AI och kärnkraft: därför fastnar nybyggen – ännu

Återstart är den nya nybyggnationen.

Det är kärnan i den amerikanska “kärnkraftsrenässans” som syns i praktiken just nu: två nedstängda reaktorer är på väg tillbaka, medan helt nya stora reaktorer mest är PowerPoint och pressmeddelanden. Samtidigt är efterfrågan på stabil, fossilfri el större än på länge – inte minst från datacenter och AI-tjänster som kräver drift dygnet runt.

Det här spelar roll även för oss i Sverige. Inte för att vi ska kopiera USA:s politiska modell, utan för att mönstret är universellt: när elbehovet växer snabbt blir “tillstånd, finansiering och leveransförmåga” viktigare än teknikideologi. Och här kan AI och digitala verktyg vara skillnaden mellan projekt som går att räkna hem – och projekt som aldrig lämnar ritbordet.

Återstarter går – nybyggen fastnar: varför?

Svaret är att återstarter har lägre risk, kortare ledtid och tydligare kostnadsbild än nybyggda stora reaktorer. Det gör dem lättare att finansiera och enklare att sälja in till både elköpare och myndigheter.

I USA syns det i två tydliga spår:

• Three Mile Island (Unit 1): reaktorn stängdes 2019 av ekonomiska skäl, inte för att den var tekniskt “slut”. Nu finns en kommersiell efterfrågan (bland annat från stora techaktörer) och ett federalt lån som minskar kapitalkostnaden. Målet är drift igen runt 2028.
• Palisades i Michigan: stängde 2022, men har fått ett stort federalt lån och har redan tagit emot nytt bränsle med sikte på att börja producera el igen.

Det här säger något viktigt: När pengar och riskhantering kommer på bordet väljer marknaden “det som är möjligt att leverera” före “det som vore fint att ha”.

Nybyggnation av stora reaktorer i USA bär fortfarande med sig ett trauma från senaste megaprojektet, där förseningar och budgetöverskridanden blev en varningsskylt för riskaverta elbolag. Resultatet blir att även en politisk ambition om “10 nya stora reaktorer” kan låta kraftfull – men förblir svår att realisera utan stabilt förtroende för finansiering och spelregler.

Den underskattade bromsklossen: politisk och finansiell trovärdighet

Stora energiprojekt sträcker sig över flera mandatperioder. Om staten samtidigt drar tillbaka stöd, ändrar villkor eller stoppar tillstånd i andra delar av energisektorn sjunker viljan att binda kapital i 10–15 år.

Det här är en punkt många missar: kärnkraft handlar inte bara om teknik och säkerhet, utan om förutsägbarhet. Och förutsägbarhet är i praktiken en dataprodukt: tydliga antaganden, robusta prognoser, spårbar riskmodellering.

AI som “riskreducerare” i kärnkraft – det som faktiskt fungerar

AI kan inte trolla bort politiska svängningar, men den kan sänka teknisk och operativ risk – och det är ofta det som avgör finansierbarheten. I vår serie AI inom energi och hållbarhet återkommer vi till samma mönster: digitalisering skapar mätbar kontroll. Kärnkraft är inget undantag.

Här är tre områden där AI gör konkret nytta vid återstart och drift.

Prediktivt underhåll: från kalenderstyrt till tillståndsbaserat

Kärnkraftens ekonomi avgörs av tillgänglighet. Varje extra dag oplanerat stopp kostar – och slår direkt mot intäkter och trovärdighet.

AI-baserat prediktivt underhåll använder historik och realtidsdata (vibrationer, temperatur, tryck, flöden, el-kvalitet, ventilsignaturer) för att:

• upptäcka avvikelser tidigare
• prioritera rätt underhållsåtgärd
• minska risken för sekundärskador
• planera stopp när elpriser och systemläge gör minst ont

Det är ingen magi. Det är statistiska modeller, anomali-detektion och “health scoring” av komponenter – med tydliga larmtrösklar och revisionsspår.

Säkerhetsövervakning: bättre signal-till-brus, färre blinda fläckar

Återstarter kräver extra fokus på att validera att system och rutiner fungerar som tänkt. AI kan fungera som ett extra lager för att hitta mönster som människor missar, till exempel:

• kombinationer av små avvikelser som tillsammans signalerar risk
• långsamma drifter i sensorer (sensor drift) som ger falsk trygghet
• människa–maskin-interaktioner där operatörer konsekvent gör “nästan rätt”

Viktigt här: i kärntekniska miljöer måste modeller vara förklarbara och lätt att granska. Jag har sett att de mest användbara systemen ofta är “tråkiga” – men tydliga: de säger vad som avviker, varför de larmar, och vilken data som ligger bakom.

Driftoptimering mot elnätet: kärnkraft + smarta elnät

Kärnkraft beskrivs ofta som baslast. Men framtidens elsystem – med mer vind och sol – behöver flexibilitet, planering och bättre prognoser.

AI-driven energiprognos och nätoptimering kan hjälpa operatörer och systemansvariga att:

• planera effekthöjningar/sänkningar inom tillåtna ramar
• koordinera med vattenkraft, batterier och efterfrågeflex
• minska kostnader för stödtjänster
• förbättra leveranssäkerhet vid toppar (typiska vintermorgnar i Norden)

Det här är extra relevant vintern 2025–2026, när Europa fortsätter balansera höga effektkrav, osäkerhet kring bränslepriser och industriell elektrifiering.

Datacenter, AI och el: varför kärnkraft hamnar i centrum igen

Den snabbaste efterfrågeökningen på el kommer just nu från datacenter och elektrifiering av industri och transporter. Det skapar ett nytt köparsegment som inte bara vill ha “grön el”, utan förutsägbar el 24/7 med låg volatilitet.

Här blir kärnkraft intressant av två skäl:

1. Låg klimatpåverkan per kWh i livscykelperspektiv (jämförbar med vindkraft och vattenkraft i många sammanställningar).
2. Hög kapacitetsfaktor – vilket matchar datacenter som ogillar avbrott och pristoppar.

Men det kommer med en baksida: om datacenterboomen används för att motivera investeringar i fossilgas (för att det går snabbare) riskerar vi att låsa in utsläpp. Samtidigt pekar analyser på att vissa efterfrågeprognoser kan vara överdrivna. AI behövs därför även på systemnivå: bättre prognoser, bättre scenarioanalys och mer realistisk planering.

Praktisk tumregel

När osäkerheten är hög blir värdet av bättre prognoser ännu högre.

Om ett nätbolag eller en industrikund felbedömer sin lastutveckling med 20–30 % kan det betyda miljardinvesteringar i fel kapacitet. AI hjälper inte bara till att räkna – den hjälper till att räkna rätt genom att väga in fler datakällor och beteendemönster.

Från federala lån till svensk verklighet: vad kan vi ta med oss?

Lärdomen från USA är inte att “staten ska betala allt”, utan att stora energisatsningar kräver en trovärdig riskdelning. I Sverige och EU kan det handla om kreditgarantier, kapacitetsmekanismer, långsiktiga elavtal eller tydligare regelverk för tillstånd.

Men oavsett finansmodell finns tre AI-drivna “snabbvinster” som är relevanta för svenska energibolag, industrin och offentliga aktörer:

1. Digital tvilling för anläggning och nät
   • Koppla ihop teknikdata, underhåll och driftlogik i en simulerbar modell.
   • Använd den för återstartplaner, utbildning och incidentövningar.
2. AI för tillstånds- och projektstyrning (utan fluff)
   • Strukturera dokument, krav och avvikelser.
   • Spåra ändringar och beslut så att revision och granskning blir enklare.
3. Prognoser för effektbehov och flexibilitet
   • Kombinera väder, produktion, industrischeman och marknadsdata.
   • Bygg scenarier: “kall vintervecka”, “störning i överföring”, “snabb industriexpansion”.

Det här är också ett bra exempel på hur AI inom energi och hållbarhet blir konkret: mindre ideologi, mer operativ kontroll.

Vanliga frågor (som beslutsfattare faktiskt ställer)

“Är AI verkligen kompatibelt med kärntekniska säkerhetskrav?”

Ja – om man designar för det. Modeller måste vara validerbara, versionsstyrda och ha revisionsspår. Ofta betyder det att man väljer enklare modeller som är lättare att granska, och att AI används som beslutsstöd snarare än autonom styrning.

“Ger AI mest nytta vid nybygge eller återstart?”

Återstart ger ofta snabbare ROI eftersom man redan har anläggning, data och organisation. Nybyggen kan däremot vinna mycket på AI i projektering, planering och kvalitetssäkring – men det tar längre tid innan nyttan realiseras.

“Vad är största misstaget i AI-satsningar för energisektorn?”

Att börja med modellen i stället för problemet. Börja med en drift- eller underhållsfråga som kostar pengar varje månad, och bygg datagrunden därefter.

Nästa steg: så kommer ni igång utan att skapa ett “AI-labb” som aldrig levererar

Om ni jobbar med energiproduktion, nät, industriell elektrifiering eller stora elanvändare (som datacenter) är en rimlig start att välja ett av följande spår:

1. Prediktivt underhåll på en kritisk utrustningsklass (pumpar, ventiler, transformatorer)
2. Last- och prisprognoser för bättre planering (veckor till månader)
3. Scenarioanalys för investeringar (hur robust är planen om antaganden ändras?)

Det gemensamma målet: minska osäkerhet som annars blir dyrare finansiering, fler driftstopp eller felinvesteringar.

Kärnkraftens comeback i USA visar att det som går snabbast är det som redan finns – men också att framtiden avgörs av förtroende och förmågan att leverera. AI kan inte ersätta politik. Men AI kan göra det lättare att bevisa att en plan håller.

Vilken del av energikedjan i din organisation är mest “mörk” i dag – underhåll, prognoser eller projektstyrning – och vad skulle det kosta er att få den under kontroll under 2026?