NoticiasDeIA
InvestigaciónNoticiaAlta relevancia

Agente de inteligencia artificial en electrónica de potencia

Un estudio de arXiv sobre un agente de inteligencia artificial en electrónica de potencia mide su consumo de energía y tiempo en simulaciones de convertidores.

Redacción de NoticiasDeIAPublicado el Hecho ocurrido el 18 de noviembre de 20265 min de lectura
Compartir
Portada generada automáticamente sobre agentes de inteligencia artificial y electrónica de potencia
Portada generada automáticamente sobre agentes de inteligencia artificial y electrónica de potencia
Qué se sabe y qué no. Distingue lo anunciado oficialmente de lo filtrado, especulado o todavía no confirmado. Las afirmaciones inciertas se marcan como tales en el texto.
Ver criterio de lectura

Este artículo distingue tres niveles de confirmación: primario(documento original o comunicado verificado), secundario(datos contrastados con al menos una fuente independiente) y inconcluso(afirmación pendiente de confirmación o que no ha sido replicada).

Los agentes de IA que no salen de la red: por qué empiezan a costar más energía de lo previsto

La inteligencia artificial generativa ha llegado a la programación, a la redacción de texto y a la conducción de robots. También empieza a llegar a los circuitos que mantienen encendidas las baterías de los móviles y a los convertidores que estabilizan la electricidad de la red.

Un trabajo presentado en arXiv el 18 de noviembre de 2026 y firmado por Yuzhuo Li, Pasan Gunawardena y Yunwei Li, titulado «Local AI Agents in Power Electronics Simulation: Deployment, Measurements and Costs», estudia una situación que apenas se ha cuantificado: lo que cuesta ejecutar un agente de IA en un dispositivo local, dentro de un sistema de electrónica de potencia. Su conclusión, según el resumen: depender de un modelo servido en el mismo sitio que el simulador tiene un precio que nadie ha medido bien hasta ahora.

Qué se ha anunciado

La inteligencia artificial agente se ha convertido en una herramienta de diseño para la electrónica de potencia, esa rama de la ingeniería que se ocupa de los convertidores de corriente y de tensión: de los que cargan los teléfonos hasta los que abastecen los sistemas de energía de un barco o de una red eléctrica. Tradicionalmente, un ingeniero cerraba el bucle de diseño a mano: se construía un modelo, se ejecutaba una simulación, se revisaba el resultado y se corría. Hoy, un agente de IA recorre ese bucle de forma automática: propone una configuración, la lanza, mide cómo va y ajusta la siguiente propuesta.

El problema es dónde se ejecuta el agente. Dos opciones dominan el espacio. La nube, donde el modelo reside en un centro de datos y la electrónica de potencia envía la carga de trabajo a la distancia; y el local, donde el modelo se sirve sobre el propio equipo, en un dispositivo de inferencia del lugar. La segunda opción cobra fuerza cuando el diseño, los datos del cliente o el material controlado por exportación no pueden salir del sitio, y cuando el simulador soy licenciado a ese entorno.

En un despliegue local, el agente no es solo un cálculo: se convierte en una carga eléctrica sobre el propio equipo. Cada ejecución consume energía, genera tokens y tiene un coste temporal, todo ello en el mismo hardware que da soporte a la simulación. Hasta ahora, dicen los autores, la mayoría de los trabajos existentes ha mirado lo que puede lograr un agente con modelos en la nube, y no lo que cuesta en energía, en tokens y en tiempo tener ese mismo agente corriendo sobre máquinas dentro de la planta.

Para cerrar ese vacío, presentan un marco de evaluación sistemática. Aplica modelos servidos localmente a tareas agente en electrónica de potencia, desde el nivel del convertidor hasta el nivel del sistema, y mide su consumo de potencia, energía, tokens y tiempo. A partir de esas mediciones, caracteriza el límite de lo que puede hacer un agente local y el coste por tarea resuelta.

Qué es oficial y qué no

El documento es un preimpreso, publicado en arXiv en las categorías cs.AI y eess.SY, con 27 páginas, 23 figuras y 12 tablas. No presenta un modelo nuevo, ni pesos de red, ni una aplicación corriente, ni la medición de una instalación concreta. Es una propuesta metodológica acompañada de experimentos en entorno controlado.

Eso modera la novedad. Lo relevante no es el producto, sino el tenor de la medición: el artículo propone que el coste de un agente local se entienda como una carga eléctrica, no como un límite de capacidad teórica. La carga se suma a la propia planta de simulación, y su tamaño depende del modelo, de la tarea y del dispositivo sobre el que corre.

La distinción importa porque le da a la propuesta un carácter verificable. Si el marco mide el consumo en watts, en julio de energía total y en tokens por tarea, se pueden comparar los despliegues y elegir, con datos, entre nube y local. Si solo se midiera lo que el agente puede lograr, el debate se quedaría en opiniones sobre qué es más eficiente.

Por qué importa

La electrónica de potencia es la infraestructura silenciosa de la electrificación. Sin sus convertidores no hay peatones autónomos, ni sistemas de energía de alta tensión, ni cargadores de vehículos de alta potencia, ni estaciones de telecomunicaciones que no pierdan voltaje. Los agentes de IA están llegando a ese dominio como una nueva capa de control, y su presencia cambia la contabilidad de la energía de la misma forma que añadir un turbo a un motor cambia su matriz de consumo.

Si un agente local consume cientos de vatios de forma permanente, un diseño de plana de un convertidor que antes asignaba un consumo despreciable deberá repensarlo. Eso es más relevante en sistemas aislados, donde la energía depende de paneles solares y baterías limitadas, y en plantas industriales, donde el coste eléctrico se factura por el tiempo de funcionamiento. Lo mismo ocurre con el coste por token: un agente que supervisa miles de simulaciones al día genera una factura de inferencia que no estaba en el presupuesto del ingeniero.

El trabajo responde también a una pregunta que la prensa tecnológica ha estado evitando: el crecimiento de la inteligencia artificial no es solo de la nube. Los dispositivos que ejecutan modelos de lenguaje s sobre hardware propio siguen creciendo, y cada ejecución tiene un precio en energía. Quantificar ese precio es el primer paso para que el diseño de los agentes, y el de las plantas que los respaldan, deje de ser una cuestión de estimación.

Qué sigue sin saber

El preimpreso da el marco y las mediciones preliminares, pero no los números exactos del consumo en cada caso. Tampoco dice cómo escala el coste si el agente pasa de un convertidor a un sistema multinivel, ni qué ocurre cuando el dispositivo local tiene que mantener un estado de bajo consumo entre simulaciones. Queda por saber si el ahorro en el diseño del sistema compensa el gasto de la electrónica de inferencia, y cómo deberían cambiar las convenciones de los benchmarks para reflejar ese coste.

También falta la evidencia independiente. El trabajo es un único equipo y un solo conjunto de mediciones, sin revisión por pares y sin que, hasta ahora, aparezca cobertura de otra fuente que confirme la metodología. Una medición de laboratorio no es una medición de campo, y un laboratorio de simulación no es la planta.

Fuentes

  • arXiv:2611.24880 — Local AI Agents in Power Electronics Simulation: Deployment, Measurements and Costs (Yuzhuo Li, Pasan Gunawardena, Yunwei Li)
  • Resumen del artículo en la página de arXiv: https://arxiv.org/abs/2611.24880

Fuentes consultadas

Se conservan las referencias para poder reconstruir cómo se verificó esta información.

Publicación de origen: https://arxiv.org/abs/2611.24880

¿Ves un error? Escríbenos indicando el dato concreto y la fuente que lo contradice. Las correcciones se aplican en la propia página y se reflejan en la fecha de actualización. Contactar con la redacción.

Sigue leyendo