. Department of Energy, Of ce of Cybersecurity, Energy Security, and Emergency Response. https://www.energy.gov/sites/default/ les/2024-04/DOE%20CESER_EO14110-AI%20Re port%20Summary_4-26-24.pdf
Inteligencia Arti cial en el sector de Agua y saneamiento
Jenny Johana Ruiz Avendaño
Óscar Armando Osorio Castillo
IRO IRO
Ideas Clave
Es importante buscar soluciones innovadoras que optimicen el suministro de agua y maximicen la e ciencia en el uso de los recursos hídricos existentes. En este contexto, la aplicación de la inteligencia arti cial (IA) se posiciona como una herramienta clave para mejorar el desempeño de los servicios de abastecimiento de agua y saneamiento.
La falta de comprensión y el uso ine ciente del agua pueden tener muchas consecuencias en la vida humana. El desarrollo de soluciones de IA para la gestión del agua brinda la oportunidad de transformar la forma en que se conserva y utiliza este recurso tan preciado. La clave para implementar estas tecnologías radica en no centrarse en una única plataforma o herramienta, sino comprender cada componente y luego elegir las herramientas que mejor se adapten.
La creciente demanda mundial de agua, junto con la necesidad de modernizar infraestructura obsoleta, requieren un avance en la gestión digital del agua. Tecnologías como la IA, los sensores de IoT y los medidores avanzados permiten el control de la calidad y la cantidad del agua, así como la gestión remota de activos y su uso responsable. Además, los sistemas de información geográ ca (SIG), los gemelos digitales y las tecnologías de realidad aumentada y virtual (AR/VR), permiten visualizar y modelar escenarios situacionales para identi car anomalías y prevenir posibles daños. Las tecnologías 5G, blockchain y la nube garantizan la rapidez y la seguridad de los datos para las soluciones de gestión del agua. De esta manera, las tecnologías digitales mejoran la toma de decisiones y la e ciencia de las empresas de agua.
La adopción de la IA en el sector de agua y saneamiento puede mejorar la e ciencia, la sostenibilidad y la calidad del servicio. Al aprovechar su tecnología para analizar grandes cantidades de datos, se pueden identi car oportunidades de mejora y tomar decisiones más fundamentadas (Maceira, s.f.).
La gran mayoría de proveedores de soluciones en el sector de agua y saneamiento, operan a nivel internacional o global, con aplicaciones y proyectos piloto diseñados para tener un impacto en la prestación de estos servicios; sin embargo, entidades como el Banco Interamericano de Desarrollo (BID) nancian proyectos cuyo propósito es mejorar la prestación del servicio de abastecimiento de acueducto, a través de la aplicación de la IA.
Generalidades en el sector de agua y saneamiento
La IA puede permitir sistemas de agua digitales más e cientes (World Future Energy Summit, 2019, como se citó en Stankovic et al., 2020). Muchas de las ine ciencias de los sistemas de suministro de agua actuales se están abordando mediante análisis basados en IA con sensores de IoT, una combinación lo su cientemente poderosa como para monitorear, predecir y responder continuamente el nivel de demanda de agua de la manera más e ciente y sostenible posible (Huneeus, 2019, como se citó en Stankovic et al., 2020).
A esto se le llama gestión inteligente del agua o agua digital. Pone a la IA en el centro de una nueva forma de gestionar los recursos. La potencia de procesamiento del sistema analiza e cazmente lo que sucede en cada área, mientras que sus componentes de aprendizaje automático permiten que el sistema mejore continuamente y comprenda cuál es la mejor manera de responder. La gestión inteligente del agua permite a los gobiernos y a las empresas de agua construir y entregar infraestructura hídrica monitoreada por un proceso de gestión que nunca se cansa y puede adaptar continuamente su forma de responder a cualquier situación inesperada.
En última instancia, al poder ver cada parte del panorama más amplio, estos sistemas pueden mejorar signi cativamente la rentabilidad y la sostenibilidad de los procesos actuales de suministro de agua. Los proyectos piloto en Finlandia han proporcionado ejemplos del potencial de este enfoque, como lo demostraron recientemente Silo.AI y Ramboll (Alanen, 2019, como se citó en Stankovic et al., 2020). Su sistema piloto se basa en la infraestructura de IoT existente para optimizar las operaciones diarias de la compañía de agua. El siguiente paso es crear sistemas de IA con participación humana, donde los elementos de IA procesen datos, liberando las manos del operador para centrarse en tareas más cognitivas, como validar y aclarar el análisis del sistema de IA. Este enfoque se aplica tanto a las operaciones de tratamiento de agua como a las operaciones de suministro de agua.
Recientemente, la empresa australiana de agua Melbourne Water reveló que había probado con éxito una plataforma de IA, ayudando a calibrar el uso óptimo de la bomba sin intervención ni supervisión humana. Este programa piloto demuestra que el sistema puede ayudar a la empresa matriz a ahorrar energía en más de un 20% (Wells, 2018, como se citó en Stankovic et al., 2020).
La IA tiene múltiples aplicaciones en el sector del agua y saneamiento que, de acuerdo a lo presentado por Almar Water Solutions (s.f.), pueden mejorar la e ciencia, sostenibilidad y calidad del servicio:
Gestión de recursos hídricos: La IA permite analizar grandes cantidades de datos para predecir la calidad del agua, detectar contaminantes y problemas en la infraestructura como fugas en tuberías. Esto ayuda a optimizar las redes de abastecimiento, reducir desperdicios y costos energéticos.
Tratamiento de agua potable y aguas residuales: Técnicas de Machine Learning y Deep Learning combinadas con modelos físicos pueden optimizar los procesos de tratamiento, reduciendo costos y energía.
Riego inteligente: Sistemas de IA pueden perfeccionar el uso del agua en la agricultura, reduciendo el consumo y aumentando la productividad.
Seguridad y prevención de desastres: Modelos hidrológicos avanzados y sistemas de alerta temprana basados en IA pueden predecir inundaciones y otras amenazas hídricas.
Investigación y desarrollo: La IA puede ayudar en la creación de nuevas tecnologías y soluciones innovadoras para los desafíos del sector del agua.
En este contexto, la IA se presenta como una herramienta fundamental para transformar la gestión de los recursos hídricos, optimizar los procesos de tratamiento y distribución, y afrontar los desafíos ambientales en el sector del agua y saneamiento (Maceira, s.f.).
En el campo de la IA, el Machine Learning (ML) tiene un gran potencial. Esta disciplina se centra en desarrollar técnicas o algoritmos que permitan el aprendizaje automático, es decir, la adquisición de conocimientos cada vez más precisos gracias a fuentes de datos externas. Además del ML, otras ramas de la IA aplicadas a la gestión del agua incluyen sistemas de reconocimiento de voz e imágenes, sistemas expertos, procesamiento del lenguaje natural y la robótica.
Uno de los bene cios clave del ML es la automatización de procesos que serían costosos de administrar manualmente. Esto se hace a través de sistemas agnósticos, es decir, basados en datos e independientes de opiniones subjetivas. De esta forma se mejora la precisión de los resultados, gracias a la alta velocidad computacional que proporciona el sistema que los soporta. Como resultado, los administradores pueden tomar mejores decisiones al tener información en tiempo real sobre lo que sucede en la infraestructura.
A continuación, se presentan las cinco formas en las que la IA cambiará el futuro del agua y la infraestructura en todo el mundo planteadas por Alam (2023) y Maceira (s.f.):
Mantenimiento predictivo del suministro de agua
La IA permite predecir fallas en equipos y necesidades de mantenimiento, mejorar el funcionamiento y reducir el tiempo de inactividad. Algunas ciudades y agencias locales en EE. UU. han implementado sistemas de IA que detectan posibles fallas, pérdidas o fugas en los equipos en tiempo real, lo cual permite al personal de mantenimiento resolver problemas antes de que sean evidentes o muy graves.
Predicción del riesgos futuros
La práctica clásica de determinar el riesgo de
inundaciones futuras se basaba en el desempeño pasado o en datos históricos. La IA ha ampliado el espectro a la detección del riesgo de inundaciones futuras para la modelización predictiva compleja. Se están ejecutando varios proyectos piloto en los que la IA puede aprender utilizando modelos realizados previamente en lugar de solo datos históricos y predecir la posibilidad de inundaciones para áreas más complejas con múltiples factores de riesgo. Esto permite a la autoridad a cargo tomar medidas preventivas para proteger su infraestructura y a los ciudadanos, ayudando a mitigar el impacto de las inundaciones.
Pronosticar riesgos naturales como inundaciones y sequías mediante el análisis de datos meteorológicos y de redes hídricas, permite una mejor planicación y preparación frente a este tipo de eventos.
agua, reduciendo así los costos y las emisiones de carbono. El tratamiento y la distribución de agua requieren cantidades considerables de energía, lo que los convierte en candidatos ideales para la optimización mediante IA, se puede utilizar para predecir las demandas futuras de las redes de tratamiento y distribución de agua mediante el análisis de patrones de uso del agua en el pasado y ajustar la asignación en consecuencia.
Al analizar el caudal, la presión y cualquier otro parámetro del proceso, la IA puede identi car áreas de la red que están siendo sobre utilizadas o subutilizadas. Esto puede servir como un sistema de apoyo a la toma de decisiones para ajustar la red y garantizar una distribución e ciente del recurso hídrico, reduciendo así el consumo de energía y las emisiones de carbono.
También es posible la optimización del proceso de tratamiento de aguas residuales analizando datos de sensores e identi cando patrones de consumo y mejorar la e ciencia operativa mediante la optimización de los procesos de facturación y mantenimiento, lo que permitiría reducir costos y mejorar la calidad del servicio.
Calidad del agua
Es posible una constante monitorización de la calidad del agua, por medio del análisis de datos de las estaciones de tratamiento de agua y de los sensores en la red de distribución para identi car agentes contaminantes y garantizar la potabilización del recurso hídrico.
La IA puede analizar patrones futuros de calidad del agua utilizando resultados y datos similares de dichos sensores para identi car cambios que pueden ser indicadores de contaminación u otros problemas. Esto permite que la agencia local tenga planes de acción previamente estructurados, con los cuales podrá responder a problemas tales como oraciones de algas nocivas u otros contaminantes.
4 Sostenibilidad y optimización energética
La IA puede optimizar el consumo de energía en los procesos de tratamiento y distribución de agua, reduciendo así los costos y las emisiones de carbono. El tratamiento y la distribución de agua requieren cantidades considerables de energía, lo que los convierte en candidatos ideales para la optimización mediante IA, se puede utilizar para predecir las demandas futuras de las redes de tratamiento y distribución de agua mediante el análisis de patrones de uso del agua en el pasado y ajustar la asignación en consecuencia.
Al analizar el caudal, la presión y cualquier otro parámetro del proceso, la IA puede identi car áreas de la red que están siendo sobre utilizadas o subutilizadas. Esto puede servir como un sistema de apoyo a la toma de decisiones para ajustar la red y garantizar una distribución e ciente del recurso hídrico, reduciendo así el consumo de energía y las emisiones de carbono.
También es posible la optimización del proceso de tratamiento de aguas residuales analizando datos de sensores e identi cando patrones de consumo y mejorar la e ciencia operativa mediante la optimización de los procesos de facturación y mantenimiento, lo que permitiría reducir costos y mejorar la calidad del servicio.
Gestión de activos y recursos hídricos
La IA puede ayudar a gestionar y priorizar los bienes y activos de infraestructura, garantizando su mantenimiento y reemplazo adecuados.
La IA tiene el potencial de transformar la industria de la prestación del servicio de agua y saneamiento; así como proporcionar soluciones innovadoras a los desafíos de la industria. A continuación, se presentan algunas aplicaciones potenciales de la IA en el sector del agua, que se relacionan con las anteriores tendencias y que pueden ayudar a mejorar la e ciencia y la sostenibilidad del sector, además a conservar el agua optimizando su uso y reduciendo las pérdidas y el desperdicio del recurso, estas aplicaciones son tomadas del portal Sand Technologies (2024a):
Detectar posibles fallas en el suministro de agua antes de que ocurran: las empresas de servicios públicos a menudo esperan que ciertas partes de su equipo e infraestructura de distribución de agua sean reemplazadas o reparadas dentro de un plazo determinado. Seguir este método de mantenimiento puede resultar en que un componente se actualice o reemplace antes de ser necesario, o en caso contrario pueda exceder su vida útil y generar fallas graves.
Para este caso, los gemelos digitales de infraestructura hídrica combinan IA, Internet de las cosas (IoT), computación en la nube y otras tecnologías para permitir el mantenimiento predictivo. Estos modelos virtuales de sistemas hídricos reales son una herramienta valiosa para los administradores por medio de la posibilidad de comparar datos recopilados en tiempo real con datos históricos de miles de sistemas similares. Esta información ayuda a las empresas de servicios públicos a predecir cuándo y cómo funcionarán ciertos sistemas.
Las compañías que adoptan un enfoque proactivo pueden maximizar el tiempo de actividad del sistema y aprovechar al máximo la vida útil de cada componente. La aplicación de algoritmos de IA a los datos permite reparar o reemplazar los componentes, previo a que fallen, pero no tan pronto como para desperdiciar tiempo o recursos sin necesidad. Los administradores también pueden plani car y programar su trabajo durante momentos de baja demanda, reduciendo las interrupciones y el impacto en los usuarios diarios (Sand Technologies, 2024a).
Mejorar las redes de distribución de agua: con la capacidad de la IA para identi car tendencias ocultas en grandes volúmenes de datos, puede ayudar a los administradores de instalaciones a comprender y predecir la demanda de agua y optimizar el suministro de agua a lo largo del día. Esto permite a las instalaciones reducir las pérdidas y satisfacer las necesidades de agua de manera e ciente.
Para garantizar una distribución continua del servicio de agua potable, incluso durante las reparaciones, los algoritmos de aprendizaje automático pueden analizar datos en tiempo real y posteriormente ajustar el ujo y la presión del agua, minimizando las pérdidas y mejorando el rendimiento de la red de distribución (Sand Technologies, 2024a).
Si los modelos de IA se entrenan para considerar el clima, la estacionalidad y otros factores generales, pueden ayudar a las empresas de servicios públicos y a otros gobiernos a identi car y responder a patrones de uso del agua más amplios y críticos. Guía sus procesos de toma de decisiones sobre infraestructura, inversión y fuerza laboral para respaldar las necesidades futuras.
Las plataformas y soluciones basadas en IA también pueden lograr optimizar las redes de distribución de agua al identi car problemas relacionados con la presión; tales como como fugas, y coordinar respuestas. Cuando se descubren fugas, pueden localizarse y enviar equipos de reparación. Los sistemas de monitoreo del agua impulsados por IA pueden posteriormente rastrear el progreso y asesorar a la administración cuando se complete el trabajo para noti car al público (Sand Technologies, 2024a).
Incrementar monitoreo de la calidad del agua: Las empresas de servicios públicos suelen utilizar IoT y tecnologías similares para recopilar los datos necesarios para monitorear la calidad del agua. Esto requiere equipos de cientí cos de datos y otros profesionales que utilicen la tecnología
para extraer valor de sus datos. Es difícil encontrar talento técnico en este nivel, por lo que muchas instalaciones buscan mejorar las habilidades de los empleados existentes. Dependiendo del programa de capacitación, también capacita a los empleados para respaldar iniciativas que mejoren las capacidades de la empresa de servicios públicos en informática de punta, servicios en la nube y otras tecnologías.
Una vez ensamblados el conjunto de tecnología y el equipo, las plataformas habilitadas con IA ayudan a las instalaciones a monitorear los niveles de pH, turbidez, impurezas y otros parámetros de calidad de agua en tiempo real. La IA también puede analizar datos de sensores para detectar anomalías y datos atípicos, activar alarmas y dirigir acciones correctivas para garantizar un suministro de agua permanente, limpio y seguro (Sand Technologies, 2024a).
Mitigación y predicción más precisa de inundaciones: las inundaciones hacen parte del ciclo natural del agua. En algunas zonas las inundaciones ocurren según un calendario predecible. En las regiones menos adaptadas, las entidades prestadoras del servicio de agua deben utilizar datos sobre el clima, los niveles de los ríos, el cambio climático y las tendencias, frecuencias y patrones históricos de inundaciones para predecir y mitigar los impactos de las inundaciones.
Los funcionarios y las entidades públicas y prestadores del servicio de acueducto ahora pueden utilizar gemelos digitales, IoT, IA generativa y otras combinaciones de tecnologías de gestión del agua basadas en IA para predecir y mitigar los riesgos de inundaciones. A largo plazo, los conocimientos sobre estas tecnologías pueden guiar a los líderes gubernamentales y entidades prestadoras a medida que invierten en infraestructura crítica para proteger a sus poblaciones de las inundaciones, plani car la recuperación ante desastres, probar medidas de prevención, conocer y comprender mejor los riesgos de inundaciones.
Durante las inundaciones, estas tecnologías pueden proporcionar a los administradores de agencias, información crítica y ayudar a los socorristas a evitar víctimas (Sand Technologies, 2024a).
E ciencia energética en el tratamiento de aguas residuales: para muchos gobiernos, las instalaciones de tratamiento de agua potable y aguas residuales son los mayores consumidores de energía y representan entre el 30% y el 40%de toda la energía utilizada. Hacer que estas instalaciones sean más e cientes energéticamente puede ayudar a reducir estos costos entre un 15% y un 30%, con un período de recuperación de meses o unos pocos años.
Los algoritmos de optimización impulsados por IA pueden ayudar a los administradores a optimizar los procesos de tratamiento, ajustar las tasas de aire y minimizar las operaciones que consumen mucha energía para reducir el consumo. Una herramienta útil para estos algoritmos es un sistema de gemelo digital que permite a las entidades prestadoras del servicio desarrollar hipótesis sobre el ahorro de energía y realizar pruebas casi instantáneas de sus hipótesis utilizando diversas variables. Existe información errada sobre los gemelos digitales, pero cuando se combinan con la generación de IA, los gemelos digitales más avanzados pueden desarrollar y probar sus propias hipótesis para posteriormente ofrecer recomendaciones sobre cómo las entidades prestadoras pueden optimizar los sistemas que representan.
El valor real de un gemelo digital es la forma en que los usuarios pueden acceder a una gran cantidad de datos e información. En líneas de producción, plantas de tratamiento y otros sistemas de procesos, combinan datos operativos para representar con precisión el estado actual y el funcionamiento del sistema, lo que permite un análisis detallado y una visión general del rendimiento del sistema y de sus posibles mejoras (Sand Technologies, 2024a).
A continuación, en la gura 1 se muestra de forma resumida como la IA puede aplicarse a la seguridad hídrica en el sector de agua y saneamiento.
Plani cación de sequías
Predicción de sequías
Simulaciones para la plani cación de sequías
Evaluaciones de los impactos de las sequías
Control de captación
Detección y monitoreo de oraciones de algas perjudiciales
Previsión de ujes de corrientes
Infraestructura automatizada
Suministro de agua
Monitoreo y gestión del suministro de agua
Simulación de la calidad de agua y alerta de datos
Filtración de agua autoadaptable
Mantenimiento de los activos en gastos críticos en agua y agua de lavado
Saneamiento adecuado
Drones e IA para el monitoreo real de la calidad de los ríos
Medidas para asegurar el adecuado saneamiento de las reservas de agua
Monitoreo y gestión en tiempo real del suministro de agua residencial
Figura 1. Aplicaciones de la IA para seguridad del agua. Recuperado de: (Stankovic et al., 2020, p.12)
E ciencia hídrica
Monitoreo y gestión del uso de agua residencial
Optimización del uso de agua industrial
Mantenimiento predictivo de las plantas de agua
Sistemas de alerta temprana para infraestructura hídrica
Detección de pérdidas subterráneas en sistemas de suministro de agua potable
Medidores inteligentes en los hogares
Sector en cifras: Mercado Internacional y nacional
Análisis del mercado de gestión inteligente del agua
Se espera que el tamaño del mercado de gestión inteligente del agua crezca de 16,08 mil millones de dólares en 2023 a 30,80 mil millones de dólares en 2028, registrando una tasa compuesta anual del 13,89% durante el período previsto. En los últimos años, el crecimiento de la población y la urbanización, la demanda mundial de agua y la necesidad de abordar los impactos económicos del mantenimiento de una infraestructura obsoleta, han sido motores clave de crecimiento del mercado para la gestión inteligente de agua (Mordor Intelligence, s.f., párr. 1).
Smart Water Management Market Market Size
CAGR 13.89%
Período de estudio
Año base para estimación
CAGR
Mercado de crecimiento más rápido
Mercado más grande
Concentración del Mercado
Principales actores 2019 - 2029
Asia Pací co Asia Pací co
Intelligence, s.f.)
En la gura 2 se muestra el crecimiento del mercado de gestión inteligente del agua en los últimos años y sus principales actores.
A manera general se pueden identi car los siguientes aspectos de este mercado:
Los métodos inteligentes basados en datos para detectar pérdidas de agua en redes públicas se están volviendo populares. Este tipo de soluciones se basan en la aplicación de técnicas IoT e IA.
Según la Organización de las Naciones Unidas (ONU), para 2025, 1.800 millones de personas podrían vivir en países o regiones con escasez absoluta de agua. Los países en desarrollo son los más afectados por las inundaciones, la escasez de agua y la mala calidad del agua. Los países están trabajando para alcanzar los Objetivos de Desarrollo Sostenible de la Agenda 2030 de las Naciones Unidas. Los objetivos del agua están incluidos en los 17 Objetivos de Desarrollo Sostenible (ONU, 2015).
Se espera que Asia-Pací co registre el crecimiento más rápido: Asia-Pací co alberga a más de 2.100 millones de residentes urbanos, más de dos tercios de los cuales vivirán en ciudades en 2050. La región incluye países que están sufriendo importantes pérdidas de agua no registrada (ANR), como la India (con casi 60% de sus ingresos). Estas cifras demuestran la necesidad de gestión del agua y muestran el potencial de crecimiento del mercado en la región (Mordor Intelligence, s.f., párr. 11).
La digitalización, junto con la adopción de tecnologías conectadas en los países en desarrollo, está impactando todas las aplicaciones de soluciones inteligentes de la gestión del agua al revolucionar la forma en que los sistemas inteligentes de gestión del agua interactúan con el entorno en el sector residencial (Mordor Intelligence, s.f., párr. 14).
Figura 2. Crecimiento del mercado de gestión inteligente del agua. Recuperado de: (Mordor
En la gura 3, se muestra el crecimiento por región del mercado de la gestión inteligente del agua.
WEG – Motion eet management
Esta empresa ofrece soluciones de IA diseñadas especí camente para detectar problemas de pérdidas de agua en sistemas de abastecimiento. Su software permite a las empresas identi car fugas y optimizar el uso del agua.
Figura 3. Mercado de gestión inteligente del agua: tasa de crecimiento por región. Recuperado de: (Mordor Intelligence, s.f.)
En las regiones, se puede apreciar que el sector de la gestión inteligente del agua actualmente está conformado por varios actores globales y emergentes que se disputan la atención de este mercado, cada vez más competitivo. Se espera que el índice de concentración empresarial aumente aún más, dado que muchas empresas consideran este mercado altamente atractivo y una oportunidad para fortalecer sus ofertas, lanzando al mercado productos nuevos e innovadores. (Mordor Intelligence, s.f.)
A continuación, en la gura 4, se muestran los líderes del mercado de la gestión inteligente del agua.
Con WEG Motion Fleet Management es posible conocer el estado de funcionamiento de motores eléctricos, inversores y arrancadores suaves de baja y media tensión, sistemas de arranque por relé inteligente (SRW), reductores, motorreductores, compresores y otros activos, que se aplican en cualquier tipo de industria o instalación. Gracias a la recopilación periódica de datos y al procesamiento avanzado de los mismos, tanto en el borde como en la nube, se generan valiosas percepciones. Así, es posible establecer planes de mantenimiento predictivo, observando el estado operativo de la ota (mantenimiento basado en la condición).
(WEG, s.f., párr. 2)
Almar Water Solutions
Esta compañía utiliza IA para gestionar e cientemente los recursos hídricos, predecir la calidad del agua y detectar contaminantes. Sus aplicaciones incluyen la optimización de redes de abastecimiento y el uso de riego inteligente en la agricultura, lo que ayuda a reducir el desperdicio y maximizar la e ciencia (Almar Water Solutions, s.f.).
Concentración del mercado
Consolidado- Mercado dominado por1-5 jugadores principales
Mercado de gestión inteligente del agua
Fragmentado- Mercado altamente competitivo sin jugadores dominantes
Figura 4. Líderes del mercado de gestión inteligente del agua. Recuperado de: (Mordor Intelligence, s.f.)
Se identi can cinco grandes compañías que lideran el mercado, las cuales son ampliamente conocidas. Por tanto, a continuación, se identi can otros posibles proveedores con soluciones idóneas para este mercado o entidades que lo apoyen.
Inter-American Development Bank (IDB)Banco Interamericano de Desarrollo (BID)
A través de diferentes proyectos y e inversiones variadas, el BID está promoviendo el uso de IA en empresas de agua potable y
saneamiento para reducir el consumo energético y las pérdidas de agua, además de mejorar la calidad del servicio (BID, s.f.).
Si bien no es un proveedor directo, si es un aliado que ha logrado impactar de manera signi cativa en la aplicación de la IA, especí camente en los países miembros; a través de pilotos de innovación
Alto Medio Bajo
apoyados mediante la cooperación técnica para empresas de agua y saneamiento en América Latina y el Caribe. Lo anterior, ejecutado a través de nanciamiento contrapartida de las entidades participantes del proyecto en el país en que se haga la inversión y el Fondo Multilateral de Inversiones (FIM), el cual es administrado por el BID, para promover el desarrollo del sector privado de América Latina y el Caribe.
Startups
En la gura 5, se presenta un mapa que destaca las principales Startups en el tema de análisis de datos en el sector del agua. Estas empresas fueron elegidas por desarrollar soluciones innovadoras de gestión del agua y la relevancia de su tecnología. Además, el mapa muestra otras regiones que registran una alta actividad de startups e ilustra la distribución geográ ca de ellas.
Top 5 de las principales empresas emergentes en IA para agua. Startups analizadas
datos sobre el consumo de agua de cada individuo y los envía a la plataforma en la nube. Estos sensores utilizan algoritmos de IA para identi car con precisión el uso indebido y las fugas de agua. Luego, los administradores de propiedades y los consumidores individuales administran sus fuentes y ujos de agua utilizando el tablero de la startup o la aplicación para teléfonos inteligentes. Las soluciones de DrizzleX ayudan a reducir signi cativamente los costos inmobiliarios y las facturas de agua sostenibilidad (StartUs Insights, s.f., párr. 11).
DrizzleX: medición inteligente del agua
La startup israelí DrizzleX ofrece una solución inteligente de medición de agua para edi cios residenciales que elimina la necesidad de medidores separados para cada apartamento. El sensor de agua inteligente FlowDx de la startup primero recopila
SWAMP: Plataforma de gestión inteligente del agua - Riego de precisión
La startup brasileña SWAMP ofrece sistemas inteligentes de riego de precisión basados en IoT. Adicionalmente, optimiza y gestiona la distribución del agua desde la fuente mediante diferentes canales, entre ellos tuberías y canales. A nivel de nca, el sistema de riego de precisión de SWAMP también permite monitorear en tiempo real el consumo de agua. Esta solución reduce el desperdicio de riego al tiempo que proporciona a las plantas las condiciones ideales para su crecimiento. SWAMP está implementando actualmente varios proyectos piloto de riego de precisión en España, Italia y Brasil sostenibilidad (StartUs Insights, s.f., párr. 11). Para más información: https://repositorio.fei.edu.br/items/3118b641-79fc-4c46-8876-57575c2454ba
SCUBIC: Gestión del suministro de agua con tecnología de IA
La startup portuguesa SCUBIC desarrolla plataformas digitales para la gestión inteligente de redes de suministro de agua. La plataforma de software como servicio (SaaS) de SCUBIC se conecta con los sistemas de datos de las empresas de suministro de agua, como sensores inteligentes, control de supervisión y adquisición de datos (SCADA), telemetría y sistema de información geográ ca (GIS), centralizando todos los datos de operación en una sola plataforma. Junto con algoritmos de IA, tecnología de gemelos digitales, datos energéticos y meteorología, la startup ayuda a predecir la demanda futura de agua y a detectar patrones de consumo para optimizar diversos procesos sostenibilidad (StartUs Insights, s.f., párr. 11).
Figura 5. Top 5 de las principales empresas emergentes en IA para agua. Recuperado de: (StartUs Insights, s.f.)
HydroIQ: Operador de red de agua virtual (VWNO)
La startup keniana HydroIQ utiliza análisis avanzados, mantenimiento predictivo y dispositivos IoT conectados para virtualizar la infraestructura física del agua. HydroIQ SmartGrid integra monitoreo de medición, presión, nivel y calidad para hogares, administradores de propiedades, servicios públicos y proveedores de agua. La startup también monitorea las tendencias del consumo de agua utilizando una variedad de sensores en una plataforma virtual para unidades industriales y comerciales. Esta solución proporciona datos, análisis e informes en tiempo real para cumplir con diversos requisitos normativos y de sostenibilidad (StartUs Insights, s.f., párr. 11).
Phyn: Detector inteligente de fugas de agua
La empresa emergente estadounidense Phyn está desarrollando su solución homónima de detección de fugas de agua inteligente y monitoreo de instalaciones. La tecnología patentada de detección de fugas de Phyn utiliza sensores ultrasónicos de alta de nición para tomar muestras de la presión en los sistemas de plomería 240 veces por segundo. Esto produce una vista completa de las características únicas de cada instalación de agua. Con el tiempo, Phyn aprende de estos per les de instalaciones y activa una función de apagado automático para detener el ujo de agua en caso de una fuga (StartUs Insights, s.f., párr. 13).
Otras Startups destacadas en el sector:
PipePredict: detección de fugas digital
PipePredict es una startup alemana que ofrece detección de fugas digitales mediante IA, sensores y gemelos digitales. La startup emplea sensores existentes y
transmisiones de señales para monitorear el estado actual de diferentes materiales de tuberías. Esto reduce los costos de inversión y conduce a implementaciones más rápidas.
Además, un gemelo digital virtualiza las redes de tuberías para ejecutar evaluaciones del estado y optimizar el rendimiento de los activos. El aprendizaje automático analiza los datos recopilados para predecir posibles explosiones en el sistema. De esta manera, PipePredict ahorra agua valiosa y evita pérdidas por reparaciones, mejorando la e ciencia de los recursos en las redes de agua. (Remote Waters, 2024, párr. 6-9)
SPHERAG proporciona Gestión del Agua Agrícola
La startup española SPHERAG desarrolla una solución inteligente de gestión del agua agrícola que combina IoT y servicios en la nube. Sus dispositivos ATLAS brindan conectividad inalámbrica basada en 5G, LTE y GPRS que permite monitoreo en tiempo real. El panel solar incorporado también mejora la durabilidad de la batería.
Este enfoque ayuda a los agricultores a instalar sensores independientemente de la ubicación geográ ca y el tipo de red de comunicación. Además, la plataforma en la nube de la startup gestiona información de satélites y estaciones meteorológicas en tiempo real. De esta forma, SPHERAG adapta las explotaciones a las necesidades actuales de los cultivos, reduciendo el consumo energético e hidráulico. (Remote Waters, 2024, párr. 6-9)
Gracias a sus modelos de negocios innovadores y al uso de nuevas tecnologías estas dos startups de Alemania y España con sus soluciones para la detección de fugas y para la gestión del agua en la agricultura respectivamente, también son empresas destacadas en el sector.
Referentes o casos de estudio
Proyectos Apoyados por el BID
Teniendo en cuenta lo descrito anteriormente respecto al BID, en la siguiente tabla, se presentan los 8 pilotos de innovación apoyados mediante la cooperación técnica para empresas de agua y saneamiento en América Latina y el Caribe.
Nombre del proyecto PaísSocio
Detección de fugas de agua en la red de distribución de agua potable de la ciudad de Cañada de Gómez
Argentina
Optimización de la operación del sistema de abastecimiento de agua de Aguas de Joinville
Detección de fugas en la red de distribución de agua potable del Servicio Autónomo de Agua y Saneamiento de Parauapebas (SAAEP)
Evaluación de e uentes industriales en un área piloto del sistema de alcantarillado de Bogotá
SWIT para Port Mourant y Sheet Anchor
Detección de pérdidas en la red de distribución del Servicio de Agua y Drenaje de Monterrey (SADM), Nuevo León
México
Parauapebas
Principal objetivo/descripción
Este piloto implementó la detección remota de pérdidas basada en la inspección satelital en la ciudad, con el n de lograr la detección primaria de fugas no visibles para la reducción del agua no contabilizada en Cañada de Gómez.
El piloto implementó una solución de optimización integral para el sistema de Companhia Águas de Joinville (CAJ), que incluyó la recopilación y el análisis de datos permitió a la empresa procesar datos en tiempo real e identi car patrones recurrentes de pérdida de agua, y cambios en la presión y calidad del agua. El piloto estableció un panel de gestión y comunicación de datos para apoyar el proceso de toma de decisiones
El piloto implementó la detección de fugas mediante el uso de un sistema de inspección satelital en una sección de la red de agua potable operada por la empresa SAAEP en Parauapebas, Brasil.
Este piloto evaluó la aplicabilidad de un sistema inteligente predictivo que incluye el monitoreo continuo de la calidad de las aguas residuales y el análisis inteligente de datos para identi car descargas irregulares a la red de alcantarillado en un área piloto de Bogotá. El objetivo fue ayudar a las autoridades de la empresa y a los operadores de la red a tomar medidas correctivas y, de ese modo, mejorar la e ciencia y la sostenibilidad de las operaciones a largo plazo.
El piloto implementó una tecnología para mejorar el análisis, la identi cación y la gestión de anomalías en la operación de sistemas de distribución de agua seleccionados, mediante la introducción de un producto patentado de gestión de eventos basados en la nube, durante un período de nido.
El piloto implementó un sistema de detección remota de fugas basado en la inspección satelital de una parte de la red de distribución de agua potable operada por SADM en Monterrey, Nuevo León, México.
Santa Fe
Joinville
Brasil
Brasil
Piloto
GWI
Guyana
EAAB
Colombia
Monterrey
Nombre del proyecto
Servicio de Gestión de Eventos Hídricos para SEDAPAL
Detección de fugas en redes de distribución de agua potable en localidades del interior de Uruguay operadas por OSE
SEDAPAL
El proyecto piloto implementó un producto de gestión de eventos basado en la nube en SEDAPAL para el análisis, identi cación y gestión de anomalías en la operación del sistema de distribución de agua con el objetivo de mejorar su e ciencia.
Este piloto implementó un estudio de detección remota de pérdidas basado en inspección satelital de los servicios de distribución de agua potable en ciudades del interior de Uruguay, operado por la empresa OSE, con el n de apoyar los trabajos de detección y reparación de fugas en campo. Uruguay
Tabla 1. Pilotos de innovación apoyados mediante la cooperación técnica para empresas de agua y saneamiento de América Latina y El caribe. (Adler, 2023, p. 24)
De los casos descritos en la tabla anterior, se destacan a continuación dos, porque involucran no sólo la aplicación directa de la IA, sino también desafíos, soluciones innovadoras y resultados.
Situación caso #1
Servicios de Agua y Drenaje de Monterrey I.P.D. (SADM) es una empresa de agua y saneamiento pública y descentralizada que provee servicios en todo el estado de Nuevo León, México
Desafío
SADM es responsable de proporcionar servicios de suministro de agua en una de las cuencas más secas de México, que en 2021 y 2022 sufrió a una severa sequía. Si bien la empresa cuenta con datos históricos y metodologías para detectar agua no contabilizada, errores de medición y conexiones clandestinas generan niveles signi cativos de pérdidas físicas en su red de suministro de agua. La detección de fugas generalmente se lleva a cabo manualmente o se identi ca mediante avisos de usuarios. Aunque SADM tiene un buen historial de reparación de fugas, la necesidad apremiante de reducir las pérdidas y administrar el agua de manera más e ciente impulsó la búsqueda de una solución que le permitiera reducir el tiempo en el que las fugas son detectadas.
Solución innovadora
Para abordar el desafío de una detección de fugas más rápida, SADM eligió probar la detección satelital de pérdidas en un área que abarca 2.500 km de tuberías. El socio de la solución fue Asterra, que utiliza imágenes satelitales tomadas con un radar de apertura sintética (SAR) mediante emisión de microondas y su retrodispersión para detectar humedad en el suelo. Combinado con su algoritmo patentado, que analiza las imágenes junto con otros datos proporcionados por la empresa de agua, Asterra ayudó a reducir el área de búsqueda en más del 90% con el bene cio de ser un método no invasivo, en comparación con otros métodos.
Resultados
Asterra detectó 190 puntos de interés en el área piloto, 113 de los cuales fueron con rmados por SADM mediante el uso de equipos acústicos. Estos 190 puntos se encontraron en solo el 6% de los 2.500 km de red, reduciendo signi cativamente el área de búsqueda y el tiempo necesario para detectar y reparar las fugas. Se estima que el rendimiento aumentó un 59% por cuadrilla directamente involucrada en la detección de fugas, y un 28% en el departamento de detección de pérdidas en general. El volumen total recuperado por la reparación de estas fugas promedió 4,750 m3/día (55 L/s).
Tabla 2. Caso 1. Detección remota de fugas mediante imágenes satelitales: SADM, Monterrey, México. Adaptado de: (Adler, 2023, p. 26).
En el caso de SADM, el responsable de la toma de decisiones y el usuario nal de la herramienta fue la misma empresa. Esto permitió que el equipo operativo estuviera estrechamente involucrado en la elección de las tecnologías deseadas para resolver el desafío. Sin embargo, la participación de otros actores de la empresa (personal de reparación de fugas, personal operativo y de tecnología de la información (IT), por ejemplo) fue clave para garantizar una implementación exitosa.
2 3
En Monterrey ya se tenían las condiciones técnicas de base para utilizar el sistema de detección de fugas por satélite de Asterra. SADM posee un modelo GIS de sus redes y zonas con baja presión e insu ciente agua, y pudo proporcionar a Asterra esta información. Fue en base a estas imágenes que se detectaron los 190 puntos de interés. La tecnología de Asterra permitió reducir el área de búsqueda al 10% de la red total estudiada, y SADM pudo capitalizar esta información al contar con los métodos auditivos necesarios para con rmar los puntos exactos de fuga y una alta capacidad preexistente para detectarlas manualmente. Esto produjo una mayor y mejor e ciencia en la búsqueda y reparación de fugas. La implementación del piloto fue sencilla porque SADM está bien organizada, bien administrada y tiene buena capacidad de planicación. La transferencia de conocimientos se identi có como una necesidad clave para fortalecer la capacidad de SADM para utilizar esta nueva tecnología, especialmente para garantizar que las capacidades de análisis de datos del software que se está implementando se trans eran a la empresa.
Tabla 3. Evaluación del piloto de innovación del caso 1. Adaptado de: (Adler, 2023, p. 27).
Situación caso #2
En el caso de SADM, el responsable de la toma de decisiones y el usuario nal de la herramienta fue la misma empresa. Esto permitió que el equipo operativo estuviera estrechamente involucrado en la elección de las tecnologías deseadas para resolver el desafío. Sin embargo, la participación de otros actores de la empresa (personal de reparación de fugas, personal operativo y de tecnología de la información (IT), por ejemplo) fue clave para garantizar una implementación exitosa.
Servicio de Agua Potable y Alcantarillado de Lima (SEDAPAL) es una empresa estatal de agua y saneamiento que sirve a la vasta mayoría de la población asentada en el Área Metropolitana de Lima, la cual cuenta con una población de alrededor de 10 millones de personas en un área cercana a las 279.860 hectáreas.
Desafío
SEDAPAL tiene como objetivo lograr una cobertura del 100% durante las 24 horas del servicio de agua potable y alcantarillado para el área urbana de Lima y Callao, para lo cual ha iniciado proyectos que han ampliado la cobertura en la última década. Con bajas precipitaciones y una población de rápido crecimiento en el área, se espera que la demanda de agua aumente signi cativamente en las próximas décadas. Lima enfrenta un dé cit hídrico, lo que hace que la gestión de pérdidas físicas sea aún más importante, junto con el desafío de detectar rápidamente fugas y anomalías en el sistema.
Solución innovadora
Para mejorar la gestión de pérdidas físicas y realizar una operación más e ciente, SEDAPAL optó por probar un software que ayuda a las empresas de servicios a monitorear la red y le permitió detectar fallas en 67 sectores de ella (40%). El socio de la solución fue Takadu, que utiliza software basado en la nube e IA para detectar eventos relacionados con activos defectuosos, fallas de telemetría y eventos de fuga dentro de los límites geográ cos de los DMA. Su software también permite gestionar patrones de consumo y uso, fugas en el DMA y problemas de presión mediante el aprendizaje del comportamiento del sistema de suministro de agua potable y la gestión de múltiples eventos en la red de distribución y el sistema comercial, utilizando algoritmos de IA.
Resultados
Al usar Takadu, la detección temprana y el análisis y la identi cación del área afectada redujeron el tiempo y recursos necesarios para reparar las fugas. La tecnología de Takadu, como centro de gestión de eventos para SEDAPAL, permitió la detección de más de 7.000 eventos, incluyendo pérdidas de agua, aumento de ujo en los sectores, falla de telemetría, medidores rotos o defectuosos, y aumento o disminución de la presión. El sistema también permitió realizar un seguimiento en línea del indicador de ujo mínimo nocturno, así como comparar el estado actual e histórico de los sectores hidráulicos y su evolución. Finalmente, SEDAPAL recibió una estimación precisa de sus pérdidas totales de agua en la red, lo que le permitió estimar adecuadamente sus necesidades operativas y físicas de reducción de pérdidas.
Tabla 4. Caso 2. Gestión de eventos basada en la nube a través de IA: SEDAPAL, Lima, Perú. Adaptado de: (Adler, 2023, p. 30).
1 2
El departamento de innovación, que fue el responsable de la toma de decisiones en este caso, estaba 100% comprometido con la aplicación del nuevo sistema de gestión de eventos de IA. Sin embargo, demoras en el avance del proyecto ocurrieron debido a que el equipo de innovación no tenía una línea directa de comunicación con los equipos de reparación en campo, por lo que no había un traspaso e ciente de la información sobre los eventos de fuga que se iban detectando. Fue en etapas posteriores de implementación que los usuarios de la herramienta se involucraron más, lo que llevó a una mayor participación de los equipos operativos y de los gerentes, con comunicación directa con los equipos a cargo de las reparaciones. A medida que avanzaba el piloto, uno de los gerentes operativos vio la utilidad de la innovación para reducir proactivamente las fugas y se involucró fuertemente con su implementación.
SEDAPAL pudo probar el sistema de gestión de eventos de IA de Takadu en el 40% de su red, donde contaba con su ciente hardware para alimentar datos en el software del proveedor de soluciones. Tomó algún tiempo generar conocimiento en la empresa sobre cómo usar la herramienta e identi car la información requerida para que funcione. En términos de capacidad, si bien la empresa tenía los conocimientos sobre como reparar fugas, al principio el piloto no contaba con su cientes equipos operativos dedicados a esa tarea. Esto se abordó durante la implementación y, a medida que se dedicó más capacidad operativa al piloto, la implementación mejoró. Varios equipos participaron, cada uno con funciones especí cas: comprender el software, recopilar y armonizar datos, y con rmar y reparar fugas.
3
En el caso de SEDAPAL, el piloto de innovación brindó una oportunidad para que la empresa de servicios probara la tecnología, demostrara su uso y evaluara su valor en ahorros. Esta evaluación aún está en curso, sin embargo, Takadu estimó que la detección temprana de eventos de fuga permitió a SEDAPAL ahorrar más de USD 800.000, considerando que habría tomado más de un año identi car esas fugas.
Tabla 5. Evaluación del piloto de innovación del caso 2. Adaptado de: (Adler, 2023, p. 31).
Aprovechando la IA y el IoT para una herramienta de riesgo de redes hidráulicas
Una de las empresas de agua privadas más grandes del Reino Unido intentó consolidar múltiples fuentes de datos independientes que se utilizan para determinar el nivel de riesgo en el sistema de agua. Los operadores en la sala de control no tenían una visión única de la red, que abarca más de 31.000 km de infraestructura, sino que tenían que derivar el estado del riesgo analizando varias fuentes agregadas de diferentes maneras y con diferentes herramientas.
Solución: Para brindar un mejor servicio a sus más de 10 millones de clientes y generar información a partir de los miles de sensores que hay en toda la red, la empresa de servicios públicos ayudó a la implementación de la plataforma Hydraulic Network Risk Tool (HNRT). La solución presentaría las distintas fuentes de datos como una única visualización consolidada superpuesta en un mapa que abarcaría más de 500 sensores y CPP. Los análisis integrados y automatizados alertarían a los operadores sobre los riesgos en toda la red, lo que permitiría un mantenimiento proactivo y reducir las interrupciones (Sand technologies, 2024b).
El HNRT utiliza los datos de presión y caudal de la red de los medidores de distrito y los CPP. Esas
entradas se combinan con los contactos de los clientes (cuando un cliente informa un problema o presenta una queja) para mostrar todos los activos relevantes en un mapa, incluidas válvulas, depósitos, tuberías, medidores y activos digitales. El HNRT también incorpora datos de la plataforma operativa de la empresa de servicios públicos, que proporciona los estados de los elementos activados, como, por ejemplo, si una válvula está abierta o cerrada. También se incluyen los datos de las propiedades de los clientes de otro sistema y se muestran detalles como la cantidad de propiedades en un DMA.
Estas fuentes de datos se incorporan a intervalos de 15 minutos desde miles de medidores y CPP de toda la red. HNRT realiza análisis preestablecidos de los datos para alertar a los operadores sobre cualquier riesgo. Por ejemplo, grandes diferenciales de presión en válvulas que se supone que deben estar abiertas o niveles bajos en los depósitos. HNRT es utilizado por operadores de red, gerentes de control operativo y operadores de sistemas.
El mapa en el que se superponen los datos de activos y estado utiliza un sistema RAG (rojo-ámbar-verde) para colorear las tuberías según la presión, el ujo o el suministro. Los datos de suministro se extraen de otro sistema llamado SDSR. En el nivel más alto, los operadores pueden ver el sistema hidráulico en general. Pueden desglosar, a su
vez, el nivel FMZ, el nivel DMA, incluidos los PMA y, nalmente, el nivel de tuberías.
El efecto neto es una visión consolidada, casi en tiempo real, de un sistema de agua vasto y complejo, que permite a los operadores estar mejor informados y disponer de mayores plazos de entrega (Sand technologies, 2024b).
Resultados
Ahorro de £7 millones al predecir un gran corte de agua y permitir su prevención
La predicción ayudó a reducir la cantidad de propiedades afectadas y el impacto temporal para los afectados.
Se ahorraron 3,4 ML/día en fugas, lo que se traduce en un ahorro anual de más de £1,3 millones (Sand technologies, 2024b).
Riesgos y Oportunidades
Según los expertos, algunas de las oportunidades de aplicación de la IA en el sector del agua con mayor potencial, incluyen la optimización de la gestión de los recursos hídricos, los pronósticos de la demanda de agua y el ajuste de la producción y distribución, que permiten un uso más e ciente de los recursos disponibles; mejorar la e ciencia operativa, especialmente en la gestión energética y optimización de procesos; monitorear y analizar información en tiempo real para ayudar a tomar decisiones, más rápidas y precisas; e integrarse en la gestión de riesgos y eventos extremos, como inundaciones o sequías tanto en el largo plazo como en el corto plazo, aplicando medidas preventivas y minimizando su impacto en instalaciones y procesos (Escuela del agua, 2024).
A continuación, se presentan las principales oportunidades y riesgos identi cados. Entre las oportu-
nidades de la IA en el sector se destaca la toma de decisiones basada en datos en tiempo real, en cuanto a los riesgos se destaca el tema de los altos costos, y en algunos casos la falta de conocimiento de las nuevas tecnologías.
Oportunidades
Toma de decisiones sobre el agua basadas en los datos: Una de las aplicaciones más valiosas de la IA en el sector de agua y saneamiento en América Latina y el Caribe es proporcionar datos que puedan respaldar la toma de decisiones. Por ejemplo, se pueden utilizar datos geoespaciales y de usuarios para decidir dónde ubicar instalaciones de agua potable y saneamiento para satisfacer las necesidades de las comunidades más vulnerables; los datos también se pueden utilizar para comprender la brecha entre el suministro y la demanda de agua y ayudar a que este recurso esté disponible donde más se necesita (a nivel regional, comunitario o dentro de las instalaciones corporativas); asimismo, pueden utilizarse para brindar asesoramiento sobre una mejor gestión del agua y de los recursos a nivel de cuenca uvial (Maceira, s.f.).
Aumentando la resiliencia al cambio climático: Tecnologías como las imágenes satelitales, la IoT, los macrodatos y la IA también se pueden utilizar para mejorar la plani cación y la previsión de escenarios y mejorar la resiliencia en todos los niveles de la sociedad (regional, nacional y local). Por ejemplo, en contextos urbanos, las tecnologías que utilizan sensores remotos para el pronóstico de alimentos (como Cloud to Street) y herramientas de diseño para modelado hidráulico (como Autodesk Storm y Sanitary Analysis) son parte del conjunto de servicios que parece contribuir a la toma de decisiones, relacionadas con la inversión en infraestructuras, la plani cación urbana y la preparación para emergencias (Maceira, s.f.).
Datos insu cientes: La calidad y cantidad de datos son clave para la aplicación de la IA en el sector del agua. En algunos casos, los datos pueden ser insu cientes o no estar disponibles para el análisis, lo que limita la e cacia de las soluciones de IA.
Falta de conocimiento: La adopción de la IA en el sector del agua requiere una sólida comprensión de la tecnología y sus aplicaciones en el sector, así como habilidades especializadas para implementar y mantener sistemas de IA. La falta de conocimientos y habilidades en esta área puede ser una barrera para la adopción de la IA.
Costos: La implementación de la IA en el sector del agua puede requerir importantes inversiones en tecnología, infraestructura y capacitación. Además, los costos de mantenimiento y actualización de los sistemas de IA pueden ser grandes. Riesgos
Riesgos de privacidad y seguridad: Recopilar y almacenar grandes cantidades de datos puede plantear riesgos de privacidad y seguridad. Es esencial garantizar que los datos recopilados se utilicen de manera responsable y estén protegidos de amenazas externas.
Dependencia de la tecnología: La adopción de la IA puede crear una dependencia de la tecnología y los datos, lo que puede limitar la
capacidad de las empresas y los proveedores de servicios de agua para tomar decisiones basadas en la experiencia y el juicio humanos (Maceira, s.f., párr. 32-37).
Estos son solo algunos de los desafíos y limitaciones que pueden surgir al aplicar la IA en el sector del suministro de agua y el saneamiento. Es fundamental para las empresas prestadoras de estos servicios públicos conocer las oportunidades y riesgos asociados, descritos anteriormente, antes de plani car y considerar la implementación de la IA en el sector y trabajar en la búsqueda de soluciones a los riesgos más inminentes.
Referencias
Adler, I. (2023). Integrando soluciones innovadoras en empresas proveedoras de servicio de agua y saneamiento Lecciones aprendidas de pilotos de innovación en América Latina y el Caribe. Banco Interamericano de Desarrollo.
Alam, R. (21 de marzo de 2023). Five Ways Arti cial Intelligence Is Going to Shape the Future of Water and Resilient Infrastructure. WSP. https://www.wsp.com/en-us/insights/2023-arti cial-intelligence-shaping-future-of-water
Almar Water Solutions. (s.f.). Agua e inteligencia arti cial. Almar Water Solutions. https://almarwater.com/es/agua-e-inteligencia-arti cial/
Banco Interamericano de Desarrollo. (s.f.). Proyectos. BID: https://www.iadb.org/es/project-search
Escuela del Agua. (13 de marzo de 2024). Arti cial Intelligence and Water Management. Escuela del agua.
Mordor Intelligence. (s.f.). Análisis de participación y tamaño del mercado de gestión inteligente del agua tendencias de crecimiento y pronósticos (2024-2029). Mordor Intelligence.
Organización de las Naciones Unidas. (30 de marzo de 2015). Unos 1800 millones de personas viven en países que se enfrentarán a la escasez de agua en 2025. ONU.
Remote Waters. (25 de enero de 2024). Top 8 water management trends & innovations in 2024. Remote Waters. https://www.remote-waters.com/noticias/2024/1/25/las-8-principales-tendencias-e-innov aciones-en-gestin-del-agua-en-2024
Sand Technologies. (2024a). Water AI: 8 Ways AI in Water Management Creates a Better Future. Sand Technologies. https://www.sandtech.com/insight/water-ai-8-ways-ai-in-water-management-creates-abetter-future/
Sand Technologies. (2024b). What if automation and AI could reduce leakage and predict and prevent outages, saving millions of pounds per year?. Sand Technologies. https://www.sandtech.com/case-studies/leveraging-ai-and-iot-for-a-hydraulic-network-ri sk-tool/
Stankovic, M., Hasanbeigi, A. y Neftenov, N. (2020). Uso de tecnologías de la 4RI en agua y saneamiento en América Latina y el Caribe. Banco Interamericano de Desarrollo. https://publications.iadb.org/es/publications/spanish/viewer/Uso-de-tecnologias-de-la-4R I-en-agua-y-saneamiento-en-America-Latina-y-el-Caribe.pdf
StartUs insights. (s.f.). 5 Top Emerging Water Management Startups. StartUs insights. https://www.startus-insights.com/innovators-guide/5-top-emerging-water-management -startups/
WEG. (s.f.). WEG Motion Fleet Management. WEG. https://www.weg.net/institutional/ES/es/solutions/digital-solutions/mfm
Inteligencia
Arti cial en el Sector de Residuos y Reciclaje
Leidy Selene Alzate Acosta
Viannet Marcela Montoya Calle
IRO IRO
Ideas Clave
La integración de tecnologías de inteligencia arti cial está revolucionando los procesos de reciclaje al automatizar tareas y optimizar operaciones clave. Esto no solo incrementa la e cacia operativa, sino que también mejora la exactitud en la clasi cación de materiales reciclables, lo que es crucial para aumentar la cantidad de desechos recuperados y reducir la cantidad que termina en vertederos.
Para justi car las inversiones en tecnologías de IA, es fundamental realizar análisis detallados de costos y bene cios. Estos análisis deben demostrar el valor potencial a largo plazo de la IA, incluyendo ahorros en gastos operativos, aumento de la e ciencia y, sobre todo, los bene cios ambientales signi cativos que pueden resultar de una gestión de residuos más e caz.
La inteligencia arti cial abarca varias áreas, como la visión computacional, el aprendizaje automático y la robótica, que desempeñan roles esenciales en la identi cación, clasi cación y procesamiento de materiales reciclables. Estas herramientas permiten a las empresas gestoras de residuos mejorar la precisión en la separación de desechos, optimizando así los procesos de tratamiento y fomentando la sostenibilidad ambiental.
La implementación de inteligencia arti cial en el sector de residuos ofrece múltiples bene cios, como el aumento de la e ciencia operativa mediante la automatización de tareas repetitivas, la reducción de gastos operativos al mejorar el uso de recursos y minimizar el desperdicio, y la mejora en la precisión de la clasi cación de materiales reciclables, lo que contribuye a impactos ambientales positivos al disminuir la cantidad de residuos que terminan en rellenos sanitarios.
En los últimos años, la gestión de residuos ha cobrado una importancia creciente debido a la necesidad de abordar los desafíos ambientales globales. En este contexto, regiones como Europa y América del Norte han liderado el camino en innovación, estableciéndose como referentes en la implementación de tecnologías avanzadas y demostrando los bene cios prácticos de la inteligencia arti cial en la gestión de residuos.
La participación de Latinoamérica en el mercado de IA para la gestión de residuos es aún incipiente, debido a factores como una infraestructura tecnológica en desarrollo y la alta inversión requerida. La escasez de recursos nancieros y la falta de incentivos gubernamentales también limitan el avance en este ámbito. Sin embargo, el creciente interés en sostenibilidad y economía circular sugiere que la adopción de la IA en la gestión de residuos podría aumentar en el futuro, presentando una oportunidad signi cativa para el sector.
Generalidades en el sector de Residuos y Reciclaje
Según Morandín-Ahuerma (2023), la IA se de ne como la capacidad de una máquina o sistema informático para imitar y ejecutar actividades que normalmente requieren inteligencia humana, tales como el razonamiento lógico, el aprendizaje y la solución de problemas. Esta tecnología se fundamenta en el empleo de algoritmos y tecnologías de aprendizaje automático, que con eren a las máquinas la capacidad de aplicar ciertas habilidades cognitivas y llevar a cabo tareas de manera autónoma osemiautónoma.
Es en este sentido que en los últimos años la IA ha gurado como una de las áreas cruciales en el desarrollo de nuevos modelos de negocio y se ha convertido en un elemento estratégico de operaciones y toma de decisiones, pues su campo de acción se ha desplegado a múltiples ámbitos y el sector del reciclaje no ha sido la excepción. Gracias a esto se ha evidenciado que en el sector de la gestión de residuos y reciclaje se ha experimentado una importante transformación, pues su incursión ha implicado grandes cambios y avances en la manera en que se gestionan los sistemas de clasicación de residuos y se llevan a cabo los procesos de reciclaje.
Históricamente, los procesos de reciclaje se han fundamentado en la clasi cación y reconocimiento manual de materiales reciclables que dependían en gran medida de la intervención humana, lo cual ha tendido a limitar la e ciencia y precisión del proceso. No obstante, con la implementación de tecnologías basadas en IA, se han posibilitado avances signi cativos en este ámbito, tecnologías como el aprendizaje automático también denominado Machine Learning y la visión computacional han transformado la manera en que se clasi can y administran los residuos (Sohailkhan, 2024).
Es así, como la IA ha entrado a jugar un rol vital en la optimización del reciclaje y la gestión de residuos, pues mediante el análisis de datos y patrones, los algoritmos de IA predicen y plani can métodos e cientes para reciclar diversos residuos y materiales, de manera que permite tomar decisiones rápidas y adaptativas ante cambios en el ujo de residuos, lo que conlleva que se aumente la e ciencia del proceso de reciclaje.
Además de contribuir a la mejora de la clasi cación y gestión de residuos, la IA ha transformado la infraestructura y logística asociadas al reciclaje.
Mediante el análisis de información asociada a rutas de recolección y capacidades de las plantas, se ha logrado a nar el sistema de reciclaje en su conjunto, hecho que no sólo ha permitido reducir costos operativos, sino que también ha contribuido a disminuir el impacto ambiental derivado de estas actividades ( gura 1).
Tendencias – Aplicaciones: avances en IA para el sector del reciclaje
La generación en masa de residuos se evidencia como un problema global que demanda soluciones innovadoras. Es así como técnicas de IA se han venido usando para administrar y tratar los distintos tipos de residuos, hecho que ha permitido manejar mayores volúmenes de desechos al tiempo de que se automatizan parte de sus actividades. Es de este modo que, en el campo de la gestión de residuos, se están empleando técnicas de IA que van desde la recolección hasta la clasicación y reciclaje de residuos; procesos y tecnologías que han evidenciado un crecimiento notorio, motivo por el cual se anticipa que su mercado global siga experimentando un aumento signi cativo.
Tendencia 1. Recolección de residuos
Los procesos de recolección de residuos se han transformado al incorporar sistemas de contenedores inteligentes, algoritmos para la optimización de rutas recolectoras de residuos, programación y modelos de predicción de demanda mediante IA; estas tecnologías están con gurando el futuro de la recolección y gestión de residuos al optimizar procesos, actividades operativas y disminuir costos.
Las soluciones de gestión de residuos impulsadas por IA abordan los desafíos mediante análisis predictivos, análisis de datos y automatización. Estas tecnologías permiten una asignación e ciente de recursos, optimizando los procesos de recolección, clasi cación y reciclaje de desechos a gran escala. Al automatizar actividades como la programación de rutas y la clasi cación, los sistemas de IA mejoran la e ciencia operativa, permitiendo que la infraestructura de gestión de residuos maneje mayores volúmenes de desechos. Además, las capacidades predictivas de la IA anticipan patrones futuros de generación de residuos, facilitando la toma de decisiones y la asignación de recursos para adaptarse a crecientes volúmenes de residuos (Olawade et al, 2024).
La inteligencia arti cial en la gestión de residuos
Innovaciones
Implementación de sensores inteligentes para monirotear contenedores
Optimizaciones en rutas y reducción de costos operativos
La inteligencia arti cial puede identi car patrones de generación de residuos y optimizar los procesos
Vehículos eléctricos
En Oslo y Ámsterdam los vehículos de transporte de residuos han sido electri cados, reduciendo las emisiones en contaminación
En Estocolmo, el sistema de recogida neumática estática de Envac redujo el trá co de basura
60%
Casos de éxito
Singapur
La Agencia Nacional del Medio Ambiente implementó un sistema con sensores inteligentes, vehículos autónomos y gestión de datos
Aumentó la tasa de reciclaje 60% y redujo costos en 25%
Desafíos y oportunidades
Alta inversión inicial y necesidades de una infraestructura adecuada Marco regulatorio y políticas de apoyo
Barcelona
Capacidad de predicción de generación de residuos Implementó sistemas inteligentes para recolectar residuos
Costo estimado: US$ 5 millones a US$10 millones
Seúl
Clasi cación de residuos por computadora y algoritmos
El uso de sensores incrementó 30% la e ciencia en la recogida de residuos
Costo estimado: US$30 millones a US$50 millones
Costo estimado: US$ 7 millones a US$15 millones
Figura 1. La inteligencia arti cial en la gestión de residuos. Recuperado de: (Así está la entrada…, 2024)
La gura que se muestra a continuación da cuenta de los avances que ha tenido la IA en materia de recolección de residuos, los cuales se detallarán seguidamente:
Tendencia 1: Aplicación
Recolección de residuos
Sistemas de contenedores inteligentes
Optimización de rutas recolectoras
Programación dinámica y predicción de demanda
Predicción de demanda
Figura 2. Avances de aplicaciones de la IA en la recolección de residuos. Recuperado de: (Olawade et al, 2024).
Aplicaciones: Optimización de rutas recolectoras
Los sistemas de contenedores inteligentes están dotados de sensores que supervisan los niveles de llenado en tiempo real. Posteriormente, los datos recopilados se analizan mediante algoritmos de IA para determinar las rutas y horarios de recolección adecuados. Las tendencias actuales en estos sistemas incluyen la incorporación de ultrasónicos y de peso, para ofrecer datos más precisos sobre los niveles de llenado. Además, se están equipando con funciones de conectividad IoT para facilitar la comunicación entre los contenedores y las empresas gestoras de residuos, lo que permite la supervisión en tiempo real, la administración remota y el mantenimiento de estos sistemas. Así mismo, los contenedores inteligentes están integrando algoritmos de aprendizaje automático para mejorar la precisión en las predicciones de llenado y así optimizar las operaciones de recolección (Olawade et al, 2024).
Un prototipo de contenedor dotado con IA fue lanzado al mercado por las empresas italianas gestoras de residuos Alia Multiutility y Nord Engineering, quienes presentaron el denominado Genius 5 ( gura 3), el cual incorpora un sensor volumétrico que permite registrar y medir el volumen de desechos de manera remota, garantizando una supervisión precisa y continua de los materiales depositados (Ecoinventos, 2024).
De igual manera, el Genius 5 puede medir cada vertido de residuos y generar estadísticas detalladas. Indica el nivel de llenado y optimiza el servicio de recolección, reduciendo costos y emisiones de CO2. Además, vincula cada vertido con la identidad del usuario mediante autenticación a través de una aplicación o llave electrónica, y noti ca cualquier irregularidad para permitir intervenciones rápidas en caso de daños.
En una e ciente gestión de residuos la logística y el transporte tienen una importancia vital y las tendencias en este campo implican la incorporación de tecnologías de IA como el aprendizaje automático y los algoritmos de optimización que empleen fuentes de datos en tiempo real a través de sistemas de posicionamiento global GPS, para usar aspectos como condiciones del trá co, densidad de población, patrones históricos, generación de residuos y recolección, además de pronósticos meteorológicos ajustados, también según las condiciones y la demanda. Al considerar estos factores las empresas gestoras de residuos pueden minimizar el tiempo de viaje, el consumo de combustible y las emisiones de los vehículos, garantizando al mismo tiempo servicios de recolección de residuos oportunos y e cientes (Olawade et al, 2024).
Estos sistemas equipados con IA no sólo tienden a ayudar a reducir la congestión vehicular en las vías, sino que también bene cian al medio ambiente al reducir las emisiones contaminantes al disminuir la duración de los recorridos, trayectos y el consumo de combustible; además representan un ahorro económico para las compañías gestoras de residuos.
Programación dinámica y predicción de demanda
La gestión de residuos puede abordarse desde dos enfoques complementarios: la programación dinámica y la predicción de demanda mediante IA. Ambos enfoques se orientan a optimizar las prácticas de recolección y el uso e ciente de recursos, contribuyendo a objetivos estratégicos como la reducción de costos y la mitigación de impactos ambientales. En este contexto, la plani cación implica que las empresas tomen decisiones informadas y se adapten a las uctuaciones en la generación de desechos (Andeobu et al., 2022).
En la programación dinámica, es crucial integrar datos en tiempo real de diversas fuentes, como sistemas de contenedores inteligentes y monitoreo del trá co. Esta integración permite a las compañías gestionar sus recursos de manera más e ciente, ajustando los cronogramas de recolección y mejorando la calidad del servicio. La capacidad de redirigir vehículos en tiempo real para priorizar áreas con alta demanda representa una aplicación directa de esta tecnología, optimizando tanto los costos operativos como el impacto ambiental (Olawade et al, 2024).
Figura 3. Contenedor Genius 5.0. Recuperado de: (Ecoinventos, 2024)
Por otro lado, la predicción de demanda utiliza algoritmos de aprendizaje automático para analizar patrones en la generación de residuos, incorporando datos de redes sociales, plataformas en línea y dispositivos IoT. Esto permite a las empresas anticipar necesidades y ajustar su plani cación operativa de manera más efectiva, considerando factores como la densidad poblacional y eventos masivos (Fang et al, 2023). Sin embargo, para que estos sistemas sean e caces, es fundamental asegurar la compatibilidad con las infraestructuras existentes y ofrecer capacitación al personal, ya que la calidad de los datos y la formación son claves para el éxito de las soluciones basadas en IA en la gestión de residuos.
Tendencia 2. Clasi cación y reciclaje de residuos
Las prácticas de IA en la gestión de residuos han evolucionado signi cativamente, posicionándose como pilares fundamentales para avanzar hacia la sostenibilidad ambiental. Es así, como las principales iniciativas no solo se centran en la identi cación y clasi cación de residuos, sino que también impulsan el uso de tecnologías.
Por su parte, el reciclaje de residuos juega un papel trascendental en los enfoques de administración sostenible de residuos, ya que permite reducir el volumen de residuos enviados a rellenos sanitarios y minimizar el impacto ambiental negativo. Las tecnologías IA están impactando este campo al contribuir a la mejora de aspectos del proceso de reciclaje que van desde la identi cación y clasi cación automatizada hasta la mejora de procedimientos y la aplicación de sistemas de robótica y automatización; innovaciones que no solo mejoran la precisión y la velocidad del reciclaje, sino que también facilitan la reducción de la contaminación asociada (Fundación Ecolec, 2022).
Aplicaciones:
Reconocimiento de imágenes mediante visión computarizada con IA
La visión computarizada es un área de la IA que busca replicar la capacidad visual humana utilizando diversos tipos de sensores, que van desde cámaras convencionales 2D y 3D hasta cámaras hiperespectrales. Es de esta manera que los desarrollos en el reconocimiento de imágenes y la visión computacional abarcan técnicas de procesamiento de imágenes y modelos de aprendizaje profundo, los cuales utilizando redes neuronales y otras arquitecturas de aprendizaje automático pueden extraer características detalladas de las imágenes de los residuos permitiendo la identi cación y categorización precisa en tiempo real.
En Madrid, a principios de 2024, el Ayuntamiento implementó un sistema de limpieza que utiliza vehículos equipados con cámaras y sensores de IA para detectar residuos fuera de los contenedores y agilizar su recolección ( gura 4). Durante la fase piloto, estos vehículos emplearon algoritmos de IA y aprendizaje automático para identi car automáticamente desechos, incluyendo muebles voluminosos, y registrar incidencias. Se estima que esta tecnología reducirá en más del 50% el tiempo de respuesta para la recolección de basura, optimizando los recursos del servicio de limpieza (eSmartCity, 2024).
4. Vehículo equipado con cámaras y sensores con IA para detección de residuos - Ayuntamiento de Madrid. Recuperado de: (eSmartCity, 2024)
Clasi cación robótica de residuos con IA
Los sistemas de clasi cación robótica que integran IA y tecnologías robóticas para automatizar procesos de separación de residuos tienden a ser e caces pues mejoran considerablemente esta tarea. Estos sistemas suelen emplear brazos robóticos equipados con sensores y cámaras para identi car y recolectar residuos según su composición ( gura 5). Además, estos sistemas incorporan mecanismos de agarre y pinzas ajustables, lo que les permite manejar una amplia variedad de residuos de diferentes tamaños y formas (Olawade et al, 2024).
De esta manera, aumentar la precisión y e ciencia de los robots para la clasi cación, implica el desarrollo de mejores sensores y cámaras para identicar distintos tipos de residuos, así como algoritmos de IA mejorados. El uso de imágenes hiperespectrales para localizar la región de interés objetivo es un enfoque prometedor ya que estos robots requieren capacidades visuales y operativas avanzadas para ser integrados en los sistemas de gestión de residuos existentes, los cuales tiende a ser entornos complejos e impredecibles (Fang et al., 2023).
Figura
Un caso de estudio destacado de clasi cación robótica de residuos con IA se encuentra en la tecnología que implementa la compañía Recycleye, en colaboración con la empresa portuguesa Valorsul, la Sociedad de Ponto Verde y Tetra Pak. Recycleye utilizó visión arti cial y un brazo robótico para la detección y separación automatizada de residuos, con un enfoque especial en mejorar el reciclaje de cartones de bebidas. Esta tecnología se implementó en la planta de recuperación de residuos de Valorsul en Lisboa, incrementando signi cativamente la capacidad de clasi cación y la reutilización de cartones de bebidas en la región (RETEMA, 2024).
Sector en cifras: Datos y proyecciones generales del mercado del sector de residuos con IA
Se prevé que el mercado global de gestión de residuos impulsado por IA alcance los 18,2 millones de dólares en 2033, con un crecimiento anual compuesto del 27,5% entre 2024 y 2033 (Market us, 2024). La integración de la IA en este sector representa un enfoque transformador para gestionar los residuos de forma más e ciente y sostenible.
Este aumento en el sector de la IA para la gestión de residuos se debe a una mayor conciencia sobre los problemas ambientales y un impulso hacia la sostenibilidad. Tanto gobiernos como empresas están invirtiendo en tecnologías de IA para optimizar sus sistemas de gestión de residuos, lo que se ve potenciado por avances tecnológicos.
Entre las diversas aplicaciones de la IA, los segmentos relacionados con la gestión de contenedores están experimentando el crecimiento más signi cativo, con proyecciones que superan el 30%. Este aumento se atribuye al uso de IA para optimizar rutas, mejorar procedimientos de recolección y aumentar la e ciencia general en la gestión de desechos. Actualmente, casi el 80% de los residuos
generados se depositan sin tratar, lo que resalta la oportunidad de que la IA desempeñe un papel crucial en una gestión más sostenible (Market us, 2024). En contraste, Europa ha logrado prácticas ejemplares, con más del 88% de los residuos reciclados o convertidos en compost, gracias a la integración de tecnologías de IA que mejoran la e ciencia de clasi cación (Market us, 2024). Además, el software ha mantenido una sólida posición en el mercado, con una participación superior al 42,5%, lo que re eja su papel esencial en el funcionamiento de los sistemas de IA ( gura 6) (Market us, 2024).
La clasi cación y separación de residuos ocupa una posición destacada en el mercado, alcanzando más del 38% de la cuota total ( gura 7). Este predominio se debe a la importancia crucial de una selección efectiva en los procesos de reciclaje. Se prevé que este segmento siga liderando, ya que los avances continuos en inteligencia arti cial y algoritmos de aprendizaje automático mejorarán la e ciencia y precisión de los sistemas de clasi cación (Market us, 2024).
El mercado de gestión de residuos se clasi ca según el tipo de desecho, abarcando residuos industriales, electrónicos, peligrosos y químicos, plásticos, biológicos y otros. Se espera que el segmento de residuos plásticos sea el más grande, debido a su uso extensivo en bienes de consumo, electrónica y manufactura, lo que genera una gran cantidad de residuos plásticos a nivel global. Además, se anticipa que los Residuos de Aparatos Eléctricos y Electrónicos —RAEE— serán el segmento de crecimiento más rápido, impulsados por el avance del sector de la electrónica de consumo, que incluye dispositivos como teléfonos inteligentes y computadoras (Global Market Estimates, 2024).
El mercado también se segmenta según el tipo de tecnología, dividiéndose en modelos predictivos, robots clasi cadores y contenedores inteligentes. Se prevé que los robots clasi cadores serán el segmento de mayor crecimiento, ya que están equipados con modelos de IA para examinar y separar diversos materiales de desecho. En cuanto a los usuarios nales, se distingue entre los sectores industrial, residencial y comercial. Se espera que el segmento industrial sea el mayor, debido a la gran cantidad de desechos generados, lo que impulsa la adopción de soluciones e cientes. Por otro lado, el segmento residencial experimentará el mayor crecimiento gracias al uso creciente de contenedores inteligentes, lo que mejorará la e ciencia en la recolección de desechos.
Figura 5. Brazo Robótico de clasi cación de residuos de en la planta de Valorsul en Lisboa. Recuperado de: (RETEMA, 2024)
20232024202520262027202820292030203120322033
Figura 6. Mercado global de IA en la gestión de residuos– Tamaño por componente, 2024 -2033 —miles de millones en USD—. Recuperado de: (Market us, 2024)
Mercado mundial de IA en la gestión de residuos
Participación por aplicación, 2023 (%)
Otras aplicaciones
Optimización de rutas
Mantenimiento predictivo
Clasi cación y segregación de residuos
Figura 7. Mercado global de IA en la gestión de residuos participación por aplicación. Recuperado de: (Market us, 2024)
Sector en cifras: Datos y proyecciones generales del mercado del sector de residuos con IA
En el panorama regional del mercado de la IA para la gestión de desechos, EE. UU. y Canadá se destacan como los líderes en Norte América, debido a su avanzada adopción de tecnologías inteligentes y sus signi cativas inversiones en el sector.
“Se espera que América del Norte tenga la mayor cuota de mercado mundial de IA en la gestión de residuos”
Mercado global en la gestión de residuos
Análisis regional en 2023
América latina
América del norte
$600M Asia pací co
MEA
Figura 8. Mercado global de IA en la gestión de residuos: Análisis en 2023. Recuperado de: (Market us, 2024)
En 2023, América del Norte se destacó en el mercado de gestión de residuos ( gura 8), con una participación superior al 36.9%. La región ha liderado la integración de tecnologías de inteligencia arti cial, impulsando numerosas iniciativas para adoptar soluciones inteligentes en la gestión de residuos en ciudades y municipios. La demanda de IA en este sector alcanzó los 600 millones de dólares y se espera un crecimiento considerable. Este liderazgo se debe a factores como una infraestructura tecnológica avanzada y una alta conciencia ambiental, así como a las estrictas normativas en países como EE. UU. y Canadá que exigen a empresas y sector público invertir en sistemas de gestión de residuos e cientes y sostenibles (Market us, 2024).
Las proyecciones del mercado indican que América del Norte y Europa son fuertes en este ámbito, consolidándose como referentes en el sector. A continuación, se presentarán algunos de los actores clave identi cados, considerando aspectos como las soluciones ofrecidas, el alcance tecnológico, la presencia en el mercado y el potencial de crecimiento
Principales proveedores norteamericanos de IA para el sector de residuos y reciclaje
Machinex Industries Inc
Fabricante canadiense de equipos de reciclaje y soluciones de gestión de residuos.
Solución: SamurAI® sorting robot
SamurAI® es un robot de clasi cación que utiliza tecnología avanzada de inteligencia arti cial para identi car materiales y realizar una recuperación precisa de productos o una función de control de calidad. Cuenta con un robot de 4 articulaciones, diseña do para reducir la dependencia del clasi cado manual en instalaciones de recupera ción. Además, incluye un sistema de succión integrado para eliminar partículas peque ñas y ligeras, como el plástico lm (Machinex Industries Inc., 2024).
Caracteristicas:
Tecnología de inteligencia arti cial para identi cación precisa de materiales.
Robot de 4 articulaciones que permite maniobrar y depositar materiales especí cos.
Sistema de succión integrado el cual elimina partículas pequeñas y ligeras, reduciendo la necesidad de aire comprimido.
Capacidad máxima de carga adecuada para manejar varios tipos de materiales reciclables.
Reducción de dependencia manual que mejora la productividad y reduce los costos operativos en las plantas de recuperación de residuos (Machinex Industries Inc., 2024).
Caso de estudio:
En 2021 Machinex colaboró con el Consejo de la ciudad de Coventry, Reino Unido, para entre gar una avanzada Planta de Reciclaje de Materiales (MRF) que se espera fuese una de las más so sticadas a nivel mundial. Operativa para el verano de 2023, la instalación, gestionada por Sherbourne Recycling Limited, jó como objetivo procesar hasta 175,000 toneladas de mate riales reciclables secos mixtos anualmente. Machinex empleó un enfoque de colaboración estrecha con el cliente para diseñar una instalación preparada para el futuro, equipada con 14 robots clasi cadores SamurAI y avanzados separadores ópticos. Esta integración de IA marca un avance signi cativo en la e ciencia operativa, con la instalación lista para estable cer nuevos estándares en rendimiento de reciclaje y adaptabilidad a las dinámicas cambian tes del sector de residuos (Machinex Industries Inc., 2021).
Everestlabs
“Empresa Estadounidense que combina experiencia en inteligencia
Alameda County Industries —ACI—, una planta de Recuperación de Materiales —MRF— ubicada en el Área de la Bahía de San Francisco, Estados Unidos, procesa aproximadamente 300 Toneladas por Día —TPD—. La planta opera cinco días a la semana, con dos turnos de trabajo de lunes a viernes. En un esfuerzo por abordar los desafíos laborales y mejorar la e ciencia operativa, así como reducir los costos de vertedero y aumentar las tasas de recuperación de materiales, ACIrecurrió a EverestLabs en busca de asistencia
Problema
ACI enfrentaba di cultades para mantener una planta con personal completo en medio de una alta rotación y preocupaciones por la seguridad. Además, el costo promedio total por persona es de aproximadamente $85.000 al año. Esta combinación de costos y escasez de personal di cultaba que ACI operara de manera e ciente y produjera pacas consistentes y de alta calidad.
Después de haber instalado RecycleOS, varias cosas destacaron para ACI.
ACI experimentó una reducción del 59% en los costos laborales y observó cómo se retiraban más de 500,000 objetos no reciclables de su línea de control de calidad de aluminio.
El robot tuvo una disponibilidad superior al 99% durante las horas de operación.
Con el Centro de Operaciones Robóticas —ROC— de RecycleOS, no fue necesario supervisar constantemente el robot. El ROC de EverestLabs
monitoreó su sistema las 24 horas del día, los 7 días de la semana, y alertaría en cuestión de minutos si se detectaban problemas.
Los datos proporcionados por RecycleOS les ayudaron a comprender lo que ocurría a lo largo de su línea de control de calidad, permitiéndoles optimizar los parámetros del equipo.
Después de recuperar la inversión en menos de 3 meses con su primer sistema RecycleOS, decidieron agregar tres sistemas más en su instalación para las líneas de proceso. “En solo tres años, los robots de EverestLabs han retirado 28,588,759 objetos sin necesidad de mantenimiento importante ni tiempo de inactividad” (EverestLabs Inc., 2024b).
Empresa canadiense que integra procesos de manejo de residuos, visión por computadora, algoritmos de aprendizaje profundo y tecnologías robóticas para permitir instalaciones de reciclaje de residuos más precisas y seguras.
Solución
La tecnología de Waste Robotics integra procesos avanzados de manejo de residuos, visión por computadora, algoritmos de aprendizaje profundo y tecnologías robóticas de última generación para permitir instalaciones de reciclaje de residuos más pequeñas, precisas, seguras y rentables. Además, utilizan cámaras hiperespectrales que permiten un análisis y una identi cación detallada del material, detectando rmas espectrales únicas que facilitan la clasi cación y separación precisas para mejorar la e ciencia del reciclaje (Waste Robotics Inc, 2024b).
Características:
Visión: permite un análisis e identi cación detallados de materiales mediante la detección de rmas espectrales únicas, lo que facilita la clasi cación y separación precisas para mejorar la e ciencia del reciclaje. Un modelo multisensor puede reconocer con precisión el tamaño y la forma y luego proporcionar información detallada sobre la composición y características de los materiales.
IA de agarre: un modelo multisensor puede reconocer con precisión el tamaño, la forma y, luego proporcionar información detallada sobre la composición y características de los materiales.
Robot: el brazo robótico FANUC encarna con abilidad y precisión y ofrece capacidades de automatización versátiles para las industrias. Con una construcción robusta y sistemas de control avanzados, garantiza un alto rendimiento y una integración perfecta en diversas aplicaciones industriales (Waste Robotics Inc, 2024a).
Tipo de residuos que procesan
Residuos de construcción
Madera
Hormigon
Drywall
Piedra
Ladrillos
ReciclablesResiduos
sólidos
Urbanos (RSU)
Polipropileno
Poliestireno
PET
PVC
papel de o cina
clasi cado para reciclaje
Bolsas de orgánicos
Bolsas de reciclables
Papel y Cartón
Plástico lm
Material
Voluminoso
Metales y otros
Ferrosos y no ferrosos
Cobre
Placas de Circuitos
Residuos
Electrónicos
Poliuestireno
Tabla 1. Tipo de residuos que procesa Waste Robotics. Adaptada de: (Waste Robotics Inc, 2024a)
Waste Robotics
Principales proveedores europeos de IA para el sector de residuos y reciclaje
AMCS Group
AMCS Group es un especialista tecnológico que ofrece soluciones de software basadas en la nube para las industrias de residuos, reciclaje y recursos. La empresa tiene su sede en Irlanda y opera a nivel mundial (AMCS Group, s.f. a).
Solución: AMCS Vision AI
Solución impulsada por inteligencia arti cial diseñada para digitalizar imágenes de materiales e identi car contaminación, proporcionando a los operadores información automatizada. También ayuda a reducir el riesgo de pérdida de ingresos por contenedores sobrellenados al automatizar los registros de imágenes de estos mismos.
Consiste en una cámara y un dispositivo de grabación que proporciona imágenes al motor de IA. El sistema se puede instalar en una variedad de activos, incluidos vehículos de recolección y compactadores. Esta unidad AMCS Vision AI registra imágenes y el motor de IA/Aprendizaje Automático, las analiza automáticamente para detectar patrones objetivo (por ejemplo, contaminación, composición, etc.) para proporcionar alertas, conocimientos y acciones en el portal de la Plataforma AMCS (AMCS Group, s.f. b).
¿Cómo ayudará AMCS Vision AI para la gestión de residuos?
Existe una amplia gama de aplicaciones que incluyen:
Identi cación automatizada de materiales para identi car la contaminación en el material de reciclaje y vincularlo con el productor de residuos.
Análisis de composición de materiales para comprender los componentes granulares del ujo de recursos que se recolectan o procesan a escala, muelle de carga, línea de clasi cación, etc.
Excepciones de servicio que requieren seguimiento, como contenedores sobrecargados, acceso bloqueado, etc.
Elementos de seguridad como peligros en el ujo de materiales, cuestiones de seguridad del conductor, etc. (AMCS Group, s.f. b).
Greyparrot
Empresa con sede en Reino Unido, que proporciona soluciones de visión por computadora para potenciar la robótica y sistemas inteligentes en la industria de gestión de residuos.
Solución: Greyparrot Analyzer
Plataforma de análisis de residuos basada en IA. Se instalan unidades de cámaras en las bandas transportadoras de las plantas de reciclaje y la IA traduce las imágenes generadas en información en tiempo real. Identi ca objetos en los residuos y permite tomar decisiones basadas en datos para maximizar la recuperación y pureza de los materiales (Greyparrot, 2024a). Ver video
Características
Transmisión en tiempo real: crea un ujo continuo de información sobre los materiales que pasan por la banda de clasi cación, permitiendo a los usuarios tomar medidas rápidas.
Reacción en tiempo real: se accede a datos en tiempo real sobre la calidad del material y se actúa ante cualquier cambio. Se puede medir el impacto de las decisiones.
Panel de resumen: el panel de resumen proporciona estadísticas y grá cas de rendimiento, balances de masa, recuento de elementos y estado de las bandas transportadoras
Alertas personalizables: se con guran umbrales personalizados y se reciben alertas por correo electrónico o mensajes de texto cuando se detectan anomalías en la calidad de los residuos.
Informes detallados: se generan informes detallados sobre cualquier período de tiempo para un análisis más profundo. Los informes pueden ser descargados o enviados directamente a la plataforma empresarial
Acceso y permisos: se controla quién tiene acceso a los datos en tiempo real y se fomenta la coherencia en los informes en toda la organización (Greyparrot, 2024a).
Greyparrot Syn
Solución inteligencia para el reciclaje que conecta datos en tiempo real sobre residuos con la maquinaria y el software existentes, independientemente de la marca.
Caracteristicas:
Infraestructura de clasi cación inteligente: combina la potencia de la IA con clasi cadores de infrarrojos cercanos para mejorar la precisión de los brazos robóticos de clasi cación. Esto permite la separación de objetos de manera más rápida y precisa
Automatización del muestreo: Greyparrot ha desarrollado cabinas de muestreo que automatizan el proceso de toma de muestras. Estas cabinas cargan material de muestra en una banda transportadora aislada, y la Unidad Analizadora de Greyparrot informa instantáneamente sobre la composición del material. Además, se generan informes de cumplimiento de forma automática para cumplir los requisitos regulatorios.
Control dinámico: la infraestructura ajusta automáticamente sus operaciones según los cambios en la composición de los materiales en tiempo real, aumentando las tasas de recuperación.
Software: Greyparrot Sync integra los datos de análisis de residuos con la suite de software existente. Puede generar informes detallados, prever el rendimiento y monitorizar la actividad de la planta utilizando plataformas de gemelos digitales (Greyparrot, 2024b).
Con sede en Londres que desarrolla herramientas digitales para detectar y proporcionar análisis en la gestión de residuos, sus herramientas se especializan en aprendizaje automático para permitir la caracterización inteligente, el seguimiento y la clasi cación automatizada de residuos. Su objetivo es acelerar la transición hacia una economía circular mediante la aplicación de IA y aprendizaje automático en la industria de gestión de residuos (Recycleye, 2024a).
Recycleye ofrece soluciones de clasi cación de residuos basadas en IA para clasi car y analizar las fracciones de material procesadas en las plantas de clasi cación.
Solución:
Recycleye Robotics
Brazo robótico que se compone de una cámara, un brazo robótico de 6 ejes, un sistema neumático y una unidad de procesamiento. El robot coge el objeto utilizando aire comprimido y una ventosa de silicona, lo gira para orientarlo hacia la ubicación del contenedor de clasi cación correcto y, a continuación, lo sopla para liberarlo de la ventosa y depositarlo en el contenedor. Esta innovadora tecnología permite agilizar el proceso de recogida a medida que los objetos pasan por la cinta, también se escanean y registran. Estos datos se suben a la nube y se representan en cuadros de mando fáciles de usar (Recycleye, 2024c).
Esta solución se ha aplicado exitosamente en centros de distribución de desechos en el Reino Unido y otros países europeos, utilizando una biblioteca única de imágenes de residuos para identi car con precisión qué materiales deben separarse. Recycleye utiliza inteligencia arti cial para la identi cación visual de objetos, incluidos aquellos con materiales compuestos como los cartones de bebidas.
Recycleye QuantiSort:
Los clasi cadores ópticos de Recycleye AI con aire comprimido pueden realizar hasta 1.000 separaciones por minuto, dependiendo del ancho de la banda, para una clasi cación rápida y precisa a gran escala. Recycleye AI distingue entre objetos hechos del mismo material, como aerosoles de aluminio y latas de bebidas, además de identi car artículos compuestos de diversos materiales (Recycleye, 2024d).
Recycleye Insights:
Ayuda a comprender las tendencias en sus ujos de residuos. Los datos de todos los elementos Facilita la comprensión de las tendencias en los ujos de residuos. Los datos de todos los elementos detectados por Recycleye Vision mientras pasan por la cinta transportadora se presentan en un formato grá co sencillo. Estos datos son descargables y personalizables para analizar diferentes períodos y agrupaciones especí cas. También se pueden con gurar alertas por correo electrónico para advertencias relevantes (Recycleye, 2024e).
Problema
Caso de estudio: robot Recycleye automatiza una línea de papel
A mediados de 2024, Veolia, junto con Recycleye, instaló un brazo robótico con inteligencia arti cial en la Planta Integrada de Gestión de Residuos de Southwark. Este sistema se encarga de recoger papel, cartón, plásticos mixtos y cartones de bebidas, separando e cientemente el aluminio para su reciclaje. La tecnología incluye “una cámara, un brazo robótico de 6 ejes, un sistema neumático y una unidad de procesamiento”, utilizando aire comprimido para recoger y clasi car los objetos.
Este avance mejora la recolección de aluminio y la calidad de los materiales recuperados, mientras que los datos generados ayudan a optimizar la gestión de las instalaciones (Recycleye, 2024c).
Caso de Estudio: Automatización de una Línea de Papel con Recycleye
La automatización de una línea de papel con Recycleye tuvo como objetivo mejorar la pureza del material reciclado al eliminar contaminantes mediante un robot impulsado por IA.
Con sede en el Reino Unido, una de las principales empresas de reciclaje gestionaba 12 instalaciones, procesando 65,000 toneladas de residuos en 2021 y empleando a más de 300 personas. Esta empresa buscaba una solución para mejorar la pureza en su línea de papel, centrándose especialmente en la recolección de cartón marrón y cartón tradicional de una línea mixta.
Solución
Las soluciones Recycleye Vision y Robotics se instalaron sobre una banda existente, utilizando IA para identi car y recoger varios productos; el cuadro de mando y las métricas permitieron identi car la cantidad y el tipo de material recogido en un periodo especíco, facilitando la comprensión del volumen y el valor de los materiales en la banda. La instalación se realizó de forma rápida y económica por un pequeño equipo durante un n de semana, lo que minimizó los costes y el impacto en las operaciones. Tras la puesta en marcha, la solución robótica recolectó de manera constante, produciendo un promedio de 400,000 artículos al mes del material objetivo. Entre los logros del proyecto se contaron de 35 a 50 recolecciones por minuto, un bajo coste de instalación y el apoyo técnico permanente por parte del equipo de Recycleye.
Bene cios
El robot incrementa la e ciencia al realizar entre 35 y 50 recolecciones por minuto.
La producción de la línea aumenta en un 10% gracias a que el sistema automatizado opera por más tiempo que un turno con personal humano por 10 horas.
Los paneles de control brindan información detallada y en tiempo real sobre la calidad y el rendimiento de la línea (Recycleye, 2024b).
Empresa española fundada en 2012, especializada en el desarrollo de tecnologías de IA y Robótica, focalizados en el sector de residuos y reciclaje.
Proyecto RUBSEE
Solución
Max-AI™ es un sistema de inteligencia arti cial desarrollado por Sadako Technologies que identica materiales reciclables y otros objetos para su recuperación. Utiliza tecnología de aprendizaje profundo y redes neuronales multicapa, junto con un sistema de visión
Caracteristicas:
Visión por computador a través de IA: utiliza un sistema de visión avanzado para ver el material.
Identi cación de material en tiempo real: capacidad para identi car materiales rápidamente a medida que pasan por el proceso de reciclaje.
Automatización de instalaciones de reciclaje: incluye clasi cación robótica y optimización del sistema.
Mejora de la e ciencia operativa: diseñada para mejorar el diseño, la e ciencia, la recuperación y el mantenimiento de las instalaciones de recuperación de materiales.
IA especializada: emplea redes neuronales multicapa para identi car objetos (Sadako Technologies, s.f.a).
El siguiente video resume la trayectoria de Sadako y el desarrollo y resultados del proyecto RUBSEE
Startup española que proporciona soluciones basadas en robótica, IA y visión computacional dirigidas al mercado nacional e internacional. Desarrollan sistemas para la selec ción y separación de materiales reciclables.
Es líder en la aplicación de tecnologías de Visión Arti cial en la industria del reciclaje de residuos. Sus sistemas robóticos toman decisiones automatizadas e inteligentes para clasi car los residuos según los parámetros programados (PICVI SA, 2024a).
Picvisa
Solución:
Ecopick es un robot basado en IA que reconoce y clasi ca una amplia variedad de objetos sobre una cinta transportadora, sustituyendo las tareas que habitualmente realiza un operador. Sus tareas de clasi cación de residuos consisten en la realización de controles de calidad de los materiales. Pero también la extracción automatizada de materiales recuperables contenidos en el ujo de rechazos conducidos a la cabina a través de una cinta transportadora. Ecopick utiliza visión e IA para automatizar la clasi cación de material recuperable en plantas de reciclaje, funciona de forma autónoma y puede procesar con precisión un gran volumen de residuos.
Ecopick se puede adaptar para reconocer, clasicar y separar cualquier material. Sus aplicaciones son diversas; se puede adaptar el producto a las necesidades de diferentes procesos de producción ocontrol de calidad en la industria del reciclaje: envases, medicamentos, metales, películas, vehículos al nal de su vida útil, textiles entre otros (PICVISA, 2024b).
Líneas
Plataforma de Centralización de Datos
Sistema con arquitectura de big data que recopila y almacena información generada por equipos de separación de residuos sólidos, como materiales en el ujo, tiempo de funcionamiento, e ciencias, distribuciones, sensores, entre otros ( gura13).
Proyecto Picvisa 4.0:
El proyecto PICVISA4.0 nanciado por la convocatoria de ayudas 2021 destinadas a proyectos de investigación y desarrollo en IA, con el respaldo nanciero de la Unión Europea, tiene como propósito fundamental aprovechar los datos generados por los equipos de separación de desechos sólidos de la empresa para proporcionar nuevas funcionalidades, esto gracias a la implementación de tecnologías digitales avanzadas como la IA, el procesamiento masivo de datos y la simulación. El resultado esperado sería la línea de equipos fabricados por PICVISA más inteligentes, autónomos y fácilmente manejables a distancia (Interempresas, 2024).
Las principales líneas de actuación que desarrolló el proyecto incluyeron la creación de una plataforma de centralización de datos, la implementación de conectividad y gemelo digital, y el desarrollo de IA para la optimización de parametrizaciones.
de actuación del proyecto
Conectividad y Gemelo Digital
Aplicación de enlace remoto a los equipos y una réplica digital que proporcionará soporte en el mantenimiento preventivo y el diagnóstico técnico a distancia de los dispositivos.
IA para Parametrizaciones
Una inteligencia arti cial orientada a la optimización del proceso de tratamiento de residuos en tiempo real, permitiendo el autoajuste de los dispositivos y la adaptación de las con guraciones según el entorno.
Recuperado de: (Interempresas, 2024)
Oportunidades y Riesgos
de Datos
A continuación, se presentan los principales riesgos y oportunidades identi cados durante la elaboración del presente capítulo. Vale aclarar que el lector puede identi car otros aspectos de acuerdo con su contexto (Market us, 2024):
Figura 12. Interfaz Plataforma de Centralización
Picvisa.
Tabla 2. Líneas de actuación del proyecto. Adaptada de: (Interempresas, 2024)
Riesgos
La adopción de tecnologías de IA conlleva gastos signi cativos, como la adopción de equipos avanzados, licencias de software y la integración con los sistemas actuales de gestión de residuos, lo cual se di culta debido a aspectos como la deciencia en la infraestructura tecnológica y los altos costos de inversión inicial.
La di cultad de clasi car con precisión diversos tipos de residuos utilizando IA representa un reto técnico signi cativo debido a la variabilidad en los materiales y su presentación, los residuos pueden variar en color, textura, forma y tamaño, y a menudo están contaminados o mezclados, lo que complica su identi cación exacta.
La incorporación de robots en las plantas de recuperación de residuos puede resultar en la pérdida de empleos y un debilitamiento económico, dado que estos robots trabajan de manera continua sin necesidad de descanso ni experimentar fatiga. Su capacidad para reemplazar el trabajo de dos empleados en turnos distintos puede reducir la demanda de mano de obra humana, afectando negativamente a la economía (Ahmed, et al, 2020).
Las plantas de recuperación de residuos también se enfrentan a variaciones en los recursos y cambios estacionales, pero la automatización puede ayudar a abordar estos desafíos. Sin embargo, sin regulaciones adecuadas, la implementación de la IA en la gestión de residuos podría incrementar las desigualdades sociales (Ahmed, et al, 2020).
La barrera nanciera puede ser especialmente desa ante para localidades y empresas pequeñas en regiones en desarrollo, donde los presupuestos son limitados. El alto costo asociado con nuevas tecnologías puede desincentivar su adopción, ya que los interesados pueden mostrarse reacios a invertir en soluciones innovadoras que aún no han sido completamente validadas.
Cada tipo de material o residuo demanda técnicas especializadas para su manipulación y procesamiento, lo que puede complicar la gestión e ciente mediante tecnologías de IA. La diversidad en las propiedades de los materiales exige que los sistemas se adapten y personalicen sus métodos.
Garantizar que los sistemas de IA puedan adaptarse a las complejidades del procesamiento de residuos, manteniendo al mismo tiempo una alta precisión en la clasi cación y una e ciencia operativa óptima, sigue siendo un desafío crucial para desarrolladores de tecnología y empresas de gestión de residuos.
Las tecnologías de IA tendrán una importancia crucial en la disminución de la huella de carbono de las actividades de reciclaje al aumentar la e ciencia y reducir el consumo energético. La IA puede perfeccionar el aprovechamiento de recursos energéticos en los centros de reciclaje, reduciendo la huella de carbono asociada con el tratamiento de materiales.
La adopción de sistemas de IA en las plantas de reciclaje implica una complejidad técnica considerable. Esto requiere la contratación de personal especializado con experiencia en aprendizaje automático, robótica y análisis de datos, lo cual puede ser un reto, especialmente en áreas con falta de profesionales capacitados. Incorporar tecnologías de IA con los sistemas y procesos de reciclaje existentes puede ser complicado, ya que las instalaciones deben garantizar que los nuevos sistemas funcionen de manera e ciente con las operaciones actuales, lo que a menudo conlleva una extensa personalización y resolución de problemas. Además, Los empleados deben recibir formación para operar y mantener estos sistemas de IA, lo cual puede ser costoso y requerir mucho tiempo, y demanda un compromiso continuo con la formación y el desarrollo de habilidades.
Si bien la cooperación entre las plantas de reciclaje, los proveedores de tecnología y las entidades reguladoras puede fomentar la innovación y la estandarización, también presenta desafíos importantes. La coordinación entre múltiples partes interesadas puede ser complicada y lenta, lo que retrasa la implementación de nuevas tecnologías. Además, las diferencias en los objetivos y prioridades de las entidades públicas y privadas pueden generar con ictos y di cultar la toma de decisiones. Por otro lado, los desafíos regulatorios y de nanciación pueden ser difíciles de superar, particularmente en contextos donde los recursos son escasos y las normativas son estrictas.
El uso de la IA en el ámbito del reciclaje implica reunir y examinar grandes volúmenes de información, lo que plantea inquietudes sobre la privacidad y seguridad de los datos. Algunos sistemas de IA pueden necesitar acceso a información sensible, como datos operativos, indicadores de rendimiento de las plantas de reciclaje e incluso datos personales de empleados o usuarios. Asegurar la protección y gestión segura de estos datos es esencial. Las plantas de reciclaje deben cumplir con diversas regulaciones de protección de datos que varían según la región, lo que añade una capa adicional de complejidad y requiere una vigilancia continua sobre las prácticas de seguridad de la información. El riesgo de violaciones de datos es signi cativo, por lo que deben invertir en medidas sólidas de ciberseguridad para protegerse contra el acceso no autorizado y posibles ltraciones de información.
Los empleados pueden mostrar resistencia a implementar nuevas tecnologías debido al temor a perder sus empleos o a la di cultad de aprender nuevos sistemas, superar estas inquietudes a través de una comunicación clara y una capacitación adecuada es fundamental. De igual manera, el cuerpo directivo puede ser reacio a invertir en tecnologías de IA debido a los riesgos percibidos y las incertidumbres asociadas con su implementación. Resaltar los bene cios a largo plazo y el posible retorno de la inversión puede reducir estas dudas. Además, la cultura organizacional puede in uir en la resistencia al cambio; las instalaciones con una larga trayectoria de prácticas tradicionales pueden enfrentar desafíos para incorporar un enfoque más tecnológico.
Oportunidades
El avance continuo de la inteligencia articial (IA) y el aprendizaje automático está creando oportunidades para innovaciones y nuevos modelos de negocio en la gestión de residuos y reciclaje. Estas tecnologías facilitan a las empresas el análisis preciso de grandes conjuntos de datos, la optimización de la gestión de residuos y la mejora de la e ciencia operativa (EcoInventos, 2023).
Los nuevos actores en el sector pueden explorar nichos aún no aprovechados, como el desarrollo de aplicaciones de IA adaptadas a las necesidades especí cas de gestión de residuos en diferentes localidades o la integración con infraestructuras de Internet de las Cosas (IoT). Utilizar la inteligencia arti cial para identi car diferentes propiedades de los materiales puede aumentar notablemente la e ciencia del proceso, siempre que se superen los retos técnicos relacionados con el entrenamiento de modelos con grandes cantidades de datos y la integración de estos sistemas (Recycleye, 2023).
El desarrollo y expansión de sistemas de IA ofrecen una mayor escalabilidad y adaptabilidad para manejar diferentes tipos de residuos en diversas regiones. Esto facilita una adopción más amplia de tecnologías de reciclaje y promueve un crecimiento signi cativo del mercado (Greenuso, 2023). Además, la incorporación de robots y tecnologías avanzadas puede originar nuevos puestos para técnicos especializados encargados de supervisar y operar estos sistemas automatizados, abriendo oportunidades laborales en campos técnicos y especializados (TechFormacion, 2023).
Las innovaciones en inteligencia arti cial, como el aprendizaje automático, la visión por computadora y los sensores inteligentes, están aumentando signi cativamente la precisión en la clasicación de residuos y la optimización de las rutas de recolección; estos avances reducen errores, mejoran la e ciencia operativa y generan nuevas oportunidades de crecimiento en el sector (La Nota Económica, 2023).
El creciente respaldo regulatorio hacia la sostenibilidad está motivando a los gobiernos a establecer políticas que fomenten la reducción de residuos y aumenten las tasas de reciclaje. Las empresas de gestión de residuos pueden aprovechar este apoyo para innovar y ampliar sus servicios, lo que podría abrir nuevos modelos de negocio y fortalecer su competitividad (Ecoembes, 2023).
Oportunidades
La incorporación de IA facilita la creación de sistemas avanzados para la clasi cación de residuos, la predicción de desechos y la optimización de rutas, generando nuevas oportunidades económicas y transformando el entorno competitivo. Esta tecnología brinda a las empresas de gestión de residuos la posibilidad de adaptarse y fomentar la innovación en el sector (TheCircularLab, 2023).
La implementación de procesos de inteligencia arti cial en plantas de reciclaje requiere un enfoque estratégico y metódico. Se inicia con una evaluación detallada de las necesidades especícas, identi cando áreas donde la IA puede optimizar procesos y estableciendo objetivos claros para mejorar la e ciencia y sostenibilidad. La selección de tecnologías adecuadas es fundamental, incluyendo sistemas de aprendizaje automático, visión por computadora y robótica, además de evaluar proveedores con experiencia comprobada y soporte continuo. La integración de IA demanda una plani cación minuciosa del diseño del sistema, la instalación de hardware y la adaptación del software a los procesos existentes. También es esencial capacitar al personal y garantizar soporte técnico para lograr el éxito a largo plazo. Finalmente, seguir buenas prácticas, como el monitoreo constante y la mejora iterativa, permite ajustar los sistemas para mantener un rendimiento óptimo y adaptarse a futuros avances tecnológicos (Tecnalia, 2023).
Aunque la implementación de sistemas de IA en las plantas de reciclaje puede ser un desafío técnico que requiere personal especializado, también representa una oportunidad para el desarrollo
de habilidades y el crecimiento profesional. La demanda de expertos en este campo puede estimular el mercado laboral, atrayendo y formando nuevos talentos en el sector. Además, la capacitación continua para operar y mantener estos sistemas puede generar una fuerza laboral cali cada, bene ciando tanto a la industria como al avance tecnológico en general (Recycleye, 2023).
La creciente necesidad de proteger datos con denciales está promoviendo la implementación de medidas avanzadas de ciberseguridad, mejorando la infraestructura de seguridad general. Cumplir con las normativas de protección de datos puede aumentar la con anza de los clientes y fortalecer la reputación de las plantas de reciclaje. Asimismo, invertir en tecnologías de seguridad y prácticas sólidas para manejar datos puede proporcionar una ventaja competitiva, demostrando un compromiso con la privacidad y la protección de información (Inspenet, 2023).
A pesar de las preocupaciones sobre la adopción de nuevas tecnologías con IA, estas inquietudes también presentan una oportunidad para promover un entorno de aprendizaje y crecimiento. Una comunicación efectiva y programas de formación pueden fortalecer los equipos de trabajo y mejorar su capacidad de adaptación. La inversión en tecnologías de IA, al demostrar sus bene cios a largo plazo y su retorno potencial, puede facilitar una transición exitosa y fomentar una cultura organizacional innovadora. Este cambio puede revitalizar las prácticas tradicionales y posicionar a la organización como un líder en la adopción de tecnologías avanzadas (Greenuso, 2023).
Referencias
Ahmed, A., Asadullah, A., & Hossain, S. (2020). Impact of arti cial intelligence and automation technologies on nancial management. PalArch’s Journal of Archaeology of Egypt / Egyptology, 17(6), 10311–10329. Recuperado de https://archives.palarch.nl/index.php/jae/article/view/2655
AMCS Group. (s.f.a). About AMCS. AMCS Group. Recuperado el 18 de junio de 2024, de https://www.amcsgroup.com/about-amcs/
AMCS Group. (s.f.b). AI enabled contamination & over lled detection. AMCS Group. Recuperado el 17 de junio de 2024, de https://www.amcsgroup.com/solutions/amcs-vision-ai/
Andeobu, L., Wibowo, S., & Srimannarayana, G. (2022). Arti cial intelligence applications for sustainable solid waste management practices in Australia: A systematic review. Science of The Total Environment, 834, 155389. https://doi.org/10.1016/j.scitotenv.2022.155389
Así está la entrada de la inteligencia arti cial en los procesos de gestión de residuos. (2024). La República. Recuperado de https://www.larepublica.co/responsabilidad-social/la-entrada-de-la-inteligencia-arti cialen-el-proceso-de-gestion-de-residuos-3921235
EcoInventos. (2023). Gestión de residuos impulsada por IA: Un futuro más sostenible. Recuperado de https://ecoinventos.com/recycleye/
EcoInventos. (2024). Genius 5.0, el contenedor solar para la recogida de residuos con inteligencia arti cial. Ecoinventos. Recuperado el 29 de julio de 2024, de https://ecoinventos.com/genius-5-0/
Ecoembes. (2023). IA al servicio del reciclaje. Reduce Reutiliza y Recicla. Recuperado de https://reducereutilizarecicla.org/ia-y-reciclaje/
eSmartCity. (2024). El servicio de limpieza de Madrid usa vehículos con IA que detectan residuos fuera de los contenedores. eSmartCity. Recuperado el 17 de junio de 2024, de https://www.esmartcity.es/2024/04/22/servicio-limpieza-madrid-usa-vehiculos-con-ia-de tectan-residuos-fuera-contenedores-mediante-ia
EverestLabs Inc. (2024a). About EverestLabs. EverestLabs Inc. Recuperado el 16 de julio de 2024, de https://www.everestlabs.ai/about-us EverestLabs Inc. (2024b). RecycleOS AI and robotics improves sort quality while solving labor challenges for a 2 shift MRF. EverestLabs Inc. Recuperado el 19 de julio de 2024, de https://www.everestlabs.ai/case-studies/aci
EverestLabs Inc. (2024c). Transform Your Recycling Operations. EverestLabs Inc. Recuperado el 17 de julio de 2024, de https://www.everestlabs.ai/
Fang, B., Yu, J., Chen, Z., Osman, A., Farghali, M., Ihara, I., Hamza, E., Rooney, D., & Yap, P. (2023). Arti cial intelligence for waste management in smart cities: A review. Environmental Chemistry Letters, 21, 1959–1989. https://doi.org/10.1007/s10311-023-01604-3
Fundación Ecolec. (2022). ¿Cómo ayuda la Inteligencia Arti cial al reciclaje?. Greenblog. Recuperado el 29 de julio de 2024, de https://ecolec.es/greenblog/actualidad/como-ayuda-la-inteligencia-arti cial-al-reciclaje/
Global Market Estimates. (2024). AI in Waste Management Market. (Informe No. 4439). Global Market Estimates. Recuperado el 23 de octubre de 2024, de https://www.globalmarketestimates.com/market-report/ai-in-waste-management-mark et-4439
Greenuso. (2023). Impacto de la inteligencia arti cial en la reducción de residuos. Recuperado de https://blog.greenuso.com/es/inteligencia-arti cial-residuos/
Referencias
Greyparrot. (2024a). Automate monitoring and reporting with Greyparrot Analyzer. Greyparrot. Recuperado el 18 de julio de 2024, de https://www.greyparrot.ai/products/analyser
Greyparrot. (2024b). Your infrastructure, powered by waste intelligence. Greyparrot. Recuperado el 17 de julio de 2024, de https://www.greyparrot.ai/products/sync
Inspenet. (2023). Recycleye: el sistema de gestión de residuos que utiliza IA. Recuperado de https://inspenet.com/noticias/recycleye-sistema-de-gestion-de-residuos-ia/
Interempresas. (2024, febrero 22). El proyecto Picvisa4.0, a punto de concluir. Reciclaje y gestión de residuos. Recuperado el 17 de junio de 2024, de https://www.interempresas.net/Reciclaje/Articulos/542066-El-proyecto-Picvisa40-a-punt o-de-concluir.html
La Nota Económica. (2023). La revolución de la IA en la gestión de residuos. Recuperado de https://lanotaeconomica.com.co/movidas-empresarial/la-revolucion-de-la-ia-en-la-gestio n-de-residuos/
Machinex Industries Inc. (20 de enero de 2021). Contracts signed to deliver the mrf of the future. Machinex Industries Inc. Recuperado el día 18 de julio de 2024. https://www.machinexrecycling.com/news/contracts-signed-to-deliver-the-mrf-of-the-f uture/
Machinex Industries Inc. (2024). SamurAI® – Sorting Robot. Machinex Industries Inc. Recuperado el día 18 de julio de 2024. https://www.machinexrecycling.com/sorting/equipment/samurai-sorting-robot/
Market us. (2024). Global AI in Waste Management Market By Component (Hardware, Software, Services), By Technology (Machine Learning, Natural Language Processing, Computer Vision, Other Technologies), By Application (Waste Sorting and Segregation, Predictive Maintenance, Route Optimization, Other Applications), Region and Companies - Industry Segment Outlook, Market Assessment, Competition Scenario, Trends and Forecast 2024-2033. Market us. https://market.us/report/ai-in-waste-management-market/
Morandín-Ahuerma, F. (2023). What is Arti cial Intelligence?. International Journal of Research Publication and Reviews, 3(12), 1947-1951 https://doi.org/DOI: 10.55248/gengpi.2022.31261
Olawade, D., Fapohunda, O., Wada, O., Usman, S., Ige, A., Ajisafe, O. y Oladapo, B. (2024). Smart waste management: A paradigm shift enabled by arti cial intelligence. Waste Management Bulletin, 2(2), 244-263, https://doi.org/10.1016/j.wmb.2024.05.001
PICVISA. (2024a). About us. PICVISA. Recuperado el 17 de junio de 2024, https://picvisa.com/about-us/
PICVISA. (2024b). Ecopick. PICVISA. Recuperado el 17 de junio de 2024, https://picvisa.com/ecopick/
Recycleye. (2023). La IA y el reconocimiento de residuos: por qué funciona tan bien. Recuperado de https://recycleye.com/es/la-ia-y-el-reconocimiento-de-residuos/
Recycleye. (2024a). About us. Recycleye. Recuperado el 18 de junio de 2024. https://recycleye.com/about/
Recycleye. (2024b). El robot Recycleye automatiza una línea de papel. Recycleye. Recuperado el 18 de junio de 2024.
Recycleye. (2024c). Veolia implanta un brazo robótico impulsado por IA para aumentar el reciclaje en las instalaciones de Southwark. Recycleye. Recuperado el 24 de julio de 2024. https://recycleye.com/es/veolia-instala-robot-en-southwark/ Recycleye. (2024d). Recycleye QuantiSort. Recycleye. Recuperado el 24 de julio de 2024. https://recycleye.com/es/soluciones-clasi cadores-opticos/ Recycleye. (2024e). Recycleye Insights. Recycleye. Recuperado el 24 de julio de 2024. https://recycleye.com/es/soluciones-perspectivas/ RETEMA. (2024). Recycleye instalará su primer robot de clasi cación de residuos con IA en Portugal. RETEMA Revista Ténica de Medio Ambiente. Recuperado el día 18 de junio de 2024.
Sadako Technologies. (s.f.a). Inteligencia arti cial y visión por computador para la revolución robótica. Sadako Technologies. Recuperado el 18 de julio de 2024, https://sadako.es/technology/?lang=es
Sadako Technologies. (s.f.b). RUBSEE. Sadako Technologies. Recuperado el 18 de julio de 2024, https://sadako.es/rubsee-project/?lang=es
Sohailkhan, K. (2024). How AI is Revolutionizing Recycling Processes. How AI is Revolutionizing Recycling Processes. Recuperado el día 20 de julio de 2024 https://green.org/2024/01/30/how-ai-is-revolutionizing-recycling-processes/#:~:text=AI% 20algorithms%20can%20identify%20and,recycling%20optimization%20and%20waste% 20management.
Tecnalia. (2023). Inteligencia arti cial aplicada a la gestión de los residuos. Recuperado de https://www.tecnalia.com/noticias/inteligencia-arti cial-aplicada-gestion-residuos
TechFormacion. (2023). Innovación en reciclaje: Tecnología IA para residuos. Recuperado de https://techformacion.net/inteligencia-arti cial/ia-residuos-innovando-reciclaje-traves-te cnologia/
TheCircularLab. (2023). Reciclaje e inteligencia arti cial de la mano de Reciclos. Recuperado de https://www.thecircularlab.com/reciclos-ia/
Waste Robotics Inc. (2024a). Technology. Mastering waste management with precision: Waste Robotics’ ai-powered technology. Waste Robotics Inc. https://wasterobotic.com/technology/
Waste Robotics Inc. (2024b). With you every step of the way. Waste Robotics Inc. Recuperado el 18 de julio de 2024. https://wasterobotic.com/
Sandra Milena Naranjo Diosa
Ideas Clave
En encuestas realizadas sobre el tema, a ejecutivos de grandes compañías, la mayoría han a rmado que ya han comenzado a utilizar la IA para ayudar a resolver los retos del sector, esto porque a través de toda la cadena de valor, desde la etapa inicial de exploración hasta la parte nal de la distribución y facturación, la IA se ha convertido en un elemento clave para agilizar los procesos y en paralelo también para reducir costos operativos y abordar cuestiones de seguridad.
El valor de la IA generativa para la industria del petróleo y el gas se puede clasi car en cuatro dimensiones: desde la reducción inmediata de costos hasta la mejora de la e ciencia del proceso y la creación de nuevas fuentes de ingresos, que nalmente culminan en la aceleración del cambio impulsado por la innovación dentro de la empresa (Hardin y Mittal, 2023).
Gracias a la capacidad de utilizar el poder del aprendizaje automático y algoritmos avanzados, la IA ayuda a identi car las ubicaciones ideales para apoyar las instalaciones de energía renovable. Los algoritmos de IA tienen en cuenta la topografía, la infraestructura y los patrones climáticos. Como resultado, la producción de hidrógeno verde, el cual se clasica como energía renovable, se puede abordar con los menores costos posibles, lo que maximizará el retorno de la inversión en proyectos especí cos al contar con características de las instalaciones óptimas y proyecciones basadas en patrones tomados de condiciones reales. Además, en el desarrollo del capítulo se presentan otras diversas aplicaciones de la IA en el campo de la producción de hidrógeno verde (Hartek Group, 2023).
En el mercado del petróleo y el gas para el período 2024-2029, la IA se valoró en 2.923,33 millones de dólares en 2023 y se espera que alcance los 5.700,94 millones de dólares en 2029, aumentando a una CAGR (tasa de crecimiento anual compuesta) del 12,61% (Mordor Intelligence, 2024, p.16). En este capítulo se identi can entonces aspectos del mercado como el pronóstico de ingresos, los impulsores y las restricciones y un contexto básico en Latinoamérica.
A nivel de proyectos se identi can varios proveedores importantes y las soluciones que ofrecen, a nivel internacional: Microsoft Azure, IBM Watson y Palantir Technologies; en Latinoamérica: C3.ai, Nvidia y Aveva y varias Star up tales como: Imubit y H2 Intelligence. Adicionalmente, varios casos o referentes tanto para gas como para hidrógeno.
Para nalizar, se plantean riesgos y oportunidades que representa el implementar y desarrollar la IA en el sector del gas y el hidrógeno.
paralelo también para reducir costos operativos y abordar cuestiones de seguridad.
La IA está surgiendo como una herramienta que promueve y apoya la transformación en diversas industrias, y el sector del gas no es la excepción. Los modelos desarrollados con IA analizan gran cantidad de datos de diversos tipos para determinar comportamientos iterativos, predecir parámetros clave e identi car eventos precon gurados, lo que se ha convertido en elemento esencial para determinar las decisiones cruciales. De hecho, ese es un motor fundamental de casi todos los casos de uso de la IA en el sector del gas, desde la exploración de yacimientos y la optimización de la perforación hasta la detección automatizada de fallas y la optimización de la cadena de suministro (Dubouski, 2024).
En encuestas realizadas a ejecutivos sobre el tema, la mayoría han a rmado que ya comenzaron a utilizar la IA para ayudar a resolver los retos del sector, esto porque a través de toda la cadena de valor, desde la etapa inicial de exploración hasta la parte nal de la distribución y facturación, la IA es un elemento clave para agilizar los procesos y en
Biocombustibles
Fortalecer la cadena de suministro de biocombustibles. Por lo tanto, considerar medidas estratégicas como asegurar un suministro constante de materia prima, manejar las uctuaciones de calidad y optimizar los gastos de transporte y las emisiones, puede facilitar la expansión e ciente de los biocombustibles y diferenciar el desempeño de las re nerías.
Captura, uso y almacenamiento de carbono (CCUS)
Aprovechar la captura de carbono para mitigar las emisiones de unidades como los reformadores de metano a vapor, los craqueadores catalíticos y los sistemas combinados de calor y energía.
Gas natural sintético (SNG)
Se produce combinando hidrógeno de bajas emisiones con una fuente de carbono. Al ser casi idéntico al gas natural, tiene el potencial de contribuir a la descarbonización de las redes de gas existentes sin necesidad de modernizarlas.
Sin embargo, en la actualidad, un aspecto que cobra cada vez más relevancia a nivel global para abordar el cambio climático es la descarbonización, la cual se re ere a sustituir los combustibles fósiles por energías renovables, lo más pronto posible. Los expertos de la industria del petróleo y el gas esperan impulsar aproximadamente el 48% de la matriz energética mundial en 2050 (Galer, 2024). Por eso, las empresas del sector están buscando nuevas estrategias para encontrar caminos realistas para un futuro sostenible.
Por el momento la desaceleración de la demanda de los combustibles fósiles aún no es extrema, mientras se busca incrementar las alternativas de combustibles con bajas emisiones de carbono, esta situación puede ofrecer una ventana para que las re nerías plani quen su transición sin correr riesgos para su estabilidad nanciera. Por lo tanto, las empresas del sector pueden desempeñar un papel transformador por medio del diseño de nuevas estrategias y el desarrollo de nuevas capacidades en los siguientes ámbitos:
Hidrógeno y amoniaco
Se podrían satisfacer las necesidades actuales de hidrógeno con fuentes de hidrógeno de menor huella para el hidrotratamiento y el hidrocraqueo. Esto desplazaría a las unidades de reformado de metano con vapor (SMR) que producen hidrógeno gris dentro y fuera de la instalación .
Productos químicos
En un contexto de creciente electricación, recon gurar carteras de productos, priorizando artículos como los productos químicos que tienen menos alternativas bajas en carbono disponibles.
Vehículos eléctricos
Además de instalar estaciones de carga para vehículos eléctricos y ofrecer nuevos servicios de movilidad en sus puntos de venta minorista, las re nerías líderes tienen una oportunidad única de explorar diversas aplicaciones dentro del sector de los vehículos eléctricos.
Figura 1. Ámbitos de transformación del sector gas. Adaptado de: (Hardin y Mittal, 2023; EFE, 2023; Veysey, et al., 2023).
Algunas grandes empresas ya han iniciado proyectos relacionados con los siguientes aspectos:
Biocombustibles: las re nerías de petróleo y gas ya operan cerca del 80% de la capacidad mundial actual de diésel renovable. Un ejemplo de ello es la empresa conjunta de Marathon Petroleum Corporation con ADM, que implica una planta de procesamiento especializada de soja para producir aceite vegetal re nado como materia prima para la producción de diésel renovable (Hardin y Mittal, 2023).
Hidrógeno y amoniaco: BP está considerando la producción de hidrógeno verde en su planta de Cherry Point, lo que podría ayudar a reducir las emisiones en alrededor de 460.000 toneladas de dióxido de carbono equivalente por año.
Vehículos eléctricos: Phillips 66 está aprovechando el coque especial para fabricar materiales de ánodo de alto rendimiento para la producción de baterías de iones de litio (Business Wire, 2022).
Productos químicos: ExxonMobil planea aumentar la producción de destilados y productos químicos en sus re nerías de Singapur y el Reino Unido, al tiempo que reduce la producción de fueloil y petróleo con alto contenido de azufre (Crowley, 2023).
Captura, uso y almacenamiento de carbono (CCUS): Air Liquide, Air Products, ExxonMobil y Shell tienen como objetivo capturar 2,5 millones de toneladas/año en Porthos CCUS en Rotterdam (The CCUS Hub, s.f.).
Gas natural sintético (SNG): teniendo en cuenta que se encuentra todavía en la fase inicial de desarrollo, se requiere la cooperación internacional entre productores y consumidores para facilitar la I+D y los proyectos de demostración (International Energy Agency [IEA], 2024). Suiza trabaja en un proyecto para facilitar su producción en miras de reducir su dependencia de otras fuentes. La innovación gira en torno a un reactor de producción de moléculas de metano o gas natural y a un sistema de captura y ltrado de C02 que han empezado a funcionar en los proyectos paralelos GreenGas y Lab Innovación en la ciudad suiza de Aigle, es el primer reactor en el mundo que ha logrado una tasa de conversión de más de 99% de dióxido de carbono, es decir, prácticamente no genera ningún desecho (EFE, 2023).
Ruta
Por otra parte, para aprovechar todas estas oportunidades, es necesario trazar una ruta clara que permita implementar la IA de manera óptima y obtener el mejor provecho, para lo cual se puede iniciar por los siguientes aspectos según Dubouski (2024).
Abordar problemas de datos
Es importante la gestión de los datos para que sean de alta calidad y sirvan como base para la adopción de la IA. Esto, por medio de los siguientes pasos:
Identi car todas las fuentes de datos sin procesar (equipos, sensores, imágenes satelitales, etc.).
Revisar las formas en que se recopilan y almacenan los datos por tipologías: geológicos, transaccionales, comerciales, registros históricos de mantenimiento, etc.
Enriquecer las competencias en ciencia de datos y big data, si es necesario, para facilitar la seguridad y la calidad.
Identi car casos de uso
Si bien la IA puede ser una herramienta poderosa, no es milagrosa por lo que no transformará todos los procesos a la vez, no existe una solución única que resuelva todos los problemas de las empresas. Por tanto, hay que centrarse inicialmente en las áreas del negocio que generan o utilizan grandes cantidades de datos sin procesar y que in uyen directamente en los ingresos, los costes, la gestión de riesgos u otros aspectos estratégicos. Los avances rápidos en estas áreas crearán las capacidades para iniciativas basadas en IA de mayor tamaño.
Crear una estrategia de implementación
La vía de implementación es diferente según el segmento de la industria, pero los siguientes cinco criterios son universales y se deben tener en cuenta en la mayoría de los casos: Basarse en un análisis costo-bene cio Considerar el impacto en las personas y las operaciones
Crear un marco de implementación responsable
Garantizar la integridad de los datos
Establecer una gobernanza e caz
Estas consideraciones son la base para construir una estrategia de implementación bene ciosa para todos, con el objetivo de lograr el crecimiento empresarial y un futuro sostenible ( gura 2).
Desde arriba hacia abajo
Identi car un problema empresarial con una “brecha de inteligencia”.
Medir el valor de una solución perfecta.
Determinar “qué tan bueno es lo su cientemente bueno” para obtener el máximo valor.
Acceder a la viabilidad técnica.
Desde abajo hacia arriba
Identi car una tecnología de IA.
Buscar problemas comerciales que resolver.
Medir el valor a la solución que podría ofrecer.
Experimentar para determinar qué valor se puede proporcionar.
Figura 2. Poner la IA a trabajar bidireccionalmente. Recuperado de: (Mortlock et al., 2019)
Tendencias – aplicaciones
La IA ha evolucionado de la tradicional que permitía hacer cálculos basados en los datos de entrada como clasi car una imagen o traducir un texto a otro idioma, a la generativa que es capaz de producir resultados nuevos como textos, música, imágenes, etc. El Deloitte AI Institute (2023) de ne la IA generativa como “un subconjunto de la IA en el que las máquinas crean contenido nuevo en forma de texto, código, voz, imágenes, videos, procesos e incluso la estructura 3D de las proteínas” (p.4).
Signi cativo
Reducción de costo
Mantenimiento predictivo
Por consiguiente, Hardin y Mittal (2023) mencionan que:
el valor de la IA generativa para la industria del petróleo y el gas se puede clasi car en cuatro dimensiones: desde la reducción inmediata de costos hasta la mejora de la e ciencia del proceso y la creación de nuevas fuentes de ingresos, que nalmente culminan en la aceleración del cambio impulsado por la innovación dentro de la empresa ( gura 3) (párr. 28).
Captura de valor
E ciencia del proceso
Optimizar las operaciones de perforación
Gestión de la cadena de suministro
Asistente virtual
Expansión de ingresos
Exploración y optimización de yacimientos
Optimizar los procesos de re nería
Modalidades
Imágenes, texto, 3D/especializados, código, audio, video
Transformador
Acelerar la innovación
Diseño de materiales Servicios para yacimientos
Figura 3. Liberando el valor de la IA generativa en el sector de gas. Recuperado de: (Hardin y Mittal, 2023). Nota: la modalidad en IA generativa se re ere a los distintos tipos de resultados creativos, como texto e imágenes, que se parecen mucho al pensamiento y esfuerzo humano, con seis categorías clave disponibles para la generación
IA para el petróleo y el gas: impacto de un vistazo
A continuación, se incluye un cuadro consolidado con casos de uso, relacionados con algunas de las dimensiones anteriormente mencionadas, para resaltar el impacto que tienen las soluciones de IA en las diferentes áreas del sector de petróleo y gas (Dubouski, 2024).
Detección acelerada Medidas de seguridad automatizadas
Reducción de los retrasos en las entregas, menor consumo de combustible y mayor seguridad
Mayor producción, menor consumo de energía, mayor seguridad
Cumplimiento acelerado, desperdicio minimizado
Reducción de los consumibles para experimentos, minimización de las conjeturas y mayor alcance para la experimentación
Mayor vida útil del equipo, interrupciones minimizadas, gastos reducidos, programación automatizada del mantenimiento
Preservar y transferir el conocimiento institucional entre generaciones
Actualización permanente de leyes y regulaciones vigentes
Reducción de los retrasos en las entregas, menor consumo de combustible y mitigación automática de riesgos, plani cación/trazado de rutas
Redes neuronales, algoritmos de aprendizaje automático, IA de borde, IA generativa
Análisis predictivo y árboles de decisión, gemelos digitales, aprendizaje automático
Visión arti cial y redes neuronales convolucionales
PNL (Procesamiento del Lenguaje Natural), IA generativa
Visión arti cial, IA de borde, IA generativa
Algoritmos de optimización, ML (Machine Learning)
Sistemas de monitoreo impulsados por IA, IoT y sensores inteligentes
Algoritmos ML, modelos predictivos, IoT y sensores inteligentes
IA generativa
IA de borde, algoritmos predictivos, IA generativa
Algoritmos de optimización, gemelos digitales, IA generativa
Tabla 1. Casos de uso de la IA en sector petróleo y gas. Recuperado de: (Dubouski, 2024).
Como se puede ver, existen varias prácticas en la industria para asegurarse una posibilidad de sobrevivir a la agitación actual y obtener una buena posición para bene ciarse del crecimiento de las aplicaciones de la IA en el sector ya que ahora más que nunca, los operadores tienen la oportunidad de integrar el aprendizaje automático en operaciones clave de sus organizaciones para garantizar una toma de decisiones óptima. Son múltiples las soluciones que la IA permite gestionar a lo largo de toda la cadena de valor del sector del gas, a continuación, se presentan las más destacadas:
Identi cación de depósitos detectables de petróleo y gas natural
Por mucho tiempo se han perforado pozos exploratorios con la esperanza de que haya gas natural debajo, los cuales se han identi cado por medio de estudios sísmicos que se basan en la generación, registro y análisis de ondas sonoras, en un proceso similar a cómo los murciélagos navegan mediante la ecolocalización (Kay, 2024). La analista de IA Deborah Sacrey de MCF Energy está implementando IA, entrenada con los resultados de estudios sísmicos previos, para encontrar depósitos que los operadores humanos no habían detectado anteriormente, con una tasa de éxito del 80%. MCF Energy, ha utilizado la IA ampliamente siempre que ha sido posible en su búsqueda de gas en Europa, (Stafford, 2024).
Aplicaciones
El software Paradise, utilizado por MCF Energy, se basa en “aprendizaje automático capaz de muestrear grandes volúmenes de datos sísmicos 3D, descomponer formas de onda para identi car patrones únicos y revelar nuevos objetivos para la broca”, muchos de los cuales no son posibles de detectar por los analistas humanos (Stafford, 2024, párr.3).
SparkCognition, rma de análisis de big data, brinda tecnología basada en IA que mediante algoritmos permite procesar y analizar grandes cantidades de datos sísmicos en la búsqueda de nuevos yacimientos, utilizada por Shell tanto para determinar dónde perforar como para aumentar la producción en alta mar (Kelly, 2023).
Mantenimiento predictivo
Mediante sistemas de IA que pueden monitorear y analizar continuamente el rendimiento de los equipos de extracción de gas. Al utilizar esta nueva tecnología, se puede predecir posibles fallas y sugerir actividades de mantenimiento antes de que se produzca una avería real, lo que evita costosos tiempos de inactividad no plani cados y, al mismo tiempo, extiende la vida útil del equipo, esto genera un importante ahorro de costos.
Aplicaciones
SparkCognition, ofrece soluciones que permiten predecir fallos de activos en un plazo medio de nueve días, lo que reduce los costos asociados a los tiempos de inactividad no plani cados. Utilizada por Aker BP, una empresa independiente de exploración y producción de petróleo y gas de Noruega, ha demostrado que se pueden prevenir los fallos de las bombas, lo que ha aumentado la producción en cientos de miles de dólares por cada día de inactividad evitado (Siege Engineering, 2024).
Optimización de procesos y reducción del impacto ambiental
Los sistemas de IA también pueden optimizar el proceso de extracción de gas ajustando los parámetros operativos en tiempo real en función de los datos de varios sensores, lo que resulta en un uso más e ciente de la energía y los recursos, lo que produce menores costos operativos y una menor huella de carbono (Siege Engineering, 2024).
En el tema de Sostenibilidad ambiental Florkin (2024), menciona que:
la IA está desempeñando un papel crucial en la protección del medio ambiente en el sector del petróleo y el gas. Las técnicas avanzadas de imágenes sísmicas y gestión de yacimientos, mejoradas por la IA, conducen a métodos de exploración más responsables. Las herramientas impulsadas por IA para la detección de fugas y la respuesta a derrames proporcionan una intervención oportuna, minimizando así el impacto ambiental y la pérdida de recursos. (párr.9)
Aplicaciones
NVIDIA ha utilizado la IA para evaluar rápidamente los sitios de secuestro y sugerir tasas y volúmenes de inyección, esto para para mejorar el proceso de secuestro de carbono
Química computacional
Los sistemas de IA también pueden optimizar el proceso de extracción de gas ajustando los parámetros operativos en tiempo real en función de los datos de varios sensores, lo que resulta en un uso más e ciente de la energía y los recursos, lo que produce menores costos operativos y una menor huella de carbono (Siege Engineering, 2024).
IA en simulación y modelado molecular: La IA se está utilizando para crear modelos precisos de reacciones químicas que se utilizan para predecir el comportamiento del gas natural en diversas condiciones, incluida la simulación de la combustión del gas natural, lo que permite a los ingenieros optimizar el proceso de combustión y reducir las emisiones.
La IA en el desarrollo de materiales: se utiliza para desarrollar nuevos materiales para su uso en la industria del gas natural. Se puede utilizar para predecir las propiedades de nuevos materiales, como la resistencia, la durabilidad y la resistencia a la corrosión, lo que puede ayudar a los ingenieros a diseñar equipos más duraderos y e cientes para la extracción y el procesamiento de gas natural (Siege Engineering, 2024, párr.13).
Aplicaciones
proyecto DeepThermal, donde un sistema de IA basado en datos, DeepThermal, empleó un novedoso marco de aprendizaje de refuerzo fuera de línea para optimizar la combustión en unidades generadoras de energía térmica. Este enfoque se ha implementado con éxito en varias centrales eléctricas de carbón en China.
Mejora de la e ciencia
Al aprovechar los datos históricos, tendencias del mercado, eventos geopolíticos e incluso opiniones en las redes sociales, los modelos de IA pueden pronosticar patrones de demanda y optimizar los procesos de producción y distribución. Estos algoritmos pueden identi car cuellos de botella, facilitar operaciones optimizadas y mejorar la e ciencia en la utilización de recursos, lo que en última instancia reduce el desperdicio de energía y aumenta la rentabilidad (Siege Engineering, 2024).
Aplicaciones
según Florkin (2024)
la integración de la IA en las estaciones de servicio minoristas es otra prueba de su amplia aplicabilidad. La solución Smart Gas Station de Huawei, por ejemplo, fusiona varios subsistemas, como dispensadores de combustible y medidores de nivel de líquido, en una plataforma integral. Esta integración facilita el monitoreo y el análisis en tiempo real, lo que mejora la e ciencia operativa y la experiencia del cliente. (párr.10)
Salud y gestión de activos
Recopilar y compartir información actualizada sobre el estado de los activos en toda una empresa de servicios públicos es un desafío importante. Con ese n, varios proveedores de IA ofrecen sistemas integrados de gestión de activos (AMS) que ofrecen descubrimiento y seguimiento de activos de extremo a extremo con mantenimiento predictivo, análisis de fallas y programas de concientización sobre el estado de los activos.
Aplicaciones
A partir de la IA se puede construir un gemelo digital de un activo físico, extrayendo datos del activo en un modelo y proyectándolos hacia el futuro para comprender qué podría sucederle en la reali-
dad si se produce un cambio en el entorno circundante. Esto, requiere una recopilación de datos precisa, coherente y able, luego, la IA puede aprovechar estos datos implementando sensores y otros ujos de datos para actualizar, validar y entrenar continuamente el modelo existente. Estos datos de referencia también permiten análisis y visualizaciones más avanzados y maduros, por ejemplo, visualizaciones de realidad aumentada de infraestructura enterrada con alta precisión geoespacial (Burman et al., 2020).
Detección y respuesta ante derrames o fugas
Los algoritmos avanzados de IA pueden analizar imágenes satelitales, fotografías aéreas y datos de teledetección para identi car señales de derrames de petróleo en entornos marinos o fugas en oleoductos, pueden calcular la trayectoria del derrame y predecir su impacto potencial en ecosistemas sensibles. Al detectar estos incidentes de manera temprana, las empresas pueden tomar medidas rápidas para mitigar el impacto ambiental y prevenir la propagación de contaminantes (Bhardwaj, 2024).
Aplicaciones
“el trabajo de Huawei con Shandong Jihua Gas en la construcción de una plataforma de gestión inteligente para el monitoreo de tuberías demuestra esta capacidad, donde la precisión de identi cación de eventos se registró en un 95%” (Florkin, 2024, párr.8).
Seguridad en el trabajo
Tecnologías poderosas como IA, aprendizaje automático, IoT y Big Data monitorean las operaciones en el campo para identi car señales fatales, como niveles de gases peligrosos y acceso de personal no autorizado.
Los chatbots habilitados con IA luego emiten alertas en tiempo real en teléfonos móviles y dispositivos portátiles inteligentes, como noti caciones de emergencia de salud o bloqueo, incluso enviar expertos cuando sea necesario, lo que les permite crear una fuerza laboral más conectada en el campo.
Aplicaciones los relojes inteligentes, los chalecos biométricos y las etiquetas bluetooth monitorean las actividades de la fuerza laboral, rastrean la ubicación del operador del campo, identi can signos de fatiga de los operarios y permiten el acceso a información crítica en el campo (Chug, 2022).
Para aplicaciones más
Portal Frontiers - – temas de investigación Applications of Arti cial Intelligence in the Oil and Gas Industry
Artículo Arti cial Intelligence Applications in Natural Gas Industry: A Literature Review
Utilizando las bases de datos Springer Link, Elsevier, PubMed y Google Scholar, se realizó una revisión de publicaciones de investigación relevantes publicadas entre 2005 y 2023. En total, se incluyeron en la revisión quince artículos (Tabla 1). Se han examinado numerosas cuestiones de gestión cruciales en relación con la implementación de enfoques de IA en soluciones para el sector del gas (Nuthakki et al., 2024, p.64).
Nuevas Áreas de Negocio
Como ya es conocido, el mundo moderno tiene la necesidad imperiosa de reducir las emisiones excesivas de gases de efecto invernadero y también la tasa de emisiones de carbono. Por ello, se están impulsando formas alternativas de generar energía, entre ellas se encuentra el hidrógeno como un gran prospecto, en este sentido el uso de la IA para la producción de hidrógeno verde está ayudando al mundo a lograr un futuro sostenible.
Según Hartek Group (2023):
La IA ofrece la posibilidad de mejorar la producción, distribución y almacenamiento de hidrógeno verde,
Previsión de energías renovables
Entre los desafíos críticos asociados con la producción de hidrógeno verde, la naturaleza intermitente de todas las fuentes de energía renovable es bastante preocupante. Sin embargo, con algoritmos de IA, ahora es posible pronosticar la disponibilidad de varias fuentes de energía renovable. Por lo tanto, ayudará a optimizar la producción general de hidrógeno.
Conoce más
Conoce más
lo que hace que todo el proceso resulte rentable y sorprendentemente e ciente. Gracias a la capacidad de utilizar el poder del aprendizaje automático y algoritmos avanzados, la IA ayuda a identi car las ubicaciones ideales para apoyar las instalaciones de energía renovable. Los algoritmos de IA tienen en cuenta la topografía, la infraestructura y los patrones climáticos. Como resultado, la producción de hidrógeno verde considerada como una energía renovable se puede abordar con los menores costos posibles, lo que maximizará el retorno de la inversión de proyectos especí cos (párr. 8).
Además, existen diversas aplicaciones de la IA en el campo de la producción de hidrógeno verde, las cuales se mencionan a continuación:
Gestión adecuada de la energía
La integración de la IA con las soluciones de gestión energética ayudará a optimizar la producción de hidrógeno según la demanda, teniendo en cuenta la disponibilidad de diversas fuentes de energía renovable. Por lo tanto, ayuda a reducir el costo general de producción, lo que hace que el hidrógeno verde sea más competitivo frente al de los combustibles fósiles.
Optimización de procesos
Diagnóstico y detección de fallas
La IA se utiliza de forma ideal para detectar o diagnosticar posibles fallos en el proceso de producción de hidrógeno verde. Con esta tecnología, puede ayudar a identi car la causa raíz del problema y tomar las medidas adecuadas para evitar posibles tiempos de inactividad.
El proceso de producción de hidrógeno verde consta de muchos atributos complejos. Sin embargo, el uso de la IA puede ayudar a optimizar esas complejidades mediante una mejor previsibilidad y capacidad de control de los parámetros que podrían afectar al hidrógeno o la calidad del rendimiento. Además, ayudará a reducir la tasa de consumo de energía y a aumentar la e ciencia de la producción (Hartek Group, 2023, párr. 10-13).
Se prevé que la IA en el mercado de automatización del petróleo y el gas aumentará a una tasa de crecimiento anual compuesta (CAGR) del 14,8% entre 2022 y 2030, alcanzando unos ingresos de 7.100 millones de dólares (Frost & Sullivan, 2024, p.7). En un pronóstico más cercano del período 2024-2029, la IA en el mercado del petróleo y el gas se valoró en 2.923,33 millones de dólares en 2023 y se espera que alcance los 5.700,94 millones de dólares en 2029, aumentando a una CAGR del 12,61% (Mordor Intelligence, 2024, p. 16). A continuación, se presenta un resumen de los aspectos más destacados del mercado.
USD 3.147,84 millones
USD 5,700,94 millones 12.61%
Por geografía
31.49%
Tamaño del mercado en 2024
Tamaño del mercado en 2029
CAGR del mercado (2024-2029)
Cuota del mercado
América del Norte 2023
El segmento de América del Norte registró la mayor cuota de mercado del 31.49% en 2023. Se espera que el segmento de Asia Pací co sea testigo de la CAGR más alta del 14.29%durante el periodo previsto.
Por operación
49.77%
Cuota del mercado
Downstream 2023
El segmento Downstream registró la mayor cuota de mercado del 49.77% en 2023. Se espera que el segmento Upstream sea testigo de la CAGR más alta del 13.97% durante el periodo previsto.
Por tipo 84.67%
Cuota del mercado plataforma 2023
El segmento de plataforma registró la mayor cuota de mercado del 84.67% en 2023. Se espera que el segmento de servicios sea testigo de la CAGR más alta del 16.32%durante el periodo previsto
IA en el mercado de petróleo y gas. Ingresos en millones de USD, Global 2022-2029 CAGR (2024-2029): 12.61% 4,894.35
5,700.94
Figura 4. Resumen ejecutivo mercado mundial de IA en el petróleo y el gas. Recuperado de: (Mordor Intelligence, 2024, p. 13).
Gracias a la capacidad de la IA para analizar grandes conjuntos de datos y aprender de patrones, en el análisis de yacimientos, la optimización de la perforación, la detección de anomalías en los oleoductos, el control de la seguridad, la reducción de emisiones, la revolución de la exploración, la producción y la sostenibilidad medioambiental; su uso en el sector del petróleo y el gas está revolucionando el panorama de la industria, desde el mantenimiento predictivo que evita costosas fallas en los equipos hasta la optimización de la cadena de suministro que garantiza operaciones uidas.
El análisis de IA funciona como una solución complementaria que permite una amplia gama de actividades automatizadas, al 2022 la participación de la IA en el sector alcanzaba el 13,2% ( gura 5), este porcentaje va en aumento ya que las empresas se han bene ciado de la ayuda de la IA para maximizar las ganancias de la información a su disposición, una encuesta reciente de EY mostró que más del 92% de las empresas de petróleo y gas están invirtiendo actualmente en IA o planean hacerlo en
los próximos dos años (Dubouski, 2024), lo que demuestra el creciente interés en soluciones de este tipo en concordancia con los pronósticos de ingresos que se proyectan en constante aumento hasta 2030 ( gura 6)
*La categoría 'Otros' incluye tecnologías IoT, OT (Tecnología Operacional) y Robótica.
Figura 5. IA en el mercado de automatización del petróleo y el gas: participación en los ingresos, 2022. Recuperado de: (Frost & Sullivan, 2024, p.7).
Figura 6. IA en el mercado del petróleo y el gas: pronóstico de ingresos, global, 2020-2030. Recuperado de: (Frost & Sullivan, 2024, p.8).
Tendencia creciente a reducir los costos de producción:
Ante la uctuación de los precios del petróleo y la dinámica cambiante del mercado, las empresas de petróleo y gas recurren cada vez más a la tecnología de IA para optimizar las operaciones, agilizar los procedimientos y aliviar los costos.
La Compañía Nacional de Petróleo de Abu Dabi (ADNOC) a rmó que generó USD 500 millones en valor mediante la implementación de IA en 2023 a partir de la integración de más de 30 herramientas de IA en toda la cadena de valor de ADNOC. Además, estas aplicaciones redujeron hasta 1 millón de toneladas de emisiones de dióxido de carbono durante 2022 y 2023. Este hito marca el comienzo de un viaje de varios años para acelerar la adopción de IA para mejorar la seguridad, reducir las emisiones y aumentar el valor (Mordor Intelligence, 2024, p. 53).
La dinámica del mercado depende de varios aspectos que in uyen en el crecimiento o el declive de las cifras, a continuación, se identi can los aspectos impulsores, así como los que imponen ciertas restricciones en el mercado de la IA en el sector del gas.
ImpulsoresRestricciones
Restricciones
En contraposición las restricciones son aquellos aspectos, hechos o tendencias que pueden llevar al declive o la lenta implementación, en este caso de la IA en el sector del gas:
Alto costo inicial de adopción
alto Impacto bajo
Corto plazo
Mayor enfoque para procesar grandes datos fácilmente
Tendencia creciente para reducir el costo de producción
Alto costo inicial de adopción
Falla de profesionales capacitados en todo el sector del petróleo y el gas
Largo plazo
Figura 7. Impulsores y restricciones del mercado de la IA en el sector Gas. Recuperado de: (Mordor Intelligence, 2024, p. 36).
Impulsores
Los impulsores son los aspectos, hechos o tendencias que in uyen en el crecimiento del mercado, a continuación, se plantean los principales para el caso de la IA en el sector del gas:
Aumentar el enfoque para procesar fácilmente grandes cantidades de datos: Las tecnologías de IA ofrecen la posibilidad de aumentar la e ciencia en las operaciones de petróleo y gas para encontrar patrones, optimizar los ujos de trabajo, automatizar la toma de decisiones y examinar enormes cantidades de datos de sensores, maquinaria y procesos industriales (Mordor Intelligence, 2024).
Según un informe del Foro Económico Mundial, la adopción de IA en el sector vertical de petróleo y gas podría representar entre un 10% y un 20% de ahorro de costos para 2025. Con la innovación continua en IA, se espera que su impacto transformador en el sector crezca. Sin embargo, la implementación de IA en la industria del petróleo y el gas exige la instalación de la infraestructura necesaria que incluye robótica, sensores de drones, PLC, SCADA, hardware de recopi-
lación de datos, métodos de prueba modernos, herramientas de prueba no destructiva basadas en drones (NDT/NDE), sistemas basados en la nube y herramientas de análisis de software. Además, el entrenamiento de modelos de IA requiere CPU o GPU (Unidad de Procesamiento de Grá cos) potentes y RAM. Por lo tanto, invertir en hardware internamente o alquilarlo a un proveedor de la nube es costoso y supone una carga signi cativa para las empresas.
Otros costos se relacionan con contratación o capacitación del personal para mantenerlo al día de los últimos avances en IA, gestión del cambio, actualización de sistemas heredados, limpieza y preparación de datos y aumento de ciberseguridad (Mordor Intelligence, 2024).
Falta de profesionales cuali cados en la industria del petróleo y el gas:
Según un nuevo estudio del IBM Institute for Business Value, en los próximos años, hasta 120 millones de trabajadores en las doce economías más grandes del mundo podrían necesitar volver a capacitarse o adquirir nuevas habilidades debido a la IA y la automatización inteligente.
Según Airswift Group, las cuatro habilidades más demandadas en la industria del petróleo y el gas son la ingeniería de software y programación, las Tecnologías de la Información —TI—, la ciberseguridad y la ciencia de datos. El aprendizaje automático y la visualización de datos son otras habilidades importantes que podrían desarrollarse. La industria también requiere nuevos conjuntos de habilidades, incluidos cientí cos de datos e ingenieros de yacimientos que necesitan experiencia en big data (Mordor Intelligence, 2024).
Contexto
latinoamericano
El Comité Latinoamericano de Empresas Alemanas (LADW) ha informado que el panorama de la producción petrolera en América Latina está experimentando cambios. Para 2030, se espera que Guyana, Brasil y Argentina aumenten su producción de petróleo. Las proyecciones indican que la producción petrolera de América Latina alcanzará entre 10 y 11 millones de bpd en 2030. Brasil, que actualmente representa aproximadamente el 35%
de la producción petrolera de la región, se beneciará de mayores inversiones en actividades de exploración petrolera, lo que generará mayores oportunidades de mercado (Mordor Intelligence, 2024, p. 67).
En septiembre de 2023, Origem Energia y Datagration rmaron un acuerdo comercial de tres años cuyo principal objetivo es incorporar tecnologías de IA y aprendizaje automático (ML) en la industria del petróleo y el gas. PetroVisor, una plataforma SaaS creada por Integration, es el núcleo de esta colaboración. Por medio de esta plataforma Origem Energia fusionará de manera efectiva bases de datos complejas de ingeniería, operaciones, nanzas y otras bases de datos comerciales (Mordor Intelligence, 2024, p. 67).
En septiembre de 2023 también, Unblock, una empresa de tecnología argentina anunció la maximización del exceso de gas de los yacimientos petrolíferos de esquisto de Vaca Muerta para respaldar soluciones de computación en la nube de alto consumo energético en el campo de la IA. Al utilizar el gas quemado o asociado, que suele ser un subproducto de los procesos de extracción de petróleo, para la generación de energía en lugar de liberarlo a la atmósfera, Unblock cree que este enfoque puede ayudar a las empresas de hidrocarburos a mantener su ventaja competitiva en términos de emisiones por barril (Mordor Intelligence, 2024, p. 67).
Proveedores a nivel internacional
Microsoft
Plataforma Azure, aprovecha sus capacidades de computación en la nube, IA y aprendizaje automático para impulsar la innovación y la e ciencia.
Colaboraciones
• Chevron, utiliza la tecnología de nube de Microsoft para optimizar el análisis de datos, mejorando la velocidad y la e ciencia de los procesos de toma de decisiones.
• Schlumberger a través del entorno DELFI integra la IA y el análisis de datos de Azure para innovar en los ujos de trabajo de exploración y producción.
Latinoamérica
C3.ai - O cina en México
Plataforma IBM Watson que integra tecnologías de IA y computación cognitiva en la industria del petróleo y el gas, mejorando signi cativamente la e ciencia operativa y las capacidades predictivas.
Colaboraciones
• ExxonMobil aprovecha el poder de Watson para analizar datos geológicos y mejorar la precisión de las actividades de exploración, transformando los datos en información procesable, permitiendo el descubrimiento y extracción de recursos más e cientes.
• Halliburton en soluciones de computación cognitiva, muestra el potencial para optimizar las operaciones de perforación y producción, mejorando la seguridad y reduciendo el impacto ambiental.
Ofrece aplicaciones de software de IA que transforman la forma en que las empresas predicen fallas de los equipos, optimizan los procesos de producción y mejoran la e ciencia operativa.
Colaboraciones:
• Baker Hughes, que ha dado origen a la alianza BHC3, ejempli ca cómo se puede aplicar la tecnología de IA para predecir las necesidades de mantenimiento y optimizar las operaciones, mejorando así la seguridad y reduciendo el tiempo de inactividad.
• “Shell muestra el potencial de la IA para in uir signi cativamente en la toma de decisiones operativas y la e ciencia, estableciendo nuevos estándares para la industria” (Stafford, 2024, párr.42).
NVIDIA Corporation - O cina en Brasil
Reconocida por sus avances en tecnología de procesamiento de grá cos, también ha surgido como un actor fundamental en la integra-
El software de Palantir que se especializa en análisis de big data, permite a las empresas energéticas integrar grandes cantidades de datos de distintas fuentes, aplicando análisis avanzados y aprendizaje automático para descubrir información que impulse la e ciencia operativa, identi car y explotar recursos de manera más e ciente, la toma de decisiones estratégicas y la innovación.
Sus capacidades de análisis predictivo también desempeñan un papel crucial en la anticipación de fallas de equipos y cuellos de botella operativos, asegurando operaciones más uidas, seguras y e cientes.
ción de la IA en varios sectores, incluida la industria energética. Las potentes GPU y plataformas de IA de NVIDIA se están utilizando para revolucionar la forma en que las empresas energéticas, particularmente en el sector del petróleo y el gas, realizan tareas de exploración, producción y e ciencia operativa. La tecnología de NVIDIA permite un procesamiento más rápido y preciso de los datos sísmicos, lo que permite a las empresas de petróleo y gas identi car de manera más e caz los posibles sitios de extracción. Además, los modelos de aprendizaje automático y análisis basados en IA de la empresa facilitan el mantenimiento predictivo de la infraestructura, optimizando la producción de energía y minimizando el tiempo de inactividad al prever fallas en los equipos antes de que ocurran.
Las contribuciones de NVIDIA al sector energético se extienden a las iniciativas de sostenibilidad, con modelos de IA que ayudan a las empresas a reducir su huella de carbono mediante una gestión y operaciones de recursos más e cientes. (Stafford, 2024, párr.49-51)
Tabla 2. Proveedores. Recuperado de: (Stafford, 2024).
Esta empresa de software ofrece soluciones upstream inteligentes a empresas de petróleo y gas, incluidas tecnologías de gemelos digitales de ciclo de vida completo, análisis y visualización ( gura 44). Las soluciones de software de AVEVA permiten:
Descarbonizar las operaciones, reducir la intensidad del carbono y garantizar el cumplimiento
Optimizar los proyectos de capital y minimice los gastos de capital con ujos de trabajo centrados en datos
Impulsar una mayor con abilidad, rendimiento y seguridad de los activos
Optimizar las cadenas de valor y aumentar la agilidad operativa
Empoderar la fuerza laboral, desde ingenieros hasta líderes empresariales
Las soluciones de AVEVA abarcan la industria del petróleo, el gas y la energía (Aveva, s.f.).
Midstream: Oleoductos
Operaciones de producción e cientes, mayor seguridad, menores costos y menores emisiones.
Midstream: GNL
Habilite la cadena de valor inteligente del GNL desde el abastecimiento de gas de alimentación, la licuefacción, el transporte hasta la regasi cación con soporte de decisiones en tiempo real, optimización de la producción, con abilidad de los activos y reducción de la intensidad de carbono.
Supervisar y garantizar operaciones seguras y con ables de tuberías para líquidos, gas natural, petroquímicos, hidrógeno y CO2.
Midstream: Procesamiento y fraccionamiento de gas
Permitir la optimización y el conocimiento de la situación en tiempo real de la cadena de valor del gas natural aprovechando soluciones líderes en la industria.
Maximice el rendimiento de re nación con ingeniería con able y gestión de operaciones y agilidad en la cadena de valor para maximizar el rendimiento y reducir la intensidad de carbono.
Ofrecer una red integral de producción y distribución de hidrógeno aprovechando la simulación, la ingeniería y un enfoque de ciclo de vida digital para un futuro con bajas emisiones de carbono.
8. Soluciones de IA de Aveva para el sector de petróleo y gas. Recuperado de: (Aveva, s.f.).
Star up
Imubit
Closed Loop Neural Network™: La red neuronal de bucle cerrado™, Software de IA para plantas de procesamiento de gas, diseñado para plantas de procesamiento de líquidos de gas natural. Imubit está diseñado para manejar la amplia gama de complejidades del procesamiento de NGL (Gas Natural Líquido) al permitir el modelado económico y la optimización de procesos verdaderamente dinámicos para predecir y establecer con precisión los puntos objetivos óptimos ( gura 45). Esto por medio de:
Modelos económicos generalizados de primeros principios
Explore las mayores oportunidades de optimización de incentivos y alinee la plani cación y la economía, el control de procesos, la ingeniería de procesos y las operaciones en torno a una estrategia de optimización común.
Modelos de Predicción Neuronal
Cree, veri que y actualice sus modelos de predicción neuronal para representar procesos complejos aprovechando sus expertos y sus datos de procesos.
Control de procesos de Aprendizaje Profundo
Diseñe, re ne y simule su controlador de procesos de aprendizaje profundo frente a escenarios de procesos históricos. Integre su controlador en su sistema de control de procesos.
Centro de Operaciones
Opere y supervise su controlador de aprendizaje profundo en la sala de control con un plan de movimiento intuitivo y una pantalla de predicción, ajuste restricciones y prioridades.
Arquitectura de aprendizaje por refuerzo profundo pendiente de patente
Plataforma de extremo a extremo diseñada para plantas de procesamiento de hidrocarburos
9. Plataforma Imubit Closed Loop Neural NetworkTM. Recuperado de: (Imubit, s.f.).
H2 intelligence
Con cobertura mundial, proporciona análisis dinámicos, evaluando la demanda en sectores convencionales y aplicaciones emergentes como transporte, manejo de materiales y operaciones portuarias, fomentando la comprensión y el crecimiento del mercado (GasWorld Intelligence, s. f., párr.2).
Características
Inversión y toma de decisiones informadas
•Pronósticos a largo plazo, mapeo de fuentes y cobertura global.
•Información regulatoria con análisis detallado de políticas de hidrógeno a nivel mundial y nacional.
•Dar forma a las inversiones y estrategias para obtener ventajas en el mercado.
•Manténgase a la vanguardia con análisis de tendencias y pronósticos.
Perspectivas del mercado y oportunidades de crecimiento
•Análisis detallado para sectores tradicionales y emergentes.
•Identi car oportunidades de alto crecimiento y comprender las tendencias de la demanda.
•Comparaciones rápidas del sector con la perspectiva de la demanda global.
Análisis de datos personalizados e interactivos
•Mapas interactivos para análisis detallado de la producción y la demanda.
•Mapeo de radio y tamaño para plani cación estratégica.
•Previsión de escenarios para anticipar las tendencias del mercado.
•Experiencia analítica personalizada y adaptada a su negocio (GasWorld Intelligence, s. f.).
Figura
Referentes o Casos de estudio:
Hidrógeno
Proyecto HyAI TM (Inteligencia Arti cial de Hidrógeno)- H2GO Power
El proyecto HyAI implicó el desarrollo del uso de la IA para la producción y el almacenamiento de hidrógeno. Fue una asociación entre H2GO Power, el Centro Europeo de Energía Marina (EMEC) y el Imperial College de Londres, y fue nanciado por Innovate UK y el Fondo de Innovación Sostenible. El proyecto comenzó en octubre de 2020 y se completó en julio de 2021. El proyecto piloto integró datos meteorológicos, precios de la electricidad y datos energéticos de la planta de producción de hidrógeno de EMEC en Orkney, Escocia, y luego utilizó algoritmos de IA para predecir los costos futuros de la energía y la demanda de los usuarios (Nye, 2023).
Objetivo: optimizar la producción y el almacenamiento de hidrógeno
Solución: la plataforma HyAI TM, de H2GO Power funciona con algoritmos de optimización patentados y puede trabajar con múltiples objetivos, desde tasas de producción e intermitencias hasta la huella ambiental, brindando resultados óptimos a los usuarios nales sobre los costos y los impactos ambientales, mediante la previsión y programación de las operaciones del sistema ( gura 46) (Nye, 2023).
y IA
Datos en tiempo real (precios, clima, etc)
Sistema de hidrógeno inteligente
Generación renovable
Electrolizador
Exportaciones de Hidrógeno (petroleros oleoductos, etc)
Opcional
Almacenamiento de hidrógeno Dispositivo de conversión
Red eléctrica
Figura 10. Esquema del funcionamiento del software de IA y el almacenamiento de H2GO Power. Recuperado de: (The European Marine Energy Centre LTD [EMEC], s.f.).
Resultados: mostraron que HyAI podría mejorar la rentabilidad de la producción de hidrógeno y reducir la tensión de la red eléctrica, lo que permitió aumentar la proporción de energía renovable. Un proyecto de seguimiento HyAI 2.0, iniciado en marzo de 2022, está implementando la plataforma de IA en las instalaciones de EMEC para controlar la producción de hidrógeno en tiempo real (EMEC, 2022 como se citó en International Renewable Energy Agency [IRENA], s.f).
Simulaciones exhaustivas basadas en escenarios de más de tres años de datos históricos del mundo real indican que HyAI puede aumentar las ganancias basadas en hidrógeno hasta en un 50%, en relación con un enfoque de control reactivo basado en reglas. El uso de HyAI para planicar con anticipación también reduce el riesgo de los contratos de producción de hidrógeno, que deben cumplirse ante la incertidumbre: en un escenario de simulación, HyAI redujo los requisitos de producción de hidrógeno no satisfechos del 12% a menos del 1% (H2Go Power, s.f.).
H
La empresa sueca H2 Green Steel de ende una economía digital del hidrógeno que busca la optimización de los procesos basada en datos a lo largo de toda la cadena de valor del hidrógeno.
Objetivo: permitir la producción rentable de una amplia gama de productos, entre los que se incluyen acero ecológico, amoníaco y metanol.
Solución: toma de decisiones basada en datos. Al integrar el aprendizaje automático y la IA, H2 Green Steel se aleja de las decisiones tradicionales basadas en la intuición. Operaciones de plantas de hidrógeno impulsadas por algoritmos: el uso de análisis y aprendizaje automático para operar su planta de hidrógeno da como resultado reducciones signi cativas de costos y mejoras de e ciencia. Los algoritmos predictivos ayudan a gestionar factores externos como el clima y los precios de la energía, lo que conduce a una producción de hidrógeno verde más rentable (Hung, 2023). Además, los métodos de IA/ML para hacer más e ciente la producción, por medio de datos históricos que determinan la cantidad necesaria de materia prima, ayudan a optimizarla y por ende a reducir las emisiones indirectas (Fero Labs, 2023).
Resultado: La empresa está desarrollando dos herramientas de software de optimización con la esperanza de lograr la producción de hidrógeno con el menor coste posible, independientemente de la ubicación de las operaciones. También ha desarrollado un software para plani car la conguración óptima de las plantas de hidrógeno de forma modular, lo que hace que el proceso de diseño sea más e ciente en términos de tiempo y costos, y se base en experiencias del mundo real (H2GreenSteel, 2022 como se citó en IRENA, s.f.).
Los análisis y el aprendizaje automático pueden, por ejemplo, predecir el clima, los precios de la energía y otros factores externos, lo que permite producir hidrógeno verde a un precio por tonelada signi cativamente más bajo. Se identi ca una mejora del 20 al 25 por ciento, lo que permite dar un gran salto generacional. Además, está previsto que la producción y almacenamiento de hidrógeno estén totalmente digitalizados y automatizados, lo que signi ca una asistencia humana mínima y por tanto mejora la seguridad y mitiga los riesgos en las plantas (H2Green Steel, 2024).
Objetivo: Reducir los riesgos informativos y nancieros asociados a las decisiones de inversión en infraestructura para acelerar la adopción del hidrógeno como combustible para el transporte. Esto se puede lograr ayudando a las partes interesadas a pronosticar la demanda de hidrógeno y minimizar el costo de construcción de infraestructura.
Solución: El modelo de Evaluación de Escenarios y Análisis de Regionalización (SERA) del Laboratorio Nacional de Energía Renovable (NREL) del Departamento de Energía de EE. UU. (DOE) ayuda a responder la pregunta: ¿Cuál es la estrategia de implementación de infraestructura de hidrógeno de menor costo a lo largo del tiempo para respaldar la demanda? (Headland, 2024).
Resultados: El modelo SERA optimiza la construcción de la infraestructura de hidrógeno necesaria para satisfacer las crecientes necesidades de un mercado emergente y dinámico a nivel geográ co y temporal. SERA es una herramienta de optimización exible que permite al usuario de nir la demanda, las ubicaciones de suministro disponibles, las tecnologías y las vías de distribución, los precios de los insumos y los parámetros de costo y rendimiento, que el modelo utiliza para optimizar la construcción de la infraestructura, generalmente minimizando los costos. Este modelo es parte de una cartera integral de actividades de análisis estratégico para evaluar las necesidades, los escenarios y los desafíos asociados con la implementación de aplicaciones de hidrógeno, pero puede aplicarse a cualquier combustible o producto básico, incluido el dióxido de carbono, por ejemplo, puede modelar las vías más rentables para capturar y almacenar carbono (Headland, 2024).
Reformado de metano con vapor
Electrólisis
Gasi cación de biomasa
Cualquier tecnología de producción
Tubería de GH2
Camiones de GH2
Camiones de GH2
Tubería de GH2
Camiones de LH2
Camiones de LH2
GH2 suministrado Sin transporte
Reabastecimiento de GH2
Reabastecimiento de LH2
Entradas H2 gaseoso H2 líquido
Evaporación de LH2
Licuefacción de GH2
Figura 11. El modelo SERA optimiza la tecnología de construcción, los tiempos y la ubicación de la producción, transmisión, entrega y dispensación. Recuperado de: (Headland, 2024).
SERA es parte de un conjunto de herramientas que incluyen: el modelo de Producción de Análisis de Hidrógeno (H2A), el modelo de producción Lite para análisis de hidrógeno (H2A-Lite), la Herramienta de Escenario de Análisis Financiero de Hidrógeno (H2FAST), la Herramienta de Escenario de Análisis Financiero de Producción (ProFAST), el modelo de Optimización de Dispositivos y Operaciones de Ingresos (RODeO) y la Herramienta de Análisis de Tuberías de Mezcla para Hidrógeno (BlendPATH) (Headland, 2024).
Gas
Sistema inteligente de detección de fugas de Metano (Smart Leak Detection SLED/M)
Los avances en la tecnología de los sistemas de detección han dado como resultado mejoras en la velocidad y precisión del proceso de detección de fugas de metano.
Objetivo:
Combinación de tecnologías emergentes con la IA para dar como resultado mayores mejoras en la detección de fugas y una mayor seguridad, con abilidad, resiliencia, asequibilidad y gestión ambiental del sistema de suministro de gas natural (Burman et al., 2020).
Solución:
El Laboratorio Nacional de Tecnología Energética (NETL) ha nanciado la investigación del Southwest Research Institute (SwRI) sobre el sistema inteligente de detección de fugas (Smart Leak
Detection SLED) desde 2016. SLED implementa sensores ópticos en toda la infraestructura de petróleo y gas para proporcionar imágenes de todo el sistema. Utilizando algoritmos, SLED procesa las imágenes para identi car pequeñas fugas antes de que sean lo su cientemente grandes como para amenazar la salud y la seguridad humanas, el medio ambiente o la propiedad. Los algoritmos permiten al sistema diferenciar entre las propiedades químicas de diversos hidrocarburos y sustancias no peligrosas, como charcos de agua (Burman et al., 2020).
Se desarrolló y aplicó inicialmente para detectar fugas de diésel, aceite mineral, gasolina y petróleo crudo en ductos de líquidos, y luego se adaptó a la detección de metano (SLED/M) en ductos de gas. Se basa en sensores terrestres estacionarios, pero en enero de 2019 se adaptó a una solución que permite la detección por medio de plataformas aéreas o vehículos aéreos no tripulados (UAV o drones) lo que reduce la necesidad de instalar sensores estacionarios en todo un sistema de tuberías. A lo largo de 2020, se integra una cámara termográ ca infrarroja de onda larga de bajo costo y un sistema LiDAR (detección y alcance de luz) liviano y validar y mejorar aún más el algoritmo (Burman et al., 2020).
Figura 12. Cámara del SLED/M. Recuperado de: (Southwest Research Institute, s.f.)
Figura 13. Dron con Sistema SLED/M. Recuperado de: (Southwest Research Institute, 2019).
Resultados:
Detecta de manera con able las 'huellas' químicas de pequeñas fugas de líquidos peligrosos antes de que se conviertan en derrames importantes. Puede diferenciar entre un hidrocarburo y un charco de agua inocuo (Journal of Petroleum Technology [JPT], 2017).
Centro de Competencia (CoC) de IAWintershall Dea
Wintershall Dea, con sede en Alemania, una de las principales empresas independientes de gas y petróleo en Europa, ha asumido el desafío de implementar la IA para crear procesos más e cientes.
Objetivo:
Wintershall Dea es el resultado de la fusión entre dos empresas heredadas, Wintershall y DEA Deutsche Erdoel AG en el año 2019. A medida que las dos empresas unieron fuerzas, se hizo evidente la necesidad de que la IA se conecte y capitalice los datos de toda la organización. Además, no solo se busca proporcionar una mayor e ciencia y ahorro de costos, sino que también podría reforzar la posición de Wintershall Dea como líder de la industria en innovación tecnológica (International Business Machines [IBM], 2023).
Solución:
En septiembre de 2023, Wintershall Dea, se asoció con IBM Consulting para establecer un Centro de Competencia (CoC) de IA mientras avanzaba en múltiples aplicaciones generadoras de valor que respaldaban la producción e ciente de energía.
Wintershall Dea ya estaba utilizando Microsoft Azure para su plataforma de datos. entonces IBM Consulting colabora con Microsoft para entregar proyectos de datos e IA basados en Azure, lo que muestra la demanda de segmentos de servicios en las adopciones de tecnología de IA en el sector de petróleo y gas (Mordor Intelligence, 2024, p. 17).
IBM fue capaz de adaptar su metodología IBM® AI@Scale para ajustarse a la plataforma existente y aportar la experiencia de Microsoft según fuera necesario. En la implementación de IBM AI@Scale, el equipo se centró en tres áreas estratégicas: la arquitectura técnica de la plataforma, el modelo operativo del CoC y la cultura corporativa.
Resultados:
En la actualidad, Wintershall Dea, junto con IBM, ha identi cado más de 80 posibles casos de uso de IA y ciencia de datos, 20 de los cuales está persiguiendo activamente. Los casos de uso abarcan desde áreas técnicas, como operaciones, ingeniería y geociencia, hasta áreas no técnicas, como comercial y ventas. IBM está muy involucrado en varios de ellos, pero los otros se ejecutan de forma independiente dentro de las unidades corporativas y de negocio de la empresa y el CoC (IBM, 2023, Párr.33).
Geminus AI - Generador de modelos de IA basado en la física
Las plantas de NGL carecen de la información predictiva necesaria para determinar los puntos de ajuste óptimos para maximizar la rentabilidad y minimizar las emisiones de carbono. La mayoría de las plantas dependen de simulaciones que, si bien son precisas, no permiten tomar decisiones en tiempo real.
Objetivo: crear de manera rápida y sencilla modelos híbridos de activos operativos que se pueden optimizar en tiempo real en función de numerosos resultados, como la reducción de gastos operativos, el aumento de la productividad y la minimización de las emisiones de carbono.
Solución: En enero de 2024, SLB se asoció con Geminus AI Se utilizaron simulaciones de la herramienta Symmetry de SLB para entrenar un modelo de Geminus. La plataforma Geminus utiliza una nueva computación de IA basada en la física para traducir las limitaciones del mundo físico dentro de modelos digitales, combina enfoques basados en la física con datos de procesos para crear modelos de IA de alta precisión que se pueden implementar a escala, más rápida y a un costo menor que los métodos de IA tradicionales, solo requiere datos dispersos y los modelos se actualizan fácilmente con la incorporación de nuevos
puntos de datos (Mordor Intelligence, 2024, p. 18). Los cientí cos de datos y los ingenieros de modelado pueden usar la plataforma para predecir el comportamiento de sistemas complejos y tomar decisiones informadas en tiempo real. En un caso de uso para un cliente, SLB entregó una aplicación impulsada por IA híbrida de Geminus para optimizar el rendimiento económico y, al mismo tiempo, reducir las emisiones de carbono en una planta de gas natural (Business Wire, 2024).
adopción de la IA y otras tecnologías en el sector, ya que son aspectos débiles o que representan cuestionamientos en la estimación de bene cios frente a implicaciones negativas, centrándose principalmente en los siguientes aspectos:
Presión por reducir las emisiones de carbono
A partir de la crisis climática se han planteado objetivos a nivel global que buscan disminuir las emisiones de carbono, esto afecta directamente al
Resultados: La aplicación, creada por la solución de IA basada en la física de Geminus, se entrenó con datos del software de simulación de procesos Symmetry™ de SLB. Su creación, incluido el modelo de IA híbrido subyacente, llevó solo unos días y tiene la capacidad de evaluar 20.000 escenarios complejos en menos de una décima de segundo. La aplicación permite a los operadores explorar de forma interactiva el impacto de cambiar la con guración del proceso en la huella de carbono y el rendimiento de la planta (Business Wire, 2024).
Oportunidades y riesgos
Sin duda la aplicación de la IA y otras herramientas y prácticas permite mejorar la gestión, seguridad, con abilidad, resiliencia, asequibilidad y administración ambiental de la infraestructura de gas natural y del hidrógeno. Sin embargo, existen algunos riesgos que se deben tener en cuenta a la hora de su implementación y desarrollo, así como también oportunidades que se pueden tomar para ampliar sus bene cios.
Riesgos
Wintershall Dea, con sede en Alemania, una de las principales empresas independientes de gas y petróleo en Europa, ha asumido el desafío de implementar la IA para crear procesos más e cientes.
Existen razones por las que las empresas de gas no se sienten seguras a la hora de extraer valor de lo digital, lo que revela las áreas de riesgo para la
sector de petróleo y gas. Un informe de Greenpeace, titulado Cómo las empresas tecnológicas están ayudando a las grandes petroleras a bene ciarse de la destrucción del clima plantea que “a pesar de los compromisos de las mayores empresas de la nube para abordar el cambio climático, Microsoft, Google y Amazon tienen conexiones con algunas de las compañías petroleras más sucias del mundo con el propósito
explícito de extraer más petróleo y gas del suelo y llevarlo al mercado de forma más rápida y más barata” (Shead, 2020, párr.4). Esto, provocó que en el 2020 Google declarara en un comunicado que su unidad de computación de alto rendimiento ya “no construirá algoritmos de IA/ML personalizados para facilitar la extracción en la industria del petróleo y el gas” (Shead, 2020, párr.11).
Activos complejos
Las plantas, terminales, plataformas marinas o miles de kilómetros de tuberías no están sujetas a ajustes rápidos, son poco exibles a los cambios intempestivos. Los ejecutivos del sector del petróleo y el gas pueden preguntar con razón: ¿deberíamos sobrecargar nuestro complejo ecosistema con información adicional y poco clara? Las inversiones en tecnología necesitan pruebas sólidas que demuestren que se obtendrá el máximo provecho de cada dólar invertido sin comprometer el rendimiento de los activos (Dubouski, 2024).
Monitoreo y cumplimiento de la seguridad
Las compañías de gas siempre se han orientado por una red de normas locales, regulaciones ambientales y tratados internacionales. Las presiones institucionales y la enorme atención que se le da a la seguridad hacen que los que toman las decisiones sean lentos a la hora de innovar o en caso de hacerlo sin la su ciente información correr el riesgo de multas o sanciones legales (Dubouski, 2024).
Mentalidad de ingeniería versus mentalidad digital
El predominio de los ingenieros en los niveles de alta dirección es el sello distintivo de la industria energética. Por ello, el sector del gas está impregnado de un enfoque impulsado por los ingenieros con su expectativa de un resultado garantizado, mientras que la adopción de cualquier tecnología de vanguardia requiere una mentalidad digital o exible orientada al cambio y la innovación (Dubouski, 2024).
Dependencia de socios externos
La colaboración estrecha entre todos los actores de la cadena de suministro es la base del sector energético. Dada la naturaleza interdependiente de las operaciones, alinear a todos estos actores y sus sistemas se convierte en un obstáculo importante. La clave de la IA es el compromiso y apoyo de todos los jugadores lo que en este caso se torna complejo (Dubouski, 2024).
Carreras prolongadas, diversi cación limitada
Los gerentes de alto nivel del sector de gas suelen pasar décadas dentro de la misma empresa, lo que fomenta una cultura cautelosa de seguir las tradiciones, mantenerse seguros y centrarse en la supervivencia, a menudo a expensas de impulsar cambios innovadores que representen riesgos, mayores esfuerzos o cambios no previstos (Dubouski, 2024).
Política inestable
La regulación para estas nuevas herramientas digitales se encuentra aún en desarrollo a nivel general por lo que para el sector del gas no existen lineamientos claros, con la implicación que además se involucran temas controversiales que generan discusiones incluso morales que ralentizan la implementación de normativa. Sin embargo, al utilizar soluciones de IA, es posible que sea necesario asegurarse de que cumplan con las normas y leyes de la industria que in uyen incluso de manera indirecta.
Operaciones dispersas por todo el mundo
. Lo que di culta la uni cación y estandarización de datos y sistemas ya que no existe aún parámetros internacionales, si no que cada región cuenta con regulación diferente.
Márgenes de ganancia uctuantes
Por la búsqueda de alternativas más amigables con el medio ambiente las empresas del gas han sufri-
do altibajos y buscan opciones para no verse afectadas negativamente, sin embargo, se vuelve difícil tomar decisiones de inversión ya que el aspecto nanciero es incierto. Esto, teniendo en cuenta que los costos iniciales asociados con la implementación de tecnologías de IA pueden ser altos para infraestructura, desarrollo y capacitación.
Necesidad de datos con ables y precisos
Son esenciales para entrenar y tomar decisiones en algoritmos de IA. Integrar datos de varias fuentes, garantizar su precisión y gestionar sistemas heredados podría presentar di cultades para el sector del gas natural. Por otro lado, la creciente prevalencia de las aplicaciones de IA requiere que el sector afronte el mayor peligro de los riesgos cibernéticos. Garantizar la seguridad y la integridad de las operaciones de gas natural requiere salvaguardar los modelos de IA y los datos condenciales contra los ciberataques.
Adaptación de la fuerza laboral
La IA en el sector del gas natural puede dar lugar a cuestiones éticas, especialmente en relación con el desplazamiento de empleo, preocupaciones. Los procesos involucrados en las operaciones de gas natural son complicados y se necesita conocimiento especializado para diseñar sistemas de IA que puedan manejar su complejidad. Adquirir y mantener expertos competentes en IA podría resultar complicado.
Infraestructura obsoleta
Las empresas de gas cuentan con infraestructuras y sistemas heredados que podrían necesitar ser compatibles con las tecnologías de IA, lo que di culta la integración y la implementación. Muchas empresas consideran que actualizar su infraestructura es costoso y requiere mucho tiempo, lo que puede ser un obstáculo para la adopción de nuevas tecnologías (Mordor Intelligence, 2024, p. 17).
Algunas formas de superar con éxito estos obstáculos podrían ser invertir en la actualización de tecnología, fomentar la innovación y buscar alianzas para el intercambio de datos y el desarrollo de talentos. Una colaboración proactiva con los organismos reguladores para in uir en las políticas de apoyo también será decisiva. De esta manera, las empresas pueden aprovechar todos los bene cios de la IA a medida que vayan escalando las soluciones y se aseguran también de que la adaptación y aprendizaje continuos sean la base para sus estrategias (Voelker II, 2024).
A la luz de los nuevos desafíos que enfrenta la infraestructura de gas natural, la IA y las herramientas analíticas asociadas pueden considerarse como una posibilidad para crear oportunidades, reducir las emisiones, aumentar la seguridad y ofrecer mejores resultados a los clientes. Para ayudar a desbloquear este potencial, los reguladores y las empresas de servicios públicos deben comprender el papel de las soluciones de IA y cómo puede ayudar a las empresas de gas a resolver los problemas actuales y futuros (Burman et al., 2020).
Aunque la aplicación de Big Data en la industria del petróleo y el gas se encuentra en la etapa experimental, actualmente, las empresas están utilizando la tecnología de Big Data en proyectos piloto y están probando la tecnología para evaluar sus posibles bene cios y oportunidades (Mordor Intelligence, 2024).
La IA como apoyo al cumplimiento de metas ambientales
La aplicación más urgente del análisis de IA implica la implementación de esta tecnología para analizar el posible impacto ambiental. Con las regulaciones climáticas que exigen que los productores de petróleo y gas reduzcan las emisiones de carbono, el análisis de la huella de carbono basado en el análisis de IA se convierte en un instrumento esencial para satisfacer estas demandas. Esta tecnología desempeñará un papel fundamental en la reducción de las emisiones de gases de efecto invernadero al optimizar la e ciencia de los recursos y los equipos (Frost & Sullivan, 2024).
Soluciones claves para el futuro
Para seguir siendo competitivas las empresas de la industria del gas deben incorporar avances a medida que la tecnología se desarrolla cada vez más y así poder satisfacer las demandas de un mercado energético en rápido cambio. Mediante la aplicación de IA en las áreas de optimización de la cadena de suministro, redes inteligentes, seguridad, exploración mejorada y mantenimiento predictivo, el sector del gas puede gestionar de manera más hábil y resiliente los desafíos que plantean los requisitos energéticos futuros.
Impulsadora de la e ciencia y gestión de costos
Deben ser las fuerzas impulsoras del cambio y la transformación por medio de la adopción de la IA. Es importante analizar cómo se integra la IA en la estrategia empresarial general de excelencia operativa y reducción de costos, qué nivel de reducción de costos se requiere y en qué parte del negocio se encuentran las oportunidades (Mortlock et al., 2019).
Mejora de la calidad
Permite a las empresas tomar decisiones basadas más en la calidad que generen conocimientos y valor más profundos. Se debe tener claro el problema que se intenta resolver con la IA, además, qué herramientas de IA ya se tienen y cuáles se requieren para garantizar resultados de mayor calidad (Mortlock et al., 2019).
Escalamiento y creación de nuevas capacidades
La estrategia AI necesita aprovechar el poder de los humanos y las máquinas trabajando juntos de maneras más colectivamente inteligentes para generar nuevas capacidades. Es importante reconocer que hay actividades que los humanos hacen muy bien y actividades que las máquinas hacen mejor e identi car en la organización cada una y las nuevas capacidades que desearía tener. Las habilidades y capacidades complementarias de ambos deberían aprovecharse como parte de un cambio cultural en la forma de realizar el trabajo (Mortlock et al., 2019).
Velocidad en el procesamiento de datos
Las organizaciones capturan grandes cantidades de datos que los equipos no siempre saben cómo utilizar o procesar con la su ciente rapidez sin involucrar a cientos de personas. La IA puede ayudar a las organizaciones a utilizar esos datos en formas que nunca antes se habían utilizado: procesar grandes volúmenes rápidamente, establecer correlaciones, aprender y, en última instancia, ayudar a hacer mejores predicciones que reduzcan los costos (Mortlock et al., 2019).
Referencias
Aveva. (s.f.). Unlock intelligent oil and gas operations with AVEVA software solutions. Industries Oil, Gas and Energy. Aveva. https://www.aveva.com/en/industries/oil-gas/
Bhardwaj, C. (16 de octubre de 2024). Unleashing the Potential of Arti cial Intelligence in the Oil and Gas Industry – 10 Use Cases, Bene ts, Examples. Appinventiv. https://appinventiv.com/blog/arti cial-intelligence-in-oil-and-gas-industry/
Burman, D., Kimbrel, E., Pridemore, T., Thanos, A. y Zitelman, K. (2020). Arti cial Intelligence for Natural Gas Utilities: A Primer. National Association of Regulatory Utility Commissiners. https://pubs.naruc.org/pub/F74D4EC2-155D-0A36-310F-F5B22DC3E286
Business Wire. (10 de enero de 2024). SLB Announces Collaboration with Geminus AI. Business Wire. https://investorcenter.slb.com/news-releases/news-release-details/slb-announces-collaboration-geminus-ai/
Business Wire. (19 de enero de 2022). Phillips 66, NOVONIX Sign Technology Development Agreement to Advance Production of Lithium-Ion Batteries in North America. Business Wire. https://www.businesswire.com/news/home/20220119005965/en/
Chug, P. (10 de octubre de 2022). 6 Remarkable Applications of AI in the Oil & Gas Industry. Acuvate. https://acuvate.com/blog/six-applications-of-ai-in-oil-gas-industry/
Crowley, K. (23 de septiembre de 2023). Exxon Weighs Chemicals Output Boost as EVs Threaten Gasoline Use. Bloomberg. https://www.bloomberg.com/news/articles/2023-09-23/exxon-plots-gasoline-to-chemicals-switch-as-electric-vehicles-use-gr ows
Deloitte AI Institute. (2023). Generative AI is all the rage. Deloitte AI Institute . https://www2.deloitte.com/content/dam/Deloitte/us/Documents/deloitte-analytics/us-ai-institute-gen-ai-for-enterprises.pdf
Dubouski, I. (21 de mayo de 2024). Hype Aside: Real-World Use Cases of Arti cial Intelligence in the Oil and Gas Industry. Instinctools. https://www.instinctools.com/blog/ai-in-oil-and-gas-industry/
EFE. (18 de octubre de 2023). Qué es el gas sintético y por qué Suiza está interesada en él. Portafolio. https://www.portafolio.co/energia/descarbonizar-la-economia-suiza-le-apuesta-al-gas-sintetico-para-lograrlo-590356
Fero Labs. (2023). How AI Helps Accomplish Green Steel Goals. Fero Labs https://www.ferolabs.com/insights/post/how-ai-helps-accomplish-green-steel-goals
Florkin, J. (15 de abril de 2024). Arti cial Intelligence in the Oil and Gas Industry. Linkedin: https://www.linkedin.com/pulse/arti cial-intelligence-oil-gas-industry-julien- orkin-yii5e/
Frost & Sullivan. (2024). Top 10 Growth Opportunitiesin Oil and Gas Digitalization and Automation, 2024. Frost & Sullivan. https://www.emis.com/v2/documents/report/807832870
Galer, S. (26 de marzo de 2024). Oil & Gas Trends 2024: Making Sustainable Business More Sustainable. Forbes. https://www.forbes.com/sites/sap/2024/03/26/oil--gas-trends-2024-making-sustainable-business-more-sustainable/?sh =770c4ad6d22d
GasWorld Intelligence. (s.f.). H2 Intelligence Unlock the Power of Hydrogen. GasWorld Intelligence. https://intelligence.gasworld.com/h2-intelligence/0020
H2Go Power. (s.f.). Introducing HyAI: an AI-powered platform for the hydrogen economy. H2Go Power https://www.h2gopower.com/hyai
Referencias
Hartek Group. (Noviembre de 2023). Role of Arti cial Intelligence in Advancing Green Hydrogen Production. Hartek Group. https://hartek.com/post/role-of-arti cial-intelligence-in-advancing-green-hydrogen-production
Headland, N. (22 de julio de 2024). NREL Model Fast-Tracks Hydrogen Supply Chain Infrastructure Deployment. NREL. https://www.nrel.gov/news/program/2024/nrel-model-fast-tracks-hydrogen-supply-chain-infrastructure-deployment.html
Hung, J. (21 de diciembre de 2023). H2 Green Steel, Pioneering in Clean Steel Production. Linkedin. https://www.linkedin.com/pulse/h2-green-steel-pioneering-clean-production-jason-hung-tfu6c/
Imubit. (s.f.). AI software for gas processing plants. Imubit. https://imubit.com/ai-software-for-gas-processing-and-natural-gas-liquids-plants/
International Business Machines. (2023). Profundizar en datos para transformar la industria del petróleo y el gas. IBM. https://www.ibm.com/mx-es/case-studies/wintershall-dea
International Energy Agency. (2024). Gas Market Report, Q1-2024. IEA. https://iea.blob.core.windows.net/assets/601bff14-5d9b-4fef-8ecc-d7b2e8e7449a/GasMarketReportQ12024.pdf
International Renewable Energy Agency. (s.f.). Digital backbone for green hydrogen production. IRENA. https://www.irena.org/Innovation-landscape-for-smart-electrication/Power-to-hydrogen/8-Digital-backbone-for-green-hydrogen-production
Journal of Petroleum Technology. (27 de noviembre de 2017). SwRI Develops Autonomous Leak Detection System for Chemical Spills. JPT. https://jpt.spe.org/swri-develops-autonomous-leak-detection-system-chemical-spills
Kay, A. (11 de abril de 2024). Natural Gas Fuels AI – And AI Means More Affordable Natural Gas. American Gas Association. https://www.aga.org/natural-gas-fuels-ai-and-ai-means-more-affordable-natural-gas/
Kelly, S. (17 de mayo de 2023). Shell to use new AI technology in deep sea oil exploration. Reuters. https://www.reuters.com/business/energy/shell-use-new-ai-technology-deep-sea-oil-exploration-2023-05-17/
Mordor Intelligence. (2024). Global AI in Oil and Gas Market Size and Share Analysis - Growth Trends and Forecasts (2024 - 2029). EMIS. https://www.emis.com/v2/documents/report-chapters/824857275
Mortlock, L., Kau eld, K., Miller, M., Higgins, M., Alexander, R. y Coleman, M. (2019). AI in oil and gas Extracting collective value by humanizing data. Ernst & Young LLP. https://assets.ey.com/content/dam/ey-sites/ey-com/en_gl/topics/oil-and-gas/ey-ai-in-oil-and-gas.pdf
Nuthakki, S., Shripad, C., Kumar, S., Kathiriya, S. y Nuthakki, Y. (2024). Arti cial Intelligence Applications in Natural Gas Industry: A Literature Review. International Journal of Engineering and Advanced Technology, 13(3), 64-70. https://doi.org/10.35940/ijeat.C4383.13030224
Nye, K. (10 de octubre de 2023). H2GO Power and RWE join forces for innovative hydrogen AI. RWE. https://uk.rwe.com/press-and-news/2023-10-10-h2go-power-and-rwe-join-forces-for-innovative-hydrogen-ai/
SH2Green Steel . (09 de abril de 2024). How Digitalization Will Enable Completely Different Ways of Working in Steelmaking. H2Green Steel. https://altor.com/conversations/revolutionizing-the-steel-industry
Referencias
Shead, S. (20 de mayo de 2020). Google plans to stop making A.I. tools for oil and gas rms. CNBC. https://www.cnbc.com/2020/05/20/google-ai-greenpeace-oil-gas.html
Siege Engineering. (16 de enero de 2024). AI in Chemical Engineering for Natural Gas Operations. Siege Engineering. https://www.siegepe.com/post/ai-in-chemical-engineering-for-natural-gas-operations#:~:text=By%20leveraging%20historical%20data%2C% 20AI,energy%20waste%20and%20increasing%20pro tability.
Southwest Research Institute (10 de abril de 2019). LEAK Detection. [Archivo de Video]. YouTube. https://www.youtube.com/watch?v=iqoifkkVc90
Southwest Research Institute. (s.f.). Smart Leak Detection – Methane (Sled/M). SwRI. https://www.epa.gov/sites/default/ les/2019-12/documents/smartleakdetectionmethane_heathspidle.pdf
Stafford, J. (4 de marzo 2024). Arti cial Intelligence Could Trigger a Natural Gas Boom in Europe. OilPrice. https://oilprice.com/Energy/Natural-Gas/How-Arti cial-Intelligence-Could-Trigger-a-Natural-Gas-Boom-in-Europe.html
The CCUS Hub. (s.f.). Porthos. The CCUS Hub. https://ccushub.ogci.com/focus_hubs/rotterdam-porthos/
The European Marine Energy Centre. (s.f.). HYAI 1.0 & 2.0. EMEC. https://www.emec.org.uk/projects/hydrogen-projects/hyai/
Veysey, D., Peltier, M. y Fallurin, J. (5 de junio de 2023). Five Ways US Oil Re neries Can Reduce Emissions Today. RMI : https://rmi.org/how-to-slash-re nery-emissions-quickly-washington-state/
Voelker II, F. (1 de julio de 2024). Revolutionizing the Oil & Gas Industry: The Impact of Arti cial Intelligence. Valve World Americas. https://valve-world-americas.com/revolutionizing-the-oil-gas-industry-the-impact-of-arti cial-intelligence/
