BRISA
BRISA ofrece al sector público un modelo fundacional propio de series temporales, diseñado para resolver uno de los mayores retos de la administración: decidir dónde actuar primero. Ponen en manos de ciudades, regiones y gestores de infraestructuras un core tecnológico robusto y escalable, capaz de armonizar datos dispersos, predecir su evolución y priorizar actuaciones en tiempo récord.
BRISA garantiza un producto tecnológico accesible a personal técnico sin conocimientos en data science, mediante sesiones de cocreación en las que diseñamos conjuntamente las interfaces y flujos de trabajo, asegurando que la herramienta sea intuitiva y operativa desde el primer día.
Ofrecen la transferencia total del código de interfaz, lo que permite a los equipos técnicos evolucionar la herramienta de forma autónoma o en colaboración con nosotros, reforzando la soberanía tecnológica de los gestores públicos y acelerando su transición hacia modelos de gestión basados en datos.
Datos de la empresa
Año de fundación
2025
NIF/CIF
B22653240
Certificaciones
Nº de Empleados
5
Public Readiness (Tracción pública)
Valor total de contratos adjudicados (último año)
105.000 €
Cantidad de contratos (último año)
2
Clientes públicos destacados
Infraestructuras de la Generalitat de Catalunya de forma directa y Tracasa Instrumental , Agencia de Obra Pública de la Junta de Andalucía a través de la empresa B2G Ingreen Innovación.
Canales y colaboraciones
Empresa Ingreen Innovación (Subcontrato).
Vendor Trust (Solvencia económica)
Facturación (último año)
59.000 €
Inversión levantada acumulada
0 €
Contrato mayor valor en los últimos 3 años
150.000 €
Ecosistema
Premios
- Emprendimiento Digital - Comunidad de Madrid (2025)
- Ganadores Reto GovTech4All - Infraestructures de Catalunya (2025)
- Finalistas eAwards 2025 - NTT DATA.
- Ganadores concurso de proyectos TWIN Navarra (2025)
- Ganadores reto COSMIC - Horizonte Europa (2026)
-Ganadores reto DesafIA Madrid - Madrid (2026)
Aceleradoras
Datos de la empresa
Eficiencia energética en edificios públicos
Problema
- Datos dispersos y de calidad desigual: la información de consumo, facturación, inventario y mantenimiento presenta inconsistencias y lagunas temporales que impiden una visión fiable del uso energético.
- Obsolescencia no anticipada de activos: la falta de identificación de vida útil y planificación de sustituciones incrementa costes de mantenimiento y genera indisponibilidades.
- Ausencia de métricas comparables y simulación avanzada: no existe un método reproducible para evaluar ahorros, calcular ratios kWh/€ ni simular combinaciones de medidas capturando sinergias.
- Generación manual de recomendaciones: la elaboración de propuestas es lenta, poco trazable y dificulta priorizar automáticamente intervenciones con criterios homogéneos.
- Validación ineficiente de presupuestos: la revisión de propuestas de proveedores se realiza sobre documentos heterogéneos (PDF, Excel), con alta carga manual y bajo control de coherencia.
- Desconexión de sistemas de aprobación y seguimiento: los procesos administrativos no están integrados con los datos operativos, generando fricción interdepartamental.
- Dificultad para el seguimiento y validación de resultados: la falta de integración retrasa el control de actuaciones, la evaluación de ahorros y su validación final.
- Limitaciones para escalar la toma de decisiones: sin una capa de IA, normalización y conexión con flujos corporativos, resulta complejo gestionar de forma ágil y auditable grandes volúmenes de activos.
Solución
- Modelo fundacional de series temporales: permite predecir demanda, reconstruir datos y detectar anomalías a escala portafolio, acelerando análisis para gestores energéticos.
- Prioridad de actuaciones (kWh/€): facilita rankings de retorno energético-económico y simulaciones de medidas simultáneas (envolvente, HVAC, control).
- Mantenimiento predictivo: estima vida útil y riesgo de fallo para planificar sustituciones y licitaciones con antelación.
- Validador automático de actuaciones (presupuestos de mantenedores): analiza propuestas en PDF/Excel, extrae y normaliza partidas (códigos, unidades, precios unitarios, importes) y aplica reglas de coherencia (rangos, duplicidades, referencias de precio), emitiendo informes de validación con recomendación y agilizando aprobaciones de presupuestos de proveedores.
- Escalabilidad administrativa: es integrable con flujos internos para el seguimiento del piloto y eventual despliegue.
Medición y gestión de la calidad del aire
Problema
- Cobertura limitada de las redes de medición: las estaciones oficiales son escasas y fijas, lo que impide capturar la variabilidad intraurbana de la calidad del aire.
- Dificultad para atribuir fuentes de contaminación: la falta de granularidad en los datos limita la capacidad de identificar con precisión los focos emisores.
- Complejidad en la integración de datos heterogéneos: combinar información de sensores municipales, privados, satelitales y datos urbanísticos o meteorológicos supera las capacidades habituales.
- Falta de herramientas para completar y validar datos: no existen soluciones para reconstruir lagunas de información ni garantizar su calidad.
- Limitaciones para simular escenarios urbanos: resulta difícil modelar el impacto de medidas como ZBE, cambios de tráfico o nuevas zonas verdes con resolución a nivel de calle.
- Déficit de evidencia compartida para la toma de decisiones: la ausencia de un sistema común dificulta coordinar decisiones entre departamentos.
- Falta de un gemelo digital operativo: sin esta capa, la comparación “antes/después” y la priorización de medidas se vuelven lentas y discutibles.
Solución
- Gemelo digital urbano de aire: permitió integrar datos de sensores, meteorología y GIS para describir, predecir y simular políticas a nivel de barrio y calle, con visualización temporal y espacial.
- Atribución de fuentes y escenarios: permitió separar contribuciones (tráfico, industria, morfología urbana) y estimar impactos de medidas como ZBE, rediseño viario o infraestructura verde antes de su implementación.
- Reconstrucción y validación de datos: permitió aplicar modelos de series temporales para imputar huecos y controlar la calidad de los datos, garantizando continuidad operativa.
- Motor de decisiones interdepartamental: permitió habilitar paneles y comparativas “antes/después” para distintas áreas (movilidad, urbanismo, medio ambiente), mejorando la coordinación y la rendición de cuentas.
