AI kan rädda vätgasprojekt från dyra tvärstopp

Ett av världens största planerade projekt för lågutsläppsvätgas har lagts på is. Exxon Mobil skulle bygga en enorm anläggning i Baytown, Texas, med kapacitet på 1 miljard kubikfot vätgas per dag – men drog i nödbromsen när finansiering försvann och när kunder inte ville betala prispåslaget för så kallad blå vätgas.

Det här är inte bara en amerikansk energinyhet. Det är en konkret påminnelse om hur snabbt förutsättningar kan ändras i energiomställningen – och hur dyrt det blir när ett miljardprojekt vilar på antaganden om politik, efterfrågan och teknikprestanda som inte håller.

I vår serie ”AI inom energi och hållbarhet” använder jag Exxons stopp som ett case: vad var det som brast – och hur hade AI-baserad planering kunnat minska risken? För företag, kommuner och investerare i Sverige som tittar på vätgas, elektrobränslen, CCUS eller elnätsnära industriprojekt finns flera tydliga lärdomar.

Varför stoppas stora vätgasprojekt?

Stora vätgasprojekt stoppas sällan av en enda orsak. De faller oftare på kombinationen av marknadsrisk, policy-risk och genomföranderisk – och när två av tre slår fel samtidigt blir kalkylen snabbt omöjlig.

I Exxons fall framträder tre konkreta stoppklossar:

1) Efterfrågan: offtake-kontrakt som aldrig blir “bankable”

Kärnan i problemet var att det saknades tillräckligt många köpare som ville teckna långsiktiga avtal och acceptera ett premiumpris. I praktiken betyder det att projektet inte fick de offtake-kontrakt som krävs för att låna pengar, beställa utrustning och binda upp leverantörer.

Blå vätgas (naturgas + koldioxidavskiljning) kostar enligt uppgifter i artikeln cirka en tredjedel mer än grå vätgas (naturgas utan avskiljning). När klimatkrav och incitament vacklar blir det svårare att motivera skillnaden i inköpsbudget.

2) Policy: när spelregler ändras mitt i matchen

Projektet hade tidigare fått ett federalt stöd på nästan 332 miljoner dollar. När det drogs tillbaka uppstod ett finansieringsgap – men minst lika viktigt: marknaden tolkade det som ett svagare politiskt stöd för lågutsläppsvätgas. Policy fungerar ofta som efterfrågeskapare i tidiga marknader.

3) Teknik- och regelrisk: utsläppskrav som skärps

EU har under 2025 fastställt regler för lågutsläppsvätgas som kräver minst 70% infångning av utsläpp, plus striktare krav på redovisning av metanläckage uppströms. Artikeln lyfter dessutom en studie som pekar på att avskiljning i praktiken kan hamna runt 60% i vissa upplägg.

Det här spelar roll även för Sverige. Om din affär bygger på att exportera vätgas, ammoniak, stål eller e-bränslen in i EU:s värdekedjor, behöver du räkna med att krav på livscykelutsläpp skärps, inte mjuknar.

Ett vätgasprojekt är inte en fabriksinvestering. Det är ett ekosystem av kontrakt, policyantaganden, utsläppsredovisning och energiförsörjning.

Det de flesta missar: projektets “osynliga” risker

Den synliga diskussionen handlar ofta om produktionskostnad per kilo vätgas. Den osynliga – men avgörande – handlar om variabilitet och beroenden.

Här är tre risktyper som ofta underskattas i stora energiomställningsprojekt:

Volatilitet i insatsvaror och intäkter

• Naturgaspris (för blå vätgas)
• Elpris och elnätsavgifter (för grön vätgas)
• Priser på utsläppsrätter, klimatpremier och “gröna” certifikat

Ett projekt som ser lönsamt ut vid ett antaget medelpris kan bli olönsamt när du simulerar 10 000 möjliga prisbanor.

“Policy som efterfrågan”

I tidiga marknader är lagstiftning och subventioner ofta det som skapar betalningsvilja. När stöden dras ned blir premiumprodukten snabbt “nice to have” i stället för “must have”.

Regelverkets detaljnivå

Skillnaden mellan 60% och 70% infångningsgrad är inte en akademisk parentes. Den kan vara:

• skillnaden mellan att få sälja som lågutsläpp
• skillnaden mellan att få finansiering
• skillnaden mellan att kunden kan räkna hem sin egen klimatplan

Så kan AI minska risken i vätgas- och CCUS-investeringar

AI kommer inte att trolla fram stabil policy eller tvinga kunder att skriva kontrakt. Men AI kan göra två saker riktigt bra: förutsäga sannolikheter och optimera beslut under osäkerhet.

Här är fyra AI-områden som jag tycker borde vara standard i stora energiprojekt 2026–2030.

1) Prediktiv efterfrågemodellering: “Vem köper – och varför?”

En vanlig felmodell är att anta att “marknaden för vätgas växer”. En bättre modell är att förutsäga vilka segment som faktiskt tecknar offtake, under vilka villkor.

Med AI kan du bygga modeller som kombinerar:

• kundernas historiska inköpsmönster
• deras klimatmål och rapporteringskrav
• branschspecifik marginalpress
• sannolikheten att de betalar premium vid olika policyutfall

Resultatet blir inte en siffra, utan en sannolikhetsfördelning: hur stor del av volymen är realistiskt kontrakterbar inom 12, 24 och 36 månader.

2) Scenario- och känslighetsanalys på riktigt (inte tre Excel-flikar)

Bra beslutsunderlag kräver fler än “bas, låg, hög”. AI-baserade metoder som Monte Carlo-simulering och Bayesian riskmodellering kan skapa tusentals scenarier med korrelerade variabler:

• energipriser
• räntenivåer
• kapacitetsfaktor
• koldioxidpris/klimatpremie
• regulatoriska trösklar (t.ex. 70% infångning)

Det gör att du kan svara på den viktiga frågan:

Hur stor är sannolikheten att projektet når positivt kassaflöde utan ny policyhjälp?

3) Optimering av systemdesign: kapacitet, lagring och flexibilitet

För både blå och grön vätgas är dimensionering ett minfält. Bygger du för stort innan efterfrågan finns får du låg nyttjandegrad. Bygger du för smått får du höga styckkostnader.

AI kan optimera:

• modulär utbyggnad (steg 1–3)
• vätgaslager (saltkavern, tryck, LOHC)
• drift mot elprissignaler (för elektrolys)
• integration med industriella processer och spillvärme

I svensk kontext blir detta extra relevant när elnätskapacitet och anslutningstider ofta är en flaskhals. Flexibilitet är pengar.

4) MRV och datakvalitet: mätning som affärskrav

MRV (Measurement, Reporting and Verification) är inte ett compliance-projekt som kan “fixas sen”. Det är ofta ett krav från kunder och finansierare.

AI kan hjälpa till att:

• detektera metanläckage med sensordata och anomalidetektion
• modellera livscykelutsläpp och osäkerheter
• skapa spårbarhet i leveranskedjan

Det låter tekniskt – men det är i praktiken det som avgör om produkten får kallas lågutsläpp och om kunden vågar skriva avtal.

Praktiska lärdomar för svenska energibolag och industrin

Exxons stopp handlar om Texas och USA-politik, men mönstret känns igen. Här är sex råd jag brukar återkomma till när jag pratar med aktörer som planerar vätgas, e-bränslen, CCS eller elektrifiering i Norden.

1. Bygg affären på kontrakt, inte på pressmeddelanden. Offtake först, kapex sen.
2. Modellera policy som en osäker variabel, inte som en konstant. Sätt sannolikheter och stress-testa.
3. Sätt tekniska trösklar som “go/no-go”. Om 70% infångning krävs – visa att du klarar det med mätdata.
4. Planera modulärt. En mindre första fas som kan skalas är ofta smartare än ett megabygge.
5. Gör MRV till en del av produkten. Data blir en del av kundvärdet.
6. Använd AI för beslut, inte bara rapporter. Det viktiga är vilka beslut modellen förändrar.

“People also ask” – snabba svar om vätgas och AI

Är blå vätgas en bra idé?

Blå vätgas kan spela en roll där snabb volym behövs och där infrastrukturen för naturgas och koldioxidlagring finns. Men den är hårt beroende av hög infångningsgrad och låg metanläckage, annars faller klimatnyttan och regelverk kan stoppa marknaden.

Varför är grönt vätgas så svårt att skala?

Grönt vätgas kräver mycket billig el, god nätanslutning, hög nyttjandegrad och ofta lagring/flexibilitet. Kostnaden påverkas starkt av elpris och kapacitetsfaktor – därför blir AI för driftoptimering och prissäkring centralt.

Vilken AI-nytta ger snabbast effekt i energiprojekt?

Snabbast effekt brukar komma från risk- och scenarioanalys som förbättrar investeringsbeslut, samt prognoser för efterfrågan/offtake. Det är där man undviker de dyraste misstagen.

Nästa steg: bygg en “AI-first” beslutsmodell för energiomställning

Exxons stopp visar något obekvämt men nyttigt: energiomställning är inte bara teknik – det är marknadsdesign. När kunder tvekar och politiken svänger hjälper det inte att ha en imponerande anläggningsritning.

Min tydliga ståndpunkt är att stora industriprojekt inom vätgas, CCS och e-bränslen bör behandlas som kontinuerliga beslutsproblem, inte som engångsbeslut. AI är verktyget som gör den typen av beslutsstyrning praktiskt möjlig.

Om du sitter med en portfölj av energiprojekt inför 2026 är frågan jag vill lämna dig med:

Vilket projekt skulle du stoppa tidigare – och vilket skulle du skala snabbare – om du hade bättre prediktioner på efterfrågan, policy och utsläppsprestanda?