Un operador británico de la red eléctrica reduce a la mitad el error de previsión solar con IA

Si se vende la IA como una forma de reducir emisiones, la calidad del modelo no basta. Hay que mostrar qué ha cambiado en la actividad del cliente: cuánto combustible ha dejado de quemar, cuánta electricidad ha ahorrado y qué coste ha tenido el procesamiento. Un ejemplo sencillo es la previsión de la generación solar. Cuanto mejor sepa el operador de la red cuánta energía aportarán los paneles, mejor podrá planificar el funcionamiento de las demás fuentes.

En una columna de MIT Technology Review, Mary Nichols y Jeremy Tamanini examinan hasta qué punto las promesas sobre los beneficios climáticos de la IA se sustentan en implantaciones reales. Su conclusión: existen soluciones que funcionan, pero las pruebas públicas siguen siendo insuficientes para dar por confirmadas las grandes proyecciones. Para fundadores y equipos de producto, hay una lección útil: entre un buen modelo y un impacto medible queda un trabajo que una presentación no hará por ellos.

Dónde está ayudando ya la IA

El ejemplo más claro del artículo es la colaboración entre la británica National Grid ESO y Open Climate Fix. Según los datos citados por los autores, el proyecto permitió reducir a la mitad el error de previsión de la generación solar. Los autores lo vinculan con evitar la emisión de cientos de miles de toneladas de dióxido de carbono al año.

El mecanismo es muy concreto. El operador necesita equilibrar de antemano la producción y el consumo de electricidad. La nubosidad cambia, las plantas solares generan una potencia variable y los errores deben compensarse con otras fuentes. Una previsión más precisa ayuda a aprovechar la generación solar disponible. Ahora bien, reducir a la mitad el error de previsión no implica por sí solo reducir a la mitad las emisiones: son métricas distintas cuya relación debe establecerse.

También hay ejemplos en el transporte. Según un estudio independiente descrito en la columna, la optimización de rutas de Didi Chuxing redujo las emisiones por viaje un 16% de media. La cadena causal es clara: menos desvíos significan menos distancia recorrida y menor consumo de combustible. Pero el dato por viaje aún no responde a cómo cambiaron las emisiones totales del servicio al aumentar el número de reservas.

Por qué la proyección para 2035 todavía no garantiza nada

Los autores analizan un estudio que estimó una reducción potencial de las emisiones globales gracias a la IA de entre 3,2 y 5,4 mil millones de toneladas de CO₂ equivalente al año para 2035. El cálculo incluía la huella energética de la propia IA. Las principales mejoras previstas corresponden al sector eléctrico, las industrias cárnica y láctea y el transporte.

La palabra clave es «potencial». Por ejemplo, en la industria alimentaria, el cálculo presupone que la IA ayudará a conseguir proteínas alternativas lo bastante sabrosas y baratas como para que los consumidores sustituyan con ellas los productos de origen animal. Encontrar la formulación adecuada no basta: también harán falta producción, precios asequibles, distribución y una demanda sostenida.

El análisis de las implantaciones que hace la propia columna también tiene limitaciones. El segundo autor utilizó Claude Code para analizar información pública y después se contrastaron los resultados con documentos y publicaciones. Se trata de una revisión de la información disponible, no de una auditoría exhaustiva de los sectores. La ausencia de un caso público no demuestra que no exista un proyecto. Y encontrar un caso exitoso tampoco indica con qué facilidad puede reproducirse para otro cliente.

Por último, la IA puede ayudar a aumentar la extracción de petróleo y gas. Por eso no basta con contabilizar únicamente las aplicaciones beneficiosas. Tampoco se pueden atribuir automáticamente solo a la IA las emisiones previstas de todos los centros de datos: estas instalaciones también atienden otras cargas de trabajo informático.

Qué medir en tu propio producto

La conclusión práctica para un equipo es acordar de antemano con el cliente qué resultado físico se va a comprobar. En la planificación de rutas, pueden ser los kilómetros recorridos y el consumo de combustible en condiciones comparables. En un sistema eléctrico, los cambios en el uso de la generación y en las emisiones asociadas. La precisión del modelo sigue siendo un indicador intermedio.

Después conviene contabilizar los costes de entrenar y ejecutar el modelo, definir el periodo de comparación y comprobar si el efecto se mantiene tras la prueba piloto. También hay que documentar por separado los supuestos: cómo se calculan las emisiones, qué datos están disponibles y qué cambió en el negocio durante el experimento. Este enfoque ofrece al cliente una base para decidir la compra y al equipo una visión honesta del valor del producto. Según los autores de la columna, son precisamente estos vínculos entre implantación y resultados los que todavía faltan en las grandes promesas climáticas de la industria.