418 kilovolt leek prima. Toen verloren 60 miljoen mensen hun stroom.

Op de middag van 28 april 2025 gaven de schermen in een Spaanse controlekamer aan dat alles in orde was.

De 400 kilovolt transmissierails gaven ongeveer 418 kV aan — hoog, maar binnen de grenzen die een operator getraind is te tolereren. Toen, in vijf seconden, vielen 15 gigawatt aan opwekking offline en verloren 60 miljoen mensen in Spanje en Portugal hun stroom. Sommigen zaten tien uur in het donker.

Ik heb mijn hele carrière doorgebracht rond aansluitingsclusterstudies en post-mortems van capaciteitsveilingen, en toen het ENTSO-E-eindrapport in maart 2026 verscheen, las ik het zoals je de autopsie leest van iemand die je kende. De krantenkoppen hadden het verhaal al bepaald: te veel zon, te weinig draaiend metaal, hernieuwbare energie kan een net niet bij elkaar houden. Het rapport zegt, in klare taal, dat deze voorstelling onjuist is. Het net faalde niet vanwege wat het opwekte. Het faalde vanwege wat niemand in de gaten hield. Dat ene onderscheid is de reden dat mijn team AI voor het elektriciteitsnet bouwt zoals wij dat doen.

De blinde vlek zat twee spanningsniveaus lager

Het onderzoek bracht iets aan het licht waar ik wakker van lag.

Vanaf de late ochtend verschenen er subsynchrone oscillaties over het Spaanse net bij 0,21 Hz en 0,63 Hz. Operators deden wat het handboek voorschrijft — ze schakelden shuntreactoren uit om tijdelijke onderspanningen te beheersen — wat stilletjes de capaciteit van het net verminderde om reactief vermogen te absorberen. Rond het middaguur activeerden ze parallelle 400 kV-circuits en schakelden ze HVDC-koppelingen naar de vast-vermogenmodus. De impedantie daalde, de spanningen stegen. De 400 kV-displays gaven nog steeds 418 kV aan. Nominaal.

Twee lagen lager, bij de 220 kV-collectorstations waar wind- en zonneparken daadwerkelijk aansluiten, liep de spanning op tot 242 kV. De transformator-trapschakelaars — de mechanische apparaten die de spanning weer binnen bereik duwen — konden niet snel genoeg bewegen. En niemand zag het, want realtime monitoring stopte in feite op transmissieniveau. Toen, tijdens een overspanningsgebeurtenis, injecteerde één grote opwekkingsinstallatie reactief vermogen in het net in plaats van het te absorberen, precies het tegenovergestelde van wat haar netcode voorschreef. Dat was de positieve terugkoppellus. Beveiligingsrelais begonnen in een cascade af te schakelen, en de lichten gingen uit.

De hernieuwbare bronnen waren niet instabiel. De waarneembaarheid wel.

Ik blijf terugkomen op dat getal van 418 kV. Een operator die naar een rustige transmissiemeting keek, had geen enkel instrument dat hem vertelde dat het collectorniveau het punt van geen terugkeer al voorbij was. De sensoren om 220 kV te zien bestaan. De analytics om ze in realtime te interpreteren, snel genoeg om te handelen, bestonden niet. Dat is geen opwekkingsprobleem. Het is een informatieprobleem in de kleren van een opwekkingsprobleem.

Ik was er zeker van dat het antwoord een autonome controller was. Ik had het mis.

Toen mijn team dit voor het eerst oppakte, had ik een zelfverzekerd, netjes idee: bouw een physics-informed neuraal netwerk — een model dat de daadwerkelijke vergelijkingen van de vermogensstroom in zijn training verankert, zodat het niets fysiek onmogelijks kan aanbevelen — en laat het spanning en reactief vermogen sneller beheren dan welke mens of verouderde controller ook zou kunnen.

De onderzoeksdynamiek achter deze modellen is reëel. Publicaties over physics-informed neurale netwerken gingen van minder dan tien in 2019 naar ongeveer 820 in 2025. We bouwden een prototype. In de meeste scenario's was het echt indrukwekkend — het generaliseerde beter dan de standaardmodellen en respecteerde de fysica.

Toen lieten we het de randgevallen doorlopen. En in een daarvan, onder precies het soort oscillatiestress dat het Iberische net ervoer, produceerde het een aanbeveling die fysiek onhaalbaar was. Niet op een voor de hand liggende manier catastrofaal fout — subtiel fout, het soort fout dat op een dashboard plausibel oogt.

Ik liet dat een tijdje bezinken. Toen deed ik wat de hele aanpak ten einde bracht: ik stelde me voor dat die aanbeveling binnenkwam in een echte controlekamer, om 12:32 uur op een dag als 28 april, met een cascade die zich sloot en een operator die in enkele seconden moest beslissen of hij haar zou vertrouwen. Er is begin 2026 nergens ter wereld een commercieel ingezet physics-informed neuraal netwerk dat een echt net aanstuurt, en na die test begreep ik precies waarom. Een geïdealiseerde set vergelijkingen laat de multischaal-rommeligheid weg — grenscomplexiteit, niet-lineaire koppeling — die juist opduikt wanneer het net onder druk staat en je het model het hardst nodig hebt. Twee onopgeloste problemen versterken dit: het balanceren van de gewichten van de verliesfunctie die fysische getrouwheid afwegen tegen data-fit, en het kwantificeren van wanneer het model onzeker is — geen van beide wil je live ontdekken.

Een investeerder had me eerder verteld dat netbeheerders nooit AI zouden omarmen. Hij had het mis over de reden, maar gelijk over het instinct. De reden is niet dat operators luddieten zijn. Het is dat ze persoonlijk verantwoordelijk zijn voor uitkomsten die 60 miljoen mensen raken, en een black box die af en toe, met stelligheid, onzichtbaar fout zit, is erger dan helemaal geen box.

We stopten met het bouwen van iets dat het oordeel van de operator vervangt, en begonnen iets te bouwen dat het zicht van de operator vergroot.

Die ommekeer — van autonome controller naar physics-informed advieslaag — is nu de hele architectuur. Het model brengt aan het licht wat de operator nu niet kan zien, legt uit waarom het dit signaleert, en laat het instelpunt in menselijke handen. Het GridMind-project van Argonne National Laboratory, een multi-agentsysteem voor operators in de controlekamer, kwam vanuit de onderzoekskant op hetzelfde ontwerpprincipe uit: de agents vervangen de operators niet, ze geven verklaarbare aanbevelingen. Wanneer onafhankelijke teams op dezelfde beperking uitkomen, is dat meestal omdat de beperking echt is.

Waarom doet de bestaande netsoftware dit niet allang?

Het is een terechte vraag, want het net is geen groenveld. Enkele van de meest capabele softwarebedrijven ter wereld zijn hier al gevestigd.

Het GridOS-platform van GE Vernova is geïnstalleerd bij meer dan 80% van de Amerikaanse nutsbedrijven; het voorkwam alleen al in 2025 naar schatting 112 miljoen klantminuten aan onderbreking voor Alabama Power. Siemens' Gridscale X draait digital twins van netten en claimt, via een partnerschap met NVIDIA, ongeveer 10.000x versnelling bij simulatie. Dit zijn serieuze tools, gebouwd door serieuze mensen.

Maar ze zijn ontworpen voor een net dat in één richting stroomde, van grote roterende generatoren naar passieve consumenten. De AI-mogelijkheden zijn toevoegingen bovenop SCADA-systemen die aan het probleem voorafgaan. En de data die ze verwerken zijn overweldigend op transmissieniveau — het 400 kV-beeld dat 418 kV aangaf en er goed uitzag. De blinde vlek is geen bug in deze platforms. Het is een gevolg van waar ze werd opgedragen te kijken.

Dan is er de consultancylaag. McKinsey kreeg de opdracht om het aansluitingsproces van ERCOT te herontwerpen en diende een "Batch Study"-raamwerk in voor het dossier van de Texas PUC van februari 2026. Dat is echt werk. Maar de grote bureaus adviseren over processen — ze leveren strategiedecks en leverancierevaluaties op opdrachten die in de miljoenen lopen — ze bouwen niet de physics-informed modellen. De kloof tussen "hier is een beter proces" en "hier is een werkend systeem dat je wachtrij screent" is precies waar wij opereren.

Dezelfde blinde vlek gaat Amerika $163 miljard kosten

Als je denkt dat dit een Europees verhaal is, kijk dan naar de capaciteitsveiling van PJM.

In december 2025 kocht PJM — de grootste netbeheerder van Noord-Amerika — voor het leverjaar 2027/2028 145.777 MW in en kwam het 6.625 MW tekort ten opzichte van zijn reservemargedoel. Het was de eerste keer dat de hele regio zijn betrouwbaarheidsdoel niet haalde. De prijs raakte voor de derde keer op rij het veilingplafond; die ene veiling kostte $16,4 miljard. De cumulatieve capaciteitskosten van 2028 tot 2033 worden geraamd op $163 miljard. Alleen al in het gebied van ComEd is dat naar schatting $70 per maand op een huishoudelijke rekening.

Nu het deel dat direct aansluit op het waarneembaarheidsverhaal: van de 5.250 MW vraaggroei die dat tekort veroorzaakt, is ongeveer 5.100 MW datacenters. Die belasting is niet gelijkmatig verdeeld — ze is geconcentreerd in specifieke transmissiezones in Dominion Virginia, AEP Ohio en ComEd Illinois. Je bouwt Iberische-blackoutcondities — gelokaliseerde stress rond kritieke onderstations — en hoopt vervolgens dat er tijdens de piek niet één uitvalt. Hoop is geen waarneembaarheidsstrategie.

En de veronderstelde overdrukklep, nieuwe opwekking, zit klem. De Amerikaanse aansluitwachtrij stond in 2025 op ongeveer 2.600 GW. Het mediane project wacht vijf jaar om commerciële exploitatie te bereiken, en historisch gezien is slechts ongeveer één op de vijf projecten die tussen 2000 en 2018 in de wachtrij kwamen ooit gebouwd. Alleen al de wachtrij voor grote belastingen van ERCOT bereikte 233 GW — een sprong van 269% jaar op jaar, waarvan 77% datacenters — tegenover slechts 23 GW aan nieuwe opwekking die in 2025 werd gesynchroniseerd. Uit FERC's eigen analyse bleek dat 68% van de clusterstudies die dit moesten oplossen te laat werden afgerond. GridLab schat dat aansluitknelpunten PJM-consumenten $3,5 miljard kostten in één capaciteitsveiling, omdat goedkopere opwekking die had moeten slagen simpelweg niet op tijd kon aansluiten.

Je kunt 2.600 GW aan wachtrij niet wegwerken door meer mensen in te huren. De studies komen altijd terug met de stempel "te laat afgerond". Dit is de tweede plek waar AI thuishoort — niet het aansturen van het net, maar het screenen en clusteren van de wachtrij op een snelheid die mensen structureel niet kunnen evenaren.

Als dynamische lijnbelasting zo goedkoop is, waarom is het dan niet overal?

Er is een derde kloof, en het is degene waar ik een beetje gek van word, want de technologie is al bewezen.

Dynamische lijnbelasting — het plaatsen van contactloze sensoren op transmissielijnen zodat je hun capaciteit bepaalt op basis van de werkelijke omstandigheden in plaats van een conservatieve worst-caseaanname — is niet experimenteel. LineVision is de dominante leverancier. Op een 345 kV-corridor zag AES een capaciteitstoename van 61%. De uitrol van National Grid in Syracuse voegde 20-30% toe. En het kost ongeveer 5-7% van een traditioneel herbekabelingsproject — in het geval van AES ruwweg 76% minder dan de conventionele upgrade.

Waarom heeft dan niet elk beperkt nutsbedrijf zijn netwerk ermee bedekt? Omdat de hardwareleverancier je sensoren verkoopt, geen plan. Niemand beantwoordt de eigenlijke planningsvraag: gegeven mijn specifieke netwerk, waar zet ik netversterkende technologie in om de meeste capaciteit per dollar vrij te maken, en wanneer? Dat is een optimalisatieprobleem over de eigen topologie en belastingspatronen van een nutsbedrijf — en het is een analyticslaag die bovenop de sensoren zit, niet erin. FERC's Order 1920 verplicht nutsbedrijven nu om netversterkende technologieën te overwegen voordat ze nieuwe lijnen bouwen, wat betekent dat deze vraag op het punt staat op veel planningsbureaus tegelijk te belanden.

Dynamische lijnbelasting is de zeldzame netingreep die zowel de goedkoopste optie is als degene die het vaakst onbenut blijft.

Waar AI daadwerkelijk thuishoort op het net

Als ik de draden bij elkaar breng, is mijn standpunt smaller dan de hype en, denk ik, nuttiger.

AI hoort niet thuis in de autonome besturing van een veiligheidskritiek net — niet vandaag, en niet op basis van een model dat randgevallen subtiel verkeerd inschat. Het hoort thuis op drie plekken waar de huidige softwarestack een structureel gat heeft. Ten eerste, waarneembaarheid op collectorniveau — de subtransmissie-analytics die 242 kV op het 220 kV-niveau zouden hebben opgemerkt terwijl de 400 kV-rail er rustig uitzag. Ten tweede, wachtrij-intelligentie — het screenen en clusteren van 2.600 GW aan aansluitverzoeken sneller dan te laat afgeronde clusterstudies ooit zullen doen. Ten derde, een optimalisatielaag voor netversterkende technologie die een planner vertelt waar dynamische lijnbelasting en vermogensstroombesturing zich daadwerkelijk terugverdienen. Onder alle drie verdienen physics-informed modellen hun waarde als advies- en simulatietools voor planningsstudies — dramatisch sneller dan verouderde tools, terwijl de operator nog steeds de pen vasthoudt.

Mensen vragen me of nutsbedrijven echt nog een leverancier willen. Dat willen ze niet, en wij vragen ze ook niet er een te worden. Nutsbedrijven hebben SCADA-systemen van GE, Siemens en ABB die ze er niet uitrukken. Wat ze nodig hebben is een AI-overlay die werkt met de geïnstalleerde basis, leverancier-neutraal, in plaats van weer een monoliet die vervanging eist. Dat is een bewuste ontwerpkeuze, en het staat op de oplossingspagina tot in detail beschreven.

Ze vragen ook naar de regelgevingsopeenstapeling, en die is reëel. De EU AI Act classificeert AI in netbeheer als hoog-risico, met naleving verplicht op 2 augustus 2026 en boetes tot €15 miljoen of 3% van de wereldwijde omzet. NERC's CIP-003-9 wordt van kracht in april 2026. De netversterkende-technologievereisten van FERC Order 1920 landen nu. Spanje's reactie op de blackout — Red Eléctrica machtigde 24 hernieuwbare installaties voor dynamische spanningsregeling onder P.O. 7.4, met de eis dat ze een reactief-vermogencapaciteit van ±30% aantonen — is precies het soort mandaat dat nieuwe analytics nodig heeft om daadwerkelijk te verifiëren en te bedienen. Naleving en capaciteit zijn hier geen aparte projecten. Wat je legaal houdt, is hetzelfde als wat je verlicht houdt.

Het Iberische rapport sloot een hoofdstuk af door precies te benoemen op welk moment het net blind werd. Ik lees er geen betoog over hernieuwbare energie in. Ik lees er een instrument in dat op de verkeerde plek is gericht. Het bouwen van het instrument dat op de juiste plek wijst — dat is het werk.