Sin lugar a dudas que Argentina tiene una relación histórica, y a menudo tensa, con el frío invernal y su impacto sobre la demanda energética. Cada año, cuando las temperaturas caen por debajo de la media estacional, las redes de distribución de gas se tensan al límite. Pero lo que solía ser una variación esperable se ha convertido, con el cambio climático y la creciente urbanización, en un fenómeno impredecible y de consecuencias operativas severa.
El episodio de julio de 2025 en Mar del Plata fue contundente. En el marco de una ola polar que posicionó a Argentina entre los países más fríos del mundo en esos días, la ciudad costera registró una sensación térmica de casi 10°C bajo cero y temperaturas reales de -5°C, niveles sin precedentes recientes. La consecuencia fue directa e inmediata: el suministro de gas natural colapsó en gran parte de la ciudad. Más de diez barrios quedaron sin servicio, las clases se suspendieron en todos los niveles, los comercios cerraron, las estaciones de GNC fueron cortadas al 100%, y el municipio activó el Protocolo de Crisis, convocando a todas sus áreas operativas desde el Centro de Operaciones y Monitoreo.
No fue el primer aviso pero fue el más costoso. La ola de frío extremo llevó la demanda de gas a un aumento del 25% respecto al año anterior, superando los 100 millones de metros cúbicos diarios, según datos del ENARGAS. Fue una contingencia inusual con récords de consumo de gas inéditos en todo el país. Y hacía al menos 15 años que no se interrumpía el suministro a usuarios con contratos «en firme», quienes pagan un precio premium justamente para quedar blindados ante estos escenarios.
Lo ocurrido en Mar del Plata no fue un fenómeno aislado. Situaciones similares se registraron ese mismo mes en otras localidades como Villa La Angostura y San Martín de los Andes, en Neuquén, y en Lago Puelo y Trevelin, en Chubut. La crisis se extendía por toda la geografía argentina cada vez que el frío extremo superaba los parámetros de diseño de los sistemas de distribución.
La Secretaría de Energía calificó la situación como de «medidas extraordinarias» y el Comité de Emergencia extendió las restricciones a GNC e industrias hasta el 4 de julio. El objetivo declarado fue explícito: aprovechar la disminución de la demanda residencial para presurizar el sistema y recuperar el linepack consumido. La solución operativa de emergencia fue la gestión activa del linepack, una forma de energía distribuida que permite absorber variaciones de demanda en el corto plazo. Pero fue ejecutada en modo reactivo, con el sistema ya en colapso.
La situación dejó también al descubierto una brecha más profunda que la infraestructural: la ausencia de herramientas para anticipar el comportamiento del sistema bajo condiciones climáticas extremas que, con el cambio climático, son cada vez menos excepcionales.
El sistema energético argentino: un termómetro de la economía y el clima
Para comprender la magnitud del desafío, es necesario entender la estructura del consumo de gas natural en Argentina. A lo largo de 2024, Argentina demandó dentro del sistema en promedio unos 107 millones de metros cúbicos diarios de gas natural. El invierno demandó unos 120 millones de metros cúbicos por día, mientras que en verano la cifra bajó a 96 millones. Y dentro del invierno, los episodios de frío extremo pueden disparar consumos que estresan el sistema en ventanas de tiempo muy cortas. El caso de julio 2025 lo confirmó: el sistema no colapsó por falta de reservas en el subsuelo, sino por incapacidad de movilizar y anticipar el volumen correcto en el momento correcto.
El gas natural no es solo calor doméstico: junto al petróleo, representa cerca del 84% de la energía primaria consumida en Argentina. En ese contexto, cualquier falla en la red de distribución tiene consecuencias en cascada que van mucho más allá del confort hogareño.
Un desafío operativo: variables que no se controlan
Una distribuidora de gas opera sobre un sistema físico complejo —gasoductos, estaciones reguladoras, puntos de medición, tramos de red— pero no controla dos variables que determinan, en última instancia, el comportamiento de ese sistema:
- El suministro upstream: la presión de transporte y los volúmenes de entrega provienen de decisiones tomadas aguas arriba, sujetas a contratos, restricciones técnicas y a fallas en cadena que se originan en la producción (yacimientos congelados) y se propagan hasta la distribución final.
- La demanda de usuarios: el comportamiento del consumo residencial está mediado por la temperatura, los patrones sociales, la estacionalidad y el precio. Una ola polar extrema puede hacer que la demanda supere cualquier proyección histórica en cuestión de días, como ocurrió en julio de 2025
El resultado es que la distribuidora opera en tiempo real sobre un sistema cuyo comportamiento está determinado por variables externas que no puede controlar, sino apenas observar. Y cuando el tiempo de reacción se mide en horas y la reconexión implica enviar operarios casa por casa con cinco grados bajo cero de temperatura, observar no alcanza.
La clave está en la memoria temporal: las redes de gas tienen comportamientos que dependen de lo que ocurrió horas, días y semanas antes. La caída de presión que colapsó Mar del Plata no fue instantánea: fue el resultado de una cadena de condiciones que se desarrolló durante días, es decir, menor inyección durante el fin de semana, yacimientos congelados y una planta compresora trabajando por debajo de capacidad. Un modelo que no puede «recordar» esas dependencias temporales está destinado a perder los patrones más importantes, precisamente aquellos que preceden a los eventos críticos.
De la reactividad a la anticipación: la propuesta estratégica de 7Puentes
Los eventos descriptos anteriormente demostraron que las herramientas tradicionales de gestión no son suficientes para afrontar la complejidad de las redes modernas bajo condiciones climáticas extremas, ya que el sistema entra en colapso antes de que pudiera reaccionarse.
La propuesta de 7Puentes nace de ese análisis. Su premisa es simple pero transformadora: si los eventos climáticos extremos son predecibles meteorológicamente con varios días de anticipación, entonces la demanda pico también lo es. Y si la demanda es predecible, la operación puede pasar de ser reactiva a anticipativa.
En este contexto, nuestra propuesta se basa en 7 pilares:
- Forecast de demanda energética
El consumo residencial de gas tiene una correlación muy alta con la temperatura ambiente. Esa correlación, lejos de ser una limitación, es una oportunidad: las olas polares son predecibles meteorológicamente con 3 a 7 días de anticipación. En julio de 2025, la ola polar que afectó a Mar del Plata era visible en los modelos meteorológicos con varios días de antelación. Sin embargo, esa información no se tradujo en acciones preventivas sobre la red.
La propuesta incorpora modelos de forecast de demanda que integran múltiples variables: temperatura y pronóstico meteorológico, humedad relativa y velocidad del viento, consumo histórico, estacionalidad y patrones sociales. Con un horizonte de 3 a 7 días de anticipación, estos modelos permiten anticipar los picos de consumo, proyectar la presión esperada en la red y planificar la gestión del linepack con tiempo suficiente para actuar antes de que el sistema entre en estrés. - Detección avanzada de anomalías
Los enfoques actuales de detección —como el Isolation Forest— tienen limitaciones concretas: no modelan dependencias temporales, no aprenden patrones complejos y se adaptan con dificultad a cambios operativos. La caída progresiva de presión en la planta compresora de Churrón comenzó horas antes del colapso visible en Mar del Plata. Un modelo de detección temprana habría podido identificar esa anomalía en su etapa inicial, cuando aún existía margen de acción.
La propuesta de 7P introduce modelos basados en Transformers para series temporales, que ofrecen aprendizaje no supervisado sobre el comportamiento histórico de la red, detección temprana de desviaciones y adaptación dinámica a nuevos regímenes operativos. Este análisis se aplica punto a punto sobre cada sensor, estación reguladora y nodo de medición en la red. - Graph Machine Learning para modelar la red
Una red de distribución de gas es, en su esencia, un grafo: nodos (estaciones reguladoras, sensores, puntos de medición) conectados por aristas (tramos de red, flujos de presión). Lo ocurrido en julio de 2025 ilustra el potencial de modelizarlo como tal: la falla comenzó en Churrón, se propagó hacia las periferias de Mar del Plata y luego afectó progresivamente el centro urbano. Una modelización de esa propagación habría permitido predecir con horas de anticipación qué barrios serían los primeros en perder presión y cuáles los últimos, habilitando una respuesta geográficamente priorizada.
Los modelos de Graph ML permiten modelar la propagación de presión a través de la red, predecir el impacto de cambios de demanda en puntos específicos y simular escenarios operativos (qué pasa si cae el suministro en el nodo Churrón), complementando y potenciando el modelo físico existente. - Gestión activa del Linepack
El episodio de julio de 2025 puso en el centro del debate un concepto técnico clave. Cuando la Secretaría de Energía dispuso el corte de GNC e industrias durante más de 24 horas, el objetivo explícito fue recuperar el linepack consumido. Es decir: la solución de emergencia fue gestión activa del linepack, pero en modo reactivo, con el sistema ya en colapso.
Cabe recalcar que el linepack —el volumen de gas almacenado dentro de la propia red— funciona como un buffer distribuido estratégico. Si se puede anticipar la demanda futura, se puede gestionar activamente ese buffer antes de la crisis: incrementar la presión cuando se proyecta una ola polar, acumular gas en las horas nocturnas de menor consumo y absorber caídas temporales de suministro upstream sin afectar la presión en los puntos de entrega. Esto transforma la operación de reactiva —que corta GNC e industrias cuando el problema ya está ocurriendo— a anticipativa. - Asistente operacional con IA
La propuesta contempla un Agente de IA operacional que integra en tiempo real el estado actualizado de la red, el forecast de demanda a 24, 48 y 72 horas, la presión esperada y el linepack disponible. Con esa visión integrada, el agente puede sugerir acciones concretas al operador.
En un escenario como el de julio de 2025, este agente habría podido sugerir —dos o tres días antes del colapso— incrementar la presión en la red de Mar del Plata, coordinar con TGS un aumento de inyección desde San Martín hacia Churrón, y priorizar el llenado del linepack aprovechando las madrugadas de menor demanda. Queda claro que no reemplaza al operador humano; lo potencia con información que ningún ser humano podría procesar en tiempo real a esa escala. - Modelos físico-digitales integrados
La propuesta no parte de cero. El modelo físico de la red, construido y calibrado durante años, es un activo de valor incalculable. Los modelos de Machine Learning y Graph ML se diseñan para complementar ese modelo físico: donde el modelo físico es exacto pero lento (simulación), los modelos de ML son rápidos y adaptativos. La integración de ambas capas produce un gemelo digital operativo con capacidades que ninguno de los dos tendría por separado. Los datos del evento de julio de 2025 —presiones, caudales, tiempos de respuesta, geografía del colapso— son en sí mismos un dataset de entrenamiento extraordinariamente valioso para calibrar estos modelos. - Integración en Aquiom
Todas estas capacidades se articulan sobre una infraestructura analítica existente: Aquiom, la plataforma tecnológica que ya cuenta con ingestión de datos operativos, visualización geoespacial de la red, análisis de series temporales e infraestructura escalable. Se trata de un proyecto estratégico cuyo eje central es la evolución de capacidades sobre una base técnica sólida, lo que reduce los tiempos de implementación y los riesgos de integración.
Una transformación operativa, no solo tecnológica
La propuesta de 7Puentes no es, en el fondo, un proyecto de tecnología. Es un proyecto de transformación operativa: pasar de responder a lo que ya ocurrió —como cuando los operarios recorrían casa por casa reconectando medidores bajo -5°C en Mar del Plata— a actuar sobre lo que está a punto de ocurrir.
En un contexto donde Argentina consolida su posición como potencia gasífera —con Vaca Muerta aportando el 70% del gas producido en el país y con proyecciones de exportación que podrían superar los USD 36.700 millones hacia 2030—, la sofisticación en la distribución interna no es una opción de segundo orden. Es la condición necesaria para que la abundancia de recursos se traduzca en abastecimiento confiable para los usuarios finales.
Lo que pasó en el invierno de 2025 en Mar del Plata, Villa La Angostura, Lago Puelo y Trevelin no fue solo una falla técnica. Fue una advertencia sobre lo que ocurre cuando los sistemas de distribución operan sin herramientas predictivas frente a condiciones climáticas que serán, con el tiempo, cada vez menos excepcionales.
Anticipar lo que hoy no se controla. Ese es el desafío. Y también la oportunidad.
