AI gör solproduktion robust när politiken svajar

5 gigawatt per år. Det är ungefär den takt som T1 Energys fabrik utanför Dallas kan nå när linorna går som de ska. Det är också ett tal som säger något större än bara kapacitet: solenergi har blivit en industriell fråga om tempo, kvalitet och leveranssäkerhet – inte bara om idealism.

Samtidigt är den politiska scenen allt annat än stabil. I USA har 2025 präglats av det som branschfolk själva kallar policy whiplash – tvära kast i styrmedel, krav och incitament. Ändå väljer T1 Energy att fortsätta investera i “all-American solar”, med mer inhemska insatsvaror och med planer på egen cellproduktion i Texas.

I den här delen av vår serie ”AI inom energi och hållbarhet” använder jag T1 som fall: inte för att romantisera amerikansk industripolitik, utan för att visa varför AI i energisektorn ofta är skillnaden mellan en fabrik som klarar osäkerhet – och en som fastnar i den.

Varför just tillverkning är solenergins flaskhals

Solenergi skalar snabbt, men den skalar inte av sig själv. Den som tror att solindustrin bara handlar om billigare paneler missar det viktigaste: tillverkningens stabilitet avgör både kostnad och klimatnytta.

I T1:s fabrik arbetar människor sida vid sida med robotar på parallella linor. Produktionen är högautomatiserad: maskiner skär och sammanfogar celler, laminerar mellan glas, sätter ramar och härdar i värmeprocesser. Den sortens miljö är perfekt för AI, eftersom varje steg genererar data som kan bli beslut.

Det är här AI ger “industriell marginal”

Det finns tre konkreta områden där AI gör störst skillnad i solpanelstillverkning:

1. Kvalitetskontroll i realtid

   • Datorseende som identifierar mikro-sprickor, felaktiga lödningar och avvikelser i cellernas mönster.
   • Mindre kassation och färre reklamationer.

2. Prediktivt underhåll

   • ML-modeller som lär sig maskinernas normalbeteende (vibration, temperatur, cykeltid).
   • Färre oplanerade stopp, vilket i 24/7-drift ofta är den dyraste typen av avbrott.

3. Processoptimering

   • AI som finjusterar parametrar (t.ex. lamineringsprofil, härdningstid, materialflöde) för att maximera yield.
   • Små förbättringar per steg blir stora förbättringar över 20 000 moduler per dag.

Min erfarenhet är att företag ofta jagar “AI-projekt” som ser snygga ut i presentationer, men missar de tråkiga, lönsamma delarna: yield, stopp, omställningstid och avvikelsehantering. I solindustrin är det exakt där pengarna och klimatnyttan finns.

Politisk osäkerhet: AI blir ett riskverktyg, inte bara ett effektivitetsverktyg

När styrmedel ändras snabbt blir tillverkningsstrategi en form av riskhantering. T1:s situation visar det tydligt: fabriken byggdes av en kinesisk aktör (Trina), såldes, och ägarstrukturen anpassades i praktiken till nya amerikanska regler om “foreign entity of concern” (FEOC) som börjar påverka skatteincitament från 2026.

Här är den obekväma sanningen: solens värdekedja är fortfarande global, även när politiken vill kalla den nationell. Därför behövs verktyg som kan hantera komplexitet bättre än excel.

AI i leverantörskedjan: från “billigast” till “leveransbarast”

För en solaktör är det sällan en enda komponent som fäller avgörandet – det är kombinationen av:

• ledtider
• tull- och regelrisk
• materialkvalitet
• energipris och logistik
• ägar- och ursprungsregler

AI kan bidra på två nivåer:

• Scenarioplanering: modeller som simulerar effekter av ändrade tullar, FEOC-gränser, eller plötslig efterfrågeförskjutning (t.ex. från villamarknad till storskalig solpark).
• Optimering av inköp och lager: bättre balans mellan kapitalbindning och produktionssäkerhet, särskilt när celler eller ramar har lång ledtid.

Det intressanta med T1 är att de redan agerar som om osäkerhet är normal-läge: de säkrar amerikanskt stål till ramar, bygger relationer för polysilikon/wafer, och planerar cellfabrik. Det är industrilogik. AI gör den logiken snabbare och mer träffsäker.

Från panel till elnät: AI som gör mer sol möjlig

Att producera paneler är bara halva matchen. Den andra halvan är integration i elsystemet. Och det är här sol- och AI-kombinationen blir extra relevant för vår serie om smarta elnät och förnybar energiintegration.

Prognoser som faktiskt går att drifta på

För elnätet är solens utmaning variation. AI förbättrar solprognoser genom att kombinera:

• vädermodeller
• satellitdata och molnrörelser
• historiska produktionskurvor
• lokala sensorer

Resultatet blir bättre korttidsprognoser (timmar till dagar), vilket minskar behovet av dyr reglerkraft och gör det lättare att planera batterier, efterfrågeflex och nätflöden.

Flexibilitet: där affären ofta sitter

I praktiken betyder mer sol att fler aktörer måste bete sig smartare:

• solparker behöver batterier och styrning
• industrier behöver laststyrning
• nätbolag behöver bättre drift- och investeringsplanering

AI hjälper till att matcha produktion och konsumtion, och därmed minska flaskhalsar. Det är också en förklaring till varför sol fortsätter byggas ut snabbt: när digital styrning mognar blir mer sol systemmässigt möjligt.

Smarta fabriker i praktiken: vad svenska energi- och industribolag kan ta med sig

T1:s fabrik är amerikansk, men lärdomarna är universella – även för svenska aktörer som jobbar med energiomställning, industriell elektrifiering och hållbarhetsmål.

1) Börja med datan som redan finns

De flesta fabriker (och energianläggningar) sitter redan på:

• SCADA/PLC-data
• kvalitetsdata
• underhållsloggar
• inköps- och leveransdata

Det första steget är nästan alltid datastädning och datakontrakt: vad betyder en signal, hur tidsstämplas den, och går den att lita på?

2) Välj en “AI-loop” som stänger sig inom 8–12 veckor

Om målet är leads och verklig effekt, välj use case där värdet syns snabbt:

• datorseende för defekter i produktion
• prediktivt underhåll på en flaskhalsmaskin
• prognosmodell för solproduktion kopplad till driftbeslut

Poängen är inte att allt ska bli perfekt. Poängen är att skapa en loop: data → modell → beslut → mätbar effekt → förbättring.

3) Sätt KPI:er som både ekonomi och hållbarhet bryr sig om

Bra KPI:er i sol- och energisammanhang är konkreta:

• yield (%) och kassation (%)
• oplanerade stopp (minuter/vecka)
• energiförbrukning per producerad enhet (kWh/modul)
• prognosfel för produktion (t.ex. MAPE)
• CO₂ per producerad enhet (om data finns)

När KPI:erna sitter blir AI inte “digitalisering” – det blir driftstyrning.

Vanliga frågor jag får om AI i sol- och energiprojekt

“Behöver vi en stor AI-satsning för att få effekt?”

Nej. De bästa resultaten kommer ofta från smala, tydliga projekt där man kan rulla ut i fler linor eller anläggningar efteråt.

“Är AI mest för teknikbolag?”

Nej. Energi och industri är bland de mest tacksamma miljöerna eftersom processer är repetitiva och datarika. Det svåra är inte matematiken – det är införandet.

“Hur kopplar det här till hållbarhet, inte bara produktivitet?”

Mindre kassation, färre omstarter och bättre prognoser innebär lägre resurs- och energislöseri. Effektiv drift är ofta den snabbaste vägen till mätbar hållbarhetsnytta.

Nästa steg: bygg robusthet, inte bara effektivitet

T1 Energy visar något som fler borde ta fasta på: när politiken svajar blir operativ excellens ett överlevnadsvillkor. Och operativ excellens 2025–2026 bygger på data, automation och AI.

För företag i energisektorn är budskapet enkelt: AI inom energi och hållbarhet handlar inte bara om att optimera – det handlar om att stå stadigt när förutsättningarna ändras. De som kan mäta, förutse och styra bättre kommer att kunna investera även när andra tvekar.

Om du sitter med sol, flexibilitet, nät eller industriell elektrifiering: vilken del av din kedja skulle tåla ett halvårs “policy whiplash” utan att marginalerna försvinner – och vilken skulle inte göra det?