Le réseau électrique américain vient d'échouer à son plus grand test — et personne ne l'a remarqué

J'étais au téléphone avec un dirigeant du secteur de l'énergie en Virginie l'automne dernier lorsqu'il a dit quelque chose qui m'a glacé.

« Nous avons des centres de données qui demandent plus d'électricité que nous ne pouvons physiquement en fournir. Pas la décennie prochaine. Maintenant. Et chaque mois où nous tardons, une centrale au charbon de plus dépose une demande de fermeture. »

Il ne paniquait pas — il travaillait dans ce secteur depuis trente ans. Mais il y avait dans sa voix quelque chose que je n'avais jamais entendu chez quelqu'un d'aussi haut placé : de la résignation. Comme s'il avait refait les calculs assez de fois pour savoir que les chiffres ne tenaient tout simplement plus.

Cette conversation m'a entraîné dans une spirale de recherches qui a accaparé mon équipe chez Veriprajna pendant des mois. Ce que nous avons découvert est pire que ce que j'imaginais. Le plus grand gestionnaire de réseau des États-Unis — PJM Interconnection, qui dessert 65 millions de personnes dans 13 États — vient d'échouer, pour la première fois de son histoire, à s'approvisionner en électricité en quantité suffisante. Le déficit : 6 623 mégawatts. C'est à peu près la production de six réacteurs nucléaires qui n'existent tout simplement pas. Pendant ce temps, au Texas, le gestionnaire de réseau ERCOT croule sous 233 GW de demandes de raccordement — près de trois fois la pointe de consommation de tout l'État — sans aucune perspective réaliste d'en raccorder la majorité.

Ce ne sont pas des scénarios hypothétiques tirés d'un rapport climatique daté de 2050. Le déficit de PJM frappe en juin 2027. C'est dans dix-huit mois.

Que se passe-t-il quand le plus grand réseau électrique d'Amérique se retrouve à court ?

Permettez-moi d'exposer en termes simples les résultats de l'enchère de capacité de PJM de décembre 2025. Chaque année, PJM organise une enchère où les centrales électriques s'engagent, par leurs offres, à être disponibles au moment des pointes de demande. C'est essentiellement la police d'assurance du réseau. Cette année, l'enchère a été conclue sur 134 479 MW de capacité — soit 6 623 MW de moins que ce qui est nécessaire pour respecter la norme de fiabilité censée éviter les coupures.

La marge de réserve est tombée à 14,8 %. La cible est de 20 %. Et les prix de capacité ont atteint le plafond réglementaire de 333,44 dollars par mégawatt-jour dans toute la région — un plafond conçu pour protéger les consommateurs, mais qui fait désormais office d'œillères, masquant à quel point la situation est réellement désespérée.

Quand le plafond de prix est atteint dans toute une région de 13 États, ce n'est plus un signal de marché. C'est un cri du marché.

Ce qui me rend fou dans la couverture médiatique de ce sujet est simple. La plupart des articles présentent la chose ainsi : « les centrales au charbon ferment et les renouvelables ne les remplacent pas assez vite ». C'est techniquement vrai, mais profondément incomplet. La vraie histoire est celle d'un décalage si grave qu'aucune planification conventionnelle ne peut le corriger à temps.

Entre 2011 et 2023, PJM a perdu 54,2 GW de capacité thermique du fait des fermetures. De 24 à 58 GW supplémentaires — jusqu'à 30 % de la capacité installée — risquent de fermer d'ici 2030. Et voici le chiffre qui devrait empêcher tout planificateur de réseau de dormir : remplacer 1 MW de production au charbon ou au gaz en fin de vie exige environ 5,2 MW de solaire ou 14 MW d'éolien terrestre pour maintenir une fiabilité équivalente. L'écart d'intermittence n'est pas une note de bas de page. C'est toute l'histoire.

Pourquoi la file de raccordement d'ERCOT atteint-elle 233 GW ?

Si la crise de PJM tient à une offre qui disparaît, le Texas a le problème inverse — une demande qui arrive plus vite que quiconque ne l'aurait cru possible.

La file de raccordement des grandes charges d'ERCOT a atteint 233 GW fin 2025. Cela représente une augmentation de 269 % par rapport à fin 2024. Pour donner un ordre de grandeur : la pointe de demande totale d'ERCOT est d'environ 85 GW. La file représente près de trois fois l'ensemble du réseau.

Les centres de données représentent 77 % de ces demandes.

La première fois que j'ai vu ce chiffre, j'ai supposé qu'il était gonflé par des demandes spéculatives — des entreprises déposant des dossiers sur plusieurs sites pour voir lequel serait approuvé en premier. J'avais raison, mais seulement en partie. Le secteur appelle cela des « charges fantômes », et c'est un vrai problème. Les hyperscalers déposent des demandes sur des dizaines de sites, engorgeant le processus d'études d'ingénierie avec des projets qui ne verront peut-être jamais le jour. ERCOT a récemment fait appel à McKinsey pour aider à trier les demandes crédibles des demandes spéculatives, ce qui vous dit à quel point les équipes internes sont débordées.

Mais même une fois les fantômes écartés, la demande sous-jacente reste vertigineuse. Et du côté de l'offre ? ERCOT a synchronisé 23 GW de nouvelles capacités de production en 2025 — essentiellement du solaire et des batteries. La file de production est dominée par 158 GW de solaire et 175 GW de stockage par batteries, avec seulement 47 GW de gaz naturel. Les législateurs texans ont adopté le Senate Bill 6 et créé un fonds de 9 milliards de dollars pour encourager de nouvelles centrales à gaz, mais environ 35 % des projets gaziers proposés se sont déjà retirés, invoquant la pénurie mondiale de turbines et les retards d'autorisation.

J'ai écrit plus en détail sur cette collision entre l'offre et la demande dans la version interactive de notre recherche, mais le constat est brutal : le réseau ne peut pas croître physiquement au rythme qu'exige la révolution de l'IA.

Le soir où j'ai cessé de croire au « il suffit d'en construire plus »

Il y a eu un soir précis — mon équipe et moi étions plongés dans la modélisation du mur des fermetures chez PJM — où l'une de nos ingénieures a affiché une projection à l'écran et la salle est devenue silencieuse.

Elle avait cartographié le risque de fermeture de chaque centrale thermique de PJM en regard du calendrier de mise en service des nouvelles capacités. Les courbes se croisaient en 2027. Pas en 2030. Pas en 2035. L'écart s'ouvrait dans dix-huit mois, et il se creusait chaque année ensuite.

Quelqu'un a dit : « Il nous faut donc construire environ 7 GW de production pilotable en un an et demi. »

J'ai ri. Pas parce que c'était drôle. Parce que le délai moyen pour autoriser et construire une centrale à gaz sur le territoire de PJM est de quatre à sept ans. La moyenne pour une nouvelle ligne de transport est encore plus longue.

C'est à ce moment-là que la thèse s'est cristallisée pour moi. Nous ne pouvons pas construire assez vite pour nous sortir de là. Le réseau doit devenir radicalement plus intelligent avec l'infrastructure dont il dispose déjà. Et le genre d'« IA » que déploient la plupart des entreprises énergétiques — des chatbots, des modèles de régression basiques, des tableaux de bord analytiques — est ridiculement inadapté au problème.

Le réseau n'a pas besoin d'un tableau de bord de plus. Il a besoin de penser.

Que signifie vraiment « Deep AI » pour le réseau électrique ?

Je dois être précis ici, car « l'IA pour l'énergie » est devenue une de ces expressions qui veulent tout dire et ne rien dire. Quand je parle de Deep AI, j'entends quelque chose de très différent du fait d'envelopper un grand modèle de langage autour d'un système SCADA (Supervisory Control and Data Acquisition — les systèmes de contrôle industriels qui surveillent et pilotent l'exploitation du réseau) et d'appeler cela de l'innovation.

Le réseau électrique est un système dynamique synchronisé. Il obéit aux lois de Kirchhoff (les règles fondamentales qui régissent le comportement du courant et de la tension dans les circuits). Les générateurs sont couplés par l'équation d'oscillation. La tension, la fréquence et les flux de puissance sont régis par une physique qui se moque de vos données d'entraînement. Tout système d'IA qui ignore cette physique est, au mieux, un jouet.

Chez Veriprajna, nous travaillons avec trois classes de modèles qui respectent la réalité physique du réseau.

La première classe, ce sont les réseaux de neurones informés par la physique — les PINN — qui intègrent directement dans la fonction de perte du modèle les équations différentielles réelles régissant le comportement des générateurs. Au lieu d'apprendre seulement des motifs à partir de données historiques, le réseau est pénalisé lorsqu'il viole les lois physiques. Le résultat : une analyse de stabilité transitoire qui s'exécute 87 fois plus vite que les solveurs numériques conventionnels. Pour un gestionnaire de réseau confronté à une possible défaillance en cascade, c'est la différence entre prédire la panne générale et la subir.

Viennent ensuite les réseaux de neurones sur graphes (GNN), qui traitent le réseau pour ce qu'il est réellement — un graphe, avec les postes électriques comme nœuds et les lignes de transport comme arêtes. L'apprentissage automatique traditionnel aplatit cette structure en un tableau de données et perd les relations spatiales qui comptent le plus. Un GNN peut prédire en quelques millisecondes comment un creux de tension dans un poste se propage à travers la topologie du réseau. Notre architecture GNN multicouche a atteint un score F1 (une mesure de la précision de prédiction qui équilibre précision et rappel) de 0,89 pour identifier les postes électriques risquant de tomber en panne dans les 30 jours.

La troisième classe — et celle que je trouve la plus prometteuse pour l'exploitation en temps réel — regroupe les agents d'apprentissage par renforcement (RL) qui prennent des décisions de dispatching en traitant la conduite du réseau comme un problème d'optimisation sous contraintes. Ils apprennent des politiques qui respectent des contraintes physiques strictes — limites de tension, capacités thermiques, bornes de fréquence — tout en maximisant la fiabilité et en minimisant les coûts.

Rien de tout cela n'est théorique. Nous avons construit ces systèmes. Et l'écart entre ce qu'ils savent faire et ce que la plupart des compagnies d'électricité utilisent aujourd'hui est énorme.

Comment trouver 6,6 GW sans construire la moindre centrale électrique ?

C'est la question qui nous a obsédés. Et la réponse commence par l'une des technologies les plus sous-estimées du secteur de l'énergie : le Dynamic Line Rating.

Chaque ligne de transport aux États-Unis a une capacité « statique » — une puissance maximale qu'elle est autorisée à transporter, fondée sur des hypothèses de pire cas concernant la température et le vent. Ces hypothèses sont délibérément conservatrices. La plupart des jours, la capacité thermique réelle de la ligne est de 20 à 40 % supérieure à ce que permet la capacité statique.

Le Dynamic Line Rating utilise des données météorologiques en temps réel et des capteurs IoT pour calculer ce que la ligne peut réellement supporter à l'instant présent, et non ce qu'elle pourrait supporter le pire jour du siècle. Nous intégrons la vision par ordinateur et des données LiDAR (Light Detection and Ranging — une technologie de télédétection par laser) pour surveiller en continu la flèche et la température des conducteurs.

Les résultats ne sont pas marginaux. En Indiana et dans l'Ohio, AES a déployé ces technologies et augmenté la capacité de transfert de 61 % sur des lignes de 345 kV — pour un coût de 390 000 dollars, contre 1,63 million de dollars pour un remplacement de conducteurs classique. Cela représente une réduction de coût de 76 % et une réduction de 80 % du temps de déploiement.

Multipliez maintenant cela à l'échelle des 13 États couverts par PJM. Vous ne comblez pas tout l'écart de 6,6 GW avec le seul DLR, mais vous y faites une brèche massive sans couler la moindre fondation.

Le mégawatt le moins cher est celui qui circule déjà dans vos câbles et dont vous ignoriez l'existence.

La question à 163 milliards de dollars que personne ne pose

L'économie devient franchement alarmante à partir de là. Une analyse du Natural Resources Defense Council a conclu que la croissance des centres de données dans la région PJM pourrait entraîner 163 milliards de dollars de coûts de capacité cumulés entre 2028 et 2033. Rien que dans le nord de l'Illinois — le territoire de ComEd — l'impact projeté est de 21,4 milliards de dollars, ce qui se traduit par environ 70 dollars de coûts supplémentaires par mois pour un ménage moyen.

Je vais le dire autrement. Le boom de l'IA censé transformer l'économie pourrait faire grimper votre facture d'électricité de 840 dollars par an, et cela dans une seule zone de desserte.

Quand je présente ces chiffres à des dirigeants du secteur technologique, je vois leur visage changer. Ils comprennent les coûts de serveurs, les coûts de réseau, les coûts des talents. Mais la plupart n'ont pas intégré que l'électricité nécessaire pour faire tourner leurs modèles d'IA est sur le point de devenir bien plus chère — et potentiellement indisponible — parce que le réseau qui alimente leurs centres de données est structurellement en manque de capacité.

Ce n'est pas un problème qui se résout de lui-même par les seules forces du marché. Quand l'enchère de PJM atteint le plafond de prix dans toute la région, le marché vous dit qu'il est défaillant. Le signal-prix censé attirer de nouveaux investissements est artificiellement étouffé, ce qui veut dire que l'investissement ne vient pas, ce qui veut dire que le déficit persiste.

L'IA peut-elle réellement filtrer 233 GW de demandes de raccordement ?

L'un des projets qui m'enthousiasment le plus est ce que nous construisons pour le problème de la file de raccordement. L'ordonnance n° 2023 de la FERC (Federal Energy Regulatory Commission) impose aux gestionnaires de réseau de transport de tenir des « heatmaps » publiques de la capacité disponible, mais le processus d'étude proprement dit — déterminer si un projet donné peut se raccorder en un point donné sans déstabiliser le réseau — reste brutalement manuel.

Nous déployons ce que j'appellerais une IA agentique pour le criblage des demandes de raccordement. Ce ne sont pas des chatbots. Ce sont des systèmes de raisonnement autonomes capables d'ingérer une demande de raccordement, de la confronter aux normes de la NERC (North American Electric Reliability Corporation — l'organisme qui définit les normes de fiabilité du réseau) et de la FERC, de lancer une analyse de faisabilité topologique à l'aide de nos modèles GNN, et d'attribuer un score de probabilité d'aboutissement fondé sur la maturité commerciale et physique du projet.

L'objectif est de faire passer ERCOT — et à terme d'autres gestionnaires de réseau — d'une file « premier arrivé, premier servi » à un modèle « premier prêt, premier servi ». Quand vous avez 233 GW de demandes et 23 GW de nouvelles capacités réelles, la capacité à identifier quels projets sont réels et lesquels sont spéculatifs n'est pas un luxe. C'est existentiel.

Pour le détail technique complet de notre architecture — y compris les formulations PINN, la topologie GNN et le cadre de contrôle par RL — voir notre article de recherche.

« Mais peut-on faire confiance à l'IA pour le réseau ? »

J'entends cela sans arrêt. Généralement de la part de gens qui ont vu assez de démos d'IA d'entreprise pour être sceptiques et, honnêtement, ils devraient l'être. Le réseau électrique est une infrastructure critique. Une mauvaise recommandation d'un chatbot fait perdre un après-midi à quelqu'un. Une mauvaise recommandation d'un système de conduite du réseau plonge un hôpital dans le noir.

C'est pourquoi nous refusons de déployer des modèles boîte noire en exploitation. Chaque prédiction de notre GNN s'accompagne d'une explication fondée sur le graphe — elle met en évidence les lignes de transport et les postes électriques précis qui contribuent à une évaluation de risque, afin qu'un opérateur humain puisse vérifier le raisonnement avant d'agir. Nous appelons cela l'inférence consciente de la stabilité : l'IA propose, la physique contraint, et l'humain décide.

Mon équipe en a débattu pendant des semaines. Certains de nos ingénieurs voulaient pousser vers un contrôle plus autonome — les agents de RL sont réellement meilleurs que la plupart des processus manuels pour le dispatching en temps réel. Mais je revenais toujours au même principe : dans les systèmes critiques pour la sécurité, l'explicabilité n'est pas une fonctionnalité. C'est un prérequis.

Nous avons également été prudents sur la frontière IT/OT (la séparation entre les systèmes informatiques et les technologies opérationnelles qui pilotent les équipements physiques). Notre architecture se connecte aux systèmes de contrôle distribués existants sans modifier les structures de contrôle éprouvées et critiques pour la sécurité. La couche d'IA se place à côté de la couche de contrôle, et non au-dessus.

Le mur des fermetures est prévisible — à condition d'utiliser les bons modèles

Encore une chose qui m'empêche de dormir. Le déficit de 6,6 GW chez PJM n'est pas une surprise si l'on dispose des bons outils de prévision. Nous avons construit des modèles de prédiction des fermetures s'appuyant sur des réseaux LSTM empilés (Long Short-Term Memory — un type de réseau de neurones pour les données séquentielles) et sur du gradient boosting, qui analysent l'économie de chaque centrale — émissions de CO2, prix des combustibles, pénétration des renouvelables sur le marché local, coûts de maintenance, exposition réglementaire.

Nos modèles prédisent la date de fermeture des centrales avec une erreur absolue moyenne en pourcentage de 1,07 %. Ce niveau de précision donne aux gestionnaires de réseau une fenêtre d'alerte de deux à trois ans pour intervenir — avec des incitations de capacité ciblées, des achats de secours ou un raccordement accéléré de ressources de remplacement — avant que l'écart de fiabilité ne s'ouvre.

Si PJM s'est retrouvé à court en 2025, ce n'est pas parce que le mur des fermetures était imprévisible. C'est parce que les outils utilisés pour la prédire étaient inadéquats.

On m'objecte parfois : « N'est-ce pas simplement de la meilleure prévision ? Qu'y a-t-il de si "profond" là-dedans ? » La profondeur est dans ce que le modèle comprend. Un modèle de régression standard voit l'âge d'une centrale au charbon et ses coûts de combustible. Notre modèle voit sa position dans la topologie du réseau de transport, la saturation en renouvelables de sa zone de prix, l'environnement politique de son État et l'impact en cascade de sa fermeture sur la fiabilité de chaque poste raccordé. Ce n'est pas un tableur. C'est un jumeau numérique de la physique économique du réseau.

Où tout cela nous mène

Je ne pense pas que le déficit de PJM ou la crise de la file d'ERCOT seront les derniers du genre. Je pense qu'ils sont les premiers. Chaque grand gestionnaire de réseau d'Amérique du Nord va affronter une version de cette collision entre la fermeture des capacités thermiques, l'explosion de la demande tirée par l'IA et les limites physiques de la vitesse à laquelle on peut construire des infrastructures.

Les compagnies d'électricité qui traverseront cela avec succès ne seront pas celles qui construiront le plus. Ce seront celles qui orchestreront le mieux — en tirant chaque mégawatt disponible des lignes existantes grâce au DLR, en prédisant les fermetures avant qu'elles ne créent des urgences, en filtrant les files de raccordement avec de l'IA plutôt qu'avec des armées d'ingénieurs, et en réalisant des analyses de stabilité en temps réel en quelques millisecondes plutôt qu'en quelques heures.

L'écart de 6 623 MW chez PJM n'est pas qu'un chiffre sur un rapport d'enchère. C'est la distance entre le réseau que nous avons et le réseau dont nous avons besoin. Et cette distance grandit chaque mois.

Le réseau électrique est la machine la plus complexe que l'humanité ait jamais construite. Nous lui demandons d'alimenter le logiciel le plus complexe que l'humanité ait jamais construit. Quelque chose doit céder — et cela ne devrait pas être la lumière.

Nous pouvons combler cet écart. Non pas en prétendant que l'IA est une baguette magique, mais en construisant des systèmes d'IA qui respectent la physique, comprennent la topologie et gagnent la confiance des opérateurs qui gardent la lumière allumée. C'est cela, le travail. Et le réseau n'a pas le temps d'attendre que quelqu'un le comprenne lentement.