אנרגיה ותשתיות

בינה מלאכותית לרשת החשמל אינה בעיית תוכנה. זוהי בעיית פיזיקה עם ממשק תוכנה. הפסקת החשמל בחצי האי האיברי באפריל 2025 — שבה 2,200 מגה-ואט של ייצור הושבתו בתוך 20 שניות והותירו 60 מיליון איש ללא חשמל — הכריעה ויכוח שנמשך שנים. הדו״ח הסופי של פאנל המומחים של ENTSO-E (מרץ 2026) אישר כי שורש הבעיה היה מתח-יתר שרשרתי מגנרטורים במצב מקדם הספק קבוע (fixed-power-factor), ולא הפסקתיות באנרגיות מתחדשות.

הלקח עבור כל חברת תשתיות שמטמיעה בינה מלאכותית בפעילות רשת החשמל הוא ישיר: מודל אופטימיזציה שמתעלם מיציבות מתח, זרימות הספק תגובתי ודינמיקת בקרת ממירים עלול להמליץ על פעולות שנראות אופטימליות מבחינה כלכלית בתוכנה, אך גורמות לכשלים שרשרתיים בחומרה (המחקר שלנו על הנדסת חוסן רשת החשמל בעקבות הפסקת החשמל האיברית). Veriprajna מפתחת מערכות בינה מלאכותית מותאמות אישית לחברות חשמל, גז ומים, הבנויות סביב תאימות ל-NERC CIP, פיזיקת הרשת ואילוצים תפעוליים.

בעיית ה-NERC CIP שאיש לא תכנן עבורה

תקני NERC CIP נכתבו עבור מערכות בקרה דטרמיניסטיות. מנוע היסק של בינה מלאכותית הממוקם על קישור ה-ICCP שבין מרכז הבקרה שלכם לרשות האיזון עלול להפעיל סיווג כמערכת סייבר BES בעלת "השפעה בינונית" תחת CIP-002-5.1, וליצור חובות ציות שאיש — לא חברת התשתיות ולא ספק ה-AI — לא צפה מראש.

• CIP-003-9, הנכנס לתוקף ב- 1 באפריל 2026, מרחיב את המשילות על גישה אלקטרונית מרחוק של ספקים.
• CIP-015-1 מחייב ניטור אבטחת רשת פנימית עבור מערכות בעלות השפעה גבוהה ובינונית עם קישוריות חיצונית ניתנת לניתוב, עם חובת ציות מלאה עד אוקטובר 2028.
• CIP-013-2 מחייב תוכניות מתועדות לניהול סיכוני שרשרת אספקה, עם קנסות של עד 1 מיליון דולר ליום בגין אי-ציות.

הגישה שלנו מציבה את ארכיטקטורת הציות בעדיפות ראשונה כאשר חברת תשתיות משלבת AI בפעילות המבצעית — מובנית מראש בתכנון, ולא כתוספת מאולתרת לאחר הפיילוט. ההתקשרות עמנו ממפה כל רכיב במערכת ה-AI מול קריטריוני הסיווג של CIP, מתכננת סגמנטציית רשת שעומדת בדרישות CIP-005 תוך מתן הגישה הנדרשת לנתונים עבור ה-AI, ומייצרת את מסמכי הציות שמבקרי הרגולציה בודקים בפועל.

חיזוי עומסים בעולם שהשתנה בן לילה

הביקוש של מרכזי נתונים בארה״ב להספק מרשת החשמל יגיע לכדי 75.8 ג׳יגה-ואט ב-2026 (S&P Global) ועלול להגיע ל-106 ג׳יגה-ואט עד 2035 (BloombergNEF). ארגון PJM מייחס תוספת ביקוש של 12 ג׳יגה-ואט ממרכזי נתונים בשנים 2026/27 לבדן, המסבירה הכפלה של עלויות הקיבולת. גולדמן זאקס מעריכה כי נדרשים שדרוגי רשת בהיקף של 720 מיליארד דולר עד 2030.

הבעיה של מתכנני הרשת היא שעומס ה-AI אינו מתנהג לפי דפוסים היסטוריים: לוחות הזמנים להקמת מרכזי נתונים קצרים יותר, תוספות העומס גדולות בהרבה, ופרופילי הביקוש שטוחים יותר מעומסים מסחריים מסורתיים. זמני ההמתנה הממוצעים בתור לחיבור לרשת תפחו מפחות משנתיים ב-2008 למעל 5 שנים כיום, כאשר מעל 2,000 ג׳יגה-ואט של משאבים ממתינים. צו FERC 2023 מטפל בצבר הבקשות, אך PJM רק מתחילה לבחון כלי AI לייעול סקרי החיבור.

רוב מודלי חיזוי העומס של חברות התשתיות אומנו על עולם שבו הביקוש צמח ב-1% בשנה. עולם זה חלף. אנו מתכננים מערכות חיזוי המשלבות את עקומי העומס הלא-מסורתיים, פרופילי הזינוק המהירים ודפוסי הביקוש המתואמים שיוצרת תשתית ה-AI (ראו המחקר שלנו על המחסור ב-PJM ומשבר ERCOT) — משום ששגיאת חיזוי של אפילו 5% בקנה מידה כזה משמעה הקצאה שגויה של מיליארדי דולרים בהון.

לחץ נלווה: פרויקטים שיחמיצו את מועדי ההתחלה של 2026–2028 עבור זיכויי מס לאנרגיה נקייה 45Y ו-48E עומדים בפני התייקרויות של 30%–50% בעלויות. בינה מלאכותית יכולה להאיץ ניתוחי סקרי אשכולות, לזהות בקשות בתור בעלות סבירות גבוהה לנסיגה, ולבצע אוטומציה של הניתוח ההנדסי שדורש כיום חודשים של עבודה ידנית בכל מחזור בדיקה — אם כי אף ISO/RTO טרם פרס סינון היתכנות אוטומטי בהיקף נרחב.

שילוב משאבי אנרגיה מבוזרים (DER): פיצול פרוטוקולים פוגש את חוקי הפיזיקה

צו FERC 2222 מחייב את ה-ISOs/RTOs לאפשר לצוברי משאבי אנרגיה מבוזרים להשתתף בשווקים הסיטונאיים, אך לוחות הזמנים ליישום שונים בתכלית. בשטח, פלטפורמות DERMS נדרשות לתאם בין ממירים, סוללות ועומסים ניתנים לבקרה לאורך פרוטוקולי IEEE 2030.5,‏ OpenADR,‏ SunSpec Modbus ו-DNP3 — לעיתים קרובות בו-זמנית. אף מערכת DERMS מסחרית אינה תומכת בכל ארבעת הפרוטוקולים ביכולת מלאה בזמן אמת.

הפרוטוקול עצמו ממשיך להתפתח: גרסאות CSIP המבוססות על תקני IEEE 2030.5-2018 ו-2023, כאשר CSIP 3.0 ו-CSIP AUS 1.2 מציגים שינויים נוספים. במקביל, קיבולת אגירת האנרגיה של קליפורניה צמחה מ- 500 מגה-ואט ב-2018 ל-16,900+ מגה-ואט באמצע 2025, כאשר סוללות סיפקו מעל 12 ג׳יגה-ואט במהלך שעות העלייה של שעות הערב ב-29 במרץ 2025. ארגון CAISO השיל מעל 738,000 מגה-ואט-שעה של אנרגיה סולארית ברבעון הראשון של 2025 בלבד.

בהיקף כזה, איכות הניתוב של ה-AI היא קריטית לרשת ולא עניין תיאורטי בלבד, כפי שמפרט המחקר שלנו על בינה מלאכותית מוגבלת-פיזיקה והפרעת הרשת בווירג׳יניה (חוסן מבני באמצעות בינה מלאכותית הכבולה לחוקי הפיזיקה). אנו מתכננים את שכבת התיאום היושבת בין ה-DERMS, ה-ADMS ומערך ה-DER הפיזי — תוך טיפול בתרגום פרוטוקולים, אכיפת אילוצים בזמן אמת ואופטימיזציית ניתוב המכבדת הן את כללי השוק והן את המגבלות החשמליות.

מדידה חכמה מעבר ללוחות המחוונים של הספקים

חברת Itron מחזיקה ב-35% ו-Landis+Gyr ב-32% מנתח שוק המונים החכמים בצפון אמריקה (GlobeNewsWire, יולי 2025). יחד, הן מכסות את רוב מעל 100 מיליון נקודות קצה של AMI הפרוסות בחברות התשתיות בארה״ב. פלטפורמות הניתוח שהן מספקות מתוכננות עבור האקוסיסטם של החומרה שלהן בלבד.

מד ה-Revelo של Landis+Gyr הוא המונה הראשון עם חיישני רשת מבוססי IoT ומחשוב קצה, אך יכולות הניתוח שלו מעבר לאפיון עומסים בסיסי הן מוגבלות. פלטפורמת הניתוח של Itron מטפלת בניהול ביקושים וחיוב — ולא בזיהוי חריגות רב-ערוצי שמאתר הפסדי הכנסות מבלי לייצר התראות שווא שמובילות לניתוקים המפרים את כללי הגנת הצרכן של ה-PUC המדינתיים.

גניבת חשמל גלובלית מסתכמת ב- 89.3 מיליארד דולר בשנה (IEEE Smart Grid), ומודלי ה-ML הנפרסים לאיתור סובלים מחוסר איזון קיצוני בין המחלקות: אירועי גניבה נדירים בנתוני האימון, ולכן שיעור התראות השווא גבוה. אנו מתכננים מערכות ניתוח AMI המשלבות נתוני מונים עם טופולוגיית הרשת, מזג האוויר וניתוח דפוסי צריכה כדי לשפר את דיוק הזיהוי (כמפורט ב- המחקר שלנו על חוסן תשתית מדידה מתקדמת) תוך שמירה על שיעורי התראות שווא מתחת לסף היוצר חשיפה רגולטורית ופגיעה ביחסי לקוחות.

שריפות יער, מתאן, מים: AI לניהול סיכונים פיזיים

חברת Hawaiian Electric הקצתה 450 מיליון דולר על פני שלוש שנים (2025–2027) לבטיחות מפני שריפות יער, כולל מצלמות AI והקשחת הרשת. SDG&E מאמנת מודלי שריפות על פני עשור של נתונים היסטוריים כדי לחזות הסתברות לכשל והצתה ברמת העמוד ומקטע הקו. החברות Technosylva ו-AiDASH חברו יחד כדי לשלב מידול שריפות עם נתוני צמחייה מבוססי לוויין. אך רוב חברות התשתיות עדיין נסמכות על החלטות PSPS גסות מונחות מזג אוויר המנתקות מעגלים שלמים במקום למקד את הניתוק במקטעים ספציפיים, משום שמודלי הסיכון שלהן חסרים את היתוך החיישנים הנחוץ לדיוק ברמה המקומית.

עבור חברות גז, תקנת EPA OOOOb מחייבת ניטור ואיתור דליפות מותאם בינה מלאכותית, כאשר סקרים ראשוניים נדרשים עד 2025 ודרישות ציות LDAR ממשיכות להחמיר לאורך 2026. מערכות הדמיה אופטית של גז מהדור הבא מבית Bridger Photonics ו-Opgal רותמות AI לזיהוי אוטומטי פריים-אחר-פריים של חתימת מתאן.

עבור תאגידי מים, איתור דליפות מבוסס AI הניב תוצאות מתועדות: העיר וואלה וואלה צמצמה את פחתי המים מ-40% לפחות מ-10%, והטמעות בתאגידים בודדים מציגות חיסכון של 213,000 דולר בשנה (Oldcastle Infrastructure). איתור דליפות מבוסס SVM משיג 94%–100% דיוק לאורך 53 מחקרים שעברו ביקורת עמיתים (MDPI). אנו מתכננים מערכות היתוך חיישנים ודירוג סיכונים שהופכות מודלי בטיחות גסים להחלטות תפעוליות ממוקדות וניתנות להגנה — בין אם הנכס הוא מקטע קו הולכה, צינור גז ראשי או קו חלוקת מים.

בינה מלאכותית סוכנתית (Agentic AI) ושאלת חדר הבקרה

המעבדה הלאומית ארגון פיתחה את GridMind, מערכת AI מרובת-סוכנים שבה סוכנים ייעודיים מטפלים בתזמון, ניטור וניתוב באופן עצמאי אך מתואמים באמצעות מסגרת הנמקה משותפת. זהו אב-הטיפוס של ה-DOE עבור "חדר הבקרה של העתיד". שוק ה-Agentic AI בתחומי האנרגיה והתשתיות עומד על 0.64 מיליארד דולר ב-2025, וצפוי להגיע ל-3.14 מיליארד דולר עד 2030 (Mordor Intelligence).

42% מחברות התשתיות מתכננות פריסות AI ממוקדות בשנתיים הקרובות, אך לרובן המכריע אין מומחיות AI פנימית (Utility Dive). צ׳אטבוט ה-AI של Duke Energy טיפל ביותר מ-280,000 אינטראקציות בשלושת החודשים הראשונים וצמצם פניות ידניות ב-90%, אך שביעות רצון הלקוחות מחברות תשתיות בבריטניה מטיפול בתלונות באמצעות AI צנחה מ-47% ל-44% בין יולי 2024 לינואר 2025 (Qualtrics).

הפער בין מה שבינה מלאכותית סוכנתית מסוגלת לבצע במעבדה לבין מה שמפעילי הרשת סומכים עליו בחדר הבקרה ב-3 לפנות בוקר בזמן מערבולת קוטבית הוא אמיתי, וסגירתו דורשת יכולת הסבר, מעקות בטיחות ותכנון המשלב גורם אנושי בתהליך — שרוב ספקי ה-AI מדלגים עליהם. הגישה שלנו היא לתכנן מערכות סוכנים עם עקבות הנמקה שמפעילים יכולים לבקר, גבולות אילוצים המונעים מפעולות אוטונומיות להפר נהלי הפעלה, ומנגנון נסיגה מבוקרת שמשאיר את האורות דולקים גם כשה-AI אינו בטוח.

מדוע לא להסתמך על ספק הפלטפורמה או חברת הייעוץ הגדולה?

החברות GE Vernova,‏ Schneider Electric ו-Siemens מפתחות כולן תוכנות רשת מעולות — הן דורגו במקומות 1, 2 ו-3 בדירוג הדיגיטליזציה של רשתות החשמל ל-2026 של ABI Research. אך יכולות ה-AI של כל פלטפורמה מתוכננות להשאיר אתכם בתוך האקוסיסטם הסגור של אותו ספק. ארגון הפועל על GE Vernova GridOS מקבל את ה-AI של GE. ארגון המבוסס על ADMS של Schneider מקבל את ה-AI של Schneider. אם חברת התשתיות שלכם מפעילה תשתית מעורבת — כפי שעושות רובן — לאף אחד מהספקים אין תמריץ לבנות שכבת אינטגרציה חוצת פלטפורמות. Oracle ו-Hitachi Energy סוגרות את חמש המובילות בדירוג רשתות האנרגיה והתשתיות של ISG, כל אחת עם דינמיקת נעילת ספק דומה.

חברות הייעוץ הגדולות מביאות ניהול תוכניות ומסגור אסטרטגי, אך האנשים שמנסחים את כתב העבודה (SOW) לעיתים נדירות מנפים שגיאות בפרוטוקול ICCP או מתכננים פריסות קצה שעומדות בהפרעות אלקטרומגנטיות בתחנות משנה. חברת Accenture רכשה את Orlade Group בספטמבר 2025 במיוחד לייעוץ בפרויקטי הון של חברות תשתיות; Deloitte,‏ McKinsey ו-Capgemini מפעילות כולן פרקטיקות AI פעילות בתחום האנרגיה.

הפרקטיקה שלנו היא נייטרלית לחלוטין ובלתי תלויה בספקים: אנו מהנדסים אינטגרציות לאורך סביבות GE,‏ Schneider,‏ Siemens ומערכות SCADA מורשת, במקום לבנות סביב ערימת טכנולוגיה של ספק יחיד. הגישה שלנו מתייחסת לארכיטקטורת ציות ל-NERC CIP, לפיזיקת הרשת ולאילוצי ה-OT המבדילים AI לתשתיות מ-AI ארגוני כבעיות תכנון מסדר ראשון — המטופלות בארכיטקטורה עצמה ולא כהתאמה מאולתרת בדיעבד לאחר פיילוט. עבודה זו מובלת על ידי צוות הנדסי בכיר וממוקד, בעל אחריות ישירה וללא תלות באף פלטפורמה.

פלטפורמה אחודה לחברות משולבות של חשמל, גז ומים

חברות חשמל, גז ומים מתמודדות עם אתגרי AI מקבילים — איתור דליפות, תחזוקה חזויה, שירות לקוחות ועמידה ברגולציה — אך פתרונות הספקים מבודדים לפי תחומים. איתור דליפות AI בתאגידי מים הוכיח 94%–100% דיוק (סקירת MDPI של 53 מחקרים) וחיסכון של 213,000 דולר בשנה לכל תאגיד (Oldcastle Infrastructure); חברות גז עומדות בפני דרישות LDAR לפי EPA OOOOb הדוחפות להדמיה אופטית של גז מועשרת ב-AI; וחברות חשמל זקוקות לניתוחים העומדים בתקני NERC CIP.

פלטפורמת AI אחודה המשתפת תשתית וצינורות נתונים בין התחומים השונים, תוך כיבוד האילוצים הרגולטוריים והתפעוליים הייחודיים לכל תחום, מונעת את שילוש עלויות הפריסה ונטל התחזוקה.