Cómo China usó IA para mapear toda su red renovable y por qué importa para América Latina

Resumen ejecutivo

Un estudio reciente de investigadores de Peking University y la DAMO Academy de Alibaba, publicado en Nature, produjo el primer inventario nacional de energía renovable generado por IA: 319,972 instalaciones fotovoltaicas y 91,609 aerogeneradores identificados a partir de 7.56 terabytes de imágenes satelitales de resolución sub-métrica. Más allá del logro técnico, el trabajo entrega un marco analítico para coordinar esa capacidad como un sistema único, mostrando que la complementariedad eólica-solar a escala nacional reduce la variabilidad y el desperdicio de generación.

Qué hicieron exactamente los investigadores

El equipo entrenó un modelo de deep learning para reconocer instalaciones solares y turbinas eólicas en imágenes satelitales de alta resolución. El resultado es un inventario consistente a nivel de condado que cubre 1,915 condados chinos y que incluye desde paneles en azoteas hasta parques eólicos en la meseta mongólica. La base de datos y el código del estudio están disponibles públicamente en Zenodo.

Los datos del estudio permiten analizar patrones reales de despliegue y complementariedad —es decir, cómo la generación eólica y solar puede compensarse según el tiempo y la geografía— en lugar de basarse únicamente en escenarios hipotéticos o modelos parciales.

Por qué la complementariedad importa (y qué descubrieron)

La complementariedad eólica-solar reduce la variabilidad de generación: cuando una región está nublada o sin viento, otra distante puede seguir generando. El estudio muestra que esta capacidad de balance mejora cuando la coordinación se extiende sobre áreas geográficas mayores. En la práctica, emparejar instalaciones a distancia tiende a estabilizar la producción y disminuir el curtailment, que es el desperdicio de energía renovable ya generada.

En China, la coordinación de la red ocurre mayormente a nivel provincial. Según los autores, pasar a una coordinación a escala nacional permitiría exprimir mejor la complementariedad entre regiones y reducir limitaciones operativas y económicas asociadas al sobredimensionamiento o al descarte de generación limpia.

Contexto: por qué esto llega justo ahora

A nivel global la demanda eléctrica de la inteligencia artificial y los grandes centros de datos está creciendo rápidamente. La Agencia Internacional de Energía (IEA) proyecta que el consumo eléctrico global de centros de datos podría acercarse a 1,000 TWh hacia fines de la década. En China, el consumo eléctrico del sector aumentó 44% interanual en el primer trimestre de 2026, hasta 22.9 mil millones de kWh, según el China Electricity Council. Ese pico está impulsando expansión de centros de datos en provincias del norte y oeste, donde la tierra y la generación renovable son más accesibles.

En ese contexto, disponer de una “vista desde arriba” —como lo describió el profesor Liu Yu de Peking University— deja de ser solo una ventaja analítica y se convierte en una herramienta operativa para planificar emplazamientos de carga intensiva (por ejemplo, centros de datos) junto a recursos renovables complementarios.

El logro técnico: IA geoespacial aplicada a infraestructura

Procesar 7.56 TB de imágenes sub-métricas y producir un inventario nacional consistente demuestra la madurez de la visión por computador aplicada a problemas de infraestructura. El modelo enfrentó desafíos como la diversidad de tipos de instalaciones, variaciones de terreno y calidad de imagen, y aun así identificó cientos de miles de activos distribuidos en distintas escalas.

Este enfoque es replicable en otros países siempre que haya acceso a imágenes satelitales adecuadas y capacidad de cómputo para entrenar y desplegar modelos. La apertura del dataset y del código facilita que agencias y empresas los evalúen y adapten.

Implicaciones para China y lecciones para América Latina

Para China, el inventario elimina una limitación operativa importante: gestionar un sector de energía limpia cuyo valor económico es enorme (el estudio cita que el sector generó un output económico estimado en 15.4 billones de yuanes, equivalente a US$2.26 billones el año pasado) sin una visibilidad nacional había sido un freno a la optimización.

Para América Latina, las lecciones prácticas son claras:

• Visibilidad nacional y datasets consistentes permiten optimizar la ubicación de nuevas cargas y la operación de redes de alto crecimiento, particularmente donde los centros de datos o industrias intensivas en cómputo buscan emplazamiento.
• La complementariedad eólica-solar a escala interregional puede reducir la necesidad de respaldo fósil y disminuir pérdidas por curtailment, pero requiere marcos de coordinación entre jurisdicciones.
• Modelos geoespaciales pueden identificar recursos distribuidos (paneles en techos, pequeños parques) que no aparecen en registros administrativos, mejorando la planificación.

Países latinoamericanos con recursos renovables importantes —como Chile, Perú, México o Brasil— podrían beneficiarse de inventarios similares para guiar inversión privada y decisiones regulatorias, siempre respetando marcos de privacidad y soberanía de datos.

Limitaciones y cautelas

El estudio es un avance técnico y operativo, pero no elimina desafíos prácticos: la integración de la generación renovable a gran escala exige inversión en transmisión, mecanismos de mercado que incentiven la flexibilidad, y gobernanza regional para coordinar flujos energéticos. Además, la disponibilidad y coste de imágenes satelitales de alta resolución y la capacidad de cómputo son barreras para algunos países.

Tampoco todos los problemas se resuelven con mapeo: la interoperabilidad entre operadores, los marcos regulatorios y las inversiones en almacenamiento y redes siguen siendo imprescindibles.

Conclusión

El inventario nacional de energía renovable generado por IA en China es un precedente relevante: combina reconocimiento geoespacial de alta precisión con análisis de sistemas para mostrar cómo la coordinación a escala nacional mejora la estabilidad y reduce pérdidas. Para América Latina, el mensaje es doble: la tecnología ya permite ver y entender la infraestructura renovable de modo nuevo, y esas visiones pueden y deben alimentar decisiones de política pública, inversión en transmisión y ubicación de cargas intensivas como centros de datos. Replicar el enfoque ayudará a gestionar mejor la transición energética en un contexto donde la demanda eléctrica por IA y servicios digitales sigue al alza.

Recursos

• Dataset y código del estudio disponibles en Zenodo (referido en el artículo original).
• Proyecciones de consumo de centros de datos: IEA.
• Estadísticas de consumo del sector en China: China Electricity Council.
• Estimación del tamaño económico del sector de energía limpia citada por el Centre for Research on Energy and Clean Air.