Por qué la energía distribuida es un desafío para los operadores
Las redes de distribución activas se parecen cada vez menos al clásico «tubo» por el que la electricidad fluye en una sola dirección. Debido a la conexión masiva de paneles solares, sistemas de almacenamiento, estaciones de carga y la aparición de consumidores activos que a la vez compran y venden energía, la gestión de estas redes se convierte en una tarea con un gran número de escenarios y objetivos contradictorios. Una misma decisión debe tener en cuenta la fiabilidad, la economía, las limitaciones de los equipos y las señales del mercado, y todo ello en un modo casi en tiempo real.
Para resolver problemas de este tipo, ingenieros e investigadores han creado en los últimos años numerosos modelos muy especializados: unos pronostican la carga, otros optimizan los flujos de potencia y otros evalúan el estado de la red. Por separado, estos modelos funcionan bien. Pero cuando el operador se enfrenta a una nueva tarea compleja, tiene que seleccionar manualmente los algoritmos necesarios, familiarizarse con sus interfaces, transferir datos entre ellos e interpretar los resultados. Esto exige un alto nivel de cualificación y una enorme cantidad de trabajo manual. Prácticamente cada nuevo escenario se convierte en un proyecto de integración independiente.
El resultado es una paradoja: hay cada vez más modelos de IA especializados, pero su beneficio conjunto para el operador no crece tan rápido, porque se dedica demasiado tiempo a la orquestación. Se necesita una herramienta que asuma la parte rutinaria de este trabajo: que entienda la solicitud del usuario, la descomponga en subtareas y active por sí misma los modelos necesarios en el orden correcto.
El coordinador LLM convierte una solicitud compleja en un flujo de trabajo
Un grupo de investigadores liderado por Xu Yang propuso un enfoque en el que una gran modelo de lenguaje asume el papel de despachador. El desarrollo recibió el nombre de ADN-Agent. La idea es que el usuario se comunique con el sistema en lenguaje natural, y el modelo de lenguaje interno coordine un conjunto de modelos de dominio — esos especialistas acotados que ya existen en el sector energético.
En la práctica, esto se ve así: el operador escribe una sola solicitud, por ejemplo, «evaluar las consecuencias de la desconexión de un alimentador con tal pronóstico meteorológico y proponer la conmutación óptima». No es necesario ejecutar manualmente el pronóstico, el cálculo del régimen estacionario y el modelo de optimización. ADN-Agent reconoce por sí mismo la intención, descompone la tarea en etapas y determina qué modelos especializados deben intervenir. Gracias a la selección adaptativa de modelos, el sistema puede ajustarse a distintos tipos de preguntas y no exige que el usuario conozca los detalles de implementación de cada modelo.
Es importante señalar que el LLM no intenta calcular energía ni resolver ecuaciones por sí mismo. Este es un punto fundamental: los modelos de lenguaje son buenos comprendiendo el contexto y planificando, pero no en cálculos numéricos. Por eso ADN-Agent entrega los cálculos a modelos de dominio probados, y reserva para sí la labor de «coordinador»: la descomposición de tareas, la selección de herramientas y el ensamblaje de la respuesta en un formato comprensible para el ser humano.
Una interfaz unificada para la «heterogeneidad» de los modelos
Uno de los principales problemas al crear este tipo de sistemas es la heterogeneidad de los modelos de dominio. Están escritos en distintos lenguajes de programación, utilizan diferentes formatos de datos y esperan estructuras de entrada diversas. No se puede simplemente «alimentar» a un modelo de lenguaje con semejante zoológico. Por ello, dentro de la arquitectura, los autores propusieron un nuevo mecanismo de interacción que proporciona a todos los modelos una interfaz unificada y flexible. Gracias a esto, el coordinador puede comunicarse por igual con un script sencillo y con un optimizador pesado, sin necesidad de conocer su funcionamiento interno.
Esta capa unificada no es solo un detalle técnico, sino una condición necesaria para la escalabilidad. Si mañana aparece un nuevo modelo de dominio, basta con conectarlo una vez al bus común y queda inmediatamente disponible para todos los usuarios a través de una solicitud en lenguaje estándar.
Cómo el sistema se vuelve más inteligente: el ajuste fino de pequeños modelos de lenguaje
La coordinación mediante LLM es solo la mitad de la historia. Algunas subtareas dentro de una solicitud compleja requieren no tanto cálculos numéricos como procesamiento del lenguaje. Por ejemplo, extraer parámetros de un objeto a partir de texto libre, cotejar nombres de equipos o generar una explicación del resultado. Para estas operaciones intensivas en lenguaje, los investigadores aplicaron una técnica adicional: integraron en el sistema pequeños modelos de lenguaje que se ajustan mediante un pipeline automático para funciones específicas.
¿Para qué sirve esto si ya existe un gran modelo de lenguaje? Porque los modelos pequeños pueden ejecutarse de forma rápida y económica en tiempo real, y su ajuste fino a las particularidades del sector energético aumenta la precisión general del sistema. Además, el pipeline de entrenamiento está automatizado, es decir, no requiere recopilar ejemplos manualmente en cada paso: el sistema en gran medida prepara los datos por sí mismo y entrena a los asistentes. El resultado es una arquitectura multinivel: el LLM grande «piensa» estratégicamente, mientras que los pequeños modelos ajustados realizan operaciones lingüísticas locales sin sobrecargar al coordinador principal.
Experimentos: el conjunto supera al LLM individual
Los autores no se limitaron a describir la idea. Realizaron comparaciones detalladas y experimentos de ablación en los que verificaron la contribución de cada componente, desde el mecanismo de enrutamiento hasta el ajuste fino de los modelos pequeños. Los resultados mostraron que el enfoque ADN-Agent supera a los paradigmas existentes de uso de grandes modelos de lenguaje en tareas energéticas. La ventaja es especialmente notable en solicitudes multi-escenario y complejas, donde un solo modelo de lenguaje carece de precisión o de capacidad para recurrir a solucionadores externos.
El propio artículo «One Request, Multiple Experts: LLM Orchestrates Domain Specific Models via Adaptive Task Routing» está disponible en arXiv con el número 2511.12484 y fue aceptado para su publicación en la revista CSEE Journal of Power and Energy Systems en el verano de 2026. Esto es una señal de que el trabajo ha pasado una revisión experta rigurosa y no se ha quedado solo en un preprint. La dirección en la que el modelo de lenguaje se convierte no en un «sabelotodo» autónomo, sino en un coordinador flexible de un conjunto especializado, parece prometedora para muchos ámbitos industriales — y la energía es solo una de las primeras aplicaciones.
