Renare tegel: AI som pressar utsläpp och kostnader

Bangladesh tillverkar omkring 27 miljarder tegel per år. Det låter som en byggdetalj, men i praktiken är det en av de mest synliga källorna till både klimatutsläpp och farlig luftförorening i regionen. Tegelugnarna står för ungefär 17 % av landets CO₂-utsläpp och 11 % av PM2,5-utsläppen enligt forskarnas sammanställning. Det är siffror som förändrar hur man ser på “små” industriella processer.

Det intressanta i en ny studie (publicerad i Science 2025-05-08) är inte bara att utsläppen kan minska – utan hur det skedde: utan hårdare kontroll och utan nya avancerade maskiner. Med praktisk utbildning, tekniskt stöd och åtgärder som också förbättrar lönsamheten valde en majoritet av ugnsägarna att ställa om. För mig är det en tydlig påminnelse om att hållbarhet ofta fastnar när man gör den till en moralfråga, i stället för en drift- och affärsfråga.

Och här passar vår serie “AI inom energi och hållbarhet” perfekt: den här typen av förbättringar blir ännu mer kraftfulla när man kopplar dem till AI-baserad mätning, optimering och uppföljning. Inte som science fiction – utan som vardaglig industristyrning.

RCT-resultatet: 23 % lägre energianvändning utan tvång

Kärnan: En randomiserad kontrollerad studie (RCT) med 276 tegelugnar visade att enkla förändringar i drift kan ge stora effekter.

Interventionen genomfördes under tegel­säsongen 2022–2023 och bestod av utbildningsmaterial, träning och tekniskt stöd. Fokus låg på praktiska justeringar som förbättrar förbränningen och minskar värmeförluster, bland annat:

• Mer effektiv stapling av tegel i ugnen (minskar värmeläckage och ger jämnare förbränning)
• Ersättning/komplettering med “powered biomass fuel” (biomassabränsle som matas in på ett sätt som stödjer mer fullständig förbränning)

Resultatet i siffror:

• 65 % av ugnsägarna införde förbättringarna
• 23 % lägre energianvändning
• cirka 20 % lägre utsläpp av CO₂ och PM2,5
• lägre kolkostnader och högre tegelkvalitet

Det är värt att stanna vid det: det här är inte “grönare men dyrare”. Det är renare och billigare.

Varför det fungerade där reglering misslyckats

Direkt svar: Det fungerade eftersom förändringarna var genomförbara i vardagen och synliga i resultatet.

Bangladesh har redan regler (t.ex. om bränslen och avstånd till skolor), men efterlevnaden är begränsad. I den typen av miljö blir klassiska styrmedel trubbiga. Studien visar en annan väg: bygg förändring på tre delar:

1. Kunskap (många ägare körde inte ens zigzag-ugnar optimalt)
2. Stöd i genomförandet (inte bara en manual)
3. Affärslogik (sparad energi och bättre produkt)

Det här är en modell som är relevant långt utanför tegel: många “smutsiga” utsläppskällor globalt finns i informell eller halvformell industri där övervakning är svår och incitamenten felkalibrerade.

“Zigzag” är inte magi – driftkvalitet avgör

Kärnan: Teknikval spelar roll, men operativ disciplin spelar ofta större roll.

Zigzag-ugnar är i grunden designade för att vara mindre förorenande. Ändå visade forskarnas tidigare pilot (2024) att ägarna ofta saknade kunskap om korrekt drift – och att de inte kopplade bra drift till bättre ekonomi. De var dessutom oroliga för att förändringarna skulle vara för “avancerade” för arbetsstyrkan.

Det här känner man igen från energiarbete i andra branscher: man kan investera i bättre utrustning och ändå missa målet om man inte får:

• stabila rutiner
• mätetal som följs upp
• operatörer som kan och vill köra processen rätt

Min ståndpunkt: Många organisationer överskattar teknikens betydelse och underskattar “driftens psykologi” – vana, stress, belöningar och små genvägar.

Där AI faktiskt passar in: från utbildning till ständig optimering

Kort sagt: Studien löste “startproblemet”. AI kan hjälpa till att lösa “hållbarhetsproblemet över tid”.

Forskarna såg att förbättringarna inte bara höll i sig – de ökade året efter. Det är lovande. Men att skala från hundratals till tusentals anläggningar kräver ett system som gör två saker samtidigt:

1. Upptäcker avvikelser tidigt (när drift börjar glida tillbaka)
2. Gör förbättringar enkla att upprepa (även när personal byts ut)

Det är här AI inom energi och hållbarhet blir konkret.

AI för utsläppsövervakning: mätning som folk litar på

Direkt svar: AI gör det möjligt att gå från sporadiska inspektioner till kontinuerlig, billig övervakning.

I praktiken kan man kombinera lågkostnadssensorer och AI-modeller för att uppskatta utsläpp och processstatus. Exempel på datakällor:

• temperaturprofiler i ugnen
• bränsleflöde och typ (kol/biomassa)
• luftflöde och drag
• enkla partikelmätare nära skorsten
• satellitdata och lokala luftkvalitetsstationer för “yttre” validering

AI hjälper inte bara till att “mäta mer”. Den hjälper till att kalibrera brusig data, upptäcka mönster som människor missar, och skapa enkla driftindikatorer: grönt/gult/rött.

AI för energieffektivisering: optimering under osäkerhet

Direkt svar: AI kan rekommendera nästa bästa driftsteg utifrån lokala förutsättningar.

Tegelugnar körs i verkligheten med variation i:

• bränslekvalitet
• fukthalt i råmaterial
• väder och drag
• bemanning och erfarenhet

Det är en perfekt miljö för AI-baserad processtyrning där modellen lär sig relationen mellan beslut (t.ex. staplingsmönster, luftspjäll, bränslematning) och utfall (energi/tegelkvalitet/PM2,5).

Viktigt: det måste designas som beslutsstöd, inte som en svart låda som “tar över”. I många industrier är acceptansen mycket högre när AI säger:

• “Om du justerar X med Y, brukar energiåtgången minska med Z”

…än när den säger:

• “Gör så här”

AI för skalning: standardisera det som annars blir personberoende

Direkt svar: AI kan paketera “bästa praxis” så att den överlever personalomsättning.

Studien betonar hur viktiga arbetarna är. Ändå är det vanligt att just informell industri präglas av:

• hög personalomsättning
• begränsad formell utbildning
• pressade tidsplaner

AI-stött lärande (t.ex. mobilbaserade mikromoment, check-listor som anpassas efter säsong och driftläge) kan göra utbildning mindre beroende av enskilda eldsjälar.

Ekonomin: 2,85 dollar per ton CO₂ är ett budskap ledningar lyssnar på

Kärnan: Den här typen av åtgärder konkurrerar ut mycket annat klimatarbete på kostnadseffektivitet.

Forskarna uppskattade att CO₂-reduktionen uppnåddes till cirka 2,85 USD/ton. De räknade också på samhällsnytta med ett antaget socialt koldioxidpris på 185 USD/ton, och kom fram till att nyttan översteg kostnaden med 65:1.

Även om exakta antaganden kan diskuteras är slutsatsen robust: det här är billiga utsläppsminskningar. Sådana möjligheter finns ofta i ineffektiva processer där kunskap saknas och där små beteendeförändringar ger stor effekt.

“People also ask”: Är detta relevant i Sverige?

Direkt svar: Ja – inte för tegelugnarna, utan för metoden.

Sverige har starkare reglering och renare industrimix, men vi har samma grundproblem i andra former:

• energislöseri i processindustri när drift optimeras för “att det funkar” i stället för “att det är effektivt”
• svårigheten att skala bästa praxis mellan anläggningar
• behovet av att kombinera klimatmål med ekonomiska mål

Dessutom importerar vi material och varor vars utsläpp sker utanför Sveriges gränser. Vill man arbeta seriöst med Scope 3 blir den här typen av industriell förbättring i leverantörsled helt central.

Så tar du idén från Bangladesh till din verksamhet (praktiskt)

Kärnan: Börja med driftdata och incitament – inte med en stor plattformsupphandling.

Här är en enkel 6-stegsplan jag har sett fungera när man vill koppla ihop energieffektivisering med AI:

1. Välj en process med tydlig energikostnad (där 5–10 % förbättring märks i kronor)
2. Definiera 3–5 driftparametrar som personalen faktiskt kan påverka (inte 50 KPI:er)
3. Sätt en baslinje på 2–4 veckor: energi per enhet, kvalitet, stopp, avvikelser
4. Inför en åtgärd som är “lätt att prova” (som i studien: staplingsprinciper, luftflöde, rutiner)
5. Lägg på AI-analys efter att data stabiliserats: avvikelsedetektering och rekommendationer
6. Knyt belöning till resultat: bonus, erkännande, eller enklare vardag (mindre omarbete)

Det här matchar studiens logik: människor ändrar sig när de ser att det är praktiskt, möjligt och lönsamt.

Vad som saknas: arbetarnas villkor är inte en sidofråga

Kärnan: Hållbar industriförbättring kräver att man tar arbetsvillkor på allvar.

Forskarna noterar att försöket att driva förbättring via incitament till arbetare inte fick stort genomslag – och pekar ut framtida forskning. Jag tycker det är helt rätt prioritering.

Om en verksamhet är beroende av att människor gör många små saker rätt (stapling, luftning, bränslematning), då är arbetarnas förutsättningar en del av processtyrningen. AI kan hjälpa till med planering och uppföljning, men den kan inte kompensera för:

• orimliga skift
• brist på skyddsutrustning
• otrygga anställningar

Den mest hållbara effektiviseringen är ofta den som gör jobbet mindre slitigt och mer förutsägbart.

Nästa steg: från renare ugnar till smartare industrisystem

Studien från Bangladesh visar att enkla driftförändringar kan minska energianvändningen med 23 % och sänka CO₂ och PM2,5 med runt 20 % – utan att vänta på perfekt tillsyn eller dyr tekniksprång. Det är ett praktiskt kvitto på att klimatnytta och affärsnytta kan gå i takt.

I vår serie om AI inom energi och hållbarhet är poängen tydlig: när grunderna är på plats (rutiner, utbildning, mätetal) kan AI göra förbättringarna mätbara, skalbara och uthålliga. Den stora vinsten kommer inte av en enskild modell, utan av att man bygger ett system som hittar slöseri varje dag.

Om du skulle välja en process i din egen verksamhet där “23 % lägre energi” hade gjort störst skillnad – vilken skulle det vara, och vad hindrar er från att testa en liten förändring redan nästa månad?