AI kan hitta utsläppsminskningen som reglerna missar

Siffran som fastnar: USA:s kraftsektor kan minska koldioxidutsläppen med 51% till 2040 jämfört med 2022 om EPA:s regler från 2024 får ligga kvar. Utan reglerna landar minskningen på 26%. Det är en stor skillnad – men också ett tydligt tecken på att politik kan få hjulen att snurra, men inte alltid få systemet att gå smartare.

Och här kommer den obekväma poängen: samma regler som trycker bort kol kan samtidigt skapa en snedvridning som gör att äldre och mindre effektiva gaskraftverk körs mer. Resultatet blir att man når en del av klimatmålet, men lämnar en stor, relativt billig del av utsläppsminskningarna kvar på bordet.

I vår serie ”AI inom energi och hållbarhet” är det här ett skolboksexempel på varför AI behövs i energisystemet. Inte som ”pynt” på rapporteringen – utan som ett sätt att optimera drift, investeringar och efterlevnad så att regler faktiskt ger maximal klimatnytta per investerad krona.

Vad EPA-reglerna faktiskt åstadkommer (och varför)

Kort sagt: reglerna fungerar främst eftersom de gör det dyrt att fortsätta köra kol, vilket skyndar på nedläggningar.

Princeton-forskningen bakom nyhetsartikeln pekar ut att den stora utsläppsminskningen kommer från snabbare avveckling av kolkraft. Modellerna visar att kraftbolag ofta väljer att pensionera kolkraftverk tidigare i stället för att installera kostsam teknik som koldioxidinfångning och lagring (CCS).

Kol: regler som träffar rätt ekonomiskt

Ungefär 70% av utsläppsminskningarna i regelpaketet kopplas till kol. Det är logiskt: kolkraftverk är i regel mer utsläppsintensiva, ofta äldre, och de konkurrerar redan med billigare kraftslag i många marknader.

Reglerna bygger på ett upplägg där kraven beror på planerat nedläggningsdatum. I praktiken driver det fram ett val:

• Antingen investera i mycket hög avskiljning av CO₂ (upp mot 90%) från ett visst år,
• eller anpassa driften och lägg ner tidigare.

Forskarna visar också en viktig detalj: i deras scenario är det nästan inga kolkraftverk som väljer CCS i stor skala. I stället väljer man andra vägar (till exempel sameldning i en övergång) och avvecklar.

Gas: en regel som råkar skapa fel incitament

Här är kärnproblemet: EPA:s slutliga regler sätter hårdare krav på nya gaskraftverk, men inte på befintliga. Det skapar en marknadssignal där det kan bli rationellt att:

• bygga ny gas (ofta effektiv),
• men köra den mindre än en viss gräns (till exempel under 40% drifttid) för att slippa dyra krav,
• samtidigt som man ökar produktionen från äldre, mindre effektiva gasanläggningar som inte omfattas.

Det här är klassiskt energisystembeteende: aktörer optimerar mot regelverket, inte mot systemets totala utsläpp eller totala kostnad.

En regel som bara gäller ”det nya” riskerar att göra ”det gamla” mer lönsamt än det borde vara.

”Missad potential”: därför kan utsläppen minska mer än 51%

Svaret är enkelt: samma standarder bör gälla för både nya och befintliga gasanläggningar.

Princeton-analysen testar alternativ och kommer fram till att om man utökar kraven till befintliga gasverk kan utsläppen minska till ungefär 62% under 2022 års nivå.

Än mer intressant är de djupare scenarierna:

• Om kraven (t.ex. CCS) gäller gasenheter som kör mer än 20% av tiden kan minskningen nå cirka 81%.
• Med ytterligare krav för lågt utnyttjade gasverk (t.ex. sameldning med 30% vätgas) kan man nå upp till 88%.

Det som gör detta extra relevant för svenska läsare är inte att vi ska kopiera USA:s regelbok – utan att dynamiken är densamma här: om incitamenten är asymmetriska, får vi asymmetrisk drift.

Var AI kommer in: från “regler” till “resultat”

AI kan inte ersätta klimatpolitik. Men AI kan göra att klimatpolitik levererar mer – genom att minska slöseri, felinvesteringar och suboptimering.

Det här är den praktiska bryggan mellan RSS-artikelns budskap och vår kampanj: när regler lämnar utrymme för ineffektiva systemutfall behöver vi styrning som är mer finmaskig än dagens statiska trösklar (som 40% drifttid). AI är verktyget som kan ge den finmaskigheten.

1) Prediktiv driftoptimering minskar ”fel” gasproduktion

Nyckeln: optimera dispatch och underhåll så att de mest effektiva enheterna (och de med lägst marginalutsläpp) kör när de ska.

Med AI-baserade prognoser för efterfrågan, väder och nätbegränsningar kan systemoperatörer och elproducenter:

• minska behovet av att hålla gamla gasverk i gång ”för säkerhets skull”,
• planera underhåll när systemet ändå har hög andel vind/sol,
• undvika korta, utsläppsintensiva toppar som uppstår vid dålig planering.

Det här blir extra relevant vintern 2025/2026 när energifrågan ofta blandas ihop med försörjningstrygghet. AI hjälper oss att få både robusthet och lägre utsläpp – men bara om den får styra verkliga beslut, inte bara dashboards.

2) AI som verktyg för “marginalutsläpp” – den bortglömda KPI:n

De flesta organisationer följer utsläpp som årsmedel. Men elnätet bryr sig om marginalen: vilket kraftslag som ökar när efterfrågan ökar.

AI kan uppskatta marginalutsläpp timme för timme och använda det för att:

• styra flexibel förbrukning (fastigheter, industri, laddning),
• prioritera vilka resurser som ska aktiveras vid effektbrist,
• ge bättre beslutsunderlag för PPA:er, batterier och flexibilitetsavtal.

Snippet-vänlig sanning: Årsutsläpp berättar vad som hände. Marginalutsläpp berättar vad som händer om du gör något.

3) Upptäck överbyggnad innan den sker: investeringsanalys med AI

Princeton pekar på risken att regler som bara träffar nya gasverk kan leda till överbyggnad: man bygger mer kapacitet som används mindre. AI kan minska risken genom bättre scenarioanalys.

Praktiskt innebär det att kombinera:

• historisk driftdata,
• väder och klimatnormaler,
• elpris- och bränsleprisbanor,
• nätflaskhalsar,
• policyantaganden,

…och låta modeller (maskininlärning + energisystemsimulering) testa investeringar mot tusentals möjliga framtider.

För en CFO eller utvecklingschef är det här guld: AI kan svara på ”hur lönsamt är projektet?” och ”hur påverkas utsläppen om driften blir annorlunda än planerat?”

4) Automatiserad efterlevnad och MRV för utsläpp och CCS

När regelverk skärps ökar behovet av MRV (Measurement, Reporting, Verification). AI kan:

• flagga avvikande emissionsdata,
• upptäcka sensordrift och felkalibrering,
• skapa spårbara beräkningar för rapportering,
• stödja optimering av CCS-drift (t.ex. energianvändning per ton avskild CO₂).

Här finns en tydlig leadsvinkel: organisationer som kan visa robust MRV får lättare att hantera revision, finansiering och hållbarhetskrav från kunder.

Så kan svenska energibolag och industrier använda lärdomarna

Poängen är inte att Sverige har samma kraftmix som USA. Poängen är att alla kraftsystem har incitamentsproblem. Och incitamentsproblem kan AI hjälpa till att minska.

Tre konkreta steg att ta i Q1 2026

1. Kartlägg era marginalutsläpp timvis (även om ni bara gör det internt). När ni ser vilka timmar som ”kostar mest CO₂” blir flexibilitet och batterier plötsligt mycket mer konkreta.
2. Bygg en enkel AI-prognos för last och produktion kopplad till driftbeslut (inte bara rapport). Målet är färre toppar och mindre ”onödig” fossil reserv.
3. Gör en policy-stresstest av investeringsplanen: vad händer om standarder skärps, bränslepriser ändras eller nätbegränsningar blir värre? AI kan köra fler varianter än en människa orkar.

Jag har sett att organisationer som börjar med en smal, tydlig use case (t.ex. lastprognos + driftoptimering) får snabbare effekt än de som försöker “AI-transformera allt” på en gång.

Vanliga frågor som dyker upp (och raka svar)

Kan AI ”hitta” 25% extra utsläppsminskning?

AI skapar inte utsläppsminskning av sig själv, men den minskar systemets ineffektivitet. I praktiken betyder det färre felinvesteringar, bättre drift och bättre utnyttjande av förnybart – vilket ofta är där den ”saknade” potentialen ligger.

Blir det inte dyrt och komplext?

Det kan bli det, men det måste inte. De bästa projekten börjar med data ni redan har (SCADA, prisdata, väder, driftloggar) och levererar mätbara resultat inom 8–12 veckor.

Behöver man vänta på ny reglering?

Nej. Väntar man på perfekta regler får man sitta länge. AI är ett sätt att förbättra utfallet inom dagens ramar – och samtidigt stå redo om kraven skärps.

Regler sätter golvet – AI hjälper dig nå taket

EPA:s regler enligt Princeton-analysen kan ge 51% minskning till 2040 jämfört med 2022. Men samma analys visar att mer enhetliga krav – särskilt för befintliga gasverk – kan driva ner utsläppen till 62–88%. Det är ett ovanligt tydligt exempel på att klimatresultat avgörs i detaljerna: trösklar, undantag och driftmönster.

Min ståndpunkt är enkel: om vi menar allvar med energieffektivisering och snabbare utsläppsminskningar kan vi inte nöja oss med att ”följa regler”. Vi måste optimera systemet. Där är AI det mest praktiska verktyget vi har just nu.

Vilken del av er energiverksamhet skulle ge störst klimat- och kostnadseffekt om ni kunde styra den med bättre prognoser redan i januari 2026?