AI som gör utsläppskurvan bättre – och faktiskt bra

Koldioxidutsläppen är på väg åt rätt håll – men de går fortfarande åt fel håll.

Det låter som ett ordspel, men det är exakt den känsla som präglar klimatläget när COP30 samlar världens beslutsfattare i Belém vid Amazonas rand. Prognoserna för seklets slut har blivit mindre katastrofala än de var före Parisavtalet, mycket tack vare att sol, vind och batterier blivit billiga och byggs ut snabbt. Samtidigt fortsätter de faktiska, uppmätta utsläppen att slå rekord.

Det här glappet – mellan bättre långsiktig riktning och dålig kortsiktig verklighet – är där jag tycker att AI inom energi och hållbarhet får sin mest konkreta roll. Inte som en futuristisk idé, utan som verktygslådan som gör att klimatpolitik, elnät och industrins omställning kan följas upp, styras och förbättras i praktiken.

Utsläppskurvan: bättre prognoser, sämre tålamod

Poängen: Världen har minskat risken för de värsta scenarierna, men vi är fortfarande på väg mot en uppvärmning som driver fram mer extremt väder och dyrare anpassning.

Före Parisavtalet var spannet i internationella bedömningar för uppvärmning till 2100 betydligt högre. Nu pekar flera analyser mot att en uppvärmning på flera grader fortfarande är möjlig, men att de mest extrema utfallen blivit mindre sannolika. Det är ett framsteg – och samtidigt en ganska låg ribba.

Det som ofta missas i debatten är att “bättre” inte betyder “tillräckligt”. Om vi hamnar runt 2,8°C i genomsnitt (ett tal som förekommit i aktuella prognoser inför COP30) betyder det inte bara mer värme. Det betyder fler dyra störningar i energisystem, transporter och livsmedelsförsörjning, och ökade försäkringskostnader och kreditrisker för företag.

Den verkliga knäckfrågan är därför inte om kurvan pekar åt rätt håll på ett diagram, utan om vi har styrförmåga nog att få faktiska utsläpp att börja falla – och fortsätta falla.

Varför elen är nyckeln (men inte hela lösningen)

Poängen: Elsystemet kan dra ner utsläpp snabbare än andra sektorer, men kräver bättre planering, flexibilitet och uppföljning.

Elproduktionen är en av de största utsläppskällorna globalt och samtidigt en av de sektorer där omställningen går snabbast. Billigare sol och vind, plus batterier, pressar undan kol och delvis även annan fossil produktion.

Men en snabbare elektrifiering innebär också att elnätet blir själva ryggraden för hela klimatplanen. När industrin elektrifierar, när transporter blir eldrivna och när byggnader byter till värmepumpar ökar kraven på:

• kapacitet i nätet (inte minst lokalt)
• flexibilitet och laststyrning
• säkra prognoser för produktion och efterfrågan
• snabbare tillstånd, bättre investeringsbeslut och färre felplaneringar

Det är här AI går från “intressant” till “nödvändigt”.

Varför utsläppen ändå ökar: glappet mellan mål och drift

Poängen: Politiska svängningar, energiprisoro och brist på uppföljning gör att utsläpp fortsätter upp – även när tekniken finns.

COP30 sker samtidigt som flera länder backar från klimatåtaganden eller skjuter upp beslut. När ekonomin pressas tenderar “affordability” att bli ett slagord som tränger ut klimatambitioner. Och när stora aktörer inte deltar fullt ut i internationella processer blir det ännu svårare att hålla tempo.

Men jag tycker att vi ibland skyller för mycket på “politisk vilja” och för lite på systemförmåga. Många klimatplaner faller inte på att de är fel på papperet, utan på att de saknar:

• bra data om var utsläppen faktiskt uppstår
• löpande styrning (inte bara årsrapportering)
• snabb feedback på vilka åtgärder som fungerar
• mekanismer som upptäcker fusk, läckage och “grönmålning”

AI kan inte ersätta politik. Men AI kan göra det svårare att låtsas.

Snabb verklighetscheck: 1,5°C vs 2°C

Poängen: När 1,5°C glider ur händerna ökar värdet av varje tiondels grad vi kan undvika.

När forskare och institutioner beskriver 1,5°C som i praktiken ouppnåeligt i närtid betyder det inte att vi kan släppa målen. Det betyder att vi behöver bli bättre på:

• att prioritera åtgärder som ger stor effekt snabbt
• att säkra långsiktiga utsläppsminskningar som inte kan “rullas tillbaka” efter ett val
• att mäta utsläpp och effekter tätare och mer automatiserat

Det sista är en AI-fråga.

AI i utsläppsövervakning: från årsrapport till realtid

Poängen: AI gör det möjligt att mäta, verifiera och följa upp utsläpp oftare, billigare och mer träffsäkert.

Många organisationer jobbar fortfarande med utsläppsdata som:

• samlas in manuellt
• kommer sent
• har stora antaganden
• inte går att koppla till dagliga beslut

Med AI förändras spelplanen, särskilt inom MRV (Measurement, Reporting, Verification). En praktisk modell jag sett fungera är att kombinera tre datalager:

1. Driftsdata (SCADA/IoT i fabriker, byggnader, fordon)
2. Energidata (elhandel, nätdata, timmix, fjärrvärme, bränsleflöden)
3. Externa observationer (satellit, flyg, sensornät – särskilt för metan)

AI används sedan för att:

• hitta avvikelser (t.ex. läckage, onormala bränsleskiften)
• beräkna utsläpp med högre upplösning (timme/vecka istället för år)
• verifiera rapporterade siffror mot oberoende data
• göra prognoser som knyter utsläpp till planerade åtgärder

En enkel tumregel: det du kan mäta ofta kan du också förbättra snabbt.

Exempel: metan och “osynliga” utsläpp

Poängen: Metan är en av de snabbaste hävstängerna för att bromsa uppvärmningen, men kräver bättre upptäckt.

Metanläckage från fossil infrastruktur, avfall och jordbruk är svåra att följa med traditionell rapportering. Med AI-baserad bildanalys och mönsterigenkänning kan man prioritera var inspektioner ska göras och hitta läckage snabbare.

För energibolag och kommuner betyder det att åtgärder kan riktas dit de gör mest nytta, istället för att spridas tunt “för säkerhets skull”.

AI i energisystemet: billig förnybart kräver smart drift

Poängen: När mer sol och vind kommer in i systemet blir prognoser, flexibilitet och optimering avgörande – AI är starkt på alla tre.

Den riktigt stora vinsten med billig förnybar el är att den kan slå ut fossil elproduktion. Men variabel produktion gör att elsystemet behöver bättre planering på flera tidshorisonter:

• minuter och timmar (balans, frekvens, intradag)
• dagar (väder, underhåll, import/export)
• månader och år (kapacitet, nätinvesteringar)

AI-modeller för last- och produktionsprognoser kan minska behovet av fossil reserv genom att göra osäkerhet hanterbar. Kombinerat med optimering kan man styra flexibilitet från:

• batterier (bakom och framför mätaren)
• värmepumpar och fjärrvärme
• industriella processer
• elbilsladdning
• virtuella kraftverk (samordning av tusentals små resurser)

Det här är inte “nice to have”. Om vi vill att utsläppskurvan ska bli bra på riktigt måste elnätet tåla snabb elektrifiering utan att kostnader skenar.

Praktiskt: tre AI-användningar som ger effekt inom 6–12 månader

Poängen: Det finns korta projekt som ger mätbar nytta snabbt.

1. Prediktivt underhåll i nät och produktion

   • färre oplanerade avbrott
   • bättre utnyttjande av befintliga tillgångar

2. Efterfrågeprognoser och laststyrning i fastigheter

   • lägre toppeffekt
   • bättre komfort per kWh

3. Optimering av energiköp och drift (timpris + CO₂-intensitet)

   • lägre kostnad
   • lägre utsläpp, särskilt när marginalel är fossil

För lead-generering är det här också tacksamt: företag vill gärna se en tydlig business case och en tydlig start.

AI och klimatpolitik: bättre beslut kräver bättre återkoppling

Poängen: Politik blir effektiv när den kan följas upp i nära nog realtid och justeras utan prestige.

En del av “backpedalingen” vi ser globalt beror på att klimatpolitik ofta upplevs som dyr och svår att utvärdera. AI kan göra två saker som avdramatiserar:

• Snabbare effektsamband: Vilken åtgärd gav vilken effekt, när, och till vilket pris?
• Bättre målstyrning: Tidiga varningssignaler när en plan spårar ur, innan ett helt år går förlorat.

Tänk på klimatpolitik som en styrloop: mål → åtgärd → mätning → justering. Om mätningen kommer en gång per år får du en långsam och politiserad loop. Om du får månads- eller veckodata kan du agera mer som en driftorganisation.

“People also ask”: Är AI inte bara ännu mer energiförbrukning?

Poängen: AI drar el, men den kan spara mer – om den används på rätt problem.

AI-träning och datacenter kräver energi, absolut. Men i energisystem och industri är potentialen att minska spill, toppar och ineffektiva processer ofta större än den extra elen som behövs för beräkningar.

Det avgörande är styrning:

• använd rätt modellstorlek för jobbet
• kör beräkningar när elen är som renast och billigast
• mät nettoeffekten: kWh och CO₂ in vs kWh och CO₂ ut

Jag litar mer på organisationer som redovisar nettoeffekt än på de som bara pratar om “AI-satsningar”.

Så gör ni det här konkret: en 30-dagars startplan

Poängen: Börja med datan, välj ett beslut som ska bli bättre, och bygg en minimal modell som går att drifta.

Om du jobbar med energi, fastigheter, industri eller kommunal verksamhet och vill knyta AI till verklig utsläppsminskning, gör så här:

1. Välj ett styrbart problem (inte ett “strategiskt mål”)

   • Exempel: toppeffekt i ett fastighetsbestånd, bränslemix i en panna, läckage i ett nät

2. Kartlägg datan ni redan har

   • mätare, BMS, SCADA, inköpsfakturor, driftloggar

3. Sätt en enkel baseline

   • senaste 12 månaderna: kostnad, kWh, CO₂, toppar, avbrott

4. Bygg en första modell för prognos eller avvikelse

   • målet är driftbarhet, inte perfektion

5. Koppla modellen till en åtgärd

   • larm, driftinstruktion, optimerad styrkurva, inköpsbeslut

Efter 30 dagar ska ni ha något som kan testas i skarp miljö. Efter 90 dagar ska ni kunna säga om det gav effekt.

Från “bättre men inte bra” till “bra nog att hålla kursen”

Det mest hoppfulla i dagens utsläppsbild är att tekniken för ren el blivit så billig att de värsta scenarierna ser mindre sannolika ut än för tio år sedan. Det mest oroande är att utsläppen fortfarande ökar och att klimatåtaganden kan urholkas när politiken svajar.

Här passar AI inom energi och hållbarhet in som en ganska jordnära idé: bygg system som mäter oftare, styr snabbare och gör det svårt att tappa kontrollen. När utsläppsminskning blir en driftsfråga – inte bara en rapportfråga – ökar chansen att den faktiskt händer.

Om 2026 ska bli året då kurvan börjar peka ned på riktigt behöver fler organisationer göra samma sak: sluta vänta på perfekta planer och börja skapa bättre återkoppling. Vilken del av din verksamhet skulle ni kunna mäta och styra tätare redan i januari?