Resumen: Los sistemas fotovoltaicos convencionales (configuraciones estáticas y seguidores basados en sensores LDR) presentan limitaciones para maximizar la captación solar en condiciones de radiación fluctuante, nubosidad variable y sombras dinámicas, reduciendo su eficiencia energética hasta en un 30%. El objetivo es desarrollar e implementar un sistema de seguimiento solar dual-eje basado en Aprendizaje por Refuerzo Profundo (DRL) para optimizar dinámicamente los ángulos de paneles solares, incrementando la energía captada bajo condiciones ambientales variables. Se adoptó un enfoque híbrido simulación-hardware utilizando: 1) Modelo DRL (DQN con redes CNN-LSTM) entrenado en Python (TensorFlow/OpenAI Gym) con 10,000 episodios simulados, 2) Plataforma física con Arduino UNO, servomotores SG90 y sensor INA219 para medición energética, y 3) Validación comparativa durante 30 días simulados frente a métodos estáticos y basados en LDR. El sistema DRL registró 135.3 kWh (63.6% eficiencia), superando en 22% al método LDR (120.7 kWh) y 32% al estático (110.5 kWh). Demostró capacidad adaptativa en nubosidad parcial (61.3% eficiencia) y tiempos de respuesta de 8.3±1.2 segundos ante cambios abruptos, atribuido a su arquitectura predictive. La solución DRL-Arduino incrementa significativamente la eficiencia fotovoltaica, reduce costos (62% vs. comerciales) y ofrece ROI competitivo (4.8 años), constituyendo un avance para aplicaciones sostenibles en comunidades vulnerables.