AI mot korruption: lärdomar från stoppad vindkraft

När en vindkraftspark inte blir byggd är det sällan en enda sak som går fel. Det är ofta en kedja: ett beslut här, en ny villkorsskrivning där, en utdragen process som gör att finansiering rinner ut i sanden. Men ibland finns en ännu mer obekväm förklaring: projektet stoppas för att någon tjänar på att det stoppas.

Det är kärnan i den uppmärksammade tvisten kring Icebreaker-projektet i Lake Erie utanför Cleveland, där en ideell projektägare (LEEDCo) hävdar att ett korrupt upplägg kopplat till ett stort energibolag bidrog till att torpedera det som kunde ha blivit Stora sjöarnas första havsbaserade vindkraft. Och även om det här är ett amerikanskt fall, är mekaniken smärtsamt relevant för svenska och nordiska aktörer som jobbar med energiomställningen.

För min del är slutsatsen tydlig: utan genomskinliga, datadrivna kontrollsystem kommer vi fortsätta betala ”korruptionspremien” i form av förseningar, dyrare kapital och tappat förtroende. Här kan AI spela en konkret roll – inte som PR, utan som infrastruktur för ansvar.

Vad som hände i Lake Erie – och varför det spelar roll

Poängen: Icebreaker stoppades inte av teknikens begränsningar, utan av en process där styrning och incitament verkar ha dragit åt fel håll.

Icebreaker var tänkt som ett demonstrationsprojekt: sex turbiner cirka 13 km (8 miles) ut från Cleveland, med en total kapacitet runt 20 MW – tillräckligt för att försörja tusentals hushåll med el och, lika viktigt, visa att offshore-vind fungerar i sötvatten och isförhållanden. För regionen fanns en industriell idé: skapa en lokal kedja av underleverantörer inom stål, marin logistik och avancerad tillverkning.

Projektet hade kommit långt. Den federala miljöprövningen var klar (2018), och villkor diskuterades och förhandlades med flera parter. Men 2020 kom ett beslut från delstatens tillståndsmyndighet som i praktiken fungerade som en ”giftpiller”-regel: turbinerna skulle behöva stängas av varje natt mellan mars och december.

Det är den typen av villkor som inte alltid låter dramatiska på papper – men som kan förstöra kalkylen. Förlorade produktionstimmar betyder sämre intäkter, svårare finansiering och större risk. Och risk är dyrt.

LEEDCo hävdar nu i en civil stämning att beslutet hänger ihop med en mutskandal kopplad till den ökända Ohio-lagen HB 6, där konsumenter enligt uppgifter tvingades finansiera subventioner för olönsamma kolkraftverk. I samma härva: betalningar på 4,3 miljoner dollar till ett bolag kopplat till en nyckelperson i regleringen, som senare åtalades (och sedermera avled 2024).

Det som gör fallet extra intressant ur ett AI- och hållbarhetsperspektiv är inte bara påstådd korruption. Det är hur små regulatoriska justeringar kan få enorm klimat- och industripolitisk effekt.

Den dolda kostnaden: när investeringar fryser

Poängen: Förseningsrisk är en klimatkostnad och en kapitalfråga, inte bara ”administration”.

När villkoret senare drogs tillbaka (2020) var skadan enligt LEEDCo redan skedd: partnern som skulle bygga projektet drog sig ur, finansiering föll och projektet frystes till slut (2023). Stämningen handlar om skadestånd som kan överstiga 10 miljoner dollar.

Men den samhällsekonomiska kostnaden är sannolikt större:

• tappad elproduktion som kunde ersatt fossil el,
• tappad industriell etablering,
• minskat investerarförtroende i regionen,
• sämre innovationsförmåga (”vi provar inte igen”).

Den här typen av kostnader syns sällan i en årsredovisning. Men de syns i tempot i energiomställningen.

Varför korruption och ”regulatory capture” är ett energiproblem

Poängen: Energiomställningen är beroende av tillstånd, nätanslutningar och tariffbeslut – alltså exakt de ytor där otillbörlig påverkan ger hög avkastning.

I energisektorn finns en särskilt känslig kombination:

1. Stora kapitalflöden (miljarder i investeringar)
2. Få beslutspunkter (tillstånd, anslutning, prisregler)
3. Komplexitet (svårt för allmänhet och media att följa detaljer)

Det gör sektorn sårbar för det som ofta kallas regulatory capture: att regleringen, medvetet eller omedvetet, börjar gynna etablerade intressen.

I Lake Erie-fallet påstår LEEDCo att energibolaget såg Icebreaker som konkurrens som skulle kunna kosta dotterbolag över 5 miljoner dollar per år i förlorade intäkter. Om ett projekt hotar kassaflöden kan incitamenten att bromsa det bli starka – och broms kan se ut som ”rimliga villkor”, ”försiktighetsprincip”, ”utredning behövs”.

Här är min ståndpunkt: det är inte tillräckligt att ha bra lagar på papper – man måste bygga system som gör det svårt att fuska och lätt att upptäcka avvikelser.

Där AI faktiskt hjälper: från ”compliance” till kontinuerlig transparens

Poängen: AI kan fungera som ett tidigt varningssystem som gör beslutsprocesser spårbara, jämförbara och svårare att manipulera.

När folk hör “AI mot korruption” tänker många på övervakning eller science fiction. Den praktiska nyttan är mer jordnära: AI kan automatisera det tråkiga men avgörande granskningsarbetet.

1) AI som hittar avvikande villkor i tillstånd

Tillståndsprocesser innehåller ofta tusentals sidor. AI kan användas för att:

• extrahera villkor (t.ex. driftbegränsningar, tidsfönster, bullerkrav),
• jämföra dem mot tidigare liknande projekt,
• flagga avvikelser som saknar tydlig motivering.

I Icebreaker-liknande situationer hade ett AI-stöd kunnat svara på en enkel fråga på minuter:

“Hur vanligt är nattlig avstängning mars–december för vindkraft i liknande miljöprövningar?”

När svaret är “i princip aldrig”, bör det trigga granskning.

2) AI för intressekonflikter och nätverksanalys

Korruption lämnar ofta spår i relationer: betalningar, konsultuppdrag, styrelseposter, mötesloggar. Med rätt juridik och datagränser kan AI:

• kartlägga relationer mellan bolag, underleverantörer och beslutsfattare,
• identifiera riskmönster (t.ex. återkommande transaktioner inför kritiska beslut),
• skapa riskpoäng för upphandlingar eller regulatoriska beslut.

Det här handlar inte om att “döma” någon automatiskt. Det handlar om att prioritera revision och transparens där risken är högst.

3) AI för spårbar beslutslogik (audit trails)

Många offentliga beslut lider av samma problem: motiveringen är kort, men effekten är enorm.

Med AI-stöd i beslutsprocessen kan man kräva:

• standardiserade motiveringar (vilka data, vilka remissvar, vilka avvägningar),
• maskinläsbara beslut (så de kan jämföras över tid),
• automatiska “konsekvenssammanfattningar” för klimat, kostnad och försörjningstrygghet.

Det gör det svårare att gömma ett ”giftpiller”-villkor i en lång textmassa.

4) AI i upphandling och projektstyrning

Även när tillståndet är klart kan projekt kapas av:

• strategiska överklaganden,
• märkliga ändringsorder,
• leverantörsbyte som dränerar kompetens.

AI kan analysera avtal och projektdata för att tidigt upptäcka:

• onormala prisavvikelser,
• upprepade förseningar kopplade till specifika aktörer,
• mönster som indikerar sabotage snarare än otur.

Så bygger du ett ”antikorruptionslager” för energiomställningen

Poängen: Det behövs en kombination av styrning, dataarkitektur och oberoende granskning – AI är verktyget, inte policyn.

För organisationer som driver eller finansierar förnybara energiprojekt (vind, sol, nät, flexibilitet) är detta en praktisk checklista jag själv hade använt:

1. Standardisera dokument: Gör tillstånd, remissvar och villkor maskinläsbara från start.
2. Inför jämförelsebenchmark: Definiera “normalspann” för villkor (buller, driftstopp, skyddszoner) per projekttyp.
3. Skapa en avvikelseprocess: Om ett villkor avviker kraftigt ska det kräva extra motivering och extern granskning.
4. Implementera intressekonfliktscreening: Automatiserad kontroll av kopplingar i upphandling och rådgivning.
5. Säkerställ oberoende audit: AI-modeller och regler ska granskas av tredje part. Annars bygger du bara ett nytt svart låda-problem.
6. Kommunicera öppet: Transparens är inte en bilaga – den är förtroendekapital.

Det här passar särskilt bra i Norden där mycket data redan är digitaliserad och där offentlighetstraditionen gör det möjligt att skapa spårbarhet utan att tumma på rättssäkerhet.

Vanliga följdfrågor (och raka svar)

”Blir inte AI bara ännu ett system man kan manipulera?”

Jo, om man bygger det slarvigt. Men rätt byggt blir AI ett sätt att minska godtycke genom jämförbarhet, loggning och automatiska kontroller. Manipulation blir svårare när allt lämnar spår.

”Kan AI ersätta grävande journalistik och revision?”

Nej. AI gör att granskare kan lägga tid på rätt saker. Jag ser det som en förstärkare: AI hittar rök, människor hittar eld.

”Är det här relevant i Sverige?”

Ja, eftersom riskerna finns där komplexitet och stora värden möts: nätkapacitet, havsbaserad vind, upphandlingar, lokala tillstånd och markavtal. Skillnaden är att vi kan välja att bygga skyddsräcken nu, innan nästa Icebreaker-scenario dyker upp.

Transparens är en förutsättning för mer förnybart

När ett vindkraftsprojekt stoppas av tveksamma beslut är skadan inte bara lokal. Den spiller över på hela marknaden: högre riskpremier, längre ledtider och mer politisk polarisering. Det är exakt det vi inte har råd med när elbehovet ökar, industrin elektrifieras och vintrar pressar effektbalansen.

I vår serie ”AI inom energi och hållbarhet” återkommer samma tema: AI gör mest nytta när den används för att skapa ordning i komplexa system – prognoser, flexibilitet, nätoptimering. Men jag tycker vi pratar för lite om den andra sidan: AI som förtroendemotor.

Nästa steg för många organisationer är inte fler visioner, utan en konkret fråga: vilka beslut i er energikedja är så värdefulla att de behöver ett extra lager transparens?