AI och vätgas: varför miljardprojekt pausas i verkligheten

Ett av världens största planerade ”låga koldioxid”-vätgasprojekt skulle byggas i Baytown, Texas – mitt i en av USA:s mest etablerade raffinaderi- och petrokemikluster. Kapaciteten som kommunicerades var 1 miljard kubikfot vätgas per dag. Ändå stoppades allt.

Det som hände är mer än en amerikansk industrinyhet. Det är ett skolboksexempel på hur energiomställningen faktiskt går till när Excel-ark möter verkliga kunder, politiska risker och leverantörskedjor. Och här blir kopplingen till vår serie AI inom energi och hållbarhet tydlig: många av de här haverierna går att förutse – och delvis undvika – med bättre data, bättre modeller och smartare beslutsstöd.

Det här inlägget använder Exxons pausade satsning som case: varför stora vätgasanläggningar fastnar, vad det säger om marknaden 2025, och hur AI kan hjälpa energibolag, industrikunder och investerare att fatta robustare beslut.

Vad Exxons stopp berättar om vätgasmarknaden 2025

Kärnan är enkel: utan långsiktiga kundkontrakt (offtake) blir vätgas en dyr gissning. Exxon uppgav att de inte såg tillräckligt många köpare som var villiga att betala premium för så kallad blå vätgas – vätgas producerad från naturgas kombinerad med koldioxidavskiljning.

Två detaljer från nyhetsflödet är extra avslöjande:

• Projektet hade tidigare en statlig finansieringskomponent på cirka 332 miljoner USD, som drogs tillbaka.
• Blå vätgas uppges ofta kosta ungefär en tredjedel mer än grå vätgas (naturgas utan avskiljning).

Det här är vätgasens akilleshäl: den är inte bara en teknisk fråga – den är en marknadsdesignfråga. Vem betalar mellanskillnaden? Och på vilket sätt säkras efterfrågan i 10–20 år?

Stabil policy slår teknik i tidiga marknader

Vätgasprojekt på den här nivån är kapitalintensiva och långlivade. De kräver:

• förutsägbar reglering
• stabila stödmekanismer (skatteregler, krediter, auktioner)
• tydliga utsläppsdefinitioner (vad räknas som ”låga utsläpp”?)

När finansiering och styrmedel ändras snabbt försvinner kalkylen. Resultatet blir inte ”lite sämre lönsamhet”, utan investeringsstopp.

Blå vs grön vätgas: varför ”nästan ren” inte räcker längre

Budskapet från marknaden 2025 är att ”låga utsläpp” måste kunna bevisas – och tåla granskning. För blå vätgas är två punkter återkommande risker:

1. Infångningsgrad i koldioxidavskiljningen (hur stor andel av CO₂ fångas?)
2. Metanläckage uppströms i naturgaskedjan (metan är en kraftfull växthusgas)

I Europa har regler för lågkoldioxidvätgas skärpts, bland annat med krav på hög infångningsgrad och striktare redovisning av metanläckage. Det gör att en anläggning kan se ”grön” ut på papper i ett land – men vara svår att sälja som klimatlösning i ett annat.

Den obekväma sanningen: kundernas inköp styr mer än produktionen

Många vätgassatsningar drivs av produktionslogik: ”om vi bygger stort blir kostnaden låg”. Det fungerar ibland. Men vätgas är inte el – den kräver logistik, säkerhetsarbete, nya brännare, nya processer och ofta helt nya leveransavtal.

Jag har sett samma mönster i andra energiomställningsprojekt: det är inte tekniken som tar längst tid, utan kundens beslutsprocess och riskhantering. Stål, kemi, raffinaderier och transportsektor köper inte in en ny energibärare på tre månader.

Där AI faktiskt gör skillnad: från hype till investeringshygien

AI löser inte politiska svängningar. Men AI kan göra något som branschen ofta underskattar: minska risken för felinvesteringar genom bättre prognoser, bättre scenarioanalys och bättre matchning mellan utbud och efterfrågan.

Här är tre konkreta områden där AI-baserade arbetssätt kan höja träffsäkerheten i vätgasprojekt.

1) Offtake-prognoser: hitta kunderna innan du gjuter betong

Den mest direkta lärdomen från Exxons case är att kundkontrakt inte är en ”senare fråga”. De är själva projektets fundament.

AI kan bidra genom att kombinera:

• produktionsdata och energibehov hos potentiella industrikunder
• priselasticitet (hur känslig efterfrågan är för pris)
• sannolikhet för omställningsbeslut per bransch
• regulatoriska triggers (t.ex. nya utsläppskrav)

Resultatet blir en pipeline som inte bara listar leads, utan bedömer vilka kunder som sannolikt kan teckna 10–15-åriga avtal och under vilka villkor.

Praktiskt arbetssätt jag rekommenderar:

1. Bygg en datamodell över ”kunder som kan använda vätgas” (processvärme, råvara, reduktionsmedel).
2. Kör scenarioanalys på vätgaspris (inklusive CO₂-pris, elpris, gaspris).
3. Prioritera 20–30 kunder med högst sannolikhet att konvertera inom 24 månader.
4. Designa anläggningens kapacitet och logistik efter det – inte tvärtom.

2) Kostnads- och riskmodeller: simulera verkligheten, inte bara CAPEX

Vätgasprojekt faller ofta på att man underskattar:

• driftstörningar
• underhåll på koldioxidavskiljning
• energiförluster
• variation i råvarupriser
• leveranskedjeproblem

Med maskininlärning kan man skapa modeller som lär sig av historiska driftdata från liknande anläggningar (gasprocesser, CCS, kompressorer, rörsystem) och uppskattar sannolik fördelning av kostnader och tillgänglighet.

Det är stor skillnad på:

• ”Anläggningen har 95% tillgänglighet” (antagande)
• ”Anläggningen har 95% tillgänglighet med 60% sannolikhet, men 85–90% i ett stresscenario” (beslutsunderlag)

Det här är ”investeringshygien”: att fatta beslut på probabilistiska underlag, inte på en enda siffra.

3) Utsläppsredovisning i realtid: gör klimatpåståenden mätbara

För både blå och grön vätgas blir MRV (Measurement, Reporting, Verification) centralt.

AI kan bidra med:

• anomali-detektering för metanläckage (sensorer, satellitdata, drönare)
• modellering av utsläppsintensitet per producerad enhet
• automatiserad rapportering mot olika regelverk och kundkrav

När kunder ska köpa ”lågutsläppsvätgas” vill de se mer än en PDF en gång per år. De vill se spårbarhet. Den som kan leverera det får ett tydligt kommersiellt övertag.

Så påverkar detta Sverige och Norden: tre konsekvenser

Det är lätt att avfärda Texas som ”en annan marknad”. Jag tycker tvärtom att caset är relevant för Sverige – särskilt när vätgas kopplas till industrins elektrifiering, fossilfritt stål, raffinaderiomställning och e-bränslen.

1) Vätgas behöver marknadsdesign, inte bara teknik

I Norden är el ofta relativt fossilfri, vilket gynnar grön vätgas. Men affären kräver fortfarande:

• tydliga kundcase
• långsiktiga avtal
• robust prissäkring för el

AI-baserad prognostik för elpriser, nätbegränsningar och flexibilitet blir därför en del av vätgasstrategin – inte ett IT-projekt vid sidan av.

2) Infrastruktur och nätkapacitet blir flaskhalsar

Grön vätgas i stor skala kräver mycket el och bra anslutning. Att ”bara bygga” är sällan möjligt när nätet är fullt.

Här kan AI hjälpa genom att optimera:

• lokalisering (närhet till el, vatten, kund, hamn)
• driftstrategi (kör när elen är billig och låg i utsläpp)
• flexibilitet (lagring, efterfrågeflex, hybrider med batterier)

3) EU-regler driver mätbarhet – och det är bra

Striktare krav på utsläppsintensitet och metanläckage kan kännas jobbiga. Men de gör också marknaden mer seriös.

Min ståndpunkt: vätgas som inte går att mäta och verifiera kommer att få svårt att överleva som premiumprodukt. Den som bygger MRV från dag ett slipper dyra omtag senare.

Praktisk checklista: så undviker du att vätgasprojektet fastnar

Om du arbetar med energiomställning i industri, kommun, energibolag eller som investerare, använd den här listan som snabb sanity check innan nästa styrgruppsmöte.

1. Offtake först: Finns 2–3 ankarkunder med tydlig användning och tidslinje?
2. Prislogik: Vad betalar kunden för i praktiken – CO₂-reduktion, energisäkerhet eller varumärkesvärde?
3. Policy-scenario: Vad händer om stöd ändras eller krav skärps inom 24 månader?
4. Nät och logistik: Är elanslutning, komprimering, lagring och distribution realistiskt tidsatt?
5. MRV-design: Kan ni visa utsläppsintensitet löpande – inte bara i efterhand?
6. AI som beslutsstöd: Finns en modell för efterfrågan, risk och drift – eller bygger allt på antaganden?

En bra tumregel: Om projektets lönsamhet kräver att ”allt går enligt plan”, är det inte en plan – det är en önskan.

Nästa steg: använd AI för att testa vätgasaffären innan den testas på marknaden

Exxons pausade anläggning visar hur snabbt en storsatsning kan tappa fotfästet när kundåtaganden och policy stabilitet inte håller. Det gör inte vätgas ”dömt”. Det gör vätgas krävande.

För mig är den mest konstruktiva lärdomen att flytta mer analys tidigt: AI för energiplanering kan stress-testa efterfrågan, kostnad och utsläpp på ett sätt som gör att ni upptäcker svagheter innan de blir miljarddyrbara.

Om du vill arbeta mer datadrivet med vätgas, börja med en fråga som faktiskt går att besvara: Vilka tre kundsegment i vår region kan skriva offtake-avtal inom 18 månader – och exakt vilka villkor krävs?