AI som gör grönt stål lönsamt – lärdomar från Hyundai

Hyundai har gjort något som många industribolag just nu tvekar inför: de håller fast vid en investering på cirka 6 miljarder dollar i en anläggning för lågkoldioxidstål i Louisiana – trots politisk turbulens, förändrade stöd för vätgas och uppmärksammade händelser i bolagets USA-satsningar. För mig är det här inte bara en stål-nyhet. Det är ett tydligt tecken på att nästa fas av industrins klimatomställning handlar mindre om ”viljan” och mer om systemförmåga.

Grönt stål i stor skala kräver ett energisystem som kan leverera fossilfri el när processen behöver den, och en vätgaskedja som går att planera, mäta och förbättra över tid. Där blir AI inom energi och hållbarhet praktiskt och affärskritiskt: prognoser, optimering, övervakning, kvalitet – och riskhantering.

Varför Hyundai-projektet sticker ut (och varför det är relevant i Sverige)

Hyundais planerade anläggning i Louisiana ska enligt uppgifterna starta omkring 2029 och producera ungefär 2,7 miljoner ton stål per år. Den bygger på en kombination som blivit ett slags standardrecept för lägre utsläpp: DRI (direct reduced iron) och ljusbågsugn (EAF), plus hög användning av stålskrot.

Det intressanta är inte bara tekniken, utan tajmingen. Flera aktörer i USA har bromsat eller dragit sig ur gröna stål-initiativ när federala förutsättningar ändrats. Hyundai gör tvärtom: man ligger kvar och justerar vägkartan. Det säger något viktigt: industrin börjar betrakta klimatprestanda som en strategisk kapacitet, inte ett projekt som bara lever om stöden är perfekta.

För svenska läsare landar det här mitt i vår egen diskussion om fossilfri industri, elpriser, nätkapacitet, effektbrist och snabbare tillstånd. Det som händer i Louisiana är en spegel: stål blir en energifråga – och energifrågor kräver datadriven styrning.

Grönt stål är i praktiken ett optimeringsproblem

Nyckeln till lågkoldioxidstål är inte bara att byta bränsle. Det är att göra hela kedjan stabil: råvaror, skrotkvalitet, ugnsdrift, elprofil, vätgasprofil, utsläpp och leveransprecision.

DRI, EAF och vätgas: samma process – helt nya krav

I klassisk masugn är kolet både energibärare och reduktionsmedel. I DRI kan reduktionen göras med naturgas eller vätgas, och smältningen sker ofta i en EAF. Det är lägre utsläpp – men mer känsligt för variation.

• EAF är elintensivt och påverkas av elpris, effektbegränsningar och nätets driftsläge.
• DRI med vätgas kräver stabil vätgastillförsel och tydlig kontroll på temperatur- och flödesregimer.
• Skrot varierar i sammansättning, vilket påverkar metallurgi, energibehov och produktkvalitet.

Det är här AI passar som hand i handske. När processen blir mer beroende av variabla energiflöden och råvarukvalitet ökar värdet av att kunna förutse, styra och optimera.

AI som minskar energikostnad utan att kompromissa med kvalitet

Ett återkommande missförstånd är att AI i industrin mest är ”dashboards”. Den verkliga effekten kommer när AI kopplas till driftbeslut:

1. Prognosstyrning av energibehov: modeller som förutser effekt- och energibehov per värmning/charge baserat på skrotmix, ugnens historik och målprofil.
2. Optimerad körplan: schemaläggning som tar hänsyn till elpris (spot och intradag), effektavgifter, flexibilitetsersättningar och leveranskrav.
3. Kvalitetsstyrning: prediktiva modeller som varnar när skrotmix eller processparametrar riskerar att ge avvikande hållfasthet, renhet eller ytkvalitet.

En bra tumregel: grönt stål i stor skala blir lönsamt först när energin blir styrbar. AI gör energin styrbar.

Vätgasstrategin: från “blå” till “grön” – och vad AI gör under resan

I Hyundais plan som presenterats i olika sammanhang framgår en väg där man initialt kan använda blå vätgas (naturgas + koldioxidavskiljning) och senare gå mot grön vätgas producerad med förnybar el.

Det är en pragmatisk strategi: bygg industrikapacitet och infrastruktur först, förbättra klimatprofilen stegvis. Men den strategin fungerar bara om man kan bevisa förbättringen och driva den operativt.

Mätbarhet är lika viktigt som bränslet

När kunder (fordonsindustri, bygg, offentlig upphandling) börjar kräva låg klimatpåverkan räcker inte en ambition. Man behöver:

• spårbarhet på råvaror och energikällor
• beräkning av produktens klimatavtryck per batch
• robust rapportering för revision och kundkrav

AI och dataarkitektur är centrala här. Praktiskt handlar det om att koppla samman produktionsdata (MES/SCADA), energidata (mätare, PPA:er, ursprungsgarantier), vätgasdata (elektrolysör, lagring, kompression) och logistikdata.

Ett enkelt sätt att uttrycka det: utan data blir ”grönt stål” en marknadsclaim. Med data blir det en leveransspec.

AI för elektrolys och flexibel vätgasproduktion

Grön vätgas bygger ofta på elektrolys, som i sin tur är elintensiv. Här är tre AI-områden som direkt påverkar ekonomin:

• Produktionsoptimering: kör elektrolys när elen är billigare eller när förnybar produktion är hög.
• Prediktivt underhåll: upptäck degradering i elektrolysörstackar tidigt och planera stopp smart.
• Lagerstyrning: optimera tryck, lagringsnivåer och flöden så att DRI-processen får rätt leverans utan onödig energiförlust.

Det här är exakt den typ av ”smart energisystem”-fråga som hela serien AI inom energi och hållbarhet kretsar kring: när energin blir variabel måste styrningen bli intelligent.

Lokalisering och infrastruktur: varför platsen spelar roll

Hyundais anläggning placeras i Ascension Parish i Louisiana, ett område som också ligger i en industrikorridor med tung historik av miljö- och hälsobelastning. Det finns uppgifter om att en majoritet av boende i området är positiva till investeringar kopplade till grön vätgas för stålproduktion – men stödet är villkorat: industrin måste leverera verkliga förbättringar.

Det finns dessutom en strategisk dimension i regionens infrastruktur: transport av vätgas är svårt, men vätgas kan omvandlas till ammoniak som är lättare att transportera i rörledningar. Det öppnar för att ett stålprojekt också kan bli ett energiprojekt.

AI för miljöövervakning och tillit

Om en ny industrietablering ska uppfattas som en förbättring – inte som ”mer av samma” – måste den vara transparent. Här är konkreta sätt AI kan bidra:

• Kontinuerlig emissionsanalys (NOx, SOx, partiklar) med avvikelsedetektering i realtid
• Digitala tvillingar för att simulera utsläppsscenarier och visa effekter av driftändringar
• Prediktiva modeller som varnar för driftlägen som ökar lokala belastningar

Poängen är enkel: teknikvalet (DRI, EAF, vätgas) är bara halva jobbet. Den andra halvan är driftkvalitet och bevisföring.

Vad svenska energi- och industribolag kan ta med sig

Hyundai visar att storskalig omställning inte väntar på perfekta förutsättningar. Den byggs genom att reducera risk – tekniskt, ekonomiskt och politiskt. AI är ett av de mest effektiva sätten att reducera risk eftersom det förbättrar förutsägbarhet.

En praktisk checklista: 6 AI-satsningar som ger effekt inom 6–18 månader

För organisationer som vill omsätta ”AI inom energi och hållbarhet” i industriell verklighet brukar de här stegen ge snabbast nytta:

1. Energiprognoser på anläggningsnivå (15-min till dygn): bättre inköp, mindre effekttoppar.
2. Lastoptimering mot elpris och effektavgifter: sänker kostnad utan att sänka output.
3. Kvalitetsmodell för råvarumix: minskar kassation, stabiliserar process.
4. Prediktivt underhåll för kritiska tillgångar (transformatorer, ugn, kompressorer): färre stopp.
5. Koldioxidbokföring per batch: gör klimatprestanda säljbar och reviderbar.
6. Avvikelsedetektering i miljö- och procesdata: snabbare åtgärder, högre förtroende.

Jag har sett att företag som börjar med (1) och (2) ofta får intern acceptans snabbt, eftersom nyttan syns direkt i kronor och ören. Sedan blir det lättare att få mandat för (5), som skapar kommersiellt värde i kunddialoger.

Vanliga fallgropar (och hur du undviker dem)

• ”Vi samlar data först”: samla inte allt. Börja med en tydlig beslutsfråga, bygg datat runt den.
• Pilot utan driftägare: AI som ingen operatör litar på hamnar i en rapportmapp.
• Otydliga mål: sätt mål i termer av kostnad per ton, kWh per ton, CO₂e per ton och OEE.

Nästa steg: från stålprojekt till smart energisystem

Hyundais Louisiana-satsning visar att industrin är på väg in i en ny logik: stål, kemi och bränslen blir delar av samma energisystem. Det driver upp komplexiteten, men det öppnar också för nya intäkter – flexibilitet, biprodukter, bättre kontrakt och premium på verifierat låga utsläpp.

Det är därför jag tycker att diskussionen om grönt stål ofta missar kärnan. Frågan är inte bara ”har vi vätgas?”. Frågan är: kan vi styra el, vätgas och process som ett sammanhängande system – varje timme, varje dag, varje år?

Vill du bygga en AI-plan som faktiskt hjälper en industriprocess att bli fossilfri (och inte bara ”mer digital”)? Då är ett bra första steg att välja en processlinje, definiera tre KPI:er och koppla dem till en modell som får påverka riktiga driftbeslut. När det sitter blir nästa fråga nästan självklar: vilka andra delar av energisystemet kan vi optimera på samma sätt?