AI som sänker utsläpp i tegelindustrin – lärdomar

Tegel låter som en gammal, trög bransch. Ändå står den i Bangladesh för 17 % av landets CO₂-utsläpp och 11 % av PM2,5-utsläppen – samtidigt som 27 miljarder tegel produceras varje år under tuffa arbetsvillkor. Det är en påminnelse som svider: stora klimat- och hälsoproblem sitter ofta i helt vanliga, vardagliga processer.

Det som gör ny forskning från 2025 särskilt intressant är inte att den föreslår en dyr ny teknik. Tvärtom. Den visar att enkla driftförändringar, kombinerat med rätt utbildning och stöd, kan ge 23 % lägre energianvändning och 20 % lägre utsläpp av både CO₂ och PM2,5 – utan att myndigheter behöver stå med pekpinnen.

Och här passar vår serie AI inom energi och hållbarhet perfekt: när utbildning och affärslogik redan fungerar, blir nästa steg naturligt. AI och smarta system kan göra samma typ av förbättringar mätbara, repeterbara och skalbara – i tegelugnar, men också i andra energiintensiva industriprocesser.

Vad studien faktiskt bevisade – och varför det är ovanligt

Kärnan är tydlig: ägare till tegelugnar ändrar beteende när åtgärderna är praktiska och lönsamma. Studien byggde på en randomiserad kontrollerad studie (RCT) med 276 tegelugnar under säsongen 2022–2023. Det är tung metodik i en bransch som ofta är informell och svår att reglera.

Interventionen bestod av utbildningsmaterial, träning och tekniskt stöd som uppmuntrade energieffektivare drift. Två exempel från studien:

• Bättre stapling av tegel för att minska värmeförluster och skapa jämnare förbränning
• Användning av drivna biobränslen (powered biomass fuel) som förbättrar förbränningen och minskar spill

Resultatet: 65 % av ägarna införde förändringarna, vilket gav 23 % lägre energianvändning och 20 % lägre CO₂- och PM2,5-utsläpp. Dessutom rapporterades lägre kolkostnader och bättre tegelkvalitet.

Det mest talande: när forskarna kom tillbaka året efter hade beteendeförändringarna inte bara hållit i sig, utan ökat. Det är sällsynt i effektiviseringsprojekt.

Varför “utan juridisk enforcement” spelar roll

I många länder med svag tillsyn fungerar regler dåligt i praktiken – även om de är rimliga på papperet. Studien beskriver att bland annat avståndsregler (t.ex. till skolor) bara efterlevs i begränsad utsträckning.

Den viktiga lärdomen är därför denna:

När styrning via kontroll brister, kan styrning via incitament och kompetens fungera.

För oss som jobbar med energi, hållbarhet och digitalisering betyder det att lösningar måste kunna bära sig själva ekonomiskt – annars dör de när projektpengarna tar slut.

Det som gör detta till en AI-historia (även om AI inte nämndes)

Studien handlade om utbildning och driftpraxis, inte om algoritmer. Ändå är den en mall för hur AI bör användas i industrins omställning.

AI är som mest värdefull när den:

1. Mäter verkligheten (energi, temperatur, förbränning, emissioner)
2. Gör förbättringar enkla att genomföra (checklistor, rekommendationer, varningar)
3. Kopplar förbättringar till ekonomi (kostnad per ton, bränslebesparing, kvalitetsutfall)

Det var exakt de tre sakerna interventionen skapade – fast med människor, utbildning och stöd. AI kan göra samma sak kontinuerligt och i större skala.

Exempel: AI-stöd som förstärker utbildning i drift

I en tegelugn (eller annan termisk process) finns ofta stora variationer mellan skift, operatörer och säsonger. AI kan här fungera som en “tyst arbetsledare” som aldrig blir trött:

• Avvikelsedetektering: upptäcker när förbränningen blir ineffektiv (t.ex. ovanliga temperaturmönster)
• Prediktivt underhåll: varnar innan fläktar, brännare eller transportörer tappar prestanda
• Operatörsstöd i realtid: enkla instruktioner (“justera lufttillförsel”, “ändra matningshastighet”) baserat på sensordata

Poängen är inte att bygga en avancerad kontrollcentral. Poängen är att minska variationen – och göra det enklare att köra “som de bästa” varje dag.

Från Bangladesh till svensk industri: samma logik, andra förutsättningar

Sverige har starkare regelverk, högre automation och bättre tillgång till data. Men utmaningen är fortfarande densamma: energi slösas ofta bort i det som ser ut som små driftavvikelser.

Jag har sett samma mönster i flera energiprojekt: man tror att det krävs stora investeringar, när det i själva verket handlar om att få ordning på drift, uppföljning och incitament.

Här är tre paralleller där lärdomarna översätter direkt:

• Cement, kalk, stål och glas: stora förbränningsprocesser där små förbättringar i verkningsgrad ger enorm effekt
• Fjärrvärmeproduktion: optimering av bränslemix och driftpunkter för att minska bränsleåtgång och NOx/partiklar
• Fastighetsdrift: styrning av ventilation och värme där AI kan sänka energianvändningen utan att komforten faller

Det Bangladesh-studien visar är att man ska börja med åtgärder som både klimatet och ekonomin gillar. AI hjälper till att hitta dem och göra dem repetitiva.

Så bygger man en AI-lösning som faktiskt blir använd

Det största misstaget i AI för energi är att börja med modellen. Rätt start är att börja med beteendet: vem ska göra vad annorlunda på måndag?

Här är en praktisk struktur jag tycker håller i verkliga industrimiljöer.

1) Definiera 3–5 styrtal som alla kan förstå

Exempel på styrtal i en förbränningsintensiv process:

• kWh per 1 000 enheter produkt
• kg CO₂ per ton produkt (eller per MWh)
• andel driftstid i “optimerad zon” (temperatur/tryck/luftöverskott)
• bränslekostnad per skift

AI ska kopplas direkt till dessa styrtal. Annars blir den en dashboard som ingen öppnar.

2) Mät med “good enough”-instrumentering

Du behöver inte perfekt mätning för att börja optimera. Ofta räcker:

• energimätare
• temperaturgivare
• enkel rök-/partikelindikator eller proxydata
• produktionsdata per batch/skift

När effekten blir synlig går det att motivera bättre sensorer.

3) Gör rekommendationer handlingsbara (inte akademiska)

En bra AI-rekommendation har tre delar:

1. Vad händer nu? (t.ex. “förbränningen är instabil”)
2. Vad ska vi göra? (t.ex. “justera luftflödet +5 % i 10 minuter”)
3. Vad tjänar vi på det? (t.ex. “estimerad besparing: 120 kr/skift”)

Det är exakt den “praktik + vinst”-kopplingen som gjorde RCT:n framgångsrik.

4) Bygg in incitament och återkoppling

Studien noterade att ett försök att förklara affärscaset för att belöna arbetare inte slog igenom brett. Det säger något viktigt: incitament måste vara enkla, rättvisa och mätbara.

AI kan stötta detta genom att:

• visualisera förbättring per skift/lag (utan att hänga ut individer)
• koppla bonus till tydliga processmål
• skapa transparens: “vi sparade X ton kol, det gav Y kronor”

När feedbackloopar blir snabba brukar adoptionen följa efter.

Vanliga frågor (som beslutsfattare brukar ställa)

Fungerar detta bara i låginkomstländer?

Nej. Det fungerar överallt där driftvariation och energiförluster är en stor del av kostnaden. Skillnaden är att Sverige ofta har bättre data – vilket gör AI-implementering enklare.

Är AI nödvändigt om utbildning räcker?

Utbildning räcker ofta för att ta första steget. AI behövs när du vill:

• hålla nivån över tid
• minska beroendet av enskilda “stjärnoperatörer”
• skala till många anläggningar eller leverantörer

Vilken är den snabbaste vinsten?

Börja med energi per producerad enhet och stabilare drift. I många processer ger det både lägre utsläpp och bättre produktkvalitet, precis som i studien.

Därför är detta ett case du kan använda direkt i din hållbarhetsplan

Studien från Bangladesh visar en kärnprincip som jag tycker fler företag borde ta på allvar: hållbarhet blir robust först när den är en del av affärsmodellen.

Siffrorna är svåra att ignorera: 65 % adoption, 23 % lägre energianvändning och 20 % lägre CO₂ och PM2,5 genom relativt enkla driftförändringar. Dessutom bedömdes de samhälleliga klimatnyttorna vida överstiga kostnaderna, med en rapporterad kostnad på 2,85 USD per ton CO₂ för utsläppsminskningen i interventionen.

Nästa steg – och det som knyter an till vår serie AI inom energi och hållbarhet – är att använda AI och smarta system för att:

• mäta utsläpp och energieffektivitet kontinuerligt
• översätta data till konkreta åtgärder i drift
• skala förbättringar utan att vara beroende av ständig extern coaching

Om du vill minska utsläpp i en energiintensiv process utan att starta ett flerårigt investeringsprogram: börja med drift, mätning och incitament. Och ställ sedan den avgörande frågan internt: vilken del av vår energiförbrukning är egentligen bara “onödigt slarv” som AI kan hjälpa oss att få bort?