AI kan göra elskatten rättvis i energiomställningen

El till hemmet kan i praktiken bli tre gånger dyrare än el som går till att tillverka framtidens “grönare” flygbränslen. Det är inte en gissning, utan ett resultat från en peer review-granskad studie som jämför hur skatter och avgifter slår mot olika användningar av el. Siffrorna är svåra att blunda för: 194 €/MWh för hushåll och lokal mobilitet – mot 65,5 €/MWh för el som blir e-fuels till flyget.

Det här är mer än en prisjämförelse. Det är en varningssignal om att energiomställningen riskerar att bli socialt skev om vi fortsätter att beskatta el utifrån “historik” snarare än nytta och rättvisa. Och när vi nu i slutet av 2025 ser hur både elpriser och acceptansen för klimatomställningen fortsatt påverkas av kostnadstryck och geopolitisk osäkerhet, blir frågan akut: hur undviker vi att klimatpolitik upplevs som orättvis – samtidigt som vi når utsläppsmålen?

Här kommer jag ta ställning för en sak: vi behöver datadriven energipolitik. Inte som ett buzzword, utan som ett sätt att koppla ihop tre världar som idag ofta pratar förbi varandra: skattesystem, elsystem och verkliga utsläpp. AI kan vara verktyget som gör det möjligt.

Varför hushållsel kan bli dyrare än e-fuels till flyg

Svaret är att skattesystemet ofta gör el dyr där den behövs mest – och billig där den används mest exklusivt. Studien (med Frankrike som exempel, men med EU-regler i botten) visar att slutpriset på el varierar kraftigt beroende på användning, trots att det i grunden är samma “vara” i nätet.

Kärnresultaten är tydliga:

• El för primära och sekundära behov (t.ex. hushållsel, uppvärmning, laddning för lokal mobilitet): 194 €/MWh
• El för tertiära behov (t.ex. syntetiskt flygbränsle/e-fuels för långdistansflyg): 65,5 €/MWh
• Skatt/avgiftsdel: 120 €/MWh för hushåll och lokal mobilitet, men bara 11,2 €/MWh för e-fuels till flyget

Det här sker bland annat för att elintensiva anläggningar ofta har låg eller ingen beskattning, och att flygbränsle i sig historiskt varit lågbeskattat eller obeskattat. Resultatet blir att samhället skapar ett ekonomiskt “grönt spår” för flyget, samtidigt som basbehov i hushållen belastas hårdare.

Energiomställningen handlar inte bara om teknik – utan om prioritering

Energiomställning är i praktiken en fördelningsfråga: vilka användningar av ren el ska växa snabbast när utbudet är begränsat vissa timmar, vissa säsonger och i vissa nätområden?

Här blir studiens jämförelse extra vass. Den visar att en enda tur-och-returresa Paris–New York med e-fuels ändå kräver 7 300 kWh. Det är mer än en individs kombinerade primära och sekundära elbehov i exemplet (5 000 kWh/år).

Det säger något obekvämt: även “grönare” flyg riskerar att äta enorma mängder fossilfri el som annars kunnat gå till uppvärmning, industriell omställning eller elektrifiering av transporter med högre energieffektivitet.

Den obekväma rättvisefrågan: vem flyger – och vem betalar?

Svaret är att flygets klimatpåverkan och nyttan av flyg är extremt ojämnt fördelad. Studien pekar på att inom EU står den rikaste 1% för 66% av den sträcka som flygs. Samtidigt är flygresor nästan obefintliga för 50% av befolkningen och ganska begränsade för 90%.

Utsläppsprofilen blir därefter:

• De 90% som flyger lite eller inte alls: < 0,1 ton CO₂e per person och år
• Den rikaste 1%: > 22 ton CO₂e per person och år

Det här är kärnan i energirättvisa i praktiken. Om hushållens el (värme, ljus, matlagning) beskattas hårt medan el för att producera flygbränsle beskattas lätt, då får vi en politik där:

1. Basbehov blir dyrare för många.
2. Högkonsumtion subventioneras indirekt.
3. Legitimiteten för klimatomställningen urholkas.

Jag har sett samma mönster i diskussioner om elnätsavgifter och effektavgifter: när kostnadslogiken blir svår att förstå uppstår misstro. Och utan acceptans blir även bra klimatpolitik politiskt skör.

AI som verktyg för energirättvisa: från skatt per kWh till skatt per nytta

Svaret är att AI kan hjälpa oss beskatta och styra energi efter faktisk påverkan och samhällsnytta – inte efter sektorhistorik. Det låter stort, men det handlar om något ganska konkret: bättre mätning, bättre prognoser och bättre beslutsunderlag.

I serien AI inom energi och hållbarhet pratar vi ofta om smarta elnät, prognoser och optimering. Här är kopplingen glasklar: om vi kan modellera hur el används, när den används och vad den tränger undan – då kan vi också utforma mer träffsäkra styrmedel.

1) AI-driven kostnadsprognos: synliggör vem som bär kostnaden

Nyckeln är att kunna separera “rå el” från skatte- och nätkomponenter och simulera konsekvenser. Med maskininlärning kan man bygga prognosmodeller som:

• förutser prisnivåer per timme (inkl. volatilitet)
• uppskattar nätbegränsningar och effektbrist lokalt
• simulerar hur olika skatteförändringar slår mot hushåll, småföretag och industri

Resultatet blir att beslutsfattare kan få svar på frågor som annars blir ideologiska:

• Vad händer med energifattigdom om vi flyttar beskattning från el till utsläpp?
• Hur påverkas incitamenten att energieffektivisera i flerbostadshus?
• Vilken del av kostnaden är “systemkostnad” vs. politisk kostnad?

2) Smart styrning av efterfrågan: minska toppar utan att straffa basbehov

AI i smarta elnät kan minska behovet av dyra toppar, vilket i sin tur kan minska trycket att höja fasta avgifter. Många hushåll upplever inte att de “slösar”, men drabbas ändå av höga räkningar när effekt och nätavgifter stiger.

Med AI-baserad laststyrning kan man optimera:

• värmepumpar och varmvattenberedare
• elbilsladdning
• batterier i hem och fastigheter
• fastighetsautomation i skolor, kontor och bostäder

Viktigt: rätt implementerat är detta inte en moralpredikan till konsumenten, utan ett sätt att göra systemet billigare. Det är energirättvisa i praktiken.

3) AI för klimat- och rättviseuppföljning: mät effekter, inte bara ambition

Det som inte mäts blir inte styrt. Om EU och andra länder inför krav på e-fuels (från 2030 i EU och tidigare i vissa regelverk) behöver vi samtidigt mäta hur politiken påverkar:

• elbehovets tillväxt (TWh/år)
• trängningseffekter (vilka sektorer får mindre tillgång till fossilfri el?)
• regionala flaskhalsar i elnätet
• fördelningseffekter: vilka hushållsgrupper får högre kostnad?

Här kan AI och avancerad dataanalys koppla ihop elmarknadsdata, konsumtionsmönster och utsläppsdata och skapa policy-dashboards som uppdateras kontinuerligt. Det gör att man kan korrigera kursen tidigt, inte efter en valrörelse.

Praktiska nästa steg för företag och offentliga aktörer (2026-plan)

Svaret är att man kan börja med tre konkreta spår som ger effekt inom 3–9 månader. Om målet är både effektivisering och legitimitet behöver man arbeta parallellt med teknik, ekonomi och styrning.

Spår A: Kartlägg “elens ändamål” – och sätt en intern prislapp

Gör en intern analys där ni delar upp elanvändningen i:

• primär: drift som inte kan pausas (värme, säkerhet, kritisk IT)
• sekundär: flexibilitet (laddning, kylsystem, ventilation, processer)
• tertiär: “nice-to-have” eller energitung aktivitet med lägre samhällsnytta

Poängen är inte att moralisera, utan att skapa ett gemensamt språk. När ledningen ser ändamål och flexibilitet blir AI-optimering och investeringar i energieffektivisering enklare att motivera.

Spår B: Bygg en AI-prognos för effekt och kostnad (inte bara kWh)

De flesta följer kWh. Men kostnaden sitter ofta i effekt, timmar och nätområde.

En enkel start:

1. Samla timdata från mätare, driftssystem och eventuellt väderdata.
2. Skapa en prognos för effekt topp 10 timmar/vecka.
3. Simulera åtgärder: styrning, schemaläggning, batteri, avtal.

Det är ofta här man hittar 10–25% kostnadspotential utan att “släcka ner” verksamheten.

Spår C: Lägg in rättvisa som krav i energistrategin

Om ni arbetar offentligt (kommun, region, energibolag) eller med stora kundgrupper: formulera rättvisa som ett mätbart mål.

Exempel på KPI:er som går att följa med dataanalys:

• andel kunder med hög kostnadsandel av disponibel inkomst
• antalet timmar med extrempris i utsatta områden
• andel flexibilitet som aktiveras frivilligt vs. via straffavgifter

När rättvisa blir en KPI blir den också styrbar.

Vanliga frågor jag får – och raka svar

“Är e-fuels dåliga?”

Nej. E-fuels kan vara nödvändiga för delar av flyget där elektrifiering är svår. Problemet är inte tekniken i sig, utan att den riskerar att få fördelaktiga villkor jämfört med basbehov, samtidigt som den kräver mycket el.

“Borde man bara höja skatten på flygbränsle?”

Delvis, men det räcker inte. Skatter behöver hänga ihop med systemkostnader och trängningseffekter. Annars flyttar man bara problemet. Här är datadriven policy (inklusive AI-baserade simuleringar) ett bättre arbetssätt.

“Vad har detta med smarta elnät att göra?”

Allt. När fler sektorer elektrifieras uppstår konkurrens om fossilfri el vissa timmar. Smarta elnät med AI gör att vi kan använda befintlig el och nätkapacitet bättre – vilket minskar behovet av att höja kostnader brett.

En rättvis energiomställning kräver bättre beslutsunderlag

Primärpoängen från studien är enkel att citera: el för hushåll och lokal mobilitet kan kosta 194 €/MWh, medan el till e-fuels för flyg kan kosta 65,5 €/MWh – främst på grund av skillnader i skatt. Det är svårt att försvara politiskt och socialt.

Om 2026 ska bli året då energiomställningen både accelererar och håller ihop socialt, behöver vi sluta behandla prissättning och skatter som ett separat spår från elsystemets verklighet. AI kan hjälpa oss se helheten: kostnad, nytta, utsläpp och fördelning – på samma instrumentpanel.

Vill vi att fossilfri el ska uppfattas som en gemensam resurs, då måste politiken också kännas som en gemensam överenskommelse. Frågan är vilken datapunkt som får oss att agera: nästa pristopp – eller nästa förtroendetapp?