O problema
Em dezembro de 2025, a PJM Interconnection — a maior operadora de rede elétrica dos Estados Unidos, atendendo 65 milhões de pessoas em 13 estados — anunciou algo que nunca havia acontecido antes. Seu leilão de capacidade ficou 6.623 megawatts aquém do que a rede precisa para manter as luzes acesas em 2027/2028. Essa lacuna equivale aproximadamente à produção de seis grandes usinas elétricas, simplesmente ausentes do sistema.
O leilão atingiu o teto federal de preço de US$ 333,44 por megawatt-dia em toda a região. O custo total: US$ 16,4 bilhões. Ainda assim, mesmo nesse preço máximo, não havia energia suficiente para atender às metas de confiabilidade. A margem de reserva — seu amortecedor de segurança contra apagões — caiu para 14,8%, muito abaixo do padrão de 20% projetado para evitar interrupções em larga escala.
Enquanto isso, no Texas, a rede da ERCOT enfrenta uma crise diferente, mas relacionada. Sua fila de grandes clientes aguardando conexão — em sua maioria data centers — cresceu para 233 gigawatts. Isso é quase três vezes toda a demanda de pico da rede texana. Mas a ERCOT adicionou apenas 23 gigawatts de nova geração em 2025. As contas simplesmente não fecham.
Se a sua organização opera no território da PJM ou depende de energia do Texas, esses números deveriam tirar o seu sono. A era da eletricidade barata e abundante está chegando ao fim.
Por que isso importa para o seu negócio
Este não é um problema abstrato de infraestrutura. Ele afeta diretamente o seu balanço patrimonial.
Uma nova análise constatou que o crescimento dos data centers na região da PJM pode gerar US$ 163 bilhões em custos cumulativos de capacidade de 2028 a 2033. Somente no território da ComEd, no norte de Illinois, isso representa US$ 21,4 bilhões. Os clientes residenciais da região enfrentam um aumento projetado de US$ 70 por mês. Se você opera instalações industriais ou grandes instalações nessas zonas, sua exposição é proporcionalmente maior.
Aqui está o que a sua equipe de liderança precisa entender:
- Os seus custos de energia estão subindo de forma estrutural. O leilão da PJM atingiu o teto de preço da FERC. Esse teto mascarou o verdadeiro preço de escassez. Quando os reguladores eventualmente o ajustarem, os preços vão saltar novamente.
- O seu risco de confiabilidade está crescendo. Uma margem de reserva de 14,8% significa risco elevado de corte de carga — apagões controlados — a partir de junho de 2027. Se as suas operações não podem tolerar interrupções, você precisa de planos de contingência agora.
- Os seus planos de expansão podem travar. Na ERCOT, 77% das solicitações de interconexão de grande carga vêm de data centers. Se você planeja uma nova instalação no Texas, está competindo com 233 GW de solicitações por 23 GW de capacidade disponível. Aproximadamente 35% dos projetos propostos de usinas a gás já foram retirados, citando escassez de turbinas e atrasos no licenciamento.
- A pressão regulatória está se intensificando. O Texas aprovou o Senate Bill 6, que exige regras de interconexão padronizadas e permite que os reguladores restrinjam a energia de data centers durante emergências. A Ordem 2023 da FERC exige novos processos de estudo de cluster. As suas obrigações de conformidade estão se expandindo.
Em resumo: o seu orçamento de energia, a sua continuidade operacional e o seu cronograma de crescimento estão todos em risco.
O que realmente está acontecendo nos bastidores
O problema central é um abismo de desativação de usinas. Entre 2011 e 2023, a PJM perdeu 54,2 gigawatts de usinas termelétricas — instalações a carvão e gás que operam sob demanda, independentemente do clima. Outras 24 a 58 gigawatts podem ser desativadas até 2030. Isso representa até 30% da capacidade instalada.
Eis por que as substituições não acompanham o ritmo. Pense nisso como trocar um carro confiável por bicicletas. Você precisaria de muito mais bicicletas para transportar a mesma carga. A própria análise da PJM mostra que substituir 1 megawatt de geração térmica que sai de operação requer cerca de 5,2 megawatts de solar ou 14 megawatts de eólica para entregar a mesma confiabilidade. Solar e eólica só produzem energia quando o sol brilha ou o vento sopra. Uma usina a gás opera sempre que você precisar.
A PJM ajustou seus cálculos para refletir essa realidade. Reduziu o crédito de confiabilidade — chamado Effective Load Carrying Capability, ou ELCC — para recursos intermitentes como solar e eólica. À medida que mais desses recursos se conectam, cada unidade adicional contribui menos para manter a rede estável durante a demanda de pico.
Ao mesmo tempo, a demanda está disparando em locais específicos. A PJM relatou um aumento de 5.250 megawatts em sua previsão de demanda, impulsionado quase inteiramente pelos data centers. Em algumas zonas, as previsões de crescimento do pico de verão chegam a 6,4% ao ano. Essa carga concentrada cria pontos de estresse localizados, onde subestações e linhas de transmissão enfrentam risco de sobrecarga.
A rede não consegue crescer fisicamente rápido o suficiente. Por isso, ela precisa se tornar mais inteligente. É aí que a IA entra — mas nem toda IA está à altura dessa tarefa.
O que funciona (e o que não funciona)
Comecemos pelo que fica aquém quando você aplica IA a um problema tão complexo.
Chatbots genéricos e wrappers de LLM. Acoplar um modelo de linguagem de grande porte ao seu painel de operações lhe dá uma interface conversacional, não inteligência de rede. Ele não entende a física do fluxo de eletricidade.
Previsão por regressão básica. Modelos estatísticos simples que preveem a carga com base em médias históricas não capturam a dinâmica não linear de uma rede onde 54 gigawatts de energia despachável desapareceram em doze anos.
Análises preditivas de tamanho único. O aprendizado de máquina padrão trata os dados da rede como uma planilha simples. Ele ignora a estrutura física — quais subestações se conectam a quais, e como uma falha em um nó se propaga em cascata pela rede.
O que realmente funciona é a IA que respeita a física e a estrutura da rede. Veja como ela funciona na prática:
Entrada: dados físicos em tempo real, não apenas tendências históricas. Os sistemas de Dynamic Line Rating (DLR) usam sensores IoT e dados meteorológicos para medir a capacidade real das linhas de transmissão em tempo real. As classificações tradicionais assumem as condições mais adversas e deixam de aproveitar de 20 a 40% da capacidade. Em Indiana e Ohio, a AES implantou DLR em linhas de 345 kV e aumentou a capacidade de transferência em 61% — a um custo de US$ 0,39 milhão, contra US$ 1,63 milhão para modernizações tradicionais. Isso é uma redução de custos de 76%.
Processamento: modelos de IA conscientes da física. As Physics-Informed Neural Networks — ou PINNs — incorporam as leis reais dos sistemas elétricos no próprio modelo de IA. Em vez de aprender padrões apenas com base em dados, elas impõem as equações que regem como geradores, linhas e cargas interagem. Esses modelos resolvem análises de estabilidade até 87 vezes mais rápido do que os métodos convencionais. As Graph Neural Networks (GNNs) tratam a rede como o que ela realmente é — uma rede de nós conectados — e preveem como as falhas se propagam pela topologia. Modelos baseados em GNN alcançaram um escore F1 de 0,8935 para identificar subestações sob risco de falha em até 30 dias.
Saída: decisões explicáveis com trilhas de auditoria. Quando a IA identifica um risco de falha em cascata, ela gera uma explicação baseada em grafos mostrando exatamente quais linhas e subestações estão impulsionando o risco. Os seus operadores veem o raciocínio antes de agir. A sua equipe de conformidade recebe uma trilha lógica documentada. Para organizações de energia e serviços públicos, essa transparência não é opcional — é o que os reguladores e os conselhos exigem.
Essa abordagem vai além das operações da rede, alcançando o gargalo de interconexão. Agentes de IA podem analisar automaticamente a fila de 233 GW da ERCOT, atribuir a cada projeto uma pontuação de probabilidade de conclusão e sinalizar cargas "fantasmas" especulativas — solicitações de empresas que registraram pedidos em vários locais apenas para preservar suas opções. Isso transforma a fila de primeiro-a-chegar-primeiro-atendido em primeiro-pronto-primeiro-atendido.
Você também pode aplicar essas ferramentas para prever quais usinas serão desativadas em seguida. Modelos usando LSTM empilhado e gradient boosting alcançaram um erro percentual absoluto médio de apenas 1,072% na previsão do momento de desativação de usinas. Isso dá à sua equipe de planejamento anos de antecedência, em vez de meses.
O princípio arquitetônico fundamental por trás de tudo isso: simulação, gêmeos digitais e sistemas de otimização que espelham a sua infraestrutura física em software, testam cenários em velocidade de máquina e alimentam camadas de decisão que humanos podem verificar e nos quais podem confiar. Combinados com explicabilidade e transparência de decisões, você obtém uma IA com a qual o seu conselho, os seus reguladores e os seus operadores podem todos concordar.
Para uma exploração técnica mais aprofundada, você pode ler a análise técnica completa ou explorar a versão interativa.
Principais conclusões
- O primeiro déficit de capacidade da história da PJM — 6.623 MW — sinaliza que a maior rede elétrica da América não consegue acompanhar a demanda, colocando a confiabilidade em risco até junho de 2027.
- O crescimento dos data centers no território da PJM pode gerar US$ 163 bilhões em custos cumulativos de capacidade até 2033, elevando diretamente os preços da eletricidade para todos os clientes.
- A tecnologia Dynamic Line Rating aumentou a capacidade de transmissão em 61% em linhas existentes, a um custo 76% menor do que o de modernizações tradicionais — sem necessidade de novas construções.
- Modelos de IA conscientes da física resolvem análises de estabilidade da rede 87 vezes mais rápido do que os métodos convencionais e podem prever falhas em subestações com 30 dias de antecedência.
- A fila de interconexão de 233 GW da ERCOT pode ser priorizada por IA que pontua a viabilidade de cada projeto e filtra solicitações especulativas, economizando anos no processo.
Conclusão
O déficit da PJM e a crise da fila da ERCOT não são perturbações temporárias — são mudanças estruturais que vão elevar os seus custos de energia e ameaçar a sua continuidade operacional por anos. A IA pode ajudar, mas somente se entender a física da rede, e não apenas padrões em planilhas. Pergunte ao seu fornecedor de IA: quando o seu modelo recomendar uma decisão de despacho durante uma emergência na rede, ele pode mostrar aos meus operadores e reguladores exatamente quais restrições físicas avaliou e por quê?