Mejorar la eficiencia energética urbana, entendida como la capacidad de las ciudades de transformar energía y otros insumos en producto económico limitando las salidas ambientales no deseadas, es central para conciliar desarrollo y sostenibilidad. La inteligencia artificial puede apoyar el pronóstico, el control de procesos y la programación de equipos, pero su efecto neto no es automático: servicios más eficientes pueden volverse más baratos y más usados, lo que genera un efecto rebote parcial o, en el extremo, la paradoja de Jevons, y la propia inteligencia artificial consume electricidad en cómputo e infraestructura. Dos argumentos teóricos explican por qué sus dimensiones aportan información distinta: las tecnologías de propósito general requieren inversiones complementarias en prácticas organizativas y habilidades, y la capacidad de absorción condiciona qué tan bien se asimila la tecnología. La atención de política señala prioridades sin garantizar ejecución, las patentes registran invención sin demostrar despliegue local y las empresas pueden ofrecer tecnologías cuyo uso depende de clientes e infraestructura.

El estudio usa un panel balanceado de 279 ciudades chinas de nivel prefectura entre 2006 y 2023, con 5022 observaciones ciudad-año. La eficiencia energética urbana se mide con un modelo de medida basada en holguras con superficiencia y productos no deseados, que combina trabajo, capital y energía como insumos, el producto interno bruto como producto deseable y contaminantes industriales como productos no deseados; la energía de cada ciudad se estima distribuyendo los totales provinciales con luces nocturnas satelitales. La inteligencia artificial se representa con tres indicadores: atención de política, medida por menciones en los informes de gobierno de cada ciudad; capacidad de innovación, medida por las patentes anuales; y desarrollo industrial, medido por el número de empresas del sector. Estos se evalúan junto con 12 factores urbanos convencionales, como ingreso, urbanización, densidad, inversión, infraestructura vial y de información e investigación y desarrollo. Se comparan ocho algoritmos con validación cruzada de cinco pliegues, y se complementa con validaciones por ciudad y cronológica.

El modelo XGBoost obtiene un R2 de 0,787 en validación cruzada, de 0,822 en el conjunto reservado (RMSE de 0,061), de 0,801 al reservar ciudades completas y de 0,809 al entrenar con 2006 a 2017 y probar con 2018 a 2023. La eficiencia media nacional pasa de 0,221 en 2006 a 0,408 en 2023, con dispersión persistente entre ciudades. La interpretación con TreeSHAP indica que el PIB per cápita (21,47%), la urbanización (14,08%) y la infraestructura de información (9,79%) lideran la importancia global. Entre los indicadores de inteligencia artificial, la capacidad de innovación ocupa el puesto 10 (4,23%), el desarrollo industrial el 13 (2,94%) y la atención de política el 15 (0,82%). En el noreste, la capacidad de innovación sube al quinto lugar con 8,78% de la atribución regional, y es la dimensión con mayor heterogeneidad. El desarrollo industrial pesa más en el este. Ninguna de las tres dimensiones muestra un patrón monótono, y las interacciones más fuertes combinan la innovación con la urbanización y el ingreso, y el desarrollo industrial con el ingreso. En las ciudades basadas en recursos, la innovación supera al desarrollo industrial, y en las demás ocurre lo contrario.

Los autores subrayan que las atribuciones describen patrones del modelo y no efectos causales: la política, las patentes y las empresas son medidas imperfectas de la adopción real, las dos medidas de capacidad están correlacionadas (0,833), la estimación de la energía urbana con luces nocturnas puede introducir error y el diseño observacional no resuelve la endogeneidad. Sugieren evaluar la adopción documentada y distinguir ganancias de eficiencia de reducciones del consumo absoluto. Para el sector eléctrico colombiano y la alianza de redes inteligentes, el estudio muestra que el ingreso, la urbanización y la infraestructura digital condicionan más la eficiencia que la presencia de inteligencia artificial por sí sola, y ofrece un método interpretable para decidir dónde y bajo qué condiciones invertir en gestión inteligente de la energía urbana.

Para leer más ingrese a:

https://www.mdpi.com/1996-1073/19/19/4720