Actualmente, quienes gestionan la estabilidad de una red de distribución de gas saben que el margen entre un pico de demanda y un corte de suministro se mide en horas. ¿Y si ese margen pudiera medirse en días?
Hoy existe una técnica innovadora que permite modelar la propagación de presión a través de una red, pudiendo predecir qué estaciones reguladoras, sensores y puntos de medición serán los primeros en verse afectados ante una caída de suministro en un punto específico y simular escenarios operativos clave para la toma de decisiones eficiente.
Se trata de Graph Machine Learning (Graph ML), un método que incorpora la topología de la red como información estructural: le dice al modelo quién está conectado con quién, qué viene antes y qué se deriva de dónde. Ese cambio, en apariencia técnico, transforma cualitativamente la calidad de las predicciones y abre posibilidades operativas que los modelos estadísticos tradicionales no podían alcanzar.
Desde 7Puentes estamos liderando el uso de Graph ML en redes energéticas. En este artículo compartimos cómo lo hacemos, por qué importa y cuáles son sus alcances y desafíos pendientes.
1. Un mercado en expansión: la IA redefine la industria energética global
El mercado mundial de inteligencia artificial en Oil & Gas se estimó en USD 5.290 millones en 2024 y se proyecta que alcanzará USD 32.980 millones en 2033, con un crecimiento anual compuesto del 22,9% (Grand View Research 2025). Machine Learning lidera con más del 44% de la participación por tecnología, y el segmento midstream —donde opera la distribución de gas— es el de mayor crecimiento esperado, con un CAGR superior al 26%. A escala regional, el mercado de IA en América Latina se valuó en USD 5.790 millones en 2025 y se proyecta que alcanzará USD 34.620 millones en 2034 (IMARC Group 2025), con el sector energético entre los que lideran la adopción. Las ganancias potenciales son concretas: una mejor integración de los datos disponibles en la industria permitiría reducir entre un 20% y un 30% los costos operativos, principalmente a través de planificación más eficiente y gestión predictiva del mantenimiento (Bloomberg Línea 2025).
Las operadoras de redes energéticas ya no evalúan si adoptar IA, sino cuándo y cómo hacerlo de forma que genere valor real sobre la operación. El desafío central está en construir sistemas de inteligencia que entiendan la red como lo que es: un sistema físico interconectado donde cada nodo depende de los demás. Ahí es exactamente donde Graph ML hace la diferencia.
2. La red como grafo: un cambio de perspectiva con consecuencias prácticas
Una red de distribución de gas es, en términos matemáticos, un grafo. Hay nodos (estaciones reguladoras, sensores, puntos de medición) y aristas (tramos de red, flujos de presión, relaciones de dependencia). Como todo grafo, sus propiedades emergentes solo pueden comprenderse observando el conjunto: mirar los nodos por separado oculta exactamente lo que más importa.
Pensemos en la distribución de gas en la provincia de Buenos Aires. La red llega por un gasoducto troncal (el Sistema Troncal de los Andes o el Gasoducto del Sur, dependiendo la zona) y se ramifica hacia los grandes centros urbanos, que a su vez alimentan ramales secundarios hacia localidades más pequeñas. La red tiene forma de árbol: hay un tronco, hay ramas y hay hojas. Y las hojas no son independientes del tronco.
Un ejemplo concreto: en la costa bonaerense, tres ciudades intermedias comparten suministro desde un mismo ramal. Durante un fin de semana largo de temporada, con tiempo frío inesperado, la demanda en esas tres localidades puede crecer de forma simultánea y brusca. Un modelo que analiza cada punto de medición por separado puede anticipar el pico en cada ciudad. Pero solo un modelo que conoce la topología de la red puede anticipar que ese pico agregado le va a restar presión disponible a las localidades del interior conectadas al mismo ramal, antes de que la caída sea perceptible en los sensores aguas abajo.
Graph ML incorpora esa topología como información estructural dentro del modelo. Le dice a la red neuronal quién está conectado con quién, qué nodo viene antes en el flujo y qué derivaciones existen. Esa información cambia cualitativamente las predicciones: el sistema aprende no solo los patrones de demanda individuales, sino las relaciones causales entre puntos de la red.
3. La modelización de las redes energéticas como gemelo digital operativo
Los modelos físicos de una red de distribución (construidos y calibrados durante años sobre la topología real) son exactos en su representación de la hidrodinámica del gas, aunque computacionalmente intensivos y difíciles de actualizar en tiempo real. Los modelos estadísticos, por su parte, son rápidos y adaptativos, capaces de aprender patrones complejos a partir de datos históricos. Graph ML integra ambas capas: la topología de la red (el «dibujito del árbol», como lo llamamos coloquialmente) se convierte en la estructura sobre la que opera el modelo de aprendizaje, que así incorpora la física como dato estructural y aprende con ella.
A esa integración se suma una tercera variable estructural: el clima. La demanda de gas tiene una correlación alta con la temperatura ambiente (modulada por humedad, viento, estacionalidad y tipo de usuario) y un buen pronóstico meteorológico es, en la práctica, un insumo operativo de primer orden. Los modelos de Graph ML que desarrollamos en 7Puentes integran variables meteorológicas proyectadas junto con el historial de consumo por zona y las señales de suministro upstream. En la provincia de Buenos Aires, un frente frío de corta duración puede generar picos de demanda del 40% o más sobre la línea base con apenas 48 horas de anticipación: tener esa proyección con 3 a 7 días de horizonte es lo que permite acumular linepack a tiempo en lugar de gestionar cortes.
El resultado de esa triple integración en topología física, estadística y datos exógenos, es lo que en la industria se denomina un gemelo digital operativo: una representación computacional de la red que se ejecuta a velocidad de simulación, se actualiza con datos en tiempo real y proyecta escenarios futuros con una fidelidad que ninguna de las capas por separado podría alcanzar. La variabilidad estacional en la provincia de Buenos Aires ilustra bien la relevancia de este punto. Un frente frío de corta duración en pleno invierno puede generar picos de demanda del 40% o más sobre la línea base en zonas residenciales densas, con un horizonte de anticipación de apenas 48 horas. Para que la operadora pueda responder con linepack acumulado (el gas almacenado dentro de la red bajo presión) en lugar de cortes de suministro, necesita saber con días de antelación cuándo y dónde se va a producir ese pico.
4. Del forecasting a la acción: beneficios operativos y estratégicos
Predecir mejor la demanda tiene valor cuando se traduce en acción. Graph ML lo hace posible en tres dimensiones operativas: la gestión activa del linepack (acumular gas bajo presión cuando el modelo anticipa un pico, en lugar de reaccionar cuando ya ocurrió); la detección temprana de propagación de fallas, identificando qué nodos se verán afectados antes de que los sensores lo registren; y la simulación de escenarios en segundos, respondiendo preguntas como qué pasa si una compresora opera al 60% mientras cae la temperatura, o cuánto linepack acumular esta noche para cubrir la demanda de mañana.
La lógica cambia de raíz: de una operación que responde a lo que ya ocurrió a una que anticipa lo que todavía no fue registrado.
5. Graph ML como capa de modelado dentro de una arquitectura de AI Agents
Graph ML no opera en el vacío. En el modelo de inteligencia operativa que desarrollamos en 7Puentes se integra como una de las capas técnicas sobre las que operan los AI Agents energéticos.
Como describimos en nuestro artículo anterior sobre AI Agents para operaciones energéticas, la arquitectura se construye sobre cinco capas que se complementan: forecast de demanda, detección avanzada de anomalías con Transformers, Graph ML para modelado topológico, gestión activa del linepack y el agente como integrador de decisiones. Graph ML es la capa que le da al agente la capacidad de razonar sobre el sistema físico: sin ella, el agente puede monitorear y predecir, aunque no puede entender la propagación de efectos a través de la red.
Con Graph ML integrado, el agente puede percibir el estado actual de la red, proyectar cómo evolucionará ese estado ante distintos escenarios y generar recomendaciones operativas concretas con base en la topología real del sistema. El operador humano mantiene el control: el agente sugiere y el operador decide.
Toda esta capacidad se integra sobre Aquiom, la plataforma analítica de 7Puentes, que provee la infraestructura de ingestión de datos en tiempo real, visualización geoespacial de la red y series temporales sobre la que los modelos operan en producción.
6. Desafíos pendientes y oportunidades abiertas
Resulta evidente que hoy conviene aplicar Graph ML con claridad sobre sus condiciones de éxito. Tres son las más relevantes: la calidad del grafo (construir y mantener una representación fiel de la topología real exige un trabajo de relevamiento y gobernanza de datos que precede a cualquier modelo); la interpretabilidad (los operadores necesitan entender por qué el sistema recomienda una acción, y el desarrollo de esa capa explicativa sigue siendo un área activa de investigación); y el conocimiento del negocio, porque Graph ML necesita que las reglas operativas críticas hayan sido identificadas y estructuradas por analistas con experiencia sectorial antes de que el modelo pueda aprender sobre ellas.
Cada uno de esos desafíos es también una oportunidad de diferenciación. En 7Puentes llevamos esa capacidad a producción: desde el relevamiento de la topología y las reglas operativas, pasando por el desarrollo e integración de los modelos, hasta su despliegue sobre Aquiom. Con 18 años de experiencia en sectores de alta exigencia, acompañamos a las organizaciones energéticas en cada una de esas etapas.
La inteligencia de la red está en los datos y en la estructura que los conecta. Potenciar Graph ML es potenciar el futuro de la tecnología de redes energéticas.
¿Querés evaluar Graph Machine Learning en tu red energética? Contanos tu caso.
Contact
