Negli Stati Uniti, pianificare l'ampliamento della rete elettrica per collegare un nuovo impianto industriale, un parco eolico o un data center per l'intelligenza artificiale può richiedere mesi di simulazioni tecniche: calcoli di flusso di potenza, verifiche di stabilità, analisi di decine di scenari di guasto (le cosiddette "contingenze") che si ripetono per ogni singola richiesta di connessione. Il Dipartimento dell'Energia statunitense (DOE), attraverso il suo Office of Electricity, ha annunciato il 1° settembre 2026 un finanziamento per accelerare drasticamente questo processo: GridFM 2.0 (Foundation Models for the Electric Grid: From Proof of Concept to Real-world Impacts), un progetto triennale guidato dal Brookhaven National Laboratory che punta a costruire un "modello fondativo" di intelligenza artificiale capace di valutare un miliardo di scenari di rete in 24 ore, aumentando la velocità di pianificazione di oltre 10.000 volte rispetto ai metodi tradizionali.
TRL 2-4 — Ricerca esplorativa/dimostrazione iniziale: consorzio appena costituito, obiettivi tecnici definiti, test previsti con alcune utility ma nessun software ancora rilasciato
Impatto potenziale: alto
Il problema: pianificare la rete è diventato il vero collo di bottiglia
Negli ultimi anni, la domanda di nuove connessioni alla rete elettrica statunitense è aumentata molto più rapidamente della capacità dei gestori di rete di valutarle. Impianti eolici e fotovoltaici, nuovi carichi industriali e soprattutto i data center per l'intelligenza artificiale, che richiedono potenze crescenti e continuative, si accumulano nelle code di interconnessione in attesa degli studi tecnici necessari per l'allaccio. Ogni richiesta di connessione comporta simulazioni dettagliate del comportamento della rete in condizioni normali e in caso di guasto, calcoli che oggi vengono svolti con strumenti numerici tradizionali, accurati ma lenti, pensati per un numero di richieste molto più basso di quello attuale. Il risultato è un collo di bottiglia che si ripercuote sui tempi di realizzazione di nuovi impianti rinnovabili, sull'elettrificazione dei consumi e sulla stessa espansione dell'infrastruttura digitale legata all'intelligenza artificiale.
Cos'è un "modello fondativo" applicato alla rete elettrica
L'idea alla base di GridFM è mutuare per la rete elettrica lo stesso approccio che ha reso possibili i grandi modelli linguistici: un "modello fondativo" (foundation model) addestrato una volta su una grande quantità di dati eterogenei, e poi adattabile a compiti diversi senza dover essere ricostruito da zero ogni volta. Jingrui He e Hanghang Tong, i due ricercatori dell'Università dell'Illinois a Urbana-Champaign che guidano lo sviluppo del nucleo tecnico del modello, lo descrivono come un sistema che deve "generalizzare tra reti, topologie e compiti diversi" invece di richiedere un modello nuovo per ciascun impianto o ciascuna utility: esattamente il problema di partenza, più limitato nell'ambito della cybersicurezza, che il progetto americano C2E2 del Dipartimento dell'Energia ha affrontato con un approccio concettualmente simile. Dal punto di vista tecnico, il lavoro del consorzio si concentra su tre ingredienti: tecniche di apprendimento automatico su grafi (graph learning) in grado di rappresentare la topologia della rete elettrica, componenti di intelligenza artificiale agentica capaci di coordinare flussi di lavoro complessi e specializzati per compito, e un livello di validazione "in-the-loop" che confronta i risultati del modello con le leggi fisiche note della rete, un accorgimento descritto da Tianqiao Zhao dell'Università del Texas ad Arlington come necessario per adattare il sistema alle esigenze di utility diverse senza comprometterne l'affidabilità.
I numeri del progetto: un miliardo di scenari, tre fasi, quattro utility pilota
Gli obiettivi tecnici dichiarati dal Dipartimento dell'Energia sono netti: valutare un miliardo di scenari di espansione della rete in 24 ore, aumentare la produttività della pianificazione di oltre 10.000 volte e rendere i calcoli chiave della rete più di 1.000 volte più rapidi rispetto agli approcci tradizionali. Il finanziamento stanziato dall'Office of Electricity del DOE per questo bando specifico è di 11,5 milioni di dollari; il Brookhaven National Laboratory, che guida il consorzio, indica invece nel proprio comunicato un valore complessivo di 14,2 milioni di dollari assegnati a tutti i partecipanti, di cui 3,9 milioni destinati al laboratorio capofila: una discrepanza che riflette probabilmente la differenza tra il bando specifico e il finanziamento complessivo di progetto, ma che le fonti ufficiali non spiegano esplicitamente. Il progetto, della durata di tre anni, è strutturato in tre fasi successive: affinamento del modello di intelligenza artificiale, costruzione di un livello applicativo pensato per casi d'uso specifici delle utility, e infine il collaudo sul campo con quattro operatori di rete partner, prima di un trasferimento verso un utilizzo commerciale.
Chi c'è dietro il progetto: oltre 25 organizzazioni, un ecosistema da 150
Il consorzio che realizza materialmente GridFM 2.0 è guidato dal Brookhaven National Laboratory, con Hendrik Hamann, capo scienziato per l'intelligenza artificiale del laboratorio e professore alla Stony Brook University, come responsabile scientifico del progetto. Attorno al nucleo di ricerca si sono aggregate oltre 25 organizzazioni: tra le università, il Massachusetts Institute of Technology, l'Università dell'Illinois a Urbana-Champaign, la Stony Brook University, la Cornell University, l'Università del Texas ad Arlington e il National Laboratory of the Rockies; tra le aziende tecnologiche, GE Vernova Research, IBM Research, NVIDIA, Amazon Web Services, Microsoft e Accenture Federal Services; tra le utility e i gestori di rete, la New York Power Authority, la Long Island Power Authority, Alabama Power, National Grid, Con Edison, il gestore di mercato New York ISO e l'ente statale New York State Energy Research and Development Authority. Le componenti open source del progetto sono sviluppate in collaborazione con la Linux Foundation Energy, e il DOE inquadra questo finanziamento specifico come il nucleo operativo di un ecosistema molto più ampio, denominato semplicemente GridFM, che coinvolge oltre 150 organizzazioni tra industria, mondo accademico e settore pubblico.
Il contesto: la corsa, ancora agli inizi, ai modelli fondativi per la rete
GridFM non nasce dal nulla: un primo modello con questo nome era già stato presentato da IBM Research insieme a partner accademici statunitensi, prima che il Dipartimento dell'Energia decidesse di finanziarne un'estensione — per questo il progetto guidato da Brookhaven viene chiamato "GridFM 2.0" — con l'obiettivo esplicito di portarlo "dalla prova di concetto a un impatto nel mondo reale", come recita il titolo stesso del bando. Il programma si inserisce nella cornice più ampia della Genesis Mission del DOE, che punta a raddoppiare la produttività scientifica statunitense combinando capacità di calcolo ad alte prestazioni, intelligenza artificiale e ricercatori di punta su diversi settori strategici; a luglio 2026 il Dipartimento aveva già assegnato a Brookhaven la guida di altri sette progetti della prima fase della Genesis Mission, a cui si aggiunge la partecipazione del laboratorio in 29 ulteriori progetti coordinati da altre istituzioni. L'iniziativa americana corre peraltro in parallelo, pur senza coordinamento diretto, a un tentativo analogo avviato in Europa a giugno 2026: un consorzio di 48 organizzazioni europee, guidato dal Fraunhofer Center Digital Energy, ha lanciato l'iniziativa AI.Grids per costruire un modello di intelligenza artificiale "sovrano" per il calcolo dei flussi di potenza e la previsione di generazione e domanda sulla rete europea, con un primo rilascio software non previsto prima del 2027. Le due iniziative condividono lo stesso problema di fondo — rendere l'intelligenza artificiale uno strumento utilizzabile su scala per la pianificazione e la gestione delle reti elettriche — ma partono da presupposti diversi: GridFM 2.0 si appoggia a un modello già esistente e punta dichiaratamente al trasferimento verso un uso commerciale entro tre anni, mentre AI.Grids è ancora nella fase di definizione dell'architettura tecnica.
Cosa resta da dimostrare
Le fonti ufficiali sul progetto sono esplicite su un punto: i numeri comunicati — il miliardo di scenari in 24 ore, l'aumento di 10.000 volte della produttività, i calcoli 1.000 volte più rapidi — sono obiettivi di progetto, non risultati già raggiunti e misurati sul campo. Il consorzio si è costituito e ha ricevuto il finanziamento solo all'inizio di settembre 2026; il piano di lavoro prevede che il collaudo con le utility partner avvenga nelle fasi successive del progetto triennale, non in quella iniziale. Resta inoltre da vedere se un modello addestrato per generalizzare tra reti e topologie diverse riuscirà a mantenere l'accuratezza richiesta da un'infrastruttura critica come la rete elettrica, e se il meccanismo di validazione fisica "in-the-loop" descritto dai ricercatori sarà sufficiente a prevenire errori di stima in scenari non rappresentati nei dati di addestramento — un rischio concettualmente simile a quello delle "allucinazioni" dei modelli linguistici, che altri progetti di intelligenza artificiale applicata alle reti elettriche hanno già dovuto affrontare esplicitamente.
Perché interessa il settore
Il collo di bottiglia nella pianificazione e nell'allaccio di nuovi impianti alla rete non è un problema esclusivamente americano: code di interconnessione lunghe, studi tecnici che richiedono mesi o anni e capacità di calcolo insufficiente rispetto al numero di richieste sono difficoltà segnalate, con intensità diverse, anche dai gestori di rete europei. Se un modello fondativo come GridFM riuscisse davvero a comprimere di diversi ordini di grandezza il tempo necessario per valutare gli scenari di espansione della rete, senza sacrificare l'affidabilità richiesta da un'infrastruttura critica, l'impatto non si limiterebbe alla velocità delle pratiche amministrative: significherebbe poter integrare più rapidamente nuove fonti rinnovabili, nuovi carichi industriali e nuovi data center, con ricadute dirette sui tempi e sui costi della transizione energetica. Il progetto resta però, a tutti gli effetti, alle fasi iniziali: la dimostrazione che questi obiettivi siano davvero raggiungibili arriverà solo con i risultati dei collaudi sul campo, previsti più avanti nel triennio.
Il commento di PINET
Per l'Italia e per l'Europa, il valore di questa notizia è soprattutto indicativo: conferma che il nodo dei tempi di allaccio alla rete — ben noto anche a Terna e ai distributori italiani, alle prese con code di connessione per fotovoltaico ed eolico — è considerato ovunque un problema risolvibile anche con strumenti di intelligenza artificiale dedicati, non solo con interventi normativi o infrastrutturali. Difficilmente l'Italia potrà replicare da sola un consorzio di questa scala: la strada più realistica passa dall'iniziativa europea AI.Grids, che però viaggia su tempi più lunghi e in una fase ancora meno avanzata. Restano ostacoli concreti non banali, dalla disponibilità di dati operativi dettagliati sulle reti — spesso sensibili dal punto di vista della sicurezza — alla necessità di validare modelli di questo tipo secondo standard di affidabilità compatibili con un'infrastruttura critica, prima di qualunque adozione operativa. Il giudizio, per ora, va quindi limitato al merito tecnico: un obiettivo ambizioso e ben finanziato, che vale la pena seguire nei prossimi collaudi, senza però poterne anticipare oggi l'esito.
Fonte: Brookhaven National Laboratory, "Brookhaven Lab to Lead $14M AI Project for Nation's Electric Grid", con approfondimenti da U.S. Department of Energy - Office of Electricity, "DOE's Office of Electricity Announces $11.5M Genesis Mission Project" e da American Public Power Association, "LIPA, NYPA Participate in Next-Generation Grid Foundation Model Project".
