A rede elétrica dos EUA acaba de falhar em seu maior teste — e ninguém percebeu

Eu estava em uma ligação com um executivo do setor de energia na Virgínia no outono passado quando ele disse algo que me deixou gelado.

"Temos data centers solicitando mais energia do que conseguimos fisicamente entregar. Não na próxima década. Agora. E a cada mês que adiamos, mais uma usina a carvão solicita sua desativação."

Ele não estava em pânico — estava no setor havia trinta anos. Mas havia algo na voz dele que eu nunca tinha ouvido antes de alguém tão sênior: resignação. Como se ele já tivesse refeito as contas vezes o bastante para saber que a matemática simplesmente não fechava mais.

Aquela conversa me jogou numa toca de coelho que consumiu minha equipe na Veriprajna por meses. O que encontramos foi pior do que eu esperava. O maior operador de rede elétrica dos Estados Unidos — a PJM Interconnection, que atende 65 milhões de pessoas em 13 estados — acaba de falhar em contratar eletricidade suficiente pela primeira vez em sua história. O déficit: 6.623 megawatts. Isso equivale aproximadamente à produção de seis reatores nucleares que simplesmente não existem. Enquanto isso, no Texas, o operador de rede ERCOT está afogado em 233 GW de solicitações de interconexão — quase três vezes toda a demanda de pico do estado — sem nenhum caminho realista para conectar a maioria delas.

Estes não são cenários hipotéticos de um relatório climático com data de 2050. O déficit da PJM chega em junho de 2027. Isso é daqui a dezoito meses.

O que acontece quando a maior rede elétrica dos EUA fica aquém?

Deixe-me colocar os resultados do leilão de capacidade da PJM de dezembro de 2025 em termos simples. Todos os anos, a PJM realiza um leilão em que as usinas dão lances para garantir que estarão disponíveis quando a demanda atingir o pico. É, essencialmente, a apólice de seguro da rede. Neste ano, o leilão fechou com 134.479 MW de capacidade — e ficou 6.623 MW abaixo do necessário para manter o padrão de confiabilidade que deveria evitar apagões.

A margem de reserva caiu para 14,8%. A meta é 20%. E os preços de capacidade atingiram o teto regulatório de US$ 333,44 por megawatt-dia em toda a região — um limite de preço que foi criado para proteger os consumidores, mas que agora funciona como antolhos, mascarando o quão desesperadora a situação realmente é.

Quando o teto de preço se impõe em uma região inteira de 13 estados, você não está diante de um sinal de mercado. Você está diante de um grito de mercado.

O que me deixa louco na cobertura desse assunto é simples. A maioria dos artigos enquadra o tema como "as usinas a carvão estão sendo desativadas e as renováveis não as estão substituindo rápido o suficiente". Isso é tecnicamente verdadeiro, mas profundamente incompleto. A história real é sobre um descompasso tão grave que nenhuma dose de planejamento convencional consegue corrigir a tempo.

Entre 2011 e 2023, a PJM perdeu 54,2 GW de capacidade térmica para desativações. Outros 24 a 58 GW — até 30% da capacidade instalada — correm risco de desativação até 2030. E aqui está o número que deveria tirar o sono de todo planejador de rede: substituir 1 MW de geração a carvão ou gás em desativação exige aproximadamente 5,2 MW de solar ou 14 MW de eólica onshore para manter confiabilidade equivalente. A lacuna de intermitência não é uma nota de rodapé. É a história inteira.

Por que a fila de interconexão da ERCOT está em 233 GW?

Se a crise da PJM é sobre a oferta desaparecendo, o Texas tem o problema oposto — demanda aparecendo mais rápido do que qualquer um imaginava ser possível.

A fila de interconexão de grandes cargas da ERCOT chegou a 233 GW no final de 2025. Isso é um aumento de 269% em relação ao fim de 2024. Para dar uma noção de escala: a demanda total de pico da ERCOT é de cerca de 85 GW. A fila é quase três vezes a rede inteira.

Os data centers respondem por 77% dessas solicitações.

Quando vi esse número pela primeira vez, presumi que estivesse inflado por solicitações especulativas — empresas registrando pedidos em vários locais para ver qual é aprovado primeiro. Eu estava certo, mas apenas em parte. O setor chama isso de "cargas fantasmas", e elas são um problema real. Os hyperscalers enviam solicitações para dezenas de locais, entupindo o processo de estudos de engenharia com projetos que talvez nunca saiam do papel. A ERCOT recentemente contratou a McKinsey para ajudar a separar as solicitações críveis das especulativas, o que mostra o quanto as equipes internas estão sobrecarregadas.

Mas mesmo depois de retirar os fantasmas, a demanda subjacente é impressionante. E o lado da oferta? A ERCOT sincronizou 23 GW de nova geração em 2025 — principalmente solar e baterias. A fila de geração é dominada por 158 GW de solar e 175 GW de armazenamento em baterias, com apenas 47 GW de gás natural. Os legisladores do Texas aprovaram o Senate Bill 6 e criaram um fundo de US$ 9 bilhões para incentivar novas usinas a gás, mas cerca de 35% dos projetos de gás propostos já foram retirados, alegando escassez global de turbinas e atrasos no licenciamento.

Escrevi sobre essa colisão entre oferta e demanda com mais detalhes na versão interativa da nossa pesquisa, mas a conclusão é direta: a rede não consegue crescer fisicamente na velocidade que a revolução da IA exige.

A noite em que deixei de acreditar em "é só construir mais"

Houve uma noite específica — minha equipe e eu estávamos mergulhados na modelagem do precipício de desativações da PJM — em que uma de nossas engenheiras exibiu uma projeção na tela e a sala ficou em silêncio.

Ela havia mapeado o risco de desativação de cada usina térmica da PJM contra o cronograma da nova geração entrando em operação. As linhas se cruzavam em 2027. Não em 2030. Não em 2035. A lacuna se abria em dezoito meses e se ampliava a cada ano seguinte.

Alguém disse: "Então precisamos construir cerca de 7 GW de geração despachável em um ano e meio."

Eu ri. Não porque fosse engraçado. Porque o tempo médio para licenciar e construir uma usina a gás no território da PJM é de quatro a sete anos. A média para uma nova linha de transmissão é ainda maior.

Foi nesse momento que a tese se cristalizou para mim. Não conseguimos construir infraestrutura na velocidade necessária para sair dessa crise. A rede precisa ficar dramaticamente mais inteligente com a infraestrutura que já tem. E o tipo de "IA" que a maioria das empresas de energia está implantando — chatbots, modelos de regressão básicos, análises de dashboard — é ridiculamente inadequado para o problema.

A rede não precisa de mais um dashboard. Ela precisa pensar.

O que "Deep AI" realmente significa para a rede elétrica?

Preciso ser específico aqui, porque "IA para energia" virou uma daquelas expressões que significam tudo e nada. Quando digo Deep AI, quero dizer algo muito diferente de embrulhar um grande modelo de linguagem em torno de um sistema SCADA (Supervisory Control and Data Acquisition — os sistemas de controle industrial que monitoram e gerenciam a operação da rede) e chamar isso de inovação.

A rede elétrica é um sistema dinâmico sincronizado. Ela obedece às Leis de Kirchhoff (as regras fundamentais que governam o comportamento da corrente e da tensão elétrica em circuitos). Os geradores são acoplados pela equação de oscilação. Tensão, frequência e fluxo de potência são governados por uma física que não se importa com os seus dados de treinamento. Qualquer sistema de IA que ignore essa física é, na melhor das hipóteses, um brinquedo.

Na Veriprajna, trabalhamos com três classes de modelos que respeitam a realidade física da rede.

A primeira classe é a das Redes Neurais Informadas pela Física — PINNs — que embutem as próprias equações diferenciais que governam o comportamento dos geradores diretamente na função de perda do modelo. Em vez de apenas aprender padrões a partir de dados históricos, a rede neural é penalizada por violar leis físicas. O resultado: análise de estabilidade transitória que roda 87 vezes mais rápido do que os solucionadores numéricos convencionais. Para um operador de rede diante de uma potencial falha em cascata, essa é a diferença entre prever o apagão e passar por ele.

Depois vêm as Redes Neurais de Grafos, que tratam a rede como aquilo que ela de fato é — um grafo, com subestações como nós e linhas de transmissão como arestas. O aprendizado de máquina tradicional achata essa estrutura em uma tabela de dados e perde as relações espaciais que mais importam. Uma GNN consegue prever como um afundamento de tensão em uma subestação se propaga pela topologia da rede em milissegundos. Nossa arquitetura de GNN multicamadas alcançou um F1 score (uma medida de acurácia de previsão que equilibra precisão e recall) de 0,89 para identificar subestações com risco de falha em até 30 dias.

A terceira classe — e a que considero mais promissora para operações em tempo real — é a dos agentes de Aprendizado por Reforço que tomam decisões de despacho tratando o controle da rede como um problema de otimização com restrições. Eles aprendem políticas que satisfazem restrições físicas rígidas — limites de tensão, capacidades térmicas, limites de frequência — ao mesmo tempo em que maximizam a confiabilidade e minimizam o custo.

Nada disso é teórico. Nós construímos esses sistemas. E a distância entre o que eles conseguem fazer e o que a maioria das concessionárias usa hoje é enorme.

Como encontrar 6,6 GW sem construir uma única usina?

Esta é a pergunta que nos consumiu. E a resposta começa com uma das tecnologias mais subestimadas do setor de energia: o Dynamic Line Rating.

Toda linha de transmissão nos Estados Unidos tem uma capacidade nominal "estática" — a potência máxima que ela está autorizada a transportar, baseada em premissas de pior caso sobre temperatura e vento. Essas premissas são deliberadamente conservadoras. Na maioria dos dias, a capacidade térmica real da linha é 20-40% maior do que a capacidade nominal estática permite.

O Dynamic Line Rating usa dados meteorológicos em tempo real e sensores IoT para calcular o que a linha realmente consegue suportar agora, e não o que ela suportaria no pior dia do século. Integramos visão computacional e dados de LiDAR (Light Detection and Ranging — uma tecnologia de sensoriamento remoto baseada em laser) para monitorar continuamente a flecha e a temperatura do condutor.

Os resultados não são incrementais. Em Indiana e Ohio, a AES implantou essas tecnologias e aumentou a capacidade de transferência em 61% em linhas de 345 kV — a um custo de US$ 390 mil, contra US$ 1,63 milhão do recondutoramento tradicional. Isso representa uma redução de custo de 76% e uma redução de 80% no tempo de implantação.

Agora multiplique isso pela área de 13 estados da PJM. Você não fecha toda a lacuna de 6,6 GW só com DLR, mas reduz drasticamente o rombo sem concretar uma única fundação.

O megawatt mais barato é aquele que já está passando pelos seus cabos e que você nem sabia que tinha.

A pergunta de US$ 163 bilhões que ninguém está fazendo

A economia fica genuinamente alarmante a partir daqui. Uma análise do Natural Resources Defense Council concluiu que o crescimento dos data centers na região da PJM pode gerar US$ 163 bilhões em custos cumulativos de capacidade de 2028 até 2033. Só no norte de Illinois — território da ComEd — o impacto projetado é de US$ 21,4 bilhões, o que se traduz em cerca de US$ 70 por mês em custos adicionais para a família média.

Deixe-me dizer isso de outro jeito. O boom da IA que deveria transformar a economia pode aumentar sua conta de luz em US$ 840 por ano — e isso em uma única zona de concessionária.

Quando apresento esses números a executivos de tecnologia, vejo o rosto deles mudar. Eles entendem custos de servidor, custos de rede, custos de talento. Mas a maioria deles não internalizou que a eletricidade para rodar seus modelos de IA está prestes a ficar dramaticamente mais cara — e potencialmente indisponível — porque a rede que atende seus data centers tem uma escassez estrutural de capacidade.

Este não é um problema que se resolve sozinho apenas pelas forças de mercado. Quando o leilão da PJM atinge o teto de preço em toda a região, o mercado está lhe dizendo que está quebrado. O sinal de preço que deveria atrair novos investimentos está sendo artificialmente suprimido, o que significa que o investimento não vem, o que significa que o déficit persiste.

A IA consegue mesmo triar 233 GW de solicitações de interconexão?

Um dos projetos que mais me entusiasmam é algo que estamos construindo para o problema da fila de interconexão. A Ordem 2023 da FERC (Federal Energy Regulatory Commission) exige que os provedores de transmissão mantenham "heatmaps" públicos de capacidade disponível, mas o processo de estudo em si — determinar se um projeto específico pode se conectar em um ponto específico sem desestabilizar a rede — continua brutalmente manual.

Estamos implantando o que eu chamaria de agentic AI para triagem de interconexão. Não são chatbots. São sistemas autônomos de raciocínio capazes de processar uma solicitação de interconexão, verificá-la contra os padrões da NERC (North American Electric Reliability Corporation — o órgão que define os padrões de confiabilidade da rede) e da FERC, rodar uma análise de viabilidade topológica usando nossos modelos de GNN e atribuir uma pontuação de probabilidade de conclusão com base na prontidão comercial e física do projeto.

O objetivo é migrar a ERCOT — e, eventualmente, outros operadores de rede — de uma fila de "primeiro a chegar, primeiro a ser servido" para um modelo de "primeiro a estar pronto, primeiro a ser servido". Quando você tem 233 GW de solicitações e 23 GW de nova geração real, a capacidade de identificar quais projetos são reais e quais são especulativos não é um diferencial desejável. É existencial.

Para o detalhamento técnico completo da nossa arquitetura — incluindo as formulações de PINN, a topologia da GNN e o framework de controle de RL — veja nosso artigo de pesquisa.

"Mas dá para confiar a rede elétrica à IA?"

Ouço isso o tempo todo. Geralmente de pessoas que já viram demos de IA corporativa o bastante para ser céticas — e, honestamente, elas deveriam ser. A rede elétrica é infraestrutura crítica. Uma recomendação ruim de um chatbot desperdiça a tarde de alguém. Uma recomendação ruim de um sistema de controle de rede deixa um hospital no escuro.

É por isso que nos recusamos a implantar modelos caixa-preta em ambientes operacionais. Cada previsão que nossa GNN faz vem com uma explicação baseada em grafo — ela destaca as linhas de transmissão e subestações específicas que contribuem para uma avaliação de risco, para que um operador humano possa verificar o raciocínio antes de agir. Chamamos isso de inferência consciente da estabilidade: a IA propõe, a física restringe e o humano decide.

Minha equipe discutiu isso por semanas. Alguns de nossos engenheiros queriam avançar para um controle mais autônomo — os agentes de RL são genuinamente melhores em despacho em tempo real do que a maioria dos processos manuais. Mas eu sempre voltava ao mesmo princípio: em sistemas críticos de segurança, explicabilidade não é um recurso. É um pré-requisito.

Também temos sido cuidadosos com a fronteira TI/TO (a divisão entre os sistemas de tecnologia da informação e a tecnologia operacional que controla os equipamentos físicos). Nossa arquitetura se conecta aos sistemas de controle distribuído existentes sem modificar as estruturas de controle críticas de segurança já comprovadas. A camada de IA fica ao lado da camada de controle, não acima dela.

O precipício das desativações é previsível — se você usar os modelos certos

Mais uma coisa que me tira o sono. O déficit de 6,6 GW na PJM não é surpresa se você tem as ferramentas de previsão certas. Construímos modelos de previsão de desativação usando redes LSTM (Long Short-Term Memory — um tipo de rede neural para dados sequenciais) empilhadas e gradient boosting que analisam a economia no nível da usina — emissões de CO2, preços de combustível, penetração de renováveis no mercado local, custos de manutenção, exposição regulatória.

Nossos modelos preveem o momento da desativação das usinas com um erro percentual absoluto médio de 1,07%. Esse nível de acurácia dá aos operadores de rede uma janela de aviso de dois a três anos para intervir — com incentivos de capacidade direcionados, contratação de reserva ou interconexão acelerada de recursos substitutos — antes que a lacuna de confiabilidade se abra.

O fato de a PJM ter ficado a descoberto em 2025 não é porque o precipício das desativações fosse imprevisível. É porque as ferramentas usadas para prevê-lo eram inadequadas.

Às vezes as pessoas contestam: "Isso não é só uma previsão melhor? O que há de tão 'deep' nisso?" A profundidade está no que o modelo compreende. Um modelo de regressão padrão vê a idade de uma usina a carvão e seus custos de combustível. Nosso modelo vê sua posição na topologia de transmissão, a saturação de renováveis em sua zona de preço, o ambiente político de seu estado e o impacto em cascata de sua desativação na confiabilidade de cada subestação conectada. Isso não é uma planilha. É um gêmeo digital da física econômica da rede.

Para onde isso vai daqui em diante

Não acho que o déficit da PJM ou a crise da fila da ERCOT serão os últimos do gênero. Acho que são os primeiros. Todo grande operador de rede da América do Norte vai enfrentar alguma versão dessa colisão entre a geração térmica sendo desativada, a demanda explosiva impulsionada pela IA e os limites físicos da velocidade com que se pode construir infraestrutura.

As concessionárias que navegarem bem por isso não serão as que mais construírem. Serão as que melhor orquestrarem — extraindo cada megawatt disponível das linhas existentes por meio do DLR, prevendo desativações antes que virem emergências, triando filas de interconexão com IA em vez de exércitos de engenheiros e rodando análises de estabilidade em tempo real em milissegundos em vez de horas.

A lacuna de 6.623 MW na PJM não é apenas um número em um relatório de leilão. É a distância entre a rede que temos e a rede de que precisamos. E essa distância cresce a cada mês.

A rede elétrica é a máquina mais complexa que a humanidade já construiu. Estamos pedindo a ela que alimente o software mais complexo que a humanidade já construiu. Algo vai ter que ceder — e não deveriam ser as luzes.

Nós conseguimos fechar essa lacuna. Não fingindo que a IA é uma varinha mágica, mas construindo sistemas de IA que respeitam a física, entendem a topologia e conquistam a confiança dos operadores que mantêm as luzes acesas. Esse é o trabalho. E a rede não tem tempo para ninguém descobrir isso devagar.