AI hittar dold geotermi – och 100 MW kan bli starten

USA har ungefär 4 gigawatt geotermisk el installerad kapacitet, men geotermi står ändå för mindre än 0,5 % av landets elproduktion. Det är en märklig kombination: en teknik som kan leverera koldioxidfri el dygnet runt – men som fortfarande behandlas som en nisch.

Det är därför nyheten från geotermibolaget Zanskar i Nevada sticker ut. De säger sig ha hittat ett ”blint” geotermiskt system – alltså en underjordisk varmvattenreservoar utan synliga yttecken som gejsrar eller ångventiler och utan historik från tidigare prospektering. Och de menar att fyndet kan bära över 100 MW med konventionell geotermiteknik.

För oss som följer serien AI inom energi och hållbarhet är det här extra intressant av en annan anledning: Zanskar lyfter fram AI och modern dataanalys som verktygen som gjorde det möjligt att hitta en resurs som “alla” trodde redan var kartlagd. Det här är en tydlig signal om vart energibranschen är på väg: mer data, bättre modeller, snabbare beslut – och mindre gissning.

Därför är “blind geotermi” en stor grej (även utanför USA)

Blind geotermi betyder att resursen är osynlig från ytan, men fullt verklig under marken. Det förändrar spelplanen, eftersom en stor del av den historiska geotermiutbyggnaden har varit beroende av tydliga geologiska ledtrådar.

Traditionell geotermi har länge byggt på en sorts intuitiv geologi: man letar där det ”borde” finnas värme och genomsläppliga berglager. Problemet? Då missar man allt som inte skriker “geotermi” på ytan. Zanskars budskap är att det finns fler fynd att göra – om man letar på rätt sätt.

Varför vi bryr oss i Sverige

Sverige har inte Nevadas vulkaniska förutsättningar, men vi har ett växande behov av planerbar fossilfri el och värme, särskilt när:

• industrins elektrifiering accelererar,
• elnäten blir mer ansträngda,
• datacenter och AI-infrastruktur ökar efterfrågan på stabil effekt.

Dessutom är geotermi inte bara el. I nordiskt klimat är geotermisk värme och storskaliga värmelösningar minst lika relevanta. Poängen med Nevada-händelsen är alltså inte ”bygg exakt samma sak här”, utan: AI-drivna metoder för resurskartläggning och projektval kan sänka risk och kostnad även i andra geologier.

Vad Zanskar gjorde annorlunda: AI som prospekteringsmotor

Zanskar satsar inte primärt på ny borrteknik, utan på bättre träffsäkerhet i var man borrar. Det är ett strategiskt val som många företag missar: man kan minska kostnader lika mycket genom att undvika felinvesteringar som genom att uppfinna nya maskiner.

Enligt uppgifterna hittade Zanskars geologer en geotermisk anomali som antydde ovanligt högt värmeflöde. Sedan körde de insamlad prospekteringsdata genom bolagets AI-mjukvara för att förutsäga bästa borrpositioner och därmed testa temperatur och permeabilitet (hur lätt vätska rör sig i berget).

Två testbrunnar borrades under sommaren. Vid cirka 2 700 fot (ungefär 820 meter) nådde man ett poröst lager med temperaturer runt 250 °F (cirka 121 °C). Zanskar hävdar att detta överstiger minimikraven för geotermisk kraftproduktion i stor skala, och att alternativ i regionen ofta hade krävt borrning ner mot 10 000 fot (cirka 3 050 meter).

Så här används AI i geotermiprospektering – praktiskt

AI i det här sammanhanget handlar sällan om magi. Det handlar om att kombinera fler datakällor än en människa rimligen kan väga ihop snabbt.

Vanliga byggstenar är:

• Geofysiska mätningar (t.ex. gravimetri, magnetik, seismik)
• Geokemi (vattnets och gasernas sammansättning där det går att provta)
• Fjärranalys och topografidata
• Historiska borrdata (när det finns)
• Geologiska kartor och strukturer (förkastningar, sprickzoner)

Med ML-modeller kan man göra två saker som är guld värda i tidiga skeden:

1. Prioritera borrmål (minskar antalet dyra ”chansbrunnar”)
2. Quantifiera osäkerhet (hur säker är modellen och varför?)

Det är här jag tycker energibranschen ofta tänker för snävt: AI ska inte bara ge en punkt på kartan, utan ett beslutsunderlag som gör att projekt kan finansieras och genomföras med lägre risk.

Varför 100 MW spelar roll just nu: elbrist, datacenter och ”ren baskraft”

Efterfrågan på el ökar snabbt, och en del prognoser drivs av datacenter. Den här dynamiken syns redan tydligt i USA, men trenden är global – och Sverige påverkas också av fler serverhallar, AI-träning och ökande effektbehov lokalt.

Här blir geotermi intressant eftersom den kan leverera det som många köpare vill ha men som är svårt att få tag på:

• ren el (utan direkta utsläpp)
• planerbarhet (24/7, inte väderberoende)
• hög kapacitetsfaktor (ofta mycket högre än vind och sol)

Zanskar tror dessutom att man kan få datacenter att sam-lokalisera nära geotermiresurser. Det är logiskt: om elen inte enkelt kan transporteras via ett trångt nät kan man flytta lasten till produktionen.

Svensk översättning av idén: flytta last, inte bara el

I Sverige pratar vi mycket om nätutbyggnad (med rätta). Men jag har sett att många organisationer underskattar hur kraftfullt det är att jobba med:

• flexibel lokalisering av ny elintensiv verksamhet
• lokala effektlösningar (värme/kyla/lagring)
• industriell symbios (spillvärme till fjärrvärme, gemensam infrastruktur)

AI kan hjälpa här också, genom att optimera var det är mest samhällsekonomiskt att etablera ny last utifrån nätkapacitet, tillståndstider, markfrågor och energimix.

Konventionell vs ”nästa generations” geotermi: varför Zanskar kan få en fördel

Zanskars tes är enkel: om vi hittar fler konventionella resurser kan vi bygga snabbare och billigare än om vi måste uppfinna allt på nytt. Nästa generations geotermi (ofta inspirerad av fracking och avancerad borrning) har gjort imponerande framsteg – men den kan fortfarande vara dyrare och mer tekniskt riskfylld.

Det intressanta är att Zanskar vänder på den vanliga berättelsen. Många tror att konventionell geotermi är ”färdigkörd”. De menar att problemet inte varit tekniken, utan kartläggningen.

”Vi vet hur man bygger kraftverk. Vi har bara inte kunnat hitta resurserna tidigare.”

Om den inställningen stämmer i fler regioner kan vi få en ny våg av geotermi som är mer ”industrimässig” än experimentell.

Tidslinje och realism

Zanskar siktar på driftsättning om 3–5 år. Det är ambitiöst men inte orimligt om:

• resursen bekräftas i fler brunnar,
• nätanslutning och tillstånd går smidigt,
• finansiering och EPC (engineering, procurement, construction) faller på plats.

Här finns en lärdom för alla som jobbar med energiomställning: AI kan korta vissa led (prospektering och design), men den kan inte trolla bort tillstånd, nätköer eller leverantörskedjor. Det är fortfarande ”den tråkiga” projektstyrningen som avgör om megawatten faktiskt kommer ut på nätet.

Så kan företag använda AI för att minska risk i energiprojekt (checklista)

Den största kostnaden i tidiga energiprojekt är ofta fel beslut tidigt. AI är som bäst när den minskar sannolikheten för de besluten.

Här är en praktisk checklista jag brukar använda när jag pratar med energibolag, industri och investerare:

1. Definiera beslutet – inte bara modellen
   Ska AI tala om var ni ska borra, hur ni ska dimensionera, eller hur ni ska prioritera portföljen?

2. Bygg en datakarta innan ni bygger en ML-modell
   Vilka datakällor finns, vad kostar de att få fram, och vilka luckor är affärskritiska?

3. Mät osäkerhet som en leverans, inte som en fotnot
   Beslutsfattare behöver sannolikheter och spann, inte bara en ”bästa gissning”.

4. Koppla modellen till ekonomi och tillstånd
   Den bästa platsen geologiskt kan vara sämst juridiskt eller logistiskt.

5. Sätt upp en feedback-loop
   När ny data kommer (t.ex. testborrning) ska modellen uppdateras och beslut revideras snabbt.

Det här är exakt typen av arbetssätt som gör att AI blir mer än en demo: den blir ett verktyg som sparar verkliga pengar.

Vad händer härnäst – och vad ska du hålla koll på?

Det Zanskar påstår är stort: ett kommersiellt ”blint” fynd, över 100 MW, med konventionell borrning, och ett projekt som kan vara i drift inom några år. Om det bekräftas kan det ändra hur investerare och energibolag ser på geotermisk potential i mogna regioner.

För dig som jobbar med energi, hållbarhet eller AI finns tre saker att följa noga under 2026:

• Replikering: Kan samma metod hitta fler blinda system, eller var det här ett undantag?
• Projektgenomförande: Hur snabbt kan man gå från testbrunnar till fullskalig anläggning?
• Köpare av elen: Blir det datacenter, traditionella elbolag eller hybridmodeller (el + värme)?

Den bredare poängen i vår serie AI inom energi och hållbarhet är tydlig: AI gör inte energisystemet grönt av sig självt – men AI kan göra rätt projekt möjliga i tid.

Om du sitter med en portfölj av energiprojekt, eller försöker säkra fossilfri effekt till en ny etablering, är frågan värd att ställa redan nu: Vilka resurser eller kapaciteter missar vi för att vi letar med gårdagens metoder?