AI och energieffektivisering när politiken bromsar

Massachusetts har länge varit en förebild för energieffektivisering. Därför är det talande att ett nytt lagförslag, som röstades vidare i en kommitté med 7–0, nu vill göra delstatens klimatmål för 2030 icke-bindande och samtidigt skära ned på energieffektiviseringsprogrammet Mass Save.

Det här är inte bara en amerikansk lokalpolitisk detalj. Det är en försmak av en konflikt som även europeiska och svenska aktörer känner igen vintern 2025: när elräkningar stiger blir klimat- och effektiviseringspolitik snabbt syndabock. Problemet? Den bilden är ofta felkalibrerad. Och när man skär i effektivisering ”för att spara pengar” riskerar man att låsa in högre kostnader i många år.

I vår serie AI inom energi och hållbarhet använder jag Massachusetts som fallstudie för en praktisk fråga: Hur kan AI hjälpa energisystemet att hålla kursen när politiken svänger? Inte genom magi, utan genom bättre prognoser, smartare nätplanering, mer träffsäkra incitament och tydligare effektmätning.

Varför effektivisering blir en budgetstridsfråga

Energieffektivisering hamnar i skottlinjen eftersom den ofta finansieras via påslag på elräkningen. I Massachusetts står avgiften som finansierar Mass Save för ungefär 7–8 % av kilowattimmepriset hos stora elbolag. När prisnivåer är höga blir varje rad på fakturan politiskt känslig.

Lagförslaget vill bland annat:

• göra delstatens utsläppsmål 2030 icke-bindande
• minska Mass Saves treårsbudget från 4,5 till 4,17 miljarder dollar (och kapa framtida planer till 4,0)
• begränsa möjligheten att räkna in avkarbonisering/elektrifiering som nytta i programutvärdering
• återinföra starkare incitament för högeffektiva gasvärmesystem
• stoppa effektiviseringsincitament för helelektriska nybyggnationer i kommuner som infört fossilförbud i nybyggnation

Här finns en obekväm sanning: en mindre budgetpost på elräkningen kan se ut som ”direkt besparing”, även om den gör hushållets totala energikostnad högre över tid.

Den verkliga kostnadsdrivaren är sällan ”klimatpolitiken”

Kritikerna i Massachusetts pekar på något som låter bekant även i Norden: det är ofta nätkostnader, investeringar i infrastruktur och fossilbränslepriser (särskilt naturgas) som driver totalkostnaden, inte att man isolerar hus eller byter till effektivare system.

Ett nyckelproblem i debatten är tidshorisonten:

• Politiker jagar lätt nästa faktura.
• Energieffektivisering ger ofta störst effekt på nästa 10–20 års fakturor.

AI kan inte ändra politiska incitament. Men AI kan göra det svårare att fatta dyra beslut på fel premisser.

Mass Save som fallstudie: små besparingar nu, större kostnader sen

Att kapa effektiviseringsbudgetar ger ofta en marginell sänkning av påslaget – men riskerar att höja energibehovet permanent. I artikeln framgår att en 11-procentig nedskärning av Mass Save bara skulle sänka andelen av elpriset ”lite”. Det är logiskt: om avgiften är 7–8 % av priset blir en nedskärning av programmet inte en dramatisk fakturachock åt andra hållet.

Samtidigt rapporterar programadministratörer att Mass Save skapade 2,8 miljarder dollar i nytta under 2024 för både deltagare och icke-deltagare. Det är en viktig punkt som ofta tappas bort: effektivisering är inte bara ”bidrag”. Den fungerar även som laststyrning i slow motion – mindre efterfrågan, mindre behov av dyr nätutbyggnad och toppproduktion.

Vad händer när elektrifiering plockas bort som ”nytta”?

Lagförslaget vill att Mass Save i praktiken ska fokusera på väderisering och ren energibesparing – men inte väga in om en åtgärd stödjer elektrifiering eller utsläppsminskning.

Det låter tekniskt, men konsekvensen är konkret: rebater för värmepumpar, hembatterier och elbaserade lösningar riskerar att prioriteras ned i en utvärderingsmodell som bara räknar kilowattimmar här och nu.

Min ståndpunkt: det är ett räknesätt som missar systemeffekten. En värmepump som flyttar last från fossil gas till ett elnät som successivt blir renare är inte bara ”en apparat”. Det är en del av en portfölj för att minska prisrisk och importberoende.

AI som motmedel: bevisa vad som faktiskt sänker kostnader

AI är mest värdefull här som beslutsstöd: den kan särskilja vad som driver kostnader, och vilka åtgärder som ger lägst total kostnad över livscykeln. När politiken vill förenkla till ”klimat = dyrt” behöver energibranschen kunna svara med siffror som håller i en budgetdebatt.

1) Prognoser som skiljer på prisdrivare

Ett praktiskt AI-användningsfall är att bygga modeller som delar upp fakturans utveckling i:

• bränsleprisexponering (t.ex. naturgas)
• nätinvesteringar och kapacitetsbrist
• väder och efterfrågemönster
• effektiviseringsåtgärders påverkan på toppar och energi

När man kan visa att ”den här delen av höjningen kommer från X” blir det svårare att ta genvägar som känns bra politiskt men är dyra systemmässigt.

Snippet-vänlig poäng: Det som inte mäts i energisystemet blir snabbt felprioriterat i politiken.

2) Smartare programdesign: rätt stöd till rätt hushåll

Energieffektiviseringsprogram kritiseras ofta för att vara för breda eller för dyra per sparad kilowattimme. AI kan hjälpa program som Mass Save (och svenska stödmodeller) att bli mer träffsäkra genom:

• segmentering av byggnader (ålder, uppvärmningssystem, isoleringsstandard)
• prediktion av sannolik adoption (vem genomför åtgärden med eller utan stöd?)
• optimering av stödgrad för maximal effekt per krona
• upptäckt av avvikande installationer (kvalitetssäkring, fusk, fel dimensionering)

Det här skiftar debatten från ”ska vi ha effektivisering?” till ”hur får vi ut mer effekt per budgetkrona?”.

3) M&V (Measurement & Verification) som tål granskning

När motståndare säger att effektivisering ”inte sparar så mycket” handlar det ofta om förtroende för beräkningar. AI kan stärka M&V genom att kombinera:

• smarta mätdata (timvärden)
• vädernormalisering
• kontrafaktiska modeller (vad hade förbrukningen varit utan åtgärd?)

Det gör nyttan mer robust – och lättare att försvara när någon vill kapa budgeten.

4) Nätoptimering: minska behovet av dyr kapacitetsutbyggnad

Ett av de mest underskattade argumenten för effektivisering är att den kan skjuta upp eller minska investeringar i elnätet. AI kan förstärka det genom:

• lastprognoser på lokal nivå (transformatorområden, kvarter)
• identifiering av ”hot spots” där effektivisering och flexibilitet ger mest nätvärde
• koordinering av värmepumpar, laddning och batterier för att kapa topplaster

När politiken oroar sig för elräkningar är det ofta nätkostnaderna som smyger upp. Att behandla nätet som ett optimeringsproblem är billigare än att bara bygga mer.

Affordability vs klimat: konflikten är ofta felställd

Påståendet att man måste välja mellan lägre energikostnader och klimatmål är i många fall en falsk motsättning. Massachusetts-debatten visar hur lätt det är att skapa ett ”antingen-eller” när räkningar stiger.

Det bättre sättet att formulera problemet är:

• Hur sänker vi hushållens totala energikostnad (el + värme) över tid?
• Hur minskar vi prisrisk från fossila bränslen?
• Hur undviker vi onödiga nätinvesteringar?

Effektivisering och elektrifiering är verktyg för alla tre. Men de måste vara väl designade och mätbara. Där är AI en praktisk hävstång.

Kommunala fossilförbud och incitament: varför styrsignaler måste hänga ihop

Lagförslaget vill stoppa effektiviseringsincitament för helelektriska projekt i kommuner som infört fossilförbud i nybyggnation. Det sänder en rörig signal: kommuner uppmuntras att gå före, men straffas ekonomiskt i programlogiken.

AI löser inte värderingskonflikter, men den kan tydliggöra konsekvenserna:

• Hur påverkas belastningen lokalt om nybyggnation blir helelektrisk?
• Vilka nätåtgärder behövs – och vad kostar de – jämfört med alternativ?
• Vilken kombination av isolering, värmepump och flexibilitet minimerar toppeffekt?

När man kan kvantifiera detta blir det lättare att skapa styrmedel som faktiskt drar åt samma håll.

Praktiska råd till energibolag och fastighetsägare i Sverige

Massachusetts är långt bort, men mönstret är nära. Här är vad jag tycker svenska aktörer bör göra redan nu – innan nästa sväng i styrmedel eller budgetar:

1. Bygg en ”affordability-modell” som pratar pengar, inte bara CO₂: visa total kostnad per kundsegment över 5–15 år.
2. Prioritera åtgärder som sänker toppeffekt: de är ofta mest värdefulla när nätkostnader dominerar.
3. Gör M&V till en produkt: rapportera effekter på ett sätt som en kommunpolitiker, CFO och kund förstår.
4. Automatisera kvalitetssäkring av installationer (värmepumpar, styrning, ventilation): fel dimensionering äter upp besparingen.
5. Knyt effektivisering till flexibilitet: värme, laddning och batterier ska planeras ihop.

Ett effektiviseringsprogram som inte kan bevisa sin nytta i kronor blir en enkel måltavla när energipriserna stiger.

Nästa steg: använd AI för att hålla kursen även när regler ändras

Massachusetts-lagförslaget visar hur snabbt en berättelse kan få fäste: ”klimatåtgärder gör el dyr”. När den berättelsen vinner, skär man i just de insatser som minskar efterfrågan och kapar kostnader på sikt.

För mig är lärdomen tydlig: AI inom energi och hållbarhet handlar lika mycket om styrning och förtroende som om teknik. Prognoser, mätbarhet och optimering gör det möjligt att fortsätta effektivisera även när politiken blir mer oförutsägbar.

Om din organisation vill fortsätta nå hållbarhetsmål utan att tappa greppet om ekonomin är frågan att ställa inför 2026: Vilken data behöver ni för att bevisa vad som faktiskt sänker kundernas kostnader – och vad är planen för att operationalisera den med AI?