AI som skalar kommuners energiomställning i praktiken

Det finns en detalj i nyheten från New Hampshire som är lätt att missa, men som säger allt: ett team på sex “Energy Circuit Riders” har hjälpt 138 av 234 kommuner att genomföra konkreta energiprojekt — och av bara 41 % av de avslutade projekten uppskattar man redan 4,26 miljoner dollar i besparingar.

Det är inte glittriga PowerPoint-planer. Det är solceller på brandstationer, energieffektiv belysning i små samhällen och stöd vid upphandling. Och nu får modellen federal finansiering (3 miljoner dollar) för att testas nationellt.

För oss som jobbar med AI inom energi och hållbarhet är det här extra intressant. Inte för att AI nämns i artikeln (det gör den knappt) — utan för att programtypen visar exakt var energiomställningen ofta går sönder: i genomförandet. AI är som starkast just där, när många små beslut ska tas snabbt, jämföras rättvist och följas upp över tid.

Varför “circuit riders” fungerar: kapacitetsbrist, inte vilja

Kärnan är enkel: många kommuner och småföretag vill minska kostnader och utsläpp, men saknar tid, specialistkompetens och processstöd.

I New Hampshire startade idén när energikommittéer i små kommuner (ofta ideella krafter) behövde hjälp att omsätta ambition till projekt. Lösningen blev en modern variant av “resande expert”: en person som kan agera utredare, rådgivare och bidrags-/ansökningsstöd.

Det här är ett mönster vi känner igen i Sverige också, särskilt i mindre kommuner:

• Upphandling av solceller, laddinfrastruktur eller energitjänster kräver specialistkunskap.
• Energidata finns, men är splittrad mellan fastigheter, nät, leverantörer och fakturor.
• Stödprogram och finansiering är komplexa och tidskrävande att navigera.
• Driftfrågor (t.ex. effektavgifter, lasttoppar, inomhusklimat) kräver kontinuerlig optimering.

Energiomställningen stannar sällan på grund av teknikbrist. Den stannar för att ingen hinner hålla ihop helheten.

Myten som behöver dö: “Vi behöver bara investeringspengar”

Pengar är nödvändiga, men inte tillräckliga. Det New Hampshire gör rätt är att finansiera genomförandekapacitet: människor som kan lotsa kommuner från idé till färdig anläggning och mätbara resultat.

När programmet nu skalar nationellt via jordbruksdepartementets landsbygdsinriktade enhet är det ett tecken i tiden: staten kan skjuta till finansiering, men det praktiska arbetet måste fungera lokalt.

Där AI passar in: från “resande expert” till skalbart system

AI ersätter inte en circuit rider. Men AI kan göra varje expert 3–10 gånger mer effektiv genom att automatisera analys, ge bättre beslutsunderlag och skapa ordning i data. När ett program går från en delstat till ett helt land blir det avgörande.

1) AI för energiprognoser och effektstyrning

Den dyraste elen är ofta den som sammanfaller med dina toppar. För kommunala fastigheter är lasttoppar extra känsliga när effektavgifter och nätbegränsningar biter.

AI-baserade prognoser kan:

• förutse timvisa laster per byggnad (och per aggregat om mätning finns)
• koppla last till väder, verksamhetsscheman och historik
• föreslå åtgärder som sänker toppar utan att störa verksamheten

Praktiskt exempel i en kommunal portfölj:

• Bibliotek + sporthall + skola har olika lastmönster.
• AI upptäcker att sporthallens ventilation startar för tidigt under helger.
• Små justeringar (starttider, temperaturkurvor, styrlogik) minskar toppar och sparar pengar — utan investering.

2) AI som “upphandlingshjärna”: jämför offerter rättvist

Artikeln beskriver hur circuit riders hjälper kommuner att hantera anbud, leverantörsval och upphandling. Det är ofta en flaskhals.

AI kan stötta genom att:

• extrahera nyckelvillkor ur offerter (garantier, prestanda, service, indexering)
• standardisera jämförelser (”äpplen med äpplen”)
• flagga risker (t.ex. ovanligt kort garanti, otydliga ansvarspunkter)
• beräkna livscykelkostnad (LCC) och sannolika utfall

Det här är inte “magisk AI”. Det är strukturerad textanalys och kalkylmotorer — men effekten blir stor när små kommuner gör upphandlingar sällan och saknar rutin.

3) AI för att hitta “lätta vinster” i energidata

Många kommuner har redan mätare, men saknar tid att tolka dem. AI kan snabbt hitta:

• nattlaster som är för höga
• avvikande energianvändning efter åtgärd (”vi lovades besparing, men den syns inte”)
• byggnader med störst potential per investerad krona
• onormala driftmönster (t.ex. värme och kyla samtidigt)

En circuit rider kan då lägga sin tid på rätt saker: åtgärdsplan, dialog med drift, prioritering och beslut.

4) AI i smarta elnät: när många små projekt blir systemfråga

När solceller, laddning och batterier byggs ut i stor skala uppstår nya utmaningar:

• lokal överproduktion mitt på dagen
• nätkapacitet som inte räcker vid samtidig laddning
• spänning/effektproblem i vissa områden

AI i smarta elnät handlar i praktiken om optimering och koordination:

• styra laddning efter effektläge och elpris
• prioritera kritiska laster (ex. samhällsviktiga funktioner)
• balansera lokal solproduktion med lokal förbrukning

Det intressanta med ett nationellt circuit rider-program är att det skapar en standardiserad “frontlinje” som kan samla in behov, data och erfarenheter — och därmed göra AI-modeller bättre och mer generaliserbara.

Så kan svenska kommuner låna modellen (utan att kopiera rakt av)

Poängen är inte att Sverige ska skapa samma program med samma namn. Poängen är att kombinera praktiskt genomförandestöd med AI-stöd för att skala energieffektivisering och förnybar energi snabbare.

Ett fungerande upplägg i tre nivåer

Nivå 1: Bas (alla kommuner)

• Gemensam datamodell för el, värme, drift, fastighetsregister
• En enkel AI-driven “energiradar” som listar topp 20 åtgärder per kommun
• Standardmallar för upphandling och kravspec

Nivå 2: Stöd (kommuner med hög belastning eller låg kapacitet)

• Regionalt team av “energi-coacher” (motsvarighet till circuit riders)
• AI-verktyg för offertanalys, bidragskarta och projektportfölj
• Processledning: från förstudie till driftsatt lösning

Nivå 3: System (nät och flexibilitet)

• Samverkan med nätägare kring flexibilitet, laddning och lokala flaskhalsar
• AI för laststyrning, aggregering och uppföljning

Det viktiga är att se helheten: människor + process + data + AI.

“People also ask” – raka svar på vanliga frågor

Hjälper AI verkligen små kommuner, eller är det bara för storstäder?

AI hjälper små kommuner mer än man tror, eftersom de ofta har få specialister och många byggnader att hantera. Den stora vinsten är prioritering och uppföljning.

Behöver man perfekta data för att börja?

Nej. Börja med det som finns: fakturor, timmätning, väderdata, driftloggar. AI blir bättre över tid, men kan ge nytta tidigt genom avvikelsedetektering och grov prognos.

Vad är den största risken när man inför AI i energistyrning?

Att man automatiserar dåliga processer. Om ansvar, mål och uppföljning är otydliga blir AI ännu ett system ingen litar på. Lägg tid på styrmodell och beslutspunkter.

Praktiska nästa steg: en 30-dagars plan

Vill du ta det här från inspiration till handling? Här är ett upplägg jag har sett fungera.

1. Dag 1–7: Skapa en åtgärdsbacklog

   • Lista 10 byggnader med högst energikostnad.
   • Identifiera 3 snabba åtgärder: nattlast, ventilationstider, temperaturkurvor.

2. Dag 8–14: Sätt mätbarhet före investering

   • Bestäm 5 KPI:er (kWh, kW-toppar, kostnad, komfortindikator, CO₂e).
   • Säkerställ att du kan följa dem månadsvis.

3. Dag 15–21: Välj ett AI-stöd med tydligt användningsfall

   • Prognos för effekt/toppar eller avvikelsedetektering eller offertjämförelse.
   • Undvik att köpa “allt-i-ett” innan behoven är klara.

4. Dag 22–30: Gör en pilot som slutar i beslut

   • Pilot ska mynna ut i ett ja/nej-beslut: skala, ändra, eller stoppa.
   • Dokumentera tidsbesparing och ekonomisk effekt.

Varför detta är extra relevant vintern 2025

December i Norden betyder hög last, höga toppar och en energidiskussion som snabbt blir konkret i budgeten. Samtidigt ökar trycket på elektrifiering: laddning, värmepumpar och elintensiva verksamheter. När elnäten är ansträngda blir varje kommunal åtgärd — särskilt de som minskar effektbehov — mer värd än sitt investeringsbelopp.

New Hampshires circuit rider-modell visar att den smarta satsningen inte alltid är fler subventioner, utan bättre genomförande. Och när modellen nu får nationell skjuts blir nästa logiska steg att koppla på AI: prognoser, optimering och skalbar uppföljning.

Om du ansvarar för energi, fastighet eller hållbarhet: bygg kapacitet som håller. Och använd AI som verktyget som gör att ni hinner.

När energiomställningen skalar från enstaka projekt till portföljer blir AI mindre “innovation” och mer vardagsverktyg.

Vill du att vi tar fram en första åtgärdsbacklog för er fastighetsportfölj och pekar ut var AI ger snabbast effekt — vilka tre byggnader hade du börjat med?