AI och smarta elnät: vägen till 100% ren el 2035

När elräkningen sticker iväg med 20% på en sommar, blir energipolitik plötsligt väldigt konkret. Det är precis den verklighet som New Jersey brottas med efter turbulens i den regionala elmarknaden (PJM) och en kraftigt växande efterfrågan – mycket drivet av AI-relaterade datacenter. Samtidigt har delstaten lagt fram en uppdaterad plan: 100% ren el till 2035 och kraftiga utsläppsminskningar till mitten av seklet.

Det här är inte bara en amerikansk historia. För oss som jobbar med AI inom energi och hållbarhet är New Jersey ett tydligt exempel på var många regioner hamnar nu: ambitionen är hög, men tidpunkten är besvärlig. Federal politik kan bromsa investeringar, elmarknader kan ge prischocker, och ny last (datacenter, elektrifiering, industri) kan förändra allt på några år.

Min ståndpunkt: 100% ren el är fullt möjligt – men utan AI-stöd för planering, drift och flexibilitet blir det onödigt dyrt och politiskt sårbart.

Varför 100% ren el blir svårare när efterfrågan växer

Det centrala skiftet är att elbehovet inte längre är stabilt. Under lång tid var efterfrågan i många system platt eller fallande tack vare effektivisering. Nu har kurvan vänt upp.

I New Jerseys fall sammanfaller tre krafter:

• Datacenter-expansion kopplad till AI-tjänster och molninfrastruktur
• Elektrifiering (elbilar och byggnader) som redan rullats ut med stora program
• Kapacitetsproblem i elmarknaden som trycker upp kundernas kostnader

När en systemoperatör (som PJM) måste säkra mer kapacitet snabbt, tenderar priset att stiga. Resultatet blir politiskt känsligt: väljarna kan vara positiva till ren energi, men de hatar prischocker. Det är exakt den typen av läge där energiomställningar tappar fart.

AI-paradoxen: datacenter driver efterfrågan – men AI kan också rädda systemet

Det finns en ironisk logik här: AI driver datacenterlast, men AI är samtidigt en av de mest effektiva verktygslådorna för att hantera ett system med mycket sol, vind och batterier.

Om du vill ha en enkel tumregel:

Ju mer variabel produktion och variabel efterfrågan, desto mer värdefull blir prediktion och optimering.

Det är där AI kommer in – inte som “nice to have”, utan som en kostnadsdämpare och riskreducerare.

New Jerseys plan visar vad som krävs: sol + batterier i industriell skala

New Jerseys plan bygger tungt på storskalig solkraft och energilagring. Modellen pekar mot ungefär:

• cirka 22 GW sol till 2050 (jämfört med runt 5 GW idag)
• cirka 750 MW ny sol per år från 2026, vilket är ungefär dubbla takten jämfört med 2024

Det är aggressivt. Och det är också logiskt: sol kan byggas relativt snabbt, kostnaden har historiskt fallit, och den kan spridas över många platser (tak, parkeringar, lager, mark).

Men här kommer den praktiska frågan som ofta glöms bort i politiska planer: Vem ska orkestrera allt detta i realtid?

Där AI gör skillnad på riktigt: från “mer produktion” till “rätt produktion vid rätt tid”

Att bara addera mer sol löser inte toppar, dalar eller nätbegränsningar. Värdet skapas när produktionen och flexibiliteten matchar systemets behov timme för timme.

Konkreta AI-användningar som gör planer som denna genomförbara:

1. Lastprognoser på lokal nivå (kvartersnät, stationer, regioner) som tar hänsyn till väder, helger, evenemang och datacenterdrift.
2. Prognoser för sol- och vindproduktion med högre upplösning (nu-casting), vilket minskar behovet av dyr reserv.
3. Optimerad batteridrift: när ska batterier ladda/ur, och var i nätet gör de mest nytta?
4. Flexibilitetsstyrning (demand response): flytta förbrukning i tid utan att användaren märker det.
5. Prediktivt underhåll i nät och stationer för att minska avbrott i ett mer ansträngt system.

Det här är inte science fiction. Det är operativ effektivitet. Och den är ofta billigare än att bygga “extra allt” i form av nät och fossil reservkraft.

Den besvärliga tajmingen: marknadsturbulens och politiska motvindar

New Jerseys plan presenteras samtidigt som två stora friktioner ökar risken:

• Federal politisk motvind som minskar stöden och skapar osäkerhet (skatterabatter, tullar på utrustning)
• Stopp och förseningar för havsbaserad vindkraft, som var tänkt att bli en viktig del av mixen

När havsvind bromsar, måste något annat fylla luckan. I praktiken blir det ofta en kombination av:

• mer sol (snabbast att få på plats)
• mer batterier (för att göra sol användbar även kvällstid)
• mer effektivisering (billigaste kilowattimmen)
• och i värsta fall mer fossil toppkraft (om systemet blir stressat)

AI som “policy-försäkring” när spelplanen ändras

Politik ändras, marknader svänger. Men behovet av el finns kvar. AI kan fungera som en sorts försäkring genom att göra systemet mindre känsligt för enskilda misslyckanden.

Exempel:

• Om havsvind blir försenad: AI-driven flexibilitet och batterioptimering kan minska effektbrist.
• Om utrustning blir dyrare: bättre prognoser minskar behovet av överinvesteringar.
• Om efterfrågan växer snabbare än väntat: mer exakt lastmodellering gör att nätåtgärder prioriteras rätt.

Det är också här många organisationer går fel: man behandlar AI som ett IT-projekt. Jag har sett att det fungerar bättre när man behandlar AI som en del av systemdesignen, lika självklar som transformatorer och marknadssignaler.

“Plan” räcker inte – styrning och genomförande avgör

En intressant detalj i New Jerseys fall är att energiplanen är vägledande, inte juridiskt bindande. Den kan inspirera regler, upphandlingar och investeringar – men den tvingar ingen.

Den typen av konstruktion är vanlig: planer blir visioner, och visioner blir powerpoints. Det som skiljer en fungerande omställning från en snygg plan är genomförandemuskler.

Tre saker som gör att 100%-mål håller över val och konjunkturer

Om du arbetar med energi, hållbarhet eller policy (i Sverige eller internationellt) är det här de tre stabilisatorerna jag skulle prioritera:

1. Mätbara delmål per år

   • Exempel: “750 MW sol per år från 2026” är bättre än “mycket sol till 2050”.

2. Stabil investeringssignal

   • Långsiktiga regler för nätanslutning, ersättningsmodeller för flexibilitet och tydliga standarder.

3. Operativ kontroll genom data

   • Om du inte kan se belastning, flaskhalsar och flexibilitet i nära realtid kan du inte styra kostnader.

AI spelar direkt in i punkt 3 – och indirekt i punkt 1 och 2, eftersom bättre beslutsunderlag gör det lättare att motivera investeringar och prioritera rätt.

Praktiska åtgärder: så använder ni AI för en snabbare och billigare omställning

Här är en handfast lista över åtgärder som ofta ger effekt inom 3–12 månader, även i komplexa energisystem.

1) Bygg en “gemensam sanningskälla” för energidata

Du behöver inte perfekta data – men du behöver samstämmiga data.

• mätvärden (förbrukning/produktion) i 15-min eller timupplösning
• prisdata och nätbegränsningar
• väderdata och prognoser
• anläggningsregister (sol, batterier, laddning, värmepumpar)

2) Börja med prognoser – de ger snabb ROI

Prognoser är ofta den snabbaste vägen till sparad kostnad.

• lastprognos per nod
• sol/vind-prognos per park
• toppvarningar 24–72 timmar fram

3) Skapa incitament för flexibilitet (och automatisera den)

Flexibilitet utan automation blir manuellt krångel. Automation utan incitament blir tomt.

• dynamiska tariffer eller flexibilitetsmarknader
• aggregatorer/virtuella kraftverk
• AI-styrning som flyttar last: EV-laddning, värme/kyla, batterier

4) Sätt upp “omställnings-KPI:er” som kopplar teknik till pengar

Bra KPI:er gör att AI inte fastnar i pilotläge.

• kostnad per undviken topp-MW
• minskad obalanskostnad
• minskat antal timmar med nätöverlast
• minskad curtailment (spill av sol/vind)

Den AI-satsning som inte kan kopplas till en kostnadsrad eller en riskrad kommer att få det tufft när budgeten stramas åt.

Det här betyder något även i Sverige

Sverige har andra förutsättningar än New Jersey – annan marknadsdesign, annan mix, annan nätgeografi. Men kärnfrågan är densamma: hur bygger vi ut fossilfri el samtidigt som ny efterfrågan växer snabbt?

Det är dessutom slutet av 2025. Datacenter, elektrifiering av transporter och industriprojekt påverkar redan nätplaner och tillståndsprocesser. Den som tror att omställningen “bara” handlar om att bygga mer produktion missar den svåraste biten: systemdrift och flexibilitet.

AI är inte en genväg runt politiska beslut, men den är ett sätt att göra besluten mindre riskfyllda och mer kostnadseffektiva.

Nästa steg, om du vill arbeta mer praktiskt: identifiera var i ert system osäkerheten är dyrast (topp timmar? nätflaskhalsar? obalanser?) och börja där. Vilken datapunkt skulle göra nästa investeringsbeslut 20% bättre? Det är ofta startskottet för en AI-satsning som faktiskt håller.