Portland General Electric trova oltre 80 MW di capacità di rete con un modello AI della domanda

Costruire nuova capacità elettrica richiede anni. Trovare quella già esistente ma non vista può richiederne molti meno. È la scommessa di Portland General Electric (PGE), la utility americana che, lavorando con la startup GridCARE, dichiara di aver individuato oltre 80 MW di capacità per collegare nuovi data center alla rete, con anni di anticipo rispetto alle previsioni iniziali. Il caso è citato da Utility Dive come esempio di AI applicata a un problema operativo concreto.

Il contesto: la domanda cresce, la rete è limitata

I data center, che a loro volta servono per far funzionare l'AI, fanno crescere la domanda di energia. Le utility si trovano a dover decidere dove e quando collegare nuovi carichi, e le stime tradizionali tendono a essere prudenti: la rete viene valutata nel caso peggiore, non ora per ora.

In questo scenario le utility si rivolgono all'AI per gestire la crescita della domanda. Resta però un atteggiamento cauto: la maggior parte delle applicazioni nel settore, osserva la fonte, supporta ancora le decisioni delle persone invece di sostituirle.

Cosa ha fatto PGE

GridCARE usa modelli orari della domanda per individuare la capacità di rete disponibile. Invece di ragionare su un picco teorico, la modellazione guarda come cambia il carico ora dopo ora, e questo permette di vedere margini che una valutazione più grossolana nasconde.

Il risultato dichiarato da PGE è l'identificazione di oltre 80 MW di capacità per le connessioni dei data center, con anni di anticipo rispetto a quanto inizialmente atteso. La fonte non specifica di quanti anni, né la durata del progetto, i costi o i dettagli del metodo. Non è nemmeno chiaro se PGE abbia adottato lo strumento in modo permanente.

GridCARE è una società del portafoglio di National Grid Partners, il braccio di venture capital di National Grid dedicato alle startup energetiche basate sull'AI. Il suo presidente ad interim, Tagare, porta il caso come esempio di AI verticale, cioè pensata per una funzione precisa e non come piattaforma generalista, e sostiene che questo approccio sia oggi quello che dà i risultati migliori.

Perché interessa fuori dall'energia

Il principio vale per chi gestisce asset fisici costosi: capannoni, flotte, linee produttive, magazzini. Prima di investire in nuova capacità, un modello che osserva l'uso reale con maggiore granularità può mostrare quanta ne è già disponibile. È un'idea di pianificazione, non un'automazione: le decisioni restano alle persone, ma sono informate da una fotografia più precisa.

Cosa può imparare un manager

• Cerca capacità nascosta prima di costruirne di nuova. Se gestisci asset costosi, un modello dell'uso effettivo può rimandare o ridurre gli investimenti.
• Passa dai picchi teorici ai dati granulari. Analizzare la domanda ora per ora mostra margini che le medie e i casi peggiori nascondono.
• Preferisci l'AI verticale. Uno strumento progettato per una funzione specifica ha più probabilità di dare risultati misurabili di una piattaforma generica.
• Mantieni le persone nella decisione. Come nel resto del settore, l'AI supporta le scelte, non le sostituisce: definisci chi valida i risultati del modello.
• Chiedi i dettagli prima di fidarti del numero. Il dato di 80 MW è dichiarato da PGE: verifica metodo, ipotesi e orizzonte temporale prima di replicare il caso.
• Collabora con startup specializzate. Il percorso di PGE passa da un partner esterno: valuta fornitori che conoscano a fondo il tuo settore.