AI som snabbar på tillstånd för vind och sol i Norden

När två amerikanska delstater väljer att samordna upphandlingar för vind och sol handlar det inte om ”snällt samarbete”. Det handlar om tid. Och om pengar. I New England försöker Connecticut och Maine få fler förnybara projekt i marken innan federala skatteincitament klingar av. Den typen av deadline-stress är bekant även här hemma: i Sverige och Norden möter vind, sol och nätinvesteringar ofta samma två flaskhalsar – tillståndsprocesser och nätkapacitet.

Här är min poäng: det är inte bara fler handläggare som behövs. Den verkliga hävstången ligger i bättre planering, bättre data och bättre beslut under osäkerhet. Det är exakt där AI inom energi och hållbarhet passar in – inte som en ”magisk knapp”, utan som ett verktyg för att prognostisera, prioritera och korta ledtider i hela kedjan från ansökan till inkoppling.

Delstaternas strategi – att poola efterfrågan, dela information och standardisera upphandling – är en tydlig modell för hur man kan accelerera utbyggnaden av förnybar el. I den här artikeln översätter vi det till en nordisk kontext och visar konkret hur AI kan hjälpa energibolag, utvecklare och myndigheter att få fler projekt klara i tid.

Varför samordnade upphandlingar faktiskt fungerar

Den snabbaste vägen till mer förnybart är ofta att minska friktionen mellan aktörer. Connecticut öppnade sin upphandling för att fler delstater skulle kunna delta, och Maine valde att haka på för att kunna utvärdera samma anbud, utifrån egna behov. Det låter administrativt – men effekten är praktisk.

Kärnan: när flera köpare tittar på samma projektportfölj ökar volymen, jämförbarheten och förhandlingskraften. Samtidigt kan utvecklare lägga tid på färre anbudsformat och mer på att faktiskt bygga.

Tre mekanismer gör att modellen tenderar att pressa både risk och pris:

1. Större och tydligare efterfrågan → bättre investerbarhet.
2. Delad marknadsinformation (bud, villkor, risker) → färre missförstånd och omtag.
3. Standardiserade processer → kortare ledtid från upphandling till kontrakt.

För en svensk läsare är parallellen enkel: tänk skillnaden mellan att varje kommun, region och nätområde gör helt egna upplägg – kontra att man samordnar kriterier, dataformat och krav. Samordning är inte ”mindre demokrati”; det är mindre slöseri.

Deadline-effekten: när tidsfönster styr hela marknaden

I USA driver förändrade skatteregler en hård tidslinje: projekt behöver nå vissa milstolpar för att kvalificera sig för stöd. När incitament kopplas till datum händer två saker:

• Kapitalet blir otåligt. Finansiering finns, men kräver bevis på framdrift.
• Tillstånd och inkoppling blir den verkliga tröskeln. Tekniken är sällan problemet.

Det här är relevant även i Norden, även när vi inte har exakt samma federala skatteavdrag. EU-regler, nationella styrmedel, elområden, anslutningsköer och upphandlingsfönster skapar i praktiken liknande ”måste vara klart då”-logik. Resultatet: de aktörer som kan prognostisera ledtider och minimera omtag vinner.

Där AI gör störst skillnad: från idé till nätanslutning

AI gör störst nytta när den sätts in där vi idag gissar, mejlar och väntar. Det gäller särskilt i tre steg: tillstånd, upphandling/kontrakt, och nätintegration.

AI för tillstånd: snabbare handläggning utan sämre kvalitet

Tillståndsprocesser är ofta dokumenttunga och repetitiva. AI kan inte ersätta juridiken eller miljöprövningen – men den kan kapa tid i förarbetet och minska risken för formella brister.

Praktiska AI-tillämpningar som fungerar redan idag:

• Dokumentklassning och kravspårning: hitta vilka bilagor som saknas, vilka villkor som triggas, och var det finns motsägelser i underlag.
• Sammanfattningar för remiss och beslut: skapa konsekventa, granskningsbara sammanfattningar av tekniska rapporter.
• Riskflaggor tidigt: modellera sannolikheten för kompletteringsrundor baserat på historik (typ av projekt, lokalisering, naturvärden, närhet till bebyggelse).

En ”snackis” i branschen är AI som skriver text. Mindre omtalat – men mer värdefullt – är AI som fångar fel innan de blir stopp. En komplettering som tar 6–10 veckor kan i praktiken vara skillnaden mellan att hinna ett upphandlingsfönster eller inte.

AI för upphandling: bättre budutvärdering och mindre överraskningar

Connecticut/Maine-idén bygger på att flera kan utvärdera samma bud. Men när anbudsmängden ökar blir manuella jämförelser snabbt en flaskhals.

AI kan här användas för:

• Anbuds-normalisering: tolka olika antaganden (kapacitetsfaktor, indexering, nätkostnader) och göra dem jämförbara.
• Scenariomodeller: simulera pris och leveransrisk under olika elprisbanor, räntor och leverantörsled.
• Kontraktsanalys: identifiera villkor som historiskt korrelerat med tvister, förseningar eller kostnadseskalering.

En bra upphandling väljer inte ”lägsta pris”. Den väljer lägsta pris som faktiskt går att leverera.

AI i elnätet: det som avgör om förnybart blir verklighet

Det spelar ingen roll hur snabbt du får ett tillstånd om du fastnar i anslutningskö eller får begränsad inmatning. Förnybart är numera lika mycket en systemfråga som en produktionsfråga.

AI inom smarta elnät används redan för:

• Prognoser för produktion och belastning (vind/sol + efterfrågan) på allt från 5 minuter till flera år.
• Flexoptimering: styra batterier, industrilaster och laddning för att minska toppar.
• Nätplanering: hitta var förstärkningar ger mest effekt per investerad krona.

För projektutvecklare är detta extra intressant: AI-baserade nät- och prisprognoser kan göra att man väljer rätt plats från början – och slipper dyra omtag när anslutningsvillkoren landar.

Datadelning som konkurrensfördel (och varför det är svårt)

Samarbetet mellan Maine och Connecticut handlar i praktiken om informationsdelning: samma anbud, samma tidsplan, mer koordination. Det låter självklart – men i energisystemet är data ofta fragmenterad:

• myndigheter har sina format,
• nätbolag sina modeller,
• utvecklare sina antaganden,
• marknaden sina prisprognoser.

AI kräver inte perfekta data, men den kräver tillräcklig struktur för att inte bli en dyr Excel-ersättare.

Här är ett fungerande angreppssätt jag sett ge resultat i energiprojekt:

1. Standardisera minsta gemensamma datamängd (plats, effekt, tidsplan, anslutningspunkt, miljörestriktioner, CAPEX/OPEX-intervall).
2. Inför versionshantering och spårbarhet (vem ändrade vad, när).
3. Bygg en enkel ”digital tvilling light”: en modell som kan köra scenarier utan att vara en fullständig nätberäkning.

När detta finns på plats blir AI ett lager ovanpå som gör två saker: prioriterar och förutser.

Så kan Sverige och Norden använda samma logik

Det vore naivt att kopiera en amerikansk upphandlingsmodell rakt av. Men principerna håller. Här är tre konkreta sätt att använda samma logik i nordisk kontext – med AI som katalysator.

1) Gemensamma upphandlingsramar för flexibilitet och nätstöd

I stället för att bara upphandla produktion kan aktörer samordna upphandling av:

• batterilager och stödtjänster,
• efterfrågeflexibilitet i industrin,
• lokal nätavlastning i kapacitetsbristområden.

AI används för att matcha behov (flaskhalsar, toppar) med resurser (flex, lagring) och för att prissätta risk.

2) AI-styrda portföljer: vilka projekt ska prioriteras nu?

Många organisationer sitter på en portfölj av projektidéer som alla ”känns viktiga”. Problemet: allt kan inte drivas parallellt.

En AI-stödd portföljmodell kan rangordna projekt utifrån:

• sannolik ledtid i tillstånd,
• anslutningsrisk och förväntad curtailment,
• investeringsfönster och leverantörskapacitet,
• klimatnytta per krona och per nätpåverkad MW.

Det här är särskilt relevant i slutet av ett år (som nu, 2025-12-21) när budgetar låses och 2026 års pipeline ska spikas.

3) Compliance och deadline-styrning som en produktivitetshöjare

När tidsgränser styr kvalificering, stöd eller interna beslut behövs mer än en Gantt. AI kan automatiskt:

• flagga när en milstolpe sannolikt missas,
• föreslå omplanering (resurser, konsultinsatser, parallellisering),
• uppdatera riskbilden baserat på nya händelser (remissvar, leveransförsening, nätbesked).

Det här är inte glamouröst. Det är bara effektivt. Och det är ofta där ledtid faktiskt kapas.

Vanliga följdfrågor (och raka svar)

Är AI ett substitut för mer personal i tillståndsprocesser?

Nej. AI är ett sätt att göra befintlig kompetens mer produktiv och minska onödiga kompletteringar. Handläggning kräver fortfarande mänskliga beslut.

Blir det rättssäkert att använda AI?

Ja, om AI används för förslag och granskning och om spårbarhet, loggning och mänsklig kontroll är designkrav. AI ska inte vara en svart låda som ”avgör”.

Vilken data behöver man börja med?

Börja med det ni redan har: historiska ledtider, orsaker till förseningar, dokumentlistor, nätbesked och projektmetadata. Det räcker för att skapa en första prediktiv modell.

Nästa steg: så kommer du igång på 30 dagar

Om du jobbar med energi, nät, industri eller offentlig sektor och vill korta tiden från plan till drift, här är en rimlig startplan:

1. Välj en flaskhals (tillstånd, upphandling eller nätanslutning).
2. Samla 30–100 historiska projektfall och märk upp: tid, stopporsak, omtag.
3. Bygg en enkel risk- och ledtidsmodell som ger en sannolikhetsprognos per projekt.
4. Inför en beslutsrutin: varje vecka används prognosen för att omprioritera och åtgärda risker.

Det är så AI blir praktiskt. Inte genom stora plattformar, utan genom att göra beslut bättre – varje vecka.

Samarbetet mellan Connecticut och Maine visar att när tidsfönster krymper blir samordning en konkurrensfördel. I Norden är utmaningen densamma: fler projekt behöver igenom systemet snabbare utan att kvalitet, miljöhänsyn eller systemstabilitet tappas bort. AI inom energi och hållbarhet är ett av de mest konkreta sätten att få ihop den ekvationen.

Vilken del av kedjan skulle du själv vilja se gå snabbare – tillstånd, upphandling eller nätanslutning – om du kunde mäta och prognostisera ledtiden med hög träffsäkerhet?