418 kilovoltios parecían normales. Luego 60 millones de personas se quedaron sin electricidad.

En la tarde del 28 de abril de 2025, las pantallas de una sala de control española indicaban que todo estaba bien.

Las barras de transmisión de 400 kilovoltios marcaban alrededor de 418 kV: alto, pero dentro de los límites que un operador está entrenado para tolerar. Entonces, en cinco segundos, 15 gigavatios de generación se desconectaron y 60 millones de personas en España y Portugal se quedaron sin electricidad. Algunas permanecieron a oscuras durante diez horas.

He pasado mi carrera entre estudios de clúster de interconexión y análisis post mortem de subastas de capacidad, y cuando el informe final de ENTSO-E salió en marzo de 2026, lo leí como se lee la autopsia de alguien que conocías. Los titulares ya habían decidido la historia: demasiada solar, no suficiente metal girando, las renovables no pueden mantener una red unida. El informe dice, en lenguaje claro, que ese enfoque es erróneo. La red no falló por lo que estaba generando. Falló por lo que nadie estaba vigilando. Esa única distinción es la razón por la que mi equipo construye IA para redes eléctricas de la manera en que lo hacemos.

El punto ciego estaba dos niveles de tensión más abajo

La investigación encontró algo que me quitó el sueño.

A partir de media mañana, aparecieron oscilaciones subsíncronas en toda la red española a 0.21 Hz y 0.63 Hz. Los operadores hicieron lo que dicta el manual —desconectaron reactores en derivación para gestionar subtensiones transitorias—, lo que drenó silenciosamente la capacidad de la red para absorber potencia reactiva. Alrededor del mediodía energizaron circuitos paralelos de 400 kV y cambiaron los enlaces HVDC a modo de potencia fija. La impedancia bajó, las tensiones subieron. Las pantallas de 400 kV seguían marcando 418 kV. Nominal.

Dos capas más abajo, en las subestaciones colectoras de 220 kV donde realmente se conectan los parques eólicos y solares, la tensión alcanzaba 242 kV. Los cambiadores de tomas de los transformadores —los dispositivos mecánicos que empujan la tensión de vuelta al rango— no podían moverse con suficiente rapidez. Y nadie lo vio, porque el monitoreo en tiempo real prácticamente se detenía en el nivel de transmisión. Entonces, una gran instalación de generación, durante un evento de sobretensión, inyectó potencia reactiva a la red en lugar de absorberla, exactamente lo contrario de lo que exigía su código de red. Ese fue el bucle de retroalimentación positiva. Los relés de protección comenzaron a dispararse en cascada, y las luces se apagaron.

Las renovables no eran inestables. Lo era la observabilidad.

Vuelvo una y otra vez a ese número de 418 kV. Un operador que miraba una lectura de transmisión tranquila no tenía ningún instrumento que le dijera que el nivel de colector ya había pasado el punto de no retorno. Los sensores para ver los 220 kV existen. La analítica para interpretarlos en tiempo real, con la rapidez suficiente para actuar, no existía. Eso no es un problema de generación. Es un problema de información vestido con la ropa de un problema de generación.

Estaba seguro de que la respuesta era un controlador autónomo. Me equivoqué.

Cuando mi equipo asumió esto por primera vez, yo tenía una idea segura y ordenada: construir una red neuronal informada por la física —un modelo que incorpora las ecuaciones reales del flujo de potencia en su entrenamiento para que no pueda recomendar algo físicamente imposible— y dejar que gestione la tensión y la potencia reactiva más rápido de lo que cualquier humano o controlador heredado podría.

El impulso investigador detrás de estos modelos es real. Las publicaciones sobre redes neuronales informadas por la física pasaron de menos de diez en 2019 a alrededor de 820 en 2025. Construimos un prototipo. En la mayoría de los escenarios fue realmente impresionante: generalizaba mejor que los modelos estándar y respetaba la física.

Luego lo sometimos a los casos límite. Y en uno de ellos, bajo exactamente el tipo de estrés de oscilación que vio la red ibérica, produjo una recomendación que era físicamente inviable. No catastróficamente errónea de forma obvia: sutilmente errónea, del tipo de error que parece plausible en un panel de control.

Me quedé con eso un rato. Luego hice lo que puso fin a todo el enfoque: imaginé esa recomendación llegando a una sala de control real, a las 12:32 de un día como el 28 de abril, con una cascada cerrándose y un operador decidiendo en segundos si confiar en ella. No existe ninguna red neuronal informada por la física desplegada comercialmente que controle una red real en ninguna parte del mundo a principios de 2026, y después de esa prueba entendí exactamente por qué. Un conjunto de ecuaciones idealizado omite el desorden multiescala —complejidad de frontera, acoplamiento no lineal— que aparece precisamente cuando la red está bajo estrés y más se necesita el modelo. Dos problemas sin resolver lo agravan: equilibrar los pesos de la función de pérdida que compensan la fidelidad física frente al ajuste a los datos, y cuantificar cuándo el modelo es incierto, ninguno de los cuales quieres descubrir en vivo.

Un inversor me había dicho antes que los operadores de red nunca adoptarían la IA. Se equivocaba en el motivo, pero acertaba en el instinto. La razón no es que los operadores sean ludistas. Es que son personalmente responsables de resultados que afectan a 60 millones de personas, y una caja negra que ocasionalmente, con confianza y de forma invisible, se equivoca es peor que no tener caja alguna.

Dejamos de intentar construir algo que reemplace el juicio del operador y empezamos a construir algo que extienda su visión.

Ese giro —de controlador autónomo a capa de asesoramiento informada por la física— es toda la arquitectura ahora. El modelo saca a la luz lo que el operador no puede ver actualmente, explica por qué lo está señalando, y deja el punto de consigna en manos humanas. El proyecto GridMind del Laboratorio Nacional de Argonne, un sistema multiagente para operadores de salas de control, llegó al mismo principio de diseño desde el lado de la investigación: los agentes no reemplazan a los operadores, les dan recomendaciones explicables. Cuando equipos independientes convergen en la misma restricción, suele ser porque la restricción es real.

¿Por qué el software de red existente no hace ya esto?

Es una pregunta justa, porque la red no es un terreno virgen. Algunas de las empresas de software más capaces del mundo ya viven aquí.

La plataforma GridOS de GE Vernova está instalada en más del 80% de las empresas de servicios públicos de EE. UU.; evitó unos 112 millones de minutos-cliente de interrupción solo para Alabama Power en 2025. Gridscale X de Siemens ejecuta gemelos digitales de red y, mediante una asociación con NVIDIA, afirma una aceleración de aproximadamente 10,000x en simulación. Estas son herramientas serias construidas por gente seria.

Pero fueron diseñadas para una red que fluía en una dirección, desde grandes generadores rotativos hacia consumidores pasivos. Las capacidades de IA son complementos superpuestos a sistemas SCADA que son anteriores al problema. Y los datos que ingieren son abrumadoramente de nivel de transmisión: la vista de 400 kV que marcaba 418 kV y parecía estar bien. El punto ciego no es un fallo en estas plataformas. Es una consecuencia de dónde se les dijo que miraran.

Luego está el nivel de la consultoría. McKinsey fue contratada para rediseñar el proceso de interconexión de ERCOT y presentó un marco de "Estudio por Lotes" para el expediente de febrero de 2026 de la PUC de Texas. Ese es trabajo real. Pero las grandes firmas asesoran sobre el proceso —entregan presentaciones estratégicas y evaluaciones de proveedores en contratos que ascienden a millones—, no construyen los modelos informados por la física. La brecha entre "aquí hay un mejor proceso" y "aquí hay un sistema funcional que filtra tu cola" es exactamente donde operamos.

El mismo punto ciego está a punto de costarle a Estados Unidos 163 000 millones de dólares

Si crees que esta es una historia europea, mira la subasta de capacidad de PJM.

En diciembre de 2025, para el año de entrega 2027/2028, PJM —el mayor operador de red de Norteamérica— adquirió 145,777 MW y quedó 6,625 MW por debajo de su objetivo de margen de reserva. Fue la primera vez que toda la región no cumplió su objetivo de fiabilidad. El precio alcanzó el tope de la subasta por tercera vez consecutiva; esa única subasta costó 16 400 millones de dólares. El costo acumulado de capacidad de 2028 a 2033 se proyecta en 163 000 millones de dólares. Solo en el territorio de ComEd, eso equivale a unos 70 dólares al mes en una factura residencial.

Ahora la parte que conecta directamente con la historia de la observabilidad: de los 5,250 MW de crecimiento de la demanda que impulsan ese déficit, unos 5,100 MW son centros de datos. Esa carga no está repartida de manera uniforme: se concentra en zonas de transmisión específicas en Dominion Virginia, AEP Ohio y ComEd Illinois. Estás creando condiciones de apagón ibérico —estrés localizado alrededor de subestaciones críticas— y luego esperando que ninguna se dispare durante el pico. La esperanza no es una estrategia de observabilidad.

Y la supuesta válvula de alivio, la nueva generación, está atascada. La cola de interconexión de EE. UU. se situaba en aproximadamente 2,600 GW en 2025. El proyecto mediano espera cinco años para alcanzar la operación comercial, y históricamente solo alrededor de uno de cada cinco proyectos que entraron en la cola entre 2000 y 2018 llegó a construirse. Solo la cola de gran carga de ERCOT alcanzó 233 GW —un salto del 269% año tras año, el 77% centros de datos— frente a apenas 23 GW de nueva generación sincronizada en 2025. El propio análisis de la FERC encontró que el 68% de los estudios de clúster destinados a resolver esto se completaron tarde. GridLab estima que los cuellos de botella de interconexión costaron a los consumidores de PJM 3500 millones de dólares en una sola subasta de capacidad, porque la generación más barata que debería haber sido aprobada simplemente no pudo conectarse a tiempo.

No puedes resolver a base de contrataciones 2,600 GW de cola con horas de ingeniería humana. Los estudios siempre volverán con el sello de "completado tarde". Este es el segundo lugar al que pertenece la IA: no a controlar la red, sino a filtrar y agrupar la cola a una velocidad que los humanos estructuralmente no pueden igualar.

Si la clasificación dinámica de líneas es tan barata, ¿por qué no está en todas partes?

Hay una tercera brecha, y es la que me saca un poco de quicio, porque la tecnología ya está probada.

La clasificación dinámica de líneas —colocar sensores sin contacto en las líneas de transmisión para calificar su capacidad según las condiciones reales en lugar de una suposición conservadora del peor caso— no es experimental. LineVision es el proveedor dominante. En un corredor de 345 kV, AES observó un aumento de capacidad del 61%. El despliegue de National Grid en Syracuse añadió un 20-30%. Y cuesta algo así como el 5-7% de un proyecto tradicional de recableado; en el caso de AES, aproximadamente un 76% menos que la actualización convencional.

Entonces, ¿por qué no todas las empresas de servicios públicos con restricciones han cubierto su red con ella? Porque el proveedor de hardware te vende sensores, no un plan. Nadie responde la verdadera pregunta de planificación: dada mi red específica, ¿dónde despliego tecnología de mejora de red para desbloquear la mayor capacidad por dólar, y cuándo? Ese es un problema de optimización sobre la propia topología y los patrones de carga de una empresa de servicios públicos, y es una capa de analítica que se sitúa por encima de los sensores, no dentro de ellos. La Orden 1920 de la FERC ahora exige a las empresas de servicios públicos considerar tecnologías de mejora de red antes de construir nuevas líneas, lo que significa que esta pregunta está a punto de aterrizar en muchas mesas de planificación a la vez.

La clasificación dinámica de líneas es la rara intervención de red que es a la vez la opción más barata y la que con más frecuencia se deja sin aprovechar.

Dónde encaja realmente la IA en la red

Uniendo los hilos, mi posición es más acotada que el bombo publicitario y, creo, más útil.

La IA no encaja en el control autónomo de una red crítica para la seguridad: no hoy, y no sobre la base de un modelo que se equivoca sutilmente en los casos límite. Encaja en tres lugares donde la pila de software actual tiene un agujero estructural. Primero, observabilidad a nivel de colector —la analítica de subtransmisión que habría detectado los 242 kV en el nivel de 220 kV mientras la barra de 400 kV parecía tranquila. Segundo, inteligencia de cola —filtrar y agrupar 2,600 GW de solicitudes de interconexión más rápido de lo que jamás lograrán los estudios de clúster completados tarde. Tercero, una capa de optimización de tecnología de mejora de red que le indica a un planificador dónde la clasificación dinámica de líneas y el control de flujo de potencia realmente rinden. Por debajo de las tres, los modelos informados por la física se ganan su lugar como herramientas de asesoramiento y simulación para estudios de planificación: drásticamente más rápidos que las herramientas heredadas, con el operador todavía sosteniendo la pluma.

La gente me pregunta si las empresas de servicios públicos realmente quieren otro proveedor más. No lo quieren, y no les pedimos que se conviertan en uno. Las empresas de servicios públicos tienen sistemas SCADA de GE, Siemens y ABB que no van a arrancar. Lo que necesitan es una capa de IA que funcione con la base instalada, neutral respecto al proveedor, en lugar de otro monolito que exige reemplazo. Esa es una elección de diseño deliberada, y está en la página de solución en detalle.

También preguntan por la acumulación regulatoria, y es real. La Ley de IA de la UE clasifica la IA en la gestión de redes como de alto riesgo, con cumplimiento obligatorio para el 2 de agosto de 2026 y sanciones de hasta 15 millones de euros o el 3% de la facturación mundial. La CIP-003-9 de NERC entra en vigor en abril de 2026. Los requisitos de tecnología de mejora de red de la Orden 1920 de la FERC están aterrizando ahora. La respuesta de España al apagón —Red Eléctrica autorizando 24 instalaciones renovables para el control dinámico de tensión bajo el P.O. 7.4, exigiéndoles demostrar una capacidad de potencia reactiva de ±30%— es exactamente el tipo de mandato que necesita nueva analítica para verificar y operar de verdad. El cumplimiento y la capacidad no son proyectos separados aquí. Lo que te mantiene dentro de la ley es lo mismo que te mantiene con las luces encendidas.

El informe ibérico cerró un capítulo al nombrar, con precisión, el momento en que la red se quedó ciega. No leo en él un argumento sobre las renovables. Leo un instrumento apuntado al lugar equivocado. Construir el instrumento que apunta al correcto: ese es el trabajo.