El problema
En diciembre de 2025, PJM Interconnection —el mayor operador de red de Estados Unidos, que da servicio a 65 millones de personas en 13 estados— anunció algo que nunca había ocurrido antes. Su subasta de capacidad quedó 6.623 megavatios por debajo de lo que la red necesita para mantener las luces encendidas en 2027/2028. Ese déficit equivale aproximadamente a la producción de seis grandes centrales eléctricas, sencillamente ausentes del sistema.
La subasta alcanzó el tope de precio federal de 333,44 dólares por megavatio-día en toda la región. El coste total: 16.400 millones de dólares. Y aun a ese precio máximo, no hubo energía suficiente para cumplir los objetivos de fiabilidad. El margen de reserva —su colchón de seguridad contra los apagones— cayó al 14,8%, muy por debajo del estándar del 20% diseñado para evitar cortes a gran escala.
Mientras tanto, en Texas, la red de ERCOT enfrenta una crisis distinta pero relacionada. Su cola de grandes clientes en espera de conectarse —en su mayoría centros de datos— se ha inflado hasta los 233 gigavatios. Eso es casi tres veces la demanda pico total de la red texana. Pero ERCOT solo añadió 23 gigavatios de nueva generación en 2025. Los números sencillamente no cuadran.
Si su organización opera en el territorio de PJM o depende de la energía de Texas, estas cifras deberían quitarle el sueño. La era de la electricidad barata y abundante está llegando a su fin.
Por qué esto importa para su negocio
Este no es un problema de infraestructura abstracto. Golpea directamente su balance.
Un análisis reciente concluyó que el crecimiento de los centros de datos en la región de PJM podría generar 163.000 millones de dólares en costes acumulados de capacidad entre 2028 y 2033. Solo en el territorio de ComEd, en el norte de Illinois, eso se traduce en 21.400 millones de dólares. Los clientes residenciales de allí enfrentan un aumento proyectado de 70 dólares al mes. Si usted opera actividades industriales o grandes instalaciones en estas zonas, su exposición es proporcionalmente mayor.
Esto es lo que su equipo directivo necesita entender:
- Sus costes energéticos están subiendo de forma estructural. La subasta de PJM llegó al máximo del tope de precios de la FERC. Ese tope enmascaró el verdadero precio de escasez. Cuando los reguladores lo ajusten eventualmente, los precios volverán a saltar.
- Su riesgo de fiabilidad está creciendo. Un margen de reserva del 14,8% implica un riesgo elevado de desconexión de carga —apagones controlados— a partir de junio de 2027. Si sus operaciones no pueden tolerar interrupciones, necesita planes de contingencia ya.
- Sus planes de expansión podrían estancarse. En ERCOT, el 77% de las solicitudes de interconexión de gran carga provienen de centros de datos. Si usted planea una nueva instalación en Texas, compite con 233 GW de solicitudes para 23 GW de capacidad disponible. Aproximadamente el 35% de los proyectos propuestos de centrales de gas ya se han retirado, alegando escasez de turbinas y retrasos en los permisos.
- La presión regulatoria se intensifica. Texas aprobó el Senate Bill 6, que exige reglas de interconexión estandarizadas y permite a los reguladores recortar la energía de los centros de datos durante emergencias. La Orden 2023 de la FERC exige nuevos procesos de estudio por clústeres. Sus obligaciones de cumplimiento no dejan de ampliarse.
En resumen: su presupuesto energético, su continuidad operativa y su calendario de crecimiento están todos en riesgo.
Lo que ocurre realmente bajo el capó
El problema central es un acantilado de jubilaciones. Entre 2011 y 2023, PJM perdió 54,2 gigavatios de centrales térmicas —instalaciones de carbón y gas que generan a demanda, independientemente del clima—. Otros 24 a 58 gigavatios podrían retirarse para 2030. Eso es hasta el 30% de la capacidad instalada.
He aquí por qué los reemplazos no avanzan al mismo ritmo. Piense en sustituir un coche fiable por bicicletas: necesitaría muchas más bicicletas para transportar la misma carga. El propio análisis de PJM muestra que reemplazar 1 megavatio de generación térmica que se retira requiere unos 5,2 megavatios de solar o 14 megavatios de eólica para ofrecer la misma fiabilidad. La solar y la eólica solo producen energía cuando brilla el sol o sopla el viento. Una central de gas funciona siempre que usted la necesite.
PJM ajustó sus cálculos para reflejar esta realidad. Redujo el crédito de fiabilidad —denominado Effective Load Carrying Capability, o ELCC— para recursos intermitentes como la solar y la eólica. A medida que se conectan más de estos recursos, cada unidad adicional contribuye menos a mantener la red estable durante la demanda pico.
Al mismo tiempo, la demanda está disparándose en ubicaciones específicas. PJM informó de un aumento de 5.250 megavatios en su previsión de demanda, impulsado casi por completo por los centros de datos. En algunas zonas, las previsiones de crecimiento del pico de verano alcanzan el 6,4% anual. Esta carga concentrada crea puntos de estrés localizados donde las subestaciones y las líneas de transmisión enfrentan riesgo de sobrecarga.
La red no puede crecer físicamente lo bastante rápido. Así que debe volverse más inteligente. Ahí entra la IA, pero no cualquier IA está a la altura de esta tarea.
Qué funciona (y qué no)
Empecemos por lo que se queda corto cuando se aplica la IA a un problema tan complejo.
Chatbots genéricos y envoltorios de LLM. Acoplar un modelo de lenguaje grande a su panel de operaciones le da una interfaz conversacional, no inteligencia de red. No entiende la física del flujo de electricidad.
Pronóstico básico por regresión. Los modelos estadísticos simples que predicen la carga a partir de promedios históricos pasan por alto las dinámicas no lineales de una red en la que desaparecieron 54 gigavatios de energía despachable en doce años.
Analítica predictiva única para todos. El aprendizaje automático estándar trata los datos de la red como una hoja de cálculo plana. Ignora la estructura física —qué subestaciones se conectan con cuáles y cómo un fallo en un nodo se propaga en cascada por la red—.
Lo que sí funciona es la IA que respeta la física y la estructura de la red. Así funciona en la práctica:
Entrada: datos físicos en tiempo real, no solo tendencias históricas. Los sistemas de Dynamic Line Rating (DLR) usan sensores IoT y datos meteorológicos para medir la capacidad real de las líneas de transmisión en tiempo real. Las calificaciones tradicionales asumen condiciones de peor caso y dejan sobre la mesa entre el 20% y el 40% de la capacidad. En Indiana y Ohio, AES desplegó DLR en líneas de 345 kV y aumentó la capacidad de transferencia un 61% —a un coste de 0,39 millones de dólares frente a 1,63 millones para las mejoras tradicionales—. Eso es una reducción de coste del 76%.
Procesamiento: modelos de IA conscientes de la física. Las redes neuronales informadas por la física (Physics-Informed Neural Networks, o PINNs) incorporan las leyes reales de los sistemas eléctricos dentro del propio modelo de IA. En lugar de aprender patrones solo a partir de los datos, imponen las ecuaciones que rigen cómo interactúan generadores, líneas y cargas. Estos modelos resuelven análisis de estabilidad hasta 87 veces más rápido que los métodos convencionales. Las redes neuronales de grafos (GNN) tratan la red como lo que realmente es —una red de nodos conectados— y predicen cómo se propagan los fallos por la topología. Los modelos basados en GNN han logrado una puntuación F1 de 0,8935 para identificar subestaciones en riesgo de fallo en un plazo de 30 días.
Salida: decisiones explicables con pistas de auditoría. Cuando la IA identifica un riesgo de fallo en cascada, genera una explicación basada en grafos que muestra exactamente qué líneas y subestaciones están impulsando el riesgo. Sus operadores ven el razonamiento antes de actuar. Su equipo de cumplimiento obtiene un rastro lógico documentado. Para las organizaciones de energía y servicios públicos, esta transparencia no es opcional: es lo que exigen los reguladores y los consejos de administración.
Este enfoque va más allá de las operaciones de red y llega al cuello de botella de la interconexión. Los agentes de IA pueden examinar automáticamente la cola de 233 GW de ERCOT, asignar a cada proyecto una puntuación de probabilidad de concreción y señalar las cargas "fantasma" especulativas —solicitudes de empresas que presentaron expedientes en varios sitios solo para cubrirse las espaldas—. Esto transforma la cola de «el primero que llega, el primero que es servido» a «el primero que está listo, el primero que es servido».
También puede aplicar estas herramientas para predecir qué centrales eléctricas se retirarán a continuación. Modelos que usan LSTM apilada y gradient boosting han logrado un error porcentual absoluto medio de apenas 1,072% al pronosticar el momento de retirada de las plantas. Eso da a su equipo de planificación años de anticipación en lugar de meses.
El principio arquitectónico clave detrás de todo esto: la simulación, los gemelos digitales y los sistemas de optimización que reflejan su infraestructura física en software, prueban escenarios a velocidad de máquina y alimentan con los resultados capas de decisión que los humanos pueden verificar y en las que pueden confiar. En combinación con la explicabilidad y la transparencia en la toma de decisiones, obtiene una IA en la que su consejo de administración, sus reguladores y sus operadores pueden apoyarse todos por igual.
Para un análisis técnico más profundo, puede leer el análisis técnico completo o explorar la versión interactiva.
Puntos clave
- El primer déficit de capacidad de la historia de PJM —6.623 MW— indica que la mayor red de Estados Unidos no puede seguir el ritmo de la demanda, poniendo la fiabilidad en riesgo hacia junio de 2027.
- El crecimiento de los centros de datos en el territorio de PJM podría generar 163.000 millones de dólares en costes acumulados de capacidad hasta 2033, elevando directamente los precios de la electricidad para todos los clientes.
- La tecnología Dynamic Line Rating aumentó la capacidad de transmisión un 61% en líneas existentes, con un coste un 76% menor que las mejoras tradicionales —sin necesidad de nuevas construcciones—.
- Los modelos de IA conscientes de la física resuelven análisis de estabilidad de la red 87 veces más rápido que los métodos convencionales y pueden predecir fallos de subestación con 30 días de antelación.
- La cola de interconexión de 233 GW de ERCOT puede ser priorizada mediante una IA que puntúa la viabilidad de cada proyecto y filtra las solicitudes especulativas, recortando años del proceso.
En resumen
El déficit de PJM y la crisis de la cola de ERCOT no son perturbaciones temporales: son cambios estructurales que elevarán sus costes energéticos y amenazarán su continuidad operativa durante años. La IA puede ayudar, pero solo si entiende la física de la red, y no solo patrones en hojas de cálculo. Pregunte a su proveedor de IA: cuando su modelo recomiende una decisión de despacho durante una emergencia de red, ¿puede mostrar a mis operadores y reguladores exactamente qué restricciones físicas evaluó y por qué?