La industria nuclear está incorporando de forma creciente herramientas de inteligencia artificial y aprendizaje automático para mejorar la eficiencia en ingeniería, diseño y soporte operativo. Estas aplicaciones introducen características específicas, como la limitada transparencia de los cálculos internos, la fuerte dependencia de los datos de entrenamiento y la ausencia frecuente de cotas de incertidumbre explícitas, que dificultan la demostración de exactitud frente a las herramientas deterministas tradicionales. Los estándares de aseguramiento de la calidad, entre ellos ASME NQA-1 y las guías de verificación y validación respaldadas por el regulador, han demostrado su utilidad para software complejo, pero no está claro si sus atributos resultan suficientes para los distintos tipos de sistemas de inteligencia artificial, desde modelos deterministas y discriminativos hasta aplicaciones generativas.

Para evaluar esta cuestión se seleccionaron cuatro casos de uso representativos ya desplegados en empresas de energía nuclear: un modelo de aprendizaje automático para predecir el arrastre de humedad durante el diseño de núcleos de reactores de agua en ebullición, el procesamiento de lenguaje natural aplicado a flujos de acciones correctivas y planificación de mantenimiento, la asistencia de inteligencia artificial en el examen no destructivo de indicaciones de inspección, y el uso empresarial de asistentes generativos para trabajo de conocimiento. La información se obtuvo mediante entrevistas estructuradas con tres empresas y se contrastó con un conjunto de atributos de calidad derivados de los estándares vigentes: definición del uso previsto, aseguramiento de datos, verificación y validación, gestión de la configuración, documentación y supervisión humana. El alcance del estudio excluyó deliberadamente el uso de inteligencia artificial en sistemas de control de planta.

Los resultados muestran un patrón consistente. En todos los casos la inteligencia artificial se limita a un rol de apoyo a la decisión, con responsabilidad humana retenida y revisión obligatoria de las salidas antes de su uso. Las estructuras de aseguramiento de la calidad ya existentes, incluidos los procesos de revisión de ingeniería, los programas de acciones correctivas y las prácticas de calificación de inspecciones, se emplean para controlar los resultados en lugar de crear marcos enteramente nuevos. La rigurosidad de los controles se gradúa según el riesgo y la consecuencia: calificación más formal para el examen no destructivo, evaluación comparativa y monitoreo para herramientas de ingeniería, y controles basados en procesos para las aplicaciones empresariales. Este enfoque graduado se alinea con la práctica nuclear consolidada de defensa en profundidad y trazabilidad.

Al mismo tiempo, se identifican vacíos relevantes. La integridad y representatividad de los datos, la caracterización de la incertidumbre del modelo y la medición estandarizada del desempeño permanecen como áreas insuficientemente abordadas. La explicabilidad limitada de muchos modelos dificulta la validación y la eventual aceptación regulatoria, lo que obliga a compensar con evaluación comparativa y supervisión reforzada. La revisión humana constituye el control primario, pero carece aún de orientación estructurada sobre métodos de revisión y modos de falla específicos de la inteligencia artificial, en particular de los sistemas generativos. Estos hallazgos confirman que los marcos actuales pueden sustentar las aplicaciones de menor riesgo, pero también señalan las prioridades de investigación y desarrollo necesarias para habilitar usos más amplios y de mayor significancia para la seguridad.

Para leer más ingrese a:

https://www.epri.com/research/products/000000003002036210