AI skalar lokala energiprogram till nationell nivå

Ett av de mest underskattade hindren i energiomställningen är inte teknikbrist – det är brist på tid, kompetens och genomförandekraft i små kommuner. Det syns tydligt i New Hampshire, där ett ”Energy Circuit Rider”-program i flera år har åkt från liten ort till liten ort och hjälpt kommuner att faktiskt få saker gjorda: solceller på offentliga byggnader, energieffektivisering, upphandlingar och planering för elektrifierade fordonsflottor.

Nu får modellen federala pengar för att skalas nationellt: 3 miljoner dollar för en pilot som ska administreras via USDA:s Rural Utilities Service. Det är anmärkningsvärt i ett läge där andra klimatsatsningar samtidigt stramas åt. För oss som jobbar med AI inom energi och hållbarhet är det här extra intressant, eftersom det visar något jag ofta ser i praktiken: när ett program skalar, blir data, prioritering och standardisering plötsligt viktigare än fler projektidéer.

Den stora möjligheten framåt är därför inte bara ”mer pengar” eller ”fler rådgivare”, utan AI som förstärker rådgivarteamens effekt – så att fler kommuner kan gå från ambition till färdiga projekt, snabbare och med lägre risk.

Varför ”circuit rider”-modellen fungerar (och varför den är svår att skala)

Kärnan i circuit rider-upplägget är enkel: en rörlig expertresurs hjälper kommuner och små verksamheter med utredning, bidragsansökningar, projektledning, upphandling och tekniska vägval. New Hampshires program startade i praktiken som stöd till frivilliga energikommittéer i små kommuner – grupper med varierande kompetens och noll extra timmar i veckan.

Modellen fungerar av tre skäl:

• Den sänker trösklarna. Kommuner slipper uppfinna hjulet varje gång.
• Den skapar förtroende. En ”trusted expert” minskar rädslan att göra fel.
• Den ger genomförandekraft. Upphandling, anbudsutvärdering och bidragslogik är ofta det som stoppar projekt – inte själva viljan.

Men här kommer baksidan när man går från delstat till nation:

Skalningsproblemet: fler orter, fler regler, fler variationer

När programmet breddas blir det snabbt komplext:

• Olika nätbolag, tariffmodeller och anslutningsprocesser
• Olika byggnadsbestånd och tekniska baslinjer
• Olika bidrag, rapporteringskrav och tidsfönster
• Olika politiska mål och beslutsvägar

Det är exakt den här typen av komplexitet där AI och bra dataplattformar kan göra störst nytta – inte genom att ”automatisera bort människor”, utan genom att göra expertresurserna mer träffsäkra.

Vad AI kan bidra med när energiprogram går från lokalt till nationellt

AI:s mest konkreta värde i kommunala energiprogram är att den kan förkorta tiden från idé till beslut och minska risken i de första stegen. Det gäller särskilt när resurser är små och varje felbeslut blir dyrt.

1) AI för projektprioritering: ”Vilka 10 byggnader ska vi börja med?”

De flesta kommuner börjar i fel ände: de diskuterar teknik först. Ett bättre arbetssätt är att rangordna möjligheter med ett poängsystem som går att försvara politiskt.

Med AI-stödd analys kan man ta in data som:

• energiförbrukning per byggnad (timvärden om de finns)
• byggnadsarea, användning och driftmönster
• historiska elpriser och prognoser
• underhållsplaner och planerade renoveringar
• utsläppsfaktorer och klimatmål

…och sedan skapa en portföljlista: ”hög besparing, låg risk, snabb återbetalning” vs. ”hög klimatnytta, kräver större investering”.

Snippetvänligt: AI är bäst när den hjälper kommunen välja rätt första projekt, inte när den väljer solpaneler.

2) AI för bidrag och finansiering: från ”vi hinner inte” till ”vi skickar in i tid”

I New Hampshire fungerade programmet bland annat som forskare, konsult och grant writer. Det är ingen slump: bidragsdjungeln är en av de största flaskhalsarna.

AI kan bidra genom att:

• extrahera krav och deadlines ur bidragsunderlag
• skapa checklista per projekt (bilagor, data, intyg)
• föreslå textutkast som matchar kravspråk
• spåra status och risk (”vi saknar mätdata för X”)

Det här sparar inte bara tid. Det ger också en jämlikhetseffekt: små kommuner som annars alltid kommer sist får en chans att vara med.

3) AI i upphandling och anbudsutvärdering: mindre magkänsla, mer spårbarhet

En konkret detalj från New Hampshire är stödet vid anbudsprocesser, till exempel för solcellsinstallationer. Det är ett område där kommuner ofta blir osäkra: Vad är rimliga garantier? Hur jämför vi offerter?.

AI kan här fungera som ”second set of eyes”:

• strukturera offerter i jämförbara rader (CAPEX, OPEX, garantier)
• flagga avvikelser och otydliga villkor
• jämföra tekniska specifikationer med kravlistan
• sammanfatta styrkor/svagheter per leverantör

Poängen är inte att AI ”bestämmer vinnare”, utan att den höjer kvaliteten på beslutsunderlaget och gör processen mer transparent.

Så skapar man skala utan att tappa lokal förankring

När federala pengar ska omsättas i lokala projekt är risken klassisk: man bygger ett centralt program som blir för generellt. Circuit rider-idén är tvärtom väldigt lokal. AI kan hjälpa till att hålla båda perspektiven samtidigt.

Standardisera det som ska vara standard

För att skala behöver man standardpaket. Bra kandidater:

• mallar för energikartläggning av kommunala byggnader
• kravbibliotek för sol, laddinfrastruktur, värmepumpar, styr- och regler
• datamodeller för uppföljning (före/efter, normalårskorrigering)
• KPI:er: kWh, kronor, ton CO₂, leveransrisk, genomförandetid

AI blir extra effektiv när det finns struktur. Utan struktur blir den bara en dyr genväg.

Behåll det som måste vara lokalt

Samtidigt behöver varje kommun svar på sina egna frågor:

• Var finns nätbegränsningar?
• Vilka byggnader har sämst inomhuskomfort?
• Vilka investeringar är politiskt möjliga just nu?

Här passar circuit rider-rollen perfekt: AI kan göra grovjobbet, men den lokala rådgivaren gör verkligheten begriplig.

En fungerande modell är: AI tar fram tre genomförbara alternativ, rådgivaren och kommunen väljer ett.

Praktiskt exempel: från ”solceller på brandstationen” till portföljprogram

Tänk dig en liten svensk kommun med:

• en brandstation, ett bibliotek, en idrottshall och två skolor
• ökande energikostnader
• en energicontroller på deltid

Ett AI-stött circuit rider-upplägg kan vara:

1. Datainsamling på 2 veckor: fakturor, mätdata, driftider, renoveringsplaner
2. AI-analys på 48 timmar: toppar, baslast, avvikelser, prioriteringslista
3. Workshop (2 timmar): välj 2–3 startprojekt
4. Upphandling med mallar: kravbibliotek + anbudsanalysstöd
5. Uppföljning: automatisk rapport om besparing och avvikelseorsaker

Resultatet blir att kommunen kan gå från ett enskilt projekt till ett portföljprogram som håller över flera mandatperioder.

Vanliga frågor (som AI faktiskt kan hjälpa till att besvara)

”Vad är snabbast: energieffektivisering eller solceller?”

Snabbast effekt på kostnad kommer ofta från styrning, ventilation och belysning i byggnader med lång drifttid. Solceller är starkt när takytor och elprofil passar, men kräver mer projektering och nätfrågor.

”Hur vet vi att besparingen är riktig?”

Genom att jämföra före/efter med normalårskorrigering och driftsdata. AI kan automatisera avvikelseanalys: väder, öppettider, utrustningsfel.

”Blir det säkert att använda AI i kommunal verksamhet?”

Ja, om man sätter ramar: dataklassning, loggning, mänskligt beslutsansvar och tydliga modeller för vilka källor som får användas. Det ska vara spårbart, inte magiskt.

Nästa steg: så kommer ni igång under 2026

Om du sitter i en kommun, ett kommunalt bolag eller en regional energisatsning: kopiera principen från New Hampshire, men bygg den för vår verklighet. Mitt råd är att börja litet och designa för skala.

1. Utse 1–2 pilotkommuner med tydliga mål (kr, kWh, CO₂).
2. Bygg en minsta datamängd (10–15 datapunkter per byggnad räcker för start).
3. Skapa en standardiserad projektpipeline: idé → förstudie → upphandling → genomförande → uppföljning.
4. Lägg AI där den gör mest nytta: prioritering, bidrag, upphandling, uppföljning.

Det intressanta med federal finansiering i USA är inte beloppet i sig, utan signalen: den här typen av praktisk hjälp ger mätbar effekt. I New Hampshire uppskattade programmet att en delmängd genomförda projekt (41%) gav totalt 4,26 miljoner dollar i besparingar för kommuner. Den sortens resultat får politiker att lyssna – och det gör att program kan växa.

Om AI inom energi och hållbarhet ska vara mer än visioner behöver vi fler sådana här ”tråkiga” byggstenar: process, data, uppföljning. AI gör inte jobbet åt kommunerna. Men den kan göra att kommunerna faktiskt hinner göra jobbet.

Vilken kommunal energifråga i din organisation fastnar oftast – prioritering, upphandling eller uppföljning?