418 kilovolts, tout semblait normal. Puis 60 millions de personnes ont été privées d'électricité.

Dans l'après-midi du 28 avril 2025, les écrans d'une salle de contrôle espagnole indiquaient que tout allait bien.

Les jeux de barres de transport à 400 kilovolts affichaient environ 418 kV — élevé, mais dans les limites qu'un opérateur est formé à tolérer. Puis, en cinq secondes, 15 gigawatts de production se sont déconnectés et 60 millions de personnes en Espagne et au Portugal ont été privées d'électricité. Certaines sont restées sans courant pendant dix heures.

J'ai passé ma carrière au contact des études de grappes d'interconnexion et des post-mortem d'enchères de capacité, et quand le rapport final d'ENTSO-E est paru en mars 2026, je l'ai lu comme on lit l'autopsie de quelqu'un qu'on a connu. Les gros titres avaient déjà tranché : trop de solaire, pas assez de métal en rotation, les renouvelables ne peuvent pas tenir un réseau. Le rapport dit, en toutes lettres, que cette lecture est fausse. Le réseau n'a pas défailli à cause de ce qu'il produisait. Il a défailli à cause de ce que personne ne surveillait. Cette seule distinction est la raison pour laquelle mon équipe conçoit l'IA de réseau électrique comme nous le faisons.

L'angle mort se trouvait deux niveaux de tension plus bas

L'enquête a mis au jour quelque chose qui m'a empêché de dormir.

À partir de la fin de matinée, des oscillations sous-synchrones sont apparues sur l'ensemble du réseau espagnol à 0,21 Hz et 0,63 Hz. Les opérateurs ont fait ce que dit le manuel — déconnecter les réactances shunt pour gérer les sous-tensions transitoires —, ce qui a discrètement épuisé la capacité du réseau à absorber la puissance réactive. Vers midi, ils ont mis sous tension des circuits 400 kV parallèles et basculé les liaisons HVDC en mode puissance fixe. L'impédance a chuté, les tensions ont grimpé. Les affichages 400 kV indiquaient toujours 418 kV. Nominal.

Deux niveaux plus bas, aux postes collecteurs 220 kV où se raccordent réellement les parcs éoliens et solaires, la tension atteignait 242 kV. Les changeurs de prises des transformateurs — les dispositifs mécaniques qui ramènent la tension dans la plage — ne pouvaient pas bouger assez vite. Et personne ne l'a vu, parce que la surveillance en temps réel s'arrêtait en pratique au niveau du transport. Puis une grande installation de production, lors d'un événement de surtension, a injecté de la puissance réactive dans le réseau au lieu de l'absorber, exactement l'inverse de ce qu'exigeait son code de réseau. C'était la boucle de rétroaction positive. Les relais de protection ont commencé à déclencher en cascade, et les lumières se sont éteintes.

Ce ne sont pas les renouvelables qui étaient instables. C'était l'observabilité.

Je reviens sans cesse à ce chiffre de 418 kV. Un opérateur qui regardait un relevé de transport calme n'avait aucun instrument pour lui dire que le niveau collecteur avait déjà dépassé le point de non-retour. Les capteurs pour voir le 220 kV existent. Les analyses pour les interpréter en temps réel, assez vite pour agir, non. Ce n'est pas un problème de production. C'est un problème d'information déguisé en problème de production.

J'étais certain que la réponse était un contrôleur autonome. J'avais tort.

Quand mon équipe s'est attaquée à ce sujet pour la première fois, j'avais une idée confiante et bien ordonnée : construire un réseau de neurones informé par la physique — un modèle qui intègre les équations réelles de l'écoulement de puissance dans son entraînement pour qu'il ne puisse pas recommander quelque chose de physiquement impossible — et le laisser gérer la tension et la puissance réactive plus vite que n'importe quel humain ou contrôleur hérité.

La dynamique de recherche derrière ces modèles est réelle. Les publications sur les réseaux de neurones informés par la physique sont passées de moins de dix en 2019 à environ 820 en 2025. Nous avons construit un prototype. Dans la plupart des scénarios, il était réellement impressionnant — il généralisait mieux que les modèles standards et respectait la physique.

Puis nous l'avons soumis aux cas limites. Et dans l'un d'eux, sous exactement le type de stress oscillatoire qu'a connu le réseau ibérique, il a produit une recommandation physiquement irréalisable. Pas faux de façon catastrophique et évidente — subtilement faux, le genre d'erreur qui paraît plausible sur un tableau de bord.

J'ai laissé cela mûrir un moment. Puis j'ai fait la chose qui a mis fin à toute l'approche : j'ai imaginé cette recommandation arrivant dans une vraie salle de contrôle, à 12h32 un jour comme le 28 avril, avec une cascade qui se referme et un opérateur décidant en quelques secondes s'il doit lui faire confiance. Il n'existe aucun réseau de neurones informé par la physique déployé commercialement pour piloter un vrai réseau où que ce soit dans le monde début 2026, et après ce test, j'ai compris exactement pourquoi. Un jeu d'équations idéalisé fait l'impasse sur le désordre multi-échelle — complexité aux frontières, couplage non linéaire — qui surgit précisément quand le réseau est sous stress et que vous avez le plus besoin du modèle. Deux problèmes non résolus l'aggravent : équilibrer les poids de la fonction de perte qui arbitrent entre fidélité à la physique et ajustement aux données, et quantifier le moment où le modèle est incertain — deux choses que vous ne voulez pas découvrir en direct.

Un investisseur m'avait dit plus tôt que les opérateurs de réseau n'adopteraient jamais l'IA. Il se trompait sur la raison, mais avait raison sur l'instinct. La raison n'est pas que les opérateurs sont des luddites. C'est qu'ils sont personnellement responsables de conséquences touchant 60 millions de personnes, et une boîte noire qui se trompe occasionnellement, avec assurance, de façon invisible, est pire que pas de boîte du tout.

Nous avons cessé d'essayer de construire quelque chose qui remplace le jugement de l'opérateur et commencé à construire quelque chose qui prolonge sa vue.

Ce pivot — du contrôleur autonome à la couche de conseil informée par la physique — constitue désormais toute l'architecture. Le modèle fait remonter ce que l'opérateur ne peut pas voir actuellement, explique pourquoi il le signale, et laisse la consigne entre des mains humaines. Le projet GridMind de l'Argonne National Laboratory, un système multi-agents destiné aux opérateurs de salle de contrôle, a abouti au même principe de conception du côté de la recherche : les agents ne remplacent pas les opérateurs, ils fournissent des recommandations explicables. Quand des équipes indépendantes convergent vers la même contrainte, c'est généralement parce que la contrainte est réelle.

Pourquoi les logiciels de réseau existants ne font-ils pas déjà cela ?

C'est une question légitime, car le réseau n'est pas un terrain vierge. Certaines des entreprises de logiciels les plus performantes de la planète y sont déjà présentes.

La plateforme GridOS de GE Vernova est déployée chez plus de 80 % des services publics américains ; elle a permis d'éviter une interruption estimée à 112 millions de minutes-clients pour Alabama Power rien qu'en 2025. Gridscale X de Siemens fait tourner des jumeaux numériques de réseau et, grâce à un partenariat avec NVIDIA, revendique une accélération d'environ 10 000x sur la simulation. Ce sont des outils sérieux, construits par des gens sérieux.

Mais ils ont été conçus pour un réseau qui circulait dans un seul sens, des grands générateurs rotatifs vers des consommateurs passifs. Les capacités d'IA sont des ajouts greffés sur des systèmes SCADA antérieurs au problème. Et les données qu'ils ingèrent sont massivement de niveau transport — la vue 400 kV qui affichait 418 kV et paraissait normale. L'angle mort n'est pas un bogue de ces plateformes. C'est une conséquence de l'endroit où on leur a dit de regarder.

Puis il y a le niveau du conseil. McKinsey a été mandaté pour repenser le processus d'interconnexion d'ERCOT et a déposé un cadre « Batch Study » pour le dossier de février 2026 de la Texas PUC. C'est un vrai travail. Mais les grands cabinets conseillent sur le processus — ils livrent des présentations stratégiques et des évaluations de fournisseurs sur des missions qui se chiffrent en millions — ils ne construisent pas les modèles informés par la physique. L'écart entre « voici un meilleur processus » et « voici un système opérationnel qui filtre votre file d'attente » est précisément là où nous intervenons.

Le même angle mort va bientôt coûter 163 milliards de dollars à l'Amérique

Si vous pensez que c'est une histoire européenne, regardez l'enchère de capacité de PJM.

En décembre 2025, pour l'année de livraison 2027/2028, PJM — le plus grand opérateur de réseau d'Amérique du Nord — a acquis 145 777 MW et s'est retrouvé 6 625 MW en deçà de son objectif de marge de réserve. C'était la première fois que l'ensemble de la région ne parvenait pas à atteindre son objectif de fiabilité. Le prix a atteint le plafond de l'enchère pour la troisième fois consécutive ; l'enchère à elle seule a coûté 16,4 milliards de dollars. Le coût cumulé de capacité de 2028 à 2033 est projeté à 163 milliards de dollars. Dans le seul territoire de ComEd, cela représente une estimation de 70 dollars par mois sur une facture résidentielle.

Voici maintenant la partie qui rejoint directement l'histoire de l'observabilité : sur les 5 250 MW de croissance de la demande à l'origine de ce déficit, environ 5 100 MW proviennent des centres de données. Cette charge n'est pas répartie uniformément — elle se concentre dans des zones de transport spécifiques chez Dominion Virginia, AEP Ohio et ComEd Illinois. Vous créez les conditions du blackout ibérique — un stress localisé autour de postes critiques — puis vous espérez qu'aucun ne déclenche pendant la pointe. L'espoir n'est pas une stratégie d'observabilité.

Et la soupape de secours supposée, la nouvelle production, est bloquée. La file d'attente d'interconnexion américaine s'élevait à environ 2 600 GW en 2025. Le projet médian attend cinq ans pour atteindre l'exploitation commerciale, et historiquement, seul environ un projet sur cinq entré dans la file entre 2000 et 2018 a fini par être construit. La seule file d'attente des grandes charges d'ERCOT a atteint 233 GW — un bond de 269 % d'une année sur l'autre, dont 77 % de centres de données — contre à peine 23 GW de nouvelle production synchronisée en 2025. La propre analyse de la FERC a constaté que 68 % des études de grappes censées régler ce problème ont été achevées en retard. GridLab estime que les goulets d'étranglement de l'interconnexion ont coûté 3,5 milliards de dollars aux consommateurs de PJM lors d'une seule enchère de capacité, parce qu'une production moins chère qui aurait dû être retenue n'a tout simplement pas pu se raccorder à temps.

Vous ne pouvez pas venir à bout de 2 600 GW de file d'attente à coups d'embauches et d'heures d'ingénierie humaine. Les études reviendront toujours estampillées « achevées en retard ». C'est le deuxième endroit où l'IA a sa place — non pas pour piloter le réseau, mais pour filtrer et regrouper la file à une vitesse que les humains ne peuvent structurellement pas égaler.

Si la capacité dynamique des lignes est si bon marché, pourquoi n'est-elle pas partout ?

Il y a un troisième écart, et c'est celui qui me rend un peu fou, parce que la technologie est déjà éprouvée.

La capacité dynamique des lignes — installer des capteurs sans contact sur les lignes de transport pour évaluer leur capacité selon les conditions réelles plutôt que selon une hypothèse prudente du pire cas — n'a rien d'expérimental. LineVision est le fournisseur dominant. Sur un corridor 345 kV, AES a constaté une augmentation de capacité de 61 %. Le déploiement de National Grid à Syracuse a ajouté 20 à 30 %. Et cela coûte de l'ordre de 5 à 7 % d'un projet de renforcement de conducteurs traditionnel — dans le cas d'AES, environ 76 % de moins que la mise à niveau conventionnelle.

Alors pourquoi chaque service public sous contrainte n'a-t-il pas couvert tout son réseau avec cela ? Parce que le fournisseur de matériel vous vend des capteurs, pas un plan. Personne ne répond à la véritable question de planification : compte tenu de mon réseau spécifique, où déployer une technologie d'amélioration du réseau pour libérer le plus de capacité par dollar, et quand ? C'est un problème d'optimisation portant sur la topologie et les profils de charge propres à un service public — et c'est une couche d'analyse qui se pose au-dessus des capteurs, pas à l'intérieur. L'ordonnance 1920 de la FERC exige désormais des services publics qu'ils envisagent les technologies d'amélioration du réseau avant de construire de nouvelles lignes, ce qui signifie que cette question va bientôt atterrir sur beaucoup de bureaux de planification en même temps.

La capacité dynamique des lignes est la rare intervention sur le réseau qui est à la fois l'option la moins chère et celle qu'on laisse le plus souvent de côté.

Où l'IA a réellement sa place sur le réseau

En rassemblant les fils, ma position est plus étroite que le battage médiatique et, je crois, plus utile.

L'IA n'a pas sa place dans le contrôle autonome d'un réseau critique pour la sécurité — pas aujourd'hui, et pas sur la foi d'un modèle qui se trompe subtilement sur les cas limites. Elle a sa place dans trois domaines où la pile logicielle actuelle présente un trou structurel. Premièrement, l'observabilité au niveau du collecteur — l'analyse de sous-transport qui aurait détecté les 242 kV au niveau 220 kV pendant que le jeu de barres 400 kV paraissait calme. Deuxièmement, l'intelligence de la file d'attente — filtrer et regrouper l'équivalent de 2 600 GW de demandes d'interconnexion plus vite que ne le feront jamais des études de grappes achevées en retard. Troisièmement, une couche d'optimisation des technologies d'amélioration du réseau qui indique à un planificateur où la capacité dynamique des lignes et le contrôle des flux de puissance sont réellement rentables. Sous ces trois éléments, les modèles informés par la physique justifient leur place comme outils de conseil et de simulation pour les études de planification — considérablement plus rapides que les outils hérités, l'opérateur gardant toujours la main.

On me demande si les services publics veulent vraiment encore un fournisseur de plus. Non, et nous ne leur demandons pas d'en adopter un. Les services publics ont des systèmes SCADA de GE, Siemens et ABB qu'ils ne vont pas arracher. Ce dont ils ont besoin, c'est d'une surcouche d'IA qui fonctionne avec la base installée, indépendante de tout fournisseur, plutôt qu'un autre monolithe exigeant un remplacement. C'est un choix de conception délibéré, et cela figure sur la page de solution en détail.

On m'interroge aussi sur l'empilement réglementaire, et il est bien réel. Le règlement européen sur l'IA (EU AI Act) classe l'IA dans la gestion des réseaux comme à haut risque, avec une mise en conformité exigée le 2 août 2026 et des sanctions pouvant atteindre 15 millions d'euros ou 3 % du chiffre d'affaires mondial. La norme CIP-003-9 de la NERC entre en vigueur en avril 2026. Les exigences en matière de technologies d'amélioration du réseau de l'ordonnance 1920 de la FERC arrivent en ce moment. La réponse de l'Espagne au blackout — Red Eléctrica autorisant 24 installations renouvelables au contrôle dynamique de la tension au titre de la P.O. 7.4, en exigeant qu'elles démontrent une capacité de puissance réactive de ±30 % — est exactement le genre de mandat qui a besoin de nouvelles analyses pour être réellement vérifié et exploité. Ici, conformité et capacité ne sont pas des projets distincts. Ce qui vous maintient dans la légalité est la même chose que ce qui vous maintient éclairé.

Le rapport ibérique a clos un chapitre en nommant, avec précision, le moment où le réseau est devenu aveugle. Je n'y lis pas un plaidoyer sur les renouvelables. J'y lis un instrument pointé au mauvais endroit. Construire l'instrument qui pointe au bon endroit — voilà le travail.