AI‑drivna datacenter: så byggs grön el utan chockhöjda nätavgifter

Georgia i USA sitter på en ovanligt konkret konflikt som också börjar kännas bekant i Europa: AI driver fram en våg av nya datacenter, och elnäten hinner inte alltid med. När prognoserna blir osäkra — hur mycket last kommer faktiskt? — blir standardlösningen ofta att planera för mycket ny “säker” effekt, vanligtvis gas. Det är dyrt, tar tid och riskerar att låsa in utsläpp långt efter att nästa teknikskifte kommit.

Det intressanta är att Georgia nu arbetar med ett upplägg som gör något ganska okontroversiellt på pappret, men politiskt laddat i praktiken: låta stora elkunder (som hyperskalare) identifiera och finansiera egna rena resurser som kopplas in i nätet. Det här är en policyidé som kan bli en mall även för andra regioner — och den kopplar direkt till vår serie AI inom energi och hållbarhet: när AI driver efterfrågan måste AI också bli en del av lösningen, i både planering och drift.

Georgia som fallstudie: “ta med din egen rena el”

Kärnan: Georgia Power och delstatens tillsynsmyndighet håller på att forma en modell där stora kunder kan ta fram sol, batterier och andra resurser och få dem godkända och anslutna — i stället för att allt måste upphandlas av elbolaget.

I artikeln beskrivs det som en customer-identified resource‑lösning (CIR), kopplad till ett befintligt “grönt tariff”-program. CIR skulle kunna möjliggöra upp till 3 GW kundidentifierade resurser till 2035, parallellt med att elbolaget i ett annat spår ska säkra upp till 4 GW ny förnybar el till 2035.

Det som gör CIR relevant bortom Georgia är logiken:

• Hastighet: sol och batterier kan ofta byggas snabbare än ny termisk produktion.
• Riskfördelning: om AI‑boomen bromsar in ska inte hushåll och småföretag sitta med notan för överbyggda kraftverk.
• Klimatstyrning: stora datacenterägare vill kunna säga (och redovisa) att de matchar sin konsumtion med fossilfri produktion.

För svenska läsare: tänk CIR som en mer strukturerad variant av “kunddriven anskaffning” där nät- och systemeffekter vägs in, men där initiativet kommer från lasten.

Varför just datacenter driver fram den här typen av policy

Datacenter är inte bara stora — de är spetsiga. De kan lägga enorm last i en specifik nod och samtidigt kräva hög leveranssäkerhet. Det gör att nätet behöver både energi (kWh) och effekt (kW) på rätt plats och tid.

När elbolag gör långtidsplaner bygger de ofta på topparna: ett fåtal timmar per år som styr hur mycket effekt som måste finnas. Om man då räknar “värsta rimliga scenario” för flera datacenter samtidigt blir det lätt en plan som lutar åt ny gas.

Georgia Power har i sammanhanget flaggat för investeringar i storleksordningen 10 GW ny gas och batterier till 2031 och ett investeringspaket över 15 miljarder dollar. Poängen här är inte att jämföra USA och Sverige rakt av, utan att se mekanismen: när prognosrisk möter reglerade avkastningsmodeller blir “bygga mer” ofta default.

Den viktiga detaljen: effektvärde (capacity value)

Kärnan: Om kundernas sol- och batteriprojekt inte får räknas som bidrag till systemets effektbehov, kan regionen ändå bygga gas — trots att ren kapacitet faktiskt tillkommer.

I artikeln är det här den stora stötestenen. CIR‑upplägget som diskuterats i Georgia ger kunder kredit för energiproduktion och ursprung (t.ex. certifikat), men enligt kritiken saknas tydligt erkännande av resursernas effektvärde i planeringen. Och det är där de stora pengarna bor.

Ett förenklat sätt att säga det:

• Energi svarar på: ”Hur mycket el produceras över året?”
• Effekt/kapacitet svarar på: ”Finns elen när alla behöver den samtidigt?”

Om datacenter finansierar batterier som kan leverera under toppar, men ändå måste betala (direkt eller via tariffer) för ny gas som byggs “för säkerhets skull”, får du dubbel kostnad och sämre klimatnytta.

Ett CIR-program som inte räknar effektvärde riskerar att ge mer förnybart på pappret, men nästan samma fossila effekt i verkligheten.

Här passar AI in direkt

AI är inte bara orsaken till lastökningen. Den är också verktyget för att kvantifiera och kontraktera effektvärde på ett sätt som är mer rättvist och mindre riskfyllt.

Tre konkreta AI‑tillämpningar som gör “capacity value” mer än en politisk slogan:

1. Probabilistisk lastprognos (P50/P90) för datacenter

   • I stället för en enda siffra får man ett spann med sannolikheter.
   • Det gör att regulatorer kan kräva att nya datacenter bär kostnaden för “svansen” (worst-case) snarare än att den socialiseras.

2. Peak-shaving som tjänst (batteri + AI‑styrning)

   • Batterier får högre verkligt systemvärde när de styrs mot toppar och nätbegränsningar, inte bara elpris.
   • AI kan optimera mot flera mål: toppeffekt, lokala flaskhalsar, frekvensstöd och kostnad.

3. Matchning av produktion och konsumtion timme för timme

   • Fler bolag går mot “24/7 carbon-free energy” (timvis matchning).
   • AI behövs för att planera portföljer (sol, vind, lagring, avtal) som klarar både klimatredovisning och nätkrav.

Vad kan Sverige och Norden lära av Georgia?

Kärnan: Modellen är relevant eftersom den kombinerar snabb utbyggnad av förnybart med ett försök att undvika att hushåll får betala för osäkra lastprognoser.

Sverige har andra marknadsregler och en annan produktionsmix, men vi har samma utmaning i flera regioner: ny industri och nya datacenter vill ansluta snabbt, och nätinvesteringar tar tid. Samtidigt är 2025 ett år där energikostnader och kapacitetsfrågor är politiskt känsliga — ingen vill gå in i 2026 med rubriker om att “AI höjde elnätsavgiften”.

Tre lärdomar jag tycker är mest användbara:

1) Kräv “anslutning med ansvar”

Om stora laster vill in snabbt behöver de också bidra till lösningar.

Det kan struktureras som:

• krav på egen finansiering av lokala nätförstärkningar eller flexibilitet
• krav på effektbidrag (batteri, styrbar last, avtal om nedreglering)
• tydliga regler för vad som händer om lasten inte materialiseras

Det här är egentligen samma logik som CIR försöker fånga: accelerera anslutning utan att vältra över risk.

2) Låt kunddriven förnybar utbyggnad räkna i systemplaneringen

Det räcker inte att säga “de bygger sol”. Den måste översättas till systemnytta.

För att lyckas behöver man:

• standardiserade metoder för effektkredit för batterier och hybridparker
• incitament som premierar leverans under kritiska timmar
• transparens: vilka antaganden styr effektvärdet?

3) Gör AI till ett krav i driften, inte bara en ambition

För datacenter är AI‑styrning av kylning, lastfördelning och schemaläggning redan vardag. Nästa steg är att koppla den styrningen till elsystemet.

Praktiska exempel som ofta fungerar:

• flytta icke‑kritiska batchjobb till timmar med hög lokal produktion
• optimera kylsystem mot både temperatur och toppeffekt (kW)
• använda “demand response” med automatiserade, verifierbara signaler

Checklista: så utvärderar du ett “BYO-ren-el”-upplägg

Kärnan: Fråga efter detaljerna som avgör om modellen sänker kostnader och utsläpp — eller bara flyttar runt dem.

Om du jobbar på ett datacenter, ett energibolag, en kommun eller en industriell elkund, är det här frågor som snabbt avslöjar kvaliteten:

1. Räknas projektets effektvärde i regionens kapacitetsbehov?
2. Vem tar risken om lastprognosen blir fel?
3. Hur verifieras att resurserna faktiskt levererar vid topp (mätning, data, revision)?
4. Finns en snabb väg från idé till anslutning utan att tumma på nätanalys?
5. Vilka incitament finns för “rätt” teknikmix (sol + lagring, vind + lagring, flexibel last)?

När de fem punkterna är besvarade med konkret metodik (inte marknadsföring) börjar man närma sig en modell som skalar.

Nästa steg: från policy till praktik med AI

Georgia visar att diskussionen har flyttat sig: från “datacenter är ett problem för nätet” till “datacenter kan bli en beställare av ren systemnytta”. Men det händer inte av sig självt. Utan tydliga regler för effektvärde riskerar man att både bygga mer gas och samtidigt ha mer sol — och då får man varken billigare el eller trovärdigare klimatpåståenden.

För mig är slutsatsen tydlig i vår serie AI inom energi och hållbarhet: AI måste in i energiplaneringen på samma sätt som den redan är självklar i datacentret. Prognoser ska vara sannolikhetsbaserade. Flexibilitet ska vara mätbar. Och kapacitetsvärde ska prissättas så att den som skapar värdet också får betalt.

Om du står inför en ny datacenteretablering (eller en ny stor elintensiv satsning): vilka AI‑styrda flexibilitetskrav skulle du själv våga skriva in i avtalen redan 2026 — så att anslutningen blir snabb och hållbar?