AI som snabbar på industrins omställning – lärdomar

Knappt 8 % av världens planerade satsningar på renare industriproduktion är i drift. Samtidigt finns över 1 000 kommersiella industriprojekt globalt – för renare bränslen, kemikalier och byggmaterial – med en samlad investeringsnivå runt 2 biljoner dollar. Den här klyftan mellan ambition och verklighet är inte en kommunikativ detalj. Den är hela klimatfrågans hårda kärna.

Det mest intressanta just nu är att Kina drar ifrån. Landet har 200+ projekt i pipeline och en kombination av snabb utbyggnad av förnybar el och tydlig industripolitik som gör att fler projekt faktiskt kan byggas. Jag tycker det är en myt att detta enbart handlar om billigare kapital eller större hemmamarknad. Det handlar lika mycket om genomförandeförmåga.

Och här passar vår serie “AI inom energi och hållbarhet” perfekt: om genomförandeförmåga är flaskhalsen, då blir AI i energisystem och industri ett av de mest praktiska verktygen vi har. Inte för att göra pressmeddelanden snyggare, utan för att få fler fabriker över mållinjen.

Kina leder – men den verkliga tävlingen handlar om tempo

Den tydliga bilden från den globala projektkartan är att världen har gått från ”pilotprojekt” till ”pipeline”. Men pipeline är inte samma sak som utsläppsminskningar.

Nästan 80 % av projekten är fortfarande ”annonserade” men fastnar i hinder som:

• osäker efterfrågan på lågkoldioxidmaterial (t.ex. grönt stål, lågkoldioxidcement)
• otydliga regler och långsamma tillstånd
• svåra finansieringsbeslut för kapitalintensiva anläggningar
• teknikrisk och integrationsrisk (energi, värme, vätgas, logistik)

Här blir Kinas försprång begripligt: när elen blir renare och billigare i stor skala, då sjunker risken i kalkylen för elektrifiering, elektrolys (grön vätgas) och nya processer.

En pipeline på 1 000 projekt är ett styrkebesked. Att bara 8 % är i drift är en varningssignal.

Varför tung industri är svårast att ställa om

De sex sektorer som ofta pekas ut – stål, cement, kemikalier, aluminium, sjöfart och flyg – står tillsammans för ungefär 30 % av de globala växthusgasutsläppen. Det som gör dem knepiga är att de är “fysiska” på ett sätt som digitala lösningar inte kan trolla bort.

Tre friktioner som stoppar projekt

1) Energi är inte bara en kostnad – den är en processparameter. För en masugn, en cementugn eller en kemisk reaktor handlar energi om temperaturer, tryck, stabilitet och produktkvalitet. Byter du bränsle eller värmekälla ändras hela processen.

2) Investeringar låser in tekniska val i 20–40 år. Industrin kan inte “patcha” en fabrik som mjukvara. Om du bygger fel teknik eller på fel plats (t.ex. utan tillgång till fossilfri el, vätgas eller nätkapacitet) skapar du en ny klimat- och konkurrensrisk.

3) Efterfrågan är svår att garantera. Många köpare vill ha lägre utsläpp, men marknaden är ofta inte villig att betala premium i stor skala – särskilt när konjunkturen viker. Det gör “final investment decision” till en tröskel.

Det är här jag tycker att AI-diskussionen måste bli vuxen: AI ersätter inte elnät, tillstånd eller finansiering. Men AI kan minska osäkerhet, öka kapacitetsutnyttjande och göra projekt bankbara.

Där AI faktiskt gör skillnad i gröna industriprojekt

AI ger mest effekt när den kopplas till tre konkreta problem: energivolatilitet, processtabilitet och beslut under osäkerhet.

1) AI för energiprognoser och flexibel drift

Ren industri betyder ofta mer elektrifiering och mer förnybar el i mixen. Det ökar behovet av att planera produktion mot elpris, nätbegränsningar och tillgång på fossilfri el.

Praktiskt innebär det:

• prognoser för timvis elpris och effektuttag
• optimering av produktionsscheman (batcher, ugnscykler, elektrolysdrift)
• automatisk laststyrning kopplad till kontrakt (PPA), nätavgifter och CO₂-priser

Effekten: lägre energikostnad, lägre toppar, mindre behov av dyr reservkapacitet. För kapitalintensiva fabriker kan detta vara skillnaden mellan “bygg” och “vänta”.

2) AI för processtyrning: kvalitet och utsläpp samtidigt

I kemikalier, stål och cement uppstår ofta en falsk konflikt: antingen stabil process eller lägre utsläpp. Med modern sensordata och maskininlärning kan man bygga modeller som förutser avvikelser innan de blir kvalitetsproblem.

Exempel på typiska användningsfall:

• prediktivt underhåll för ugnar, kompressorer och värmeväxlare
• mjuk-sensorer (soft sensors) som uppskattar utsläpp eller kvalitet när direkt mätning är svår
• realtidsoptimering av bränslemix, syrgasflöden, temperaturprofiler

Effekten: färre stopp, mindre skrot, lägre specifik energianvändning – och därmed lägre utsläpp per ton.

3) AI för investeringsbeslut: från “case” till “byggbart”

När nästan 80 % av projekten fastnar innan spaden går i marken handlar det sällan om en enda sak. Det är en kombination av teknik, el, logistik, kunder och tillstånd.

AI kan stödja detta genom:

• riskmodeller som sammanväger energitillgång, prisrisk, leverantörsrisk och intäktsrisk
• simulering av scenarier (t.ex. olika CO₂-priser, olika elprisbanor, olika efterfrågekurvor)
• portföljoptimering: vilka projekt ska prioriteras för maximal utsläppsminskning per investerad krona?

Effekten: bättre prioritering och färre projekt som “annonseras” men aldrig materialiseras.

Vad Sverige och EU kan ta med sig (utan att kopiera Kina)

Sverige har starka förutsättningar: relativt fossilfri el, hög industrialiseringsgrad och vana att samarbeta mellan industri, akademi och offentlig sektor. Men vi har också klassiska bromsklossar: nätkapacitet, tillstånd, kompetensbrist och ibland otydliga incitament.

Tre lärdomar som går att omsätta här hemma

1) Bygg energisystemet parallellt med industrin. Det räcker inte att planera en grön fabrik. Den måste ha tillgång till effekt, elnät och ibland vätgasinfrastruktur. Här kan AI användas i nätplanering, lastprognoser och flexibilitetsmarknader.

2) Standardisera hur “grönt” mäts och upphandlas. Om kunder ska köpa lågkoldioxidmaterial krävs trovärdig data. AI kan hjälpa till med datakvalitet, spårbarhet och automatiserad rapportering. Men det kräver också gemensamma definitioner i upphandling.

3) Satsa på driftoptimering – inte bara ny teknik. Jag ser ofta projekt där man lägger 95 % av energin på tekniskt val (elektriskt, vätgas, CCS) och 5 % på hur anläggningen ska drivas dag 1–10 000. I verkligheten avgör driften både ekonomi och klimatnytta.

Praktisk checklista: så startar du ett AI-spår i industrins omställning

Om du jobbar i industri, energi, kommun eller som projektutvecklare är det här ett rimligt sätt att komma igång utan att drunkna i buzzwords.

1. Välj ett tydligt mål: minska MWh/ton, minska CO₂/ton, öka OEE, kapa toppar (MW).
2. Inventera data: vad mäts idag (SCADA, DCS, MES, labbdata, elprisdata)? Vad saknas?
3. Börja med en “högfrekvent vinst”: prediktivt underhåll eller energischemaläggning ger ofta snabb ROI.
4. Bygg en enkel digital tvilling: inte perfekt, men tillräcklig för scenarier och känslighetsanalys.
5. Säkra ägarskap: vem äger modellen, vem följer upp, vem tar beslut när modellen säger “kör omplanering”?

AI i energi och hållbarhet funkar bäst när den kopplas till ett driftbeslut som någon faktiskt vågar ta.

COP-spåret och 2026: varför det här blir mer akut, inte mindre

När världen närmar sig nästa klimatförhandlingar och fler länder växlar upp industripolitik blir det tydligt: konkurrenskraft och utsläppsminskning har smält ihop. Kina visar att skala går att nå när el, policy och industribyggande drar åt samma håll.

För oss i Sverige och EU är det klokt att fokusera på det vi kan kontrollera: snabbare projektgenomförande, smartare energiintegration och datadriven drift. AI är ingen genväg runt tillståndsprocesser eller nätutbyggnad – men AI kan göra att varje ny megawatt och varje ny investering ger mer klimatnytta.

Om du vill ta nästa steg i vår serie “AI inom energi och hållbarhet”, börja med en enkel fråga i din egen organisation: Var förlorar vi mest tid – i beslut, i drift eller i data? Svaret brukar peka rakt på var AI gör mest nytta.