Amerikas Stromnetz hat gerade seinen größten Test nicht bestanden — und niemand hat es bemerkt

Ich war letzten Herbst in einem Telefonat mit einem Manager aus der Energiebranche in Virginia, als er etwas sagte, das mich erstarren ließ.

„Wir haben Rechenzentren, die mehr Strom anfordern, als wir physisch liefern können. Nicht im nächsten Jahrzehnt. Jetzt. Und mit jedem Monat, den wir zögern, meldet ein weiteres Kohlekraftwerk seine Stilllegung an.“

Er geriet nicht in Panik — er war seit dreißig Jahren in der Branche. Aber in seiner Stimme lag etwas, das ich von jemandem auf dieser Ebene noch nie gehört hatte: Resignation. Als hätte er die Zahlen oft genug durchgerechnet, um zu wissen, dass die Rechnung schlicht nicht mehr aufgeht.

Dieses Gespräch schickte mich in einen Kaninchenbau, der mein Team bei Veriprajna monatelang in Beschlag nahm. Was wir fanden, war schlimmer, als ich erwartet hatte. Der größte Netzbetreiber der Vereinigten Staaten — PJM Interconnection, der 65 Millionen Menschen in 13 Bundesstaaten versorgt — hat es gerade zum ersten Mal in seiner Geschichte nicht geschafft, genügend Strom zu beschaffen. Die Unterdeckung: 6.623 Megawatt. Das entspricht in etwa der Leistung von sechs Kernreaktoren, die es schlicht nicht gibt. Unterdessen erstickt der texanische Netzbetreiber ERCOT in 233 GW an Netzanschlussanfragen — fast das Dreifache der gesamten Spitzenlast des Bundesstaates — ohne realistischen Weg, die meisten davon anzuschließen.

Das sind keine hypothetischen Szenarien aus einem auf 2050 datierten Klimabericht. Die PJM-Unterdeckung schlägt im Juni 2027 zu. Das ist in achtzehn Monaten.

Was passiert, wenn dem größten Netz Amerikas die Kapazität fehlt?

Lassen Sie mich die Ergebnisse der PJM-Kapazitätsauktion vom Dezember 2025 in einfachen Worten darlegen. Jedes Jahr veranstaltet PJM eine Auktion, bei der Kraftwerke Gebote abgeben, um zu garantieren, dass sie bei Spitzenlast verfügbar sind. Es ist im Grunde die Versicherungspolice des Netzes. In diesem Jahr wurden bei der Auktion 134.479 MW an Kapazität bezuschlagt — 6.623 MW weniger als nötig, um den Zuverlässigkeitsstandard einzuhalten, der Blackouts verhindern soll.

Die Reservemarge fiel auf 14,8 %. Der Zielwert liegt bei 20 %. Und die Kapazitätspreise erreichten in der gesamten Region die regulatorische Obergrenze von 333,44 $ pro Megawatt-Tag — eine Preisobergrenze, die eigentlich Verbraucher schützen sollte, nun aber wie Scheuklappen wirkt und verschleiert, wie verzweifelt die Lage tatsächlich ist.

Wenn die Preisobergrenze in einer gesamten Region aus 13 Bundesstaaten greift, sehen Sie kein Marktsignal. Sie sehen einen Aufschrei des Marktes.

Was mich an der Berichterstattung darüber wahnsinnig macht, ist ganz einfach. Die meisten Artikel stellen es so dar: „Kohlekraftwerke werden stillgelegt, und Erneuerbare ersetzen sie nicht schnell genug.“ Das ist technisch gesehen richtig, aber zutiefst unvollständig. Die wahre Geschichte handelt von einem Missverhältnis, das so gravierend ist, dass keine noch so umfangreiche konventionelle Planung es rechtzeitig beheben kann.

Zwischen 2011 und 2023 verlor PJM 54,2 GW an thermischer Kapazität durch Stilllegungen. Weitere 24 bis 58 GW — bis zu 30 % der installierten Kapazität — drohen bis 2030 stillgelegt zu werden. Und hier ist die Zahl, die jedem Netzplaner den Schlaf rauben sollte: Um 1 MW ausscheidender Kohle- oder Gaserzeugung zu ersetzen, braucht man rund 5,2 MW Solar oder 14 MW Onshore-Wind, um die gleiche Zuverlässigkeit zu erhalten. Die Intermittenzlücke ist keine Fußnote. Sie ist die ganze Geschichte.

Warum steht ERCOTs Netzanschlusswarteschlange bei 233 GW?

Wenn PJMs Krise vom Verschwinden des Angebots handelt, hat Texas das gegenteilige Problem — eine Nachfrage, die schneller auftritt, als es sich irgendjemand vorstellen konnte.

ERCOTs Netzanschlusswarteschlange für Großlasten erreichte bis Ende 2025 233 GW. Das ist ein Anstieg um 269 % gegenüber Ende 2024. Um Ihnen ein Gefühl für die Größenordnung zu geben: ERCOTs gesamte Spitzenlast liegt bei etwa 85 GW. Die Warteschlange umfasst fast das Dreifache des gesamten Netzes.

Auf Rechenzentren entfallen 77 % dieser Anfragen.

Als ich diese Zahl zum ersten Mal sah, nahm ich an, sie sei durch spekulative Anträge aufgebläht — Unternehmen, die Anfragen an mehreren Standorten einreichen, um zu sehen, welcher zuerst genehmigt wird. Ich hatte recht, aber nur teilweise. Die Branche nennt diese „Phantomlasten“, und sie sind ein echtes Problem. Hyperscaler reichen Anträge an Dutzenden Standorten ein und verstopfen den technischen Prüfprozess mit Projekten, bei denen womöglich nie ein Spatenstich erfolgt. ERCOT hat kürzlich McKinsey hinzugezogen, um glaubwürdige von spekulativen Anfragen zu trennen — was Ihnen zeigt, wie überlastet die internen Teams sind.

Aber selbst wenn man die Phantome herausrechnet, ist die zugrunde liegende Nachfrage überwältigend. Und die Angebotsseite? ERCOT hat im Jahr 2025 23 GW an neuer Erzeugung synchronisiert — überwiegend Solar und Batterien. Die Erzeugungswarteschlange wird von 158 GW Solar und 175 GW Batteriespeichern dominiert, mit lediglich 47 GW Erdgas. Die texanische Legislative verabschiedete Senate Bill 6 und schuf einen 9-Milliarden-Dollar-Fonds als Anreiz für neue Gaskraftwerke, doch rund 35 % der geplanten Gasprojekte haben sich bereits zurückgezogen und verweisen auf weltweite Turbinenengpässe und Genehmigungsverzögerungen.

Ausführlicher habe ich diese Kollision von Angebot und Nachfrage in der interaktiven Fassung unserer Forschung beschrieben, doch das Fazit ist unverblümt: Das Netz kann physisch nicht in dem Tempo wachsen, das die KI-Revolution verlangt.

Die Nacht, in der ich aufhörte, an „Einfach mehr bauen“ zu glauben

Es gab einen bestimmten Abend — mein Team und ich steckten tief in der Modellierung der PJM-Stilllegungsklippe — als eine unserer Ingenieurinnen eine Projektion auf den Bildschirm holte und es im Raum still wurde.

Sie hatte das Stilllegungsrisiko jedes thermischen Kraftwerks in PJM gegen den Zeitplan der ans Netz gehenden Neuerzeugung aufgetragen. Die Linien kreuzten sich 2027. Nicht 2030. Nicht 2035. Die Lücke öffnete sich in achtzehn Monaten und weitete sich danach Jahr für Jahr aus.

Jemand sagte: „Wir müssen also in eineinhalb Jahren etwa 7 GW disponible Erzeugung bauen.“

Ich lachte. Nicht weil es lustig war. Sondern weil die durchschnittliche Zeit, um ein Gaskraftwerk im PJM-Gebiet zu genehmigen und zu bauen, vier bis sieben Jahre beträgt. Der Durchschnitt für eine neue Übertragungsleitung ist sogar noch länger.

Das war der Moment, in dem sich die These für mich herauskristallisierte. Wir können uns hier nicht schnell genug herausbauen. Das Netz muss mit der Infrastruktur, die es bereits hat, dramatisch intelligenter werden. Und die Art von „KI“, die die meisten Energieunternehmen einsetzen — Chatbots, einfache Regressionsmodelle, Dashboard-Analysen — ist für dieses Problem lachhaft unzureichend.

Das Netz braucht kein weiteres Dashboard. Es muss denken.

Was bedeutet „Deep AI“ eigentlich für das Netz?

Ich muss hier präzise sein, denn „KI für Energie“ ist zu einer jener Phrasen geworden, die alles und nichts bedeuten. Wenn ich von Deep AI spreche, meine ich etwas völlig anderes, als ein großes Sprachmodell um ein SCADA-System herumzubauen (Supervisory Control and Data Acquisition — die industriellen Leitsysteme, die den Netzbetrieb überwachen und steuern) und das dann Innovation zu nennen.

Das Stromnetz ist ein synchronisiertes dynamisches System. Es gehorcht den Kirchhoffschen Gesetzen (den grundlegenden Regeln dafür, wie sich elektrischer Strom und Spannung in Schaltkreisen verhalten). Generatoren sind über die Schwinggleichung gekoppelt. Spannung, Frequenz und Lastfluss werden von einer Physik bestimmt, die sich nicht um Ihre Trainingsdaten schert. Jedes KI-System, das diese Physik ignoriert, ist bestenfalls Spielzeug.

Bei Veriprajna arbeiten wir mit drei Modellklassen, die die physikalische Realität des Netzes respektieren.

Die erste Klasse sind Physics-Informed Neural Networks — PINNs — die die tatsächlichen Differentialgleichungen des Generatorverhaltens direkt in die Verlustfunktion des Modells einbetten. Statt nur Muster aus historischen Daten zu lernen, wird das neuronale Netz für die Verletzung physikalischer Gesetze bestraft. Das Ergebnis: eine Transientenstabilitätsanalyse, die 87-mal schneller läuft als konventionelle numerische Löser. Für einen Netzbetreiber, der einem möglichen Kaskadenausfall ins Auge blickt, ist das der Unterschied zwischen dem Vorhersagen des Blackouts und dem Erleben desselben.

Dann gibt es Graph Neural Networks, die das Netz als das behandeln, was es tatsächlich ist — einen Graphen, mit Umspannwerken als Knoten und Übertragungsleitungen als Kanten. Klassisches maschinelles Lernen flacht diese Struktur zu einer Datentabelle ab und verliert dabei die räumlichen Beziehungen, auf die es am meisten ankommt. Ein GNN kann in Millisekunden vorhersagen, wie sich ein Spannungseinbruch an einem Umspannwerk durch die Netztopologie fortpflanzt. Unsere mehrschichtige GNN-Architektur erreichte bei der Identifikation von Umspannwerken, die innerhalb von 30 Tagen auszufallen drohen, einen F1-Score (ein Maß für die Vorhersagegenauigkeit, das Präzision und Trefferquote ausbalanciert) von 0,89.

Die dritte Klasse — und die, die ich für den Echtzeitbetrieb am vielversprechendsten finde — sind Reinforcement-Learning-Agenten, die Dispatch-Entscheidungen treffen, indem sie die Netzsteuerung als beschränktes Optimierungsproblem behandeln. Sie erlernen Strategien, die harte physikalische Nebenbedingungen erfüllen — Spannungsgrenzen, thermische Grenzwerte, Frequenzgrenzen — und dabei die Zuverlässigkeit maximieren und die Kosten minimieren.

Nichts davon ist theoretisch. Wir haben diese Systeme gebaut. Und die Kluft zwischen dem, was sie leisten können, und dem, was die meisten Versorger derzeit einsetzen, ist gewaltig.

Wie findet man 6,6 GW, ohne ein einziges Kraftwerk zu bauen?

Das ist die Frage, die uns umtrieb. Und die Antwort beginnt mit einer der am meisten unterschätzten Technologien der Energiebranche: dem Dynamic Line Rating.

Jede Übertragungsleitung in Amerika hat einen „statischen“ Belastbarkeitswert — eine maximale Leistung, die sie führen darf, basierend auf Worst-Case-Annahmen zu Temperatur und Wind. Diese Annahmen sind bewusst konservativ. An den meisten Tagen liegt die tatsächliche thermische Kapazität der Leitung 20–40 % höher, als der statische Wert zulässt.

Dynamic Line Rating nutzt Echtzeit-Wetterdaten und IoT-Sensoren, um zu berechnen, was die Leitung gerade jetzt tatsächlich verkraften kann — und nicht, was sie am schlimmsten Tag des Jahrhunderts verkraften könnte. Wir integrieren Computer-Vision- und LiDAR-Daten (Light Detection and Ranging — eine laserbasierte Fernerkundungstechnologie), um Leiterseildurchhang und Temperatur kontinuierlich zu überwachen.

Die Ergebnisse sind nicht inkrementell. In Indiana und Ohio setzte AES diese Technologien ein und steigerte die Übertragungskapazität um 61 % bei 345-kV-Leitungen — zu Kosten von 0,39 Mio. $, verglichen mit 1,63 Mio. $ für eine klassische Umbeseilung. Das ist eine Kostenreduktion von 76 % und eine Verkürzung der Umsetzungszeit um 80 %.

Nun multiplizieren Sie das über PJMs Gebiet in 13 Bundesstaaten. Mit DLR allein schließen Sie nicht die gesamte Lücke von 6,6 GW, aber Sie kommen ihr ein gewaltiges Stück näher — ohne ein einziges Fundament zu gießen.

Das billigste Megawatt ist jenes, das bereits durch Ihre Leitungen fließt und von dem Sie nicht wussten, dass Sie es haben.

Die 163-Milliarden-Dollar-Frage, die niemand stellt

Ab hier wird die Rechnung wirklich alarmierend. Eine Analyse des Natural Resources Defense Council ergab, dass das Wachstum der Rechenzentren in der PJM-Region kumulierte Kapazitätskosten von 163 Milliarden $ von 2028 bis 2033 verursachen könnte. Allein im Norden von Illinois — im ComEd-Gebiet — werden die Auswirkungen auf 21,4 Milliarden $ geschätzt, was für einen durchschnittlichen Haushalt rund 70 $ an zusätzlichen Kosten pro Monat bedeutet.

Lassen Sie es mich anders sagen. Der KI-Boom, der die Wirtschaft transformieren soll, könnte Ihre Stromrechnung um 840 $ pro Jahr erhöhen — und das in einer einzigen Versorgungszone.

Wenn ich diese Zahlen Technologie-Führungskräften präsentiere, sehe ich, wie sich ihre Mienen verändern. Sie verstehen Serverkosten, Netzwerkkosten, Personalkosten. Aber die meisten von ihnen haben nicht verinnerlicht, dass der Strom zum Betrieb ihrer KI-Modelle drastisch teurer — und möglicherweise gar nicht verfügbar — zu werden droht, weil das Netz, das ihre Rechenzentren versorgt, strukturell zu wenig Kapazität hat.

Das ist kein Problem, das sich allein durch Marktkräfte löst. Wenn die PJM-Auktion in der gesamten Region an die Preisobergrenze stößt, sagt Ihnen der Markt, dass er kaputt ist. Das Preissignal, das neue Investitionen anziehen sollte, wird künstlich unterdrückt — was bedeutet, dass die Investitionen ausbleiben, was bedeutet, dass die Unterdeckung fortbesteht.

Kann KI wirklich 233 GW an Netzanschlussanfragen prüfen?

Eines der Projekte, die mich am meisten begeistern, ist etwas, das wir für das Problem der Netzanschlusswarteschlange bauen. Die Order 2023 der FERC (Federal Energy Regulatory Commission) verpflichtet Übertragungsnetzbetreiber, öffentliche „Heatmaps“ der verfügbaren Kapazität zu führen, doch der eigentliche Prüfprozess — die Feststellung, ob ein bestimmtes Projekt an einem bestimmten Punkt angeschlossen werden kann, ohne das Netz zu destabilisieren — bleibt brutal manuell.

Wir setzen das ein, was ich agentic AI für das Netzanschluss-Screening nennen würde. Das sind keine Chatbots. Es sind autonome Reasoning-Systeme, die einen Netzanschlussantrag einlesen, ihn gegen die Standards der NERC (North American Electric Reliability Corporation — das Gremium, das die Zuverlässigkeitsstandards für das Netz festlegt) und der FERC prüfen, mit unseren GNN-Modellen eine topologische Machbarkeitsanalyse durchführen und auf Basis des kommerziellen und physischen Reifegrads des Projekts einen Score für die Realisierungswahrscheinlichkeit vergeben.

Das Ziel ist, ERCOT — und irgendwann auch andere Netzbetreiber — von einer „first-come, first-served“-Warteschlange auf ein „first-ready, first-served“-Modell umzustellen. Wenn Sie 233 GW an Anfragen und 23 GW an tatsächlicher neuer Erzeugung haben, ist die Fähigkeit, echte von spekulativen Projekten zu unterscheiden, kein Nice-to-have. Sie ist existenziell.

Für die vollständige technische Aufschlüsselung unserer Architektur — einschließlich der PINN-Formulierungen, der GNN-Topologie und des RL-Regelungsframeworks — siehe unsere Forschungsarbeit.

„Aber kann man KI das Netz anvertrauen?“

Das höre ich ständig. Meist von Leuten, die genug Enterprise-KI-Demos gesehen haben, um skeptisch zu sein — und ehrlich gesagt sollten sie das auch sein. Das Stromnetz ist kritische Infrastruktur. Eine schlechte Empfehlung eines Chatbots kostet jemanden den Nachmittag. Eine schlechte Empfehlung eines Netzleitsystems stürzt ein Krankenhaus in einen Blackout.

Deshalb weigern wir uns, Black-Box-Modelle im operativen Betrieb einzusetzen. Jede Vorhersage unseres GNN wird von einer graphbasierten Erklärung begleitet — sie hebt die konkreten Übertragungsleitungen und Umspannwerke hervor, die zu einer Risikobewertung beitragen, sodass ein menschlicher Operator die Begründung prüfen kann, bevor er handelt. Wir nennen das stabilitätsbewusste Inferenz: Die KI schlägt vor, die Physik schränkt ein, und der Mensch entscheidet.

Mein Team hat wochenlang darüber gestritten. Einige unserer Ingenieure wollten auf mehr autonome Steuerung drängen — die RL-Agenten sind beim Echtzeit-Dispatch wirklich besser als die meisten manuellen Prozesse. Aber ich kam immer wieder auf dasselbe Prinzip zurück: In sicherheitskritischen Systemen ist Erklärbarkeit kein Feature. Sie ist eine Voraussetzung.

Wir sind auch sorgfältig mit der IT/OT-Grenze umgegangen (der Trennlinie zwischen Informationstechnologiesystemen und der Betriebstechnik, die physische Anlagen steuert). Unsere Architektur bindet sich an bestehende verteilte Leitsysteme an, ohne die bewährten sicherheitskritischen Regelungsstrukturen zu verändern. Die KI-Schicht sitzt neben der Steuerungsschicht, nicht darüber.

Die Stilllegungsklippe ist vorhersehbar — wenn man die richtigen Modelle nutzt

Noch etwas, das mich nachts wachhält. Die Unterdeckung von 6,6 GW bei PJM ist keine Überraschung, wenn man die richtigen Prognosewerkzeuge hat. Wir haben Modelle zur Stilllegungsvorhersage gebaut, die gestapelte LSTM-Netze (Long Short-Term Memory — eine Art neuronales Netz für sequenzielle Daten) und Gradient Boosting nutzen, um die Ökonomie auf Kraftwerksebene zu analysieren — CO2-Emissionen, Brennstoffpreise, Durchdringung mit Erneuerbaren im lokalen Markt, Instandhaltungskosten, regulatorische Exponierung.

Unsere Modelle sagen den Zeitpunkt der Kraftwerksstilllegung mit einem mittleren absoluten prozentualen Fehler von 1,07 % voraus. Dieses Maß an Genauigkeit gibt Netzbetreibern ein Vorwarnfenster von zwei bis drei Jahren zum Eingreifen — mit gezielten Kapazitätsanreizen, Backstop-Beschaffung oder beschleunigtem Netzanschluss von Ersatzressourcen — bevor sich die Zuverlässigkeitslücke öffnet.

Dass PJM 2025 zu wenig Kapazität hatte, liegt nicht daran, dass die Stilllegungsklippe unvorhersehbar war. Es liegt daran, dass die zu ihrer Vorhersage eingesetzten Werkzeuge unzureichend waren.

Manche halten mir bisweilen entgegen: „Ist das nicht einfach bessere Prognostik? Was ist daran so ‚deep‘?“ Die Tiefe liegt in dem, was das Modell versteht. Ein Standard-Regressionsmodell sieht das Alter und die Brennstoffkosten eines Kohlekraftwerks. Unser Modell sieht seine Position in der Übertragungstopologie, die Sättigung mit Erneuerbaren in seiner Preiszone, das politische Umfeld seines Bundesstaates und die kaskadierenden Zuverlässigkeitsfolgen seiner Stilllegung für jedes angeschlossene Umspannwerk. Das ist keine Tabellenkalkulation. Das ist ein digitaler Zwilling der ökonomischen Physik des Netzes.

Wohin das von hier aus führt

Ich glaube nicht, dass die PJM-Unterdeckung oder die ERCOT-Warteschlangenkrise die letzten ihrer Art sein werden. Ich glaube, sie sind die ersten. Jeder große Netzbetreiber in Nordamerika wird irgendeine Version dieser Kollision erleben — zwischen ausscheidender thermischer Erzeugung, explosiver KI-getriebener Nachfrage und den physischen Grenzen dessen, wie schnell man Infrastruktur bauen kann.

Die Versorger, die das erfolgreich meistern, werden nicht diejenigen sein, die am meisten bauen. Es werden die sein, die am besten orchestrieren — die jedes verfügbare Megawatt per DLR aus bestehenden Leitungen herausholen, Stilllegungen vorhersagen, bevor sie Notlagen erzeugen, Netzanschlusswarteschlangen mit KI statt mit Ingenieursarmeen prüfen und Echtzeit-Stabilitätsanalysen in Millisekunden statt in Stunden fahren.

Die Lücke von 6.623 MW bei PJM ist nicht bloß eine Zahl in einem Auktionsbericht. Sie ist der Abstand zwischen dem Netz, das wir haben, und dem Netz, das wir brauchen. Und dieser Abstand wächst mit jedem Monat.

Das Netz ist die komplexeste Maschine, die die Menschheit je gebaut hat. Wir verlangen von ihm, die komplexeste Software mit Strom zu versorgen, die die Menschheit je gebaut hat. Irgendetwas muss nachgeben — und es sollte nicht das Licht sein.

Wir können diese Lücke schließen. Nicht indem wir so tun, als wäre KI ein Zauberstab, sondern indem wir KI-Systeme bauen, die die Physik respektieren, die Topologie verstehen und sich das Vertrauen der Operatoren verdienen, die dafür sorgen, dass das Licht anbleibt. Das ist die Arbeit. Und das Netz hat keine Zeit dafür, dass es jemand langsam herausfindet.