AI som stoppar korruption innan vindkraften stoppas

När ett energiprojekt faller ihop är det sällan en enda sak som går fel. Det börjar ofta med ”små” beslut: en ny villkorsskrivning, en ovanlig tolkning av regler, ett möte som aldrig diarieförs. I Ohio i USA blev en sådan kedja av beslut förödande. Ett planerat offshore-vindprojekt i Lake Erie, kallat Icebreaker, gick från att vara ett regionalt framtidsbygge till att läggas på is — och en civil stämning pekar ut ett korrupt upplägg kopplat till elbolaget FirstEnergy som en avgörande orsak.

Jag tycker att den här historien är mer relevant för Sverige än den först ser ut. Inte för att vi har samma system, utan för att den visar ett mönster: förnybar energi är inte bara teknik och finans — det är också integritetsrisk, policy-risk och förtroenderisk. Och det är precis här vår serie “AI inom energi och hållbarhet” blir praktisk. För AI kan faktiskt hjälpa oss att upptäcka tidiga varningssignaler, kvantifiera regulatorisk risk och minska sannolikheten att en hel region tappar år av arbete på grund av beslut som luktar mer politik än samhällsnytta.

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

Kärnpunkten: Icebreaker föll inte på vindresurser, teknik eller miljöprövning — utan på styrning och beslutskvalitet.

Icebreaker var tänkt som ett demonstrationsprojekt: sex turbiner cirka 8 miles (drygt 12 km) utanför Cleveland. Kapaciteten skulle vara runt 20 MW, tillräckligt för el till tusentals hushåll. Men poängen var större än så: att bevisa att offshore-vind i sötvatten (och i ett mer krävande klimat) var genomförbart och därmed kunna bygga en lokal industrikedja.

Projektet tog sig igenom mycket av det som brukar vara det svåra: studier, planering, federal miljögranskning och långt gångna villkorsförhandlingar. Sedan kom ett beslut 2020 som förändrade spelplanen: en ny driftrestriktion som i praktiken skulle tvinga turbinerna att stänga nattetid från mars till december. Enligt projektets företrädare var det en ”giftpiller”-klausul som gjorde affären omöjlig.

Restriktionen revs senare upp. Men då hade finansiering och partner redan dragit sig ur. I stämningen hävdas att detta hänger ihop med mutor kopplade till Ohio-lagen HB 6 — en lag som bland annat rullade tillbaka delar av delstatens satsningar på ren energi och skapade stora subventioner till kolkraft. FirstEnergy har tillbakavisat anklagelserna och vill få målet avvisat.

Lärdomen för energibranschen: Om en enda regeländring kan välta ett projekt med tio års förarbete är det inte bara otur. Det är ett styrningsproblem.

Den dolda kostnaden: när integritet blir en klimatfråga

Kärnpunkten: Korruption i energisektorn är inte en ”etikfråga vid sidan av” — den påverkar utsläpp, elpriser, jobb och försörjningstrygghet.

När ett projekt försenas eller stoppas händer flera saker samtidigt:

• Kapitalet flyttar. Investerare lär sig snabbt vilka marknader som är ”oförutsägbara” och kräver högre riskpremie.
• Kostnaderna för elkunder ökar. Inte bara via direkta subventioner, utan genom att billig förnybar produktion uteblir.
• Kompetens och leverantörskedjor tappar fart. Industrin byggs i kluster — när första projektet uteblir blir andra också svårare.
• Tidsförlust blir utsläpp. Varje år utan ny förnybar el betyder mer fossil produktion eller dyrare omställning senare.

Det mest frustrerande? Den här typen av haverier är ofta förutsägbara på indikatornivå. Inte exakt datum eller exakta aktörer — men mönstren går att se.

Var AI passar in: från ”compliance” till tidig varning

Kärnpunkten: AI kan göra policy- och integritetsrisk mätbar, spårbar och hanterbar — ungefär som vi redan gör med produktionsrisk och prisrisk.

I många energibolag och projektbolag finns redan riskfunktioner. Men de är ofta byggda för finansiella risker (ränta, valuta, elpris), inte för governance-risker (beslutsgång, intressekonflikter, otillbörlig påverkan). Här kan AI fylla luckan med tre konkreta förmågor.

1) AI som bevakar regulatoriska avvikelser i realtid

Det som sänkte Icebreaker (enligt stämningen) var en oväntad, operativt omöjlig restriktion som kom sent i processen. Det är exakt den typen av avvikelse som kan fångas om man bygger en modell som bevakar:

• historiska tillståndsvillkor för liknande projekt
• normal variation i villkorstexter
• ”sent tillkomna” klausuler och hur ofta det händer
• vilka myndighetsinstanser och personer som ofta driver avvikande linjer

Med NLP (språkmodeller för textanalys) kan man jämföra nya beslut med ett ”normaltillstånd” och flagga:

• ovanligt strikta driftvillkor
• språkliga markörer för specialbehandling (t.ex. extra breda formuleringar)
• villkor som ger oproportionerlig ekonomisk effekt

Poängen är inte att AI ”bevisar korruption”. Poängen är att AI ger dig en tidig varning så att du kan agera innan finansieringen spricker.

2) AI som kopplar ihop signaler som människor missar

Korruption och otillbörlig påverkan syns sällan i ett dokument. Den syns i kombinationen av:

• betalningsflöden och konsultavtal
• tidslinjer (beslut tas ”märkligt” snabbt eller långsamt)
• nätverk av relationer (styrelser, tidigare anställningar)
• avvikande beslutsmönster hos nyckelpersoner

Med graph analytics (nätverksanalys) kan man modellera relationer och hitta koncentration av inflytande eller onormala kopplingar. Lägg till anomaly detection på tidslinjer och du får en riskbild som går att följa vecka för vecka.

I praktiken betyder det att projektledningen kan få en dashboard som svarar på:

• Vilka beslutspunkter har högst sannolikhet att bli blockerade?
• Vilka krav/villkor skulle, om de ändras, slå hårdast mot affärscaset?
• Var i processen ökar avvikelsegraden jämfört med liknande ärenden?

3) AI som simulerar policy-risk som en del av affärscaset

Det många gör fel är att policy-risk behandlas som en ”kvalitativ kommentar” i en bilaga. En bättre väg är att kvantifiera den.

En AI-stödd modell kan ge ett scenariointervall:

• sannolikhet för försening (t.ex. 3, 6, 12 månader)
• sannolikhet för tillkommande villkor (och typ av villkor)
• påverkan på IRR, LCOE och finansieringsbarhet

Då blir frågan inte ”tror vi att myndigheten är rimlig?” utan:

”Vad kostar det oss om beslutet blir 20% mer restriktivt än normalt — och vilka motåtgärder sätter vi in redan nu?”

Det är så man tar governance på samma allvar som nätanslutning eller ränta.

Så bygger du ett AI-stött skydd mot policyhaverier (praktisk checklista)

Kärnpunkten: Du behöver inte ett perfekt system. Du behöver ett system som fångar avvikelser tidigt och triggar rätt åtgärd.

Här är ett upplägg jag sett fungera i energiorganisationer (och som passar både projektutvecklare, investerare och kommunala energibolag):

1. Skapa en ”policy risk baseline”. Samla historiska tillstånd, villkor och beslut för jämförbara projekt (nationellt och regionalt).
2. Textanalys på nya beslut och remisser. Låt en språkmodell klassificera villkor, hitta avvikelser och peka ut vilka klausuler som är affärskritiska.
3. Bygg en risk-taxonomi. Dela upp risk i: tillståndsvillkor, tidsrisk, intressentkonflikt, rättslig risk, reputationsrisk.
4. Sätt trösklar som triggar åtgärd. Exempel: ”avvikelsegrad > X” → juridisk granskning + omförhandling av finansieringsvillkor.
5. Integrera med governance. Riskflaggor ska gå till styrgrupp, inte bara till analytiker.
6. Mät utfallet. Följ upp: hur ofta flaggorna stämde, vilka som var falsklarm, vad som förbättrades.

Det är också här leadsmålet blir naturligt: många organisationer behöver hjälp att gå från idé till rutin — datakällor, modellval, ansvar, och hur man får acceptans i verksamheten.

Vanliga frågor jag får (och raka svar)

”Kan AI verkligen upptäcka korruption?”

AI kan upptäcka mönster som är förenliga med otillbörlig påverkan: avvikelser, nätverk, timing och språkliga särdrag. Bevisning kräver fortfarande juridik, revision och ofta myndighetsarbete.

”Blir det inte bara mer övervakning och mindre tillit?”

Om man gör det slarvigt, ja. Om man gör det rätt blir det tvärtom: beslut blir mer spårbara, och seriösa aktörer får lättare att visa att processen gått rätt till.

”Vad är första steget om man vill börja?”

Börja med en enda sak: modellera avvikelse i tillståndsvillkor för en projekttyp (t.ex. vindkraft, batterilager eller nät). Det ger snabbt värde och skapar intern förankring.

Nästa steg: bättre kontroll utan att bromsa omställningen

Historien om Icebreaker i Lake Erie visar hur skört ett förnybart projekt kan vara när policy och styrning blir oförutsägbara. En enda restriktion i fel läge kan räcka för att kapital, partner och momentum ska försvinna — även om restriktionen tas bort senare.

Min ståndpunkt är enkel: energiomställningen behöver lika mycket integritet som ingenjörskonst. AI är inte ett moralfilter, men det är ett kraftfullt verktyg för att göra risk synlig tidigt, prioritera rätt åtgärder och skydda investeringar i hållbar energi.

Om du arbetar med vindkraft, nät, energilagring eller kommunal energiplanering: vilka delar av era tillstånds- och beslutsflöden är mest känsliga för ”sent tillkomna överraskningar” — och vad skulle hända om ni kunde se dem tre månader tidigare?