Inteligencia artificial y datos: el caso de una utility estadounidense con MonoM y Core&Main

Para ello, explicó, es necesario intervenir en tres niveles: planificación (planes directores, levantamiento de redes), ejecución (sensorización, comunicaciones) y gestión de datos. Es en esta última donde MonoM aporta su propuesta de valor. Desde su creación, la compañía apostó por una plataforma de datos e inteligencia artificial, neutral y capaz de cubrir todos los casos de uso del ciclo integral del agua. Esto incluye procesos que van desde la captación hasta el vertido, pasando por tratamiento, distribución, abastecimiento y saneamiento. La solución de MonoM está diseñada para responder a las necesidades específicas de cada fase, pero siempre desde una plataforma unificada. 

Del Valle detalló que la arquitectura funcional de MonoM se estructura en cinco fases clave: 

1. Generación de datos 

2. Ingesta 

3. Almacenamiento estructurado en un data lake unificado 

4. Uso y aplicación de analítica avanzada 

5. Integración con sistemas de terceros 

Esto permite conectar fuentes tan diversas como sensores, SCADAs, sistemas GIS, MDMs, ERPs o GMAOs, eliminando silos de información y facilitando una visión integrada del sistema. 

La plataforma cuenta con cuatro grandes bloques funcionales: 

• Visibilidad operacional de la red de distribución 

• Gestión de datos del abastecimiento (balances hídricos, fugas…) 

• Visibilidad operacional de redes de saneamiento 

• Gestión del ciclo industrial del agua (plantas, bombeos, potabilizadoras…) 

Uno de los elementos diferenciales de MonoM es la incorporación de inteligencia artificial para maximizar el valor de los datos. En colaboración con la Universidad de Sevilla, la compañía ha desarrollado un informe que recoge el estado del arte de la aplicación de IA en el sector, desde la captación hasta el vertido. 

Entre los casos de uso habilitados gracias a IA, Del Valle destacó: 

• Predicción de demanda y calidad del agua 

• Detección de fugas y fallos en activos electromecánicos 

• Predicción de roturas de tuberías a cinco años vista 

• Análisis de consumos y detección de anomalías en contadores telegestionados 

Gracias a los modelos de machine learning desarrollados, la plataforma permite anticipar roturas, reducir falsos positivos y priorizar la atención sobre activos críticos, incrementando la capacidad de análisis del equipo humano. 

Core & Main es un distribuidor con más de 100 años de historia, especializado en productos y servicios para agua potable, aguas residuales, drenaje y protección contra incendios. Cuenta con más de 370 oficinas y 5.500 empleados, de los cuales 200 se dedican a tecnologías de medición y a la iniciativa Core+, que integra hardware, software y servicios personalizados. MonoM forma parte de esta estrategia como plataforma clave para el mercado norteamericano. 

Burlington, con 62.000 habitantes, fue elegida como ciudad piloto por su reciente despliegue de infraestructura AMI y LoRaWAN, por la familiaridad del equipo de Core & Main con su operativa y por su cercanía a la oficina desde la que se coordinó el proyecto. La ciudad gestiona el ciclo completo del agua: producción, distribución, recogida y tratamiento. Sus prioridades eran claras: avanzar hacia una gestión proactiva, aprovechar las inversiones tecnológicas recientes y anticiparse a problemas operativos como fallos en bombas o fugas. 

Con estos objetivos, se diseñó un piloto integral que incluyó siete casos de uso: 

1. Monitorización de calidad del agua en embalses, mediante sondas multiparamétricas. 

2. Análisis predictivo de fallos en bombas, con sensores de vibración. 

3. Monitorización de presión en red de distribución para detectar fugas o incidencias. 

4. Identificación de infiltraciones y entradas en la red de saneamiento, con caudalímetros, sensores de nivel y pluviómetros. 

5. Detección de bloqueos por grasas y aceites (FOG) mediante sensores en pozos de registro. 

6. Análisis de consumo y detección de anomalías con datos de 28.000 contadores AMI. 

7. Predicción de roturas de tuberías basada en datos históricos, materiales y antigüedad. 

MonoM integró datos de diversas fuentes: el sistema MDM Neptune 360, una plataforma IoT con sensores de red, y un sistema de recogida de datos de vibración, al que se prevé incorporar variables de bombeo y consumo energético. También se integraron archivos GIS, registros de roturas y datos del sistema de información al cliente (CIS), aunque este último no se conectó de forma continua durante el piloto. 

A pesar de estos desafíos, los resultados fueron significativos. Se detectaron de forma anticipada fallos mecánicos en bombas, se obtuvieron datos de calidad del agua en tiempo real, se establecieron correlaciones antes inexistentes —como entre lluvias e infiltraciones—, se identificaron vertidos ilegales y se detectaron anomalías de consumo que no habrían sido visibles sin inteligencia artificial. Todo ello permitió a la ciudad ganar capacidad de anticipación y mejorar la toma de decisiones. 

De cara al futuro, está previsto ampliar la red de sensores, especialmente de presión y calidad del agua, mejorar la integración con el SCADA y el sistema CIS, e incorporar nuevas funcionalidades a medida que la plataforma evolucione. Jorge del Valle confirmó que MonoM ya dispone de los conectores necesarios para estas integraciones. 

Para Badera, MonoM encarna el concepto de Beyond the Meter, una visión del sector que apuesta por ir más allá de la mera recogida de datos. La plataforma permite convertir esa información en decisiones concretas gracias a la analítica avanzada, el aprendizaje automático y la inteligencia artificial. Con ello, las utilities pueden pasar de un enfoque reactivo a una gestión proactiva y predictiva. 

Badera concluyó subrayando que MonoM no es solo un software, sino una solución lista para liderar la próxima etapa de transformación en el sector del agua. Expresó su satisfacción por participar en este proceso y su voluntad de seguir colaborando estrechamente con MonoM para acompañar a más ciudades en su transición digital. 

Preguntas del público 

Durante el turno de preguntas, los asistentes plantearon cuestiones sobre aspectos técnicos, operativos y estratégicos del proyecto. Jorge del Valle y Joe Badera respondieron a temas como: 

• Dispositivos IoT: Se emplearon sensores de presión, calidad del agua, vibración en bombas, caudal en alcantarillado y niveles en pozos. Se prevé incorporar más sensores y nuevas tipologías según las necesidades. 

• Integración sin afectar la operativa: MonoM se integró con los sistemas existentes sin interrumpir la operación. Los datos se procesan en una plataforma paralela hasta que se valida su utilidad. 

• Ventajas de la modularidad: Permite activar o desactivar funcionalidades según el ritmo de digitalización de cada utility, evitando depender de un único proveedor. 

• Integración de SCADA: Aunque no se implementó durante el piloto, está prevista tras su finalización. Ya existen los conectores necesarios. 

• Retorno de la inversión (ROI): En Burlington, se estima en 2 a 3 años, dependiendo de la gravedad de los retos abordados. 

• Conectividad y mantenimiento de sensores: Se utilizó la red LoRaWAN existente. Algunos sensores requieren calibración periódica, especialmente los de calidad de agua. 

• Barreras internas: Incluyeron falta de datos históricos estructurados, resistencia a nuevas integraciones y adopción desigual por parte del personal técnico. 

Conclusiones 

En el tramo final del webinar, Cristina Novo planteó a los ponentes una doble cuestión para cerrar la sesión con una mirada práctica y orientada al futuro: cómo iniciar con éxito una transformación digital en una utility y qué tecnologías marcarán la próxima gran evolución en la gestión del agua. 

Joe Badera respondió que el primer paso esencial es comprender bien cuáles son los principales desafíos de cada organización. Identificar esos puntos críticos permite alinear el uso de la tecnología con objetivos reales, como ahorrar recursos, reducir tiempos de operación o mejorar la calidad del servicio. En su experiencia, no es necesario abordar un proyecto de gran envergadura desde el inicio. De hecho, subrayó que una de las ventajas de plataformas como MonoM es precisamente su capacidad para escalar: se puede comenzar con un caso de uso específico —por ejemplo, la calidad del agua— y, a medida que se obtienen resultados y aumenta la confianza, ir incorporando nuevos módulos, sensores y funcionalidades. 

“Esta capacidad de conversar con la plataforma abre una nueva forma de acceso a la información, más ágil, directa y adaptada al día a día de los operadores”, Jorge del Valle 

Jorge del Valle coincidió plenamente y añadió que esa capacidad de crecimiento progresivo está en el núcleo del diseño de MonoM. La modularidad permite a cada utility activar solo las funciones que necesita en cada momento, adaptando el despliegue a su ritmo y recursos. Esta aproximación facilita que la digitalización se produzca sin barreras tecnológicas ni dependencias rígidas de proveedores. 

En cuanto a las tecnologías emergentes, Badera señaló que muchas de las tendencias más avanzadas —como la inteligencia artificial, el aprendizaje automático o la analítica predictiva— ya están integradas en la plataforma. A su juicio, el siguiente gran paso será la incorporación de nuevas generaciones de sensores, capaces de monitorizar variables que actualmente no se están midiendo. Esto ampliará la base de datos disponible y, con ella, el alcance de los análisis posibles, permitiendo detectar problemas antes de que se materialicen. 

Del Valle destacó especialmente el potencial de la inteligencia artificial generativa. Explicó que MonoM ya trabaja con asistentes virtuales especializados en distintas fases del ciclo del agua. Estos agentes permiten interactuar con los datos mediante lenguaje natural, facilitando consultas como “¿cuál es el estado de los activos esta mañana?” o “¿dónde hay presiones anómalas en la red?”. Esta capacidad de conversar con la plataforma abre una nueva forma de acceso a la información, más ágil, directa y adaptada al día a día de los operadores. 

Tras estas reflexiones finales, Cristina Novo agradeció a Jorge del Valle y Joe Badera su participación y destacó el valor del conocimiento compartido durante la sesión. También agradeció la asistencia a los profesionales conectados desde distintos países y anunció que, en los días siguientes, estaría disponible la grabación completa en iAgua, junto con una crónica del evento que resumiera los principales contenidos tratados.