Datahallar som bygger egen el: lärdomar från Georgia

Georgia i USA planerar att släppa in datahallar i energisystemets maskinrum. Inte som passiva elkunder, utan som aktiva medbyggare av ny förnybar el och batterilager. Det låter tekniskt, men effekten är väldigt konkret: om hyperskalare (Amazon, Google, Microsoft, Meta m.fl.) får finansiera och ta in ny ren el snabbare kan delstaten slippa en del av den gasutbyggnad som annars riskerar att låsa in både höga kostnader och utsläpp i decennier.

Det här är extra relevant 2025-12-21. AI-boomen driver upp efterfrågan på beräkningskraft, och därmed el. Samtidigt är det vinter i stora delar av världen, med toppar i effektbehov och prissvängningar som gör kapacitetsfrågan mer än en teoretisk detalj. Jag tycker dessutom att Georgia-exemplet visar något som många missar i debatten: det är inte AI som är problemet – det är hur vi kopplar AI-infrastrukturen till elnätet.

I den här delen av vår serie AI inom energi och hållbarhet går vi igenom vad Georgia försöker göra, varför “bygg din egen rena el”-modellen är attraktiv, och vilken pusselbit som avgör om det faktiskt blir en klimat- och kostnadsvinst: kapacitetsvärde.

Vad Georgia faktiskt föreslår – BYONCE i praktiken

Kärnan: Georgia arbetar fram ett upplägg där stora elintensiva kunder (särskilt datahallar) får ta fram egna elprojekt som kopplas in i nätet och krediteras kunden.

Modellen kallas i branschen ibland bring-your-own clean energy (BYONCE). I Georgia sker det genom en ny komponent i Georgia Powers befintliga program för “grön tariff”, kallad Customer-Identified Resource (CIR).

Så här är det tänkt att fungera (förenklat):

1. Kunden hittar projekt – t.ex. solpark, sol + batteri, eller andra koldioxidfria resurser.
2. Bolaget (elnäts-/kraftbolaget) granskar – kostnadseffektivitet, tekniska krav, systemnytta.
3. Projektet byggs och ansluts – därefter kan kunden få:
   • kreditering på elräkningen, och
   • tilldelning av ursprung/”certifikat” för förnybar el (i USA: REC).

I Georgias nuvarande ram pratar man om upp till 3 GW kundidentifierade resurser fram till 2035, kopplat till ett större program som ska säkra upp till 4 GW nya förnybara resurser till 2035.

Det här är inte bara “grön branding”. Det är ett försök att lösa en flaskhals: när en vertikalt integrerad elmarknad domineras av ett fåtal aktörer blir takten på ny el ofta en styrningsfråga, inte en teknikfråga.

Varför datahallar pressar elnätet – och varför det är riskabelt att svara med gas

Kärnan: Datahallar driver både energibehov (kWh) och effektbehov (kW), och osäkerheten är stor. Bygger man gas för att vara “säker” kan kunderna låsas in i dyra tillgångar om prognoserna slår fel.

Georgia Power planerar investeringar i storleksordningen 15 miljarder dollar för att bygga cirka 10 GW nya gasanläggningar och batterier till 2031. Motivationen är i praktiken stora lastprognoser kopplade till AI och datahallar.

Problemet är dubbelt:

• Prognosrisk: AI-efterfrågan kan fortsätta växa, men den kan också ändra form (mer effektiv hårdvara, bättre modellkomprimering, flytt till andra regioner, eller att projekt pausas). Då sitter elbolaget och kunderna kvar med kostnaderna.
• Systemrisk: Gasprojekt tar tid, påverkas av leveranskedjor och bränsleprisrisk, och låser ofta in utsläpp. Det kan också tränga undan billigare och snabbare förnybara alternativ.

Det är därför CIR/BYONCE-idén är så intressant: om den som driver lasten också finansierar ny ren produktion minskar risken att kostnader socialiseras på hushåll och småföretag.

I Sverige ser vi samma spänning, även om marknadsmodellen skiljer sig: industri- och datacenteretableringar kräver snabb nätutbyggnad och mer effekt. Skillnaden är att Georgias upplägg försöker flytta delar av lösningen från “vänta på bolagets plan” till “kunden tar fram resurser som nätet kan använda”.

Den avgörande detaljen: kapacitetsvärde (och varför många program faller där)

Kärnan: Om kundens sol och batterier inte räknas som bidrag till toppeffekt (kapacitet) kan elbolaget ändå bygga gas “för säkerhets skull” – och då försvinner mycket av vinsten.

I Georgias diskussion är den stora konfliktpunkten något som låter torrt men är helt avgörande: kapacitetsvärde.

Kapacitet handlar om de få timmar per år som bestämmer dimensioneringen av systemet. Det är då elnätet, produktionen och flexibiliteten måste räcka till. Om kundfinansierade resurser inte får räknas som kapacitet i elbolagets planering kan följande hända:

• Datahallar bygger sol + batteri.
• Elbolaget säger: “Tack, men vi kan inte räkna det som säker kapacitet.”
• Elbolaget bygger gas ändå.
• Resultat: dubbla investeringar och högre total kostnad.

Det är också här AI blir praktiskt relevant för hållbarhet. För att kreditera kapacitet krävs trovärdig mätning och prognos av:

• batteriers verkliga tillgänglighet vid topp,
• solens bidrag under kritiska timmar,
• hur last kan styras (demand response),
• hur kombinationer (sol + batteri + laststyrning) beter sig i stressade systemlägen.

Med andra ord: kapacitetsvärde är ett dataproblem. Och AI/ML är starkt när problemet handlar om att förutsäga, klassificera och optimera under osäkerhet.

Ett enkelt sätt att tänka: kWh är lätt, kW är svårt

Att köpa “100% förnybar el” över ett år handlar ofta om energi (kWh). Men elnätet byggs för effekt (kW) under topp. Ett CIR-program som bara löser kWh riskerar att bli en klimatkompensationsmekanism snarare än ett systemverktyg.

Det Georgia försöker reda ut är därför en nyckel för alla marknader som vill växa med AI utan att cementera fossil kapacitet.

Så kan AI göra BYONCE-modellen systemnyttig på riktigt

Kärnan: AI kan koppla ihop datahallens drift med elnätets behov – och omvandla “egen el” till faktisk kapacitet, lägre kostnad och lägre utsläpp.

Det finns tre AI-drivna angreppssätt som är särskilt relevanta för datahallar och stora laster.

1) Prognoser som går att reglera på

Datahallar sitter redan på avancerad telemetri: temperaturer, kylsystem, serverlast, UPS-status, PUE, och schemaläggning av jobb. Med ML-prognoser kan man ta fram:

• lastprognoser per 15-minutersintervall
• sannolikhet för toppar vid köldknäppar/heatwaves
• riskindikatorer för när flexibilitet faktiskt kan levereras

När prognosen är kalibrerad blir den ett underlag för att säga: “Den här kombinationen av sol, batteri och laststyrning levererar X MW med Y% säkerhet under topptimmar.” Det är exakt den typ av argumentation som behövs för kapacitetskrediter.

2) Optimering: flytta beräkningar, inte bara el

Många tror att flexibilitet bara är att “stänga av”. För datahallar är det ofta fel. Det handlar mer om:

• flytt av icke-latenskritiska jobb i tid (schemaläggning)
• flytt av jobb mellan geografiska zoner (om företaget har flera sajter)
• dynamisk hantering av kylning och termisk tröghet

AI-optimering kan minimera kostnad och utsläpp samtidigt som SLA:er hålls. Det här är energieffektivisering i praktiken, inte i powerpoint.

3) Mätbarhet och verifiering som regulatorer litar på

Reglering gillar bevis. AI kan stödja MRV (measurement, reporting, verification) genom att:

• detektera avvikelser i batteriprestanda
• förklara orsakssamband (varför kapacitet uteblev)
• skapa revisionsbara rapporter om levererad flexibilitet

För ett CIR-program är detta guld: det minskar risken att kapacitetskrediter delas ut på felaktiga grunder.

Lärdomar för Sverige och Norden: vad man bör kräva av stora elintensiva aktörer

Kärnan: Om vi vill välkomna datahallar och AI-industri utan att driva fram dyr och fossil reservkapacitet behöver vi designa rätt incitament: kapacitet, inte bara energi.

Georgia-exemplet är amerikanskt, men principerna är universella. Här är vad jag tycker beslutsfattare, nätbolag och kommuner bör ha med i verktygslådan när nya stora laster etableras:

1. Kapacitetsbidrag som villkor

   • Kräv att etableringen visar hur den bidrar till toppeffekt: batteri, flexibilitet, egen produktion, eller avtalad reduktion.

2. “Den som orsakar kostnaden ska bära kostnaden”

   • Om nätförstärkningar och reservkapacitet krävs bör delar av kostnaden kunna allokeras till den nya lasten, inte bara spridas ut.

3. Standarder för mätning av flexibilitet

   • Flexibilitet måste vara mätbar, verifierbar och testbar. Annars blir den en förhoppning.

4. Uppmuntra hybridlösningar

   • Sol + batteri + laststyrning + värmeåtervinning slår ofta “en åtgärd i taget”.

5. AI som driftverktyg, inte bara analys

   • Störst klimatnytta kommer när AI kopplas direkt till styrning: kylsystem, lastschemaläggning och batteridispatch.

En mening att bära med sig: Elnätets stora kostnader avgörs av timmar, inte av årssummor.

Nästa steg: hur du kan använda insikten i din egen organisation

Georgia visar att policy kan öppna dörrar, men att resultaten avgörs av detaljerna. Om du jobbar med energi, hållbarhet, datahallar eller industrins elektrifiering är tre praktiska steg rimliga redan nu:

• Kartlägg din “effektprofil”: När toppar du, hur ofta, och vad driver topparna? Utan den bilden blir allt annat gissning.
• Räkna på kombinationen: sol + batteri + laststyrning ger ofta bättre ekonomi än att dimensionera batteri för allt.
• Bygg ett MRV-upplägg: mätning och verifiering av flexibilitet/kapacitet bör vara lika seriöst som finansiell rapportering.

AI inom energi och hållbarhet handlar i grunden om att göra elsystemet mer förutsägbart och styrbart. CIR/BYONCE är ett policyförsök att flytta kapital och ansvar närmare den som driver efterfrågan. Lyckas Georgia få kapacitetsfrågan rätt kan det bli en modell som fler regioner kopierar när AI fortsätter växa under 2026.

Den intressanta frågan framåt är därför inte om datahallar “kan bli gröna”. Den är: kommer regler, incitament och AI-styrning göra dem till en resurs för elnätet – eller en kostnad som andra får betala?