¿Puede la IA ayudar a identificar los edificios con peor rendimiento antes de iniciar grandes programas de rehabilitación?

Sí. La IA puede ayudar a identificar los edificios con peor rendimiento de una cartera antes de poner en marcha programas de rehabilitación. Funciona así:

• Análisis de datos a escala: La IA revisa las facturas energéticas, los patrones de ocupación, las características de los edificios y los datos climáticos para encontrar inmuebles con bajo rendimiento.
• Mejora de la puntería: Al identificar los edificios de alto riesgo, la IA ayuda a evitar el despilfarro de recursos en activos de baja prioridad.
• Modelos avanzados: Técnicas como la detección de anomalías, la agrupación y el modelado predictivo clasifican los edificios por rendimiento y riesgo.
• Integración de datos: La IA combina diversas fuentes de datos, como facturas de servicios públicos, datos de sensores IoT y registros de mantenimiento, para obtener información más precisa.
• Apoya a los expertos: La IA reduce el enfoque, lo que garantiza que los ingenieros dediquen tiempo a lo más importante.

Beneficios clave:

• Ahorro potencial de energía: 10-40%.
• Predicciones más precisas: Los modelos de IA alcanzan índices de error tan bajos como 5%, frente a los 18-25% de los métodos tradicionales.
• Planificación financiera a largo plazo: La IA respalda las estrategias de inversión plurianuales, reduciendo los costes e impulsando el retorno de la inversión.

La IA no sustituye a las auditorías de expertos, sino que actúa como herramienta de preselección para orientar decisiones más inteligentes y basadas en datos.

Seminario web de la OAA: Utilización de la IA y las imágenes infrarrojas en la rehabilitación energética

sbb-itb-5be7949

Por qué los programas de rehabilitación pasan por alto los edificios con peores resultados

Los programas de rehabilitación suelen quedarse cortos porque se centran en los objetivos equivocados. Esto se debe principalmente a tres problemas: datos incompletos, un enfoque en el coste por encima del rendimiento y el impacto financiero de una mala orientación.

Lagunas en los datos y la visibilidad de la cartera

La calidad de los datos de las carteras de edificios suele ser desigual. Un inmueble puede disponer de auditorías energéticas detalladas y registros de medición, mientras que otro apenas cuenta con más datos que sus metros cuadrados y su dirección. Esta disparidad dificulta la comparación equitativa de los edificios.

"Las decisiones de reconversión se vuelven más difíciles, no porque no haya soluciones disponibles, sino porque los edificios varían en preparación, calidad de datos y limitaciones." - Schneider Electric ^[3]

Las auditorías energéticas tradicionales pueden ayudar a colmar estas lagunas, pero son caras y requieren mucho tiempo. En consecuencia, las decisiones suelen basarse en datos incompletos, lo que aleja los esfuerzos de las verdaderas mejoras basadas en el rendimiento.

Priorizar el coste sobre el rendimiento

Cuando los presupuestos son ajustados, los propietarios de los edificios tienden a dar prioridad a las modernizaciones más baratas frente a las que podrían suponer un mayor ahorro energético. Este enfoque basado en los costes suele dar lugar a predicciones de ahorro poco fiables. Los modelos de planificación basados en la regresión, por ejemplo, presentan tasas de error que oscilan entre 18% y 25%, lo que pone de manifiesto los riesgos financieros de ignorar los datos de rendimiento. ^[4]. A largo plazo, esta mentalidad puede desbaratar los esfuerzos por lograr una eficiencia energética significativa.

El coste de atacar los edificios equivocados

Centrarse en los edificios equivocados supone malgastar dinero y ralentizar el avance hacia los objetivos de descarbonización. Centrarse en los edificios con peor rendimiento -los "grandes ahorradores"- puede reducir el uso total de energía de la cartera en un 12-32%. ^[2]. Perder estas oportunidades es cada vez más arriesgado a medida que se endurecen las normativas energéticas y los inquilinos exigen espacios más ecológicos. Los edificios que no cumplan los criterios de rendimiento pueden enfrentarse a problemas de cumplimiento, reducción del potencial de arrendamiento y pérdida de valor.

La IA ofrece una salida a este ciclo. Al ofrecer información precisa y basada en datos, puede identificar a los verdaderos subempleados de una cartera y ayudar a los propietarios a tomar decisiones más inteligentes.

"Abordar la eficiencia energética es el camino más tangible hacia la descarbonización inmobiliaria, pero muchos propietarios de edificios carecen de una hoja de ruta clara." - Ramya Ravichandar, vicepresidenta de gestión de productos, edificios inteligentes y IoT, JLL. ^[1]

Cómo la IA localiza edificios de alto riesgo e impacto

En el caso de las grandes carteras inmobiliarias, saber por dónde empezar puede parecer como buscar una aguja en un pajar. La IA interviene analizando sistemáticamente los datos para identificar los activos que requieren atención inmediata.

Métodos de IA para analizar grandes carteras

La IA utiliza técnicas avanzadas como la detección de anomalías para detectar un uso inusual de la energía, la agrupación de edificios similares y el modelado predictivo para calcular la demanda futura de energía y las emisiones. Estas herramientas ayudan a clasificar los activos en función del riesgo, lo que facilita la priorización de las medidas.

Uno de los métodos más destacados es la puntuación del riesgo. Este método evalúa los edificios en función de factores como su exposición a cambios normativos y su potencial para convertirse en activos inmovilizados a medida que se endurecen las normas energéticas. Combinando modelos como LSTM (redes de memoria a largo plazo) y XGBoost, La IA capta tanto los patrones temporales como las complejas interacciones entre las características de los edificios. Estos modelos híbridos son muy precisos, con un error cuadrático medio (RMSE) inferior a 5%, frente a los 18-25% de los modelos de regresión tradicionales. ^[4].

Cuando se integran múltiples flujos de datos, estas evaluaciones de riesgos se vuelven aún más nítidas.

Combinar varias fuentes de datos para obtener una imagen completa

Ningún conjunto de datos por sí solo puede ofrecer una perspectiva completa. La IA reúne varios datos, incluidos los detalles fundamentales del edificio (como superficie, antigüedad, aislamiento y sistemas de calefacción, ventilación y aire acondicionado), datos operativos de contadores inteligentes y sistemas de gestión de edificios, registros de mantenimiento de GMAO y factores contextuales como patrones meteorológicos y horarios de ocupación. Los registros de emisiones de carbono y las métricas de intensidad de uso de la energía (EUI) también se incorporan para enriquecer el análisis.

La IA destaca en el tratamiento de datos incoherentes. Por ejemplo, los modelos de conjuntos híbridos combinan datos de sensores de alta frecuencia de edificios modernos con registros más dispersos de edificios más antiguos. ^[6]. Esto es fundamental porque los edificios más antiguos son aproximadamente 1,65 veces más sensibles a los cambios en la demanda de energía inducidos por el clima que los edificios más nuevos, de consumo de energía casi nulo. Para 2050, se espera que la demanda de energía aumente en 199,1% en los edificios tradicionales frente a 120,7% en los más eficientes. ^[6]. La IA ayuda a cuantificar esta "brecha de resistencia climática", dando a los gestores de activos una alerta temprana sobre posibles riesgos financieros.

Esta selección precisa sienta las bases para las evaluaciones específicas de los expertos.

La IA como herramienta de selección, no de decisión final

La IA no sustituye a las auditorías detalladas, sino que se centra en los activos que necesitan una investigación más profunda. Este enfoque mantiene los costes bajo control, al tiempo que garantiza que la experiencia en ingeniería se dirige a donde más importa.

"El valor de la IA reside en su capacidad para aprender los patrones de demanda energética de los activos de los edificios y optimizar la distribución de la energía." - Ramya Ravichandar, vicepresidenta de gestión de productos, edificios inteligentes y IoT, JLL. ^[1]

La IA también detecta problemas sutiles como la "degradación invisible". Por ejemplo, puede identificar un aumento gradual 2% semanal del consumo de energía que podría pasar desapercibido durante las inspecciones rutinarias ^[7]. Aunque la IA no sustituirá a los ingenieros, garantiza que sus esfuerzos se centren en las áreas en las que las mejoras y las inversiones tendrán mayor impacto.

Qué necesitan los modelos de IA de datos para funcionar bien

La calidad de los datos es la columna vertebral de cualquier modelo de IA que pretenda identificar edificios de alto riesgo y priorizar las inversiones en rehabilitación. La precisión y la estructura de los datos de entrada determinan directamente la fiabilidad de los resultados del modelo.

Datos básicos para el análisis de IA

Los modelos de IA se basan en datos fundamentales de los que ya disponen la mayoría de los propietarios de edificios, como:

• Registros de activos
• Facturas de servicios públicos
• Dibujos arquitectónicos
• Horarios de ocupación
• Registros de mantenimiento

Estos datos sirven de referencia para conocer el consumo energético, las pautas de funcionamiento y el historial de mantenimiento de un edificio.

Sin embargo, el acceso a registros detallados varía. Los edificios con datos limitados sólo pueden admitir medidas básicas, como recomendaciones generales basadas en el tipo, el tamaño y la ubicación (medidas de nivel 3). En cambio, los datos exhaustivos permiten realizar análisis más precisos y profundos, que mejoran significativamente la precisión de las predicciones de la IA ^[3].

Una vez que se dispone de estos datos básicos, las entradas avanzadas pueden llevar el análisis al siguiente nivel.

Entradas avanzadas que mejoran la precisión del modelo

Añadir datos más detallados y específicos afina las predicciones de la IA. Por ejemplo:

• Datos energéticos normalizados según las condiciones meteorológicas: Elimina las fluctuaciones estacionales, revelando las verdaderas diferencias de eficiencia.
• Registros de condiciones a nivel de componente: Incluye métricas como la transmitancia térmica (valores U) de paredes y ventanas, exploraciones termográficas, material y antigüedad de las tuberías y datos de sensores IoT en tiempo real (por ejemplo, vibración, presión y consumo de corriente).

Cuando la IA analiza señales de IoT multivariantes, como la comparación del consumo de corriente del compresor con la temperatura ambiente, puede detectar fallos semanas antes de que provoquen una avería. De hecho, algunos sistemas pueden identificar problemas con entre 3 y 6 semanas de antelación. ^[5][7][9]. Este tipo de mantenimiento proactivo sólo es posible con datos continuos, granulares y bien etiquetados.

Aun así, disponer de los datos adecuados es sólo una parte de la ecuación. La gestión adecuada de esos datos es la clave.

Por qué es importante la gobernanza de datos

Recopilar datos es una cosa, pero garantizar que se puedan utilizar es un reto totalmente distinto. Problemas como nombres incoherentes, entradas duplicadas y sistemas aislados en varias propiedades pueden obstaculizar la capacidad de la IA para generar información fiable. Como dice el blog de Schneider Electric:

"La coherencia importa tanto como la sofisticación técnica. Los responsables de la toma de decisiones de cartera rara vez necesitan predicciones precisas, año a año... Lo que necesitan es una forma fiable de comparar opciones." ^[3]

Para que los resultados de la IA sean procesables -especialmente cuando informan de decisiones de modernización multimillonarias-, los datos deben estar centralizados, validados y formateados de forma coherente. Sin una gobernanza clara de los datos, incluso los modelos más avanzados pueden producir resultados difíciles de confiar o aplicar. ^[8].

Establecer estándares de datos para toda la cartera no es solo una formalidad técnica; es esencial para liberar todo el potencial de la IA. Los datos controlados constituyen la base de la información basada en IA que conduce a inversiones en modernización eficaces y específicas.

Convertir los conocimientos de la IA en un plan de inversión en modernización

Una vez que la IA identifica los edificios de alto riesgo, el siguiente paso es transformar esos conocimientos en estrategias de inversión prácticas.

De la selección de carteras a la comparación de escenarios

El análisis detallado de AI proporciona una lista clasificada de edificios en función del riesgo, el rendimiento energético y los costes previstos. Pero una lista por sí sola no es suficiente para actuar. Para hacerla práctica, segmente la lista en niveles: edificios que necesitan atención inmediata, aquellos que pueden esperar 2 o 3 años y propiedades en las que, de momento, bastan pequeños ajustes operativos.

A partir de ahí, utilice comparaciones de escenarios para sopesar diferentes prioridades y plazos de modernización. Las herramientas de IA son excelentes a la hora de contrastar estos escenarios con las limitaciones del mundo real, como los límites presupuestarios, los objetivos de reducción de carbono y los niveles de riesgo aceptables. Este proceso ayuda a afinar las decisiones antes de que comience cualquier gasto real, creando un camino claro hacia un modelo plurianual de CAPEX y OPEX.

Elaboración de planes plurianuales de CAPEX y OPEX

Las comparaciones de escenarios sientan las bases para una hoja de ruta detallada de las inversiones. Esta hoja de ruta evalúa las opciones de modernización en múltiples dimensiones, como la intensidad del uso de la energía, el rendimiento de la inversión (ROI), la tasa interna de rendimiento (IRR), el valor actual neto (NPV) y el ahorro previsto de CO₂. Estas métricas suelen modelarse para periodos de 25 años o más. ^[5].

Esta perspectiva a largo plazo es crucial. Sin un análisis del coste del ciclo de vida, las decisiones de modernización pueden parecer más baratas al principio, pero con el tiempo suponen mayores gastos. Pasar de las reparaciones reactivas y de emergencia a un enfoque a largo plazo. modelo predictivo de inversión no sólo estabiliza los presupuestos, sino que también minimiza las sorpresas financieras desagradables. Los sistemas creados con este enfoque suelen ofrecer un retorno de la inversión en un plazo de 6 a 12 meses. ^[10].

Uso de plataformas de gestión de activos como Oxand Simeo™

Plataformas como Oxand Simeo™ tiende un puente entre los conocimientos de la IA y los planes de inversión viables. Con una amplia biblioteca de 10.000 modelos de envejecimiento y rendimiento energético y 30.000 acciones de mantenimiento, Oxand Simeo™ simula la degradación de los activos y los costes de intervención, sin necesidad de hardware o sensores adicionales. ^[10].

He aquí dos ejemplos de su eficacia:

• In'li, Oxand Simeo™, un grupo francés de gestión de propiedades residenciales, integró los objetivos de rendimiento energético en la planificación de sus inversiones. Su Jefe de Presupuesto y Valoración de Activos explicó:
  

  "Recurrimos a Oxand porque necesitábamos una herramienta que nos proporcionara una visión predictiva -no sólo correctiva- y nos ayudara a gestionar nuestras inversiones con mayor eficacia. Oxand destacó por sus capacidades de gestión de riesgos"." ^[10]

• En Departamento del Mosa en Francia se enfrentaba a retos con datos fragmentados y dispersos en múltiples sistemas. Al consolidar estos datos mediante Oxand Simeo™, crearon proyecciones de inversión claras y con visión de futuro. Su Director General de Servicios compartió:
  

  "Necesitábamos una herramienta que nos permitiera consolidar los datos fragmentados que teníamos y proyectarlos de forma que pudieran presentarse claramente a nuestros cargos electos, que son los que toman las decisiones"." ^[10]

Ambos ejemplos ponen de relieve cómo las herramientas basadas en datos pueden alinear las acciones a corto plazo con las estrategias de inversión a largo plazo, creando planes maestros prácticos y con visión de futuro.

Conclusiones: Hacer de la IA una parte estándar de la planificación de la modernización

Cuando el análisis de la cartera no es fiable, los propietarios de edificios suelen acabar gastando dinero en activos que no necesitan atención inmediata, mientras que los activos críticos y de alto riesgo siguen deteriorándose. La IA da la vuelta a este guión proporcionando una forma coherente y escalable de determinar dónde las intervenciones marcarán la mayor diferencia.

Las cifras lo avalan. Las investigaciones demuestran que los marcos de decisión basados en IA pueden aumentar el rendimiento hasta un 53% en comparación con los enfoques tradicionales de planificación de la modernización ^[12]. A mayor escala, las organizaciones que pasan de un mantenimiento reactivo a estrategias predictivas basadas en la IA pueden reducir su coste total de propiedad hasta en un 50%. 30% a lo largo del tiempo ^[11].

La IA también destaca en la gestión de la complejidad de los escenarios del mundo real. Tanto si se trata de activos equipados con datos de medición detallados como de aquellos que sólo disponen de información básica -como el tipo, el tamaño o la ubicación del edificio-, la IA ofrece resultados precisos en una amplia gama de condiciones. Su fuerza reside en la gestión coherente de perfiles de activos diversos y complejos a gran escala.

Teniendo en cuenta estos datos y las claras ventajas de la IA, está claro que esta tecnología debería convertirse en una parte esencial de la planificación de la modernización. En lugar de ser una solución puntual, la IA debería servir como una capa de inteligencia continua, basando las decisiones de inversión en conocimientos sólidos y basados en datos. Combinada con herramientas integradas de gestión de activos, la IA permite a los propietarios de edificios actuar antes, asignar recursos de forma más inteligente y crear programas de modernización que sigan siendo eficaces en los años venideros.

Preguntas frecuentes

¿Cuántos datos del edificio necesito para que funcione la detección por IA?

La cantidad de datos necesarios varía en función de la aplicación, pero la norma suele ser disponer de grandes conjuntos de datos. Estos conjuntos de datos suelen incluir datos de utilidad, características del edificio, consumo de energía, información meteorológica, en imágenes de teledetección. Por ejemplo, se han utilizado herramientas de IA para analizar instalaciones que ocupan una superficie de 40 millones de pies cuadrados. Aprovechando métricas como intensidad energética, emisiones de carbono, en rendimiento histórico, Estas herramientas pueden proporcionar información precisa y práctica.

¿Cómo puedo validar los resultados de la IA antes de gastar en adaptaciones?

Para asegurarse de que los resultados de la IA son fiables antes de comprometerse a realizar adaptaciones, hay que dar algunos pasos clave. En primer lugar, busque validación independiente de las capacidades de la IA. Compruebe si tiene un historial de éxito con carteras similares a la suya. La transparencia es crucial, así que confirme que el proceso de medición y verificación (M&V) es claro y fácil de auditar.

Pida referencias de edificios comparables en tamaño, tipo y ubicación a la suya. También es importante evaluar el rendimiento de la IA en varios sitios, no sólo en un único proyecto piloto. Esto le permitirá comprender mejor su coherencia y fiabilidad. Y lo que es más importante, asegúrese de que cualquier ahorro esté respaldado por un proceso que pueda medirse y verificarse con confianza.

¿Cómo pueden convertirse las clasificaciones de IA en un plan presupuestario de modernización a 3-5 años?

Las clasificaciones de IA ofrecen una forma inteligente de elaborar un plan presupuestario de modernización a 3-5 años examinando factores críticos como la eficiencia energética, los requisitos de mantenimiento y la huella de carbono. Este análisis ayuda a determinar qué edificios necesitan más mejoras, lo que permite a los gestores de activos centrar sus inversiones allí donde tendrán el mayor impacto. Mediante el uso de una estrategia escalonada, las acciones pueden organizarse en una secuencia lógica, equilibrando las mejoras inmediatas con los objetivos a largo plazo. Este enfoque garantiza que los recursos se utilicen de forma eficaz, al tiempo que se alinean los presupuestos con los objetivos de sostenibilidad.

Entradas de blog relacionadas

• Ganancias rápidas para la sostenibilidad: Acciones de bajo coste que preparan su cartera para grandes cambios
• Planes Nacionales de Renovación de Edificios: Cómo convertir la política en una estrategia de inversión de cartera
• Edificios con peores resultados: Cómo identificar, clasificar y escalonar las inversiones de una cartera
• Cómo la IA puede ayudar a planificar la inversión en descarbonización en las carteras de los edificios