AI som snabbar på regionalt samarbete för förnybart

När incitament har ett sista datum händer något intressant: samarbeten som annars tar år kan plötsligt uppstå på några veckor. Det är precis vad vi ser i nordöstra USA, där Connecticut och Maine bygger en gemensam modell för att snabba upp upphandling och etablering av sol- och vindkraft.

Det här är inte bara en amerikansk detalj för policy-nördar. Det är en konkret påminnelse om något som många europeiska och svenska energiplaner ofta underskattar: flaskhalsen är inte tekniken i sig – det är tempot i beslutsfattande, nätintegration och projektplanering. Och där kan AI göra verklig nytta.

I den här delen av vår serie AI inom energi och hållbarhet går vi igenom vad Connecticut–Maine-modellen visar, varför tidsfönster (som skatteavdrag i USA) skapar nya arbetssätt, och hur AI i energisektorn kan användas för att korta ledtider, minska risk och få in mer förnybar el i nätet utan att det blir dyrt eller instabilt.

Varför samarbeten som Connecticut–Maine uppstår nu

Snabbaste vägen till mer förnybar el är ofta snabbare processer, inte fler visioner. Bakgrunden i RSS-artikeln är att USA:s federala skatteincitament för vind och sol stramas åt. För att projekt ska kvalificera krävs att de antingen påbörjar byggnation senast 2026-07-04 eller tas i drift senast 2027-12-31.

Resultatet blir en kapplöpning där delstater:

• förenklar och prioriterar tillståndsprocesser
• tidigarelägger upphandlingar
• standardiserar krav och kontrakt
• samarbetar för att dela analys och “pipeline” av projekt

Connecticut öppnade en upphandling för sol och landbaserad vind med en konstruktion som gör att andra delstater kan haka på, bedöma samma bud, men välja utifrån egna behov. Maine valde att ansluta sig via sin energimyndighet och regulator.

Poängen: även om delstaterna inte väljer exakt samma projekt, skapar de en gemensam marknadsplats och en gemensam informationsbild. Det sänker transaktionskostnader och ökar sannolikheten att fler projekt faktiskt blir av i tid.

Det här är modellen i en mening

Gemensam upphandling + separata beslut = snabbare marknad utan att förlora lokalt självbestämmande.

Det är också en modell som ligger nära hur Norden ofta vill jobba – men sällan operationaliserar fullt ut, särskilt när det gäller data och nätplanering.

AI gör skillnad när många projekt ska in i samma elnät

När förnybart ska byggas fort uppstår samma tre frågor varje gång: Var passar det? När kan det kopplas in? Vad kostar det systemet? Traditionellt besvaras de genom manuella studier, excelmodeller, möten och väntan på nätutredningar.

AI kan inte trolla fram nätkapacitet, men den kan göra två saker som är avgörande när tidsfönstret är tajt:

1. Snabba upp analysen (så att beslut tas på veckor, inte kvartal)
2. Minska osäkerheten (så att färre projekt dör i sena skeden)

Här är tre AI-områden som är särskilt relevanta för regionala samarbeten som Connecticut och Maine – och som också är högst tillämpbara i Sverige.

AI-prognoser för efterfrågan och effektbehov

Bättre prognoser gör upphandling smartare. Om två regioner upphandlar förnybart samtidigt är risken annars att de köper “samma typ” av produktion vid “samma tidpunkt” och sedan får ett system som kräver mer reglerkraft än planerat.

Med moderna AI-modeller kan man kombinera:

• historisk förbrukning och väder
• elektrifieringsscenarier (värmepumpar, elbilar, industriprocesser)
• pris- och beteendedata
• lokala nätbegränsningar

…för att uppskatta timvisa effektbehov och identifiera när systemet är mest sårbart.

Praktisk effekt: upphandlingen kan viktas mot projekt som bidrar när nätet behöver det som mest (exempelvis sol + lagring, eller vind i områden med kompletterande produktionsprofil).

AI för nätintegration: från “kan vi ansluta?” till “hur ansluter vi bäst?”

Nätanslutning blir ofta stoppskylten. I många marknader fastnar projekt i köer eftersom utredning av nätpåverkan tar lång tid.

AI-baserade metoder kan stödja genom att:

• förutse var köer uppstår baserat på historiska anslutningsärenden
• rekommendera anslutningspunkter med lägre systemkostnad
• simulera drift med hög andel variabel produktion och identifiera kritiska timmar
• prioritera projekt som minskar trängsel (t.ex. via lokala batterier, styrbar last eller kurvningsstrategier)

En bra tumregel: ju snabbare man kan göra en “första realistisk nätbild”, desto färre projekt hinner bli felprojekt.

AI som kortar tillstånd och upphandling – utan att tumma på kvalitet

Tillstånd och upphandling är informationsarbete. Det handlar om att läsa in underlag, jämföra alternativ, förstå risk, och skriva beslut.

AI kan hjälpa offentliga aktörer och energibolag genom:

• automatisk granskning av anbudsdata (kostnadsantaganden, riskmarkörer, avvikande villkor)
• sammanställning av remissvar och återkommande konfliktpunkter
• dokumentklassning och spårbarhet (vilket underlag gav vilket beslut)
• scenariogenerering: “om vi väljer A och B, vad händer med pris och nätbelastning?”

Här ska man vara ärlig: det som ger effekt är inte en chatbot som “skriver en rapport”. Det som ger effekt är AI i processen – kopplad till rätt data, rätt beslutspunkter och tydliga kvalitetskrav.

Snabbhet i energiprojekt kommer nästan alltid från bättre beslutsflöden, inte från snabbare powerpoint.

Vad Sverige kan lära av Connecticut och Maine

Sverige har redan hög andel fossilfri el, men vår stora utmaning är tempo och geografi. Ny industri, nya effektbehov och mer väderberoende produktion gör att planering behöver ske mer regionalt – och mer datadrivet.

Här är tre konkreta lärdomar.

1) Regional samordning är inte “nice to have” när tidsplanen är tajt

Connecticut och Maine visar att när deadlines närmar sig, blir samarbete en konkurrensfördel. I svensk kontext handlar det om att regioner (och ibland länder) behöver kunna:

• dela nät- och prognosdata på ett standardiserat sätt
• samordna upphandling av flexibilitet, lagring och produktion
• undvika att alla investerar i samma lösning på samma ställe

AI hjälper genom att skapa gemensamma modeller för prognoser, scenarier och prioritering – så att samarbete inte stannar vid “vi borde prata mer”.

2) Upphandling bör handla om systemnytta, inte bara lägsta pris

När två delstater poolar efterfrågan hoppas de få fler projekt och lägre priser. Det är rimligt.

Men i ett elsystem med trängsel och effektutmaningar är lägsta pris per kilowattimme inte alltid lägsta kostnad för samhället.

AI kan bidra till att operationalisera systemnytta i upphandlingen, till exempel genom att värdera:

• profilvärde (produktion när behovet är högt)
• lokalisering (nära last eller i nät med kapacitet)
• kombinationer (produktion + lagring + styrbarhet)
• robusthet (leveransrisk, byggtakt, nätberoenden)

Det gör urvalet mer tekniskt korrekt – och ofta mindre kontroversiellt, eftersom kriterierna går att förklara och mäta.

3) Det som går fort måste också gå att följa upp

När projekt pressas igenom riskerar man efterhandsproblem: överklaganden, sena villkorsförändringar, missade nätantaganden.

Jag har sett att de organisationer som lyckas bäst med “snabbt men stabilt” har två saker:

• en digital spårbarhet i besluten (data, antaganden, versioner)
• en uppföljningsloop där driftdata används för att förbättra nästa upphandling

Här passar AI naturligt: drift- och mätdata kan användas för att kalibrera modeller, upptäcka avvikelser och förbättra prognoser. Med andra ord: varje projekt gör nästa projekt enklare.

En praktisk checklista: så använder du AI för att snabba upp förnybart

Vill du få kortare ledtider utan att öka risken? Börja med en liten, men skarp, AI-satsning kopplad till ett verkligt beslut. Här är ett upplägg som fungerar för energibolag, kommuner, regioner och myndigheter.

1. Välj en flaskhals (t.ex. nätanalys, anbudsutvärdering, flexibilitetsprognos)
2. Säkra datagrunden: mätdata, väder, nätbegränsningar, pris, projektmetadata
3. Definiera beslutet AI ska stödja (inte bara “ge insikter”)
4. Bygg en modell som går att revidera (versionering, antaganden, spårbarhet)
5. Testa mot historik: hade modellen valt “rätt” projekt för 12 månader sen?
6. Inför styrning: vem äger modellen, vem godkänner ändringar, hur hanteras bias?
7. Skala först när nyttan är mätt (tid sparad, risk minskad, bättre nätutfall)

Det fina är att man inte måste börja med allt. En bra första vinst kan vara att korta en utvärderingsfas från 8 veckor till 2–3 veckor genom bättre sortering, jämförbarhet och scenariokörningar.

Nästa steg: regionala “energipaket” där AI är standard

Connecticut och Maine försöker vinna tid genom att dela upphandling och information. Det är smart. Men nästa nivå är ännu mer intressant: regionala energipaket där upphandling av produktion, lagring och flexibilitet planeras ihop – baserat på AI-drivna prognoser och nätmodeller.

För svensk del är frågan inte om vi ska använda AI i energisystemet, utan var vi får mest effekt per investerad krona. Min ståndpunkt: börja där beslut tas under osäkerhet – upphandling, nätplanering och drift.

Om du vill diskutera hur en AI-lösning för prognoser, smarta elnät eller upphandlingsstöd kan se ut i praktiken: utgå från en konkret deadline, ett konkret område och ett konkret beslut. Resten blir märkligt mycket enklare.

Vilken del av kedjan bromsar mest hos er just nu – prognoser, nätanslutning eller tillstånd/upphandling?