En los últimos años ha habido un creciente interés en desarrollar métodos de pronóstico robustos, precisos y posiblemente rápidos tanto para la producción como para el consumo de energía. Enfoques tradicionales basados en arquitecturas lineales no son capaces de modelar completamente las relaciones entre variables, especialmente cuando se trata de muchas características. Proponemos un marco basado en Gradient Boosting Machine para pronosticar la demanda de clientes mixtos de una empresa de despacho de energía, agregados según su ubicación dentro de las siete zonas del mercado eléctrico italiano. El principal desafío es proporcionar predicciones precisas de un día para otro, a pesar de que los datos más recientes tengan dos meses de antigüedad. Esto requiere que los regresores exógenos, como características históricas de parte de los clientes y la temperatura del aire, se incorporen en el esquema y se adapten al caso específico. Se realizan simulaciones numéricas, lo que resulta en un MAPE del 5-15% según la zona del mercado. El Gradient Boosting tiene un rendimiento significativamente mejor en comparación con modelos estadísticos clásicos para series temporales, como ARMA, que no pueden capturar días festivos.