418 Kilovolt sahen normal aus. Dann verloren 60 Millionen Menschen den Strom.
Am Nachmittag des 28. April 2025 zeigten die Bildschirme in einer spanischen Leitwarte an, dass alles in Ordnung war.
Die 400-Kilovolt-Übertragungssammelschienen zeigten rund 418 kV an — hoch, aber innerhalb der Grenzen, die ein Operator zu tolerieren gelernt hat. Dann, innerhalb von fünf Sekunden, fielen 15 Gigawatt Erzeugungsleistung vom Netz, und 60 Millionen Menschen in Spanien und Portugal verloren den Strom. Manche von ihnen blieben zehn Stunden lang im Dunkeln.
Ich habe meine Laufbahn mit Netzanschluss-Cluster-Studien und Nachbetrachtungen von Kapazitätsauktionen verbracht, und als der ENTSO-E-Abschlussbericht im März 2026 erschien, las ich ihn so, wie man die Obduktion eines Menschen liest, den man kannte. Die Schlagzeilen hatten die Geschichte längst entschieden: zu viel Solar, zu wenig rotierendes Metall, Erneuerbare könnten ein Netz nicht zusammenhalten. Der Bericht sagt in klaren Worten, dass diese Einordnung falsch ist. Das Netz versagte nicht wegen dessen, was es erzeugte. Es versagte wegen dessen, was niemand im Blick hatte. Genau diese eine Unterscheidung ist der Grund, warum mein Team KI für Stromnetze so entwickelt, wie wir es tun.
Der blinde Fleck lag zwei Spannungsebenen tiefer
Die Untersuchung fand etwas, das mich nicht schlafen ließ.
Ab dem späten Vormittag traten im gesamten spanischen Netz subsynchrone Schwingungen bei 0,21 Hz und 0,63 Hz auf. Die Operatoren taten das Lehrbuchmäßige — sie trennten Shunt-Drosseln ab, um transiente Unterspannungen zu beherrschen —, was still und leise die Fähigkeit des Netzes zur Aufnahme von Blindleistung erschöpfte. Gegen Mittag schalteten sie parallele 400-kV-Stromkreise zu und stellten HVDC-Verbindungen auf festen Leistungsbetrieb um. Die Impedanz sank, die Spannungen stiegen. Die 400-kV-Anzeigen zeigten weiterhin 418 kV. Nominal.
Zwei Ebenen tiefer, an den 220-kV-Sammelumspannwerken, an denen Wind- und Solarparks tatsächlich einspeisen, erreichte die Spannung 242 kV. Die Transformator-Stufenschalter — die mechanischen Vorrichtungen, die die Spannung wieder in den zulässigen Bereich rücken — konnten sich nicht schnell genug bewegen. Und niemand sah es, weil das Echtzeit-Monitoring faktisch auf der Übertragungsebene endete. Eine große Erzeugungsanlage speiste dann während eines Überspannungsereignisses Blindleistung ins Netz ein, anstatt sie aufzunehmen — genau das Gegenteil dessen, was ihr Grid Code verlangte. Das war die positive Rückkopplungsschleife. Schutzrelais begannen kaskadenartig auszulösen, und die Lichter gingen aus.
Nicht die Erneuerbaren waren instabil. Die Beobachtbarkeit war es.
Ich komme immer wieder auf diese Zahl von 418 kV zurück. Ein Operator, der auf einen ruhigen Übertragungswert blickte, hatte kein Instrument, das ihm sagte, dass die Sammelebene den Punkt ohne Wiederkehr bereits überschritten hatte. Die Sensoren, um 220 kV zu sehen, existieren. Die Analytik, um sie in Echtzeit zu interpretieren, schnell genug zum Handeln, existierte nicht. Das ist kein Erzeugungsproblem. Es ist ein Informationsproblem im Gewand eines Erzeugungsproblems.
Ich war sicher, die Antwort sei ein autonomer Regler. Ich lag falsch.
Als mein Team dies zum ersten Mal in Angriff nahm, hatte ich eine selbstbewusste, aufgeräumte Idee: ein physik-informiertes neuronales Netz bauen — ein Modell, das die tatsächlichen Gleichungen des Lastflusses in sein Training einbrennt, sodass es nichts physikalisch Unmögliches empfehlen kann — und es Spannung und Blindleistung schneller regeln lassen, als es jeder Mensch oder jeder herkömmliche Regler könnte.
Die Forschungsdynamik hinter diesen Modellen ist real. Die Zahl der Veröffentlichungen zu physik-informierten neuronalen Netzen stieg von weniger als zehn im Jahr 2019 auf rund 820 im Jahr 2025. Wir bauten einen Prototyp. In den meisten Szenarien war er wirklich beeindruckend — er verallgemeinerte besser als die Standardmodelle und respektierte die Physik.
Dann schickten wir ihn durch die Grenzfälle. Und in einem von ihnen, unter genau der Art von Schwingungsbelastung, die das iberische Netz erlebte, erzeugte er eine Empfehlung, die physikalisch nicht umsetzbar war. Nicht auf offensichtliche Weise katastrophal falsch — subtil falsch, die Art von falsch, die auf einem Dashboard plausibel aussieht.
Ich ließ das eine Weile auf mich wirken. Dann tat ich das, was den ganzen Ansatz beendete: Ich stellte mir vor, wie diese Empfehlung in einer echten Leitwarte eintrifft, um 12:32 Uhr an einem Tag wie dem 28. April, während eine Kaskade näher rückt und ein Operator in Sekunden entscheidet, ob er ihr vertraut. Es gibt Anfang 2026 nirgendwo auf der Welt ein kommerziell eingesetztes physik-informiertes neuronales Netz, das ein reales Netz steuert, und nach diesem Test verstand ich genau, warum. Ein idealisierter Gleichungssatz lässt das mehrskalige Durcheinander aus — Randkomplexität, nichtlineare Kopplung —, das genau dann auftaucht, wenn das Netz belastet ist und man das Modell am dringendsten braucht. Zwei ungelöste Probleme verschärfen es: die Gewichte der Verlustfunktion auszubalancieren, die physikalische Treue gegen Datenanpassung abwägen, und zu quantifizieren, wann das Modell unsicher ist — beides möchte man nicht im Live-Betrieb herausfinden.
Ein Investor hatte mir früher gesagt, Netzbetreiber würden KI niemals übernehmen. Er lag beim Grund falsch, aber beim Instinkt richtig. Der Grund ist nicht, dass Operatoren Maschinenstürmer wären. Es liegt daran, dass sie persönlich für Ergebnisse verantwortlich sind, die 60 Millionen Menschen betreffen, und eine Blackbox, die gelegentlich, selbstbewusst und unsichtbar falsch liegt, ist schlimmer als gar keine Box.
Wir hörten auf zu versuchen, etwas zu bauen, das das Urteilsvermögen des Operators ersetzt, und begannen, etwas zu bauen, das die Sicht des Operators erweitert.
Dieser Kurswechsel — vom autonomen Regler zur physik-informierten Beratungsebene — ist heute die gesamte Architektur. Das Modell macht sichtbar, was der Operator derzeit nicht sehen kann, erklärt, warum es das markiert, und überlässt den Sollwert menschlichen Händen. Das GridMind-Projekt des Argonne National Laboratory, ein Multi-Agenten-System für Operatoren in Leitwarten, landete von der Forschungsseite her beim selben Designprinzip: Die Agenten ersetzen die Operatoren nicht, sie geben erklärbare Empfehlungen. Wenn unabhängige Teams zur selben Randbedingung konvergieren, dann meist, weil die Randbedingung real ist.
Warum tut die bestehende Netzsoftware das nicht bereits?
Das ist eine berechtigte Frage, denn das Netz ist keine grüne Wiese. Einige der leistungsfähigsten Softwareunternehmen der Welt sind hier bereits zu Hause.
Die GridOS-Plattform von GE Vernova ist bei mehr als 80 % der US-Versorger installiert; allein 2025 verhinderte sie schätzungsweise 112 Millionen Kundenminuten an Unterbrechungen für Alabama Power. Siemens' Gridscale X betreibt digitale Netzzwillinge und beansprucht durch eine NVIDIA-Partnerschaft eine rund 10.000-fache Beschleunigung bei der Simulation. Das sind ernstzunehmende Werkzeuge, gebaut von ernstzunehmenden Menschen.
Aber sie wurden für ein Netz konzipiert, das in eine Richtung floss, von großen rotierenden Generatoren hinaus zu passiven Verbrauchern. Die KI-Fähigkeiten sind Erweiterungen, die auf SCADA-Systeme aufgesetzt wurden, welche älter sind als das Problem. Und die Daten, die sie aufnehmen, sind überwiegend auf Übertragungsebene — die 400-kV-Sicht, die 418 kV anzeigte und in Ordnung aussah. Der blinde Fleck ist kein Fehler in diesen Plattformen. Er ist eine Folge dessen, wohin man sie zu blicken angewiesen hat.
Dann gibt es die Beratungsebene. McKinsey wurde beauftragt, den Netzanschlussprozess von ERCOT neu zu gestalten, und reichte für das Verfahren der Texas PUC vom Februar 2026 ein „Batch Study“-Rahmenwerk ein. Das ist echte Arbeit. Aber die großen Firmen beraten zu Prozessen — sie liefern Strategiepräsentationen und Anbieterbewertungen bei Aufträgen, die in die Millionen gehen —, sie bauen nicht die physik-informierten Modelle. Die Lücke zwischen „hier ist ein besserer Prozess“ und „hier ist ein funktionierendes System, das deine Warteschlange filtert“ ist genau dort, wo wir tätig sind.
Derselbe blinde Fleck wird Amerika bald 163 Milliarden Dollar kosten
Wenn Sie meinen, dies sei eine europäische Geschichte, dann werfen Sie einen Blick auf die PJM-Kapazitätsauktion.
Im Dezember 2025 beschaffte PJM — der größte Netzbetreiber Nordamerikas — für das Lieferjahr 2027/2028 145.777 MW und verfehlte sein Reservemargen-Ziel um 6.625 MW. Es war das erste Mal, dass die gesamte Region ihr Zuverlässigkeitsziel nicht erreichte. Der Preis erreichte zum dritten Mal in Folge die Auktionsobergrenze; die einzelne Auktion kostete 16,4 Milliarden Dollar. Die kumulierten Kapazitätskosten von 2028 bis 2033 werden auf 163 Milliarden Dollar geschätzt. Allein im Gebiet von ComEd sind das geschätzte 70 Dollar pro Monat auf einer Haushaltsrechnung.
Nun der Teil, der direkt an die Geschichte der Beobachtbarkeit anknüpft: Von den 5.250 MW Nachfragewachstum, die diesen Engpass antreiben, entfallen etwa 5.100 MW auf Rechenzentren. Diese Last verteilt sich nicht gleichmäßig — sie konzentriert sich auf bestimmte Übertragungszonen in Dominion Virginia, AEP Ohio und ComEd Illinois. Man erschafft die Bedingungen des iberischen Blackouts — lokal begrenzte Belastung rund um kritische Umspannwerke — und hofft dann, dass keines von ihnen während der Spitzenlast auslöst. Hoffnung ist keine Beobachtbarkeitsstrategie.
Und das vermeintliche Entlastungsventil, neue Erzeugung, klemmt. Die US-Netzanschlusswarteschlange lag 2025 bei rund 2.600 GW. Das mittlere Projekt wartet fünf Jahre bis zur kommerziellen Inbetriebnahme, und historisch wurde nur etwa eines von fünf Projekten, die zwischen 2000 und 2018 in die Warteschlange eintraten, jemals gebaut. Allein die Großlast-Warteschlange von ERCOT erreichte 233 GW — ein Sprung von 269 % gegenüber dem Vorjahr, 77 % davon Rechenzentren — gegenüber lediglich 23 GW neu synchronisierter Erzeugung im Jahr 2025. FERCs eigene Analyse ergab, dass 68 % der Cluster-Studien, die dies beheben sollten, verspätet abgeschlossen wurden. GridLab schätzt, dass Netzanschluss-Engpässe die PJM-Verbraucher in einer einzigen Kapazitätsauktion 3,5 Milliarden Dollar kosteten, weil günstigere Erzeugung, die hätte zum Zuge kommen sollen, schlicht nicht rechtzeitig angeschlossen werden konnte.
Man kann sich durch 2.600 GW Warteschlange nicht mit menschlichen Ingenieurstunden hindurchrekrutieren. Die Studien kommen immer mit dem Stempel „verspätet abgeschlossen“ zurück. Dies ist der zweite Ort, an den KI gehört — nicht das Netz zu steuern, sondern die Warteschlange in einem Tempo zu filtern und zu clustern, das Menschen strukturell nicht erreichen können.
Wenn dynamische Leitungsbelastbarkeit so günstig ist, warum gibt es sie nicht überall?
Es gibt eine dritte Lücke, und sie ist diejenige, die mich ein wenig wahnsinnig macht, weil die Technologie bereits erprobt ist.
Dynamische Leitungsbelastbarkeit — das Anbringen berührungsloser Sensoren an Übertragungsleitungen, sodass man ihre Kapazität anhand der tatsächlichen Bedingungen statt einer konservativen Worst-Case-Annahme bemisst — ist nicht experimentell. LineVision ist der dominierende Anbieter. Auf einem 345-kV-Korridor verzeichnete AES eine Kapazitätssteigerung von 61 %. Der Einsatz von National Grid in Syracuse brachte 20-30 % zusätzlich. Und es kostet etwa 5-7 % eines herkömmlichen Umseilungsprojekts — im Fall von AES rund 76 % weniger als die konventionelle Aufrüstung.
Warum hat also nicht jeder eingeschränkte Versorger sein Netz damit überzogen? Weil der Hardware-Anbieter einem Sensoren verkauft, keinen Plan. Niemand beantwortet die eigentliche Planungsfrage: Wo genau setze ich in meinem konkreten Netz netzverbessernde Technologie ein, um die meiste Kapazität pro Dollar freizusetzen, und wann? Das ist ein Optimierungsproblem über die eigene Topologie und die Lastmuster eines Versorgers — und es ist eine Analyseebene, die auf den Sensoren aufsitzt, nicht in ihnen steckt. Die FERC-Verordnung Order 1920 verpflichtet Versorger nun zur Berücksichtigung netzverbessernder Technologien, bevor sie neue Leitungen bauen, was bedeutet, dass diese Frage bald auf vielen Planungstischen gleichzeitig landen wird.
Dynamische Leitungsbelastbarkeit ist die seltene Netzmaßnahme, die zugleich die günstigste Option ist und diejenige, die am häufigsten ungenutzt liegen bleibt.
Wo KI im Netz tatsächlich hingehört
Wenn ich die Fäden zusammenführe, ist meine Position enger gefasst als der Hype und, wie ich finde, nützlicher.
KI gehört nicht in die autonome Steuerung eines sicherheitskritischen Netzes — nicht heute und nicht auf der Grundlage eines Modells, das Grenzfälle subtil falsch behandelt. Sie gehört an drei Stellen, an denen der aktuelle Software-Stack ein strukturelles Loch hat. Erstens: Beobachtbarkeit auf Sammelebene — die Analytik unterhalb der Übertragungsebene, die 242 kV auf der 220-kV-Ebene erfasst hätte, während die 400-kV-Sammelschiene ruhig aussah. Zweitens: Warteschlangen-Intelligenz — das Filtern und Clustern von Netzanschlussanfragen im Umfang von 2.600 GW, schneller, als verspätet abgeschlossene Cluster-Studien es je schaffen werden. Drittens: eine Optimierungsschicht für netzverbessernde Technologien, die einem Planer sagt, wo sich dynamische Leitungsbelastbarkeit und Lastflusssteuerung tatsächlich auszahlen. Unter allen dreien verdienen sich physik-informierte Modelle ihren Wert als Beratungs- und Simulationswerkzeuge für Planungsstudien — dramatisch schneller als herkömmliche Werkzeuge, wobei der Operator weiterhin die Feder in der Hand hält.
Man fragt mich, ob Versorger wirklich noch einen weiteren Anbieter wollen. Sie wollen es nicht, und wir verlangen von ihnen nicht, einer zu werden. Versorger haben SCADA-Systeme von GE, Siemens und ABB, die sie nicht herausreißen. Was sie brauchen, ist ein KI-Overlay, das mit der installierten Basis zusammenarbeitet, herstellerneutral, statt eines weiteren Monolithen, der Ersatz verlangt. Das ist eine bewusste Design-Entscheidung, und sie ist auf der Lösungsseite ausführlich beschrieben.
Man fragt mich auch nach dem regulatorischen Stau, und der ist real. Der EU AI Act stuft KI im Netzmanagement als hochriskant ein, mit Compliance-Frist zum 2. August 2026 und Strafen von bis zu 15 Millionen Euro oder 3 % des weltweiten Umsatzes. NERCs CIP-003-9 tritt im April 2026 in Kraft. Die Anforderungen an netzverbessernde Technologien aus FERC Order 1920 treten jetzt in Kraft. Spaniens Reaktion auf den Blackout — Red Eléctrica genehmigt 24 Erneuerbare-Anlagen für die dynamische Spannungsregelung unter P.O. 7.4 und verpflichtet sie, eine Blindleistungsfähigkeit von ±30 % nachzuweisen — ist genau die Art von Vorgabe, die neue Analytik braucht, um tatsächlich verifiziert und betrieben zu werden. Compliance und Leistungsfähigkeit sind hier keine getrennten Projekte. Was einen legal hält, ist dasselbe, was einem das Licht anlässt.
Der iberische Bericht schloss ein Kapitel ab, indem er präzise den Moment benannte, in dem das Netz erblindete. Ich lese darin kein Argument über Erneuerbare. Ich lese ein Instrument, das auf die falsche Stelle gerichtet ist. Das Instrument zu bauen, das auf die richtige zeigt — das ist die Arbeit.
