Residentes de Maryland enfrentan una actualización de la red eléctrica de $2 mil millones para centros de datos de IA fuera del estado: el estado presenta una queja ante la FERC

La Oficina de Abogados del Pueblo de Maryland (OPC) presentó una queja ante la Comisión Federal Reguladora de Energía (FERC) con respecto al plan de PJM Interconnection de cobrar a los consumidores de Maryland $2 mil millones de los $22 mil millones gastados en mejoras de la red para satisfacer la demanda de los centros de datos de IA. Según el comunicado de prensa de la OPC, esto costará a los consumidores de Maryland $1.6 mil millones adicionales en diez años: $823 millones para residenciales (~$345 por cliente), $146 millones para comerciales (~$673 por cliente) y $629 millones para clientes industriales (~$15,074 por cliente).
Detalles clave
- PJM Interconnection es la empresa de transmisión eléctrica más grande de EE. UU., que cubre 13 estados más Washington, D.C.
- Los $2 mil millones asignados a Maryland son parte de una actualización total de la red de $22 mil millones impulsada por la demanda de centros de datos.
- David S. Lapp, Abogado del Pueblo de Maryland: “Sin una acción de la FERC, los clientes de Maryland se enfrentan a pagar miles de millones por infraestructura de transmisión que PJM está promoviendo para beneficiar a los centros de datos.” Añadió que las reglas de asignación de costos están “rotas” y que los clientes de Maryland “no han causado la necesidad de estos miles de millones en nuevos proyectos de transmisión ni se beneficiarán significativamente de ellos.”
Contexto
Este caso refleja una creciente tensión, ya que los centros de datos de IA (a menudo construidos por empresas tecnológicas de fuera del estado) trasladan los costos de expansión de la red a los contribuyentes locales. La metodología de asignación de costos de PJM está siendo cuestionada por favorecer grandes cargas nuevas sobre los clientes existentes.
📖 Lea la fuente completa: HN AI Agents
👀 Ver también

OpenAI lanza GPT-5.3-Codex-Spark en vista previa de investigación.
OpenAI ha introducido GPT-5.3-Codex-Spark en una vista previa de investigación, prometiendo capacidades de desarrollo más rápidas.

La eficiencia de tokens como un acto de rechazo: Por qué las empresas de IA quieren que seas derrochador
Los proveedores de LLM se benefician de la dependencia. La eficiencia de tokens es un acto de rechazo. No generes lo que no leerás.

Benchmark de Apple Silicon: Rendimiento de Qwen3-VL en M3, M4 y M5 Max para Clasificación de Vision LLM
Los resultados de referencia muestran que el rendimiento de clasificación del modelo de lenguaje visual Qwen3-VL en Apple Silicon: M3 Max y M4 Studio son casi idénticos para modelos de 8B, mientras que M5 Max es un 75-83% más rápido. El ancho de banda de memoria importa más para la generación de tokens que para el prellenado en tareas de visión.

Código Filtrado de Claude Revela el Sistema KAIROS y la Brecha de Verificación en Agentes de IA
Un mapa de código fuente filtrado de Claude Code reveló 512 mil líneas de TypeScript, 44 banderas de características y KAIROS, un agente en segundo plano que consolida la memoria durante el tiempo de inactividad. Un desarrollador independiente creó un demonio similar para encadenar sesiones en campañas de varios días, pero descubrió que una compilación exitosa no garantiza un código funcional.