La inteligencia artificial ya contribuye a la sostenibilidad con aplicaciones concretas, medidas y fechadas: amplía la capacidad de la red eléctrica española, predice el tiempo con una fracción de la energía que exige un superordenador, detecta incendios antes de que nadie llame a emergencias y localiza fugas de metano desde el espacio. No son promesas: cada caso de esta lista tiene nombre propio, cifra y año. Y conviene decirlo desde el principio: la propia IA consume electricidad y agua, un «lado B» que analizamos en detalle en cómo impacta la IA en el medio ambiente. Este artículo se centra en el catálogo de aplicaciones positivas verificadas, y cada una de las 10 formas sigue el mismo patrón: cómo funciona, un despliegue real con resultado medido y el límite honesto de lo que no resuelve.

Las 10 formas de un vistazo

Esta tabla resume las 10 aplicaciones que desarrollamos a fondo, con su despliegue más sólido y su límite.

Cada cifra de este artículo está fechada y atribuida a su fuente, con enlace. Cuando algo es una proyección o un despliegue sin resultados publicados, lo marcamos tal cual.

1. Energías renovables y red eléctrica: más capacidad sin construir líneas

Cómo funciona: predicción de producción y capacidad dinámica en tiempo real

La IA actúa aquí en dos frentes. El primero es la predicción: modelos que anticipan cuánta electricidad producirán el viento y el sol y cuánta se va a demandar, para casar ambas curvas con menos respaldo fósil. El segundo es el Dynamic Line Rating (DLR): sensores instalados en las líneas de alta tensión que, combinados con algoritmos, calculan en tiempo real cuánta electricidad admite cada línea según el viento y la temperatura reales, en lugar de aplicar supuestos fijos y conservadores.

Despliegues medidos: Red Eléctrica (+30 % de capacidad) y la eólica de DeepMind (+20 %)

El caso español es de los más sólidos. Red Eléctrica ha desplegado más de 750 dispositivos DLR que combinan sensores, estaciones meteorológicas, comunicaciones IoT y algoritmos de IA. Resultado medido: hasta un 30 % más de capacidad en las líneas en condiciones favorables, lo que permite integrar más renovables sin tender nuevas líneas, según la nota oficial de REE del 9 de julio de 2024. El proyecto se enmarca en la Planificación Eléctrica 2021-2026, con Elewit, Amazon AWS y Telefónica Tech. Analizamos este despliegue a fondo en IA y energías renovables en España.

La referencia canónica internacional es la red neuronal que DeepMind aplicó a 700 MW eólicos en el centro de EE. UU.: predice la producción con 36 horas de antelación y recomienda compromisos de entrega a la red, elevando el valor de esa energía eólica en torno a un 20 %. Aclaración necesaria: ese dato es de febrero de 2019; sigue siendo la cifra de referencia, no un resultado nuevo.

Lo más reciente: Google alcanzó en marzo de 2026 1 GW de capacidad de demand response firmada con eléctricas de EE. UU., desplazando cargas de machine learning de sus centros de datos en horas de estrés de la red, según su anuncio del 19 de marzo de 2026, con un antecedente verificado en tres eventos de emergencia con la eléctrica OPPD en 2024. También existe la alianza PJM-Tapestry (abril de 2025) para acelerar con IA la conexión de nueva generación en una red que sirve a 67 millones de personas, con más de 2.600 GW esperando cola a finales de 2023 en EE. UU.; es un despliegue en curso, todavía sin resultados medidos publicados.

Límite honesto: la IA no construye redes ni almacena electricidad

El +30 % de REE solo aplica «en condiciones favorables»: cuando el viento refrigera los cables. La IA exprime la red existente, pero no sustituye el almacenamiento ni las nuevas interconexiones, y no resuelve por sí sola los vertidos de renovables (curtailment).

2. Predicción meteorológica y climática: de horas de superordenador a minutos

Cómo funciona: modelos entrenados con 40 años de reanálisis

La predicción tradicional resuelve las ecuaciones de la atmósfera en superordenadores durante horas. Los modelos de IA hacen otra cosa: aprenden patrones de unos 40 años de reanálisis ERA5 del Centro Europeo (ECMWF) y generan predicciones en minutos, con una fracción mínima de la energía.

Resultados medidos: GraphCast, GenCast y el AIFS europeo ya operativo

GraphCast (DeepMind, publicado en Science el 14 de noviembre de 2023) superó al modelo HRES del ECMWF en más del 90 % de 1.380 variables (99,7 % en la troposfera), genera una predicción global a 10 días en menos de un minuto con una sola TPU v4 y anticipó la llegada a tierra del huracán Lee con unos 9 días, unos 3 días antes que los métodos tradicionales; su código es abierto. Su sucesor probabilístico, GenCast (Nature, 4 de diciembre de 2024), trabaja con conjuntos de más de 50 escenarios y superó al sistema ENS del ECMWF en el 97,2 % de 1.320 combinaciones (99,8 % a más de 36 horas), produciendo un conjunto completo a 15 días en unos 8 minutos con una TPU v5.

El salto decisivo es europeo: el AIFS del ECMWF es operativo desde el 25 de febrero de 2025, funcionando junto al modelo físico IFS. Según la nota oficial del ECMWF, logra hasta un 20 % de mejora en trayectorias de ciclones tropicales y consume unas 1.000 veces menos energía por predicción, con una malla de 28 km y asimilando unos 60 millones de observaciones de satélite cada 6 horas. Ampliamos este salto en IA y cambio climático.

Vigilancia climática: metano (MARS) y el gemelo digital europeo DestinE

El sistema MARS del observatorio de metano de la ONU (UNEP/IMEO), plenamente operativo desde 2024, usa IA para detectar fugas por satélite: identificó el 80-85 % de las detecciones confirmadas antes de la revisión experta y ha contribuido a más de 40 acciones de mitigación; las fuentes mitigadas emitían unos 1,2 millones de toneladas de metano, comparable a retirar casi 24 millones de coches, según UNEP (15 de julio de 2026). En paralelo, Destination Earth, el gemelo digital de la Tierra de la Comisión Europea, lanzó su primer sistema en junio de 2024, está en Fase 3 desde julio de 2026 y su gemelo climático produce proyecciones con granularidad local de 5-10 km.

Límite honesto: sin observaciones ni modelos físicos no hay IA meteorológica

Estos modelos se entrenan con reanálisis producidos por modelos físicos y con observaciones reales (satélites, boyas, radiosondas): no los sustituyen. La malla de 28 km del AIFS sigue siendo gruesa para capturar fenómenos locales. Y en España, AEMET prioriza la IA en su Plan Estratégico 2025-2029 (junio de 2025), pero no publica ninguna cifra medida de mejora atribuible a la IA: lo decimos tal cual.

3. Agricultura de precisión y riego: menos agua y fertilizante por cosecha

Cómo funciona: sensores, satélite y recomendaciones de fertirriego

Frente a los calendarios fijos de riego y las recomendaciones genéricas por tipo de cultivo, la agricultura de precisión decide con datos: sensores de humedad en el suelo y en la planta, imágenes de satélite y modelos que cruzan todo ello con la meteorología para recomendar cuándo y cuánto regar y fertilizar en cada parcela. El objetivo no es regar menos por sistema, sino aportar exactamente lo que el cultivo necesita ese día. En nuestra guía de riego inteligente con IA explicamos cómo aplicarlo.

Resultados medidos en España: LIFE TRIPLET y el 10 % realista de FENACORE

El caso de referencia está liderado desde España. El proyecto europeo LIFE TRIPLET, liderado por la Universidad Politécnica de Cartagena, aplica sensores, modelos e IA de fertirriego en 18 cultivos, 280.000 hectáreas y tres cuencas (Guadiana, Júcar y Segura). Sus resultados, publicados por la UPCT el 8 de julio de 2026: un 15 % de ahorro de agua frente al riego habitual del agricultor —y un 40 % frente a las recomendaciones FAO—, 12 % menos fertilizante, 40 % menos huella de carbono y 37 % menos huella hídrica. Su primer resultado (febrero de 2025) fue un 30 % de ahorro en uva de mesa en Totana (Murcia). La Comisión Europea lo financia con 3 millones de euros, con socios como IMIDA, Aquatec, AZUD, Agbar, Cetaqua y FENACORE.

Conviene un contraste. El Grupo de Trabajo de IA de la propia FENACORE, la federación nacional de comunidades de regantes, cifra en «hasta un 10 %» el ahorro de agua alcanzable con IA sin comprometer la producción (Plataforma Tierra, febrero de 2025). La brecha con el 30 % del piloto se explica sola: un ensayo es una parcela instrumentada y supervisada por técnicos; la escala real son explotaciones heterogéneas, infraestructuras antiguas y distinta formación digital. La cifra prudente es, precisamente, la creíble.

El ecosistema español va más allá de un proyecto: Hispatec presentó en Fruit Attraction 2025 su asistente de IA Margaret sobre WhatsApp, con más de 650 empresas y cooperativas clientes declaradas; la soriana Agerpix cuenta fruta en el árbol con una precisión declarada del 90-95 %; y España tiene un nodo de 5 millones de euros —Córdoba, A Coruña y Lleida— en AgriFoodTEF, el mayor proyecto europeo de IA agroalimentaria, dotado con 60 millones (MAPA, 2024). Ampliamos el panorama en IA y agricultura sostenible.

Límite honesto: coste, brecha digital y ensayos que no son toda la agricultura

La inversión inicial en sensores y la conectividad rural siguen frenando la adopción. Las cifras de ensayo no se trasladan automáticamente a cualquier finca. Y parte de los datos —los de Agerpix o Hispatec— son declaraciones de empresa, no auditorías independientes.

4. Gestión del agua: encontrar las fugas que nadie ve

Cómo funciona: contadores conectados, sensores acústicos y modelos predictivos

Las redes urbanas pierden parte del agua que transportan, y muchas de esas fugas nunca afloran a la superficie. La IA ataca el problema por tres frentes: la telelectura masiva de contadores detecta consumos anómalos que delatan fugas; los sensores acústicos «escuchan» el sonido característico del agua escapando de una tubería; y los modelos de machine learning predicen qué tramos de red fallarán antes, para renovar primero donde más importa.

Resultados medidos: Canal de Isabel II, El Prat, Gandía y Thames Water

El mayor despliegue español es el de Canal de Isabel II en Madrid, que superó el millón de contadores con telelectura: sus datos generaron más de 84.000 avisos por consumo anómalo en dos años y medio, más de 75.000 reparaciones y un ahorro estimado de 17 hm³, más del 3 % del consumo regional; la meta son 1,6 millones de contadores antes de que acabe 2026 (RETEMA, diciembre de 2025). La telelectura genera 1.460 veces más datos que la lectura bimestral, y la empresa usa además drones con IA para inspeccionar los más de 16.000 km del alcantarillado madrileño (IndustriAmbiente, 2024). Repasamos este y otros despliegues en IA y gestión del agua en España.

En El Prat de Llobregat, los 165 sensores acústicos desplegados por Adasa con la IA de FIDO Tech en 18,6 km de red detectaron seis fugas —dos de gran tamaño— que los métodos convencionales no habían localizado (agosto de 2024). En Barcelona, REPIPE (Aigües de Barcelona con el Barcelona Supercomputing Center y Cetaqua) predice la probabilidad de fallo en más de 130.000 tramos y 4.800 km de red metropolitana (marzo de 2026). Y en Gandía, GoAigua (Idrica-Global Omnium) declara un 20 % menos de agua no facturada y un 15 % menos de consumo energético con unos 40.000 contadores IoT; es un caso de éxito corporativo y conviene leerlo como tal.

La referencia internacional es Thames Water (Londres): un ensayo de 18 semanas con la startup Origin Tech localizó más de 800 fugas y ahorró unos 8,7 millones de litros al día, y en 2026 la compañía firmó un contrato de 13 meses con el objetivo de reducir 100 millones de litros diarios. En otro ensayo, la IA de FIDO analizó 35.000 ficheros acústicos en 2,5 horas con más de un 92 % de precisión y acertó las 13 excavaciones que ordenó (caso publicado por el propio proveedor).

Límite honesto: detectar fugas no renueva tuberías ni llena embalses

La IA localiza pérdidas, pero renovar tuberías sigue costando años y millones: el rendimiento de la red metropolitana de Barcelona es del 86 %, y subirlo exige obra, no solo algoritmos. Y en una sequía estructural, reducir fugas ayuda pero no crea recurso: la escasez es un problema de planificación hidrológica, no de modelos.

5. Biodiversidad y conservación: censar especies y vigilar la pesca ilegal

Cómo funciona: visión artificial sobre cámaras trampa, radar y satélite

Las cámaras trampa generan millones de imágenes que ningún equipo humano podría revisar; los modelos de visión artificial las clasifican por especie en horas. Y en el mar, la IA cruza imágenes de radar de satélite (SAR), que detecta buques aunque apaguen sus transmisores, con las posiciones AIS emitidas, para destapar a los pesqueros que faenan «a oscuras».

Resultados medidos: TropiCam-AI del CSIC, SpeciesNet y Global Fishing Watch

Hay ciencia española en primera línea: TropiCam-AI, del Museo Nacional de Ciencias Naturales (MNCN-CSIC), identifica con un 95 % de precisión 84 grupos taxonómicos de mamíferos y aves del dosel neotropical, entrenado con más de 180.000 imágenes de cámaras trampa y unas 54.000 de iNaturalist, y publicado en Methods in Ecology and Evolution (febrero de 2026). A escala global, SpeciesNet, el modelo abierto de Google, se entrenó con más de 65 millones de imágenes, detecta el 99,4 % de las que contienen animales y acierta la especie en el 94,5 % de los casos en que la asigna, procesando unas 30.000 imágenes al día en un simple portátil (marzo de 2026). La plataforma Wildlife Insights, con un modelo entrenado con más de 35 millones de imágenes etiquetadas, reconoce 1.295 especies.

En el océano el efecto ya se mide: un estudio en Science (julio de 2025), con IA de Global Fishing Watch sobre radar SAR y 5.000 millones de posiciones AIS, halló que el 78,5 % de las 1.380 áreas marinas protegidas analizadas no registró pesca industrial, y que las AMP con protección fuerte tuvieron nueve veces menos buques por km² que las costas no protegidas. En el Parque Nacional Isla del Coco (Costa Rica), con vigilancia asistida por estos datos, las horas de pesca aparente cayeron de 5.587 horas-buque entre enero y agosto de 2023 a 67 horas en el mismo periodo de 2024 (WildAid).

Límite honesto: identificar especies no es protegerlas

El tamaño del hueco lo midió la propia Global Fishing Watch en Nature en 2024: el 75 % de los buques pesqueros industriales del mundo no está rastreado públicamente, y dentro de las AMP el AIS no capta alrededor del 90 % de las detecciones de radar, según el propio estudio de Science. Censar especies y vigilar buques informa la protección, pero no la ejecuta: sin guardas, sanciones y hábitats conservados, un censo perfecto solo documenta mejor el declive.

6. Incendios forestales: ganar minutos cuando el fuego aún es pequeño

España tiene motivos de sobra para tomarse en serio esta tecnología: 2025 fue el peor año de incendios en tres décadas, con 354.793 hectáreas quemadas y unos 5.000 millones de euros de pérdidas (Navarra Información, julio de 2026). El valor de la IA aquí es concreto: recortar los minutos entre ignición y despacho de medios.

Cómo funciona: cámaras, sensores y satélites que buscan humo y calor

La detección temprana combina tres capas. Cámaras terrestres con visión artificial entrenada para distinguir una columna de humo de la niebla o el polvo; sensores IoT en el monte que avisan de condiciones anómalas; y satélites de infrarrojos capaces de localizar focos de calor todavía pequeños. Ninguna de las tres apaga nada: solo adelantan la alerta.

Resultados medidos: ALERTCalifornia, FireSat y los proyectos españoles de 2026

La referencia mejor documentada es ALERTCalifornia, la red de unas 1.240 cámaras con IA de la Universidad de California en San Diego y CAL FIRE: en sus dos primeros meses identificó correctamente 77 incendios antes de que llegara ninguna llamada al 911, según ASCE. En paralelo, Pano AI trabaja ya con bomberos de 10 estados del oeste de EE. UU., 5 estados de Australia y una provincia de Canadá.

La nueva generación es satelital. FireSat —alianza de Google Research, Earth Fire Alliance y Muon Space— lanzó su satélite de prueba el 14 de marzo de 2025 y sus tres primeros satélites operativos el 7 de julio de 2026; el piloto ya ha detectado fuegos pequeños invisibles para los satélites existentes. El sistema está diseñado para ver incendios de solo 5×5 metros, y la constelación completa —unos 50 satélites a principios de la década de 2030— revisitará cada punto del planeta cada 20 minutos. Google.org ha aportado más de 15 millones de dólares.

En España hay dos movimientos en 2026, a leer con cautela. Allianz Seguros y la startup Satellites on Fire monitorizan más de 50 millones de hectáreas este verano; el proyecto declara recortar unos 35 minutos la detección, identificar hasta un 30 % más de incendios y reducir un 40 % los falsos negativos; son cifras del propio proyecto, sin auditoría independiente. En lo municipal, Olocau (Valencia) ha desplegado Bseed WATCH: sensores forestales IoT conectados por la red Sigfox, cámaras de detección y verificación, análisis de imágenes con IA y detección satelital.

Límite honesto: detectar antes no es apagar

La IA no extingue incendios. Una vez detectado el foco, todo depende de los medios disponibles, del viento y del combustible acumulado en el monte. Los falsos positivos, además, cuestan salidas reales de medios reales. Y no todo lo que suena a despliegue lo es: el piloto documentado de Telefónica con drones e IoT data de 2019, y entre 2024 y 2026 no consta un despliegue verificado, solo contenido divulgativo: parte del discurso va por delante de la realidad.

7. Reciclaje y economía circular: ver cada objeto en la cinta

Cómo funciona: visión artificial en plantas y básculas inteligentes en cocinas

En una planta de reciclaje, cámaras montadas sobre las cintas clasifican en tiempo real cada objeto que pasa: de qué material es y cuánto flujo se pierde hacia vertedero. Con esos datos, robots o ajustes de proceso recuperan más material. En cocinas profesionales, básculas con cámara identifican qué comida acaba en el cubo y cuánto cuesta, para corregir compras y producción.

Resultados medidos: Greyparrot, AMP Robotics y el 54 % de IKEA con Winnow

Greyparrot detectó 40.000 millones de objetos de residuos en 2024, con más de 140 unidades en 55 plantas de 20 países, y en julio de 2026 superó el billón de detecciones acumuladas —un millón de millones— tras cerrar una ronda de 27 millones de dólares. Las plantas que usan sus datos reportan mejoras de eficiencia del 10 al 30 %, con un caso de más de 2 millones de dólares de ahorro anual; son cifras del proveedor. En nuestro análisis de Greyparrot y Winnow ampliamos ambos casos.

AMP Robotics acumula más de 400 sistemas de IA instalados, más de 150.000 millones de objetos identificados y más de 2,5 millones de toneladas clasificadas. Su apuesta mayor es una planta con IA totalmente integrada en Commerce City (Colorado), de 62.000 toneladas al año, con puesta en servicio prevista para principios de 2026. La empresa declara recuperar más del 90 % de los materiales reutilizables con un coste un 30-50 % inferior al de una planta tradicional, cifras propias recogidas por Fortune.

El mejor resultado medido de todo este artículo está en el desperdicio alimentario: IKEA (grupo Ingka) redujo un 54 % el desperdicio de comida con Winnow Vision en unas 400 tiendas de más de 30 países, salvando más de 20 millones de comidas y evitando 36.000 toneladas de CO2e, según la propia Ingka. Con las fechas en la mano: el hito se alcanzó a finales de 2021, nueve años antes del objetivo de la ONU para 2030. IKEA UK ahorró más de 14 millones de libras en una década; los demás casos de Winnow (50-80 % en hoteles) son cifras del proveedor.

Límite honesto: clasificar mejor no reduce lo que generamos

La visión artificial optimiza el final de la tubería. No reduce la cantidad de residuos que generamos, no arregla el ecodiseño de los envases y no crea mercados para el material recuperado. Y hay un sesgo estructural: casi todas las cifras del sector las publican los propios proveedores, y así deben leerse — datos de parte, no auditorías.

8. Edificios y ciudades: grados de refrigeración y semáforos en verde

Cómo funciona: optimizar climatización y tráfico con los datos que ya existen

En edificios, los modelos ajustan refrigeración y calefacción a la ocupación real y a la meteorología prevista, en lugar de trabajar con consignas fijas. En ciudades, la IA recalcula los ciclos de los semáforos con datos de tráfico ya disponibles, sin instalar hardware nuevo. La materia prima son datos que ya existían: la novedad es explotarlos.

Resultados medidos: el -40 % de DeepMind y Green Light en 20 ciudades

El caso más citado del sector merece más rigor del que recibe. DeepMind redujo un 40 % la energía de refrigeración de los centros de datos de Google, equivalente a un 15 % menos de overhead de PUE. Dos matices que casi nunca acompañan al titular: la cifra es de julio de 2016, y ese 40 % se refiere a un subsistema —la refrigeración—, no al consumo total del edificio. Como referencia sectorial actual, la IEA estima en su informe «Energy and AI» (abril de 2025) en torno a un 10 % de ahorro alcanzable con climatización optimizada en edificios.

En tráfico urbano, Green Light (Google Research) genera recomendaciones para los semáforos a partir de las tendencias de conducción de Google Maps: hasta un 30 % menos de paradas y un 10 % menos de emisiones de gases de efecto invernadero en los cruces optimizados. Está activo en 20 ciudades de cuatro continentes —Hamburgo, Mánchester, Boston, Calcuta o Yakarta—, con ahorro de combustible en hasta 47 millones de trayectos al mes. No requiere hardware adicional: los ingenieros municipales aplican los cambios sobre la infraestructura semafórica existente en unos 5 minutos.

Límite honesto: porcentajes grandes sobre bases pequeñas

El 10 % de Green Light se mide en los cruces optimizados, no en toda la ciudad; solo Boston supera los 100 cruces optimizados. Entre las ciudades que Google destaca públicamente no aparece, de momento, ninguna española. Y la propia IEA advierte de barreras de adopción y efectos rebote: un porcentaje logrado en un piloto no se traslada entero a la escala de una ciudad o de un parque completo de edificios.

9. Logística y transporte: menos kilómetros para el mismo paquete

En el reparto de mercancías, el ahorro empieza antes de arrancar el motor: si un modelo acierta al prever qué se va a comprar y dónde, el producto espera en un almacén cercano y recorre menos kilómetros hasta el portal.

Cómo funciona: previsión de demanda, rutas y flotas coordinadas

La IA logística opera en tres capas. Primero, modelos de previsión de demanda que deciden en qué almacén colocar cada artículo para acercar el inventario al comprador. Segundo, optimizadores de ruta que calculan el orden de paradas con datos de tráfico reales. Tercero, coordinación de flotas robóticas en el almacén, para que preparar cada pedido exija menos movimientos y menos energía.

Resultados medidos: Amazon, Google Maps y las estelas de American Airlines

El caso mejor documentado es Amazon. Según su Sustainability Report 2024, la combinación de machine learning e inventario regionalizado redujo casi un 10 % interanual la distancia que recorren los artículos entre sus centros de EE. UU. y los clientes en el primer semestre de 2024. Su modelo de previsión de demanda mejora un 10 % las previsiones nacionales y un 20 % las regionales, y DeepFleet coordina desde julio de 2025 su flota robótica en más de 300 instalaciones con una mejora del 10 % en el tiempo de desplazamiento de los robots. Matiz necesario: son cifras de la propia Amazon, sin auditoría independiente.

Fuera del almacén, Google declara que el enrutamiento eficiente de Google Maps evitó más de 2,4 millones de toneladas de CO2e desde octubre de 2021 (dato a noviembre de 2023). En aviación, pilotos de American Airlines redujeron un 54 % las estelas de condensación siguiendo mapas de predicción con IA: fue una prueba, no operación regular. Como referencia sectorial, la IEA estima que las rutas y la conducción eficientes aportan entre un 5 % y un 10 % de eficiencia al transporte.

Y un ejercicio de honestidad frente al marketing logístico: DHL Freight usa la herramienta de rutas RAPTOR, pero su artículo oficial de julio de 2025 no publica cifras medidas de ahorro; y su algoritmo Greenplan declara hasta un 20 % de ahorro en costes, pero esa nota es de junio de 2020. Cuando un porcentaje circula sin fecha, lo correcto es decirlo.

Límite honesto: optimizar el reparto no descarboniza el camión

Menos kilómetros con el mismo motor diésel es un ahorro incremental: sin electrificar las flotas, el techo es bajo. Y acecha el efecto rebote que advierte la propia IEA: si optimizar abarata el envío, el volumen total de envíos puede crecer y comerse parte del ahorro. Los casos españoles de Correos, todavía sin resultados medidos, se recogen en el mapa de España de más abajo.

10. Ciencia de materiales y descubrimiento científico: acortar décadas de laboratorio

Encontrar una batería con menos litio o un absorbente barato de CO2 exigía décadas de ensayo y error. La IA no elimina el laboratorio, pero cambia dónde empieza el trabajo.

Cómo funciona: cribar millones de candidatos antes de tocar una probeta

Los modelos predicen la estabilidad y las propiedades de compuestos que nadie ha sintetizado aún, y reducen el espacio de búsqueda de millones de fórmulas posibles a unas decenas de candidatos que sí merecen pasar al laboratorio. El experimento sigue siendo obligatorio; lo que cambia es cuántos callejones sin salida se descartan antes.

Resultados medidos: GNoME y su controversia, baterías, captura de CO2 y fusión

El hito más citado es GNoME (Google DeepMind, publicado en Nature el 29 de noviembre de 2023): predijo 2,2 millones de cristales nuevos, 380.000 de ellos estables, incluidos 528 posibles conductores de litio; investigadores externos ya habían sintetizado de forma independiente 736 de esas estructuras. En paralelo, el laboratorio autónomo A-Lab de Berkeley sintetizó 41 materiales en 17 días guiado por IA. La otra cara existe y hay que contarla: el análisis de Cheetham y Seshadri en Chemistry of Materials (abril de 2024) concluyó que, de los compuestos examinados, casi ninguno era a la vez creíble, nuevo y útil según criterios químicos.

En baterías, Microsoft y el laboratorio PNNL cribaron más de 32 millones de candidatos a electrolito hasta quedarse con 23 en unas 80 horas, y probaron en laboratorio un electrolito sólido que podría reducir el uso de litio hasta un 70 % (enero de 2024). MatterGen (Microsoft, Nature, enero de 2025) diseñó el compuesto TaCr2O6, sintetizado después con un módulo volumétrico dentro del ~20 % del objetivo. En captura de CO2, el KAIST identificó más de 100 MOF prometedores para captura directa de aire (Matter, junio de 2025) y el proyecto Open DAC publicó ODAC25, casi 60 millones de cálculos DFT en abierto (agosto de 2025).

En la frontera está la fusión, sin promesas: un equipo de Princeton y PPPL demostró en el tokamak DIII-D que la IA predice inestabilidades de desgarro hasta 300 milisegundos antes y las evita en tiempo real (Nature, 21 de febrero de 2024); DeepMind y Commonwealth Fusion Systems aplican IA al tokamak SPARC con el simulador abierto TORAX (octubre de 2025), sobre la base del control de plasma logrado en el TCV (Nature, 2022). La fusión comercial sigue sin fecha.

Límite honesto: predecir un material no es fabricarlo

Entre el material predicho y el producto comercial median años o décadas de síntesis, escalado y certificación. Las cifras enormes —2,2 millones de cristales— miden candidatos computacionales, no soluciones climáticas desplegadas. Es la vía con mayor potencial a largo plazo y con menos resultados climáticos tangibles a corto.

Qué se está haciendo en España: mapa rápido de casos verificados

Los casos españoles con resultados medidos ya han aparecido en sus secciones; aquí queda el mapa de un vistazo y lo nuevo: logística y meteorología públicas. Hay más iniciativas en nuestro repaso de proyectos de IA contra el cambio climático en España.

Energía, agua y campo: lo que ya tiene cifras

Logística y meteorología públicas: inversión en curso, resultados pendientes

Dos movimientos recientes merecen seguimiento, con una distinción honesta: son inversión en marcha, no ahorro demostrado. Correos licitó en julio de 2026 una plataforma de optimización de rutas por hasta 12,7 millones de euros para coordinar a más de 20.000 repartidores, 14.200 vehículos y más de 2.000 unidades de distribución. Y Correos Express creó con Neurored un gemelo digital que simula 550 rutas diarias y 70 delegaciones en España y Portugal (noviembre de 2025), con beneficios esperados pero sin cifras publicadas todavía.

En meteorología pública, el Plan Estratégico 2025-2029 de AEMET (junio de 2025) prioriza la IA y la agencia coorganizó la competición de machine learning Weather4cast, pero AEMET no publica ninguna mejora medida atribuible a la IA. Decirlo con claridad refuerza la credibilidad del resto de cifras de este artículo.

El patrón español es nítido: fortaleza con resultados medidos en agua y en red eléctrica, y retraso relativo en cifras públicas de logística y meteorología. Lo primero demuestra que aquí también se puede medir; lo segundo, que aún queda por exigirlo.

Límites honestos: lo que la IA no resuelve

Este apartado no hace el balance completo entre costes y beneficios ambientales —eso lo analizamos en cómo afecta la IA al medio ambiente—, pero fija tres advertencias para leer bien las diez formas anteriores.

La factura energética de la propia IA

La IEA proyecta que el consumo eléctrico de los centros de datos se duplicará con creces hasta unos 945 TWh en 2030 —más que todo el consumo eléctrico actual de Japón—, con la IA como principal impulsor. El PNUMA reclama desde septiembre de 2024 evaluar el ciclo de vida completo de la tecnología, no solo su fase de uso. De esa exigencia nace la IA verde: reducir la huella de los propios modelos antes de presumir de la que evitan.

Proyecciones no son resultados

Regla editorial de este artículo: un resultado medido lleva fecha, lugar y método; una proyección es una hipótesis. Las dos grandes cifras del sector son proyecciones y así hay que citarlas, sin redondear al alza:

Efecto rebote y adopción real

La eficiencia abarata el uso, y lo abaratado se consume más: la propia IEA advierte del efecto rebote en transporte y computación, además de barreras reales de adopción. Y varias cifras de este artículo son autodeclaradas por proveedores —Winnow, Greyparrot, AMP Robotics, Idrica o Satellites on Fire—: siempre las atribuimos y deben leerse como tales, no como auditorías independientes. La conclusión operativa: la IA es una herramienta de eficiencia y detección, no una política climática. Sin despliegue renovable, renovación de redes e infraestructuras y regulación que acompañe, sus porcentajes se quedan en pilotos.

Preguntas frecuentes

En síntesis

Las diez formas de este catálogo existen, tienen nombre propio, cifra y fecha. Las más maduras hoy son la red eléctrica, la predicción meteorológica, la gestión del agua y el reciclaje; las más prometedoras —materiales y fusión— siguen verdes, con más papers que despliegues. La regla de lectura no cambia: un resultado medido no es una proyección, y una cifra de proveedor no es una auditoría independiente. Para 2026-2027 conviene vigilar cuatro señales: el despliegue de la constelación FireSat, los primeros resultados medidos de la alianza de PJM con Google, el conjunto de 50 miembros del AIFS del ECMWF y la telelectura completa de Canal de Isabel II, prevista para finales de 2026. Si esas cuatro maduran, el catálogo de 2027 tendrá más resultados y menos promesas.

Fuentes y referencias

Energía y red

• Google DeepMind — Machine learning y valor de la energía eólica (02-2019)
• Red Eléctrica — Nota de prensa sobre Dynamic Line Rating (07-2024)
• Google — Demand response en centros de datos (03-2026)
• Google Research — Project Green Light (consultado 08-2026)
• BCG y Google — Accelerating Climate Action with AI (11-2023)
• IEA — Energy and AI (04-2025)
• Amazon — Sustainability Report 2024 (07-2025)

Meteorología y clima

• Google DeepMind — GraphCast, Science (11-2023)
• Google DeepMind — GenCast, Nature (12-2024)
• ECMWF — AIFS operativo (02-2025)
• Comisión Europea — Destination Earth (2024-2026)
• UNEP — Sistema MARS de detección de metano (07-2026) y nota sobre el ciclo de vida de la IA (09-2024)

Agua y agricultura

• UPCT — Resultados del proyecto LIFE TRIPLET (2025-2026)
• MAPA — Participación española en AgriFoodTEF (07-2024)
• Canal de Isabel II, vía RETEMA y TecnoAqua (12-2025)
• Thames Water — Contrato con Origin Tech (05-2026)

Biodiversidad, incendios y residuos

• MNCN-CSIC — TropiCam-AI (02-2026)
• Google Research — SpeciesNet (03-2026) y FireSat (consultado 08-2026)
• Earth Fire Alliance — Lanzamiento del protoflight de FireSat (03-2025)
• ASCE — ALERTCalifornia (11-2024)
• Ingka Group (IKEA) — Reducción de desperdicio con Winnow (09-2022)
• Greyparrot — Datos de detección 2024 (12-2024) y ronda de financiación, vía Waste Dive (07-2026)
• AMP Robotics, vía Fortune (06-2025)

Materiales y descubrimiento

• Berkeley Lab — GNoME, A-Lab y Materials Project, con Nature (11-2023)
• ACS Chemistry of Materials — Análisis crítico de GNoME (04-2024)
• Microsoft — Electrolito con Azure Quantum Elements (01-2024) y MatterGen, Nature (01-2025)
• Google DeepMind — Alianza de fusión con Commonwealth Fusion Systems (10-2025)