Pagá menos luz: cómo la IA optimiza el consumo de tu casa

La factura de luz subió. Los subsidios se ajustaron. La generación distribuida (Ley 27.424) ya está vigente en buena parte del país. Y al mismo tiempo, los electrodomésticos modernos vienen todos con conectividad. Es el momento perfecto para que la IA haga lo que vos no tenés ganas de hacer: optimizarte el consumo todos los días, en silencio.

En este post: qué hardware se necesita, qué algoritmos están en producción hoy, cuánto se puede ahorrar realmente, y dónde están los límites en el contexto argentino.

¿Qué hace exactamente “optimización energética con IA”?

Tres capas combinadas:

1. Medición precisa — saber exactamente qué consume cada cosa, en tiempo real.
2. Pronóstico — predecir consumo futuro y, si tenés solar, generación futura.
3. Decisión — mover cargas postergables (calefón, lavarropas, AC, EV) a las horas más baratas o de mayor generación.

Capa 1 — Medición: el insumo de todo

Sin datos confiables no hay optimización. Hardware recomendado:

Medidor del tablero general

• Shelly EM o Shelly 3EM (~USD 60 / USD 110) — pinzas amperométricas que clavás en el tablero y mide consumo activo, factor de potencia, energía acumulada. Wi-Fi nativo, integra con Home Assistant directo.
• Sense Energy Monitor (~USD 300) — más caro pero promete identificar electrodomésticos por su “firma eléctrica”. En la práctica, en Argentina con muchas marcas no listadas la precisión es regular.

Medición por circuito o enchufe

• Shelly Plus 1PM / Plus 2PM — relés con medición integrada para iluminación o circuitos individuales.
• Sonoff POWR316 o POW Elite — alternativa más barata.
• Enchufes inteligentes con medición — Shelly Plug, Athom Plug, TP-Link KP115. ~USD 15-25.

Medidor inteligente bidireccional (si hay solar)

Si inyectás energía a la red bajo Ley 27.424, ya tenés un medidor bidireccional homologado por la distribuidora. Algunos exponen datos vía Modbus/TCP que se integran con HA.

Capa 2 — Pronóstico

Los modelos típicos:

• Pronóstico de consumo: regresión sobre histórico + variables como hora, día de semana, temperatura ambiente. Un modelo lineal alcanza para 80% de los casos.
• Pronóstico de generación solar: usa irradiancia pronosticada de APIs como Open-Meteo (gratis), Solcast o Forecast.Solar cruzado con la orientación e inclinación de tus paneles.

Integración típica en Home Assistant:

sensor:
  - platform: forecast_solar
    api_key: ""  # opcional, plan gratis funciona limitado
    declination: 30
    azimuth: 0  # norte en hemisferio sur
    modules_power: 5400  # Wp instalados
    name: "Producción solar pronosticada"

Eso te da un sensor con la generación esperada por hora del día siguiente. La IA puede usarlo para decidir cuándo poner el lavarropas.

Capa 3 — Decisión y cargas postergables

Esta es la parte donde la magia ocurre. Las cargas que típicamente pueden moverse en el tiempo:

• Calefón eléctrico / termotanque: lo importante es que tengas agua caliente cuando la usás. Da igual si lo calentaste 4 horas antes.
• Bomba de pileta: idem, necesita filtrar X horas/día, no importa cuándo.
• Lavarropas / lavavajillas: muchos modelos modernos tienen “demora 1-12 horas”.
• AC con bomba de calor: pre-enfriar/precalentar la casa cuando el sol pega y la energía es propia.
• Carga de auto eléctrico: lejos la carga más postergable y la más grande (7-22 kW).

Algoritmo simple que funciona

# Pseudocódigo del optimizador básico
def planificar_cargas(consumo_pronosticado, generacion_pronosticada, tarifas, cargas):
    """
    consumo_pronosticado: array 24h de consumo basal previsto (kWh)
    generacion_pronosticada: array 24h solar (kWh)
    tarifas: array 24h ($/kWh)
    cargas: lista de cargas postergables con duración + flexibilidad

    Devuelve: hora óptima para activar cada carga
    """
    excedente_neto = generacion_pronosticada - consumo_pronosticado
    costo_efectivo_red = tarifas

    for carga in cargas:
        # Costo efectivo = compra de red - autoconsumo aprovechado
        costos = []
        for h in range(24):
            costo = sum(
                (carga.kw - max(0, excedente_neto[h+t])) * costo_efectivo_red[h+t]
                for t in range(carga.duracion_h)
                if h+t < 24
            )
            costos.append(costo)
        carga.hora_optima = argmin(costos)

    return cargas

En Home Assistant esto se implementa con PyScript o AppDaemon — ambos te permiten correr Python custom con acceso a las entidades.

Ejemplos concretos en Argentina

Caso 1 — Casa con paneles solares 5 kWp en zona AMBA

• Sin optimización: factura promedio $35.000-50.000/mes (tarifa T1R3, ~AÑO).
• Con optimización (mover calefón + lavarropas + AC al pico solar 11-15hs): ahorro adicional 20-30% sobre el ya logrado por el solar.
• ROI sobre el sistema de domótica energética: 18-30 meses según consumo base.

Caso 2 — Departamento sin solar, tarifa N1 (no segmentado)

• Sin solar el ahorro es menor (no hay diferencias horarias grandes en T1R sin tarifa horaria).
• Si en tu jurisdicción aplica tarifa horaria voluntaria (en algunas distribuidoras está disponible), el ahorro puede ser 10-15% moviendo cargas a la franja “valle” (23hs-7hs).
• Caso uso principal acá: monitoreo y detección de “vampiros eléctricos” (standby invisible). Identificar y eliminar suele ahorrar 5-8% directo.

Caso 3 — Casa con auto eléctrico

• El EV es la carga grande postergable. Pasar de cargar a las 19hs (pico) a cargar a las 2-5am (valle) puede ser 30-40% de ahorro solo en esa carga.
• Plataformas como evcc.io (open-source) lo automatizan con HA, considerando tu solar y tus tarifas.

Datos reales (referenciales)

Estudios académicos sobre optimización energética residencial reportan típicamente:

• Ahorro 8-15% solo con monitoreo inteligente y feedback al usuario.
• Ahorro 15-25% sumando shifting automático de cargas.
• Ahorro 25-40% en casas con solar + storage + IA optimizada.

Estos números vienen de papers de IEA y de informes de EPRI. En Argentina la rentabilidad real depende fuertemente de tu segmentación tarifaria y si tenés generación distribuida.

Hardware sugerido y costos (referencia 2026)

• Home Assistant Green o mini-PC + SSD: USD 200.
• Shelly 3EM en tablero general: USD 110.
• 4 enchufes con medición Shelly Plug: USD 80.
• Software (Adaptive Lighting, evcc, PyScript): USD 0 (open-source).

Total: USD 400-500 hardware. ROI típico 12-24 meses según ahorro logrado.

Limitaciones honestas

• Sin tarifa horaria, el ahorro es chico: si tu jurisdicción no diferencia horarios, mover cargas no genera diferencia económica directa (sí ambiental, sí evita picos de potencia que en algunas tarifas T2/T3 se cobran).
• Pronósticos solares ~80% precisión: días nublados puntuales rompen las decisiones. Modelos buenos integran clima de última hora.
• Comodidad vs ahorro: si la IA decide que el lavarropas arranque a las 3am y el ruido te despierta, el ROI es negativo. Hay que poner ventanas horarias razonables.
• No reemplaza eficiencia: el mejor watt es el que no consumís. Antes de poner IA, cambiá lámparas a LED, aislá ventanas, calibrá heladera. Después optimizá.

Disclaimer

Las tarifas eléctricas en Argentina cambian frecuentemente y dependen de la distribuidora (Edenor, Edesur, EPEC, EPE, etc.) y del régimen de segmentación vigente. Los porcentajes de ahorro citados son estimaciones de rangos típicos en literatura técnica; tu ahorro real depende de consumo base, hábitos, tarifa y disponibilidad solar. La generación distribuida bajo Ley 27.424 requiere trámites con tu distribuidora y un proyecto firmado por un matriculado.

Fuentes

• Home Assistant — Energy management
• Open-Meteo Solar Forecast API
• Forecast.Solar
• Shelly — documentación oficial
• evcc.io — Open EV charging optimization
• Wikipedia — Edge artificial intelligence

---

Te puede interesar: Automatizaciones que aprenden, Asistente de voz local, Frigate cámaras AI. Pedí una asesoría energética.