AI-styrd lastflex gör datacenter billigare att driva

Kapacitetskostnaderna i USA:s största elmarknad, PJM, har gått från 2,2 miljarder dollar (2023) till 14,7 miljarder (2024) och vidare till 16,1 miljarder (senaste auktionen sommaren 2025). Det är inte ett abstrakt marknadsproblem. Det slår igenom på elräkningar och blir plötsligt valfråga.

Drivkraften bakom ökningen är till stor del nya datacenter – ofta kopplade till AI-boomen – som söker anslutning med effektbehov i storleksordningen småstäder. I PJM-området syns effekten redan: kunder betalar för kapacitet som ska garantera el även under de dyraste topparna, långt innan varje datacenter ens är byggt.

Och här är det som många missar: det är inte ”mer el” som är den svåra biten. Det är samtidigheten. Om alla vill ha garanterad effekt under samma få timmar per år, då blir systemet dyrt. Lösningen heter lastflexibilitet – och 2026–2030 kommer AI-styrd lastflex vara en av de mest konkreta vägarna till både lägre kostnader och robustare nät.

Varför datacenter driver kostnader: effekten, inte energin

Kärnan är enkel: elmarknader prissätter inte bara kilowattimmar (energi), utan också kilowatt (effekt) och förmågan att leverera vid toppar. I PJM måste systemoperatören säkra resurser för peak load. När prognoserna för framtida toppar skjuter i höjden – särskilt från stora nya laster – stiger kapacitetspriserna.

I materialet som diskuteras i PJM handlar det om att nya stora laster (t.ex. datacenter) påskyndas in i nätet via snabbspår, samtidigt som kunder skyddas från att få bära hela notan. En central konflikt är om datacenter ska kunna tvingas till avbrott/lastneddragning vid nödläge eller om det bara ska vara frivilligt.

Prognosproblemet: när ”pipeline” blir verklig kostnad

I PJM pekar flera aktörer på att prognoserna för datacenterlast riskerar att vara inflationsdrivande: många ansökningar är spekulativa, redundanta eller orealistiska – men de kan ändå påverka hur mycket kapacitet som upphandlas.

Konsekvensen blir ett klassiskt incitamentsfel:

• Den som ansöker om hög effekt får optioner och fördelar.
• Kostnaden för att systemet dimensioneras för dessa toppar sprids på många andra.

Här är en tydlig lärdom för Sverige också: utan högkvalitativa prognoser och krav på seriositet i anslutningsprocessen kan ”framtidslast” bli nutidskostnad.

Två vägar: tvingande avbrott eller frivillig flexibilitet

PJM-debatten visar två konkurrerande mekanismer:

1. Tvingande avbrott/”interruptible service”: Datacenter kopplas in snabbt, men får inte full ”fast” leverans förrän de själva bidrar med ny kapacitet. Vid systemstress är de först att kopplas bort.
2. Frivillig flexibilitet via marknadsdesign (t.ex. en variant av ”price-responsive demand”, PRD): Datacenter kan välja att avstå kapacitetskostnad i utbyte mot att de lovar att minska last när systemet är stressat.

Min ståndpunkt: frivillighet räcker inte när effektkostnaderna redan skenar. Frivilliga program kan fungera för de mest ambitiösa aktörerna, men systemet behöver en miniminivå av styrbarhet för att skydda kunder och nätstabilitet.

Varför branschen ogillar tvingande avbrott

Datacenteraktörer pekar på jurisdiktion, icke-diskriminering och att avbrottsvillkor ofta hanteras av delstatliga reglerade elbolag snarare än systemoperatören.

Men ur ett samhällsperspektiv är argumentet om rättvisa svårt att ignorera: när en ny last kan utlösa miljardkostnader i kapacitetsmarknaden är det rimligt att kräva att den lasten antingen bidrar med kapacitet eller bidrar med flexibilitet – helst båda.

Där AI faktiskt gör skillnad: från grova avtal till styrning per minut

Den stora bristen i många ”flex”-diskussioner är att man pratar som om flexibilitet är ett manuellt avtal: ”ni drar ner när vi ringer”. Det är 2010-tänk.

AI för smarta elnät gör flexibilitet mer likt en autopilot:

• Den förutser när risk för topp uppstår (timmar–dagar i förväg).
• Den räknar på kostnaden för att skala ner (SLA, drift, kylning, latens, reservkraft).
• Den optimerar åtgärderna: skjuta jobb i tid, flytta jobb i geografi, ändra kylstrategi, använda batterier.

AI-styrd lastflex i datacenter: tre konkreta mekanismer

1) Förutsägelse och schemaläggning av beräkningsjobb
Många AI-workloads (träning, batch-analys, rendering, indexering) är flyttbara i tid. AI kan klassificera jobb efter:

• deadline
• tolerans för avbrott
• energikostnadskänslighet

Och sedan styra dem bort från nätets dyraste timmar.

2) Termisk flexibilitet (kylning som ”energilager”)
Datacenter är i praktiken värmemaskiner. Med smart styrning kan man förkyla (inom temperaturgränser) innan en topp och minska kylbehovet under toppar. Det låter banalt, men effekten kan vara stor när tusentals anläggningar gör det samtidigt.

3) Lokal kapacitet: batterier, UPS och styrd reservkraft
Nästan alla datacenter har UPS. Fler bygger även batterilager. AI kan optimera när de ska:

• kapa toppeffekt (peak shaving)
• leverera stödtjänster
• säkra egen driftsäkerhet

Poängen: samma hårdvara kan skapa både lägre kostnader och högre leveranssäkerhet om den styrs rätt.

En bra tumregel: Om flexibiliteten inte kan mätas och aktiveras snabbt, kan den inte bära systemansvar. AI gör den mätbar och snabb.

En praktisk modell: “Fast anslutning” kräver flex eller kapacitet

Om jag fick designa en enkel, rättvis regel (som funkar både i PJM-logik och i svensk kontext) skulle den vara:

1. Snabb anslutning kan ges med villkor: tillfälligt avbrytbar effekt.
2. För att få fast effekt krävs ett av följande paket:
   • Egen ny kapacitet som matchar toppeffekt (t.ex. PPA + nätbidrag + lagring), eller
   • Certifierad AI-styrd lastflex som kan leverera en garanterad reduktion (t.ex. X MW inom Y minuter), eller
   • En kombination som tillsammans når kravet.

Så certifierar man flexibilitet utan att skapa pappersprodukter

Flex som bara finns i PowerPoint hjälper ingen. En robust certifiering bör kräva:

• Baslinjemätning (vad är normal last?)
• Verifierade tester (minst kvartalsvis) där anläggningen faktiskt drar ner
• Tydliga responstider (t.ex. 5, 15, 60 minuter)
• Penalties vid utebliven leverans

Det här är exakt den typ av process där AI också behövs: för att skapa spårbarhet, upptäcka ”fuskbaslinjer” och optimera testfönster.

Vad Sverige och Norden kan lära av PJM – innan vi hamnar där

Sverige bygger ut elintensiv industri och attraherar datacenter, samtidigt som elnätsutbyggnad tar tid. Vi har dessutom en vinterprofil där kalla toppar pressar systemet. Skillnaden mot PJM är marknadsdesign och produktion mix – men fysiken är densamma: toppar kostar.

Tre tidiga åtgärder som minskar risken för ”PJM-scenariot”:

1) Behandla stora laster som systemresurser, inte bara kunder

Nya datacenter bör från start designas för att kunna bidra med:

• efterfrågeflexibilitet
• lokal lagring
• stödtjänster

Det ska vara en del av affären, inte ett ”pilotprojekt”.

2) Kräv bättre lastprognoser och seriösare ansökningar

Ett enkelt krav som gör stor skillnad: ansökningar måste backas av tydliga milstolpar och ekonomiska åtaganden, annars riskerar de att bli kostnadsdrivande skuggor i systemet.

3) Skala AI i nätstyrningen – inte bara i datacentret

AI inom energi och hållbarhet handlar inte bara om att optimera en byggnad. Det handlar om att synka tre nivåer:

• datacentrets drift (IT + kylning)
• lokal nätkapacitet (stationer, flaskhalsar)
• systemnivå (balans, frekvens, toppar)

När de tre nivåerna pratar i realtid får man flexibilitet som faktiskt räknas.

Vanliga frågor (som beslutsfattare faktiskt ställer)

“Kan man verkligen stänga ner ett datacenter vid toppar?”

Ja, men inte genom att “dra sladden”. Det görs genom att minska last kontrollerat: flytta icke-kritiska jobb, använda batterier/UPS, justera kylning och prioritera SLA-kritiska tjänster.

“Riskerar inte flexibilitet att minska digital robusthet?”

Tvärtom, rätt implementerad flexibilitet ökar robustheten eftersom den tvingar fram bättre redundans, bättre energidesign och tydligare prioriteringar. Flex som bygger på kaos är farlig. Flex som bygger på automation är stabil.

“Vem ska få vinsten när flexibilitet sänker kapacitetskostnader?”

De som betalar kapacitetskostnaden ska få vinsten: elkunderna. Det kräver att marknadsregler och nätavgifter fördelar kostnader och besparingar transparent.

Nästa steg: gör lastflex till standard för AI-eran

PJM visar vad som händer när datacenterexpansion möter ett system som redan är pressat: kostnaderna tar hissen upp, och debatten blir snabbt politisk. Men samma fallstudie pekar också på något hoppfullt: flexibilitet är den snabbaste kapacitetsresursen vi har – snabbare än nätutbyggnad och ofta snabbare än ny produktion.

Om du arbetar med energi, nät, fastigheter eller datacenter i Norden är slutsatsen praktisk: bygg in AI-styrd efterfrågeflex som en del av anslutningen. Inte för att det låter bra, utan för att alternativet är enkelt att räkna på: dyrare toppar, dyrare kapacitet och mer konflikt om vem som ska betala.

Frågan som avgör 2026–2030 är inte om vi ska använda mer el för AI. Den är: ska AI göra elnätet smartare – eller bara mer belastat?