Los flujos de capital miran a la transición energética con prisa y cautela a la vez. La Agencia Internacional de la Energía indicó en 2024 que la inversión total en energía superará 3 billones de dólares, con 2 billones dirigidos a tecnologías limpias. Mucho dinero en juego y poco margen para fallar.
AI due diligence en energía significa validar con lupa la cadena completa de datos, modelos y decisiones que sustentan un parque solar, eólico, almacenamiento o hidrógeno. Desde el recurso y la curtailment prevista hasta la fiabilidad del proveedor de modelos, pasando por ciberseguridad y cumplimiento regulatorio. El objetivo : reducir incertidumbre antes de cerrar el financiamiento y proteger el valor en operación.
AI due diligence en energía : qué revisar desde el minuto cero
El punto de partida es claro: la IA solo aporta valor si los datos de entrada son trazables, limpios y representativos del sitio y la red. Lo contrario infla el P50, baja el P99 y encarece la deuda sin que nadie lo note a tiempo.
Una observación que se repite en cartera: los modelos aprenden con históricos de meteorología y operación, pero la red hoy actúa diferente. Caídas de tensión, restricciones de interconexión y precios negativos alteran los perfiles de despacho. Ignorar esta deriva lleva a previsiones de ingresos que luego no cuadran.
El problema se puede resolver integrando IA con física del sistema y reglas del mercado local. La validación cruzada con series independientes, pruebas de robustez ante eventos extremos y auditorías de sesgo evitan sorpresas. Y sí, se gana tiempo en cierre si el vendedor comparte bitácoras de datos y versiones de modelo desde la primera reunión.
Errores comunes y datos duros : de costes a cuellos de interconexión
La caída de costes puede engañar. La Agencia Internacional de Energías Renovables reportó que el coste medio global de la electricidad solar fotovoltaica a escala de red fue 0,049 dólares por kWh en 2022, un 89 por ciento menos que en 2010. Fuente : IRENA, informe de 2023. Con costes a la baja, se tiende a relajar el escrutinio del riesgo operativo.
Otro dato que presiona el modelo financiero: las colas de interconexión. El Laboratorio Nacional Lawrence Berkeley señaló en su informe de 2024 que la capacidad en colas de interconexión en Estados Unidos superó 2.600 gigavatios a cierre de 2023. Fuente : LBNL, «Queued Up 2024». Ese atasco introduce retrasos y recortes que una IA ingenua no anticipa.
Ejemplo concreto: un modelo de producción que no incorpora curtailment histórico por congestión local ni precios horarios del mercado subestima la variabilidad de ingresos. Cuando el banco aplica estrés, el apalancamiento cae. Aquí la IA bien entrenada mejora, siempre que se alimente con señales de red y de mercado de la zona de interconexion, no con promedios nacionales.
Regulación y gobernanza : NIST, ISO 42001 y la AI Act en el radar
El marco de riesgos reconoce buenas prácticas. El NIST publicó en 2023 su AI Risk Management Framework 1.0 con procesos para identificar, medir y mitigar riesgos en todo el ciclo de vida. Fuente : NIST, enero de 2023.
En 2023 se publicó la norma ISO 42001 que define sistemas de gestión de IA, útil para exigir a proveedores controles de calidad, seguridad y auditoría. Fuente : ISO, diciembre de 2023. Solicitar certificaciones o alineamiento con esta norma acelera la confianza entre contrapartes.
La Unión Europea aprobó en 2024 la AI Act con obligaciones graduales entre 2025 y 2026 para sistemas de alto riesgo, auditorías y trazabilidad incluida. Fuente : instituciones de la UE. Quien financia proyectos en Europa ya pide planes de gobernanza de modelos y registros de datasets, igual que pidió informes ESG tras la Taxonomía.
Checklist de AI due diligence para proyectos energéticos
Hay una ruta práctica que evita callejones. Conviene usarla en compras, refinanciaciones y entrada de nuevos inversores.
- Proveniencia de datos : contratos de acceso, licencias y bitácoras de calidad por variable y por sensor.
- Representatividad : validación espacial y temporal frente a series independientes y estaciones de referencia.
- Robustez del modelo : pruebas out of sample, estrés con eventos extremos y análisis de deriva de datos.
- Explicabilidad : métricas de importancia de variables y límites de actuación del modelo por escenario.
- Integración de red : curtailment histórico, precios horarios, colas de interconexión y reglas del operador local.
- Ciberseguridad y MLOps : control de versiones, acceso cero confianza, registros de inferencia y plan de respuesta.
- Gobernanza : alineamiento con NIST AI RMF e ISO 42001, comité interno y roles de segunda línea.
- Contratos : cláusulas de auditoría, niveles de servicio del proveedor y responsabilidad por errores de predicción.
La parte persuasiva llega con números del propio activo. Una revisión que compare P50 y P99 del modelo con series reales del nodo eléctrico y meteorología satelital reduce el rango de incertidumbre y mejora el apalancamiento. Cuando el sponsor comparte la trazabilidad completa, la prima de riesgo baja en la modelización del banco.
Hay un elemento que suele faltar y marca la diferencia: monitorizar en operación la deriva del modelo con la misma disciplina que un SCADA. Si la analitica detecta cambios en el patrón de viento o en los precios horarios, se recalibra y se renegocia el hedge si toca. Eso no cierra un informe bonito, pero salva un proyecto entero.