AI och geotermi: så byggs ny baskraft i stor skala

Den 2025-12-10 annonserade Fervo Energy att bolaget tagit in 462 miljoner dollar för att färdigställa Cape Station i Utah – ett projekt som ska leverera 100 MW till elnätet i 2026-10 och ytterligare 400 MW under 2028. Det här är inte bara en finansieringsnyhet. Det är en signal om att marknaden på allvar jagar koldioxidfri el dygnet runt.

För oss som jobbar med AI inom energi och hållbarhet är det extra intressant. Nästa generations geotermi (så kallad enhanced geothermal systems, EGS) är nämligen inte bara en borr-och-bygg-fråga. Det är en data- och optimeringsfråga: hur du hittar rätt berg, hur du styr reservoaren, hur du planerar underhåll och hur du får ut maximalt värde i ett elsystem där efterfrågan från datacenter, elektrifiering och ny industri växer snabbare än nätutbyggnaden.

Varför investerare jagar geotermi just nu

Svaret är enkelt: elsystemet saknar tillräckligt mycket fossilfri baskraft när efterfrågan rusar.

Vind och sol byggs snabbt och billigt, men deras produktion varierar. Batterier hjälper, men är i grunden tim- och dygnsoptimering. När fler datacenter, fabriker och laddinfrastruktur kopplas in krävs el som är planerbar, stabil och tillgänglig 24/7.

Fervo positionerar EGS som en lösning på just den luckan. Geotermisk el kommer från värme i berggrunden och kan köras kontinuerligt. I USA står geotermi fortfarande för omkring 0,4 % av elproduktionen, främst för att traditionell geotermi är geografiskt begränsad till platser med naturliga reservoarer av hett vatten och ånga. EGS försöker bryta den begränsningen genom att skapa reservoarer i heta berg genom kontrollerad sprickbildning och cirkulation av vatten.

En mer praktisk tolkning: “24/7-el säljer”

Det mest intressanta i Fervos case är inte bara tekniken – utan marknadssignalen: deras finansieringsrunda var övertecknad. Det säger något om hur eftertraktad dygnet-runt-el har blivit, särskilt i en tid när:

• datacenter efterfrågar leveransprofiler som matchar drift 24/7
• ny industri vill ha långsiktiga elavtal med stabil prisbild
• elnäten pressas av effektbrist vissa timmar

Geotermi blir då en av få fossilfria tekniker som kan leverera jämn effekt utan stora markanspråk eller väderberoende.

Vad “next-gen geotermi” faktiskt innebär (och varför det är svårt)

Kärnan i EGS är att borrning och reservoarstyrning måste fungera i praktiken – inte bara i en pilot.

Fervo använder metoder från olje- och gasbranschen: horisontell borrning och avancerad mätning (bland annat fiberoptisk sensing) för att nå djupare och hetare zoner än klassisk geotermi. Det är en stor del av varför investerare tror på skalning: tekniken bygger på en industri som redan vet hur man borrar snabbt, säkert och relativt kostnadseffektivt.

Men EGS är fortfarande krävande. Tre utmaningar avgör om projekten blir lönsamma:

1. Resursosäkerhet: Hur varm är berget, hur spricker det och hur beter sig flöden över tid?
2. Reservoarens stabilitet: Håller produktionen i årtionden, eller tappar den effekt efter några år?
3. Risk och finansiering: Byggkostnad och tidsplan måste vara mer förutsägbara än i tidiga demonstrationsprojekt.

Det är här AI och avancerad analys inte är “nice to have” – utan ofta skillnaden mellan investerbar infrastruktur och ett dyrt experiment.

Var AI passar in: från prospektering till drift och elnät

AI i energisystem blir mest värdefull när den kopplas till konkreta beslut. I EGS-projekt är besluten många och dyra: var du borrar, hur du styr injektion, när du stoppar för underhåll och hur du levererar mot elmarknaden.

AI för platsval och prospektering

Nyckeln till att skala EGS är att hitta fler platser där “heta berg” kan bli ekonomiskt. Det handlar om att kombinera stora mängder data:

• geologiska kartor, seismik och borrkärnor
• temperaturgradienter och historiska borrdata
• mark- och miljöbegränsningar
• nätanslutning och lokala elpriser

Med maskininlärning kan man bygga sannolikhetskartor (”var är det mest troligt att vi kan nå X °C vid Y djup?”) och rangordna prospekt. Jag har sett att team som lyckas här jobbar mindre med “en perfekt modell” och mer med bra beslutsstöd: osäkerhetsintervall, alternativa scenarier och tydliga trösklar för när man går vidare.

AI för reservoarstyrning i realtid

När anläggningen är i drift blir målet tydligt: maximera energiuttag utan att förstöra reservoaren.

Här är fiberoptiska mätningar, tryck- och flödesdata guld värda. Med AI kan du:

• upptäcka avvikelser tidigt (t.ex. förändrade flödesmönster)
• optimera injektionsstrategi för stabil temperatur och tryck
• förutsäga när effekt börjar sjunka och planera åtgärder

En bra tumregel: i geotermi är “små förbättringar” stora pengar. En procentenhet högre tillgänglighet eller bättre temperaturkontroll kan vara skillnaden mellan att klara ett PPA (långsiktigt elavtal) och att få leveransproblem.

AI för prediktivt underhåll och tillgänglighet

Geotermi är inte bara borrhål – det är turbiner, pumpar, värmeväxlare, transformatorer och styrsystem. Prediktivt underhåll med AI kan minska oplanerade stopp genom att identifiera tidiga tecken på slitage, vibrationer eller ineffektiv drift.

Det viktiga här är inte “AI-modellen” i sig, utan att koppla den till:

• reservdelsstrategi
• bemanning och schemaläggning
• riskbedömning (vad händer om vi väntar 2 veckor?)

AI för nätintegration och intäktsoptimering

En ofta underskattad poäng: planeringsbar geotermi kan användas smartare än bara “baslast”. Med rätt styrning kan den bidra med:

• effekt vid toppar (inom tekniska begränsningar)
• stabiliseringstjänster (beroende på marknadsregler)
• bättre matchning mot kundprofiler, t.ex. datacenter

AI-baserade prognoser och optimering kan koppla samman produktionsplan, marknadssignaler och driftbegränsningar. I ett elsystem med hög andel vind/sol blir förmågan att vara förutsägbar nästan lika viktig som att vara ren.

Vad Fervos Cape Station berättar om vägen till skala

Cape Station är intressant för att det är stort nog för att testa kommersiell logik:

• 100 MW med planerad nätleverans i 2026-10
• ytterligare 400 MW i 2028
• tydliga tecken på byggmognad (ställverk, kraftanläggningar, personal på plats)

Fervo har också en färsk referens: en 3,5 MW EGS-anläggning i Nevada som togs i drift 2023-11 och levererar el till ett energibolag. Det är fortfarande tidigt, men det visar en viktig sak: tekniken är inte längre bara labb och prototyp.

Därför spelar datacenter en outsized roll

När stora teknikbolag investerar och tecknar avtal händer två saker:

1. Bankability ökar: Långsiktiga intäkter gör projekt finansierbara.
2. Kraven skärps: Leverans måste vara stabil, mätbar och rapporterbar timme för timme.

Det driver i sin tur fram mer sensorer, mer dataplattformar och mer AI-stöd i drift. Dygnet-runt-kraven blir en motor för smartare energisystem.

Vanliga frågor: det folk undrar om EGS och AI

Är EGS samma sak som fracking?

EGS kan använda liknande principer som hydraulisk sprickbildning (kontrollerad sprickbildning i berg), men målet är ett värmeutbyte och en cirkulerande reservoar – inte att producera fossila bränslen. Riskprofilen beror på geologi, reglering och hur projektet genomförs.

Kommer geotermi att bli stort i Norden?

Konventionell geotermi för el är svår i Sverige på grund av temperaturer och geologi, men djupgeotermi för värme och hybridlösningar (värme + lagring + smart styrning) är relevanta. Poängen från Fervo är främst denna: när borrteknik, sensorer och AI kombineras blir fler platser “möjliga” än tidigare.

Var börjar man som energibolag eller industriaktör?

Börja inte med en stor AI-satsning. Börja med att definiera vilket beslut som ska bli bättre: platsval, driftstabilitet, underhåll eller marknadsoptimering. Därefter bygger du datagrund, modell och process.

Nästa steg: så använder du lärdomarna i din egen energistrategi

Fervos finansieringsrunda pekar på en tydlig riktning: planerbar fossilfri el värderas högt, och AI är ett av de mest praktiska verktygen för att göra den skalbar och investerbar.

Om du jobbar med energi, fastigheter, industri eller digital infrastruktur skulle jag prioritera tre saker under 2026-planeringen:

1. Kartlägg din 24/7-lastprofil (timdata) och var dina effekttoppar uppstår.
2. Bygg en datagrund för optimering: mätning, historik, tillgänglighet, underhåll, elprisdata.
3. Identifiera ett pilotbeslut där AI kan ge direkt affärsvärde på 8–12 veckor, inte 18 månader.

Det fina med geotermi i den här diskussionen är att den fungerar som en testbädd för hela serien AI inom energi och hållbarhet: sensorer, prognoser, optimering och robust drift i ett system som inte har råd med överraskningar.

Frågan för 2026 är inte om vi behöver mer fossilfri el. Frågan är vilka som lyckas bygga den med tillräckligt låg risk, tillräckligt hög tillgänglighet – och med en AI-stack som gör anläggningarna smartare för varje månad som går.