El helio-3 (He-3) es un isótopo (un tipo de átomo) que se origina principalmente a partir del viento solar. Por eso en la Tierra, protegida por su atmósfera y su campo magnético, es un recurso tan escaso. En contraste, la Luna acumula en su superficie una vasta reserva de la que aún no se extrae ni un solo gramo, pero está en el objetivo de la explotación lunar por su potencial energético: podría usarse como combustible en reactores de fusión nuclear, además de ayudar a impulsar la industria de la computación cuántica.
Según datos del Programa Apolo combinados con los de la agencia espacial india, el satélite atesora un millón de toneladas. Sobre su rendimiento, las estimaciones son dispares, algunas afirman que 25 toneladas cubrirían la necesidad energética de Estados Unidos durante un año. Otras, que esa misma cantidad alimentaría Madrid ciudad por un lustro.
Interlune es una startup cofundada por dos exlíderes de Blue Origin, la empresa espacial que creó el magnate Jeff Bezos, con la colaboración de Harrison H. Schmitt, astronauta del Apolo 17. Aspira a ser la primera compañía minera del oro lunar, en una nueva versión de la carrera espacial donde compiten agencias como la china, que fue de hecho la descubridora del helio-3 en el satélite. Interlune asegura que pronto enviará una misión robótica para demostrar la viabilidad de su tecnología extractiva en una planta piloto. Que sea capaz de hacerlo, como anuncia, en esta década, es otro cantar.
Un cambio de paradigma energético
Sea cual sea la agencia estatal o la empresa privada que lo consiga, la IA jugará un papel clave para mejorar los procesos de extracción, manipulación, traslado y uso del helio-3 como fuente de energía sostenible, además de la supervisión y el mantenimiento de las instalaciones lunares. “Desempeña un papel relevante en el avance de la fusión, aunque para aprovecharla necesitamos controlar muchos procesos físicos que todavía no se dominan completamente”, explica Antonio Prieto, responsable de IA & Data en Energía, de Accenture. Por ejemplo, ya se utiliza para predecir inestabilidades en el plasma, es decir, el gas sometido a temperaturas de millones de grados para reproducir la fusión de núcleos atómicos que sucede de forma natural en el sol. La IA ayudaría a diseñar medidas preventivas para mantener ese plasma más controlado.
Hablamos de un sistema de generación que cambiaría el paradigma energético, aunque no deja de ser una posibilidad lejana. Otras más modestas proponen alternativas como el generador magnético asistido por IA, cuyo funcionamiento, según aseguró la empresa desarrolladora en la COP28 (Conferencia de las Partes en 2023) de Dubai, no produce emisiones ni necesita combustible fósil.
Frente a estas promesas, avanzan proyecciones realistas de la IA a partir de un presente tangible. Por ejemplo, la capacidad de predecir oferta, demanda e incluso fallos en las redes gracias a algoritmos que calculan cuándo un cable de alta tensión puede romperse y conviene repararlo o sustituirlo. Para lograrlo, procesan datos históricos y actuales del estado físico del cableado, la meteorología o imágenes de drones sobre la cantidad de árboles alrededor, que son una de las principales causas de apagones.
De hecho, según la consultora Indigo Advisory, la IA permite más de cincuenta usos posibles en el sector energético, y más de cien proveedores en el mundo la emplean en análisis y monitorización de patrones de consumo para optimizarlo, gestionar redes inteligentes, predecir tanto la demanda de electricidad como la producción eólica y fotovoltaica, mejorar cargas y descargas de baterías, buscar reservas de hidrocarburos o en sistemas la seguridad de instalaciones nucleares.
La IA podría jugar un papel clave en los procesos de extracción, manipulación y uso del helio-3 lunar como combustible en reactores de fusión, si bien es una posibilidad todavía lejana para las tecnologías nuclear y espacial
“Los algoritmos de aprendizaje automático revolucionan la industria energética impulsando la digitalización”, explica Eduardo González, socio responsable de Energía y Recursos Naturales de KPMG en España. Si esta versión predictiva deja huella, la IA generativa (GenIA) que aprende de patrones para producir contenido nuevo, promete “una revolución con impactos muy relevantes en toda la cadena de valor”, predice Prieto. El 38% de las tareas en las empresas energéticas tendrá alguna relación con esa GenIA, según Accenture.
“Ante una avería, los ingenieros y el personal técnico reciben recomendaciones sobre la causa raíz y los pasos a seguir para la reparación, incluyendo la consulta de recambios y la redacción automática de órdenes de trabajo. Incluso sugiere qué otras instalaciones pueden verse afectadas”, arguye Prieto.
El sector busca nuevas herramientas que le proporcionen eficiencia y capacidad predictiva frente al crecimiento de la demanda y de dispositivos conectados, como puntos de carga de vehículos o bombas de calor en una economía que se electrifica para reducir emisiones. Si antes las redes dirigían la energía desde centrales eléctricas centralizadas, ahora “unos sistemas cada vez más complejos” necesitan gestionar flujos multidireccionales entre los miles de generadores, la red y los usuarios, explica Vida Rozite, analista de Política Energética en la Agencia Internacional de Energía (AIE).
“El mundo avanza hacia una distribución más descentralizada”, agrega Francisco Boshell, jefe de Innovación en la Agencia Internacional de las Energías Renovables (Irena). Y hacia una generación más renovable: el 42,5% del consumo total de la Unión Europea, por ejemplo, debería provenir de fuentes limpias en 2030, objetivo que necesita precisamente pronosticar oferta y demanda, prevenir fallos y evitar interrupciones.
En este escenario, las tecnologías claves, según el experto de Irena, son internet de las cosas para recopilar y transferir datos, registros distribuidos como blockchain para asegurar transacciones económicas seguras y veloces, y sistemas IA para tomar decisiones rápidas y automáticas.
Uso predictivo
Por su parte, Google y su filial DeepMind desarrollaron una red neuronal que prevé la producción futura de su flota renovable eólica con hasta 36 horas de antelación. “No se puede eliminar la variabilidad del viento, pero nuestros primeros resultados sugieren que podemos utilizar el aprendizaje automático para que la energía eólica sea suficientemente más predecible y valiosa”.
La IA también allana el camino a empresas de hidrocarburos como Cepsa, una de las primeras en usar las soluciones de Amazon Lookout for Equipment. Este sistema recibe los datos de los sensores (presión, caudal, temperatura y potencia) de los equipos industriales en dos grandes refinerías españolas y entrena un modelo único de aprendizaje automático para predecir fallos en las máquinas. “Empleamos IA en prácticamente todas nuestras unidades de negocio, desde el ámbito industrial hasta las estaciones de servicio”, asegura David Villaseca, director de Digital de la empresa.
Además de predicción meteorológica a medio y largo plazo y mantenimiento predictivo de turbinas eólicas, Iberdrola usa robots y drones de inspección con sensores y sistemas IA, junto con herramientas que anticipan la demanda y asistentes domésticos para alertar sobre puntos de consumo excesivo.
Sostenible, insostenible o ni una cosa ni otra
El uso de aplicaciones IA influye en la propia demanda. Según la Agencia Internacional de Energía (AIE), el consumo mundial de electricidad en los centros de datos, donde a menudo se realizan los cálculos para los sistemas de IA, pasó de 200 teravatios-hora (TWh) en 2015 a entre 240 y 340 en 2022, equivalentes a un 1% o un 1,3% de la demanda final mundial de electricidad. Sin embargo, “de ese uso total, es probable que el aprendizaje automático sea menos de una cuarta parte”, explica Vida Rozite, analista de Política Energética en la AIE.
Esta experta señala la dificultad de medir la contribución exacta de la IA a la demanda global de electricidad y existen informes con conclusiones dispares. Para Alex De Vries, creador de la plataforma Digiconomist, su demanda de recursos (no solo energía, también agua para refrigerar los servidores) choca con la perspectiva sostenible. Se da la paradoja de que las soluciones de eficiencia energética a menudo se basan en IA, pero estos avances “pueden desencadenar un efecto rebote, escalando el uso de recursos en lugar de reducirlos”, afirma.
Según Irene Unceta, profesora del Departamento de Operaciones, Innovación y Data Sciences y directora académica del Bachelor in Artificial Intelligence for Business (BAIB), en Esade, “la IA puede ayudar a mitigar los efectos del cambio climático o incluso a adaptarnos a sus consecuencias”. Pero, a pesar de ello, cada vez tenemos más indicios de que no necesariamente es una tecnología sostenible en sí misma, “y no lo es por el brutal uso de recursos”. Para Rozite, controlar ese efecto pasa por acelerar el despliegue de energías renovables y otras soluciones energéticas bajas en carbono: “Así se reducirá el impacto de la demanda de energía digital a medida que la industria se expande”.