La previsión energética precisa es esencial para mantener la fiabilidad del sistema eléctrico, integrar la generación renovable y garantizar la estabilidad del mercado. Aunque el aprendizaje automático ha mejorado la precisión de las previsiones, su implementación operativa depende de plataformas de Operaciones de Aprendizaje Automático (MLOps) que automatizan y escalan todo el ciclo de vida de los pipelines de datos energéticos. Sin embargo, las capacidades de las plataformas MLOps existentes para la previsión energética no se han comparado de manera sistemática. Este estudio adopta un proceso de revisión informado por PRISMA para identificar plataformas MLOps relevantes de extremo a extremo para la previsión energética y luego mapea sus capacidades documentadas utilizando un ciclo de vida de pipeline de previsión energética establecido como estructura de referencia. Se revisaron un total de 256 registros en la documentación de proveedores, repositorios de código abierto y literatura académica, de los cuales se seleccionaron 13 plataformas MLOps para un análisis comparativo de capacidades. Las capacidades de las plataformas se organizan y presentan a lo largo de un ciclo de vida de extremo a extremo que abarca la configuración y gobernanza del proyecto, la ingestión y gestión de datos, el desarrollo y la experimentación de modelos, el despliegue y la prestación, y la monitorización y retroalimentación. Las plataformas comerciales como Amazon SageMaker y Google Vertex AI generalmente ofrecen una integración de extremo a extremo más sólida y están listas para producción, mientras que las plataformas de código abierto como Kubeflow y ClearML ofrecen flexibilidad modular que típicamente requiere un esfuerzo adicional de integración para lograr una operación de extremo a extremo. El mapeo identifica cuatro áreas prioritarias donde el apoyo de la plataforma sigue siendo limitado, a saber: (i) automatización del flujo de trabajo de gobernanza, (ii) validación automática de la calidad de los datos, (iii) gestión de características y (iv) apoyo al despliegue y la monitorización en condiciones no estacionarias. Estos hallazgos indican que la selección de la plataforma para la previsión energética debe tratarse como una decisión de capacidad del ciclo de vida, equilibrando la integración de extremo a extremo, la garantía operativa y la flexibilidad a largo plazo.