AI som kortar tillståndsprocessen för förnybar energi

I USA har tillståndsfrågan blivit den osynliga bromsklossen som få pratar om när elpriser, effektbrist och energiomställning diskuteras. De senaste månaderna har ett enda administrativt grepp – krav på personlig sign-off på förnybar energi inom en federal myndighet – i praktiken stoppat nya solprojekt på federal mark. Det är ett typexempel på hur processer, inte teknik, kan avgöra hur mycket fossilfri el som faktiskt byggs.

Det här är inte bara amerikansk inrikespolitik. För svenska energibolag, industriaktörer och kommuner är lärdomen tydlig: när elbehovet ökar (AI, datacenter, elektrifiering) räcker det inte att ha bra projektportföljer. Man måste också kunna förutse, styra och korta tillståndsresan. Och där finns ett konkret spår som ofta missas i debatten: AI i tillståndsprocesser.

Jag tycker att många organisationer fortfarande behandlar tillstånd som en juridisk checklista. Det är fel angreppssätt. Tillstånd är en data- och flödesfråga: väntetider, remissrundor, miljöunderlag, överklaganden, myndighetskapacitet och politiska beslut – allt går att modellera, mäta och optimera.

Varför fastnar sol, vind och nät i tillstånd – på riktigt

Den korta versionen: tillstånd fastnar när beslutskedjan blir längre än själva byggtiden. Den längre versionen är mer obekväm.

När politiken pendlar mellan ”bygg mer fossilfritt” och ”bromsa förnybart” skapas ryckighet i myndigheternas prioriteringar. I RSS-underlaget beskrivs hur stora volymer sol- och vindprojekt hamnat i byråkratiskt limbo, och hur kongressen återigen försöker reformera systemet – men riskerar att missa det som faktiskt ger effekt: förnybar el och transmissionsnät.

Tillstånd är numera en kapacitetsfråga

När elbehovet stiger snabbt – tänk datacenter och AI-tjänster som driver konstant last – blir varje års försening dyr.

Det handlar inte bara om ”mer papper”. Det handlar om:

• Brist på handläggare och expertkompetens i vissa myndigheter
• Otydliga krav som förändras under resans gång
• Upprepade kompletteringsrundor (som i praktiken blir en ny utredning)
• Svag samordning mellan olika prövningar (miljö, kultur, försvar, nätanslutning)

Nätet är elefanten i rummet

Även om en vindpark får ja kan den stå och vänta på anslutning och nätförstärkningar. I USA lyfts detta explicit: reformer som inte gynnar transmission riskerar att bli politiskt dödfödda.

I svensk kontext känner vi igen mönstret: kapacitetsbrist i vissa elområden, långa ledtider för nät, och projekt som ”borde vara enkla” men ändå drar ut på tiden.

Där AI faktiskt gör skillnad: från dokumentbörda till beslutsstöd

AI kan inte trolla bort lagkrav. Men AI kan göra tillståndsprocessen förutsägbar, och en förutsägbar process är nästan alltid en snabbare process.

Den stora vinsten kommer när man slutar se AI som en chattbot och i stället använder AI som en motor för processanalys och planering.

1) Prediktiva modeller för ledtid och risk

Det mest praktiska jag sett är organisationer som bygger modeller som svarar på:

”Hur lång tid tar det här tillståndet, givet projektets profil och aktuell myndighetsbelastning?”

Med historiska ärendedata (egna och offentliga), projektparametrar (geografi, naturvärden, närhet till bebyggelse, fågelstråk, riksintressen, markägostruktur) och processdata (antal remissinstanser, kompletteringar, överklaganden) kan man estimera:

• Sannolik ledtid (P50/P80) i månader
• Var processen troligast fastnar
• Vilken komplettering som brukar triggas i liknande ärenden

Det här ändrar hur man fattar investeringsbeslut. Projektportföljen blir inte bara ”högst IRR”, utan ”högst IRR givet sannolik tidsprofil”.

2) AI-stöd för underlag: rätt kvalitet från start

Många förseningar börjar med en banal sak: underlaget är inte anpassat för prövningen. AI kan hjälpa team att få rätt detaljnivå direkt.

Exempel på tillämpningar:

• Automatisk kontroll mot kravlistor och föreskrifter (”saknas inventering X?”, ”fel koordinatsystem?”, ”oklar metodbeskrivning?”)
• Semantisk jämförelse med tidigare godkända miljökonsekvensbeskrivningar
• Strukturerad sammanställning av remissvar och spårning av åtgärder (vem gör vad, till när)

Poängen är inte att AI skriver en MKB åt dig. Poängen är att AI hjälper dig undvika de klassiska ”komplettera inom 30 dagar”-fällorna.

3) Beslutslogik som går att granska

Ett legitimt motargument är att AI kan kännas som en svart låda. Därför fungerar det bäst när man kombinerar:

• Transparens (vilka variabler driver bedömningen?)
• Spårbarhet (vilket underlag gav vilket påstående?)
• Versionshantering (vad ändrades när och varför?)

I praktiken: hellre ett lite enklare modellupplägg som går att förklara för jurister, projektledare och myndigheter än en maximal modell som ingen vågar lita på.

Tillstånd i skuggan av datacenter och AI: en konflikt som bara växer

En detalj i RSS-underlaget är särskilt relevant för vår serie ”AI inom energi och hållbarhet”: datacenterfrågan. Motståndet mot datacenterbyggen växer i USA, samtidigt som politiken vill accelerera AI. Resultatet blir en dragkamp om mark, vatten, elkapacitet och lokalsamhällets acceptans.

Det här spiller över på tillstånd för förnybart och nät på två sätt:

Lokalt motstånd blir mer organiserat

När många stora projekt landar samtidigt (sol, vind, nät, datacenter) ökar sannolikheten för överklaganden och konflikter om landskapsbild, buller, biologisk mångfald och vattenanvändning.

AI kan inte ”övertala” människor. Men AI kan hjälpa till med:

• Scenarioanalys för lokala konsekvenser (buller/visuell påverkan, trafik, bygglogistik)
• Tidig identifiering av intressenter och konfliktpunkter
• Bättre samrådsunderlag som är begripligt och konkret

Systemeffekten: efterfrågan före utbud

När efterfrågan på el växer snabbare än ny produktion och nätutbyggnad uppstår ett politiskt tryck att ”göra något” – vilket ibland blir hastiga regeländringar. Det är exakt sådana svängningar som skapar ryckighet i tillstånd.

Här kan AI bidra med policyanalys: simulera effekten av olika reformer på ledtider, flaskhalsar och investeringsvilja. Det är ett sätt att fatta mindre symboliska och mer mätbara beslut.

En praktisk modell: ”AI-first” arbetsflöde för tillstånd

Den som vill använda AI för att korta tillståndsprocessen behöver ett arbetssätt som håller även när jurister, miljökonsulter och tekniska team jobbar parallellt.

Så här ser ett fungerande upplägg ut i fyra steg.

Steg 1: Skapa en ärende-datahub

Samla allt som annars ligger utspritt:

• Dokument, kartlager, inventeringar, samrådsprotokoll
• Tidsstämplar för händelser (inskick, komplettering, remiss, beslut)
• Beslutstexter, villkor, motiveringar

Målet: kunna svara på ”vad har vi gjort, vad saknas, vad är nästa risk?”.

Steg 2: Bygg en ledtids- och riskmodell

Börja enkelt:

• Klassificera projekttyp och platsprofil
• Skatta sannolik kompletteringsrunda
• Skapa en tidplan med osäkerhetsintervall

Det räcker långt för att prioritera portföljen och sätta realistiska milstolpar.

Steg 3: Automatisera kvalitetssäkring av underlag

Inför en ”pre-flight check” innan inskick:

• formalia-kontroller
• konsistenskontroller mellan karta, text och bilagor
• kontroll av begrepp och avgränsningar

Min erfarenhet är att detta kan kapa månader, eftersom en kompletteringsrunda ofta innebär att hela prövningen tappar tempo.

Steg 4: Mät det som faktiskt driver tid

Sätt KPI:er som går att agera på:

• Antal kompletteringsbegäranden per ärendetyp
• Dagar från remissvar till åtgärd
• Andel återanvändbara underlagsmoduler
• Prognosfel i ledtidsmodell (för att förbättra modellen)

Vad svenska energibolag och industriprojekt kan ta med sig från USA

Händelserna i USA visar hur sårbar utbyggnaden är när tillstånd kan bromsas av en enda styrsignal. Men den visar också något mer generellt: när processer blir en strategisk risk måste de hanteras strategiskt.

Tre tydliga ställningstaganden jag tycker fler borde ta:

1. Tillstånd är en del av energisystemets produktionskapacitet. Om processen tar 6–24 månader extra så är det i praktiken ”förlorad el” under den perioden.
2. Transmissionsnätet måste behandlas som en egen produktlinje. Att bara fokusera på ny produktion utan att optimera nät- och anslutningsspåret är att bygga halva lösningen.
3. AI ska användas för att minska osäkerhet, inte för att skapa nya risker. Transparens, spårbarhet och datakvalitet slår avancerade modeller nästan varje gång.

Nästa steg: gör tillstånd till en datadriven konkurrensfördel

I vår serie ”AI inom energi och hållbarhet” återkommer vi ofta till att AI hjälper när verkligheten är full av beroenden: väder, priser, nätflaskhalsar, kundbeteenden. Tillstånd är samma typ av problem – men med juridik och förvaltning som domän.

Vill du korta ledtiden för sol, vind, nät eller industrielektrifiering är min rekommendation enkel: börja mäta processen som om den vore en produktionslina, bygg en första prediktiv modell och inför AI-stödd kvalitetssäkring av underlagen. Du behöver inte vänta på en perfekt reform för att få effekt.

Frågan som avgör 2026 är därför inte om vi kan bygga mer fossilfritt – utan om vi kan bygga snabbare utan att tumma på miljökrav och legitimitet. Vilken del av er tillståndsprocess skulle ni vinna mest på att göra mätbar redan i januari?