Se presta cada vez más atención a los vínculos entre la inteligencia artificial y el aumento de la demanda de energía. Pero si bien los centros de datos que consumen mucha energía y que se están construyendo para respaldar la IA podrían potencialmente sobrecargar las redes eléctricas, aumentar los precios a los clientes y las interrupciones del servicio y, en general, ralentizar la transición a la energía limpia, el uso de la inteligencia artificial también puede ayudar a la transición energética.
Por ejemplo, el uso de la IA está reduciendo el consumo de energía y las emisiones asociadas en edificios, transporte y procesos industriales. Además, la IA está ayudando a optimizar el diseño y la ubicación de nuevas instalaciones eólicas y solares y de almacenamiento de energía.
En las redes eléctricas, el uso de algoritmos de IA para controlar las operaciones está ayudando a aumentar la eficiencia y reducir los costos, integrar la creciente proporción de energías renovables e incluso predecir cuándo los equipos clave necesitan mantenimiento para evitar fallas y posibles apagones. La IA puede ayudar a los planificadores de redes a programar inversiones en generación, almacenamiento de energía y otras infraestructuras que serán necesarias en el futuro. La IA también está ayudando a los investigadores a descubrir o diseñar materiales novedosos para reactores nucleares, baterías y electrolizadores.
Los investigadores del MIT y de otros lugares están investigando activamente aspectos de esas y otras oportunidades para que la IA apoye la transición a la energía limpia. En su conferencia de investigación de 2025, MITEI anunció el Foro de energía de centros de datos, un esfuerzo de investigación dirigido a empresas miembros de MITEI interesadas en abordar los desafíos de la demanda de energía de los centros de datos.
Controlar las operaciones en tiempo real
Los clientes generalmente dependen de recibir un suministro continuo de electricidad, y los operadores de la red reciben ayuda de la IA para que eso suceda, al mismo tiempo que optimizan el almacenamiento y la distribución de energía de fuentes renovables.
Pero con una mayor instalación de parques solares y eólicos (que proporcionan energía en cantidades menores e intermitentemente) y la creciente amenaza de eventos climáticos y ataques cibernéticos, garantizar la confiabilidad se está volviendo más complicado. “Ahí es exactamente donde la IA puede entrar en escena”, explica Anuradha Annaswamy, científica investigadora senior en el Departamento de Ingeniería Mecánica del MIT y directora del Laboratorio de Control Activo-Adaptable del MIT. “Esencialmente, es necesario introducir toda una infraestructura de información para complementar y complementar la infraestructura física”.
La red eléctrica es un sistema complejo que requiere un control meticuloso en escalas de tiempo que van desde décadas hasta microsegundos. El desafío se remonta a las leyes básicas de la física energética: el suministro de electricidad debe ser igual a la demanda de electricidad en todo instante, o la generación puede verse interrumpida. En décadas pasadas, los operadores de redes generalmente asumían que la generación era fija (podían contar con cuánta electricidad produciría cada gran central eléctrica), mientras que la demanda variaba con el tiempo de una manera bastante predecible. Como resultado, los operadores podrían encargar plantas de energía específicas para que funcionen según sea necesario para satisfacer la demanda del día siguiente. Si se produjeran algunos cortes, unidades especialmente designadas se pondrían en marcha según fuera necesario para compensar el déficit.
Hoy y en el futuro, esa correspondencia entre la oferta y la demanda aún debe ocurrir, incluso cuando crezca el número de fuentes de generación pequeñas e intermitentes y aumenten las perturbaciones climáticas y otras amenazas a la red. Los algoritmos de IA proporcionan un medio para lograr la compleja gestión de la información necesaria para pronosticar en tan solo unas pocas horas qué plantas deberían funcionar y, al mismo tiempo, garantizar que la frecuencia, el voltaje y otras características de la energía entrante sean las necesarias para que la red funcione correctamente.
Además, la IA puede hacer posibles nuevas formas de aumentar la oferta o disminuir la demanda en momentos en que el suministro en la red escasea. Como señala Annaswamy, la batería de su vehículo eléctrico (EV), así como la que se carga mediante paneles solares o turbinas eólicas, pueden, cuando sea necesario, servir como fuente de energía adicional para inyectar a la red. Y dadas las señales de precios en tiempo real, los propietarios de vehículos eléctricos pueden optar por cambiar la carga de un momento en que la demanda está en su punto máximo y los precios son altos a un momento en que la demanda y, por lo tanto, los precios son más bajos. Además, se pueden configurar nuevos termostatos inteligentes para permitir que la temperatura interior baje o aumente (un rango definido por el cliente) cuando la demanda en la red alcanza su punto máximo. Y los propios centros de datos pueden ser una fuente de flexibilidad de la demanda: los cálculos seleccionados de IA podrían retrasarse según sea necesario para suavizar los picos de demanda. Por lo tanto, la IA puede brindar muchas oportunidades para ajustar tanto la oferta como la demanda según sea necesario.
Además, la IA hace posible el “mantenimiento predictivo”. Cualquier tiempo de inactividad es costoso para la empresa y amenaza con escasez para los clientes atendidos. Los algoritmos de IA pueden recopilar datos clave de rendimiento durante el funcionamiento normal y, cuando las lecturas se desvían de lo normal, el sistema puede alertar a los operadores de que algo podría estar yendo mal, dándoles la oportunidad de intervenir. Esa capacidad previene fallas en los equipos, reduce la necesidad de inspecciones de rutina, aumenta la productividad de los trabajadores y extiende la vida útil de los equipos clave.
Annaswamy enfatiza que “descubrir cómo diseñar esta nueva red eléctrica con estos componentes de IA requerirá la unión de muchos expertos diferentes”. Señala que los ingenieros eléctricos, los informáticos y los economistas energéticos “tendrán que codearse con reguladores y formuladores de políticas ilustrados para asegurarse de que esto no sea sólo un ejercicio académico, sino que realmente se implemente. Todas las diferentes partes interesadas tienen que aprender unos de otros. Y se necesitan garantías de que nada va a fallar. No se pueden tener apagones”.
Uso de IA para ayudar a planificar inversiones en infraestructura para el futuro
Las empresas de redes necesitan planificar constantemente la expansión de la generación, la transmisión, el almacenamiento y más, y conseguir que toda la infraestructura necesaria esté construida y operativa puede llevar muchos años, en algunos casos más de una década. Por lo tanto, deben predecir qué infraestructura necesitarán para garantizar la confiabilidad en el futuro. “Es complicado porque hay que pronosticar con más de una década de antelación qué construir y dónde construirlo”, dice Deepjyoti Deka, investigador científico del MITEI.
Uno de los desafíos a la hora de anticipar lo que se necesitará es predecir cómo funcionará el sistema futuro. “Eso se está volviendo cada vez más difícil”, dice Deka, porque cada vez hay más energías renovables que están desplazando a los generadores tradicionales. En el pasado, los operadores podían depender de “reservas rotativas”, es decir, generar capacidad que actualmente no está en uso pero que podría entrar en funcionamiento en cuestión de minutos para cubrir cualquier déficit en el sistema. La presencia de tantos generadores intermitentes (eólicos y solares) significa que ahora hay menos estabilidad e inercia integradas en la red. A la complicación se suma que esos generadores intermitentes pueden ser construidos por varios proveedores, y los planificadores de la red pueden no tener acceso a las ecuaciones basadas en la física que gobiernan el funcionamiento de cada equipo en escalas de tiempo suficientemente finas. “Por lo tanto, probablemente no sepas exactamente cómo va a funcionar”, dice Deka.
Y luego está el clima. Determinar la confiabilidad de un sistema energético futuro propuesto requiere saber a qué se enfrentará en términos de clima. La futura red debe ser fiable no sólo en el clima cotidiano, sino también durante eventos de baja probabilidad pero de alto riesgo, como huracanes, inundaciones e incendios forestales, que son cada vez más frecuentes, señala Deka. La IA puede ayudar a predecir tales eventos e incluso rastrear cambios en los patrones climáticos debido al cambio climático.
Deka señala otro beneficio menos obvio de la velocidad del análisis de la IA. Cualquier plan de desarrollo de infraestructura debe ser revisado y aprobado, a menudo por varios organismos reguladores y de otro tipo. Tradicionalmente, un solicitante desarrollaría un plan, analizaría sus impactos y lo presentaría a un grupo de revisores. Después de realizar los cambios solicitados y repetir el análisis, el solicitante volvería a enviar una versión revisada a los revisores para ver si la nueva versión era aceptable. Las herramientas de inteligencia artificial pueden acelerar el análisis requerido para que el proceso avance más rápidamente. Los planificadores pueden incluso reducir el número de veces que se rechaza una propuesta utilizando modelos de lenguaje grandes para buscar publicaciones regulatorias y resumir lo que es importante para una instalación de infraestructura propuesta.
Aprovechar la IA para descubrir y explotar materiales avanzados necesarios para la transición energética
“El uso de la IA para el desarrollo de materiales está en auge en este momento”, afirma Ju Li, profesor de ingeniería energética Carl Richard Soderberg del MIT. Señala dos direcciones principales.
En primer lugar, la IA hace posibles simulaciones más rápidas basadas en la física a escala atómica. El resultado es una mejor comprensión a nivel atómico de cómo la composición, el procesamiento, la estructura y la reactividad química se relacionan con el rendimiento de los materiales. Ese entendimiento proporciona reglas de diseño para ayudar a guiar el desarrollo y descubrimiento de nuevos materiales para la generación, el almacenamiento y la conversión de energía necesarios para un futuro sistema energético sostenible.
Y en segundo lugar, la IA puede ayudar a guiar los experimentos en tiempo real mientras se llevan a cabo en el laboratorio. Li explica: “La IA nos ayuda a elegir el mejor experimento a realizar en función de nuestros experimentos anteriores y, basándose en búsquedas bibliográficas, formula hipótesis y sugiere nuevos experimentos”.
Describe lo que sucede en su propio laboratorio. Los científicos humanos interactúan con un modelo de lenguaje de gran tamaño, que luego hace sugerencias sobre qué experimentos específicos realizar a continuación. El investigador humano acepta o modifica la sugerencia, y un brazo robótico responde configurando y realizando el siguiente paso en la secuencia experimental, sintetizando el material, probando el desempeño y tomando imágenes de muestras cuando sea apropiado. Basándose en una combinación de conocimiento de la literatura, intuición humana y resultados experimentales previos, la IA coordina el aprendizaje activo que equilibra los objetivos de reducir la incertidumbre con la mejora del rendimiento. Y, como señala Li, “la IA ha leído muchos más libros y artículos que cualquier ser humano y, por lo tanto, es naturalmente más interdisciplinaria”.
El resultado, dice Li, es un mejor diseño de los experimentos y una aceleración del “flujo de trabajo”. Tradicionalmente, el proceso de desarrollo de nuevos materiales ha requerido sintetizar los precursores, fabricar el material, probar su desempeño y caracterizar la estructura, realizar ajustes y repetir la misma serie de pasos. La orientación de la IA acelera ese proceso, “ayudándonos a diseñar experimentos críticos y baratos que puedan brindarnos la máxima cantidad de información”, dice Li.
“Tener esta capacidad sin duda acelerará el descubrimiento de materiales, y esto puede ser lo que realmente pueda ayudarnos en la transición a la energía limpia”, concluye. “AI [has the potential to] lubricar el proceso de optimización y descubrimiento de materiales, tal vez acortándolo de décadas, como en el pasado, a solo unos pocos años”.
Los aportes del MITEI
En el MIT, los investigadores están trabajando en varios aspectos de las oportunidades descritas anteriormente. En proyectos apoyados por el MITEI, los equipos están utilizando IA para modelar y predecir mejor las interrupciones en los flujos de plasma dentro de los reactores de fusión, una necesidad para lograr una generación práctica de energía de fusión. Otros equipos apoyados por el MITEI están utilizando herramientas impulsadas por inteligencia artificial para interpretar regulaciones, datos climáticos y mapas de infraestructura con el fin de lograr una planificación de la red eléctrica más rápida y adaptable. Continúa el desarrollo de materiales avanzados guiado por IA, y un proyecto del MITEI utiliza IA para optimizar células solares y materiales termoeléctricos.
Otros investigadores del MITEI están desarrollando robots que pueden aprender tareas de mantenimiento basándose en la retroalimentación humana, incluida la intervención física y las instrucciones verbales. El objetivo es reducir costos, mejorar la seguridad y acelerar el despliegue de la infraestructura de energía renovable. Y el trabajo financiado por el MITEI continúa buscando formas de reducir la demanda de energía de los centros de datos, desde el diseño de chips y algoritmos informáticos más eficientes hasta repensar el diseño arquitectónico de los edificios, por ejemplo, para aumentar el flujo de aire y reducir la necesidad de aire acondicionado.
Además de brindar liderazgo y financiamiento para muchos proyectos de investigación, el MITEI actúa como coordinador, reuniendo a las partes interesadas para considerar problemas comunes y posibles soluciones. En mayo de 2025, el simposio anual de primavera del MITEI, titulado “IA y energía: peligro y promesa”, reunió a expertos en IA y energía de toda la academia, la industria, el gobierno y organizaciones sin fines de lucro para explorar la IA como un problema y una solución potencial para la transición a la energía limpia. Al cierre del simposio, William H. Green, director del MITEI y profesor Hoyt C. Hottel en el Departamento de Ingeniería Química del MIT, señaló: “El desafío de satisfacer la demanda de energía de los centros de datos y desbloquear los beneficios potenciales de la IA para la transición energética es ahora una prioridad de investigación para el MITEI”.