El Solenoide Compacto de Muones (CMS) es uno de los detectores de propósito general en el Gran Colisionador de Hadrones (LHC) del CERN, donde se reconstruyen los productos de las colisiones protón-protón a una energía de centro de masa de hasta 13.6 TeV. El calorímetro electromagnético (ECAL) es uno de los componentes cruciales del CMS, ya que reconstruye las energías y posiciones de electrones y fotones. A pesar de que ya se han utilizado varios algoritmos de Aprendizaje Automático (ML) para la calorimetría, con el constante avance del campo, han surgido técnicas cada vez más sofisticadas que pueden ser beneficiosas para la reconstrucción de objetos con calorímetros. En este artículo, presentamos dos nuevos algoritmos de ML para la reconstrucción de objetos con el ECAL que se basan en redes neuronales de grafos (GNNs). Los nuevos enfoques muestran mejoras significativas en comparación con los algoritmos actuales utilizados en el CMS.