AI-stöd för kommunal energi: lärdomar från New Hampshire

När en liten kommun vill byta till LED-belysning i idrottshallen, installera solceller på brandstationen eller börja planera för eldrivna servicefordon är hindret sällan viljan. Hindret är nästan alltid kapacitet: tid, kompetens, upphandling, bidrag, kalkyler – och någon som kan hålla ihop allt.

Det är därför New Hampshires så kallade Energy Circuit Riders är så intressanta. Programmet har i praktiken fungerat som en resande “energiavdelning” för små orter och lokala verksamheter. Och 2025-12-18 kom beskedet som gör modellen extra relevant även för oss i Sverige: federal finansiering på 3 miljoner dollar ska nu testa en nationell uppskalning.

För dig som arbetar med energi och hållbarhet – i kommun, fastighetsbolag, nätbolag eller industrikoncern – finns en tydlig lärdom här: lokala klimat- och energiprojekt skalar inte med fler policydokument. De skalar med operativt stöd, data och smart styrning. Och där blir AI en praktisk förstärkare.

Varför “circuit rider”-modellen fungerar (och varför många misslyckas)

Kärnan är enkel: små kommuner har sällan råd att anställa egna energistrateger, upphandlare och bidragsspecialister. Samtidigt sitter de på en stor del av fastighetsbeståndet som behöver effektiviseras: skolor, äldreboenden, idrottsanläggningar, VA-byggnader, brandstationer.

New Hampshire byggde därför en funktion som reser mellan orter och hjälper till med konkreta steg: förstudier, ansökningar, upphandlingar, leverantörsval, kravställning och projektledning. Programmet startade i praktiken 2018 och har i dag sex “circuit riders” som täcker delstatens 234 kommuner. Enligt programmets egna uppskattningar har 41 % av avslutade projekt gett totalt 4,26 miljoner dollar i besparingar för kommuner.

Det finns en ganska hård sanning här: många energieffektiviseringsprojekt dör inte av teknikrisk – de dör av genomföranderisk.

Exemplet som säger allt: biblioteket och brandstationen

I artikeln nämns bland annat ett helelektriskt, solcellsdrivet bibliotek där circuit rider-stödet hjälpte kommunen att hantera anbudsprocess och leverantörsval. Bilden från Dublin (New Hampshire) visar också solceller på en frivillig brandkår – ett typexempel på byggnader som ofta är “lagom viktiga” för att prioriteras, men tillräckligt många för att spela roll i budget och utsläpp.

Poängen? När någon gör jobbet begripligt och tryggt blir beslutet lättare.

Federal finansiering som skalar lokala energilösningar – trots politisk motvind

Det som gör nyheten extra laddad är sammanhanget: samtidigt som den federala nivån i USA drar tillbaka delar av tidigare satsningar på avkarbonisering, lyckades programmet få in 3 miljoner dollar i budgeten för jordbruksutgifter (FY2026), signerat av president Donald Trump. Programmet ska administreras via USDA:s Rural Utilities Service och har formen av en pilot – vilket ofta betyder snabbare start och mindre byråkrati.

Det här är intressant ur ett svenskt perspektiv av två skäl:

1. Det visar att “billigare energi för lokalsamhället” är en bredare politisk valuta än klimatmål. Kostnadsargumentet bär långt, särskilt när energipriser och räntor pressar kommunbudgetar.
2. Det bekräftar att stödfunktioner kan vara lika viktiga som investeringsstöd. Pengar utan kompetens ger låg takt. Kompetens utan pengar ger frustration. Kombon ger tempo.

För “AI inom energi och hållbarhet”-serien är detta ett perfekt exempel på hur teknik blir relevant först när den byggs in i en process som människor faktiskt orkar driva.

Var kommer AI in? Tre sätt att förstärka modellen i praktiken

AI behöver inte vara mystiskt eller tungt för att skapa nytta. I just den här typen av kommunnära projekt handlar AI ofta om beslutsstöd, prognoser och automation av administration.

1) AI för energikartläggning: från magkänsla till prioriteringslista

Många kommuner har energidata, men den ligger spridd: fakturor, fastighetssystem, undercentraler, manuella mätningar. En AI-assistent kan göra tre saker som direkt sparar tid:

• Normalårskorrigera energianvändning (väderjustering) och göra byggnader jämförbara.
• Hitta avvikelser (t.ex. nattlast, onormala toppar, drift som inte följer schema).
• Föreslå åtgärdsordning baserat på payback, klimatnytta och genomförbarhet.

Snippet-värt uttryckt: AI gör inte jobbet åt kommunen – den gör listan över “rätt jobb i rätt ordning” mycket snabbare.

2) AI för upphandling och kravställning: mindre risk, bättre anbud

Upphandling är ett av de största hindren i små organisationer. Här kan AI hjälpa till att:

• sammanfatta krav och standardvillkor
• skapa checklista för utvärdering (pris, garanti, prestanda, service, referenser)
• kvalitetssäkra att anbud svarar på skall-krav

Det handlar inte om att “låta en modell välja leverantör”, utan om att minska risken för missar och sänka tröskeln att komma igång.

3) AI för driftoptimering: besparingen efter invigningen

Den vanligaste besvikelsen i energieffektivisering är att projekten inte levererar fullt ut när de väl är klara. Därför är AI kopplat till smart styrning ofta den mest underskattade vinsten:

• styrkurvor för värme och ventilation som anpassas efter faktisk användning
• laststyrning för att kapa effekttoppar (viktigt när effekttariffer breder ut sig)
• bättre matchning mellan solproduktion, batteri och förbrukning

Det är här “circuit rider”-tänk kan moderniseras: stödfunktionen hjälper inte bara att bygga – utan också att få driften att hålla över tid.

Så kan svenska kommuner och bolag kopiera idén – utan att kopiera USA

Sverige har andra förutsättningar: vi har energikontor, kommunala energirådgivare, starkare fjärrvärmestruktur och ofta mer digital mognad. Ändå känner jag igen samma flaskhals i många kommuner: det saknas en sammanhållen funktion som tar projekt från idé till drift.

Här är en praktisk modell att testa 2026 (och den funkar även för kommunala bolag och industrikluster):

En “regional energicoach”-funktion, förstärkt med AI

Mål: få fler projekt i mål per år, med jämn kvalitet.

Upplägg i 5 byggstenar:

1. Portföljstyrning: en gemensam lista över projekt (fastigheter, belysning, sol, laddning, fordonsflotta).
2. Datagrund: standardiserad insamling av el, värme, effekt, driftstider.
3. AI-stöd: automatisk fel- och avvikelseanalys samt prioriteringsförslag.
4. Upphandlingspaket: färdiga mallar + stöd i utvärdering.
5. Driftuppföljning: 90-180-365-dagars uppföljning efter driftsättning.

Det här är inte en “stor IT-satsning”. Det är en arbetsmetod där AI blir en verktygslåda.

Vad ska man mäta för att veta att det fungerar?

Om du vill bygga en case för ledning eller politisk nämnd: mät hellre få saker, men rätt.

• Projektgenomloppstid: från idé till beslut, och från beslut till drift.
• Verifierad besparing: kWh, kronor och effektreduktion (kW), inte bara kalkyl.
• Antal stödtimmar per genomfört projekt: visar skaleffekt.
• Andel projekt med uppföljning efter 12 månader: driftkvalitet.

New Hampshire uppskattar 4,26 miljoner dollar i besparingar från 41 % av avslutade projekt. För svenska organisationer är det ofta mer slagkraftigt att sätta ett mål som: “minst 10 verifierade projekt per år och kommungrupp” och sedan räkna ihop resultatet.

Vanliga frågor jag får (och raka svar)

“Behöver vi AI för att göra detta?”

Nej. Men utan AI blir stödfunktionen snabbt personberoende och svår att skala. AI är ett sätt att paketera kunskap, skapa jämn kvalitet och spara tid i analys och administration.

“Är det här ett kommunproblem eller ett energibolagsproblem?”

Båda. Kommunen äger ofta fastigheterna och beställer åtgärderna. Nät- och energibolag påverkas av effektuttag, flexibilitet och anslutning av sol och laddning. Samma portfölj kan gynna båda – om man planerar ihop.

“Vad är första steget på måndag?”

Sätt upp en projektlista på 10 objekt och bestäm en standardprocess: data → åtgärd → upphandling → driftuppföljning. Sedan kan AI kopplas in där ni tappar tid i dag (ofta data och kravställning).

Det som faktiskt står på spel 2026: tempo, inte teknik

New Hampshires “Energy Circuit Riders” visar att lokalt genomförande går att industrialisera utan att göra det opersonligt. Det är en modell som både sparar pengar och sänker utsläpp, och den är tillräckligt pragmatisk för att få stöd även när politiken svänger.

För oss som arbetar med AI inom energi och hållbarhet är det en nyttig påminnelse: AI ger störst effekt när den kopplas till vardagsnära hinder – upphandling, prioritering, drift och uppföljning. Tekniken är inte flaskhalsen. Genomförandet är det.

Om en liten brandstation i Dublin kan få solceller på taket med rätt stöd, vad skulle hända om varje svensk kommun hade en “circuit rider”-funktion – förstärkt med AI – som gjorde det lika lätt att ta nästa steg?