La Agencia Internacional de la Energía publicó el informe Key Questions on Energy and AI y casi toda la cobertura se quedó en la mitad ruidosa: los centros de datos. La otra mitad, la que habla de ahorro energético en la industria, apenas se ha contado.
Lo que vas a encontrar
- 950 TWh: lo que consumirán los centros de datos en 2030
- 13 exajulios de ahorro energético en procesos industriales
- Entre 3 y 10 puntos menos de coste energético
- El 40 % de los proyectos de IA agéntica se cancelará antes de 2028
- 563 proyectos de descarbonización industrial en Europa
- Por qué el ahorro energético no llega solo
- Qué significa esto en una planta real
- Modelos informados por física
- El calendario regulatorio de 2026
- Preguntas frecuentes
El informe se publicó el 16 de abril de 2026 y su primera mitad es la que ha circulado: los centros de datos pasarán de 485 TWh en 2025 a unos 950 TWh en 2030. La segunda mitad interesa mucho más a una fábrica.
Esa segunda mitad dice que aplicar inteligencia artificial a la optimización de procesos productivos puede recortar entre 3 y 10 puntos el coste energético y generar un ahorro energético superior a 13 exajulios en 2035, el equivalente al 3 % del consumo final de energía del planeta.
La IA va a consumir cerca del 3 % de la electricidad mundial y, bien aplicada, puede ahorrar el 3 % de la energía final mundial.Las dos mitades del mismo informe de la AIE
Aquí están las cinco cifras que conviene tener a mano en 2026 y, sobre todo, lo que hace falta para que ese ahorro energético llegue a una planta concreta y no se quede en una diapositiva.
01. 950 TWh: lo que consumirán los centros de datos en 2030
El consumo eléctrico de los centros de datos creció un 17 % en 2025 y el de los centros orientados a IA se disparó un 50 % en ese mismo año. La AIE proyecta que el consumo total se duplique hasta 950 TWh en 2030, alrededor del 3 % de la demanda eléctrica mundial.
El dinero acompaña esa curva. El gasto de capital de solo cinco tecnológicas superó los 400.000 millones de dólares en 2025 y la AIE espera que aumente otro 75 % en 2026. Es una cifra enorme, y explica por qué el debate público sobre IA y energía se ha convertido casi en un debate sobre refrigeración, redes y permisos de conexión.
Para una industria intensiva en energía, sin embargo, ese titular no cambia nada del día a día. Lo que cambia el día a día está en la cifra siguiente.
02. 13 exajulios de ahorro energético en procesos industriales
La AIE calcula que el despliegue generalizado de aplicaciones de IA ya existentes para optimizar procesos industriales podría suponer un ahorro energético de más de 13 exajulios en 2035. Son 13.000 millones de gigajulios: el 3 % del consumo final de energía mundial.
En el informe anterior, Energy and AI (abril de 2025), la agencia expresaba la misma idea de otra forma: el ahorro energético posible equivale a más que todo el consumo energético actual de México. Dos informes distintos, la misma conclusión.
Conviene subrayar el matiz que suele perderse: la AIE no habla de tecnología por inventar. Habla de aplicaciones existentes que hoy se usan en unas pocas plantas y que no se han generalizado. El cuello de botella del ahorro energético no es el algoritmo. Es el despliegue.
Clave para llevarte
El potencial no está en una tecnología futura. Está en desplegar en tu planta lo que ya funciona en otras.
03. Entre 3 y 10 puntos menos de coste energético
La horquilla que da la AIE para la optimización de procesos con IA es una reducción de entre 3 y 10 puntos porcentuales del coste energético. En una planta que factura 20 millones y dedica el 15 % a energía, cada punto de ahorro energético son 30.000 euros al año.
Esa horquilla encaja con lo que se ve en campo. Los lighthouses industriales analizados por McKinsey reportan un ahorro energético medio del 10 al 25 %, y casos concretos como el de Arçelik documentan un 20 %. El rango es amplio porque depende del proceso, no de la marca del software.
La conclusión práctica es simple: el ahorro energético se mide proceso a proceso. Un horno de recalentamiento, un compresor, una línea de secado y una planta de frío industrial tienen curvas distintas y márgenes distintos. Prometer un porcentaje único de ahorro energético para toda la fábrica es la primera señal de que alguien no ha mirado los datos.
04. El 40 % de los proyectos de IA agéntica se cancelará antes de 2028
Gartner previó que más del 40 % de los proyectos de IA agéntica se cancelarán antes de que acabe 2027, por costes crecientes, valor de negocio poco claro y controles de riesgo insuficientes. No es una cifra sobre la tecnología: es una cifra sobre cómo se están comprando estos proyectos.
El diagnóstico se repite en la industria. Según los datos de Deloitte recogidos por Manufacturing Dive, el 87 % de los fabricantes ha lanzado al menos un piloto de IA generativa y tres de cada cuatro empresas planean desplegar IA agéntica en dos años, pero solo una de cada cinco tiene el modelo de datos preparado para sostenerlo.
Traducido: hay muchos más pilotos que sistemas en producción. Y el motivo casi nunca es la capacidad del modelo, sino los datos silo a silo, la calidad de la señal y la distancia entre el departamento de operaciones y el de sistemas.
05. 563 proyectos de descarbonización industrial en Europa
El Centro de Innovación de la UE para la Transformación Industrial (INCITE), gestionado por el Centro Común de Investigación (JRC), identificó en junio de 2026 un total de 563 proyectos demostradores con técnicas innovadoras listas o cercanas al mercado para descarbonizar la industria intensiva en energía.
Tres sectores concentran el 65 % de esos proyectos: hierro y acero, cemento y cal, y química incluidos fertilizantes. Los dos primeros generan más del 40 % de las emisiones de gases de efecto invernadero de todas las industrias intensivas en energía de la UE.
La lectura para una pyme industrial es doble. Hay dinero y foco político en la descarbonización de procesos. Y hay un sesgo claro hacia proyectos de gran salto tecnológico (acero con hidrógeno, cementos con menos clínker) que dejan fuera a la mayoría de las plantas existentes, aquellas en las que el ahorro energético tiene que salir de los hornos que ya están instalados.
Por qué el ahorro energético no llega solo
El dato de planta manda
Un modelo que optimiza un proceso térmico necesita señales fiables: temperaturas, caudales, composición, tiempos de ciclo, calidad de salida. En muchas plantas esa información existe, pero está repartida entre el SCADA, el historiador, el ERP y una hoja de cálculo que mantiene una persona concreta.
Antes de hablar de modelos conviene revisar qué se mide, cada cuánto y con qué error. Lo hemos desarrollado en esta guía sobre datos industriales: sin trazabilidad de la señal no hay ahorro energético sostenible, solo un piloto bonito.
El modelo se degrada
Un análisis publicado en Nature (2022) sobre 128 modelos de aprendizaje automático encontró degradación del rendimiento con el tiempo en el 91 % de los casos. En una planta esto tiene nombre propio: cambia la materia prima, se cambia un quemador, se ajusta una consigna y el modelo deja de acertar.
Por eso el ahorro energético no es un proyecto que se entrega y se cierra. Es un sistema que se vigila, se reentrena y se audita. Quien vende un modelo sin plan de mantenimiento está vendiendo la mitad del problema.
Qué significa esto en una planta real
En Deduce Data Solutions trabajamos exactamente en esa franja: procesos térmicos existentes, plantas que ya están construidas y datos que no nacieron pensando en un modelo. El sistema GASAI, desarrollado con Reinosa Forgings & Castings, se orienta a reducir el consumo de gas natural en hornos industriales.
La validación industrial se hizo en los cinco hornos de una línea principal de forja, dentro del programa INNOVA de SODERCAN. El detalle técnico, el contexto regulatorio y las fuentes están en el caso Reinosa.
El contexto ayuda a entender por qué el gas es la palanca con más recorrido. Según Eurostat, el sector del hierro y el acero consumió 907 PJ en 2023, y el gas natural representa el 31,3 % del consumo energético industrial en la UE. En España, según el IDAE, la industria concentra el 52 % del uso de gas natural.
A eso se suma el precio del CO₂. Con los derechos de emisión moviéndose en el entorno de 70 a 100 euros por tonelada y el CBAM en marcha, cada punto de ahorro energético tiene hoy dos retornos: la factura y el derecho que no hay que comprar.
Cómo se aterriza un proyecto de ahorro energético con IA
Si las cifras de la AIE describen el potencial y las de Gartner describen el fracaso, la diferencia entre ambas está en el método. Este es el orden que funciona en industria pesada:
- Elegir un proceso, no una fábrica. Un horno, una línea, un compresor. Con consumo medible y con responsable identificado.
- Auditar la señal antes que el algoritmo. Qué sensores hay, con qué frecuencia registran, qué huecos tiene el histórico y qué error arrastra cada medida.
- Fijar la línea base con datos propios. Sin una línea base honesta, cualquier porcentaje de ahorro energético es indemostrable ante una auditoría o ante una ayuda pública.
- Incorporar la física del proceso. Los balances de energía y materia acotan lo que el modelo puede proponer y evitan consignas imposibles en planta.
- Validar en paralelo antes de tocar consignas. El modelo recomienda, el operador decide y se compara contra la operación habitual durante semanas, no días.
- Planificar el reentrenamiento desde el día uno. Con umbrales de alerta y responsable del seguimiento.
Ninguno de estos seis pasos exige sustituir el horno. Ese es justamente el punto: el ahorro energético que describe la AIE se consigue en instalaciones existentes, no solo en las plantas nuevas que copan los titulares.
Clave para llevarte
Un proyecto de ahorro energético sin línea base documentada no es un proyecto: es una demostración.
Modelos informados por física: por qué importan en un horno
Un modelo puramente estadístico aprende lo que ha visto. Si el histórico no contiene una situación, el modelo la extrapola sin criterio y puede proponer una consigna que viola un balance de energía o un límite metalúrgico. En un horno de recalentamiento eso no es un error de precisión: es una pieza defectuosa.
Las redes neuronales informadas por física (PINN, por sus siglas en inglés) incorporan las ecuaciones del proceso dentro del propio entrenamiento. El modelo no solo minimiza el error frente a los datos, también penaliza las soluciones que incumplen la física conocida: transferencia de calor, conservación de masa, cinética de combustión.
Esto tiene dos consecuencias muy prácticas para el ahorro energético. La primera es que se necesitan menos datos históricos para obtener un modelo utilizable, algo decisivo en plantas con instrumentación limitada. La segunda es que las recomendaciones son explicables ante un jefe de producción, porque se apoyan en magnitudes que él ya conoce y vigila.
La literatura académica sobre aprendizaje automático informado por física en fabricación ha crecido con fuerza en los últimos años, con revisiones específicas en procesos de conformado, tratamiento térmico y fabricación aditiva. Es, hoy por hoy, la vía más sólida para llevar la optimización energética a procesos donde el error tiene un coste físico.
IA agéntica y modelo de proceso no son lo mismo
Buena parte del ruido de 2026 viene de mezclar dos cosas distintas. Un agente conversacional que consulta manuales, redacta partes y coordina tareas resuelve un problema de información. Un modelo de proceso que anticipa la temperatura de un horno resuelve un problema físico. Se compran, se validan y se mantienen de forma diferente.
Es una distinción que explica la cifra de Gartner. Cuando una organización aplica a un problema físico el método de compra de una herramienta ofimática (piloto rápido, demostración vistosa, sin línea base), el proyecto acaba cancelado aunque la tecnología fuese adecuada.
Para un objetivo de ahorro energético, el punto de partida es siempre el proceso y su instrumentación. La capa conversacional puede venir después, y ayuda mucho en la operación diaria, pero no sustituye al modelo que entiende el horno.
El calendario regulatorio que empuja el ahorro energético
El contexto normativo de 2026 refuerza el caso económico. El Mecanismo de Ajuste en Frontera por Carbono (CBAM) entró en su fase definitiva el 1 de enero de 2026, con obligaciones de declaración y compra de certificados para las importaciones de sectores como el hierro, el acero, el cemento, el aluminio y los fertilizantes.
En paralelo, el Reglamento Europeo de Inteligencia Artificial es aplicable con carácter general desde el 2 de agosto de 2026. El paquete ómnibus digital aplazó las obligaciones de los sistemas de alto riesgo del anexo III al 2 de diciembre de 2027, y las de la IA embebida en productos regulados, como la maquinaria, al 2 de agosto de 2028.
Ese aplazamiento se ha leído como un respiro, pero conviene entenderlo bien: lo que se retrasa es la exigencia formal, no la necesidad de trazabilidad. Un sistema que actúa sobre consignas de planta necesita registro de decisiones, control humano y documentación del modelo, tanto para la futura auditoría como para justificar el ahorro energético ante una subvención.
En la práctica, las plantas que ya documentan su línea base y sus reentrenamientos llegarán a 2027 sin sobresaltos. Las que no, tendrán que reconstruir a posteriori un historial que nadie guardó.
Qué preguntar antes de firmar un proyecto
Estas cinco preguntas separan un proyecto de ahorro energético serio de una demostración bien montada:
- ¿Sobre qué línea base se va a medir el ahorro y quién la valida?
- ¿Qué señales concretas necesita el modelo y cuáles faltan hoy en la planta?
- ¿Cómo se comporta el sistema ante una situación que no está en el histórico?
- ¿Qué pasa cuando cambia la materia prima o se sustituye un equipo?
- ¿Quién se queda el modelo, los datos y la documentación al terminar el contrato?
Si las respuestas a estas cinco preguntas son claras y por escrito, el proyecto tiene muchas probabilidades de acabar en producción. Si son vagas, lo más probable es que engrose el 40 % de Gartner.
El hueco que deja el debate sobre los centros de datos
Hay una asimetría interesante en la conversación pública de 2026. El consumo de la IA se discute en cada portada; el ahorro energético que la IA puede provocar en la industria apenas aparece, pese a estar en el mismo informe y con un orden de magnitud parecido.
Esa asimetría tiene consecuencias prácticas. Un comité de dirección que solo ha leído los titulares asocia IA con coste energético y riesgo reputacional. Un comité que ha leído el informe completo la asocia también con una palanca de competitividad frente al CBAM y a la factura eléctrica.
La diferencia entre una lectura y otra son cinco cifras. Y, sobre todo, la disposición a mirar los datos de la propia planta antes de opinar sobre los de los demás.
¿Cuánto ahorro energético hay en tu proceso?
Revisamos contigo un proceso concreto, sus datos y su línea base antes de hablar de modelos.
Hablemos de tu plantaPreguntas frecuentes sobre el ahorro energético con IA
¿Cuánto ahorro energético es realista en un proceso térmico?
La AIE sitúa la reducción de coste energético entre 3 y 10 puntos; McKinsey documenta entre el 10 y el 25 % en plantas de referencia. En procesos de combustión con mucha variabilidad operativa, el margen de ahorro energético suele ser mayor. La única forma de saberlo es medir la línea base del proceso concreto.
¿Hace falta cambiar la maquinaria?
En la mayoría de los casos, no. El ahorro energético procede de operar mejor el equipo existente: consignas, secuencias, tiempos y anticipación. La inversión relevante suele estar en instrumentación puntual y en integración de datos, no en sustituir el horno.
¿Y si mis datos históricos son irregulares?
Es lo normal en instalaciones con décadas de vida. Un histórico con huecos no impide arrancar, pero condiciona el alcance de la primera fase y obliga a un periodo de captura antes de fijar compromisos de ahorro energético.
Seguir leyendo: eficiencia energética con IA · modelos predictivos para la industria · planificación operativa con IA
