AI som får grön industri att lyfta – lärdomar från Kina

Kinas ledning i gröna industriprojekt handlar inte bara om politiska mål och stora budgetar. Den handlar om tempo. När över 1 000 anläggningar för renare bränslen, kemikalier och byggmaterial planeras eller redan är i drift globalt, sticker Kina ut med över 200 projekt i pipeline. Det är inte en symbolisk satsning – det är industriell omställning i skala.

Samtidigt finns ett obekvämt faktum i siffrorna: bara cirka 8 % av projekten är operativa. Resten sitter fast i finansiering, tillstånd, teknikval och osäker efterfrågan. Här blir AI mindre av en hype och mer av ett praktiskt verktyg. För verkligheten är enkel: om du inte kan mäta, simulera och optimera, så blir du sen – och dyr.

Den här artikeln är en del av vår serie AI inom energi och hållbarhet. Jag vill använda Kinas försprång som en tydlig fallstudie: vad gör ledarna annorlunda, varför fastnar så många projekt, och exakt var kan AI korta vägen från “annonserat” till “i drift”?

Kina leder – men flaskhalsen är global

Kärnan: projektportföljen växer snabbare än genomförandet. Enligt den senaste sammanställningen från Industrial Transition Accelerator och Mission Possible Partnership omfattar den globala pipelinen ungefär 1 000+ kommersiella projekt med en samlad investeringsnivå på omkring 2 biljoner dollar. Det är en enorm signal om riktningen för industrin.

Men omställningen sker inte i PowerPoint. Den sker i masugnar, ugnar, reaktorer och logistikflöden. Där är marginalerna små och kapitalkostnaderna stora. Det är också därför nästan 80 % av projekten fortfarande är i stadiet “annonserade men inte byggstartade”.

Varför Kina drar ifrån

Den tydligaste förklaringen är att Kina kombinerar tre saker som många andra länder har svårt att hålla ihop samtidigt:

• Massiv utbyggnad av förnybar el som pressar ned kostnad och ökar tillgången
• Proaktiv industripolitik (inklusive stöd till grön vätgas och elektrifiering)
• Skala i leverantörskedjor som gör att utrustning, komponenter och kompetens finns nära

Jag tycker man ska vara saklig här: Kinas styrka är inte “magi”, utan systemdesign. Och i systemdesign är AI en naturlig komponent – särskilt när energiflöden, produktion och utsläpp måste styras mer som ett elsystem än som en traditionell fabrik.

Vad betyder det för svenska aktörer?

Sverige har starka förutsättningar i fossilfri el, processindustri och digital kompetens. Men vi har en risk: att vi tror att “bra teknik” räcker.

Det räcker inte. Den som vinner är den som industrialiserar omställningen: kortar ledtider, säkrar el, minskar risk i investeringar och får kunder att faktiskt köpa det gröna materialet.

Därför fastnar gröna industriprojekt (och hur AI kan hjälpa)

Svaret först: de flesta projekt fastnar i osäkerhet. Osäkerhet kring pris på el och vätgas, framtida regler, kundernas betalningsvilja och teknikens prestanda i full skala.

Det är precis den typen av problem AI är bra på – inte genom att “gissa”, utan genom att minska osäkerheten med data, modeller och kontinuerlig optimering.

Flaskhals 1: El, effekt och variation

Att elektrifiera industri betyder ofta att man byter ett bränsleflöde mot ett elberoende. Då blir frågor som tidigare var sekundära plötsligt centrala:

• Hur mycket effekt krävs vid start, topp och normal drift?
• Hur påverkas processen av prissvängningar timme för timme?
• Vilken mix av nät, egen produktion, batterier och flexibilitet ger lägst risk?

AI i energistyrning kan prognostisera belastning, optimera körning mot spotpris och planera flexibilitet (t.ex. flytta icke-kritiska moment i tid). För en energitung anläggning kan det vara skillnaden mellan en kalkyl som håller och en som spricker.

Flaskhals 2: Processrisk i första anläggningen

Många gröna industriprojekt är “first-of-a-kind”. Banker och investerare gillar inte det. De vill se driftdata, stabilitet och kvalitetsutfall.

Här fungerar AI som en snabbare väg till förtroende:

• Digitala tvillingar för att testa scenarier innan man bygger om
• Prediktivt underhåll för att höja tillgänglighet tidigt i drift
• Kvalitetsmodeller som kopplar processdata till produktkvalitet (t.ex. cementegenskaper, stålkemi)

Det är inte glamouröst. Men det är exakt det som gör att en pilot kan bli en fabrik.

Flaskhals 3: Tillstånd, rapportering och verklig klimatnytta

När marknaden för “grönt” material växer blir kraven på spårbarhet och klimatdata hårdare. Inte bara internt, utan i hela kedjan.

AI kan automatisera och kvalitetssäkra delar av detta arbete:

• Sammanställning av utsläppsdata från flera system
• Detektering av avvikelser (t.ex. oväntade utsläppstoppar)
• Underlag för miljörapportering och kundkrav

Det frigör tid och minskar risken för fel – och det gör det lättare att faktiskt sälja den gröna produkten.

Sex industrisektorer där AI gör störst skillnad

Kärnan: de mest utsläppsintensiva sektorerna är också de mest datatungt styrbara, vilket gör dem AI-vänliga.

Initiativen bakom den globala kartläggningen fokuserar på sex sektorer som tillsammans står för omkring 30 % av världens växthusgasutsläpp: aluminium, flyg, cement, kemikalier, sjöfart och stål.

Nedan är en praktisk bild av var AI ofta ger snabbast effekt.

Stål: energioptimering och stabil kvalitet

För grönt stål är energin (el, vätgas) både kostnadsdrivare och utsläppsnyckel. AI används typiskt för:

• Optimering av energiprofil mot elpris och nätbegränsningar
• Styrning av reduktionsprocesser för jämnare kvalitet
• Prediktion av driftstörningar som annars blir dyra stopp

Cement: minskade utsläpp utan att tumma på prestanda

Cement handlar om både energi och processutsläpp. AI kan:

• Optimera ugnskörning och bränslemix
• Modellera alternativa bindemedel och recept
• Förutsäga hållfasthet och härdning baserat på processdata

Kemikalier: bättre utbyte, mindre spill

Kemisk industri är full av komplexa samband. AI kan hitta mönster som klassisk styrning missar:

• Optimering av reaktorförhållanden för högre utbyte
• Avvikelseanalys som minskar spill och fackling
• Planering som minskar energitoppar och kostnader

Sjöfart och flyg: efterfrågan och leverans av rena bränslen

Största hindret här är ofta marknad: vem köper, när och till vilket pris? AI kan hjälpa genom:

• Prognoser för efterfrågan på e-bränslen och SAF
• Optimering av produktion mot elpriser och logistik
• Riskmodeller för inköp och kontrakt

Så bygger du en AI-strategi för industriell avkarbonisering

Svaret först: börja med tre tydliga beslut – datagrund, affärsmål och ägarskap. De flesta misslyckas för att de startar med en modell, inte med en driftsituation.

1) Välj 2–3 “AI-case” som är värda pengarna

Bra första case i tung industri är de som påverkar kostnad eller tillgänglighet direkt:

1. Energiprognoser och lastoptimering (timnivå)
2. Prediktivt underhåll för kritisk utrustning
3. Kvalitetsprognoser som minskar kassation och omkörningar

Ett tips jag ofta återkommer till: välj case där du kan räkna hem värdet i kronor per vecka, inte i “strategisk potential”.

2) Gör datan användbar, inte perfekt

I industrin är data ofta splittrad mellan OT och IT. Vägen framåt är sällan ett jättelyft i ett steg. Den är:

• Standardisera sensornamn och tidsstämplar
• Säkerställ datakvalitet för 10–20 nyckelsignaler först
• Bygg pipelines som klarar driftmiljö (inte bara labb)

Det här låter tråkigt. Men det är vad som avgör om AI blir ett verktyg i kontrollrummet eller en rapport som ingen öppnar.

3) Koppla AI till beslut i vardagen

AI skapar värde när den ändrar beteende. Exempel:

• Operatören får en rekommendation: “Sänk last 5 % mellan 18:00–20:00 för att undvika pristopp och hålla temperatur inom tolerans.”
• Underhåll får en varning: “Vibrationsmönster indikerar lagerfel inom 10–14 dagar.”
• Planering ser: “Om vi kör batch A i natt sparar vi X MWh och minskar CO₂ med Y.”

När AI landar i sådana beslut blir den en del av produktionen – inte ett sidoprojekt.

Vanliga frågor (som jag själv får) om AI i grön industri

“Behöver vi AI om vi redan har ett energiledningssystem?”

Ja, om ni vill optimera i realtid och hantera mer komplexitet. Klassiska system är ofta regelbaserade. AI hanterar variation bättre: elpris, väder, produktmix och degradering i utrustning.

“Är AI bara för stora koncerner?”

Nej. Mindre aktörer kan vinna på fokus. En väl avgränsad modell för energiprognos eller underhåll kan ge effekt utan enorma team – särskilt om man bygger på befintliga data.

“Hur mäter vi klimatnyttan av AI?”

Mät både energi och utsläpp som en effekt av beslut. Praktiskt:

• Baslinje (före) per producerad enhet
• Uppföljning (efter) per producerad enhet
• Separera effekten av AI från andra förändringar (t.ex. nya råvaror)

Nästa steg: från pipeline till drift – med AI som verktyg

Kinas dominans i gröna industriprojekt visar att den som kombinerar energi, politik och industrialisering tar ledningen. Men siffrorna visar också något annat: världen är full av projekt som inte har blivit verklighet ännu. Det är där möjligheten finns – för länder, företag och leverantörer som kan minska risk och öka tempo.

Min ståndpunkt är enkel: AI är inte “pricken över i” i industrins klimatomställning. AI är ett sätt att få anläggningar byggda, igångkörda och lönsamma. När 80 % av projekten fortfarande väntar på att passera hinder är varje procent snabbare beslutstid en konkurrensfördel.

Om du ansvarar för energi, produktion, hållbarhet eller investeringar: vilka två beslut i er verksamhet skulle bli bättre redan nästa månad med mer förutsägelse, mer optimering och mindre gissning?