Förnybart räcker inte – så kan AI minska fossil energi

En obekväm sanning i energiomställningen är att mer förnybar el inte automatiskt betyder mindre fossil energi. En studie från Penn State (publicerad 2025-05-20) gick igenom produktionsdata för fossila bränslen och förnybar energi i 33 fossilproducerande delstater i USA mellan 1997 och 2020 – och hittade ingen tydlig koppling mellan mer förnybart och lägre fossil produktion.

Det här spelar roll även för svenska företag och offentliga aktörer. Inte för att vi har samma fossilproduktion som Texas eller North Dakota, utan för att logiken är densamma: om systemet, marknaden och styrningen inte tvingar fram utfasning kan förnybart bli ett tillägg i stället för en ersättning. Och där kommer min favoritvinkel i serien ”AI inom energi och hållbarhet” in: AI kan vara länken mellan ambition och faktisk minskning, genom att optimera drift, prognoser och styrning så att fossil kapacitet verkligen får stå still.

Varför minskar inte fossil produktion bara för att förnybart byggs ut?

Kärnan är enkel: energisystemet följer inte moral, utan incitament och begränsningar. Om efterfrågan ökar, exportmöjligheter finns, eller fossil infrastruktur redan är avskriven kan fossila volymer fortsätta – även när sol och vind växer.

Studien pekar dessutom på något som många missar: över 96 % av variationen i fossil produktion mellan delstater förklarades av ”fasta faktorer”, som geologiska tillgångar (hur mycket olja/gas/kol som finns), befintliga industrikluster och lokala ekonomier.

Tre mekanismer som gör att fossilt lever kvar

1. Efterfrågan flyttar problemet: Mer förnybar el kan frigöra fossil energi till andra användningar eller marknader (t.ex. export), om politiken inte begränsar produktionen.
2. Systemdrift kräver flexibilitet: Vid obalans, toppar och låg vind/sol startas ofta fossil reservkapacitet. Om flexibiliteten inte byggs ut kan fossil drift bli ”kvar” som försäkring.
3. Kapital låser in: Raffinaderier, pipelines, gasfält och kraftverk är investeringar som har egna ekonomiska logiker. När de väl finns på plats krävs tydliga styrmedel för att stoppa dem.

Min tolkning: att bygga förnybart är nödvändigt, men det är inte en utfasningspolicy i sig.

Vad betyder det här för Sverige och Europa 2025?

Sverige står starkt med vattenkraft, kärnkraft och snabbt växande vind – men vi är också en del av en europeisk marknad där fossil elproduktion fortfarande kan påverka priser, import/export och klimatpåverkan. Samtidigt växer elbehovet från:

• elektrifiering av industri (stål, batterier)
• transportsektorn
• datacenter och AI-infrastruktur

Det skapar en risk som liknar den studien pekar på: förnybart kan möta ny efterfrågan utan att tränga undan fossil produktion i samma takt.

En svensk parallell: ”mer el” är inte samma sak som ”mindre utsläpp”

Om vi bygger mer förnybart och samtidigt bygger upp konsumtionen snabbt, kan nettoeffekten bli lägre utsläpp per kWh – men inte nödvändigtvis lägre utsläpp totalt. Därför behöver vi jobba med två spår samtidigt:

• Utbyggnad (mer förnybart, mer nät, mer flexibilitet)
• Utfasning (styrning, planering, driftoptimering så fossil verkligen minskar)

Och det är här AI kan bidra konkret.

AI som saknad pusselbit: från “mer förnybart” till “mindre fossilt”

AI är inte magi, men den är bra på tre saker som energisystem ofta är dåliga på: prognoser, optimering och beslut i realtid. När de tre fungerar tillsammans minskar behovet av fossil ”back-up”.

1) Smartare prognoser som minskar fossil reservdrift

Det mest direkta sättet AI kan minska fossil användning är att göra osäkerheten mindre.

• Vind- och solprognoser med maskininlärning kan bli mer träffsäkra på kort sikt (minuter–timmar) och medellång sikt (dygn).
• Lastprognoser (förbrukning) kan förbättras genom att kombinera väder, pris, kalender, industriella körscheman och historik.

När prognosfelen minskar behöver systemoperatörer inte hålla lika mycket fossil kapacitet “varm”. Det är en konkret klimat- och kostnadseffekt.

Snabb tumregel: bättre prognoser betyder mindre säkerhetsmarginaler, och det betyder färre fossilstarter.

2) Optimering av flexibilitet: batterier, värme, laddning, industri

Förnybart blir en ersättning först när flexibiliteten finns där. AI kan styra flexibilitet så att den faktiskt används när den gör mest nytta.

Exempel på AI-styrd flexibilitet:

• Batterilager: ladda när förnybart är högt, leverera när systemet är ansträngt.
• Fjärrvärme och värmepumpar: flytta förbrukning i tid med bibehållen komfort.
• Elbilsladdning: styra laddning bort från toppar och mot timmar med hög förnybar andel.
• Industriprocesser: planera batcher och effektuttag för att minska toppar.

Nyckeln är att AI kan räkna på tusentals små beslut och göra dem samordnade. Utan den samordningen blir flexibilitet ofta ett powerpoint-löfte.

3) Smart grid i praktiken: mindre flaskhalsar, mer förnybart utnyttjat

När nätet är trångt tvingas man ibland ”spilla” vind/sol (curtailment) samtidigt som fossil produktion kan ligga kvar på andra platser. AI kan bidra genom:

• nätprognoser: var uppstår trängsel, när och varför?
• topologi- och flödesoptimering: hur kan man styra om i nätet inom säkra gränser?
• dynamisk kapacitet (dynamic line rating): använda data och modeller för att utnyttja ledningar bättre när förhållanden tillåter.

Det här är en viktig brygga från studiens budskap: om fasta faktorer (resurser, geografi, infrastruktur) styr mycket, då behöver vi verktyg som maximerar nyttan av det vi redan byggt.

“Men är inte policy viktigare än AI?” Ja. Och AI gör policy verkställbar.

Studien landar i att fler styrmedel kan behövas: koldioxidskatt, produktions- eller utsläppstak, och att låta fossila reserver ligga kvar. Jag håller med.

Men här kommer den praktiska frågan som ofta glöms bort: hur genomför man en utfasning utan att få instabilitet, kapacitetsbrist eller kostnadschocker?

AI hjälper på två nivåer:

1. Mätbarhet och uppföljning: bättre data, bättre avvikelsedetektering, bättre rapportering av verkliga utsläpp och driftmönster.
2. Operativ styrning: när fossil kapacitet begränsas behövs intelligent drift så att förnybart och flexibilitet fyller luckan.

Det är skillnaden mellan en policy som ser bra ut i ett dokument och en policy som faktiskt klarar en februarikväll kl 18:00.

Praktisk “policy + AI”-kombination som fungerar

• Sätt ett tydligt mål: minskade fossila driftstimmar (inte bara mer förnybar installerad effekt).
• Inför en regel/marknadsdesign som premierar flexibilitet.
• Använd AI för att:
  • prognostisera behov och produktion
  • optimera flexibilitetsresurser
  • verifiera att fossil drift verkligen minskar

När KPI:erna är rätt blir AI ett verktyg för att nå dem, inte en pryl vid sidan om.

En snabb checklista för organisationer som vill minska fossilberoende med AI

Om du jobbar på energibolag, industri, fastighetsbolag eller kommun: här är ett realistiskt upplägg som brukar fungera.

Steg 1: Välj en mätbar utsläppsdriven KPI

Bra KPI:er:

• fossil elandel i inköp (timupplöst)
• utsläpp per producerad enhet (t.ex. ton CO₂/ton produkt)
• antal toppar över en viss effekt (kW) per månad

Mindre bra KPI:er:

• “vi ska använda mer förnybart” (utan definition och tidsupplösning)

Steg 2: Bygg datagrunden (utan att fastna i perfektion)

• mätvärden (förbrukning/produktion) minst timvis
• pris- och väderdata
• driftloggar (vad startade när?)
• enkel datakvalitetsmonitorering (saknade värden, sensordrift)

Steg 3: Implementera AI där den ger snabb effekt

Tre vanliga “första projekt”:

• lastprognos + styrning av värme/ventilation
• optimering av batterilager eller elbilsladdning
• prognos + planering för industrins effekttoppar

Steg 4: Skala med governance

• modellägarskap (vem ansvarar när modellen har fel?)
• spårbarhet (varför tog systemet ett beslut?)
• cybersäkerhet (AI-styrning är en del av kritisk infrastruktur)

Min erfarenhet: de som lyckas börjar smalt, mäter hårt och skalar först när nyttan syns.

Fossil utfasning är ett systemproblem – därför passar AI

Studien från USA är en nyttig kalldusch: förnybar utbyggnad ersätter inte fossilt av sig själv, särskilt inte i regioner där fossila resurser och ekonomiska strukturer är starka. Vill man minska fossil energi måste man antingen begränsa produktionen direkt eller göra det operativt onödigt att köra fossilt.

AI hjälper oss med den andra halvan: att göra energisystemet så förutsägbart, flexibelt och optimerat att fossil ”säkerhetsdrift” inte behövs i samma omfattning. För mig är det en av de mest konkreta vägarna att koppla ihop AI inom energi och hållbarhet med verklig utsläppsminskning.

Om förnybart inte automatiskt tränger undan fossilt är nästa fråga rätt skarp: vilka beslut i ert system, timme för timme, håller fossil energi kvar – och vilka av dem kan AI optimera bort redan 2026?