La rete elettrica americana ha appena fallito il suo test più importante — e nessuno se n'è accorto

Ero al telefono con un dirigente del settore energetico in Virginia lo scorso autunno quando ha detto qualcosa che mi ha gelato.

"Abbiamo data center che chiedono più energia di quanta ne possiamo fisicamente fornire. Non nel prossimo decennio. Adesso. E ogni mese che rimandiamo, un'altra centrale a carbone presenta domanda di dismissione."

Non era in preda al panico — era nel settore da trent'anni. Ma nella sua voce c'era qualcosa che non avevo mai sentito prima da una persona di quel livello: rassegnazione. Come se avesse rifatto i conti abbastanza volte da sapere che i numeri, semplicemente, non tornavano più.

Quella conversazione mi ha trascinato in una tana del Bianconiglio che ha assorbito il mio team di Veriprajna per mesi. Quello che abbiamo trovato era peggio di quanto mi aspettassi. Il più grande gestore di rete degli Stati Uniti — PJM Interconnection, che serve 65 milioni di persone in 13 stati — ha appena fallito l'approvvigionamento di elettricità a sufficienza per la prima volta nella sua storia. Il deficit: 6.623 megawatt. Ovvero, all'incirca la produzione di sei reattori nucleari che semplicemente non esistono. Nel frattempo, in Texas, il gestore di rete ERCOT sta affogando in 233 GW di richieste di interconnessione — quasi tre volte l'intera domanda di picco dello stato — senza alcun percorso realistico per collegarne la maggior parte.

Non sono scenari ipotetici tratti da un rapporto sul clima datato 2050. Il deficit di PJM arriva a giugno 2027. Cioè tra diciotto mesi.

Cosa succede quando la più grande rete elettrica d'America resta a corto di capacità?

Lasciate che vi spieghi in parole povere i risultati dell'asta di capacità di PJM del dicembre 2025. Ogni anno PJM organizza un'asta in cui le centrali elettriche presentano offerte per garantire che saranno disponibili quando la domanda raggiunge il picco. È in sostanza la polizza assicurativa della rete. Quest'anno l'asta ha assegnato 134.479 MW di capacità — restando 6.623 MW al di sotto di quanto serve per mantenere lo standard di affidabilità che dovrebbe prevenire i blackout.

Il margine di riserva è sceso al 14,8%. L'obiettivo è il 20%. E i prezzi della capacità hanno toccato il tetto regolatorio di 333,44 dollari per megawatt-giorno in tutta la regione — un tetto di prezzo concepito per proteggere i consumatori ma che ora funziona da paraocchi, mascherando quanto sia davvero disperata la situazione.

Quando il tetto di prezzo diventa vincolante in un'intera regione di 13 stati, non state guardando un segnale di mercato. State guardando un urlo di mercato.

Ciò che mi fa impazzire della copertura mediatica di questa storia è semplice. La maggior parte degli articoli la inquadra così: "le centrali a carbone vengono dismesse e le rinnovabili non le sostituiscono abbastanza in fretta". Tecnicamente è vero, ma profondamente incompleto. La vera storia riguarda uno squilibrio così grave che nessuna quantità di pianificazione convenzionale può risolverlo in tempo.

Tra il 2011 e il 2023, PJM ha perso 54,2 GW di capacità termica per dismissioni. Altri 24-58 GW — fino al 30% della capacità installata — rischiano di essere dismessi entro il 2030. Ed ecco il numero che dovrebbe togliere il sonno a ogni pianificatore di rete: sostituire 1 MW di generazione a carbone o gas in dismissione richiede circa 5,2 MW di solare o 14 MW di eolico onshore per mantenere un'affidabilità equivalente. Il divario di intermittenza non è una nota a piè di pagina. È tutta la storia.

Perché la coda di interconnessione di ERCOT è a 233 GW?

Se la crisi di PJM riguarda l'offerta che scompare, il Texas ha il problema opposto — una domanda che si presenta più in fretta di quanto chiunque immaginasse possibile.

La coda di interconnessione per i grandi carichi di ERCOT ha raggiunto i 233 GW verso la fine del 2025. Si tratta di un aumento del 269% rispetto alla fine del 2024. Per darvi un'idea delle proporzioni: la domanda di picco totale di ERCOT è di circa 85 GW. La coda è quasi tre volte l'intera rete.

I data center rappresentano il 77% di quelle richieste.

Quando ho visto quel numero per la prima volta, ho dato per scontato che fosse gonfiato da domande speculative — aziende che presentano richieste in più siti per vedere quale venga approvato per primo. Avevo ragione, ma solo in parte. Il settore le chiama "carichi fantasma", e sono un problema reale. Gli hyperscaler presentano domande in decine di siti, intasando il processo di studio ingegneristico con progetti che potrebbero non vedere mai la posa della prima pietra. ERCOT ha recentemente coinvolto McKinsey per aiutare a separare le richieste credibili da quelle speculative, il che vi dice quanto siano sopraffatti i team interni.

Ma anche dopo aver eliminato i fantasmi, la domanda sottostante resta da capogiro. E il lato dell'offerta? Nel 2025 ERCOT ha sincronizzato 23 GW di nuova generazione — per lo più solare e batterie. La coda di generazione è dominata da 158 GW di solare e 175 GW di accumulo a batteria, con appena 47 GW di gas naturale. I legislatori texani hanno approvato il Senate Bill 6 e creato un fondo da 9 miliardi di dollari per incentivare nuove centrali a gas, ma circa il 35% dei progetti a gas proposti si è già ritirato, citando la carenza globale di turbine e i ritardi autorizzativi.

Ho scritto di questa collisione tra domanda e offerta in modo più dettagliato nella versione interattiva della nostra ricerca, ma la conclusione è netta: la rete elettrica non può crescere fisicamente alla velocità che la rivoluzione dell'AI pretende.

La sera in cui ho smesso di credere al "basta costruirne di più"

C'è stata una sera precisa — io e il mio team eravamo immersi nella modellazione del precipizio delle dismissioni di PJM — in cui una nostra ingegnera ha mostrato una proiezione sullo schermo e la stanza è piombata nel silenzio.

Aveva mappato il rischio di dismissione di ogni centrale termica di PJM a fronte della tempistica di entrata in servizio della nuova generazione. Le linee si incrociavano nel 2027. Non nel 2030. Non nel 2035. Il divario si apriva tra diciotto mesi, e si allargava ogni anno successivo.

Qualcuno ha detto: "Quindi dobbiamo costruire circa 7 GW di generazione dispacciabile in un anno e mezzo".

Ho riso. Non perché fosse divertente. Ma perché il tempo medio per autorizzare e costruire una centrale a gas nel territorio di PJM è di quattro-sette anni. La media per una nuova linea di trasmissione è ancora più lunga.

È stato il momento in cui la tesi si è cristallizzata per me. Non possiamo costruire abbastanza in fretta per uscirne. La rete deve diventare drasticamente più intelligente con le infrastrutture che ha già. E il tipo di "AI" che la maggior parte delle società energetiche sta implementando — chatbot, modelli di regressione di base, analisi da dashboard — è ridicolmente inadeguato per il problema.

La rete non ha bisogno di un'altra dashboard. Ha bisogno di pensare.

Cosa significa davvero "Deep AI" per la rete elettrica?

Devo essere preciso qui, perché "AI per l'energia" è diventata una di quelle espressioni che significano tutto e niente. Quando dico Deep AI, intendo qualcosa di molto diverso dall'incollare un large language model sopra un sistema SCADA (Supervisory Control and Data Acquisition — i sistemi di controllo industriale che monitorano e gestiscono le operazioni di rete) e chiamarlo innovazione.

La rete elettrica è un sistema dinamico sincronizzato. Obbedisce alle leggi di Kirchhoff (le regole fondamentali che governano il comportamento della corrente e della tensione nei circuiti). I generatori sono accoppiati attraverso l'equazione di oscillazione. Tensione, frequenza e flusso di potenza sono governati da leggi fisiche a cui non importa nulla dei vostri dati di addestramento. Qualsiasi sistema di AI che ignori questa fisica è, nella migliore delle ipotesi, un giocattolo.

In Veriprajna lavoriamo con tre classi di modelli che rispettano la realtà fisica della rete.

La prima classe è quella delle Physics-Informed Neural Networks — PINN — che incorporano le effettive equazioni differenziali che governano il comportamento dei generatori direttamente nella funzione di perdita del modello. Invece di limitarsi ad apprendere schemi dai dati storici, la rete neurale viene penalizzata quando viola le leggi fisiche. Il risultato: un'analisi della stabilità transitoria che gira 87 volte più velocemente dei solutori numerici convenzionali. Per un gestore di rete che ha davanti a sé un potenziale guasto a cascata, è la differenza tra prevedere il blackout e subirlo.

Poi ci sono le Graph Neural Network, che trattano la rete per quello che effettivamente è — un grafo, con le sottostazioni come nodi e le linee di trasmissione come archi. Il machine learning tradizionale appiattisce questa struttura in una tabella di dati e perde le relazioni spaziali che contano di più. Una GNN può prevedere in millisecondi come un abbassamento di tensione in una sottostazione si propaga attraverso la topologia della rete. La nostra architettura GNN multilivello ha raggiunto un F1 score (una misura dell'accuratezza predittiva che bilancia precisione e recall) di 0,89 nell'identificare le sottostazioni a rischio di guasto entro 30 giorni.

La terza classe — e quella che trovo più promettente per le operazioni in tempo reale — sono gli agenti di Reinforcement Learning che prendono decisioni di dispacciamento trattando il controllo della rete come un problema di ottimizzazione vincolata. Apprendono politiche che soddisfano vincoli fisici stringenti — limiti di tensione, portate termiche, limiti di frequenza — massimizzando al contempo l'affidabilità e minimizzando i costi.

Niente di tutto questo è teorico. Abbiamo costruito questi sistemi. E il divario tra ciò che sanno fare e ciò che la maggior parte delle utility usa oggi è enorme.

Come si trovano 6,6 GW senza costruire una sola centrale elettrica?

È la domanda che ci ha ossessionati. E la risposta parte da una delle tecnologie più sottovalutate del settore energetico: il Dynamic Line Rating.

Ogni linea di trasmissione in America ha una portata "statica" — la potenza massima che le è consentito trasportare, basata su ipotesi di caso peggiore riguardo a temperatura e vento. Queste ipotesi sono deliberatamente conservative. Nella maggior parte dei giorni, la capacità termica effettiva della linea è del 20-40% superiore a quanto consente la portata statica.

Il Dynamic Line Rating usa dati meteo in tempo reale e sensori IoT per calcolare ciò che la linea può effettivamente gestire in questo momento, non ciò che potrebbe gestire nel giorno peggiore del secolo. Integriamo dati di computer vision e LiDAR (Light Detection and Ranging — una tecnologia di telerilevamento basata su laser) per monitorare in continuo la freccia e la temperatura dei conduttori.

I risultati non sono incrementali. In Indiana e Ohio, AES ha implementato queste tecnologie aumentando la capacità di trasferimento del 61% sulle linee da 345 kV — a un costo di 0,39 milioni di dollari, contro 1,63 milioni di dollari della tradizionale sostituzione dei conduttori. Si tratta di una riduzione dei costi del 76% e di una riduzione dell'80% dei tempi di implementazione.

Ora moltiplicate tutto questo sull'estensione di PJM su 13 stati. Con il solo DLR non colmerete l'intero divario di 6,6 GW, ma ci aprirete dentro una breccia enorme senza gettare una sola fondazione.

Il megawatt più economico è quello che già scorre nei vostri cavi e che non sapevate di avere.

La domanda da 163 miliardi di dollari che nessuno si pone

Da qui in poi i conti economici diventano davvero allarmanti. Un'analisi del Natural Resources Defense Council ha rilevato che la crescita dei data center nella regione PJM potrebbe generare 163 miliardi di dollari di costi cumulativi di capacità dal 2028 al 2033. Solo nell'Illinois settentrionale — territorio ComEd — l'impatto previsto è di 21,4 miliardi di dollari, che si traducono in circa 70 dollari al mese di costi aggiuntivi per la famiglia media.

Lasciate che lo dica in un altro modo. Il boom dell'AI che dovrebbe trasformare l'economia potrebbe far salire la vostra bolletta elettrica di 840 dollari all'anno, e questo in una sola zona di distribuzione.

Quando presento questi numeri ai dirigenti tecnologici, guardo le loro facce cambiare. Capiscono i costi dei server, quelli di rete, quelli del talento. Ma la maggior parte di loro non ha interiorizzato che l'elettricità per far girare i loro modelli di AI sta per diventare drasticamente più cara — e potenzialmente indisponibile — perché la rete che serve i loro data center è strutturalmente a corto di capacità.

Non è un problema che si risolve da solo con le sole forze di mercato. Quando l'asta di PJM tocca il tetto di prezzo in tutta la regione, il mercato vi sta dicendo che non funziona. Il segnale di prezzo che dovrebbe attrarre nuovi investimenti viene artificialmente compresso, il che significa che gli investimenti non arrivano, il che significa che il deficit persiste.

L'AI può davvero filtrare 233 GW di richieste di interconnessione?

Uno dei progetti che mi entusiasma di più è qualcosa che stiamo costruendo per il problema della coda di interconnessione. L'Ordine 2023 della FERC (Federal Energy Regulatory Commission) impone agli operatori di trasmissione di mantenere "heatmap" pubbliche della capacità disponibile, ma il processo di studio vero e proprio — determinare se un progetto specifico possa collegarsi in un punto specifico senza destabilizzare la rete — resta brutalmente manuale.

Stiamo implementando quella che definirei agentic AI per lo screening delle interconnessioni. Non sono chatbot. Sono sistemi di ragionamento autonomi in grado di acquisire una domanda di interconnessione, verificarla rispetto agli standard NERC (North American Electric Reliability Corporation — l'ente che fissa gli standard di affidabilità per la rete) e FERC, eseguire un'analisi di fattibilità topologica usando i nostri modelli GNN e assegnare un punteggio di probabilità di completamento basato sulla maturità commerciale e fisica del progetto.

L'obiettivo è far passare ERCOT — e col tempo altri gestori di rete — da una coda "primo arrivato, primo servito" a un modello "primo pronto, primo servito". Quando avete 233 GW di richieste e 23 GW di nuova generazione reale, la capacità di individuare quali progetti sono veri e quali speculativi non è un optional. È esistenziale.

Per l'analisi tecnica completa della nostra architettura — comprese le formulazioni PINN, la topologia GNN e il framework di controllo RL — si veda il nostro paper di ricerca.

"Ma ci si può fidare dell'AI con la rete elettrica?"

Me lo sento dire di continuo. Di solito da persone che hanno visto abbastanza demo di AI aziendale da essere scettiche e, onestamente, dovrebbero esserlo. La rete elettrica è un'infrastruttura critica. Una cattiva raccomandazione di un chatbot fa perdere a qualcuno un pomeriggio. Una cattiva raccomandazione di un sistema di controllo di rete lascia un ospedale al buio.

Ecco perché ci rifiutiamo di implementare modelli black-box in ambienti operativi. Ogni previsione della nostra GNN arriva con una spiegazione basata sul grafo — evidenzia le specifiche linee di trasmissione e sottostazioni che contribuiscono a una valutazione del rischio, così un operatore umano può verificare il ragionamento prima di agire. La chiamiamo inferenza stability-aware: l'AI propone, la fisica vincola e l'essere umano decide.

Il mio team ne ha discusso per settimane. Alcuni dei nostri ingegneri volevano spingere per un controllo più autonomo — gli agenti RL sono davvero migliori nel dispacciamento in tempo reale rispetto alla maggior parte dei processi manuali. Ma io continuavo a tornare allo stesso principio: nei sistemi critici per la sicurezza, la spiegabilità non è una funzionalità. È un prerequisito.

Siamo stati attenti anche al confine IT/OT (la separazione tra i sistemi informatici e la tecnologia operativa che controlla le apparecchiature fisiche). La nostra architettura si collega ai sistemi di controllo distribuito esistenti senza modificare le collaudate strutture di controllo critiche per la sicurezza. Il livello AI sta accanto al livello di controllo, non sopra di esso.

Il precipizio delle dismissioni è prevedibile — se si usano i modelli giusti

Un'altra cosa che mi tiene sveglio la notte. Il deficit di 6,6 GW in PJM non è una sorpresa, se si hanno gli strumenti di previsione giusti. Abbiamo costruito modelli di previsione delle dismissioni usando reti LSTM (Long Short-Term Memory — un tipo di rete neurale per dati sequenziali) impilate e gradient boosting che analizzano l'economia a livello di impianto — emissioni di CO2, prezzi dei combustibili, penetrazione delle rinnovabili nel mercato locale, costi di manutenzione, esposizione regolatoria.

I nostri modelli prevedono i tempi di dismissione degli impianti con un errore percentuale assoluto medio pari a 1,07%. Quel livello di accuratezza offre ai gestori di rete una finestra di preavviso di due-tre anni per intervenire — con incentivi mirati sulla capacità, approvvigionamenti di riserva o interconnessione accelerata delle risorse sostitutive — prima che si apra il divario di affidabilità.

Il fatto che PJM sia rimasta a corto di capacità nel 2025 non dipende dall'imprevedibilità del precipizio delle dismissioni. Dipende dal fatto che gli strumenti usati per prevederlo erano inadeguati.

A volte mi obiettano: "Ma non è semplicemente una previsione migliore? Cosa c'è di così 'deep'?". La profondità sta in ciò che il modello comprende. Un modello di regressione standard vede l'età di una centrale a carbone e i suoi costi del combustibile. Il nostro modello vede la sua posizione nella topologia di trasmissione, la saturazione di rinnovabili nella sua zona di prezzo, il contesto politico del suo stato e l'impatto a cascata sull'affidabilità che la sua dismissione ha su ogni sottostazione collegata. Questo non è un foglio di calcolo. È un gemello digitale della fisica economica della rete.

Dove andremo da qui

Non credo che il deficit di PJM o la crisi della coda di ERCOT saranno gli ultimi del loro genere. Penso che siano i primi. Ogni grande gestore di rete del Nord America dovrà affrontare una qualche versione di questa collisione tra generazione termica in dismissione, domanda esplosiva trainata dall'AI e limiti fisici della velocità con cui si possono costruire infrastrutture.

Le utility che affronteranno con successo tutto questo non saranno quelle che costruiranno di più. Saranno quelle che orchestreranno meglio — spremendo ogni megawatt disponibile dalle linee esistenti tramite il DLR, prevedendo le dismissioni prima che creino emergenze, filtrando le code di interconnessione con l'AI invece che con eserciti di ingegneri, ed eseguendo analisi di stabilità in tempo reale in millisecondi anziché in ore.

Il divario di 6.623 MW in PJM non è solo un numero su un rapporto d'asta. È la distanza tra la rete che abbiamo e la rete che ci serve. E quella distanza cresce ogni mese.

La rete elettrica è la macchina più complessa che l'umanità abbia mai costruito. Le stiamo chiedendo di alimentare il software più complesso che l'umanità abbia mai costruito. Qualcosa dovrà cedere — e non devono essere le luci.

Possiamo colmare quel divario. Non fingendo che l'AI sia una bacchetta magica, ma costruendo sistemi di AI che rispettino la fisica, comprendano la topologia e si guadagnino la fiducia degli operatori che tengono le luci accese. È questo il lavoro. E la rete non ha tempo perché qualcuno ci arrivi con calma.