AI som får städer att klara elektrifieringen i tid

Elpriser som sticker, översvämningar som blir vardag och en byggsektor som måste ställa om snabbare än den brukar. Det är verkligheten i New York efter borgmästarvalet 2025 – och den är obehagligt bekant för många europeiska storstäder.

New Yorks nya borgmästare Zohran Mamdani kampanjade främst på hyror, kollektivtrafik och migrationsfrågor. Ändå kliver han rakt in i en av världens mest ambitiösa kommunala klimatplaner: Local Law 97, som kräver att stora byggnader minskar sina utsläpp med 40 % till 2030 och når nettonoll 2050. Samtidigt är stadens elmix fortfarande över 90 % fossil. Det här är inte bara politik – det är ett leveransproblem.

Här finns en lärdom för alla som jobbar med energi, fastigheter och hållbarhet i Sverige: målen faller eller står med genomförandet. Och genomförandet blir betydligt enklare när AI används på rätt sätt – inte som prydnad, utan som verktyg för att prioritera, planera och styra energiflöden i realtid.

Byggnaderna är huvudarenan – och tidplanen är brutal

New Yorks viktigaste klimatpolitik på kommunnivå sitter inte i en vision, utan i en paragraf. Local Law 97 gäller byggnader över 25 000 kvadratfot (drygt 2 300 m²). De måste ner kraftigt i utsläpp, vilket i praktiken betyder: bort från olja och gas i uppvärmningen och över till värmepumpar, effektivisering och smart styrning.

Första fasen var relativt snäll: uppskattningsvis behövde bara runt 8 % av de berörda byggnaderna göra uppgraderingar för att klara kraven när reglerna började gälla. Men den siffran lurar. Till 2030 behöver över 50 % av byggnaderna göra förändringar för att klara nästa trappsteg.

Det är nu det brukar gå snett. Inte för att tekniken saknas, utan för att:

• fastighetsägare saknar bra beslutsunderlag
• åtgärder konkurrerar med andra investeringar
• projekten tar för lång tid i upphandling, projektering och driftoptimering
• incitamenten blir skeva (”det är billigare att betala böter”)

AI kan inte rösta igenom en lag, men den kan göra kraven genomförbara i praktiken.

AI:s mest underskattade roll: prioritera rätt byggnader först

När en stad har tiotusentals byggnader som måste uppgraderas hamnar man snabbt i flaskhalsar: installatörer, elkapacitet, finansiering, tillstånd, hyresgästdialog. Här fungerar AI bäst som ett prioriteringsmaskineri.

Ett bra upplägg är att bygga en ”renoveringspipeline” där AI hjälper till att:

1. Identifiera byggnader med störst utsläpp per kvadratmeter (snabb klimatnytta)
2. Hitta byggnader med dyr topplast (snabb ekonomisk nytta)
3. Upptäcka de som kan elektrifieras med minst ingrepp (snabb genomförbarhet)
4. Flagga riskobjekt där elnät, ventilation eller kulturvärden gör projektet komplext

Det låter självklart, men i praktiken görs det ofta med manuella Excel-modeller, gissningar och historiska schabloner. AI-modeller som kombinerar energidata, driftdata och byggnadsdata kan ge en mer träffsäker rangordning – och korta tiden från policy till faktisk installation.

Massinköp och standardisering: där AI kan sänka kostnaderna direkt

En av de tydligaste idéerna i New Yorks diskussion är bulkinköp av värmepumpar och apparater. Stadens bostadsmyndighet har redan beställt 10 000 induktionsspisar till allmännyttan. Det är ett klassiskt skalfördelningsgrepp – men det kräver bra planering för att inte sluta i lagerproblem, fel spec, eller leverantörslåsning.

Här har AI en konkret roll i tre steg:

1) Prognoser för volymer och timing

AI kan förutse när olika byggnadssegment sannolikt kommer att behöva byta system, baserat på:

• utrustningens ålder och felmönster
• energipriser och tariffstrukturer
• regeltrappor och sanktionsnivåer
• renoveringscykler (stambyte, fasad, tak)

Det gör bulkinköp mindre ”magkänsla” och mer planeringsbart.

2) Optimerad specifikation för olika byggnadstyper

Stora flerfamiljshus är inte villor. Fel dimensionering av värmepumpar ger missnöjda boende, höga driftkostnader och bakslag i opinionen. Med AI-stödd dimensionering och simulering kan man skapa standardpaket (”typfall”) per byggnadsklass, vilket minskar projekteringstiden.

3) Kvalitetsuppföljning i drift

Den riktiga effekten kommer först när systemet körs optimalt. AI kan övervaka driftdata och upptäcka:

• onödigt höga framledningstemperaturer
• samtidig värme/kyla
• felaktiga börvärden och natt-/helgscheman
• avvikande energiprofiler som tyder på fel eller dålig injustering

Det här är ofta 10–20 % effektivisering som annars bara blir ”bortglömd” efter installation.

En sak jag har sett om och om igen: energiprojekt misslyckas sällan på teknik – de misslyckas på uppföljning.

Elektrifiering kräver renare el – och smartare styrning

New Yorks stora knut: byggnaderna ska elektrifieras, men elen är till största del fossil. Det skapar en klassisk fälla: elektrifiering kan flytta utsläpp i stället för att minska dem, åtminstone kortsiktigt.

Samtidigt har en borgmästare begränsad kontroll över elproduktionen, men kan påverka:

• avtal för offentlig verksamhet
• energieffektivisering i stadens egna fastigheter
• krav i upphandlingar
• hur flexibelt stadens last kan styras

Det är här AI blir en brygga mellan energisystem och fastighetsdrift.

AI för laststyrning: minska toppar utan att försämra komfort

När många byggnader byter till värmepumpar ökar elbehovet vintertid. Utmaningen är topplast, inte årsenergi. AI-baserad laststyrning kan:

• förvärma byggnader när elen är billigare/renare
• utnyttja termisk tröghet i stomme och vattenvolymer
• styra laddning av elfordon och batterier
• koordinera flera byggnader som en ”virtuell resurs”

Resultat: lägre effektuttag, mindre behov av fossil reservkraft och bättre ekonomi för fastighetsägaren.

AI för prognoser: från reaktiv drift till planerad drift

En stad som vill klara 2030-mål behöver veta tre saker i förväg:

1. Hur mycket el som behövs när elektrifieringen tar fart
2. Var i nätet flaskhalsarna kommer
3. Vilka flexåtgärder som ger snabbast avlastning

AI kan kombinera väderprognoser, byggnadsprofiler, tariffdata och historiska mönster för att skapa lokala effektprognoser per område. Det gör investeringar i nät och flexibilitet mer träffsäkra.

Klimatanpassning: AI som minskar skadorna innan de händer

New York brottas inte bara med utsläppsmål. Staden ser också mer intensiva skyfall som överbelastar dagvatten- och avloppssystem, med tragiska konsekvenser. De senaste åren har flera dödsfall kopplats till översvämningar i källare och souterräng.

Staden bygger anpassningslösningar som Bluebelt-programmet: våtmarker, magasin, reglerade flöden och genomsläppliga ytor. Det är robust ingenjörskonst – men den blir vassare när den kombineras med data.

Tre AI-tillämpningar som ger snabb effekt i städer

1. Skyfallsprognoser på kvartersnivå

   • AI-modeller kan förbättra lokala prognoser genom att lära sig av historiska händelser och topografi.

2. Tidiga varningssystem kopplade till åtgärd

   • Varningar som faktiskt triggar insatser: tillfälliga barriärer, pumpstyrning, avstängning av utsatta tunnlar, riktade SMS till boende i riskkällare.

3. Prioritering av investeringar

   • När budgeten är begränsad måste man veta var varje krona gör mest nytta. AI kan rangordna gator, knutpunkter och fastigheter efter risk och samhällskostnad.

Det här är också en svensk fråga. Vi ser fler skyfall i flera kommuner och ett växande behov av datadrivet underhåll och riskstyrning.

Så tar du AI från pilot till verklig nytta i energi och fastighet

Många organisationer fastnar i proof-of-concept: en snygg dashboard, en modell som aldrig kopplas till drift, eller ett AI-projekt utan ägare. Om målet är leads och faktisk affärsnytta behöver man visa att AI går att industrialisera.

Här är ett upplägg som fungerar i praktiken för fastighetsägare, energibolag och kommuner:

1) Börja med ett ”smalt” problem med tydligt KPI

Exempel på KPI:er som går att följa vecka för vecka:

• kWh/m² och effekt (kW) i topplast
• antal driftavvikelser (larm) per fastighet
• inomhuskomfort (temperaturvariation)
• kostnad per producerad värmekWh

2) Säkra datagrunden tidigt

AI i energisystem faller ofta på data som är:

• ofullständig (saknade mätpunkter)
• felmärkt (taggar och objekt)
• inte tidsynkad (olika sampling)

En datainventering på 2–4 veckor sparar månader senare.

3) Koppla AI till beslut, inte bara insikter

Det ska vara kristallklart vem som agerar när modellen säger något.

• Drifttekniker: justerar börvärden
• Förvaltare: beslutar om åtgärdspaket
• Energiansvarig: upphandlar flexibilitet
• CFO: följer capex/opex-effekt

4) Mät effekt mot en baslinje

Om du inte kan visa skillnaden mot ”som vanligt” blir AI bara en kostnadspost. Sätt baslinje, följ upp, och skala det som fungerar.

Vad New York lär oss – och varför AI är den praktiska vägen fram

New York står inför ett tydligt faktum: målen är satta, men genomförandet är den svåra delen. Local Law 97 pressar fram elektrifiering, men kostnader, kompetensbrist och nätbegränsningar skapar motstånd. Samtidigt kräver skyfallen en mer systematisk klimatanpassning.

Min ståndpunkt: städer och fastighetsägare som inte använder AI för att styra elektrifiering, effekt och drift kommer få två problem samtidigt – högre kostnader och sämre måluppfyllelse. AI inom energi och hållbarhet är inte en framtidsfråga längre. Det är en leveransfråga.

Om 2026 blir året då fler städer skruvar upp kraven på byggnader (vilket är troligt), vilka organisationer kommer då kunna svara med faktiska projekt i volym – och vilka kommer fastna i böter, undantag och panikupphandlingar?