AI mot korruption i energisektorn: lärdomar från Ohio

En siffra som fastnar: 250 miljoner dollar. Så mycket ålades FirstEnergys tre reglerade bolag i Ohio att betala i böter och kompensation kopplat till den stora HB 6-skandalen – där cirka 186 miljoner dollar ska gå tillbaka till kunderna. Historiskt högt, men ändå långt från vad konsumentföreträdare drev på för.

Det här kan låta som en amerikansk skandal långt borta. Jag tycker tvärtom att Ohio är ett ovanligt tydligt case för oss som jobbar med AI inom energi och hållbarhet: när styrningen brister blir det dyrare att ställa om. Inte bara i pengar, utan i förtroende, tempo och beslutskvalitet.

Så vad händer efter böterna? Och vad kan svenska energibolag, kommuner och myndigheter faktiskt ta med sig – särskilt om man vill använda AI för transparens, riskstyrning och smartare elnät?

Varför HB 6-skandalen är relevant för energiomställningen

Kort svar: Skandalen visar hur politisk påverkan och svag tillsyn kan styra energisystemet bort från samhällsnytta – och hur svårt det är att “reparera” i efterhand.

HB 6 var lagen som skulle rädda olönsamma anläggningar genom subventioner. I praktiken blev den en del av ett upplägg där FirstEnergy enligt offentliga uppgifter betalade omkring 60 miljoner dollar i mutor för att få igenom lagen och stoppa ett folkomröstningsförfarande. En tidigare ordförande för tillsynsmyndigheten ska dessutom ha fått 4,3 miljoner dollar i anslutning till utnämningen, med förväntan om “välvillig behandling”.

Även om kärnkraftsstöden stoppades innan de hann börja, levde kolsubventionerna vidare i 5,5 år och beräknas ha kostat elkunderna runt 0,5 miljarder dollar. Det är pengar som annars hade kunnat gå till nätförstärkningar, flexibilitet, energieffektivisering eller integration av förnybart.

Det är därför jag är ganska hård i min bedömning: korruption i energipolitik är en klimat- och konkurrensfråga, inte bara en etikfråga.

Ett mönster som återkommer: “regulatorisk friktion”

Skandaler som HB 6 skapar en särskild typ av efterskalv:

• Långsammare beslut (fler utredningar, fler överklaganden)
• Högre kapitalkostnad (ökad riskpremie när förtroendet svajar)
• Sämre investeringslogik (pengar går till jurister och PR i stället för systemnytta)
• Polarisering (svårare att få acceptans för nätutbyggnad och nya marknadsregler)

Om du bygger ett smart elnät eller en flexibilitetsmarknad är förtroende nästan som en “osynlig infrastruktur”. När den går sönder blir allt dyrare.

Vad hände i Ohio – och varför 250 miljoner dollar inte stänger boken

Kort svar: Ohio tog ett stort steg genom att faktiskt prissätta regelbrott, men flera centrala frågor återstår.

Tillsynsmyndigheten (PUCO) fattade beslut som innebär:

• Totalt cirka 250,7 miljoner dollar i böter/återbetalningar
• Cirka 186 miljoner dollar tillbaka till kunderna via återbetalning eller krediter
• Krav på att en ny corporate-separation-audit ska starta inom tre år

Samtidigt valde myndigheten att inte göra en full, bred genomlysning av bolagets ledning och styrning på det sätt som flera intressegrupper önskat.

Det finns också en separat process där bolagen behöver visa att de inte använt kundpengar för HB 6-aktiviteter. Det är extra svårt när pengar blandas i interna “pooler”. Ett förhör (evidentiary hearing) är planerat till 2026-02-24.

Rate cases: där skandalen blir vardagsekonomi

Samma dag som besluten kom godkände PUCO också nya elnäts-/tarifframar:

• Cleveland Electric: +76 miljoner dollar/år
• Toledo Edison: −24,4 miljoner dollar/år
• Ohio Edison: −17,4 miljoner dollar/år
• Netto: +34 miljoner dollar/år

Konsumentföreträdare ville gå längre, bland annat genom att sänka tillåten avkastning för att spegla dålig styrning och risk. Det avslogs. FirstEnergy aviserade dessutom en ny rate case i början av 2026.

Det här är kärnan: när styrning brister hamnar diskussionen till slut på kundens faktura. Och då blir energiomställning ett förtroendeproblem.

Där AI faktiskt gör nytta: från efterhandsgranskning till tidig varning

Kort svar: AI kan ge tillsyn, bolagsledning och kundföreträdare bättre “radar” för avvikande beteenden, riskabla beslut och otillbörlig påverkan.

Det finns en missuppfattning att AI i energisektorn mest handlar om prognoser för last och vind. Det är viktigt – men Ohio visar att vi också behöver AI för governance: regelefterlevnad, transparens och ansvarsutkrävande.

1) AI för att upptäcka mönster i pengar, avtal och “bill riders”

I Ohio var en del av problemet att kostnader och flöden blev svåra att följa när medel blandades och när påslag på räkningen (riders) användes för att finansiera delar av systemet.

Här kan AI användas på ett robust sätt:

• Anomali-detektion i ekonomidata (ovanliga betalningsmönster, runda belopp, återkommande betalningar via mellanled)
• Kontraktsanalys med NLP (identifiera avvikande klausuler, onormala konsultupplägg, ovanliga indexeringar)
• Spårbarhet mellan kostnad och nytta (koppla investeringar till mätbar systemnytta: avbrott, förluster, kapacitetsbrist)

Min erfarenhet är att värdet kommer när man kombinerar AI med tydliga kontrollpunkter: AI flaggar – människor beslutar – loggning sker – åtgärd följs upp.

2) AI för att minska informationsasymmetrin i regleringen

Energibolag sitter nästan alltid på mer data än tillsynen. Det är normalt. Problemet uppstår när informationsförsprånget används för att driva igenom beslut som inte är samhällsekonomiskt rimliga.

En praktisk väg framåt är att etablera:

• Standardiserade dataleveranser (format, periodicitet, datakvalitet)
• Digitala revisionsspår (vem ändrade vad, när och varför)
• Modellkort och governance för AI (model cards, antaganden, begränsningar)

AI kan då användas för att jämföra bolag “äpplen med äpplen”: drift, investeringar, underhåll, avbrott, kundnytta och kostnad per levererad kvalitet.

3) AI i smarta elnät kräver etisk styrning – annars blir det dyrt

När vi digitaliserar nätet med sensorer, flexibilitet, styrning av last och dynamiska tariffer ökar både nyttan och risken.

• Nytta: bättre kapacitetsutnyttjande, snabbare felavhjälpning, mer förnybart i systemet.
• Risk: fler beslut fattas “i mjukvara”, vilket gör transparens och ansvar ännu viktigare.

En tumregel jag litar på: ju mer autonoma beslut, desto hårdare krav på spårbarhet.

En svensk checklista: så bygger du transparens som klarar granskning

Kort svar: Sätt upp datakrav och kontrollmekanismer innan problemen uppstår – inte när skadan redan är skedd.

Om du jobbar i energibolag, kommun, myndighet eller som stor elanvändare är detta en konkret start:

1. Kartlägg var pengar och beslut möts

   • Tariffändringar, investeringsplaner, konsultinköp, kommunikation/PR, intressepåverkan.

2. Skapa ett “single source of truth” för regulatoriskt material

   • Samma siffror i styrelse, tillsynsdialog och kundkommunikation.

3. Inför AI-stödd avvikelseanalys – men gör den revisionsbar

   • Logga data, versioner och tröskelvärden. Annars blir AI bara en ny svart låda.

4. Mät systemnytta, inte bara CAPEX

   • Koppla investeringar till SAIDI/SAIFI, nätförluster, kapacitetsutnyttjande och anslutningsledtider.

5. Bygg en kultur där “compliance” är en del av ingenjörsarbetet

   • Om regelefterlevnad ses som en juridisk bilaga kommer den alltid för sent.

Snabbt sagt: AI hjälper, men bara om processerna är byggda för att tåla insyn.

Vad är nästa steg efter Ohio – och vad borde vi kräva framåt?

Kort svar: Efter en stor bot behövs ett mer vardagligt, systematiskt tryck på efterlevnad – annars blir boten bara ett undantag.

Det mest intressanta i Ohio är inte bara beloppet, utan att tillsynen också använde dagliga viten (till exempel 10 000–25 000 dollar per dag för olika överträdelser) som ackumulerade till tiotals miljoner. Den logiken fungerar: den gör det dyrt att “dra ut på tiden”.

För energiomställningen är det här avgörande. Vi behöver snabbare tillstånd, mer flexibilitet, mer nätkapacitet och fler marknadsregler som fungerar i praktiken. Det kräver att både bolag och myndigheter arbetar med modern data- och AI-infrastruktur, inte bara modern el-infrastruktur.

Jag tycker man kan uttrycka det så här: ett smart elnät utan smart styrning är bara dyr teknik.

Om du vill att AI ska bli en motor för hållbarhet – inte ett nytt lager komplexitet – börja i governance: datakvalitet, spårbarhet, ansvar och transparens.

Vilken del av er energistyrning skulle du vilja att en extern granskare kan förstå på 30 minuter – och vilken del skulle du helst slippa förklara?