El equilibrio entre la producción y distribución de electricidad sigue siendo un desafío central en los sistemas energéticos modernos, especialmente con la creciente penetración de fuentes renovables que introducen variabilidad e incertidumbre. En este contexto, la previsión precisa de la demanda eléctrica es esencial para la estabilidad de la red y la eficiencia operativa. Este estudio aborda el problema de la previsión de la demanda eléctrica horaria en Italia utilizando redes neuronales recurrentes (RNN), en particular modelos de memoria a largo y corto plazo (LSTM), que están diseñados para capturar dependencias temporales complejas en datos de series temporales. Utilizando datos de consumo real de Terna-Rete Elettrica Nazionale S.p.A. para los años 2022 y 2023, desarrollamos y probamos un modelo LSTM capaz de predecir la demanda nacional horaria con un error cuadrático medio (RMSE) consistentemente por debajo del 2%. Las previsiones del modelo muestran una fuerte concordancia con los datos oficiales proporcionados por Terna, capturando con precisión los picos de demanda y las tendencias estacionales en horizontes tanto a corto como a medio plazo. Además de evaluar el rendimiento predictivo, este trabajo propone una metodología reproducible aplicable a otros contextos nacionales o problemas de previsión similares. Nuestros hallazgos sugieren que, si bien los modelos basados en datos ofrecen resultados robustos y replicables, mejoras adicionales pueden requerir la integración de conocimientos específicos del sistema para abordar limitaciones persistentes en la previsión de eventos extremos o anomalías estructurales.