AI för transparent energistyrning – lärdomar från Ohio

När en energiskandal leder till böter på 250,7 miljoner dollar och över 186 miljoner dollar i återbetalning till kunder, då är det inte “en dålig vecka på jobbet”. Det är ett systemfel som har fått pågå länge. I Ohio i USA har tillsynsmyndigheten PUCO nyligen fattat beslut som sätter punkt för delar av den ökända HB 6-affären – en korruptionshärva där pengar, politik och energisubventioner flöt ihop på ett sätt som blev dyrt för elkunderna.

Det här är inte bara en amerikansk historia om mutor och dålig governance. För mig är den också en väldigt konkret påminnelse om en sak: energisystemet behöver mer än teknik – det behöver insyn, spårbarhet och ansvar. Och här finns en tydlig koppling till vår serie AI inom energi och hållbarhet: rätt använd kan AI minska utrymmet för missbruk, göra avvikelser synliga tidigt och stärka både regelefterlevnad och förtroende.

HB 6: vad hände – och varför blev det så dyrt?

Kärnan är enkel: Ohios lag HB 6 drev igenom subventioner för vissa kärnkrafts- och kolkraftsanläggningar. Enligt offentlig information kopplad till fallet betalade FirstEnergy cirka 60 miljoner dollar i mutor för att få lagen på plats och för att stoppa ett folkligt initiativ (referendum) mot den.

Konsumenterna betalade notan

Även om kärnkraftssubventionerna stoppades innan de började gälla, levde stödet till två åldrande kolkraftverk kvar i 5,5 år och uppges ha kostat elkunder omkring en halv miljard dollar totalt. Den siffran är viktig: när styrningen brister är det ofta kunderna som får ta konsekvenserna, direkt på elräkningen.

“Straffet” blev historiskt – men ändå omstritt

PUCO:s beslut innebär ungefär 250 miljoner dollar i sanktioner och kompensation. Det är mycket, men flera konsument- och branschaktörer drev på för åtgärder i storleksordningen över en halv miljard. Dessutom kom tydlig ekonomisk lättnad först flera år efter att problemen började uppmärksammas.

Det är här många organisationer (även i andra länder) känner igen sig: tillsyn är ofta reaktiv. Skadan uppstår. Utredningar pågår. Först långt senare sker återbetalningar och justeringar.

Därför spelar governance roll för energiomställningen

Energiomställningen bygger på att stora investeringar styrs rätt: nät, flexibilitet, energilagring, förnybart och digitalisering. När governance fallerar händer tre saker som bromsar omställningen:

1. Kapital blir dyrare (riskpremier ökar när förtroendet minskar).
2. Politiskt motstånd växer (subventioner och prissättning uppfattas som riggade).
3. Fel saker får stöd (resurser binds i gårdagens teknik istället för framtidens).

Det intressanta med HB 6-fallet är att det visar hur energipolitik kan manipuleras via pengar och påverkan – och hur svårt det är att “städa upp” i efterhand.

Ett robust energisystem handlar inte bara om leveranssäkerhet. Det handlar om att besluten går att granska.

Vad hade AI kunnat göra annorlunda? Tre konkreta användningsfall

AI löser inte korruption av sig själv. Men den kan minska blindfläckar och göra det betydligt svårare att gömma mönster i stora datamängder. Här är tre användningsfall som jag tycker är mest relevanta för energibolag, tillsyn och offentlig sektor.

1) AI-driven avvikelsedetektering i ekonomi och “cost recovery”

Det tydligaste teknikspåret handlar om pengar: vilka kostnader hamnar i tariffer, vilka hamnar i projekt, och vilka flyttas runt mellan bolag i en koncern?

Med maskininlärning kan man bygga modeller som flaggar:

• ovanliga kostnadstoppar i vissa konton eller bolagsdelar
• återkommande transaktioner med otypiska leverantörsmönster
• kostnader som “migrerar” mellan kostnadsställen nära regulatoriska deadlines
• fakturor som matchar riskprofiler (belopp, tidsintervall, motpart, beskrivning)

Poängen är inte att AI ska “döma”. Poängen är att den kan prioritera revision och granskning där risken är störst.

2) Prediktiv compliance: upptäck risk innan skandalen blir nyhet

I HB 6-historien ser vi hur en “lax attityd till reglering” enligt kritiker kunde leva kvar länge. Här fungerar AI som ett varningssystem.

Exempel på prediktiv compliance i energisektorn:

• modeller som förutser var efterlevnadsrisker uppstår vid organisationsförändringar
• riskpoäng på processnivå (upphandling, lobbying, sponsring, donationer)
• textanalys av interna dokument och beslutsunderlag för att upptäcka avvikande formuleringar och återkommande undantagsargument

Det blir särskilt relevant när regler uppdateras ofta (vilket de gör i energiomställningen). AI kan hjälpa till att se var den praktiska verkligheten drar iväg från policyn.

3) Transparens för tariffer och beslut – “förklarliga” modeller

En del av misstron i energifrågor kommer från att beslut upplevs som oöverskådliga. Varför höjs nätavgiften? Varför får vissa projekt stöd? Varför faller andra?

AI kan bidra om man bygger rätt:

• öppna dashboards med tydliga KPI:er (investeringar, avbrott, kapacitetsbrist, anslutningstider)
• spårbarhet: från kostnad → tariffkomponent → kundpåverkan
• explainable AI (XAI) som visar vilka faktorer som driver riskflaggor eller prognoser

Det här är särskilt intressant för Sverige och Norden där förtroende är en konkurrensfördel – men också något som går snabbt att förlora.

När böter och återbetalningar möter framtida elpriser

En detalj i Ohio-fallet är att samma regulatoriska dag som sanktionerna kom, godkändes också förändringar i elnätspriser: en del kunder får höjningar, andra sänkningar, och nettot blev en ökning på cirka 34 miljoner dollar per år (lägre än vad bolaget först begärde).

Det visar ett knepigt faktum: regulatorisk kompensation och framtida tariffbeslut lever sida vid sida. Ett bolag kan “straffas” och ändå senare få igen delar av kostnader via andra mekanismer.

Här kan AI-baserad analys hjälpa konsumentföreträdare, kommuner och stora elkunder att:

• simulera tariffscenarier över flera år
• jämföra bolagens antaganden med historiska utfall
• upptäcka när argument återanvänds för att återinföra intäkter i ny form

Det är inte cyniskt – det är praktiskt. Energitillsyn handlar ofta om detaljer, och AI är bra på detaljer.

Så bygger man AI-stöd för ansvar i energisektorn (utan att skapa nya risker)

Det finns en baksida: om AI införs slarvigt kan det skapa nya problem (bias, falska larm, “black box”-beslut). Här är en modell jag tycker fungerar i praktiken.

En enkel checklista för AI och energigovernance

1. Börja med dataspårbarhet: definiera vilka datakällor som får användas och hur de loggas.
2. Separera “detektion” från “beslut”: AI flaggar, människor utreder och beslutar.
3. Mät precision och kostnad för falska larm: annars tappar organisationen snabbt förtroendet.
4. Bygg för revision: varje larm ska gå att reproducera i efterhand.
5. Säkra roll- och behörighetsstyrning: governanceverktyg får inte bli ett verktyg för internpolitik.

Det är samma princip som i smarta elnät: automation där det är säkert, människa där det är känsligt.

Vad betyder allt detta för “AI inom energi och hållbarhet” 2026?

Ohio är en varningsklocka, men också ett tecken på att tillsynen skärps. Samtidigt går energisektorn in i 2026 med tre parallella trender:

• mer variabel produktion (vind/sol) som kräver flexibilitet och bättre prognoser
• högre investeringsnivåer i nät och produktion
• ökad politisk och medial granskning av priser, tillstånd och subventioner

I den miljön blir AI inte bara ett verktyg för effektivitet. Den blir ett verktyg för förtroende.

Om du jobbar i energibolag, kommun, industri eller myndighet: ta med dig den här ståndpunkten – transparens är en teknisk förmåga, inte bara en värdegrund. Och den går att bygga.

Nästa energiskandal kommer inte av för lite data. Den kommer av att ingen kopplade ihop datan i tid.

Nästa steg: från varningshistoria till praktiskt arbete

Vill du göra något konkret av detta (och samtidigt stärka hållbarhetsarbetet)? Börja litet men skarpt:

• Välj en process med hög risk och hög volym: tariffer, upphandling eller projektredovisning.
• Sätt upp 10–15 mätbara avvikelsesignaler (inte 200).
• Kör en pilot i 8–12 veckor och utvärdera hur många larm som ledde till faktisk förbättring.

Det är så AI blir användbar i energigovernance: snabb återkoppling, tydliga trösklar och transparent logik.

Om fler energimarknader tar den vägen blir det svårare att flytta kostnader i skuggorna – och lättare att lägga resurser på det som verkligen behövs: elektrifiering, robusta nät och förnybar integration.

Vilken del av ert energisystem skulle må bäst av en “AI-revisor” som aldrig sover – tarifferna, upphandlingen eller projektportföljen?