«La IA agéntica» se ha convertido en uno de los conceptos más debatidos del software empresarial. En la O&M solar, la IA agéntica en la monitorización solar representa un cambio real: pasar de plataformas que muestran datos a plataformas que actúan sobre ellos. ClearSpot dispone ahora de una página específica que explica cómo su plataforma solar de IA agéntica aplica este modelo a los flujos de trabajo de O&M y EPC solares.
La distinción importa a los directores de O&M y a los gestores de activos que evalúan plataformas y necesitan separar la capacidad real del lenguaje de marketing. «Con IA» aparece ya en la descripción de casi todos los productos de monitorización solar, pero la IA agéntica es una capacidad más específica que una plataforma de monitorización solar con IA estándar, porque conecta datos, razonamiento y acción en lugar de quedarse en paneles y alertas.
Idea clave: la IA agéntica percibe el entorno, razona sobre múltiples flujos de datos y toma acciones autónomas dentro de límites definidos. Automatiza la generación de órdenes de trabajo, la programación de inspecciones, la distribución de informes, la detección de anomalías en toda la cartera y la supervisión del cumplimiento normativo. Reduce los costes de mano de obra de O&M un 30–50% frente a la monitorización convencional.
Qué significa «IA agéntica» (y qué no significa)
En la literatura general sobre IA, un «agente» es un sistema que percibe su entorno, toma acciones y persigue objetivos, con cierto grado de autonomía sobre la secuencia y la selección de sus acciones, y no solo sobre la ejecución de una tarea definida.
Aplicado a la O&M solar, la IA agéntica describe un sistema que:
- Observa de forma continua múltiples flujos de datos (rendimiento de strings, imágenes térmicas, meteorología, telemetría de inversores e historial de fallos)
- Razona sobre esos flujos de datos para identificar las condiciones que justifican una acción
- Selecciona y ejecuta las respuestas adecuadas (generar alertas, programar inspecciones, crear órdenes de trabajo, actualizar registros de activos) sin que una persona tenga que iniciar cada paso
- Aprende de los resultados para mejorar la calidad de sus decisiones futuras
Esto es muy distinto de la IA convencional en las plataformas de monitorización, que normalmente aplica modelos de machine learning a una tarea definida y acotada (clasificar una imagen térmica o predecir el performance ratio a partir de datos meteorológicos) y entrega el resultado del modelo a un analista, que decide qué hacer con él.
Lo que la IA agéntica NO es
No es un sistema que tome decisiones unilaterales de alto impacto sin supervisión humana. Los sistemas de IA agéntica bien diseñados operan dentro de límites de decisión definidos, y escalan a revisión humana las decisiones que superan un umbral de confianza o de impacto. La página de tecnología de ClearSpot describe explícitamente un modelo de orquestación que se integra con los sistemas SCADA y CMMS existentes, lo que permite una automatización acotada en lugar de una autonomía sin control.
Tampoco es simplemente un chatbot ni una interfaz de lenguaje natural superpuesta a una plataforma de monitorización convencional. Las interfaces conversacionales pueden ayudar a los equipos a hacer preguntas sobre activos o informes, pero no son agénticas si el sistema no puede además actuar.
Monitorización tradicional, IA asistida e IA agéntica: un espectro
Entender dónde se sitúa la IA agéntica en el espectro de capacidades ayuda a aclarar qué implica la actualización tecnológica para las organizaciones de O&M en distintos niveles de madurez.
Monitorización tradicional
El sistema recopila y muestra los datos. Las personas configuran alertas basadas en umbrales. Cuando se supera un umbral, se envía una notificación. Un analista la revisa, determina si se trata de un fallo real o de un falso positivo y decide si envía a un técnico.
| Atributo | Monitorización tradicional |
|---|---|
| Carga de trabajo del analista | Alta. Cada alerta requiere revisión y decisión humanas. La fatiga por alertas es un problema crónico: en una instalación de 100MW, cientos de alertas por semana necesitan triaje |
| Capacidad de detección | Limitada a fallos eléctricos con una magnitud de señal por encima del umbral. Los fallos estructurales, térmicos y visuales son invisibles |
| Latencia de respuesta | De días a semanas desde que se produce el fallo hasta una orden de trabajo confirmada, según la profundidad de la cola de alertas y la disponibilidad de analistas |
Monitorización con IA asistida
El sistema aplica modelos de machine learning para reducir la carga de trabajo del analista: la detección automática de anomalías filtra los falsos positivos, la clasificación de imágenes térmicas identifica los tipos de fallo y los modelos de predicción de rendimiento contextualizan las desviaciones. Pero las personas siguen en el circuito en cada decisión: las salidas de la IA pasan a una cola, y los analistas las revisan, confirman y actúan.
| Atributo | Monitorización con IA asistida |
|---|---|
| Carga de trabajo del analista | Moderada. La IA reduce el volumen de elementos que requieren revisión, pero cada fallo confirmado sigue necesitando una acción humana para avanzar |
| Capacidad de detección | Considerablemente ampliada. La clasificación de fallos térmicos, la detección de suciedad, la identificación de PID y otros tipos de fallo no eléctricos ya están dentro del alcance |
| Latencia de respuesta | Horas o días para fallos eléctricos confirmados; días o semanas para fallos térmicos (según la frecuencia de inspección) |
IA agéntica
El sistema no solo detecta y clasifica los fallos, sino que decide qué hacer con ellos dentro de los límites de autoridad definidos y ejecuta esas acciones de forma autónoma. Las órdenes de trabajo se crean y se asignan. Las inspecciones se programan. Los registros de activos se actualizan. Los informes se generan y se distribuyen. Las personas reciben un resumen estructurado de lo que hizo el sistema y una lista breve de incidencias que requieren su criterio.
| Atributo | IA agéntica |
|---|---|
| Carga de trabajo del analista | Baja. El sistema gestiona de principio a fin las decisiones operativas rutinarias. La atención humana se reserva para situaciones realmente ambiguas, decisiones de alto impacto y revisión estratégica |
| Capacidad de detección | Máxima. La monitorización continua de múltiples fuentes con razonamiento cruzado identifica condiciones de fallo que ninguna fuente de datos única ni un enfoque basado en umbrales detectaría |
| Latencia de respuesta | Desde la identificación del fallo hasta una orden de trabajo activa, sin intermediación humana |
La transición de la IA asistida a la agéntica es el cambio operativo más significativo de todo el espectro. Pasar de la monitorización tradicional a la asistida es una mejora de herramienta. Pasar de la asistida a la agéntica es una transformación del flujo de trabajo.
El software de monitorización de O&M solar con IA de ClearSpot muestra cómo funciona esto en la práctica: lee los datos SCADA y de strings existentes y devuelve una lista priorizada de lo que hay que reparar y de cuánto vale la pena cada reparación.
5 tareas de O&M que la IA agéntica puede automatizar hoy
No son capacidades futuras teóricas: hoy funcionan en plataformas de IA agéntica maduras, entre ellas ClearSpot:
1. Priorización de fallos y generación de órdenes de trabajo
Cuando se detecta un fallo, ya sea por inspección térmica, por una desviación del rendimiento de un string o por la correlación de anomalías entre flujos de datos, un sistema agéntico no envía una alerta en bruto. Lo que hace es:
- Clasificar el fallo
- Estimar el impacto en ingresos por cada día de retraso
- Evaluar la complejidad de la reparación
- Comprobar la disponibilidad y la proximidad de los técnicos
- Generar una orden de trabajo priorizada con la ubicación del fallo, la acción recomendada y el rendimiento de recuperación esperado
Un analista tardaría 15–30 minutos en realizar este mismo flujo para un solo fallo. Con 50 fallos por ciclo de inspección en una cartera de 100MW, eso supone una cantidad considerable de horas de analista en cada inspección que la automatización elimina.
El software de O&M de ClearSpot indica explícitamente que lee los datos SCADA y de strings existentes y devuelve una lista priorizada de lo que hay que reparar y de cuánto vale, que es la lógica central necesaria para este tipo de automatización.
2. Optimización de la programación de inspecciones
La IA agéntica monitoriza de forma continua las tendencias de rendimiento, las ventanas estacionales, las previsiones meteorológicas locales y la distribución de fallos en toda la flota para determinar el momento y el alcance óptimos de la siguiente inspección. Tiene en cuenta:
- La irradiancia mínima y las condiciones de cielo estable necesarias para una inspección térmica válida según IEC TS 62446-3
- La disponibilidad de la tripulación de vuelo
- La urgencia económica de los fallos sospechosos
Sin programación agéntica: las inspecciones se planifican según el calendario, anuales o semestrales, independientemente de si las condiciones de la instalación sugieren que una revisión anticipada recuperaría ingresos significativos.
Con programación agéntica: el momento de la inspección se optimiza de forma continua frente al retorno económico.
La norma IEC 61724-1 define los métodos de monitorización y los fundamentos de calidad de datos para el análisis del rendimiento fotovoltaico, y los programas de inspección dependen de condiciones de operación válidas y de flujos de trabajo coordinados entre sistemas.
3. Generación y distribución de informes de rendimiento
Los informes mensuales de rendimiento conformes a IEC 61724, los informes de cumplimiento de PPA, las actualizaciones de los cuadros de mando para prestamistas y la documentación para aseguradoras (todos ellos con agregaciones de datos, requisitos de formato y listas de distribución ligeramente distintos) se generan y envían automáticamente según el calendario.
En una cartera de varias plantas, la preparación manual de informes absorbe una parte importante del tiempo del equipo cada mes. La automatización agéntica reduce esa carga a casi cero.
4. Correlación de anomalías en toda la cartera
Una planta con una degradación del rendimiento no explicada es un problema operativo. La misma degradación no explicada que aparece en cinco plantas de la misma antigüedad, con el mismo modelo de panel y puestas en servicio dentro de la misma ventana de seis meses, es una señal de calidad del equipo que debería activar una investigación de toda la flota y, posiblemente, una reclamación de garantía.
La IA agéntica realiza esta correlación entre carteras de forma continua. Cuando surge un patrón (un modelo de inversor con tasas de fallo anormalmente altas o un lote de paneles con mayor incidencia de delaminación), el sistema:
- Lo señala
- Cuantifica la exposición económica de toda la flota
- Genera un resumen estructurado para el gestor de activos
Ningún analista detectaría este patrón manualmente hasta que el daño económico ya fuera considerable.
5. Seguimiento de obligaciones regulatorias y de cumplimiento
Los ciclos de inspección IEC 62446, los umbrales de garantía de rendimiento de los PPA, los compromisos de información con los prestamistas y las fechas de cumplimiento normativo se siguen y se gestionan automáticamente.
Cuando se acerca un plazo de cumplimiento y los datos o la documentación necesarios están incompletos, el sistema inicia el flujo de trabajo necesario para cumplir el plazo no el día antes, sino con antelación suficiente para completar los pasos pendientes.
Las plataformas de monitorización necesitan cada vez más respaldar la documentación y la gestión de plazos de inspecciones, compromisos de información y revisiones del rendimiento de los activos. La guía de buenas prácticas de O&M del NREL subraya que los procesos de O&M estandarizados mejoran el rendimiento, reducen costes y aumentan la transparencia para los inversores, que es precisamente donde la automatización agéntica aporta valor práctico.
Cómo la IA agéntica analiza los datos de inspección con drones
La inspección solar con drones es la fuente de datos en la que la IA agéntica aporta su valor más distintivo frente a las plataformas de IA asistida convencionales.
La diferencia no está en la calidad de la clasificación de fallos (ambos enfoques pueden alcanzar una precisión de detección de fallos del 99% en la clasificación de anomalías térmicas individuales), sino en lo que ocurre después de la clasificación.
En un flujo de trabajo de IA asistida convencional:
- El dron recopila imágenes térmicas y RGB
- La IA clasifica cada anomalía (tipo, severidad, diferencia de temperatura)
- La lista de fallos clasificados se presenta en un panel para la revisión del analista
- El analista revisa, valida y genera las órdenes de trabajo manualmente
- Las órdenes de trabajo entran en el sistema de O&M mediante un proceso aparte
Tiempo total desde la recogida de datos hasta una orden de trabajo activa: más largo, y a menudo medido en días, incluso en una operación bien gestionada.
En un flujo de trabajo de IA agéntica:
- El dron recopila imágenes térmicas y RGB
- La IA clasifica cada anomalía con una puntuación de confianza y una estimación del impacto económico
- El sistema correlaciona los nuevos fallos con el historial de inspecciones, el historial de rendimiento de los strings y las tendencias actuales del PR
- Los fallos de alta confianza (por encima del umbral definido) generan órdenes de trabajo automáticamente con instrucciones de despacho basadas en GPS
- Los fallos de baja confianza (por debajo del umbral o con un patrón inesperado) se marcan para revisión humana con un resumen estructurado
- La documentación de cumplimiento IEC 62446 se genera y archiva automáticamente
- El modelo de rendimiento de la planta se actualiza con el nuevo inventario de fallos
- El gestor de activos recibe un informe de excepciones que muestra qué se encontró, qué se hizo y qué requiere atención humana
Tiempo total desde la recogida de datos hasta una orden de trabajo activa: considerablemente menor, sin intermediación humana.
La diferencia de velocidad puede parecer incremental, pero multiplicada por una cartera grande con inspecciones semestrales, la diferencia operativa es significativa. Y el impacto económico de responder antes en cada ciclo de inspección, con decenas de fallos por ciclo, es material.
Límites de decisión: qué debe hacer la IA agéntica de forma autónoma y qué no
Un diseño eficaz de la IA agéntica requiere definir explícitamente qué decisiones están dentro de la autoridad autónoma del sistema y cuáles requieren escalado humano. Esto no es una limitación de la tecnología, sino una característica de un diseño de sistema responsable.
Apropiado para la acción autónoma:
- Generar y asignar órdenes de trabajo para fallos que cumplan criterios definidos (tipo de fallo confirmado, impacto por encima del umbral y disponibilidad de técnico confirmada)
- Programar eventos de inspección rutinarios dentro de parámetros preaprobados
- Generar y distribuir informes programados
- Actualizar los registros de condición de los activos con los hallazgos de inspección
- Activar sustituciones de equipos dentro de umbrales presupuestarios y condiciones preaprobados
Requiere revisión humana:
- Fallos con clasificación incierta (confianza por debajo del umbral)
- Fallos con posibles implicaciones de seguridad (fallo de aislamiento eléctrico, sobrecalentamiento de la caja de conexiones por encima de una severidad definida)
- Programación de inspecciones en condiciones no habituales (evaluación de daños tras una tormenta, sospecha de fallo sistemático de equipos)
- Decisiones de gasto de capital por encima de umbrales definidos
- Comunicaciones a partes externas (prestamistas, aseguradoras, reguladores)
- Cualquier acción en la que la confianza del sistema en sus datos esté por debajo del umbral (fallo de sensores, huecos de datos, condiciones ambientales fuera de los parámetros normales)
El límite entre la acción autónoma y el escalado humano debe ser configurable por la organización de gestión de activos, y no fijado por el proveedor de la plataforma. Cada operador tiene una tolerancia al riesgo, una estructura organizativa y unas preferencias de supervisión humana distintas en su flujo de O&M.
Requisitos de datos para una IA agéntica eficaz en solar
La IA agéntica rinde al máximo cuando dispone de un entorno de datos completo, de alta calidad e integrado. Las lagunas y los problemas de calidad limitan la capacidad de razonamiento del sistema y, en algunos casos, generan una confianza falsa en conclusiones erróneas.
Los datos mínimos necesarios para una IA agéntica de alto rendimiento en la O&M solar son:
Datos eléctricos continuos:
- Corriente y tensión de string con una resolución de ≤5 minutos
- Telemetría de rendimiento AC y DC de los inversores
- Datos de generación a nivel de contador para el seguimiento de las garantías de rendimiento
- Irradiancia y temperatura a nivel de planta, medidas con sensores calibrados
Datos de inspección térmica periódica:
- Imágenes térmicas capturadas con dron, con metadatos GPS, registro de irradiancia y parámetros de captura conformes a IEC 62446-3
- Frecuencia de inspección: mínimo anual; semestral para carteras con historial activo de fallos o con alto riesgo de degradación
Datos históricos de referencia:
- Resultados de los ensayos de strings de puesta en servicio (curvas I-V, resistencia de aislamiento)
- Especificaciones de todos los paneles, inversores y configuraciones de strings instalados
- Historial de fallos y resultados de reparaciones (qué se reparó, cuándo y qué recuperación de rendimiento se observó)
Datos externos:
- Datos meteorológicos y de irradiancia de alta resolución para la línea base de producción modelada (PVGIS, SolarAnywhere o equivalente)
- Base de datos de fallos de equipos (boletines técnicos de los fabricantes, datos de fiabilidad en campo de los modelos de panel instalados)
Umbral de calidad de datos: los datos de monitorización de strings con más de un 5% de intervalos perdidos o corruptos degradan de forma significativa la precisión de la detección de anomalías. Los sensores de irradiancia que se descalibran producen errores sistemáticos en el modelo de rendimiento. La monitorización de la calidad de los datos y la detección automática de problemas de calidad son, en sí mismas, una función agéntica en un sistema bien diseñado.
La norma IEC 61724-1:2021 describe la terminología, los equipos y los métodos para la monitorización y el análisis de instalaciones fotovoltaicas, y sirve explícitamente de base para otras normas que dependen de los datos recogidos.
La guía del NREL sobre buenas prácticas de operación y mantenimiento de sistemas fotovoltaicos destaca que los enfoques de monitorización y mantenimiento estandarizados pueden reducir costes, mejorar el rendimiento y aumentar la previsibilidad para inversores y operadores.
La arquitectura de IA agéntica de ClearSpot
ClearSpot.ai se diseñó desde cero como una plataforma de IA agéntica para la gestión de activos solares, y no como una herramienta de monitorización con funciones de IA añadidas. La arquitectura refleja esta prioridad de diseño:
Integración de datos de múltiples fuentes
ClearSpot ingiere datos eléctricos continuos de las principales marcas de inversores mediante integraciones nativas, datos de inspección térmica con drones de la propia red de inspección de ClearSpot y datos externos de irradiancia y meteorología de fuentes de terceros calibradas. Todos los datos se normalizan a un esquema unificado antes de entrar en la capa de razonamiento.
Capa de razonamiento
La capa de IA principal de la plataforma ejecuta de forma continua un análisis entre flujos de datos: correlaciona las desviaciones de rendimiento de los strings con el inventario de fallos térmicos, identifica patrones entre plantas y mantiene un modelo de fallos actualizado para cada activo de la cartera.
Motor de decisión
El motor de decisión aplica los límites de autoridad configurados por el operador para determinar si cada condición detectada debe actuarse de forma autónoma, escalarse para revisión o monitorizarse a lo largo del tiempo. Los umbrales de autoridad se configuran por planta, por tipo de fallo y por clase de acción.
Ejecución de acciones
Las acciones autónomas (creación de órdenes de trabajo, programación de inspecciones, generación de informes) se ejecutan mediante integraciones con el CMMS, los sistemas de programación y los flujos de informes existentes del operador. ClearSpot no obliga a los operadores a sustituir sus herramientas de O&M; las complementa con inteligencia agéntica.
Bucle de retroalimentación
Cuando los técnicos completan las reparaciones y actualizan el estado de las órdenes de trabajo, ese resultado vuelve al modelo: mejora las estimaciones de impacto de los fallos, afina los umbrales de detección y actualiza el modelo de fiabilidad de equipos de cada planta.
El resultado es un sistema en el que los analistas de O&M pasan de la clasificación de alertas y la preparación manual de informes a la revisión de excepciones y la toma de decisiones estratégicas. En una cartera de 100MW, reducir los costes de O&M con IA a este nivel supone normalmente una reducción del 30–50% en los costes de mano de obra de O&M frente a los programas de monitorización convencionales.
Qué esperar de la IA agéntica en solar durante los próximos 3 años
Las capacidades de IA agéntica disponibles hoy representan la fase inicial de un ciclo tecnológico que se acelerará de forma significativa. Según las trayectorias actuales de desarrollo, tanto en capacidad de IA como en el entrenamiento de modelos específicos para solar, las siguientes capacidades son expectativas realistas para su despliegue operativo en el periodo 2026–2028:
Ejecución de inspecciones más autónoma (2026–2027)
Una integración más estrecha entre las plataformas agénticas y los sistemas de vuelo de drones permitirá activar inspecciones de forma realmente autónoma: la plataforma no solo programará las inspecciones, sino que iniciará los vuelos, ajustará los parámetros de vuelo según el tiempo en tiempo real y confirmará la calidad de los datos antes de que el dron aterrice. Los sistemas drone-in-a-box en posiciones permanentes de la instalación respaldarán esta arquitectura.
Modelado predictivo de fallos (2027)
En lugar de detectar los fallos cuando ya se han desarrollado, la IA agéntica predecirá el inicio de los fallos a partir de firmas tempranas de degradación. Las series de imágenes térmicas plurianuales, combinadas con modelos de fiabilidad de equipos y datos de estrés ambiental, permitirán al sistema señalar los paneles con una probabilidad de fallo elevada antes de que el impacto eléctrico sea detectable. Así, el mantenimiento pasa de ser reactivo a ser realmente predictivo.
Tramitación automatizada de reclamaciones de garantía y de seguros (2027)
Cuando un fallo cumpla los criterios para una reclamación de garantía del fabricante o para un evento cubierto por un seguro, el sistema agéntico preparará la documentación de la reclamación, cruzará el número de serie del equipo con las condiciones de la garantía y presentará la reclamación inicial, con revisión humana antes del envío final. Para las carteras con programas de garantía activos, esta automatización supone un valor administrativo considerable.
Inteligencia de equipos entre carteras (2027–2028)
A medida que las plataformas de IA agéntica agreguen datos de fallos de grandes flotas de múltiples operadores, la inteligencia de fiabilidad a nivel de equipo (tasas de fallo por modelo de panel, marca de inversor, antigüedad de la instalación y estrés ambiental regional) estará disponible con una profundidad estadística que ningún operador individual puede alcanzar. Esta inteligencia de flota alimentará directamente las decisiones de compra, la planificación de O&M y la negociación de garantías de equipos.
La trayectoria apunta a un entorno de O&M en el que el papel humano es el control estratégico, la gestión de excepciones y la relación con los stakeholders, mientras el sistema agéntico gestiona el ciclo operativo continuo, desde la recogida de datos hasta la resolución de fallos y la documentación.
Para quienes evalúan hoy plataformas de monitorización solar con IA, la pregunta clave es si la plataforma elegida está diseñada para evolucionar en esta dirección o si sus capacidades de IA son un punto fijo.
Conclusión
La IA agéntica en la monitorización solar no es un concepto lejano ni una aspiración de marketing. Es una capacidad operativa disponible hoy, que ofrece mejoras medibles en la velocidad de detección de fallos, en la eficiencia de la mano de obra de O&M y en la integridad de la documentación para carteras de 20MW o más que ya la han desplegado.
La distinción que importa en las evaluaciones tecnológicas es la que existe entre:
- Plataformas que aplican la IA para asistir a los analistas humanos (mejoran la productividad del analista)
- Plataformas en las que la IA actúa de forma autónoma dentro de límites definidos (transforman el papel del analista)
Esta última opción desplaza la atención humana de la clasificación rutinaria de operaciones a las decisiones que realmente requieren criterio humano.
Para los directores de O&M y los CIO que evalúan el panorama tecnológico, las plataformas que definirán la ventaja competitiva en la gestión de activos solares durante los próximos 5 años se están seleccionando ahora. La IA agéntica es la capacidad que las separa de las herramientas de monitorización convencionales.
Vea la IA agéntica de ClearSpot en acción. La plataforma está diseñada para integrarse sobre los flujos de trabajo SCADA y CMMS existentes y, después, automatizar el análisis y la ejecución de los siguientes pasos en las operaciones solares. Puede solicitar una demostración en la página Solicitar demo.
Vea la IA agéntica de ClearSpot en acción.
Reserve una demo para ver cómo la plataforma pasa de los datos de inspección térmica a órdenes de trabajo priorizadas en un flujo de O&M solar conectado.
Preguntas frecuentes
La IA agéntica en la monitorización solar se refiere a sistemas de IA que pueden analizar datos, tomar decisiones y activar acciones de forma independiente para mejorar el rendimiento de las plantas solares. Cada vez se utiliza más en operaciones de O&M a gran escala para reducir la intervención manual.
La IA tradicional se utiliza sobre todo para alertas y predicciones, mientras que la IA agéntica es capaz de actuar a partir de esos conocimientos. Por ejemplo, los fallos pueden detectarse, priorizarse y asignarse automáticamente a los flujos de resolución.
El tiempo de inactividad se reduce porque los fallos no solo se detectan, sino que también se clasifican y escalan automáticamente. Así, los equipos de mantenimiento se centran antes en los problemas más críticos.
El mantenimiento predictivo se potencia con la IA agéntica, ya que el riesgo de fallo se evalúa de forma continua y las acciones de mantenimiento se programan de forma proactiva antes de que se produzcan averías.
Se analizan múltiples fuentes de datos, entre ellas los sistemas SCADA, los datos de rendimiento de los inversores, las condiciones meteorológicas, las inspecciones con drones y el historial de mantenimiento.
No, los equipos humanos no se sustituyen. Lo que se automatizan son la monitorización rutinaria y las tareas repetitivas de decisión, para que los ingenieros se centren en un trabajo operativo de mayor valor.