El uso de bases de datos extensas y algoritmos conocidos para predecir el consumo de energía a corto plazo comprende la mayoría de las soluciones computacionales basadas en inteligencia artificial hoy en día. Los enfoques de vanguardia validan sus modelos de predicción en entornos fuera de línea que desestiman la automatización, el monitoreo de calidad y los desafíos de reentrenamiento presentes en escenarios en línea. Las iniciativas de respuesta a la demanda existentes carecen de personalización, lo que no logra involucrar a los consumidores. Obtener recomendaciones específicas y valiosas es difícil para la mayoría de las plataformas digitales debido a su patrón de solución: base de datos extensa, algoritmos especializados y uso de perfiles con aspectos similares. Los desafíos y tácticas de personalización presentes han sido investigados adoptando un modelo de gemelo digital. Este estudio crea un enfoque diferente al agregar topología estructural para construir una nueva categoría de plataforma de recomendaciones utilizando el modelo de gemelo digital con datos en tiempo real recopilados por sensores IoT para mejorar los métodos de aprendizaje automático. Un caso de estudio residencial con 31 dispositivos de medidor inteligente y enchufe inteligente IoT con datos de 19 meses (mediciones realizadas cada segundo) validó la arquitectura MLOps de Gemelo Digital para sugerencias de respuesta a la demanda personalizadas basadas en la predicción del consumo de energía a corto plazo en línea.