Jorge Molinero, director general de Amphos 21, intervino en la Jornada Técnica sobre el Estado de Implantación del Plan de Acción de las Aguas Subterráneas: Inteligencia Artificial y Aguas Subterráneas, celebrada el 20 de mayo de 2026 en la ETS de Ingenieros de Minas y Energía de la UPM, para presentar las posibilidades estratégicas de la inteligencia artificial en la evaluación y seguimiento del estado de las aguas subterráneas.
La ponencia se basó en un estudio encargado por la Subdirección General de Protección de las Aguas y Gestión de Riesgos del MITECO, en colaboración con Tragsatec, a Amphos 21. El trabajo se estructuró en dos entregables: un estado del arte internacional y una propuesta de líneas estratégicas adaptadas al contexto español. Molinero planteó el tema desde una perspectiva de gestión: la pregunta no es qué puede hacer la IA en abstracto, sino qué aplicaciones encajan con la realidad de las redes, datos, normativa y capacidades existentes.
Antes de entrar en propuestas, fijó conceptos. Los modelos fenomenológicos reproducen procesos físicos y químicos mediante códigos como MODFLOW, PHREEQC o HEC-RAS. Los modelos de aprendizaje automático trabajan con algoritmos capaces de aprender patrones a partir de datos. Cuando el modelo se basa solo en datos, se habla de enfoques data-driven. Cuando el aprendizaje automático se combina con un modelo fenomenológico, pueden aparecer modelos subrogados o híbridos. Esta distinción es clave para evitar expectativas confusas y para seleccionar herramientas adecuadas a cada problema.
La recomendación fue avanzar de forma progresiva, empezando por aplicaciones maduras y de impacto inmediato
El estudio identifica cinco ámbitos prioritarios de aplicación: diagnóstico y optimización de redes de seguimiento, predicción de niveles y calidad del agua, detección temprana de anomalías y eventos críticos, integración de datos espaciales y de teledetección, y apoyo a la tramitación y gestión del conocimiento mediante grandes modelos de lenguaje. Cada ámbito se evaluó con criterios de impacto, madurez, dependencia de datos, estabilidad, transparencia y coste.
A partir de ese análisis, Molinero propuso líneas estratégicas de inversión. La primera, y más importante, es habilitante: datos, digitalización y gobernanza del dato. Sin protocolos, interoperabilidad, trazabilidad, arquitectura de sistemas y responsabilidades claras, no hay base sólida para aplicaciones avanzadas. Después llegarían aplicaciones operativas en redes, modelos subrogados e híbridos, integración de grandes bases espaciales, agentes de IA para gestión administrativa y formación.
La recomendación fue avanzar de forma progresiva, empezando por aplicaciones maduras y de impacto inmediato, como diagnóstico de redes, detección de anomalías o predicciones a corto plazo. Para desarrollos más complejos, propuso pilotos en masas de agua seleccionadas. La ponencia defendió una IA útil, transparente y orientada a decisión, no una tecnología introducida por inercia. En el marco del PAAS, la conclusión fue nítida: sin buenos cimientos de dato y gobernanza, no se puede construir una estrategia fiable de inteligencia artificial.
