Imagina a un estudiante de ingeniería eléctrica en Colombia o Chile frente a un prompt de ChatGPT, pidiéndole que le explique cómo usar redes neuronales para pronosticar la demanda de una central solar. Obtiene una respuesta genérica, sin datos reales, sin un archivo .ipynb que pueda ejecutar. Esa escena resume el problema que un grupo de investigadores de la Universidad de Tennessee acaba de documentar: el 92% de los estudiantes y profesionales reporta al menos una barrera antes de ejecutar un modelo de IA, y el 94% quiere un curso práctico específico para sistemas de potencia.
Del paper al cuaderno de notas
El equipo liderado por Junjie Yin y Fangxing Li presenta en arXiv un framework que llaman “Engineering-Grounded AI” (EGAI). La idea es simple pero poderosa: en lugar de lanzar tutoriales aislados, ofrecen una biblioteca de módulos ejecutables en Jupyter Notebook, que pueden correr en cualquier laptop o en Google Colab, sin necesidad de un clúster de GPUs. Los módulos siguen una escalera de dificultad que va desde una red neuronal densa para aproximar funciones básicas, hasta un modelo híbrido de física y aprendizaje profundo para la ecuación del swing (esa que describe la estabilidad de un generador sincrónico).
No es menor el impacto. El webinar que usaron para lanzar el material atrajo a más de 590 asistentes en vivo, colocándose entre los diez más vistos en la historia del IEEE Power & Energy Society. En dos semanas, el repositorio acumuló 344 visitas. Cifras modestas para los estándares de YouTube, pero enormes para un nicho donde el material reusable y abierto escasea.
Lo que falta en las aulas latinoamericanas
Mientras tanto, en la Universidad de Costa Rica, el académico Marvin Coto Jiménez publicó un ensayo en 2021 donde cuestiona por qué la IA sigue siendo tema de posgrado o de laboratorios especializados, y no un componente natural del pregrado en ingeniería eléctrica. Propone que la enseñanza debe enfocarse en la imitación del comportamiento inteligente para resolver problemas concretos —como clasificar fallas en transformadores o reconocer patrones en señales— antes de lanzarse a la teoría abstracta del aprendizaje automático.
Esa misma urgencia llevó al Departamento de Ingeniería Eléctrica de la Universidad de Chile a lanzar este año un Diplomado en Inteligencia Artificial para las Telecomunicaciones. El programa busca formar profesionales capaces de aplicar IA a redes 5G, gestión de espectro y optimización de tráfico. No es casualidad: Chile, como buena parte de la región, enfrenta el desafío de modernizar su infraestructura eléctrica y de comunicaciones con pocos ingenieros que dominen ambas disciplinas.
Un problema de dos caras
Komla Folly, en su editorial del Journal of Energy in Southern Africa, sintetiza la urgencia desde otra perspectiva: las redes eléctricas envejecen, la integración de renovables crece, y los currículos tradicionales —diseñados para la era industrial— no preparan a los estudiantes para lidiar con la variabilidad, los ciberataques o los eventos climáticos extremos. Folly, que usó Meta AI para esbozar su propio texto, recomienda que las instituciones inviertan en simuladores con IA, tutores inteligentes y análisis predictivo para identificar estudiantes en riesgo.
Pero aquí aparece la ironía: mientras los papers académicos recomiendan sistemas sofisticados, la realidad en muchas universidades latinoamericanas es que ni siquiera hay acceso a laboratorios de potencia actualizados. El framework EGAI, al ser completamente open source y ejecutable en la nube, ofrece una alternativa que sortea esa limitación. Un estudiante en una universidad pública de provincia puede, con un navegador, entrenar una CNN para predecir el flujo de carga de un sistema de 5 barras. El salto cualitativo no está en el hardware, sino en haber envuelto el conocimiento en un formato que cualquier persona con fundamentos de Python pueda seguir.
Lo que las empresas deberían observar
Para las empresas de energía, utilities o startups de smart grids en América Latina, esto no es una curiosidad académica. La escasez de talento con habilidades en IA aplicada a sistemas eléctricos es uno de los cuellos de botella para proyectos de digitalización de redes. Si los nuevos ingenieros llegan al mercado laboral sin haber tocado un modelo de deep learning sobre datos reales de su propia región, las empresas terminarán importando soluciones —y talento— de fuera.
La iniciativa del equipo de Tennessee, combinada con los esfuerzos de la U. de Chile y la reflexión de Coto Jiménez, dibuja un camino: materiales abiertos, progresivos y contextualizados. El siguiente paso sería adaptar esos módulos a casos latinoamericanos: ¿cómo se comporta un agente de refuerzo profundo controlando una batería en el sistema interconectado del Norte Grande chileno? ¿Qué tan bien funciona una PINN para estimar la frecuencia en una red colombiana con alta penetración solar?
Si la respuesta es “todavía no lo sabemos”, es porque falta el eslabón que conecte la investigación global con el aula local. Y ese eslabón, al menos, ya tiene un repositorio.
