La red eléctrica de EE. UU. acaba de fracasar en su mayor prueba, y nadie se dio cuenta

El otoño pasado estaba en una llamada con un directivo del sector energético en Virginia cuando dijo algo que me dejó helado.

"Tenemos centros de datos que solicitan más energía de la que podemos entregar físicamente. No en la próxima década. Ahora. Y cada mes que nos retrasamos, otra central de carbón solicita su cierre."

No estaba entrando en pánico: llevaba treinta años en el sector. Pero había algo en su voz que nunca antes había escuchado en alguien de ese nivel: resignación. Como si hubiera hecho los cálculos suficientes veces para saber que, sencillamente, las cuentas ya no salían.

Esa conversación me llevó a una madriguera que consumió a mi equipo en Veriprajna durante meses. Lo que encontramos fue peor de lo que esperaba. El mayor operador de red de Estados Unidos —PJM Interconnection, que da servicio a 65 millones de personas en 13 estados— acaba de fracasar por primera vez en su historia a la hora de adquirir suficiente electricidad. El déficit: 6,623 megavatios. Eso equivale aproximadamente a la producción de seis reactores nucleares que sencillamente no existen. Mientras tanto, en Texas, el operador de red ERCOT se ahoga en 233 GW de solicitudes de interconexión —casi el triple de toda la demanda máxima del estado— sin una vía realista para conectar la mayoría de ellas.

No se trata de escenarios hipotéticos de un informe climático fechado en 2050. El déficit de PJM golpea en junio de 2027. Eso está a dieciocho meses.

¿Qué ocurre cuando la mayor red de Estados Unidos se queda corta?

Permítanme explicar los resultados de la subasta de capacidad de diciembre de 2025 de PJM en términos sencillos. Cada año, PJM celebra una subasta en la que las centrales eléctricas pujan para garantizar que estarán disponibles cuando la demanda alcance su punto máximo. Es, en esencia, la póliza de seguro de la red. Este año, la subasta adjudicó 134,479 MW de capacidad, y se quedó 6,623 MW por debajo de lo necesario para mantener el estándar de fiabilidad que se supone que debe evitar los apagones.

El margen de reserva cayó al 14.8%. El objetivo es del 20%. Y los precios de capacidad alcanzaron el techo regulatorio de $333.44 por megavatio-día en toda la región: un tope de precio diseñado para proteger a los consumidores pero que ahora funciona como una venda, ocultando lo desesperada que es realmente la situación.

Cuando el tope de precio se activa en toda una región de 13 estados, no estás ante una señal de mercado. Estás ante un grito del mercado.

Lo que me saca de quicio de la cobertura de este tema es simple. La mayoría de los artículos lo plantean como "las centrales de carbón se están retirando y las renovables no las están reemplazando con la suficiente rapidez". Eso es técnicamente cierto, pero profundamente incompleto. La verdadera historia trata de un desajuste tan grave que ninguna cantidad de planificación convencional puede corregirlo a tiempo.

Entre 2011 y 2023, PJM perdió 54.2 GW de capacidad térmica por cierres. Otros 24 a 58 GW —hasta el 30% de la capacidad instalada— corren el riesgo de retirarse para 2030. Y aquí está el número que debería quitarle el sueño a cualquier planificador de red: reemplazar 1 MW de generación de carbón o gas que se retira requiere aproximadamente 5.2 MW de solar o 14 MW de eólica terrestre para mantener una fiabilidad equivalente. La brecha de intermitencia no es una nota al pie. Es la historia completa.

¿Por qué la cola de interconexión de ERCOT llega a 233 GW?

Si la crisis de PJM tiene que ver con la desaparición de la oferta, Texas tiene el problema opuesto: una demanda que aparece más rápido de lo que nadie imaginó posible.

La cola de interconexión de grandes cargas de ERCOT alcanzó los 233 GW a finales de 2025. Eso supone un aumento del 269% respecto al cierre de 2024. Para darte una idea de la escala: la demanda máxima total de ERCOT es de unos 85 GW. La cola es casi el triple de toda la red.

Los centros de datos representan el 77% de esas solicitudes.

Cuando vi ese número por primera vez, supuse que estaba inflado por solicitudes especulativas: empresas que presentan peticiones en varios emplazamientos para ver cuál se aprueba primero. Tenía razón, pero solo en parte. El sector las llama "cargas fantasma", y son un problema real. Los hiperescaladores presentan solicitudes en decenas de emplazamientos, atascando el proceso de estudios de ingeniería con proyectos que quizá nunca lleguen a construirse. ERCOT contrató recientemente a McKinsey para ayudar a separar las solicitudes creíbles de las especulativas, lo que da una idea de lo desbordados que están los equipos internos.

Pero incluso después de descartar los fantasmas, la demanda subyacente es abrumadora. ¿Y el lado de la oferta? ERCOT sincronizó 23 GW de nueva generación en 2025, en su mayoría solar y baterías. La cola de generación está dominada por 158 GW de solar y 175 GW de almacenamiento en baterías, con solo 47 GW de gas natural. Los legisladores de Texas aprobaron el proyecto de ley Senate Bill 6 y crearon un fondo de $9 mil millones para incentivar nuevas centrales de gas, pero aproximadamente el 35% de los proyectos de gas propuestos ya se han retirado, alegando la escasez mundial de turbinas y los retrasos en los permisos.

Escribí sobre esta colisión entre oferta y demanda con más detalle en la versión interactiva de nuestra investigación, pero la conclusión es rotunda: la red no puede crecer físicamente a la velocidad que exige la revolución de la IA.

La noche en que dejé de creer en el "simplemente construyan más"

Hubo una noche concreta —mi equipo y yo estábamos metidos de lleno en modelar el precipicio de cierres de PJM— en la que una de nuestras ingenieras mostró una proyección en pantalla y la sala se quedó en silencio.

Había cruzado el riesgo de cierre de cada central térmica de PJM con el calendario de la nueva generación que entrará en servicio. Las líneas se cruzaban en 2027. No en 2030. No en 2035. La brecha se abría en dieciocho meses, y se ampliaba cada año a partir de ahí.

Alguien dijo: "Entonces necesitamos construir unos 7 GW de generación despachable en un año y medio".

Me reí. No porque tuviera gracia. Sino porque el tiempo medio para tramitar los permisos y construir una central de gas en territorio de PJM es de cuatro a siete años. El de una nueva línea de transmisión es aún mayor.

Ese fue el momento en que la tesis se cristalizó para mí. No podemos construir lo suficientemente rápido para salir de esto. La red tiene que volverse drásticamente más inteligente con la infraestructura que ya tiene. Y el tipo de "IA" que la mayoría de las empresas energéticas está desplegando —chatbots, modelos de regresión básicos, analítica de cuadros de mando— resulta irrisoriamente insuficiente para el problema.

La red no necesita otro cuadro de mando. Necesita pensar.

¿Qué significa realmente la "IA profunda" para la red?

Necesito ser específico aquí, porque "IA para la energía" se ha convertido en una de esas frases que significan todo y nada. Cuando digo IA profunda, me refiero a algo muy distinto de envolver un modelo de lenguaje grande alrededor de un sistema SCADA (Supervisory Control and Data Acquisition, control supervisor y adquisición de datos: los sistemas de control industrial que monitorizan y gestionan las operaciones de la red) y llamarlo innovación.

La red eléctrica es un sistema dinámico sincronizado. Obedece las leyes de Kirchhoff (las reglas fundamentales que rigen el comportamiento de la corriente y la tensión eléctricas en los circuitos). Los generadores están acoplados a través de la ecuación de oscilación. La tensión, la frecuencia y el flujo de potencia se rigen por una física a la que no le importan tus datos de entrenamiento. Cualquier sistema de IA que ignore esa física es, en el mejor de los casos, un juguete.

En Veriprajna trabajamos con tres clases de modelos que respetan la realidad física de la red.

La primera clase son las redes neuronales informadas por la física —PINN, por sus siglas en inglés—, que incorporan las ecuaciones diferenciales reales que gobiernan el comportamiento de los generadores directamente en la función de pérdida del modelo. En lugar de limitarse a aprender patrones a partir de datos históricos, la red es penalizada por violar las leyes físicas. El resultado: un análisis de estabilidad transitoria que se ejecuta 87 veces más rápido que los solucionadores numéricos convencionales. Para un operador de red que se enfrenta a un posible fallo en cascada, esa es la diferencia entre predecir el apagón y sufrirlo.

Luego están las redes neuronales de grafos, que tratan la red como lo que realmente es: un grafo, con las subestaciones como nodos y las líneas de transmisión como aristas. El aprendizaje automático tradicional aplana esa estructura en una tabla de datos y pierde las relaciones espaciales que más importan. Una GNN puede predecir cómo se propaga una caída de tensión de una subestación a través de la topología de la red en milisegundos. Nuestra arquitectura GNN multicapa ha alcanzado una puntuación F1 (una medida de exactitud predictiva que equilibra la precisión y la exhaustividad) de 0.89 para identificar subestaciones en riesgo de fallo en un plazo de 30 días.

La tercera clase —y la que me parece más prometedora para las operaciones en tiempo real— son los agentes de aprendizaje por refuerzo que toman decisiones de despacho tratando el control de la red como un problema de optimización con restricciones. Aprenden políticas que satisfacen restricciones físicas estrictas —límites de tensión, capacidades térmicas, márgenes de frecuencia— mientras maximizan la fiabilidad y minimizan el coste.

Nada de esto es teórico. Hemos construido estos sistemas. Y la brecha entre lo que pueden hacer y lo que la mayoría de las eléctricas usa actualmente es enorme.

¿Cómo se encuentran 6.6 GW sin construir una sola central eléctrica?

Esta es la pregunta que nos consumió. Y la respuesta empieza con una de las tecnologías más infravaloradas del sector energético: la calificación dinámica de líneas (Dynamic Line Rating).

Cada línea de transmisión de Estados Unidos tiene una calificación "estática": la potencia máxima que se le permite transportar, basada en supuestos de peor caso sobre la temperatura y el viento. Esos supuestos son deliberadamente conservadores. La mayoría de los días, la capacidad térmica real de la línea es un 20-40% superior a lo que permite la calificación estática.

La calificación dinámica de líneas utiliza datos meteorológicos en tiempo real y sensores IoT para calcular lo que la línea puede soportar realmente ahora mismo, no lo que podría soportar en el peor día del siglo. Integramos datos de visión artificial y LiDAR (Light Detection and Ranging, una tecnología de teledetección basada en láser) para monitorizar de forma continua la flecha y la temperatura del conductor.

Los resultados no son incrementales. En Indiana y Ohio, AES desplegó estas tecnologías y aumentó la capacidad de transferencia en un 61% en líneas de 345 kV a un coste de $0.39 millones, frente a $1.63 millones de la reconductorización tradicional. Eso supone una reducción de costes del 76% y una reducción del 80% en el tiempo de despliegue.

Ahora multiplica eso por los 13 estados que abarca PJM. Con la DLR por sí sola no cierras toda la brecha de 6.6 GW, pero le haces una mella enorme sin verter ni un solo cimiento.

El megavatio más barato es el que ya circula por tus cables y no sabías que tenías.

La pregunta de $163 mil millones que nadie se hace

A partir de aquí, la economía se vuelve genuinamente alarmante. Un análisis del Natural Resources Defense Council concluyó que el crecimiento de los centros de datos en la región de PJM podría generar $163 mil millones en costes acumulados de capacidad entre 2028 y 2033. Solo en el norte de Illinois —territorio de ComEd— el impacto previsto es de $21.4 mil millones, lo que se traduce en unos $70 al mes de costes adicionales para el hogar medio.

Déjame decirlo de otra manera. El auge de la IA que supuestamente va a transformar la economía podría subir tu factura eléctrica en $840 al año, y eso en una sola zona de servicio.

Cuando presento estas cifras a directivos de tecnología, veo cómo les cambia la cara. Entienden los costes de servidores, los de red, los de talento. Pero la mayoría no ha interiorizado que la electricidad para hacer funcionar sus modelos de IA está a punto de encarecerse drásticamente —y de volverse potencialmente inaccesible— porque la red que abastece sus centros de datos tiene un déficit estructural de capacidad.

Este no es un problema que se resuelva solo con las fuerzas del mercado. Cuando la subasta de PJM alcanza el tope de precio en toda la región, el mercado te está diciendo que está roto. La señal de precio que debería atraer nueva inversión está siendo suprimida artificialmente, lo que significa que la inversión no llega, lo que significa que el déficit persiste.

¿Puede la IA realmente filtrar 233 GW de solicitudes de interconexión?

Uno de los proyectos que más me entusiasma es algo que hemos estado construyendo para el problema de la cola de interconexión. La Orden 2023 de la FERC (Comisión Federal Reguladora de Energía) exige a los proveedores de transmisión mantener "mapas de calor" públicos de la capacidad disponible, pero el proceso de estudio real —determinar si un proyecto concreto puede conectarse en un punto concreto sin desestabilizar la red— sigue siendo brutalmente manual.

Estamos desplegando lo que yo llamaría IA agéntica para el cribado de interconexiones. Esto no son chatbots. Son sistemas de razonamiento autónomo capaces de ingerir una solicitud de interconexión, contrastarla con los estándares de la NERC (North American Electric Reliability Corporation, el organismo que fija los estándares de fiabilidad de la red) y de la FERC, ejecutar un análisis de viabilidad topológica con nuestros modelos GNN y asignar una puntuación de probabilidad de finalización basada en la madurez comercial y física del proyecto.

El objetivo es que ERCOT —y con el tiempo otros operadores de red— pase de una cola de "primero en llegar, primero en ser atendido" a un modelo de "primero en estar listo, primero en ser atendido". Cuando tienes 233 GW de solicitudes y 23 GW de nueva generación real, la capacidad de identificar qué proyectos son reales y cuáles especulativos no es un extra deseable. Es existencial.

Para el desglose técnico completo de nuestra arquitectura —incluidas las formulaciones PINN, la topología GNN y el marco de control por RL— consulta nuestro artículo de investigación.

"¿Pero se puede confiar en la IA para gestionar la red?"

Escucho esto constantemente. Normalmente de gente que ha visto suficientes demos de IA empresarial como para ser escéptica y, sinceramente, deberían serlo. La red eléctrica es infraestructura crítica. Una mala recomendación de un chatbot le arruina la tarde a alguien. Una mala recomendación de un sistema de control de red deja a un hospital a oscuras.

Por eso nos negamos a desplegar modelos de caja negra en entornos operativos. Cada predicción que hace nuestra GNN viene acompañada de una explicación basada en grafos: resalta las líneas de transmisión y las subestaciones concretas que contribuyen a una evaluación de riesgo, para que un operador humano pueda verificar el razonamiento antes de actuar. Lo llamamos inferencia consciente de la estabilidad: la IA propone, la física restringe y el humano decide.

Mi equipo estuvo discutiendo sobre esto durante semanas. Algunos de nuestros ingenieros querían apostar por un control más autónomo: los agentes de RL son genuinamente mejores en el despacho en tiempo real que la mayoría de los procesos manuales. Pero yo volvía siempre al mismo principio: en los sistemas críticos para la seguridad, la explicabilidad no es una funcionalidad. Es un requisito previo.

También hemos sido cuidadosos con la frontera IT/OT (la separación entre los sistemas de tecnología de la información y la tecnología operativa que controla los equipos físicos). Nuestra arquitectura se conecta a los sistemas de control distribuido existentes sin modificar las estructuras de control críticas para la seguridad ya probadas. La capa de IA se sitúa junto a la capa de control, no por encima de ella.

El precipicio de los cierres es predecible, si usas los modelos adecuados

Una cosa más que me quita el sueño. El déficit de 6.6 GW en PJM no es una sorpresa si dispones de las herramientas de previsión adecuadas. Hemos construido modelos de predicción de cierres con redes LSTM apiladas (Long Short-Term Memory, un tipo de red neuronal para datos secuenciales) y gradient boosting que analizan la economía de cada central: emisiones de CO2, precios del combustible, penetración renovable en el mercado local, costes de mantenimiento, exposición regulatoria.

Nuestros modelos predicen el momento del cierre de una central con un error porcentual absoluto medio del 1.07%. Ese nivel de precisión da a los operadores de red una ventana de aviso de dos a tres años para intervenir —con incentivos de capacidad selectivos, compras de respaldo o interconexión acelerada de recursos de reemplazo— antes de que se abra la brecha de fiabilidad.

El hecho de que PJM se quedara corto en 2025 no se debe a que el precipicio de cierres fuera impredecible. Se debe a que las herramientas que se usaban para predecirlo eran inadecuadas.

A veces la gente replica: "¿No es esto simplemente mejor previsión? ¿Qué tiene de 'profundo'?". La profundidad está en lo que el modelo entiende. Un modelo de regresión estándar ve la antigüedad de una central de carbón y sus costes de combustible. Nuestro modelo ve su posición en la topología de transmisión, la saturación renovable en su zona de precios, el entorno político de su estado y el impacto en cascada de su cierre sobre la fiabilidad de cada subestación conectada. Eso no es una hoja de cálculo. Es un gemelo digital de la física económica de la red.

Hacia dónde va esto a partir de ahora

No creo que el déficit de PJM ni la crisis de la cola de ERCOT vayan a ser los últimos de su especie. Creo que son los primeros. Todos los grandes operadores de red de Norteamérica van a enfrentarse a alguna versión de esta colisión entre la generación térmica que se retira, la demanda explosiva impulsada por la IA y los límites físicos de la velocidad a la que se puede construir infraestructura.

Las eléctricas que naveguen esto con éxito no serán las que más construyan. Serán las que mejor orquesten: exprimiendo cada megavatio disponible de las líneas existentes mediante DLR, prediciendo los cierres antes de que generen emergencias, cribando las colas de interconexión con IA en lugar de con ejércitos de ingenieros y ejecutando análisis de estabilidad en tiempo real en milisegundos en lugar de en horas.

La brecha de 6,623 MW en PJM no es solo un número en un informe de subasta. Es la distancia entre la red que tenemos y la red que necesitamos. Y esa distancia crece cada mes.

La red eléctrica es la máquina más compleja que la humanidad ha construido jamás. Le estamos pidiendo que alimente el software más complejo que la humanidad ha construido jamás. Algo tiene que ceder, y no deberían ser las luces.

Podemos cerrar esa brecha. No fingiendo que la IA es una varita mágica, sino construyendo sistemas de IA que respeten la física, entiendan la topología y se ganen la confianza de los operadores que mantienen las luces encendidas. Ese es el trabajo. Y la red no tiene tiempo para que nadie lo descubra despacio.