Le problème
Le 28 avril 2025 à 12 h 33, l'Espagne et le Portugal ont perdu 15 gigawatts de puissance en cinq secondes. Soit environ 60 % de la demande nationale totale — anéantie en deux clignements de paupières. Environ 60 millions de personnes sont restées privées d'électricité jusqu'à dix heures. Plusieurs personnes ont perdu la vie à cause de défaillances d'infrastructure pendant la panne.
Les soupçons initiaux se sont portés sur les énergies renouvelables. C'était faux. Les enquêtes menées par l'ENTSO-E (l'organisme européen de coordination des réseaux) et Red Eléctrica de España ont révélé la véritable cause : des centrales électriques n'ont pas respecté leurs propres règles de contrôle de tension. Une installation majeure a même injecté de la puissance réactive dans le réseau lors d'un événement de surtension — l'équivalent électrique de verser de l'essence sur un feu. Elle a poussé de l'énergie dans le système alors que chaque protocole exigeait qu'elle en retire.
Si votre organisation exploite une infrastructure critique ou dépend d'une alimentation électrique ininterrompue, cela vous concerne. Les contrôleurs de réseau qui surveillaient les lignes de transport à haute tension affichaient des relevés normaux. Les dangereuses pointes de tension se dissimulaient à un niveau inférieur — les sous-stations côté collecteur — là où personne ne regardait d'assez près. Au moment où la cascade a démarré, il était déjà trop tard pour l'enrayer.
Ce n'était pas un accident isolé. C'était une défaillance systémique de l'intelligence de contrôle. Et elle a mis au jour un vide que les outils d'IA existants ne sont pas conçus pour combler.
Pourquoi cela compte pour votre entreprise
Le black-out ibérique n'était pas qu'une simple histoire d'électricité. C'est un avertissement sur ce qui arrive quand des systèmes automatisés ne parviennent pas à faire respecter leurs propres règles en temps réel. Si vous exploitez une infrastructure critique ou en dépendez, trois chiffres devraient vous empêcher de dormir :
- 15 GW perdus en 5 secondes. C'est plus vite que ne peut réagir le moindre opérateur humain, et plus vite que ce que la plupart des systèmes d'IA peuvent traiter, même un simple appel d'API vers le cloud.
- 78 % de pénétration renouvelable le matin de l'événement. À mesure que votre réseau évolue vers les renouvelables, la marge d'erreur se resserre. L'inertie naturelle qui stabilisait autrefois le système est en train de disparaître.
- 24 heures pour rétablir le réseau. Des procédures manuelles de black-start ont transformé ce qui aurait pu être un rétablissement en 4 heures en une panne d'une journée entière frappant deux pays.
Pour votre entreprise, l'enjeu réglementaire monte rapidement. L'AI Act européen classe le contrôle des réseaux parmi les infrastructures critiques. Cela signifie que tout système d'IA que vous déployez doit fournir des pistes de décision explicables et auditables — pas de simples conjectures plausibles. Si votre fournisseur d'IA ne peut pas vous montrer pourquoi il a pris telle décision, vous courez à la fois un risque opérationnel et une exposition juridique.
L'exposition financière dépasse largement le cadre des amendes. Les pannes prolongées perturbent les chaînes d'approvisionnement, arrêtent la production manufacturière et érodent la confiance des clients. Votre conseil d'administration voudra savoir : nos systèmes peuvent-ils empêcher que cela se produise ? Et s'ils ne le peuvent pas, quel est le plan ?
Ce qui se passe réellement sous le capot
Pour comprendre pourquoi ce black-out s'est produit, il vous faut saisir un concept : la puissance réactive. Imaginez votre réseau électrique comme la pression de l'eau dans un réseau de canalisations. La puissance active, c'est l'eau qui s'écoule — c'est elle qui accomplit le travail utile. La puissance réactive, c'est la pression qui maintient l'eau en mouvement régulier. Sans pression suffisante, le système s'effondre.
La réglementation espagnole (Procédure d'exploitation 7.4) oblige chaque centrale à absorber ou injecter une puissance réactive égale à au moins 30 % de sa production maximale. C'est ce qui maintient la tension stable. Le 28 avril, le réseau avait besoin que les centrales absorbent de la puissance réactive car les tensions montaient en flèche. Plusieurs centrales ont réagi trop lentement ou pas du tout. Et une installation a fait exactement l'inverse — elle a injecté de la puissance réactive, poussant les tensions encore plus haut et déclenchant une réaction en chaîne de mises hors tension de protection dans tout le réseau.
Voici le problème encore plus profond. Les régulateurs qui pilotent ces centrales reposent sur une technologie vieille de plusieurs décennies — des régulateurs proportionnels-intégraux-dérivés (PID), calibrés pour des conditions stables. Ils fonctionnent correctement quand tout est calme. Mais quand le réseau entre dans un épisode d'oscillation rapide et non linéaire, ces régulateurs ne peuvent pas s'adapter. C'est comme confier à un thermostat conçu pour un salon la gestion d'un haut fourneau.
Pendant ce temps, les gestionnaires de transport surveillaient des lignes à 400 kV qui avaient l'air normales. Le véritable danger se trouvait au niveau collecteur de 220 kV, où les changeurs de prises des transformateurs ne pouvaient pas s'ajuster assez vite. Ce « déficit d'observabilité » a rendu la crise invisible aux yeux des personnes chargées de la prévenir. Vos systèmes de supervision valent exactement les points de données qu'ils peuvent réellement voir.
Ce qui fonctionne (et ce qui ne fonctionne pas)
Commençons par ce qui échoue dans les environnements réseau à forts enjeux :
- Régulateurs PID hérités : ils gèrent bien les conditions permanentes, mais s'effondrent face à la dynamique non linéaire d'un événement d'oscillation rapide — précisément ce qui s'est produit le 28 avril.
- Applications enveloppant des LLM — outils qui envoient vos données vers un modèle d'IA hébergé dans le cloud comme GPT-4 pour traitement : elles introduisent des latences de 500 millisecondes à plusieurs secondes. Quand on perd 15 GW en 5 secondes, une demi-seconde est une éternité. Pire, ces modèles peuvent « halluciner » — ils pourraient rapporter que les tensions se stabilisent sur la base de tendances historiques, alors même que les données en temps réel montrent une cascade divergente.
- IA boîte noire sans pistes d'audit : si votre système d'IA ne peut pas expliquer son raisonnement étape par étape, il ne satisfait pas aux exigences de l'AI Act européen applicables aux applications à haut risque. On ne peut pas défendre une décision qu'on ne peut pas retracer.
Ce qui fonctionne, c'est une approche par couches associant l'adaptabilité des réseaux de neurones à des règles physiques codées en dur. Voici comment elle opère :
Entrée — Captage sensible à la physique : déployez des capteurs haute résolution au niveau collecteur (pas seulement au niveau transport) pour combler le déficit d'observabilité. Injectez ces données dans des réseaux de neurones informés par la physique (PINNs) — des modèles d'IA qui incorporent directement dans leurs mathématiques les équations qui gouvernent le comportement électrique. Ces modèles répondent en moins d'une milliseconde, soit environ 87 fois plus vite que les méthodes d'optimisation conventionnelles.
Traitement — Garde-fous fondés sur des règles : ajoutez une architecture neuro-symbolique par-dessus. Le réseau de neurones assure la reconnaissance de formes et la prédiction. Mais une couche de logique symbolique agit comme gardien. Elle encode vos exigences réglementaires — comme la P.O. 7.4 — en règles infranchissables. Si le réseau de neurones propose d'injecter de la puissance réactive pendant un événement de surtension, la couche symbolique bloque physiquement cette commande. Le scénario où une centrale « ajoute au lieu d'absorber » de la puissance réactive devient impossible.
Sortie — Piste de décision auditable : chaque action automatisée génère un journal lisible par l'humain : ce qui l'a déclenchée, quelle règle s'appliquait, quelle action a été prise, quel résultat en est issu. Pour l'événement du 28 avril, on y lirait : « Oscillation de 0,63 Hz détectée. Limite de tension de la P.O. 7.4 dépassée. Absorption obligatoire de puissance réactive appliquée à hauteur de 30 % de la production maximale. Tension stabilisée à 418 kV. Déclenchement côté collecteur évité. »
Cette piste d'audit est précisément ce dont votre équipe de conformité et vos régulateurs ont besoin. Elle transforme votre IA, d'une boîte noire, en un système transparent et défendable. Pour les organisations du secteur de l'énergie et des services publics, c'est la différence entre une charge réglementaire et un contrôle démontrable.
Vous pouvez renforcer davantage encore cette architecture avec des environnements de simulation et de jumeaux numériques qui permettent de soumettre les réponses d'IA de votre réseau à des tests de résistance avant de les déployer en production — essentiellement un simulateur de vol pour votre système électrique.
La période de rétablissement de 24 heures après le black-out ibérique aurait aussi pu être considérablement raccourcie. Des systèmes d'IA multi-agents — où des agents locaux administrent des îlots électriques individuels tandis que des agents coordinateurs gèrent la synchronisation — auraient pu orienter les 900 MW du Maroc et les 2 GW de la France vers les zones de rétablissement les plus prioritaires. Les estimations suggèrent que cette approche aurait pu ramener la panne de 24 heures à environ 4 heures.
Votre réseau n'a pas besoin d'être plus intelligent. Il doit être incapable de prendre des décisions physiquement impossibles.
Lire l'analyse technique complète | Explorer la version interactive
Points clés
- Le black-out ibérique de 2025 a fait perdre 15 GW en 5 secondes — pas à cause des renouvelables, mais parce que des centrales n'ont pas respecté les règles de contrôle de tension et qu'une centrale a activement aggravé la crise.
- Les outils d'IA basés dans le cloud introduisent des retards de plus de 500 millisecondes et peuvent halluciner des lectures erronées — deux motifs disqualifiants pour des décisions à la vitesse du réseau.
- Les modèles d'IA informés par la physique répondent en moins d'une milliseconde et intègrent les véritables lois de l'électricité dans leur prise de décision, rendant impossible toute sortie physiquement impossible.
- L'AI Act européen exige une IA explicable et auditable pour les infrastructures critiques — les systèmes neuro-symboliques produisent des journaux de décision lisibles par l'humain qui satisfont à cette exigence.
- Une approche d'IA par couches combinant capteurs sensibles à la physique, garde-fous fondés sur des règles et sorties auditables aurait pu prévenir la cascade et ramener le rétablissement de 24 heures à environ 4 heures.
En résumé
Le black-out ibérique a prouvé que la vitesse et la certitude sont non négociables pour l'IA des infrastructures critiques. Les modèles probabilistes qui conjecturent et les outils basés dans le cloud qui traînent ne peuvent protéger ni votre réseau, ni vos clients, ni votre conformité réglementaire. Demandez à votre fournisseur d'IA : si une centrale injecte de la puissance réactive lors d'un événement de surtension, votre système peut-il bloquer physiquement cette action et me montrer la piste de décision en moins d'une milliseconde ?