AI och datacenter: så pressas elpriser – och löses det

Kapacitetskostnaden i PJM-området (USA:s största elmarknad) har exploderat på två år: från 2,2 miljarder dollar (2023) till 14,7 miljarder (2024) och vidare till 16,1 miljarder (2025). Den siffran är inte ett abstrakt marknadsresultat – den landar i kundernas elräkningar.

Drivkraften bakom den här typen av kostnadschocker är enkel att förstå men svår att hantera: datacenter och AI vill in snabbt, de vill ha hög och jämn effekt, och elnätet är byggt för att vara pålitligt – inte för att hantera plötsliga, enorma lasttillskott utan att någon annan betalar.

Det här är en del i vår serie ”AI inom energi och hållbarhet”. Jag tycker att diskussionen i PJM är extra intressant eftersom den blottar en fråga som även svenska energichefer och hållbarhetsansvariga behöver ta ställning till 2026: Vem bär kostnaden när digital infrastruktur blir en av de största energiförbrukarna – och hur kan AI hjälpa oss att göra det smartare och billigare?

Varför datacenter driver kostnader: toppar är dyra

Det centrala är inte bara att datacenter använder mycket el, utan hur de använder den. Elsystem dimensioneras för topplast (de timmar då efterfrågan är som högst). När topplasten stiger måste systemet hålla mer produktion, reserv och nätkapacitet i beredskap.

I PJM syns detta i kapacitetsmarknaden: marknaden som ska säkra att det finns tillräckligt med resurser för att klara de värsta timmarna. När prognoserna för framtida effektbehov (från ännu ej byggda datacenter) rusar, rusar också kostnaden för att ”försäkra” systemet.

Det obekväma budskapet är:

Det är effektbehovet vid topp, inte årsförbrukningen, som ofta knuffar upp systemkostnaden snabbast.

Och den logiken är inte unik för USA. Även i Norden blir effektfrågan allt mer central när elektrifiering och nya industrier växer.

Prognoserna: 32 GW till 2028, 60 GW till 2030

I PJM pekar offentliga bedömningar mot +32 GW till 2028 och cirka +60 GW till 2030, vilket motsvarar ungefär 37 % ökning jämfört med dagens topplast. Det är storleksordningar som gör att varje regel om anslutning, ansvar och flexibilitet får enorm ekonomisk betydelse.

Striden i PJM: ska datacenter kunna tvingas vara flexibla?

Kärnkonflikten i PJM handlar om ett konkret verktyg: ska nya stora laster (t.ex. datacenter) kunna få ansluta snabbt – men med villkoret att de kan kopplas bort eller måste dra ned vid systemstress?

Förespråkarna (konsument- och miljöorganisationer, samt politiker i flera delstater) menar att detta är ett rättvisekrav: datacenter ska inte kunna vältra över kapacitetskostnader på befintliga kunder. Motståndarna (datacenterbranschen och delar av elbolagen) menar att obligatoriska avbrottsvillkor kan vara diskriminerande, juridiskt tveksamma och hämma investeringar.

”Interruptible” som säkerhetsbälte

Ett förslag från delstatspolitiker i PJM-området är i praktiken: anslut er snabbt – men ni får avbrytbar (interruptible) effekt tills ni själva har säkrat ny kapacitet.

Det är ett ovanligt tydligt ansvarstänk. Det säger:

• Vill du ha snabb anslutning? Då får du acceptera lägre garanti.
• Vill du ha full garanti? Då får du bidra med ny produktion/kapacitet eller motsvarande lösningar.

Från obligatoriskt till frivilligt: varför det riskerar att inte räcka

PJM hade först en idé om en ny klass för stora laster (50 MW+): krav på neddragning för att undvika nödlägen. Branschens kritik blev hård, och PJM gick mot en mer frivillig modell via något som liknar prisresponsiv efterfrågan.

Problemet med frivillighet är inte ideologiskt – det är matematiskt:

Om bara en liten andel deltar blir effekten på topplast och kapacitetskostnad marginell, och då fortsätter prispressen.

För en systemoperatör är det värsta scenariot att man bygger regler som ser bra ut på papper, men som inte skalar när 20–40 GW ny last försöker komma in.

Här kommer AI in: flexibilitet går att styra, inte bara önska

Det mest intressanta för oss i serien ”AI inom energi och hållbarhet” är att PJM-debatten ofta låter som om flexibilitet är en manuell åtgärd: ”stäng av vid nödläge”. I verkligheten är modern flexibilitet ett kontrollproblem – och där är AI praktiskt användbar.

AI skapar värde när den gör tre saker samtidigt:

1. Förutsäger (last, priser, nätbegränsningar, risk för toppar)
2. Optimerar (vilka laster som kan flyttas, när och hur mycket)
3. Verifierar (att åtgärder faktiskt levereras, timme för timme)

1) AI för bättre lastprognoser – så slipper man ”spök-last”

En stor del av kapacitetskostnaden i PJM drivs av prognoser för datacenter som kanske aldrig byggs, eller byggs senare, eller har dubbelbokade ansökningar. När prognoserna blir för höga måste systemet ändå prissätta ”beredskap”.

AI kan här användas till probabilistiska prognoser som väger samman:

• historik från anslutningsköer (hur många projekt realiseras?)
• bygglovsstatus, markköp, finansiering
• ledtider för transformatorer, kylsystem och byggnation
• avtal om kapacitet och nätanslutning

Det låter administrativt, men effekten är konkret: bättre prognoser sänker behovet av dyr överdimensionering.

2) AI för ”demand shaping” i datacenter: flytta jobb, inte bara stänga av

Det är här många missförstår datacenter. Alla laster är inte lika.

• vissa jobb är latenskritiska (måste köras nu)
• andra är batch (kan köras när det är billigare)
• vissa går att geografiskt flytta mellan anläggningar

Med AI-styrning kan operatören planera så att man minskar effektuttag just de timmar som sätter kapacitetskostnaden. Praktiskt kan det betyda:

• schemaläggning av icke-kritiska AI-träningsjobb nattetid
• dynamisk justering av kylning (inom driftgränser)
• lokal batteridrift under toppar
• fördelning av last mellan regioner med lägre belastning

Det här är viktig poäng: flexibilitet behöver inte betyda avbrott. Den kan betyda smart planering.

3) AI som brygga till mer förnybart och lagring

När stora laster kommer in snabbt uppstår ofta ett ”glapp” innan ny produktion, nätförstärkningar och lagring är på plats.

AI kan korta glappet genom att:

• optimera batterier och annan lagring mot topplast (peak shaving)
• styra förbrukning mot timmar med hög vind/sol
• samordna flexibilitet som en virtuell resurs (”virtuellt kraftverk”)

Det gör inte att nätinvesteringar blir onödiga. Men det gör att man kan köpa tid billigare.

Vad betyder detta för Sverige och Norden 2026?

PJM är extremt, men mekanismen är bekant: nya stora laster (datacenter, industrielektrifiering, vätgas, laddinfrastruktur) möter ett nät som tar tid att bygga ut.

Jag ser tre lärdomar som svenska aktörer kan ta till sig tidigt, innan konflikterna blir lika skarpa.

Bygg anslutningsavtal som belönar effektansvar

Om du är nätägare, myndighet eller stor kund: se till att avtalen skiljer på energi (kWh) och effekt (kW/MW).

Konkreta avtalsprinciper som minskar systemkostnad:

• lägre nät-/kapacitetsavgift vid verifierad topplastbegränsning
• möjlighet till snabbare anslutning mot villkorad flexibilitet
• tydliga incitament för egen kapacitet (t.ex. batterier, reservkraft som faktiskt används)

Gör flexibilitet mätbar och automatisk

Flexibilitet som kräver manuella beslut fungerar sällan i skarpt läge. Det som fungerar är:

• automatiserade styrsignaler
• förutbestämda driftplaner
• mätning och uppföljning i realtid

AI hjälper genom att göra flexibiliteten förutsägbar och revisionsbar – vilket är avgörande om den ska få ekonomiskt värde.

Starta där det är enklast: kylning, batterier, batch-jobb

För datacenter är ”lågt hängande frukt” ofta:

1. kyloptimering (AI för att minimera effektspikar)
2. batterier för korta toppar
3. schemaläggning av icke-tidskritiska jobb

De tre tillsammans kan ge en tydlig effektkurva som nätägare faktiskt kan räkna på.

Praktisk checklista: så kommer du igång med AI för lastflexibilitet

Om du jobbar med energifrågor i en kommun, ett energibolag, en industri eller ett datacenter är det här en rimlig start i Q1 2026:

1. Kartlägg topparna: vilka 50–200 timmar per år driver din effektkostnad?
2. Segmentera laster: vad är fast, vad är flyttbart, vad är reducerbart?
3. Sätt en styrregel: t.ex. ”max 90 % av avtalad effekt under systemstress”.
4. Inför mätbarhet: realtidsdata per delsystem (IT-last, kylning, UPS, batteri).
5. Optimera i liten skala: ett datarum, en kylkrets, ett batteri – och skala sedan.

Det är bättre att ha 80 % rätt i drift än 100 % rätt i en powerpoint.

Rättvisefrågan som ingen kommer undan

PJM-debatten handlar inte bara om teknik. Den handlar om legitimitet.

När hushåll och småföretag ser elräkningar stiga samtidigt som nya datacenter får snabbspår och gynnsamma villkor, blir reaktionen politisk – och den kommer snabbt. Det är därför frågan om ”interruptible” last och kapacitetsansvar väcker så mycket känslor.

Min ståndpunkt är tydlig: stora nya laster måste bära mer av sin systemkostnad, annars tappar energisystemet förtroende. Men det behöver inte ske genom brutala avstängningar. Med AI och smarta marknadsregler kan man få flexibilitet som är planerad, verifierad och ekonomiskt rationell.

Om 2025 var året då AI-boomen gjorde datacenter till energipolitik, blir 2026 året då vi ser vilka regioner som klarar att kombinera tillväxt, rimliga elpriser och snabb omställning.

Vad skulle hända om vi började behandla datacenter som en aktiv del av elsystemet – inte bara som en kund som ”ska ha ström”?