MADRID (SERVIMEDIA). La gestión energética basada en inteligencia artificial (IA) permite generar ahorros adicionales de entre el 4% y el 5% incluso en sistemas ya optimizados, según un informe de KPMG sobre eficiencia energética en edificios, cifra que aumenta al incorporar tecnologías basadas en IA.

Este potencial cobra especial relevancia en un contexto en el que los edificios concentran cerca del 30% de la demanda energética global y han generado en torno al 20% del crecimiento del consumo en los últimos años, según la Agencia Internacional de la Energía (IEA).

En España, Serveo es una de las compañías que está impulsando este enfoque en entornos reales como edificios públicos y privados, alumbrado urbano o infraestructuras viarias. La empresa aplica IA a través de plataformas propias de gestión energética que integran datos en tiempo real, sistemas IoT y predicción meteorológica, lo que permite optimizar el consumo y anticipar patrones de uso energético en infraestructuras críticas, logrando hasta un 15% de ahorro energético en base al grado de madurez de gestión energética en los activos.

En la misma línea y con cifras similares trabaja Schneider Electric, que apunta que, con sus propias soluciones de software industrial, la optimización del consumo energético (incluyendo técnicas predictivas basadas en IA) puede generar ahorros de entre un 5% y un 15% en entornos industriales. Estas plataformas, como su solución EcoStruxure, permiten ajustar automáticamente cargas energéticas, anticipar picos de demanda y mejorar la eficiencia operativa de plantas y edificios.

Por su parte, Siemens basa su propuesta en el uso de analítica avanzada, IA y gemelos digitales para optimizar igualmente el rendimiento energético de instalaciones complejas, desde entornos industriales hasta infraestructuras urbanas, reduciendo el desperdicio energético mediante decisiones automatizadas en tiempo real.

Y, por último, también Iberdrola está incorporando inteligencia artificial, en su caso, en la gestión de redes eléctricas inteligentes para mejorar la previsión de la demanda y optimizar la operación del sistema, apoyándose en analítica avanzada y modelos predictivos.