AI för fossilfritt stål: lärdomar från Nippon Steel

En investering på 11 miljarder dollar kan låsa fast en industri i decennier. Det är exakt därför Nippon Steels USA-satsning är så intressant: bolaget lägger pengar på både framtiden (DRI och ljusbågsugnar) och det förflutna (renoverade masugnar som fortsätter driva kolbehov). För alla som jobbar med energi, hållbarhet och industriell omställning är det här ett typexempel på hur klimatmål avgörs i praktiken — i teknikval, processdata och elavtal.

Det som ofta missas i debatten är att vägen till grönare stål inte bara handlar om att “bygga en ny anläggning”. Den handlar om att styra en extremt energitung process minut för minut, hantera råvarukvalitet, och säkra el med rätt profil. Där blir AI och avancerad analys inte ett sidospår, utan en direkt förutsättning för att DRI och EAF ska nå sin potential i utsläppsminskning och kostnad.

Stålindustrin står och väger: två tekniska spår

Nippon Steel signalerar två parallella strategier i USA:

• Nya anläggningar: en ny stålverkssatsning på 4 miljarder dollar med troligen två ljusbågsugnar (EAF) som i första hand smälter skrot.
• Ny järnråvara med lägre utsläpp: planerna på en DRI-anläggning (direct reduced iron) vid Big River Steel-campus i Arkansas.
• Förlängning av kolbaserad produktion: upprustning/”relining” av masugnar vid Gary Works i Indiana, vilket kan förlänga livslängden i flera decennier.

Det här är korsningen. Masugnsspåret kan ge stabil produktion på kort sikt, men det låser in kol och lokala utsläpp. DRI+EAF-spåret kan ge lägre klimatavtryck och bättre position mot kunder som kräver utsläppsdata i leverantörskedjan.

Masugn vs DRI+EAF – vad är skillnaden i praktiken?

Masugn (kol/coke) är en etablerad process som gör högkvalitativt järn från järnmalm, men med höga CO₂-utsläpp och betydande lokala emissioner. Den är kapitalintensiv och blir “dyr att stänga” när man just investerat i en upprustning.

DRI (ofta naturgas, på sikt vätgas) reducerar syret ur järnmalmen med het gas och går sedan in i EAF för att bli stål. Om elen är fossilfri och vätgasen är grön kan man nå mycket låga utsläpp. Men processen blir också mer beroende av elpriser, elnätets kapacitet och bränslekvalitet.

En viktig detalj: EAF som bara kör skrot räcker inte alltid för krävande stål (t.ex. bilindustrin) eftersom skrot kan innehålla oönskade restämnen. Därför blir tillgången på ren järninsats (DRI eller motsvarande) central.

En enkel tumregel: EAF är fantastisk – men utan rätt insatsmaterial och styrning får du varken rätt kvalitet eller rätt klimatnytta.

Varför AI är den bortglömda nyckeln till “grönt stål”

DRI och EAF är inte bara “ny utrustning”. Det är datadrivna energisystem i industriell skala. AI gör mest nytta när den kopplar ihop tre saker som annars lever separata liv: energi, process och kvalitet.

1) AI som energiautopilot för ljusbågsugnar (EAF)

EAF är elintensivt och snabbt i dynamiken. Energiförbrukningen påverkas av skrotmix, temperatur, syreinblåsning, slaggkemi och ugnens “recipe”. Här kan AI:

• Förutsäga energibehov per charge baserat på råvarukvalitet och historik
• Optimera effektkurvor och cykeltider för att minska kWh/ton
• Minska elektrodförbrukning och oplanerade stopp genom prediktivt underhåll
• Minimera effekttoppar (peak shaving) med styrning mot elpris och nätavgifter

I praktiken betyder det: samma ugn kan få lägre kostnad per ton och stabilare kvalitet utan att man “kör snällare” och tappar output.

2) AI i DRI: från bränslemix till vätgasstrategi

DRI-processen är känslig för bränslekvalitet, temperaturprofiler och reduktionsgrad. När naturgas gradvis blandas ut med vätgas (grön eller blå) blir styrningen ännu mer komplex. AI kan:

• Modellera reduktionsgrad och metallisering i realtid
• Optimera bränslemix (naturgas/vätgas) utifrån pris, CO₂-intensitet och processkrav
• Detektera avvikelser tidigt (t.ex. variation i malmkvalitet) och föreslå åtgärder

Det här är extra relevant i en marknad där investeringar kan hamna “mellan två politiska epoker”. AI gör att man kan bygga anläggningar som klarar flera energiscenarier utan att behöva göra om allt.

3) Utsläppsdata som säljargument: AI för spårbarhet och rapportering

Kunder inom fordon, bygg och industri vill i allt högre grad köpa stål med dokumenterat klimatavtryck. Det räcker inte att säga “vi är grönare” — man behöver produktnivådata.

AI och avancerad analys kan skapa:

• Produktpass (PCF/CO₂ per ton och batch) baserat på faktisk energimix och råvaror
• Automatiserad kontroll av datakvalitet (mätpunkter, sensorer, avvikelser)
• Prognoser för hur elavtal, skrotmix och DRI-andel påverkar utsläpp kommande kvartal

När den här datan är robust blir den också kommersiellt användbar: prissättning, kundkrav, upphandlingar.

Affärslogiken: varför “mer EAF” inte räcker

Det finns en anledning till att flera analytiker pekar på att EAF utan ren järninsats blir ett halvt steg. Bilindustrin är en stor kund av nytt stål och kräver ofta snäva toleranser. Om du då bara matar in blandat skrot får du problem med restämnen.

Här finns tre realistiska strategier — och AI påverkar vilken som blir lönsam:

1. EAF + högkvalitativt skrot

   • Kräver bra inköp, sortering och kontroll.
   • AI kan förbättra skrotklassning (t.ex. via bildanalys/sensorik) och receptoptimering.

2. EAF + inköpt DRI/HBI

   • Snabb väg till kvalitet, men beroende av leverantör och pris.
   • AI kan optimera inköpsmix mot kvalitet och kostnad.

3. Integrerad DRI-EAF (egen “clean iron”)

   • Större investering men mer kontroll och bättre klimatprofil.
   • AI behövs för att synka DRI, EAF, elinköp och produktionsplanering.

Det sista spåret är också det som ger störst möjlighet att koppla ihop industrin med förnybar energi: flexibilitet, laststyrning, och planerad drift när elen är billig och grön.

Vad svenska energi- och industribolag kan ta med sig

Nippon Steel-affären utspelar sig i USA, men mekaniken är densamma i Norden: stora investeringar, politisk osäkerhet, krav på klimatdata och energisystem som förändras snabbt. Jag brukar sammanfatta lärdomarna i fyra praktiska råd.

1) Bygg omställningen som ett styrproblem, inte ett byggprojekt

DRI och EAF är känsliga för variation. Den som vinner blir den som kan styra variationen, inte den som bara installerar ny hårdvara.

Praktiskt nästa steg:

• Kartlägg vilka beslut som tas manuellt i dag (recept, inköp, underhåll, elinköp).
• Identifiera var en prediktiv modell skulle minska risk eller kostnad.

2) Säkra datagrunden tidigt

AI faller på dålig instrumentering och otydliga datadefinitioner. För processindustri är det ofta 80 % datastyrning och 20 % modell.

Checklista:

• Tydliga taggar, tidsstämplar och masterdata för råvaror
• Sensorstrategi för energi (kWh, effekt), process (temp, flöden) och kvalitet
• Rutiner för datakvalitet: driftstopp, sensorfel, kalibrering

3) Gör energin till en del av processoptimeringen

EAF och DRI är energisystem. De ska optimeras mot elpris, nätkapacitet och CO₂-intensitet i elmixen.

Bra angreppssätt:

• Skapa en gemensam planeringsmodell där produktion och energiavtal hänger ihop
• Utvärdera flexibilitet: vilka steg kan flyttas i tid utan kvalitetsrisk?

4) Mät klimatnyttan per ton, inte per projekt

“Vi byggde en ny ugn” säger inget om resultatet. “Vi sänkte CO₂/ton med X och kan bevisa det på batchnivå” är det som gör skillnad i försäljning och finansiering.

Vanliga följdfrågor (och raka svar)

Kan AI verkligen minska utsläpp i stålproduktion?

Ja. Den största effekten kommer från lägre energiförbrukning per ton, färre omkörningar/skrot, bättre tillgänglighet och smartare drift mot grön el.

Är DRI alltid “grönt”?

Nej. DRI med naturgas minskar ofta utsläppen jämfört med masugn, men blir riktigt lågt först när el och vätgas har låg klimatintensitet.

Varför blir investeringar i masugnar ett problem?

För att de ofta har livslängd i decennier. Det skapar en ekonomisk spärr: när kapitalet väl är bundet blir det svårt att byta spår, även om teknik och marknad går vidare.

Vad som händer härnäst – och varför du bör bry dig

Nippon Steel sitter med en portfölj där ena handen pekar mot DRI+EAF och den andra förlänger kolbaserad kapacitet. Utfallet avgör inte bara deras klimatkurva, utan också hur snabbt stora industrikunder i USA kan köpa stål med lägre utsläpp.

För oss som jobbar med AI inom energi och hållbarhet är budskapet tydligt: industrins omställning avgörs i drift och optimering, inte i pressmeddelanden. DRI, EAF och förnybar el kan fungera ihop — men bara om man har datan, styrningen och affärslogiken på plats.

Vill du göra nästa investering i tung industri framtidssäker? Börja med att rita upp vilka beslut som kan bli AI-stödda inom 6–12 månader. När du väl kan styra energin, kvaliteten och utsläppen i samma modell blir teknikvalen mycket mindre riskfyllda.

Vilken del av stålprocessen i din organisation är fortfarande ett “magkänslebeslut” — trots att datan redan finns?