Este estudio investiga la implementación de algoritmos de inteligencia artificial (IA) en dispositivos de borde con recursos limitados, como ESP32 y Raspberry Pi, en el contexto de aplicaciones de redes inteligentes (SG). Específicamente, propone un sistema basado en medidores inteligentes capaz de clasificar y detectar dispositivos electrónicos del Internet de las Cosas (IoT) en el extremo del borde. El medidor inteligente desarrollado en este trabajo adquiere señales de voltaje y corriente en tiempo real de los dispositivos conectados, que se utilizan para entrenar y desplegar modelos de aprendizaje automático livianos: Perceptrón Multicapa (MLP) y K-Vecinos Más Cercanos (KNN) directamente en hardware de borde. El sistema propuesto está integrado en la arquitectura de Inteligencia Artificial en el Internet de las Cosas para Redes Inteligentes (IAIoSGT), que soporta procesamiento en la nube de borde y toma de decisiones en tiempo real. Una revisión de la literatura destaca las principales lagunas en los enfoques existentes, particularmente la falta de inteligencia embebida para la identificación de carga en el borde. Los resultados experimentales enfatizan la importancia del preprocesamiento de datos, especialmente la normalización, en la optimización del rendimiento del modelo, revelando un comportamiento distinto entre los modelos MLP y KNN dependiendo de la plataforma. Los hallazgos confirman la viabilidad de realizar una clasificación precisa de baja latencia directamente en medidores inteligentes, reforzando el potencial de sistemas de monitoreo de energía escalables impulsados por IA en SG.