En 2025, la red eléctrica de Duke Energy evitó alrededor de 1,2 millones de apagones en las Carolinas antes de que llegaran a afectar a un solo hogar, ahorrando un estimado de 3 millones de horas acumuladas sin suministro. La eléctrica no espera a que una tormenta deje sin luz a sus clientes para después salir corriendo a repararlo: ha construido una red capaz de repararse a sí misma.
Los apagones cuestan a la economía estadounidense decenas de miles de millones de dólares al año, sobre todo por las largas ventanas de restauración tras tormentas, fallos de equipos y sustituciones imprevistas de transformadores. Durante décadas, las eléctricas resolvían esto siempre del mismo modo: enviar una cuadrilla, localizar la avería, repararla, restablecer el suministro. Un proceso que durante una tormenta importante puede llevar horas. Duke Energy, que da servicio a 8,4 millones de clientes entre las Carolinas, el Medio Oeste y Florida, apostó por algo distinto: no se trataba de enviar camiones más rápido, sino de construir una red capaz de detectar un problema y desviar el flujo eléctrico antes de que nadie levantara el teléfono para quejarse.
La tecnología de red autorreparable de Duke combina miles de sensores remotos, interruptores automatizados y un modelo de predicción de apagones basado en IA desarrollado junto con Accenture. Cuando se produce una avería, los sensores instalados en la línea la detectan en milisegundos, el sistema aísla automáticamente el tramo afectado y redirige la electricidad por rutas alternativas, muchas veces antes de que la mayoría de los clientes de la zona note siquiera una parpadeo de luz. Duke Energy ha informado de que esta tecnología evitó más de 1,5 millones de apagones a nivel de toda la compañía en 2023, y que en 2025 ayudó a evitar alrededor de 1,2 millones de apagones solo en las Carolinas.
Por qué una eléctrica multimillonaria apuesta por una infraestructura que se autodiagnostica
Duke Energy no es una startup probando un piloto. Es una de las mayores eléctricas privadas de Estados Unidos, y su estrategia de IA responde a un cálculo hecho a gran escala: pasar de un mantenimiento puramente reactivo —reparar cuando algo se rompe— a sistemas predictivos y autorreparables que detectan el problema antes de que el cliente lo note.
La lógica económica es sencilla. Un transformador de potencia grande puede costar bastante más de un millón de dólares sustituirlo, y un fallo imprevisto suele implicar semanas de espera para conseguir una unidad nueva mientras los clientes se quedan sin suministro. La IA de mantenimiento predictivo de Duke vigila de forma continua los transformadores de transmisión y los equipos de las subestaciones, detectando señales tempranas de deterioro —contaminación del aceite, patrones térmicos anómalos, descargas parciales— mucho antes de que una unidad falle de forma catastrófica. [DATO A VERIFICAR — fuente: estimación de analistas externos, no es una cifra publicada directamente por Duke Energy] Algunos análisis del sector sitúan el ahorro de evitar fallos de grandes transformadores entre 20 y 150 millones de dólares al año para una eléctrica del tamaño de Duke, solo por evitar compras de emergencia y cortes prolongados.
Si gestionas infraestructura a cualquier escala —eléctricas, redes de telecomunicaciones, plantas industriales, centros de datos—, esta es exactamente la misma lógica que se está extendiendo por los sistemas críticos: sensores más IA más respuesta automatizada, sustituyendo un modelo en el que la primera señal de un fallo es la llamada de un cliente enfadado.
La arquitectura detrás de una red que se repara sola
El sistema autorreparable funciona en tres capas. Primero, los sensores de las líneas de distribución y los contadores inteligentes envían datos de voltaje, corriente y averías en tiempo real a la plataforma de gestión de red de Duke, dando a la compañía algo parecido a un sistema nervioso en directo a lo largo de miles de kilómetros de cable. Segundo, los interruptores automatizados situados en las líneas de alimentación se abren y cierran en milisegundos sin esperar a un operador en sala de control, aislando el tramo más pequeño posible alrededor de la avería. Tercero, el modelo de predicción de apagones basado en IA —desarrollado con Accenture— analiza patrones históricos de cortes, previsiones meteorológicas, crecimiento de vegetación cerca de las líneas y antigüedad de los equipos para señalar qué tramos de la red tienen estadísticamente más probabilidades de fallar en los próximos días, permitiendo a las cuadrillas posicionarse antes de una tormenta en lugar de reaccionar después.
Duke ha informado de que el sistema combinado redujo el tiempo medio de restauración del servicio en su red de distribución de las Carolinas entre un 15% y un 20% desde 2021. [DATO A VERIFICAR — fuente: cobertura secundaria sobre comunicados de Duke Energy, cifra exacta no confirmada de forma independiente contra una fuente primaria] Ese efecto acumulativo —menos apagones, y los que ocurren se resuelven más rápido— es lo que diferencia una etiqueta de marketing de "red inteligente" de un cambio operativo medible.
No es solo Duke: los resultados también funcionan a menor escala
Duke no es el único ejemplo. EPB, la eléctrica municipal —mucho más pequeña— que da servicio a Chattanooga, Tennessee, implementó una red autorreparable comparable y ha reportado una reducción de más del 50% en el tiempo de interrupción del servicio, una prueba de que el mismo enfoque funciona también para una eléctrica regional, no solo para un operador con un presupuesto de varios miles de millones de dólares. [DATO A VERIFICAR — fuente: cobertura de casos de estudio del sector; el año exacto de medición no se ha vuelto a confirmar en esta investigación]
El mercado en su conjunto avanza lo bastante rápido como para que quedarse quieto tenga un coste. Se prevé que el mercado global de redes inteligentes con IA se acerque a los 12.800 millones de dólares en los próximos años, y los reguladores de varios estados de EE. UU. están dando cada vez más peso a la tecnología de resiliencia de red —incluidos los sistemas basados en IA— al revisar las tarifas de las eléctricas. Las compañías que pueden demostrar una reducción medible de apagones tienen un argumento más sólido frente a los reguladores y frente a los clientes que pagan la factura. Las eléctricas que siguen operando con un mantenimiento puramente reactivo empiezan a parecer, en comparación, más caras y menos resilientes.
A quién le interesa esto, y quién debería esperar
Este caso es especialmente relevante para responsables de operaciones de eléctricas, equipos de modernización de red e inversores en infraestructura que buscan separar el retorno de inversión real de la IA de la simple promesa teórica. También es una referencia útil para cualquier organización que gestione infraestructura física distribuida —redes de telecomunicaciones, empresas de agua, sistemas de calefacción urbana— donde aplica el mismo patrón de sensores más IA más respuesta automatizada.
Es menos útil para organizaciones sin activos físicos distribuidos que monitorizar, y para eléctricas que todavía operan sobre infraestructura heredada sin la densidad de sensores ni la red de comunicaciones que exigen los sistemas autorreparables. Para esas compañías, el primer paso realista es modernizar la infraestructura, no añadir una capa de IA sobre equipos de hace décadas.
Preguntas frecuentes
- ¿La tecnología de red autorreparable solo es viable para grandes eléctricas como Duke Energy?
- No. EPB, en Chattanooga, una eléctrica municipal que atiende a una fracción de los clientes de Duke, implementó un sistema comparable y reportó ganancias proporcionalmente similares en la reducción de apagones. La tecnología se adapta a menor escala; la principal barrera para eléctricas más pequeñas es la inversión inicial en sensores e infraestructura de conmutación, no la IA en sí.
- ¿En qué se diferencia esto de las mejoras de "red inteligente" de las que se habla desde hace más de una década?
- Las primeras iniciativas de red inteligente se centraban sobre todo en contadores inteligentes y recogida de datos en un solo sentido. Lo que ha cambiado es la incorporación de modelos predictivos de IA que anticipan el riesgo de fallo antes de que ocurra, junto con una conmutación automatizada que actúa sobre esos datos en milisegundos, sin que una persona intervenga en la respuesta inicial.
- ¿Cuánto tiempo suele tardar un despliegue de este tipo a escala de toda una eléctrica?
- El despliegue de Duke Energy ha sido de varios años, vinculado a su plan de capital de modernización de red más amplio, no a un proyecto puntual. Las eléctricas que parten de una base menos digitalizada deben esperar un despliegue gradual de varios años: primero sensores e interruptores, y la IA predictiva se va incorporando a medida que existen suficientes datos históricos y en tiempo real.
La red eléctrica de la próxima década no va a esperar a que una persona se dé cuenta de que se ha ido la luz. A medida que la detección impulsada por IA y la respuesta automatizada se conviertan en un criterio estándar en las revisiones tarifarias de las eléctricas, las compañías que todavía dependen de la llamada de un cliente para descubrir un apagón serán cada vez más la excepción, no la norma.