IA para las ciudades: impulsando la eficiencia urbana avanzada, la calidad de vida y la resiliencia

Editores invitados
Dr. José Antonio Ondiviela, Universidad Francisco de Vitoria
Dra. María Barco Antón, Universidad CEU San Pablo
Dr. Joaquín Sotelo González, Universidad Complutense de Madrid

Resumen
En todo el mundo, las ciudades afrontan el doble desafío de sostener su crecimiento mientras garantizan una mejora en la calidad de vida de sus ciudadanos. Las innovaciones tecnológicas —especialmente en el ámbito de la Inteligencia Artificial (IA)— están revolucionando la forma en que los entornos urbanos se planifican, gestionan y experimentan. La integración de tecnologías avanzadas como la IA generativa, los simuladores de gemelos digitales (Digital Twins) y la IA agentiva (Agentic AI) está transformando los entornos urbanos, mejorando la eficiencia de las ciudades, la calidad de vida y su resiliencia. Estas tecnologías ofrecen soluciones innovadoras para abordar los desafíos derivados de la rápida urbanización, el agotamiento de recursos y la sostenibilidad ambiental. Desde modelos de IA generativa que diseñan soluciones óptimas para la gestión de la información y la participación ciudadana, hasta simuladores de gemelos digitales que replican condiciones del mundo real en espacios virtuales para ayudar a los gestores a tomar decisiones mejor informadas, y sistemas de IA agentiva capaces de realizar procesos de decisión semi-autónomos que apoyan a los responsables públicos en tareas complejas, estos avances abren nuevas fronteras en la innovación urbana.

La IA generativa no solo se utiliza para mejorar la gestión de la información y los servicios a la ciudadanía, sino también para el urbanismo y la gobernanza, permitiendo anticipación y simulación. Esto implica utilizar IA para predecir escenarios urbanos futuros y orientar la toma de decisiones políticas, como ocurre con el desarrollo de “cerebros urbanos” que gestionan dominios como el transporte o la seguridad mediante plataformas de IA a gran escala (Cugurullo & Xu, 2024). Asimismo, la IA generativa se integra en los marcos de Gemelos Digitales Urbanos (Urban Digital Twins – UDT) para mejorar la analítica predictiva y los sistemas de simulación, como demuestra el Large Flow Model (LFM), que modeliza flujos urbanos para apoyar entornos urbanos sostenibles (Huang et al., 2025).

Los gemelos digitales, réplicas virtuales de entornos urbanos, son fundamentales para el monitoreo en tiempo real y la simulación de sistemas urbanos. Permiten a las ciudades adaptarse a desafíos proporcionando una plataforma para probar escenarios e identificar cuellos de botella, mejorando así la eficiencia urbana y la resiliencia (Gkontzis et al., 2024). Los gemelos digitales impulsados por IA, combinados con el Internet de las Cosas (IoT), optimizan el uso de energía y refuerzan la resiliencia en contextos urbanos, contribuyendo significativamente a la sostenibilidad (Alnaser et al., 2024). En las infraestructuras de ciudades inteligentes, los gemelos digitales mejorados con IA han demostrado mejorar la eficiencia energética y reducir la huella de carbono, mostrando su potencial para transformar la planificación urbana y el consumo de recursos (Li, 2025). En la ciudad física (basada en datos IoT) los gemelos digitales permiten probar soluciones potenciales a cualquier problema, para después elegir la mejor en términos de eficiencia, coste, tiempo de implementación y mínima disrupción en la vida de los ciudadanos.

La IA agentiva va más allá de la generación de lenguaje (LLM) hacia tareas urbanas accionables. Estos agentes pueden simular sistemas urbanos complejos y proporcionar un enfoque multidisciplinar para gestionar la complejidad urbana, abordando problemas como la congestión del tráfico o la contaminación (Xu et al., 2023). Este enfoque representa un paso transformador en la inteligencia urbana, utilizando IA para analizar y resolver las complejas dinámicas de los sistemas urbanos. La IA agentiva también puede preprocesar grandes volúmenes de información y documentos, preparando tareas administrativas para decisiones finales con supervisión humana, aumentando significativamente la eficiencia.

A pesar de estos avances, persisten desafíos en la integración de estas tecnologías en soluciones urbanas prácticas.

En conclusión, la integración de IA generativa, simuladores de gemelos digitales y IA agentiva es clave para mejorar la eficiencia urbana, la calidad de vida y la resiliencia de las ciudades. Estas tecnologías ofrecen soluciones innovadoras para el desarrollo urbano sostenible, aunque todavía existen retos en su implementación e integración práctica. La investigación y el desarrollo continuos son esenciales para superar estos desafíos y aprovechar plenamente el potencial de estas tecnologías en la creación de ciudades avanzadas y sostenibles.

Estos marcos impulsados por IA pueden generar mejoras significativas en eficiencia, resiliencia y calidad de vida, permitiendo a gestores urbanos y responsables políticos tomar decisiones proactivas basadas en datos, anticipar cambios y promover un desarrollo inclusivo centrado en la ciudadanía.

En el contexto actual de rápida aparición y adopción de nuevas tecnologías —especialmente en el campo de la IA aplicada— las ciudades necesitan incorporar estas innovaciones para mejorar la calidad de los servicios que ofrecen a sus ciudadanos y aumentar su atractivo para el talento y la inversión.

Debido a los largos y complejos procesos de contratación pública, las ciudades deben buscar los sistemas más avanzados y recientemente desarrollados. Tampoco pueden esperar a que estas innovaciones se conviertan en productos comerciales, ya que esto añadiría meses al ciclo de desarrollo y podría volver obsoleta la solución. La única solución es explorar la tecnología más reciente, las propuestas más avanzadas, “lo que se está cocinando en el horno”, y preparar la mesa. Esa es la razón de esta convocatoria: conectar a las ciudades con las tecnologías más punteras en IA directamente desde los laboratorios de innovación.

Para acelerar este intercambio de conocimiento y su impacto práctico, este número monográfico busca reunir investigación innovadora procedente de universidades, institutos de investigación, startups y departamentos experimentales de empresas, especialmente aquellos proyectos que hayan alcanzado al menos un Nivel de Madurez Tecnológica 5 (TRL5), es decir, prototipos validados o implementaciones piloto en contextos reales, aunque aún no sean productos comerciales.

Objetivos potenciales de investigación

1. Eficiencia urbana y optimización

• Uso de IA (generativa, agentiva u otras) para mejorar la eficiencia de los servicios públicos, la gestión de servicios urbanos, el control del tráfico, la sostenibilidad y el mantenimiento de infraestructuras.
• Uso de gemelos digitales para obtener información operativa en tiempo real, analítica predictiva y simulación de soluciones.

2. Mejora de la calidad de vida

• Integración de soluciones basadas en IA para mejorar los servicios sociales, la salud pública y la gestión de impactos ambientales.
• Demostrar cómo los servicios basados en IA pueden mejorar la experiencia cotidiana y la participación ciudadana.

3. Resiliencia y sostenibilidad

• Uso de simulaciones con gemelos digitales y IA para anticipar y mitigar riesgos climáticos o fallos de infraestructuras.
• Desarrollo de marcos adaptativos que ayuden a las ciudades a mantener estabilidad ante distintos tipos de estrés.

4. Ética, gobernanza e impacto socioeconómico

• Requisitos regulatorios, gobernanza equitativa de datos y privacidad en ecosistemas urbanos basados en IA.
• Implicaciones sociales y económicas de la implementación de IA en ciudades.

5. Escalado desde piloto a implementación completa

• Casos de estudio de pilotos TRL5 desplegados en ciudades reales.
• Vías para la adopción a gran escala: financiación, gobernanza y políticas públicas.

Líneas sugeridas de análisis (ejemplos)

1. Planificación urbana y políticas públicas aumentadas con IA

• Marcos de decisión basados en datos para zonificación, asignación de recursos y diseño de la ciudad de 15 minutos.
• Herramientas para procesos participativos y toma de decisiones transparente.

2. Monitorización en tiempo real y analítica predictiva

• Algoritmos de IA para detección de anomalías y respuesta rápida en transporte, servicios y seguridad.
• Integración de sensores IoT con gemelos digitales.

3. Diseño centrado en las personas

• Métodos para involucrar a ciudadanos y organizaciones comunitarias en proyectos de IA.
• Mejora de confianza, transparencia y accesibilidad.

4. Privacidad, seguridad y ética de datos

• Protección de datos personales e infraestructurales.
• Modelos de gobernanza responsable de IA.

5. Pilotos TRL5 y buenas prácticas

• Resultados empíricos de proyectos piloto.
• Estrategias de mantenimiento y escalabilidad.

Invitamos a los investigadores a enviar artículos originales de alta calidad que presenten resultados validados al menos a nivel piloto (TRL5) y aporten nuevas perspectivas sobre la aplicación de IA en la transformación urbana. Los trabajos deben describir metodologías, presentar resultados basados en datos y analizar implicaciones prácticas para entornos urbanos.

Fecha límite de envío: 13 DE SEPTIEMBRE DE 2026

Los envíos deben hacerse a través de la plataforma de la revista. Para ello, debe iniciar sesión o registrarse. Hecho esto, haga clic en "Enviar un artículo" y rellene los metadatos solicitados. En el apartado "Sección" debe seleccionar la opción "Monográfico SmartCityExpo".

Los manuscritos deben estar adaptados a la plantilla de la revista, que puede encontrar en el apartado "Instrucciones para autores" de la revista. Para obtener más información sobre las normas de envío, los plazos y el proceso de revisión, consulte las instrucciones detalladas del comité editorial: https://visualcompublications.es/SAUC/about/submissions

Esperamos con interés sus contribuciones para dar forma a la próxima generación de ciudades impulsadas por la IA, resilientes y centradas en los ciudadanos.

Palabras clave
Inteligencia artificial generativa; Inteligencia artificial espacial generativa; Gemelo digital urbano; Ciudades inteligentes sostenibles; IA agentiva para ciudades; IA urbana centrada en el ciudadano; Resiliencia social.

Referencias

Alnaser, A., Maxi, M., & Elmousalami, H. (2024). AI-Powered Digital Twins and Internet of Things for Smart Cities and Sustainable Building Environment. Applied Sciences. https://doi.org/10.3390/app142412056

Chai, H., Wang, H., Li, T., & Wang, Z. (2024). Generative AI-Driven Digital Twin for Mobile Networks. IEEE Network, 38, 84-92. https://doi.org/10.1109/MNET.2024.3420702

Cugurullo, F., & Xu, Y. (2024). When AIs become oracles: generative artificial intelligence, anticipatory urban governance, and the future of cities. Policy and Society. https://doi.org/10.1093/polsoc/puae025

Gkontzis, A., Kotsiantis, S., Feretzakis, G., & Verykios, V. (2024). Enhancing Urban Resilience: Smart City Data Analyses, Forecasts, and Digital Twin Techniques at the Neighborhood Level. Future Internet, 16, 47. https://doi.org/10.3390/fi16020047

Huang, J., Bibri, S., & Keel, P. (2025). Generative Spatial Artificial Intelligence for Sustainable Smart Cities: A Pioneering Large Flow Model for Urban Digital Twin. Environmental Science and Ecotechnology. https://doi.org/10.1016/j.ese.2025.100526

Li, Y. (2025). AI-Enhanced Digital Twins for Energy Efficiency and Carbon Footprint Reduction in Smart City Infrastructure. Applied and Computational Engineering. https://doi.org/10.54254/2755-2721/2025.20569

Li, T., Long, Q., Chai, H., Zhang, S., Jiang, F., Liu, H., Huang, W., Jin, D., & Li, Y. (2025). Generative AI Empowered Network Digital Twins: Architecture, Technologies, and Applications. ACM Computing Surveys. https://doi.org/10.1145/3711682

Tao, Z., Xu, W., Huang, Y., Wang, X., & You, X. (2023). Wireless Network Digital Twin for 6G: Generative AI as a Key Enabler. IEEE Wireless Communications, 31, 2431. https://doi.org/10.1109/MWC.002.2300564

Xu, F., Zhang, J., Gao, C., Feng, J., & Li, Y. (2023). Urban Generative Intelligence (UGI): A Foundational Platform for Agents in Embodied City Environment. ArXiv, abs/2312.11813. https://doi.org/10.48550/arXiv.2312.11813