El próximo paso en la inteligencia operativa de las redes de gas no es tener más datos. Es tener un AI Agents que los interprete, los integre y sugiera la acción correcta antes de que el problema ocurra.
Durante décadas, la sofisticación operativa en redes de distribución de gas se midió en términos de instrumentación: más sensores, mejores sistemas SCADA, alarmas más granulares. Y fue, sin duda, un avance real. Hoy, prácticamente todas las distribuidoras de gas de cierta escala cuentan con visibilidad en tiempo real sobre presiones, caudales y estados de sus estaciones reguladoras. Pero hay un límite estructural en ese modelo que los eventos recientes pusieron en evidencia de forma contundente.
El invierno de 2025 en Argentina no fue sorpresivo en términos meteorológicos. Las olas polares que afectaron a nuestro país eran visibles en los modelos atmosféricos con varios días de anticipación. La temperatura proyectada, la sensación térmica estimada, la curva esperada de consumo: toda esa información estaba disponible. Y sin embargo, el sistema colapsó.
No colapsó por falta de datos. Colapsó por falta de herramientas para traducir esos datos en decisiones preventivas.
Esa brecha —entre monitorear y anticipar— es exactamente el problema que los AI Agents están diseñados para resolver.
1. Qué es un AI Agent operacional y por qué importa en energía
Un AI Agent no es un dashboard más sofisticado. Tampoco es un modelo predictivo aislado que produce un número y lo muestra en una pantalla.
Un AI Agent operacional es un sistema que percibe el estado actual del entorno —en este caso, la red—, lo integra con información externa relevante —meteorología, patrones históricos, estado del suministro upstream—, razona sobre escenarios futuros y propone acciones concretas al operador humano. En versiones más avanzadas, puede ejecutar algunas de esas acciones directamente dentro de los rangos habilitados.
En el contexto de una red de distribución de gas, eso significa:
A. Percepción: el agente ingesta en tiempo real datos de presión, caudal, estado de compresores, temperatura en cada nodo de la red y pronóstico meteorológico a 72 horas.
B. Razonamiento: cruza esos datos con modelos de forecast de demanda, modelos de detección de anomalías y representaciones topológicas de la red para proyectar escenarios.
C. Acción: sugiere —o ejecuta, según el nivel de autonomía configurado— ajustes operativos: incrementar presión en determinados puntos, acumular linepack en ventanas de baja demanda, coordinar con operadores upstream, priorizar zonas de reconexión.
Lo que transforma este ciclo en algo cualitativamente diferente a lo existente es la integración. No es forecast por un lado y SCADA por otro. Es un sistema que razona sobre el conjunto y actúa sobre el estado global de la red.
La arquitectura técnica detrás del agente
En 7Puentes, la propuesta para AI Agents en operaciones energéticas se construye sobre cinco capas técnicas que se complementan y potencian mutuamente.
Forecast de demanda energética
El consumo residencial de gas tiene una correlación alta y estable con la temperatura ambiente. Esa relación no es lineal intervienen la humedad, el viento, la estacionalidad, los patrones sociales y los precios—, pero es lo suficientemente robusta como para construir modelos de forecast con horizonte de 3 a 7 días que superen ampliamente a las proyecciones basadas en históricos estacionales.
Los modelos que proponemos integran múltiples variables meteorológicas, consumo histórico por zona, patrones de demanda por tipo de usuario y señales de variación de suministro upstream. El resultado es una curva de demanda proyectada —con intervalos de confianza— que permite al agente saber, con días de anticipación, cuánto gas va a necesitar cada segmento de la red.
Detección avanzada de anomalías con Transformers
Los métodos de detección más comunes en operaciones —Isolation Forest y similares— tienen una limitación fundamental: no modelan dependencias temporales. Tratan cada punto de medición como si fuera independiente del siguiente, lo que los hace ciegos a los patrones que preceden a los eventos críticos.
La caída de presión que precedió al colapso de Mar del Plata no fue abrupta. Fue progresiva, discernible, con una firma temporal característica que un modelo con memoria habría podido detectar horas antes de que se volviera irreversible.
Los modelos basados en Transformers para series temporales ofrecen una arquitectura diseñada precisamente para capturar esas dependencias: aprenden el comportamiento «normal» de cada punto de la red en cada contexto operativo, detectan desviaciones tempranas y adaptan sus umbrales dinámicamente a medida que las condiciones de operación evolucionan.
Graph Machine Learning para modelar la topología de la red
Una red de distribución de gas es un grafo. Hay nodos —estaciones reguladoras, sensores, puntos de medición— y aristas —tramos de red, flujos de presión, relaciones de dependencia—. Y como todo grafo, sus propiedades emergentes no pueden inferirse mirando los nodos por separado.
El Graph ML permite modelar la propagación de presión a través de la red, predecir qué nodos serán los primeros en verse afectados ante una caída de suministro en un punto específico y simular escenarios operativos: qué pasa si la compresora A opera al 60% de capacidad mientras la temperatura cae 8 grados en la zona norte.
Esto no reemplaza al modelo físico existente, construido y calibrado durante años sobre la topología real de la red. Lo complementa: donde el modelo físico es exacto pero computacionalmente intensivo, el Graph ML es rápido y adaptativo. La integración de ambas capas produce lo que en la industria se denomina un gemelo digital operativo
Gestión activa del linepack
El linepack —el volumen de gas almacenado dentro de la propia red a través de la presión— es el buffer estratégico de las redes de distribución. Una capacidad de almacenamiento distribuido que no requiere infraestructura adicional: está en las cañerías mismas, disponible para absorber variaciones de demanda en el corto plazo.
El problema es que gestionarlo reactivamente —incrementar la presión cuando ya hay déficit— es, en la práctica, tarde. La propuesta del AI Agent es invertir esa lógica: si el forecast indica que el miércoles habrá un pico de demanda con temperaturas bajo cero, el agente sugiere incrementar la presión en la red durante el martes a la noche, cuando el consumo es mínimo, para acumular gas que funcione como colchón durante el evento. Ese cambio —de gestión reactiva a gestión anticipativa del linepack— es, en sí mismo, una transformación operativa de primer orden.
El agente como integrador de decisiones
Las cuatro capas anteriores son componentes. El AI Agent es la capa que las integra en un ciclo de razonamiento y acción.
En términos prácticos, el agente opera con un horizonte temporal múltiple: estado actual de la red, proyección a 24 horas, proyección a 48 horas y proyección a 72 horas. Para cada horizonte, evalúa el delta entre la demanda proyectada y la capacidad disponible, identifica los nodos en riesgo y genera recomendaciones específicas con la priorización adecuada.
El operador humano mantiene el control: el agente sugiere, el operador decide. Pero lo decide con información que ningún equipo podría procesar manualmente en tiempo real a esa escala.
3. El límite de la automatización: por qué los agentes de IA necesitan al analista
Hay una condición que se subestima sistemáticamente en las discusiones sobre AI Agents, y que determina en gran medida si un agente funciona bien o no: alguien tiene que haberle enseñado las reglas del negocio.
Los agentes de IA no nacen sabiendo cómo opera una red de distribución de gas. No saben qué secuencia de señales precede históricamente a un evento crítico en esa red específica.
No conocen los criterios operativos que distinguen una anomalía relevante de una variación esperable. No tienen incorporados los límites —técnicos, regulatorios, contractuales— dentro de los cuales una acción es válida y fuera de los cuales no lo es.
Para que un agente actúe de forma útil, primero hay que incorporarle esas reglas, esos criterios y esos límites. Y eso no se hace una vez: se hace de forma continua, a medida que las condiciones operativas evolucionan.
Un caso ilustra bien el problema. Una distribuidora que opera miles de sensores en su red no puede tener equipos humanos monitoreando cada señal en tiempo real: ahí los agentes de IA son indispensables. Pero si el agente solo dispara una alerta cuando la presión ya cayó por debajo del umbral crítico, llegó tarde. La única respuesta posible en ese punto es cortar el suministro. La alerta no previno el problema —solo confirmó que ya ocurrió.
El valor real está en identificar los patrones que anteceden a la caída de presión: la secuencia de variaciones menores, la combinación de condiciones operativas que históricamente precede a los eventos críticos, las señales débiles que un operador experimentado reconocería pero que ningún umbral fijo puede capturar. Para detectar esos patrones, el agente necesita que alguien los haya identificado, estructurado y traducido a lógica operativa antes de que el agente empiece a operar.
Ese es el trabajo del analista. Y es irreemplazable.
Por más capaz que sea el modelo subyacente, la calidad de un AI Agent operacional depende directamente de la calidad del relevamiento que lo precede: qué reglas se incorporaron, con qué criterio se definieron los accionables, cómo se establecieron los límites de autonomía. Sin ese trabajo previo, el agente opera en el vacío —y en el vacío, siempre llega tarde.
En 7Puentes, ese relevamiento es parte central del proceso: identificar las reglas de negocio relevantes, estructurar los criterios operativos y configurar los agentes para que anticipen en lugar de solo confirmar lo que ya ocurrió.
Aquiom: donde la inteligencia operativa toma forma
Aquiom ya cuenta con la infraestructura analítica sobre la que estas funcionalidades se integran:
- Ingestión de datos operativos en tiempo real
- Visualización geoespacial de la red
- Análisis de series temporales
- Infraestructura escalable lista para producción
Eso tiene una implicancia concreta: los tiempos de implementación se reducen significativamente. La discusión no empieza desde la arquitectura de datos, sino desde los modelos y la lógica operativa. El foco puede estar donde corresponde: en la inteligencia del agente y en la transformación de los procesos de decisión.
Conclusión: anticipar lo que no se controla
Anticipar lo que no se controla es el desafío central de cualquier operación energética compleja. El suministro upstream, la demanda residencial, las condiciones climáticas: ninguna de esas variables está bajo el control directo de la distribuidora. Pero todas son, en mayor o menor medida, predecibles.
Los AI Agents son la pieza que convierte esa predictibilidad latente en decisiones operativas concretas. No porque tengan más datos que los equipos humanos, sino porque pueden integrar, cruzar y razonar sobre esos datos a una velocidad y escala que ningún proceso manual permite. Siempre que alguien les haya enseñado, antes, cómo funciona el negocio.
Lo que 7Puentes aporta a ese proceso tiene tres dimensiones concretas:
- Experiencia sectorial: 18 años trabajando con datos complejos en diversas industrias -incluyendo energía- con conocimiento acumulado de las reglas de negocio bajo condiciones operativas reales.
- Capacidad técnica end-to-end: desde el relevamiento de criterios operativos hasta la implementación de modelos en producción —forecast, detección de anomalías, Graph ML, gestión de linepack— integrados sobre Aquiom.
- Foco en la anticipación: no en construir alertas más rápidas, sino en identificar los patrones que preceden a los eventos críticos y configurar agentes que actúen antes de que el problema ocurra.
