AI som hjälper elnätet nå 100% ren el (utan kaos)

När elräkningen hoppar upp med 20% på en sommar, som i New Jersey under 2025, blir energiomställning plötsligt väldigt konkret. Det handlar inte längre om fina mål på ett papper. Det handlar om kapacitet, flaskhalsar, byggtakt, politiska risker – och om vem som får betala notan.

New Jersey har precis lagt fram en uppdaterad energiplan som siktar på 100% ren el till 2035. Ambitionen har brett stöd bland väljarna, men tajmingen är svår: stigande efterfrågan från AI-drivna datacenter, turbulens i den regionala elmarknaden (PJM) och motvind från federal politik gör att ”billigt, stabilt och fossilfritt” inte längre är en enkel triangel att balansera.

I den här delen av vår serie ”AI inom energi och hållbarhet” använder jag New Jersey som ett verkligt exempel på något Sverige och Europa också känner igen: mål är viktiga, men systemstyrning är det som avgör om vi faktiskt kommer fram. Och här är AI mer än en trend. AI är ett arbetssätt för att planera, prioritera och driva ett elsystem under stress.

Varför 100% ren el blir svårare när AI växer

Kort sagt: När ny elförbrukning kommer snabbt (datacenter, elektrifiering) måste elnätet ställas om samtidigt som det fortfarande ska leverera driftsäkerhet – varje timme, året runt.

New Jersey beskriver att man gått in i en ”load-growth era” efter nästan två decennier med relativt platt eller sjunkande efterfrågan i PJM-området. Det är en viktig vändning. Elsystem gillar långsamma förändringar. Snabba förändringar blir dyra.

Datacenter: hög last, låg tolerans

Datacenter kopplade till AI och molntjänster har tre egenskaper som pressar systemet:

• Hög och ofta konstant effekt (inte bara energiförbrukning över året)
• Låg tolerans för avbrott (kräver redundans)
• Snabba etableringstider jämfört med nätutbyggnad och tillståndsprocesser

När många sådana anslutningar kliver in samtidigt får marknaden panikpriser på marginalen. I New Jerseys fall syntes det via PJM:s kapacitetsauktioner som bidrog till kraftigt ökade kundkostnader.

Vad AI kan göra här (praktiskt)

AI löser inte att det tar tid att bygga elnät. Men AI kan göra att man bygger rätt saker i rätt ordning:

1. Lastprognoser med hög upplösning (timme/område/bransch) som inkluderar datacenterpipeline, bygglov, nätansökningar och historiska mönster.
2. Sannolikhetsbaserade scenarier: inte ”en prognos”, utan 30–300 scenarier som visar vad som händer om 20% av projekten försenas, eller om värmeböljor blir vanligare.
3. Kö- och anslutningsoptimering: vilka anslutningar ger minst nätstress per investerad krona?

Det är en stor skillnad mot klassisk planering som ofta bygger på en ”mest sannolik” utveckling. I en load-growth era är det farliga att tro att det finns en enda linjär framtid.

New Jerseys plan: sol och batterier – men byggtakten avgör

Kort sagt: Planen bygger på att skala sol och batterier snabbt, men missar man takten blir man beroende av dyr fossil flexibilitet.

New Jersey modellerar att solkapaciteten ska nå ungefär 22 GW till 2050, upp från cirka 5 GW i dag. Dessutom räknar man med en byggtakt på ungefär 750 MW ny sol per år från 2026, ungefär dubbelt mot takten 2024.

På pappret är det logiskt: sol är modulärt, snabbt att bygga och passar väl ihop med batterier. Men det finns ett hårt villkor: ramp rate. Alltså hur snabbt man faktiskt kan skala.

Där AI gör skillnad: från mål till genomförande

Det jag ser att många organisationer underskattar är att ”bygg mer sol” är en enkel mening men ett komplext system.

AI kan stötta i tre nivåer:

1) Platsval och nätpåverkan

Med geospatial analys (satellitdata, nätkapacitet, markanvändning, närhet till last) kan AI föreslå projektportföljer som:

• minimerar behov av dyr nätförstärkning
• ökar egenanvändning lokalt
• reducerar tillståndsrisk (t.ex. konflikt med naturvärden)

2) Batterier: rätt storlek, rätt styrning

Batterier är inte ”en sak”. De är en portfölj av tjänster: effektutjämning, frekvenshållning, peak shaving, reservkraft, prisarbitrage.

AI-baserad styrning kan optimera batterier mot flera mål samtidigt:

• lägre systemkostnad
• färre pristoppar
• högre driftsäkerhet
• mindre spill (curtailment) av sol

3) Byggtakt som KPI, inte som gissning

Om planen kräver 750 MW/år måste man mäta och styra som ett produktionssystem:

• ledtider per steg (mark, tillstånd, upphandling, anslutning)
• flaskhalsanalys (vilken del bromsar just nu?)
• prediktion av förseningar per projekt baserat på historik

Det är här AI blir ett ledningsverktyg, inte ett ”analysprojekt”.

Marknads- och politikrisken: när spelreglerna ändras mitt i matchen

Kort sagt: När skatteincitament och handelspolitik svänger ökar kostnaderna, och då måste planeringen bli robustare – inte mer optimistisk.

I New Jerseys fall pekar flera aktörer på federal motvind: minskat stöd till ren energi och nya tullar på importerad sol- och vindutrustning. Lägg till att offshore wind – som var en stor del av vägen mot 2035-målet – har bromsat in genom försenade eller avbrutna projekt.

Det här är en läxa även för europeiska marknader: energiomställning är inte bara teknik. Det är policy och kapital.

AI som ”policy stress test”

En bra energiplan 2025 behöver behandlas som ett stress-testat finanssystem. Här är tre AI-drivna arbetssätt som hjälper:

• Policy-scenarier som första klassens input: vad händer om stödnivåer faller 30%, eller om importpriser ökar 15–25%?
• Portföljoptimering: vilka åtgärder ger mest utsläppsminskning per krona under flera policyutfall?
• Tidiga varningssystem: modeller som fångar signaler om att leverantörskedjor stramar åt (leveranstider, prisindex, orderstockar).

Poängen: man kan inte rösta bort marknadsrisk. Men man kan planera för den.

”En guide, inte en lag” – därför behöver du operativ styrning

Kort sagt: En plan utan bindande mekanik blir lätt ett dokument. AI behövs för att göra planen operativ, mätbar och justerbar.

New Jerseys energiplan beskrivs som en formell färdplan men inte juridiskt bindande. Det är vanligt: planer tas fram, men leveransen sker via myndigheter, marknadsregler, upphandlingar och investeringar.

I praktiken uppstår ett glapp:

• Planen säger vad som ska hända.
• Verkligheten kräver att någon styr hur det händer vecka för vecka.

En enkel modell: tre lager av styrning

Jag brukar tänka i tre lager där AI kan bidra direkt:

1. Strategi (3–15 år): scenariomodellering, investeringsplan, målkonflikter (pris vs klimat vs robusthet).
2. Taktik (3–24 månader): projektportfölj, nätkapacitetsplan, upphandlingskalender, riskregister.
3. Drift (minuter–dagar): prognoser, flexibilitetsstyrning, batteri- och efterfrågerespons, incidenthantering.

Det är först när de tre hänger ihop som ”100% ren el” blir mer än en rubrik.

En bra tumregel: Om du inte kan styra mot målet månadsvis med tydliga KPI:er, så är det inte en plan – det är en ambition.

Vad svenska energibolag och kommuner kan ta med sig redan nu

Kort sagt: New Jerseys situation visar att AI måste användas för att hantera efterfrågetillväxt, nätbegränsningar och politiska svängningar – samtidigt.

Även om Sverige inte har PJM har vi våra egna versioner av samma problem: anslutningsköer, nätbrist i tillväxtregioner, hög prisvolatilitet vissa perioder och ökande effektbehov från industri och digital infrastruktur.

Här är fem konkreta steg jag hade tagit om jag satt med ansvar för planering 2026:

1. Bygg en gemensam datamodell för last och projektpipeline (inkl. anslutningsärenden, bygglov, industriplaner).
2. Inför scenarioportföljer som standard: minst 30 scenarier per år för last, väder, priser och policy.
3. Prioritera flexibilitet som ”virtuell nätutbyggnad”: batterier, efterfrågerespons, styrbar laddning och effektavtal.
4. Mät byggtakt och ledtider som kärn-KPI för sol, lagring och nätprojekt.
5. Gör AI governance tydligt: datakvalitet, modellrisk, transparens och ansvar i beslut.

De här stegen är inte flashiga. De är effektiva.

Nästa steg: från modell till beslut som håller

New Jerseys mål om 100% ren el till 2035 är möjligt på systemnivå, men bara om planeringen blir mer verklighetsnära: snabbare lasttillväxt, större prisrisk och mer osäkra policyvillkor måste in i kalkylen från start.

AI är inte ett sidospår i den här typen av omställning. AI är det som gör att man kan hålla flera sanningar i huvudet samtidigt: billig el, stabil drift och minskade utsläpp – även när datacenter trycker på och investeringsklimatet svänger.

Om du jobbar med energiplanering, nätutveckling eller hållbarhet: vilka beslut i din organisation fattas fortfarande med ”en prognos” när ni egentligen behöver ett stress-testat scenarioarbete?