418 kV pareciam normais. Depois, 60 milhões ficaram sem energia.

Na tarde de 28 de abril de 2025, as telas de uma sala de controle espanhola diziam que estava tudo bem.

Os barramentos de transmissão de 400 quilovolts marcavam cerca de 418 kV — alto, mas dentro dos limites que um operador é treinado para tolerar. Então, em cinco segundos, 15 gigawatts de geração saíram de operação e 60 milhões de pessoas na Espanha e em Portugal ficaram sem energia. Algumas ficaram no escuro por dez horas.

Passei minha carreira envolvido com estudos de cluster de interconexão e análises post-mortem de leilões de capacidade e, quando o relatório final da ENTSO-E saiu em março de 2026, eu o li como se lê a autópsia de alguém que você conhecia. As manchetes já haviam decidido a história: solar demais, metal girante de menos, as renováveis não conseguem sustentar uma rede. O relatório diz, em linguagem clara, que esse enquadramento está errado. A rede não falhou por causa do que estava gerando. Falhou por causa do que ninguém estava observando. Essa única distinção é a razão pela qual minha equipe constrói IA para redes elétricas da forma que fazemos.

O ponto cego estava dois níveis de tensão abaixo

A investigação encontrou algo que me tirou o sono.

A partir do fim da manhã, oscilações subsíncronas surgiram em toda a rede espanhola a 0,21 Hz e 0,63 Hz. Os operadores fizeram o que manda o manual — desconectaram reatores shunt para lidar com subtensões transitórias — o que silenciosamente drenou a capacidade da rede de absorver potência reativa. Por volta do meio-dia, energizaram circuitos paralelos de 400 kV e comutaram os elos HVDC para o modo de potência fixa. A impedância caiu, as tensões subiram. Os visores de 400 kV ainda marcavam 418 kV. Nominal.

Dois níveis abaixo, nas subestações coletoras de 220 kV onde os parques eólicos e solares de fato se conectam, a tensão chegava a 242 kV. Os comutadores de tap dos transformadores — os dispositivos mecânicos que reposicionam a tensão para dentro da faixa — não conseguiam se mover rápido o suficiente. E ninguém viu isso, porque o monitoramento em tempo real efetivamente parava no nível de transmissão. Então, uma grande instalação de geração, durante um evento de sobretensão, injetou potência reativa na rede em vez de absorvê-la, exatamente o oposto do que seu código de rede exigia. Esse foi o laço de realimentação positiva. Os relés de proteção começaram a atuar em cascata, e as luzes se apagaram.

As renováveis não estavam instáveis. A observabilidade estava.

Eu sempre volto àquele número de 418 kV. Um operador olhando para uma leitura de transmissão tranquila não tinha nenhum instrumento lhe dizendo que o nível do coletor já havia passado do ponto sem retorno. Os sensores para enxergar os 220 kV existem. A análise para interpretá-los em tempo real, rápido o suficiente para agir, não existia. Isso não é um problema de geração. É um problema de informação vestido com a roupa de um problema de geração.

Eu tinha certeza de que a resposta era um controlador autônomo. Eu estava errado.

Quando minha equipe assumiu isso pela primeira vez, eu tinha uma ideia confiante e organizada: construir uma rede neural informada por física — um modelo que incorpora as equações reais de fluxo de potência ao seu treinamento, de modo que não possa recomendar algo fisicamente impossível — e deixá-la gerenciar a tensão e a potência reativa mais rápido do que qualquer humano ou controlador legado conseguiria.

O impulso de pesquisa por trás desses modelos é real. As publicações sobre redes neurais informadas por física passaram de menos de dez em 2019 para cerca de 820 em 2025. Construímos um protótipo. Na maioria dos cenários, ele era genuinamente impressionante — generalizava melhor do que os modelos padrão e respeitava a física.

Então nós o submetemos aos casos extremos. E em um deles, exatamente sob o tipo de estresse de oscilação que a rede ibérica sofreu, ele produziu uma recomendação que era fisicamente inviável. Não catastroficamente errada de um jeito óbvio — sutilmente errada, o tipo de erro que parece plausível em um painel.

Fiquei com aquilo na cabeça por um tempo. Então fiz aquilo que encerrou toda a abordagem: imaginei aquela recomendação chegando a uma sala de controle real, às 12h32 de um dia como 28 de abril, com uma cascata se aproximando e um operador decidindo em segundos se confiava nela. Não existe nenhuma rede neural informada por física implantada comercialmente controlando uma rede real em lugar nenhum do mundo no início de 2026 e, depois daquele teste, entendi exatamente por quê. Um conjunto idealizado de equações omite a bagunça multiescala — complexidade de fronteira, acoplamento não linear — que aparece justamente quando a rede está sob estresse e você mais precisa do modelo. Dois problemas não resolvidos agravam isso: equilibrar os pesos da função de perda que trocam a fidelidade à física pelo ajuste aos dados, e quantificar quando o modelo está incerto — nenhum dos quais você quer descobrir ao vivo.

Um investidor havia me dito antes que os operadores de rede nunca adotariam IA. Ele estava errado sobre o motivo, mas certo sobre o instinto. O motivo não é que os operadores sejam ludistas. É que eles são pessoalmente responsáveis por resultados que afetam 60 milhões de pessoas, e uma caixa-preta que está ocasionalmente, com confiança e de forma invisível errada é pior do que nenhuma caixa.

Paramos de tentar construir algo que substitua o julgamento do operador e começamos a construir algo que amplia a visão do operador.

Essa virada — de controlador autônomo para uma camada consultiva informada por física — é toda a arquitetura agora. O modelo revela o que o operador não consegue ver atualmente, explica por que está sinalizando isso e deixa o setpoint nas mãos humanas. O projeto GridMind do Argonne National Laboratory, um sistema multiagente para operadores de sala de controle, chegou ao mesmo princípio de design pelo lado da pesquisa: os agentes não substituem os operadores, eles fornecem recomendações explicáveis. Quando equipes independentes convergem para a mesma restrição, geralmente é porque a restrição é real.

Por que o software de rede existente já não faz isso?

É uma pergunta justa, porque a rede não é um terreno virgem. Algumas das empresas de software mais capazes do planeta já habitam aqui.

A plataforma GridOS da GE Vernova está instalada em mais de 80% das concessionárias dos EUA; ela evitou cerca de 112 milhões de minutos-cliente de interrupção para a Alabama Power somente em 2025. O Gridscale X da Siemens executa gêmeos digitais de rede e, por meio de uma parceria com a NVIDIA, alega uma aceleração de cerca de 10.000x na simulação. Essas são ferramentas sérias construídas por gente séria.

Mas elas foram arquitetadas para uma rede que fluía em uma única direção, dos grandes geradores rotativos até os consumidores passivos. Os recursos de IA são complementos sobrepostos a sistemas SCADA que antecedem o problema. E os dados que elas ingerem são majoritariamente de nível de transmissão — a visão de 400 kV que marcava 418 kV e parecia bem. O ponto cego não é um bug dessas plataformas. É uma consequência de onde mandaram que elas olhassem.

Depois há o nível da consultoria. A McKinsey foi contratada para redesenhar o processo de interconexão da ERCOT e protocolou um framework de "Estudo em Lote" para o processo administrativo de fevereiro de 2026 da PUC do Texas. Isso é trabalho de verdade. Mas as grandes firmas assessoram sobre processo — elas entregam apresentações de estratégia e avaliações de fornecedores em contratos que chegam aos milhões — elas não constroem os modelos informados por física. A lacuna entre "aqui está um processo melhor" e "aqui está um sistema funcional que faz a triagem da sua fila" é exatamente onde atuamos.

O mesmo ponto cego está prestes a custar US$ 163 bilhões aos Estados Unidos

Se você acha que essa é uma história europeia, olhe para o leilão de capacidade da PJM.

Em dezembro de 2025, para o ano de entrega de 2027/2028, a PJM — a maior operadora de rede da América do Norte — contratou 145.777 MW e ficou 6.625 MW abaixo de sua meta de margem de reserva. Foi a primeira vez que toda a região deixou de atingir sua meta de confiabilidade. O preço atingiu o teto do leilão pela terceira vez consecutiva; o leilão sozinho custou US$ 16,4 bilhões. O custo cumulativo de capacidade de 2028 a 2033 é projetado em US$ 163 bilhões. Somente no território da ComEd, isso representa cerca de US$ 70 por mês em uma conta residencial.

Agora a parte que se conecta diretamente à história da observabilidade: dos 5.250 MW de crescimento de demanda que impulsionam esse déficit, cerca de 5.100 MW são data centers. Essa carga não está distribuída de forma uniforme — está concentrada em zonas de transmissão específicas na Dominion Virginia, na AEP Ohio e na ComEd Illinois. Você está criando condições de apagão ibérico — estresse localizado em torno de subestações críticas — e depois torcendo para que nenhuma delas atue durante o pico. Torcer não é uma estratégia de observabilidade.

E a suposta válvula de alívio, a nova geração, está travada. A fila de interconexão dos EUA estava em cerca de 2.600 GW em 2025. O projeto mediano espera cinco anos para chegar à operação comercial e, historicamente, apenas cerca de um em cada cinco projetos que entraram na fila entre 2000 e 2018 chegou a ser construído. Só a fila de grandes cargas da ERCOT atingiu 233 GW — um salto de 269% ano a ano, 77% disso data centers — contra apenas 23 GW de nova geração sincronizada em 2025. A própria análise da FERC constatou que 68% dos estudos de cluster destinados a corrigir isso foram concluídos com atraso. A GridLab estima que os gargalos de interconexão custaram US$ 3,5 bilhões aos consumidores da PJM em um único leilão de capacidade, porque a geração mais barata que deveria ter sido aprovada simplesmente não conseguiu se conectar a tempo.

Você não consegue contratar seu caminho através de 2.600 GW de fila com horas de engenharia humana. Os estudos sempre voltarão carimbados como "concluídos com atraso". Este é o segundo lugar ao qual a IA pertence — não controlando a rede, mas fazendo a triagem e o agrupamento da fila em uma velocidade que os humanos estruturalmente não conseguem igualar.

Se a Classificação Dinâmica de Linhas É Tão Barata, Por Que Não Está em Todo Lugar?

Há uma terceira lacuna, e é a que me deixa um pouco louco, porque a tecnologia já está comprovada.

A classificação dinâmica de linhas — colocar sensores sem contato nas linhas de transmissão para classificar sua capacidade pelas condições reais em vez de uma suposição conservadora de pior caso — não é experimental. A LineVision é a fornecedora dominante. Em um corredor de 345 kV, a AES observou um aumento de 61% na capacidade. A implantação da National Grid em Syracuse acrescentou de 20 a 30%. E custa algo como 5 a 7% de um projeto tradicional de recondutoramento — no caso da AES, cerca de 76% menos do que a modernização convencional.

Então, por que nem toda concessionária com restrições cobriu sua rede com isso? Porque o fornecedor de hardware vende sensores, não um plano. Ninguém responde à verdadeira pergunta de planejamento: dada a minha rede específica, onde eu implanto tecnologia de aprimoramento da rede para desbloquear o máximo de capacidade por dólar, e quando? Isso é um problema de otimização sobre a topologia e os padrões de carga da própria concessionária — e é uma camada de análise que fica em cima dos sensores, não dentro deles. A Ordem 1920 da FERC agora exige que as concessionárias considerem tecnologias de aprimoramento da rede antes de construir novas linhas, o que significa que essa pergunta está prestes a chegar a muitas mesas de planejamento de uma só vez.

A classificação dinâmica de linhas é a rara intervenção de rede que é ao mesmo tempo a opção mais barata e a que mais frequentemente é deixada de lado.

Onde a IA realmente pertence na rede

Juntando os fios, minha posição é mais restrita do que o hype e, acho, mais útil.

A IA não pertence ao controle autônomo de uma rede crítica para a segurança — não hoje, e não com base na força de um modelo que erra sutilmente nos casos extremos. Ela pertence a três lugares onde a atual pilha de software tem uma falha estrutural. Primeiro, observabilidade no nível do coletor — a análise de subtransmissão que teria detectado os 242 kV no nível de 220 kV enquanto o barramento de 400 kV parecia tranquilo. Segundo, inteligência de fila — fazer a triagem e o agrupamento de 2.600 GW em solicitações de interconexão mais rápido do que estudos de cluster concluídos com atraso jamais farão. Terceiro, uma camada de otimização de tecnologia de aprimoramento da rede que diz a um planejador onde a classificação dinâmica de linhas e o controle de fluxo de potência realmente valem a pena. Sob os três, os modelos informados por física justificam seu valor como ferramentas consultivas e de simulação para estudos de planejamento — drasticamente mais rápidos do que as ferramentas legadas, com o operador ainda segurando a caneta.

As pessoas me perguntam se as concessionárias realmente querem mais um fornecedor. Elas não querem, e nós não pedimos que se tornem um. As concessionárias têm sistemas SCADA da GE, da Siemens e da ABB que não vão arrancar. O que elas precisam é de uma camada de IA que funcione com a base instalada, neutra em relação a fornecedores, em vez de outro monólito exigindo substituição. Essa é uma escolha de design deliberada, e está na página de solução em detalhes.

Elas também perguntam sobre o acúmulo regulatório, e ele é real. O AI Act da UE classifica a IA na gestão de redes como de alto risco, com conformidade exigida até 2 de agosto de 2026 e penalidades de até € 15 milhões ou 3% do faturamento global. O CIP-003-9 da NERC entra em vigor em abril de 2026. Os requisitos de tecnologia de aprimoramento da rede da Ordem 1920 da FERC estão chegando agora. A resposta da Espanha ao apagão — a Red Eléctrica autorizando 24 instalações renováveis para controle dinâmico de tensão sob a P.O. 7.4, exigindo que demonstrem capacidade de potência reativa de ±30% — é exatamente o tipo de mandato que precisa de novas análises para de fato verificar e operar. Conformidade e capacidade não são projetos separados aqui. O que mantém você dentro da lei é a mesma coisa que mantém você com as luzes acesas.

O relatório ibérico encerrou um capítulo ao nomear, com precisão, o momento em que a rede ficou cega. Eu não leio nele um argumento sobre renováveis. Eu leio um instrumento apontado para o lugar errado. Construir o instrumento que aponta para o lugar certo — esse é o trabalho.