Het Amerikaanse stroomnet zakte voor zijn grootste test — en niemand die het merkte

Ik had vorig najaar een telefoongesprek met een energiedirecteur in Virginia toen hij iets zei waar ik koude rillingen van kreeg.

"We hebben datacenters die meer stroom vragen dan we fysiek kunnen leveren. Niet volgend decennium. Nu. En elke maand dat we wachten, dient er weer een kolencentrale een sluitingsaanvraag in."

Hij raakte niet in paniek — hij zat al dertig jaar in de sector. Maar er zat iets in zijn stem wat ik nog nooit eerder had gehoord van iemand van dat niveau: berusting. Alsof hij de cijfers zo vaak had doorgerekend dat hij wist dat de rekensom simpelweg niet meer klopte.

Dat gesprek stuurde me een konijnenhol in dat mijn team bij Veriprajna maandenlang bezighield. Wat we vonden was erger dan ik had verwacht. De grootste netbeheerder van de Verenigde Staten — PJM Interconnection, die 65 miljoen mensen in 13 staten bedient — slaagde er voor het eerst in zijn geschiedenis niet in genoeg elektriciteit in te kopen. Het tekort: 6.623 megawatt. Dat is ruwweg de output van zes kernreactoren die simpelweg niet bestaan. Ondertussen verdrinkt netbeheerder ERCOT in Texas in 233 GW aan aansluitingsaanvragen — bijna drie keer de totale piekvraag van de staat — zonder realistisch pad om de meeste ervan aan te sluiten.

Dit zijn geen hypothetische scenario's uit een klimaatrapport met het jaartal 2050. Het PJM-tekort slaat toe in juni 2027. Dat is over achttien maanden.

Wat gebeurt er als het grootste net van Amerika tekortschiet?

Laat me de resultaten van PJM's capaciteitsveiling van december 2025 in gewone taal uitleggen. Elk jaar houdt PJM een veiling waarop elektriciteitscentrales bieden om te garanderen dat ze beschikbaar zijn wanneer de vraag piekt. Het is in wezen de verzekeringspolis van het net. Dit jaar klaarde de veiling op 134.479 MW aan capaciteit — 6.623 MW minder dan nodig is om de betrouwbaarheidsnorm te handhaven die stroomuitval moet voorkomen.

De reservemarge zakte naar 14,8%. Het doel is 20%. En de capaciteitsprijzen raakten in de hele regio het regulatoire plafond van $333,44 per megawatt-dag — een prijsplafond dat consumenten moest beschermen maar nu als oogkleppen werkt en verhult hoe nijpend de situatie werkelijk is.

Wanneer het prijsplafond in een hele regio van 13 staten bindend wordt, kijk je niet naar een marktsignaal. Je kijkt naar een noodkreet van de markt.

Wat me gek maakt aan de berichtgeving hierover is simpel. De meeste artikelen framen het als "kolencentrales gaan dicht en hernieuwbare energie vervangt ze niet snel genoeg." Dat klopt technisch gezien, maar het is diep onvolledig. Het echte verhaal gaat over een mismatch die zo ernstig is dat geen enkele hoeveelheid conventionele planning het op tijd kan oplossen.

Tussen 2011 en 2023 verloor PJM 54,2 GW aan thermische capaciteit door sluitingen. Nog eens 24 tot 58 GW — tot 30% van de geïnstalleerde capaciteit — loopt het risico om tegen 2030 uit bedrijf te gaan. En hier is het getal waar elke netplanner 's nachts van wakker zou moeten liggen: het vervangen van 1 MW aan uit bedrijf gaande kolen- of gasopwekking vereist ongeveer 5,2 MW aan zonne-energie of 14 MW aan wind op land om een gelijkwaardige betrouwbaarheid te behouden. De intermittentiekloof is geen voetnoot. Het is het hele verhaal.

Waarom staat de aansluitwachtrij van ERCOT op 233 GW?

Als de crisis van PJM draait om verdwijnend aanbod, dan heeft Texas het omgekeerde probleem — vraag die sneller opduikt dan wie dan ook voor mogelijk hield.

De wachtrij van ERCOT voor grootverbruikersaansluitingen bereikte eind 2025 233 GW. Dat is een stijging van 269% ten opzichte van eind 2024. Om een gevoel voor de schaal te geven: de totale piekvraag van ERCOT bedraagt ongeveer 85 GW. De wachtrij is bijna drie keer het hele net.

Datacenters zijn goed voor 77% van die aanvragen.

Toen ik dat getal voor het eerst zag, nam ik aan dat het opgeblazen was door speculatieve aanvragen — bedrijven die op meerdere locaties aanvragen indienen om te zien welke het eerst wordt goedgekeurd. Ik had gelijk, maar slechts gedeeltelijk. De sector noemt dit "fantoomlasten", en ze vormen een reëel probleem. Hyperscalers dienen aanvragen in op tientallen locaties en verstoppen daarmee het technische onderzoeksproces met projecten die misschien nooit de eerste spade in de grond steken. ERCOT heeft onlangs McKinsey ingeschakeld om geloofwaardige aanvragen van speculatieve te scheiden, wat aangeeft hoe overbelast de interne teams zijn.

Maar zelfs als je de fantomen eruit filtert, is de onderliggende vraag verbijsterend. En de aanbodkant? ERCOT synchroniseerde in 2025 23 GW aan nieuwe opwekking — voornamelijk zon en batterijen. De opwekkingswachtrij wordt gedomineerd door 158 GW aan zonne-energie en 175 GW aan batterijopslag, met slechts 47 GW aan aardgas. De Texaanse wetgevers namen Senate Bill 6 aan en creëerden een fonds van $9 miljard om nieuwe gascentrales te stimuleren, maar ruwweg 35% van de voorgestelde gasprojecten heeft zich al teruggetrokken, met verwijzing naar wereldwijde turbinetekorten en vergunningsvertragingen.

Ik schreef uitgebreider over deze botsing tussen vraag en aanbod in de interactieve versie van ons onderzoek, maar de conclusie is onomwonden: het net kan fysiek niet groeien met de snelheid die de AI-revolutie eist.

De avond waarop ik stopte met geloven in "gewoon meer bouwen"

Er was een specifieke avond — mijn team en ik zaten diep in het modelleren van de PJM-sluitingsklif — waarop een van onze engineers een projectie op het scherm haalde en het stil werd in de kamer.

Ze had het sluitingsrisico van elke thermische centrale in PJM uitgezet tegen de tijdlijn voor nieuwe opwekking die online komt. De lijnen kruisten elkaar in 2027. Niet in 2030. Niet in 2035. De kloof opende zich over achttien maanden, en werd elk jaar daarna groter.

Iemand zei: "Dus we moeten ongeveer 7 GW aan regelbaar vermogen bouwen in anderhalf jaar."

Ik lachte. Niet omdat het grappig was. Maar omdat de gemiddelde tijd om een gascentrale in PJM-gebied te vergunnen en te bouwen vier tot zeven jaar bedraagt. Het gemiddelde voor een nieuwe transmissielijn is nog langer.

Dat was het moment waarop de these voor mij uitkristalliseerde. We kunnen ons hier niet snel genoeg uit bouwen. Het net moet dramatisch slimmer worden met de infrastructuur die het al heeft. En het soort "AI" dat de meeste energiebedrijven inzetten — chatbots, eenvoudige regressiemodellen, dashboardanalyses — is lachwekkend ontoereikend voor dit probleem.

Het net heeft niet nóg een dashboard nodig. Het moet gaan denken.

Wat betekent "Deep AI" eigenlijk voor het net?

Ik moet hier specifiek zijn, want "AI voor energie" is een van die uitdrukkingen geworden die alles en niets betekenen. Als ik Deep AI zeg, bedoel ik iets heel anders dan een large language model om een SCADA-systeem heen wikkelen (Supervisory Control and Data Acquisition — de industriële besturingssystemen die netoperaties bewaken en beheren) en dat innovatie noemen.

Het elektriciteitsnet is een gesynchroniseerd dynamisch systeem. Het gehoorzaamt aan de wetten van Kirchhoff (de fundamentele regels die bepalen hoe elektrische stroom en spanning zich in circuits gedragen). Generatoren zijn gekoppeld via de swing-vergelijking. Spanning, frequentie en vermogensstroom worden beheerst door natuurkunde die niets geeft om jouw trainingsdata. Elk AI-systeem dat deze fysica negeert, is op zijn best speelgoed.

Bij Veriprajna werken we met drie klassen modellen die de fysieke realiteit van het net respecteren.

De eerste klasse is Physics-Informed Neural Networks — PINNs — die de daadwerkelijke differentiaalvergelijkingen die het gedrag van generatoren bepalen rechtstreeks in de verliesfunctie van het model inbedden. In plaats van alleen patronen uit historische data te leren, wordt het netwerk bestraft voor het schenden van natuurkundige wetten. Het resultaat: transiënte stabiliteitsanalyse die 87 keer sneller draait dan conventionele numerieke solvers. Voor een netbeheerder die naar een mogelijke cascadestoring staart, is dat het verschil tussen de stroomuitval voorspellen en hem meemaken.

Dan zijn er Graph Neural Networks, die het net behandelen als wat het werkelijk is — een graaf, met onderstations als knopen en transmissielijnen als takken. Traditionele machine learning plet deze structuur tot een datatabel en verliest daarbij de ruimtelijke relaties die het meest tellen. Een GNN kan in milliseconden voorspellen hoe een spanningsdip bij één onderstation zich door de netwerktopologie voortplant. Onze meerlaagse GNN-architectuur behaalde een F1-score (een maat voor voorspellingsnauwkeurigheid die precisie en recall in balans brengt) van 0,89 voor het identificeren van onderstations die binnen 30 dagen risico op uitval lopen.

De derde klasse — en degene die ik het meest veelbelovend vind voor realtime operaties — bestaat uit Reinforcement Learning-agents die dispatchbeslissingen nemen door netbesturing te behandelen als een beperkt optimalisatieprobleem. Ze leren beleid dat voldoet aan harde fysieke beperkingen — spanningsgrenzen, thermische limieten, frequentiegrenzen — terwijl ze de betrouwbaarheid maximaliseren en de kosten minimaliseren.

Niets hiervan is theoretisch. We hebben deze systemen gebouwd. En de kloof tussen wat ze kunnen en wat de meeste nutsbedrijven op dit moment gebruiken is enorm.

Hoe vind je 6,6 GW zonder één enkele elektriciteitscentrale te bouwen?

Dit is de vraag die ons in beslag nam. En het antwoord begint bij een van de meest ondergewaardeerde technologieën in de energiesector: Dynamic Line Rating.

Elke transmissielijn in Amerika heeft een "statische" rating — een maximaal vermogen dat hij mag voeren, gebaseerd op worstcaseaannames over temperatuur en wind. Die aannames zijn bewust conservatief. Op de meeste dagen is de werkelijke thermische capaciteit van de lijn 20-40% hoger dan de statische rating toestaat.

Dynamic Line Rating gebruikt realtime weerdata en IoT-sensoren om te berekenen wat de lijn op dit moment werkelijk aankan, niet wat hij zou aankunnen op de slechtste dag van de eeuw. We integreren computer vision- en LiDAR-data (Light Detection and Ranging — een lasergebaseerde remote-sensingtechnologie) om de doorhang en temperatuur van de geleider continu te monitoren.

De resultaten zijn niet marginaal. In Indiana en Ohio zette AES deze technologieën in en verhoogde de transportcapaciteit met 61% op 345 kV-lijnen — tegen kosten van $0,39 miljoen, vergeleken met $1,63 miljoen voor traditioneel herbedraden. Dat is een kostenreductie van 76% en een reductie van 80% in implementatietijd.

Vermenigvuldig dat nu over de voetafdruk van PJM in 13 staten. Je dicht de volledige kloof van 6,6 GW niet met DLR alleen, maar je komt een heel eind zonder één fundering te storten.

De goedkoopste megawatt is degene die al door je kabels stroomt en waarvan je niet wist dat je hem had.

De vraag van $163 miljard die niemand stelt

De economie wordt vanaf hier oprecht alarmerend. Een analyse van de Natural Resources Defense Council wees uit dat de groei van datacenters in de PJM-regio kan leiden tot $163 miljard aan cumulatieve capaciteitskosten van 2028 tot en met 2033. Alleen al in Noord-Illinois — het gebied van ComEd — wordt de verwachte impact geraamd op $21,4 miljard, wat neerkomt op ruwweg $70 per maand aan extra kosten voor het gemiddelde huishouden.

Laat me het anders zeggen. De AI-boom die de economie zou moeten transformeren, kan je elektriciteitsrekening met $840 per jaar verhogen, en dat is in één enkele nutszone.

Wanneer ik deze cijfers aan technologiebestuurders presenteer, zie ik hun gezichten veranderen. Ze begrijpen serverkosten, netwerkkosten, talentkosten. Maar de meesten hebben nog niet geïnternaliseerd dat de elektriciteit om hun AI-modellen te draaien op het punt staat dramatisch duurder — en mogelijk onbeschikbaar — te worden, omdat het net dat hun datacenters bedient structureel te weinig capaciteit heeft.

Dit is geen probleem dat zichzelf oplost via marktwerking alleen. Wanneer de PJM-veiling in de hele regio tegen het prijsplafond aanloopt, vertelt de markt je dat hij kapot is. Het prijssignaal dat nieuwe investeringen zou moeten aantrekken wordt kunstmatig onderdrukt, wat betekent dat de investering niet komt, wat betekent dat het tekort voortduurt.

Kan AI werkelijk 233 GW aan aansluitingsaanvragen screenen?

Een van de projecten waar ik het meest enthousiast over ben, is iets wat we bouwen voor het probleem van de aansluitwachtrij. FERC (Federal Energy Regulatory Commission) Order 2023 verplicht transmissieaanbieders om openbare "heatmaps" van beschikbare capaciteit bij te houden, maar het daadwerkelijke onderzoeksproces — bepalen of een specifiek project op een specifiek punt kan aansluiten zonder het net te destabiliseren — blijft bruut handmatig.

We zetten iets in wat ik agentic AI voor aansluitscreening zou noemen. Dit zijn geen chatbots. Het zijn autonome redeneersystemen die een aansluitaanvraag kunnen inlezen, deze kunnen toetsen aan de normen van NERC (North American Electric Reliability Corporation — het orgaan dat de betrouwbaarheidsnormen voor het net vaststelt) en FERC, een topologische haalbaarheidsanalyse kunnen uitvoeren met onze GNN-modellen, en een score voor de kans op voltooiing kunnen toekennen op basis van de commerciële en fysieke gereedheid van het project.

Het doel is om ERCOT — en uiteindelijk ook andere netbeheerders — te verschuiven van een "first-come, first-served"-wachtrij naar een "first-ready, first-served"-model. Wanneer je 233 GW aan aanvragen hebt en 23 GW aan werkelijke nieuwe opwekking, is het vermogen om te bepalen welke projecten echt zijn en welke speculatief geen luxe. Het is existentieel.

Voor de volledige technische uitwerking van onze architectuur — inclusief de PINN-formuleringen, de GNN-topologie en het RL-besturingsframework — zie ons onderzoekspaper.

"Maar kun je AI het net wel toevertrouwen?"

Ik hoor dit voortdurend. Meestal van mensen die genoeg enterprise-AI-demo's hebben gezien om sceptisch te zijn, en eerlijk gezegd zouden ze dat ook moeten zijn. Het elektriciteitsnet is kritieke infrastructuur. Een slechte aanbeveling van een chatbot verspilt iemands middag. Een slechte aanbeveling van een netbesturingssysteem legt een ziekenhuis plat.

Daarom weigeren we blackboxmodellen in operationele omgevingen in te zetten. Elke voorspelling die onze GNN doet komt met een graafgebaseerde verklaring — hij markeert de specifieke transmissielijnen en onderstations die bijdragen aan een risico-inschatting, zodat een menselijke operator de redenering kan verifiëren voordat hij handelt. Wij noemen dit stabiliteitsbewuste inferentie: de AI stelt voor, de fysica beperkt, en de mens beslist.

Mijn team heeft hier wekenlang over gediscussieerd. Sommige van onze engineers wilden aandringen op meer autonome besturing — de RL-agents zijn werkelijk beter in realtime dispatch dan de meeste handmatige processen. Maar ik kwam steeds terug op hetzelfde principe: in veiligheidskritische systemen is verklaarbaarheid geen feature. Het is een voorwaarde.

We zijn ook voorzichtig geweest met de IT/OT-grens (de scheiding tussen informatietechnologiesystemen en operationele technologie die fysieke apparatuur aanstuurt). Onze architectuur koppelt aan bestaande gedistribueerde besturingssystemen zonder de beproefde veiligheidskritische besturingsstructuren te wijzigen. De AI-laag staat naast de besturingslaag, niet erbovenop.

De sluitingsklif is voorspelbaar — als je de juiste modellen gebruikt

Nog iets waar ik 's nachts wakker van lig. Het tekort van 6,6 GW in PJM is geen verrassing als je de juiste prognosetools hebt. We hebben modellen voor sluitingsvoorspelling gebouwd met gestapelde LSTM-netwerken (Long Short-Term Memory — een type neuraal netwerk voor sequentiële data) en gradient boosting die de economie op centraleniveau analyseren — CO2-uitstoot, brandstofprijzen, hernieuwbare penetratie in de lokale markt, onderhoudskosten, regulatoire blootstelling.

Onze modellen voorspellen het moment van sluiting van een centrale met een gemiddelde absolute procentuele fout van 1,07%. Dat nauwkeurigheidsniveau geeft netbeheerders een waarschuwingsvenster van twee tot drie jaar om in te grijpen — met gerichte capaciteitsprikkels, backstop-inkoop of versnelde aansluiting van vervangende bronnen — voordat de betrouwbaarheidskloof opengaat.

Dat PJM in 2025 tekortschoot, komt niet doordat de sluitingsklif onvoorspelbaar was. Het komt doordat de tools die werden gebruikt om hem te voorspellen ontoereikend waren.

Mensen brengen soms tegen: "Is dit niet gewoon betere prognose? Wat is er zo 'diep' aan?" De diepte zit in wat het model begrijpt. Een standaard regressiemodel ziet de leeftijd en de brandstofkosten van een kolencentrale. Ons model ziet haar positie in de transmissietopologie, de verzadiging met hernieuwbare energie in haar prijszone, het politieke klimaat van haar staat, en de cascaderende betrouwbaarheidsimpact van haar sluiting op elk aangesloten onderstation. Dat is geen spreadsheet. Dat is een digital twin van de economische fysica van het net.

Waar dit naartoe gaat

Ik denk niet dat het PJM-tekort of de wachtrijcrisis van ERCOT de laatste in hun soort zullen zijn. Ik denk dat ze de eerste zijn. Elke grote netbeheerder in Noord-Amerika krijgt te maken met een of andere versie van deze botsing tussen thermische opwekking die uit bedrijf gaat, explosieve AI-gedreven vraag, en de fysieke grenzen aan hoe snel je infrastructuur kunt bouwen.

De nutsbedrijven die hier succesvol doorheen navigeren, zullen niet degene zijn die het meest bouwen. Het zullen degene zijn die het best orkestreren — elke beschikbare megawatt uit bestaande lijnen persen via DLR, sluitingen voorspellen voordat ze noodsituaties veroorzaken, aansluitwachtrijen screenen met AI in plaats van met hele legers ingenieurs, en realtime stabiliteitsanalyses draaien in milliseconden in plaats van uren.

De kloof van 6.623 MW in PJM is niet zomaar een getal op een veilingrapport. Het is de afstand tussen het net dat we hebben en het net dat we nodig hebben. En die afstand groeit elke maand.

Het net is de meest complexe machine die de mensheid ooit heeft gebouwd. We vragen het om de meest complexe software aan te drijven die de mensheid ooit heeft gebouwd. Er moet iets wijken — en dat mogen niet de lichten zijn.

We kunnen die kloof dichten. Niet door te doen alsof AI een toverstaf is, maar door AI-systemen te bouwen die de fysica respecteren, de topologie begrijpen, en het vertrouwen verdienen van de operators die de lichten aan houden. Dat is het werk. En het net heeft geen tijd om iemand het langzaam te laten uitzoeken.