La IA y el nuevo cálculo energético de la industria manufacturera

Para la mayoría de las personas, la transición energética evoca imágenes de paneles solares, aerogeneradores y vehículos eléctricos. Aunque esas medidas son eficaces, pasan por alto el sector que más energía consume en todo el planeta: la industria. El sector industrial representó casi el 40% de la demanda energética final global, lo que supone la mayor proporción de todos los sectores de uso final.¹ Y, aunque la industria se está electrificando, no lo hace con la rapidez suficiente, ya que las tasas de electrificación globales se han estancado en torno al 20% (lo cual significa que alrededor del 80% de la demanda sigue dependiendo de los combustibles fósiles).²

Además, la industria también representa la mayor parte del crecimiento total de la demanda energética (alrededor de dos tercios), lo cual la convierte en un objetivo prioritario para las iniciativas destinadas a mejorar la eficiencia energética.³ En este contexto, está surgiendo una nueva generación de tecnologías, en particular la IA física, como factor clave que debería impulsar una mayor electrificación, eficiencia energética y seguridad energética (gracias a una menor dependencia de los combustibles fósiles) en todos los sectores, especialmente en la fabricación industrial.

La IA física supone un cambio radical para la tecnología industrial, ya que traslada la IA de los entornos digitales a las fábricas, los edificios y las redes eléctricas. Gracias a la combinación de la detección, la conectividad y la inferencia en tiempo real, las máquinas ahora perciben, deciden y actúan de forma autónoma en el mundo físico.

La implantación de la IA física avanza en tres fases. La primera, que incluye la automatización de «recogida y colocación», el mantenimiento predictivo y la detección industrial, ya se encuentra ampliamente implantada. El segundo, que se encuentra en fase de prueba activa, se centra en el diseño asistido por IA, la supervisión avanzada de procesos y los gemelos digitales. El tercero, situado en la vanguardia, implica la colaboración entre múltiples robots y personas, así como simulaciones de «modelos del mundo» en que la IA comprende las limitaciones físicas con la suficiente precisión como para gestionar de forma autónoma entornos industriales completos (véase la Figura 2). Entre un porcentaje de un solo dígito medio y uno de dos dígitos bajos de los ingresos de las principales compañías de automatización industrial ya incluyen funcionalidades de IA, y dicha tecnología está integrada en una proporción significativa de los nuevos productos que se lanzan al mercado.⁴

Las conversaciones mantenidas con compañías líderes en tecnología industrial revelan una carrera por hacerse con el control de la infraestructura física de IA, en que la gestión energética constituye una prioridad clave. Por ejemplo, Siemens* se está posicionando como la columna vertebral de la «IA para el mundo real». Su robot humanoide con ruedas, en un entorno real de fábrica de electrónica, alcanzó elevadas tasas de éxito en la realización autónoma de tareas en operaciones logísticas como la selección, el transporte y la manipulación de contenedores.⁵

El próximo «Digital Twin Composer» de la compañía combina la simulación Omniverse de Nvidia* con datos de ingeniería en tiempo real, lo cual permite crear entornos de metaverso industrial a gran escala en los que los agentes de IA simulan cambios en los procesos con precisión a nivel físico antes de que se realice cualquier modificación física.⁶ Las primeras pruebas piloto ya han logrado una validación del diseño casi completa y una reducción significativa de los gastos de capital.

El gigante industrial francés Schneider Electric* también está utilizando los procesadores de Nvidia y Omniverse para crear gemelos digitales de sistemas eléctricos avanzados. Estos modelos simulados muestran las necesidades energéticas desde la red eléctrica hasta los chips individuales, lo que permite planificar con precisión la distribución de la energía y la resiliencia a nivel de las instalaciones.⁷ El conglomerado industrial japonés Hitachi* ya utiliza agentes de IA para diagnosticar problemas en equipos industriales con gran precisión y tiempos de respuesta muy cortos. En las redes eléctricas, las inspecciones basadas en la IA han mejorado considerablemente la eficiencia operativa.⁸ Nexans*, una compañía francesa especializada en cables y transmisión de energía, está utilizando la IA de forma similar, integrando esta tecnología y sensores en toda la infraestructura de la red para mejorar la predicción de fallos y la optimización del flujo de energía en tiempo real.⁹

Aunque se trata de casos de uso distintos, todos ellos utilizan plataformas de «gemelos digitales» para generar simulaciones a partir de datos reales de la fábrica, IA integrada directamente en máquinas y equipos para permitir ajustes en tiempo real en la planta de producción (edge AI) y, finalmente, agentes autónomos de IA capaces de optimizar rápidamente los procesos productivos utilizando datos de toda la compañía. Cada capa de IA reduce el consumo energético y los residuos, y acerca la fabricación a un futuro con cero emisiones netas (véase la Figura 3).

Si la IA permite el procesamiento rápido de datos y la inferencia —el “cerebro”—, los actuadores de los robots pueden considerarse los “músculos”. Los actuadores, que convierten la energía en movimiento, son una dimensión de la eficiencia energética en fábricas de la que se habla poco, pero que está cobrando importancia rápidamente.

Todo robot industrial, todo brazo colaborativo y todo humanoide es, en última instancia, un conjunto de sistemas de control de movimiento (por ejemplo, actuadores, motores, cajas de engranajes y sistemas de accionamiento). El rendimiento energético de estos componentes se está convirtiendo rápidamente en un foco de inversión.

Los motores eléctricos de las articulaciones robóticas alcanzan una eficiencia de aproximadamente el 80% por sí solos, pero esa cifra se reduce a alrededor del 40% una vez que se tienen en cuenta las cajas de cambios y los sistemas de transmisión.¹⁰ Teniendo en cuenta una base instalada global de unos 4,3 millones de robots industriales,¹¹ las pérdidas energéticas totales serán considerables. La planificación de movimientos optimizada mediante IA constituye una potente herramienta para mejorar la eficiencia a medida que se actualiza el hardware. Por ejemplo, gracias a los gemelos digitales conectados a los robots industriales de Fanuc*, los ingenieros redujeron el consumo energético en un 74,8% en las operaciones de recogida y colocación.¹²

Los robots humanoides, que pueden contener docenas de actuadores, así como otros componentes que consumen energía, suponen un auténtico reto energético. Por ejemplo, el Optimus de Tesla, el Digit de Agility Robotics y el Apollo de Apptronik en Mercedes-Benz* solo funcionan entre dos y cuatro horas por carga, debido a las ineficiencias de los actuadores, la disipación de calor y las baterías con baja densidad energética.¹³

Eso reduce la productividad, la eficiencia y, en última instancia, la viabilidad económica de los robots humanoides en entornos industriales reales. Sin embargo, la respuesta del sector de la ingeniería se está acelerando. Los actuadores de accionamiento cuasidirecto (ACD) de última generación ofrecen relaciones par-peso entre tres y cinco veces superiores a las de los accionamientos armónicos convencionales,¹⁴ mientras que las nuevas tecnologías de engranajes magnéticos y los motores sin escobillas de alta eficiencia están elevando la eficiencia de los actuadores por encima del 90%.¹⁵

Las compañías que resuelven el problema energético de los actuadores —mediante un diseño avanzado de motores, electrónica de potencia y optimización del movimiento basado en IA— están creando una ventaja tecnológica decisiva en el corazón de la próxima era industrial.

El sector industrial consume el 40% de la demanda final de energía, lo que lo convierte en un objetivo ideal para tecnologías como la IA física, que prometen aumentar la eficiencia energética y reducir el desperdicio. Pero no se trata únicamente de adoptar la IA, ya que la próxima generación de líderes industriales se caracterizará por la eficiencia con la que implementen la IA física, combinando «cerebros» inteligentes con «músculos» que consumen mucha energía.

A nivel de fábrica, los «músculos» de la IA física —actuadores, motores y sistemas robóticos— son factores clave que impulsan la demanda energética, lo cual refuerza la necesidad de contar con procesos industriales y tecnologías de movimiento más eficientes. A medida que la industria manufacturera se electrifica y la automatización se basa cada vez más en la IA, el consumo de electricidad se está convirtiendo en un factor clave de competitividad.

Asimismo, los «cerebros» —los semiconductores, los modelos de IA y el software de control— determinan la eficacia con la que se utiliza esa energía, lo que sustenta la demanda de chips de bajo consumo, sistemas de control avanzados y software de optimización. Los sistemas de IA física requieren datos operativos del mundo real de alta calidad para optimizar su rendimiento en condiciones reales, y muchas compañías ya consolidadas que cuentan con datos y plataformas de fabricación están aprovechando esta oportunidad, asociándose con líderes en tecnología de IA para obtener una ventaja competitiva.

No obstante, la productividad impulsada por la IA también puede aplicarse a otros ámbitos que respaldan las operaciones de las fábricas, como la distribución y la gestión de la energía a través de redes inteligentes, el almacenamiento y la electrónica de potencia, que permiten un suministro eléctrico fiable y flexible. A medida que se amplía la integración de la IA, la exposición a largo plazo de la estrategia Smart Energy en toda la cadena de valor energética ayudará al equipo a identificar qué compañías están mejor posicionadas para integrar y aplicar tecnologías de IA con el fin de optimizar los flujos de energía y el crecimiento futuro.


*Todas las compañías mencionadas en este artículo se citan únicamente a título ilustrativo, con el objetivo de ilustrar la estrategia de inversión en la fecha indicada. Las compañías no pertenecen necesariamente a la estrategia ni se garantiza su inclusión en el futuro. No se trata de una recomendación de compra, venta o conservación, ni debe hacerse inferencia alguna sobre la evolución futura de las compañías.

Notas al pie

¹ Sitio web de la AIE, «Industria — Eficiencia energética 2025».
² AIE, Perspectivas energéticas mundiales 2025
³ AIE, Informe sobre el mercado de la eficiencia energética, noviembre de 2025. El consumo final total en 2024 superó los 450 EJ y ha aumentado en unos 25 EJ desde 2019. El sector industrial representa la mayor parte de esta demanda, con casi un 40%. El sector industrial registró el mayor crecimiento desde 2019, aportando dos tercios del incremento total de la demanda energética global.
⁴ Análisis de la compañía Robeco; información facilitada en la Feria de Hannover de 2025. Productos con IA integrada: representan entre un porcentaje de un solo dígito medio y uno de dos dígitos bajos de los ingresos de las principales compañías de automatización industrial.
⁵ Análisis de la compañía Robeco; información facilitada por la dirección de Siemens en la Feria de Hannover de 2025. Un robot humanoide con ruedas realizó tareas de recogida, transporte y manipulación de forma autónoma en una fábrica real.
⁶ Análisis de la compañía Robeco; anuncio de Siemens sobre Digital Twin Composer, 2025. Su lanzamiento está previsto para mediados de 2026 a través de Siemens Marketplace y se ha desarrollado sobre la base de NVIDIA Omniverse.
⁷ Análisis de la compañía Robeco; información sobre Schneider Electric, AVEVA y NVIDIA. Gemelo digital «de la red al chip» modelado con el software ETAP.
⁸Análisis de la compañía Robeco; información sobre la gestión de Hitachi. Sistemas de diagnóstico basados en IA implementados en equipos industriales y redes eléctricas.
⁹ Análisis de la compañía Robeco; información facilitada por la dirección de Nexans. Análisis basados en IA para la predicción de fallos y la optimización de la red en tiempo real.
¹⁰ Qviro, análisis técnico citado en Articsledge, «AI Humanoid Robots 2026», 2026.
¹¹ Federación Internacional de Robótica, World Robotics 2024.
¹² Springer Nature, «Digital Twin-Based Self-Learning Decision-Making Framework for Industrial Robots», IJAMT, junio de 2025. FANUC ER-4iA pick-and-place: 74.79% energy reduction via Bayesian optimization.
¹³ GlobalSpec, «Humanoid Robots Are Tripping Over Their High Energy Demands», septiembre de 2025. Tiempos de ejecución actuales: de 2 a 4 horas por carga.
¹⁴ Intel Market Research, «Humanoid Robot Rotary Actuator Market Outlook 2025–2032», 2025. Actuadores ACD: una relación par-peso entre 3 y 5 veces superior a la de los accionamientos armónicos.
¹⁵ Intel Market Research, 2025. Los motores sin escobillas y la tecnología de engranajes magnéticos elevan la eficiencia de los actuadores por encima del 90%.
¹⁶ McKinsey & Company, «Turning humanoid supply chain constraints into billion-dollar wins», abril de 2026.