AI och vätgas: lärdomar från Ohio när stödet svajar

Det finns en detalj i Ohio som säger mer än tusen policydebatter: en vätgastankstation som i över tio år har stöttat forskning kring bränsleceller vid ett universitetscenter. Den står där som ett bevis på att industriell uthållighet inte alltid följer Washingtons budgetlinjer.

Samtidigt har osäkerhet kring amerikanska federala satsningar på vätgas – inklusive stora “hubbar” som skulle pressa ned kostnaderna – skapat ett nytt normalläge: projekt måste kunna stå på egna ben, snabbare. För alla som jobbar med energiomställning i Norden är det här intressant av två skäl. För det första visar Ohio hur regional industri kan fortsätta investera trots politisk turbulens. För det andra pekar det på en lucka där AI i energisystemet kan göra verklig skillnad: att räkna på risk, optimera infrastruktur och hitta kunder när spelreglerna ändras.

Jag ser Ohio som en praktisk fallstudie för vår serie ”AI inom energi och hållbarhet”. Inte för att Sverige ska kopiera USA:s modell, utan för att dynamiken är universell: när stöd och incitament är osäkra blir datadrivna beslut, snabb planering och adaptiv drift avgörande.

Varför vätgas fortsätter framåt – trots osäkerhet

Vätgas rullar vidare i Ohio eftersom den adresserar ett konkret problem: vissa processer är svåra eller dyra att elektrifiera fullt ut. Det gäller delar av tung industri (t.ex. stål och glas), och vissa transportsegment (tunga fordon, bussar, industriutrustning och i vissa fall sjöfart och flyg).

Osäkerheten kring federala program och bidrag har inte eliminerat behovet. Den har däremot flyttat fokus från ”vi bygger när pengarna kommer” till ”vi bygger om vi har en affär”. Och där kommer de två verkliga flaskhalsarna fram:

1. Tillgång på låg- eller nollutsläppsvätgas i meningsfull skala.
2. Efterfrågan (offtakers) – alltså kunder som faktiskt tecknar avtal och använder gasen.

Det som bromsar: kostnad, kund och kapacitet

På pappret kan vätgas produceras på flera sätt: via elektrolys med ren el, via kärnkraftsdriven el, eller via naturgas med koldioxidinfångning. I praktiken är marknaden fortfarande ung. Det gör att projekt lätt blir ”pilotfällor”: tekniken fungerar, men volymerna och kundbasen räcker inte.

Det är också därför politiska styrmedel spelar stor roll. När stöd dras tillbaka eller blir otydligt blir investeringskalkylen mer känslig för elpris, kapacitetsbrist i nätet, logistik och kontraktsrisk.

Min ståndpunkt: om vätgas ska bli en verklig del av energiomställningen måste den behandlas som infrastruktur – med samma nivå av planering, standardisering och riskhantering som elnätet. Det är här AI kan fungera som ”limmet” mellan produktion, lagring, distribution och användning.

Ohio som case: tre typer av vätgasprojekt som faktiskt rör sig

Ohio visar tre tydliga spår som också är relevanta för svenska aktörer (energiföretag, kommuner, industri, logistik och tech).

1) Vätgas kopplad till “speed to power” för datacenter

Ett konkret exempel i regionen är planer på bränslecellsbaserad kraft till datacenter, där poängen är att få fram el snabbt. I uppstarten körs systemen på naturgas, med ambition att senare kunna gå över till vätgas.

Det här illustrerar en realitet som fler marknader kommer möta 2026: AI-boomen driver datacenter, datacenter driver effektbehov, effektbehov driver nya energilösningar. Och när nätanslutning tar tid blir lokala kraftlösningar attraktiva.

AI-lärdom: datacenter är perfekta “ankarkunder” för ny energiinfrastruktur – men bara om man kan bevisa driftsäkerhet, kostnad per kWh och en trovärdig omställningsväg.

2) Vätgas i fordon: nisch för personbil, starkare för tungt

Fordonstillverkare i regionen jobbar vidare med bränsleceller. Men budskapet från industrin är rätt krasst: batteri-el är oftast bäst för små fordon, medan vätgas kan passa bättre för tunga segment där räckvidd, tanktid och nyttolast är kritiska.

Det är en viktig kalibrering även i svensk debatt. Vätgas vinner inte genom att försöka ersätta allt, utan genom att lösa de fall där batterier blir opraktiska eller dyrt i systemkostnad.

3) Lokal produktion: elektrolys och “spillvätgas” från industri

I Ohio syns både elektrolysbaserade initiativ och ett annat spår som ofta glöms: vätgas som redan finns i industriella restströmmar.

Ett exempel är att rena och komprimera en vätgasdominerad restgas från kemisk produktion, och sedan sälja den. Affären hänger på samma sak som många svenska projekt: en tydlig kund.

Ett vätgasprojekt är inte färdigt när elektrolysören är beställd. Det är färdigt när någon skriver på för volymen.

Så hjälper AI vätgas att bli lönsam (inte bara möjlig)

AI hjälper vätgasmarknaden genom att göra den mindre gissningsdriven. Det handlar inte om “magisk automation”, utan om att få ihop fler variabler samtidigt: elpris, CO₂-intensitet, lagringsnivåer, logistik, efterfrågeprofiler och policy.

AI-område 1: Prognoser för efterfrågan och “offtaker matchning”

Den snabbaste vägen till fler vätgasaffärer är att koppla ihop producenter med rätt kunder vid rätt tidpunkt.

Med AI kan man:

• förutsäga vätgasbehov per kundtyp (bussdepå, stålanläggning, logistiknav)
• modellera kundens driftmönster (t.ex. veckotoppar, säsong)
• optimera kontraktsupplägg: fast volym vs. flexibilitet, pristrappor, incitament

Praktiskt resultat: mindre volymrisk och bättre planerade investeringar i lagring och distribution.

AI-område 2: Optimering av elektrolys – när ska man producera?

Elektrolys är i grunden en elprisstyrd process. Men verkligheten är mer komplex: nätkapacitet, effektavgifter, balansmarknader, och krav på låg klimatpåverkan.

AI används redan i liknande problem (batterilager och flexibilitet) och kan direkt överföras till vätgas:

• optimering mot timpris och effektkostnader
• planering mot tillgång på förnybar el
• styrning mot kundens leveransfönster

Målet är enkelt att formulera: minimera kostnad per kg vätgas utan att tumma på leverans och utsläppskrav.

AI-område 3: Infrastrukturplanering med scenarier när politiken är osäker

När stöd kan komma, försvinna eller ändras, måste projektledningen kunna arbeta i scenarier.

En bra AI-stödd planeringsmodell kan:

1. simulera flera policyfall (incitament kvar, incitament bort, begränsad finansiering)
2. räkna på känslighet i CAPEX/OPEX och kundpris
3. prioritera etapper: “bygg nu” vs. “förbered och vänta”

Det är här Ohio blir extra relevant: de projekt som går vidare verkar göra det för att de kan fasa satsningen och ändå se affärsnytta.

AI-område 4: Tillförlitlighet, säkerhet och prediktivt underhåll

Bränsleceller, kompressorer, ventiler, lagring och dispensering kräver hög tillgänglighet. Med sensordata och maskininlärning kan man gå från reaktivt underhåll till prediktivt.

Effekten är inte bara färre driftstopp. Det stärker också investeringscaset:

• högre nyttjandegrad
• lägre underhållskostnad
• tydligare SLA:er mot kund

Vad svenska energi- och industribolag kan ta med sig 2025-12-21

Ohio lär oss att vätgasutveckling inte är en rak linje. Den går i ryck, och den påverkas av politiska beslut. Det gör den inte oviktig – bara mer krävande.

Här är en handfast checklista jag brukar använda när jag pratar med team som vill gå från “strategi” till faktisk leverans.

En 6-stegs plan för vätgas + AI (utan att fastna i pilotläge)

1. Välj ett enda användningsfall där vätgas har systemfördel (t.ex. tung drift, höga temperaturer, snabb tankning).
2. Säkra minst en offtaker med realistisk volymprofil.
3. Bygg en datamodell först: elpris, CO₂-intensitet, driftprofiler, logistik, riskparametrar.
4. Optimera produktion/lagring med AI mot kostnad och leverans, inte bara mot “maxproduktion”.
5. Fasa infrastrukturen (stationer, lager, distribution) så att varje etapp kan bära sig.
6. Mät hårt: kostnad per kg, tillgänglighet, leveransprecision, utsläpp per kg – och förbättra varje kvartal.

För svenska förhållanden är det också klokt att tänka regionalt: hamnar, industrikluster och logistikstråk. Vätgas är nästan alltid en platsbunden affär i början.

Nästa steg: från politisk risk till teknisk kontroll

Ohio visar att vätgas kan fortsätta trots att federala pengar svajar – men också att marknaden snabbt straffar otydliga affärer. Den aktör som vinner är inte den som pratar mest om vätgas, utan den som kan bevisa ekonomi och drift i verkliga flöden.

Och här passar AI perfekt in i vår tematik “AI inom energi och hållbarhet”: AI minskar osäkerheten i planering och drift, vilket gör att fler projekt kan finansieras och skalas.

Om du själv sitter med ett vätgasinitiativ (produktion, lagring, stationer, industriell användning eller flexibilitet): vilka tre datakällor saknar ni för att kunna fatta investeringsbeslut med trygghet – elpris, driftdata eller kundens behovsprofil?