Förnybar energi minskar inte fossil produktion – så hjälper AI

Det låter bakvänt, men datan pekar åt ett obekvämt håll: mer förnybar el betyder inte automatiskt mindre fossil produktion. En studie från Penn State (publicerad 2025) analyserade fossilproducerande delstater i USA mellan 1997 och 2020 och hittade ingen statistisk koppling mellan ökad produktion av förnybar energi och minskad produktion av kol, olja eller gas.

Det här spelar roll även för oss i Sverige. Inte för att vår energimix ser likadan ut som USA:s, utan för att mekanismen är universell: om systemet inte styrs mot utfasning, kan nya megawatt bara bli ett tillägg i stället för en ersättning. Och när vintertopparna biter sig fast och industrins elektrifiering accelererar (vilket den gör i många europeiska länder), räcker det inte med att “bygga mer”. Vi behöver få hela energisystemet att bete sig annorlunda.

I vår serie AI inom energi och hållbarhet återkommer en slutsats: energitransitionen är i grunden ett optimeringsproblem med politiska ramar. AI kan inte bestämma målen – men AI kan göra det möjligt att nå dem i praktiken genom bättre prognoser, styrning, nätplanering och uppföljning.

Varför mer förnybart inte automatiskt tränger ut fossilt

Den korta förklaringen är att energisystemet inte är en enda marknad som “väljer” det billigaste. Det är en väv av infrastruktur, kontrakt, regler, lokalpolitik och fysisk geografi.

Studien visar att över 96% av variationen i fossil produktion mellan delstater förklarades av relativt stabila “fasta faktorer” – framför allt fossila tillgångar (hur mycket kol/olja/gas som faktiskt finns att utvinna) och andra strukturella förutsättningar. Med andra ord: om en region har stora reserver och en ekonomi som är uppbyggd kring utvinning, är det mycket som ska till för att produktionen ska falla – även om vind och sol växer.

Tre skäl som ofta missas i debatten

1. Energiefterfrågan kan växa samtidigt. Nya förnybara kilowattimmar kan hamna på toppen av en växande total konsumtion (t.ex. datacenter, elektrifiering av industri, ökad export).
2. Produktion och användning är olika saker. Ett land kan bygga mer förnybart och ändå fortsätta producera fossilt för export eller för andra sektorer.
3. “Inlåsning” i investeringar och jobb. Så länge det finns lönsamhet, anläggningar, logistik och arbetsmarknader kopplade till fossil produktion, fortsätter flödet.

Den här typen av resultat är en kalldusch för strategier som bygger på antagandet: ”Satsa på förnybart så löser sig resten.” Det gör det inte.

Vad som faktiskt krävs för att fossilt ska minska

För att fossil produktion ska gå ned behövs styrning som påverkar själva utbudet och användningen. Forskaren bakom studien lyfter exempel som:

• Koldioxidskatter eller pris på utsläpp som gör fossilt mindre lönsamt
• Produktionstak (caps) för kol, olja och gas
• Policys som gör det attraktivt att låta reserver ligga kvar i marken

Det intressanta är att detta inte står i konflikt med förnybara satsningar – det kompletterar dem. Jag tycker att många organisationer gör fel när de ser det som ett antingen/eller.

Men här kommer den praktiska knuten: systemet måste gå att köra

När man sätter tuffare mål för fossil utfasning uppstår en operativ fråga: hur säkrar vi leverans, stabilitet och kostnadskontroll när variabel produktion ökar? Det är här AI blir mer än en buzzword.

AI kan inte ersätta politiska beslut, men AI kan göra att beslut går att genomföra utan att nätet knakar i fogarna.

Så kan AI hjälpa förnybart att bli en ersättning – inte ett tillägg

AI:s styrka i energisystem är att hantera osäkerhet, komplexitet och många samtidiga mål. När det funkar bra blir effekten konkret: mindre behov av fossila reserver (eller annan “bakom-kulisserna”-kapacitet), bättre utnyttjande av nätet och färre timmar med dyr spets.

Prognoser som minskar behovet av fossil reserv

Det mest direkta är last- och produktionsprognoser. Om du kan förutsäga efterfrågan och vind/sol med högre precision minskar marginalerna som systemoperatören måste hålla.

I praktiken betyder det:

• färre “säkerhetsstarter” av fossila enheter,
• mindre behov av fossil spets vid osäkerhet,
• bättre planering av vattenkraft, batterier och flexibilitet.

AI-modeller som kombinerar väderdata, historiska mönster, kalender-effekter (t.ex. helger), samt realtidsdata från nät och produktion, ger ofta bättre träff än klassiska metoder – särskilt vid snabba väderskiften.

Optimering av flexibilitet: batterier, värme, industrilaster

Förnybart tränger ut fossilt först när systemet har flexibilitet som gör att förnybar energi kan användas när den finns. AI kan optimera detta genom att styra:

• Batterilager (ladda när el är billig/överskott, leverera vid toppar)
• Värmepumpar och fjärrvärme (termisk lagring i byggnader och ackumulatorer)
• Industriprocesser (flytta last inom toleranser)
• Elbilsladdning (smart laddning, depåplanering)

Bra AI-styrning handlar inte om att “styra allt”. Det handlar om att välja rätt 10–20% av besluten som ger 80% av effekten.

Nätkapacitet: få mer ut av befintlig infrastruktur

Ett energisystem kan ha mycket förnybar produktion men ändå behöva fossilt om nätet inte kan flytta elen dit den behövs. Här används AI för:

• kapacitetsprognoser (dynamic line rating, riskbaserad marginal)
• felprediktion och underhåll (minska oplanerade avbrott)
• flaskhalsanalys (var investeringen ger mest effekt)

Det är i de här detaljerna “utfasning” vinns eller förloras. Om 2–3 kritiska snitt är fulla stora delar av året spelar det mindre roll att du har ny vindkraft på fel sida av nätet.

Mätning och uppföljning: bevisa faktisk undanträngning

Många hållbarhetsprogram mäter installerad kapacitet, inte undanträngd fossil energi. AI kan hjälpa genom att bygga en mer robust uppföljning:

• kontra-faktiska analyser: Vad hade fossil produktion varit utan åtgärden?
• marginalutsläpp per timme (vilken produktionsmix påverkas när vi minskar/ökar last?)
• verifiering av flexibilitetsprogram (gav det effekt när det behövdes?)

En hård men nyttig tumregel: om du inte kan mäta undanträngning timme för timme, kommer någon del av effekten att ätas upp.

Ett konkret scenario: vintertopp utan att falla tillbaka på fossilt

Anta att en region har kraftig vindutbyggnad och ökad elanvändning från elektrifiering. En kall vecka i januari ger hög efterfrågan, samtidigt som vinden varierar.

Utan smart styrning händer ofta detta: man kör upp fossil reserv eftersom osäkerheten är stor och konsekvensen av effektbrist är dyr.

Med AI-stöd kan man i stället:

1. Förutsäga toppar 24–72 timmar i förväg med högre precision.
2. Aktivera flexibilitet (värmelast, industrilaster, elbilsladdning) innan läget blir kritiskt.
3. Optimera batterier och vattenkraft för att täcka de timmar som ger mest effekt.
4. Minimera fossil drift till verkligt “sista utvägen”-timmar.

Det här är ingen magi. Det är systemdisciplin, data och bra beslutslogik.

Vanliga följdfrågor (och raka svar)

Leder mer förnybart alltid till lägre utsläpp?

Nej. Utsläpp minskar när förnybart ersätter fossil produktion, inte bara när det byggs mer. Det kräver flexibilitet, nätkapacitet och styrmedel.

Varför fortsätter fossil produktion även när el blir billigare?

För att fossil produktion ofta drivs av andra marknader och logiker: export, petrokemi, långsiktiga kontrakt, regional ekonomi och tillgångar i marken.

Räcker det med AI för att fasa ut fossilt?

Nej. AI är ett verktyg för genomförande. Utfasning kräver också mål, regler och incitament. Men utan AI (eller avancerad optimering) blir genomförandet ofta dyrt, långsamt eller instabilt.

Vad du kan göra nu – om du jobbar med energi, industri eller offentlig sektor

Om målet är att minska fossilberoendet (inte bara öka förnybart) skulle jag prioritera tre saker under 2026:

1. Sätt en mätbar ersättningsmetric

   • Följ upp undanträngd fossil energi per timme eller per toppperiod, inte bara MWh förnybart producerat.

2. Bygg en “flexibilitetskarta”

   • Vilka laster går att flytta? Vilka batterier finns? Vilken värme kan lagras? Sätt en ägare och en aktiveringsplan.

3. Pilotera AI där den ger snabbast effekt

   • Prognoser (last + vind/sol), batterioptimering och nätflaskhalsanalys är ofta de mest tacksamma startpunkterna.

En princip jag återkommer till: Förnybart är byggprojekt. Utfasning är ett styrningsprojekt. AI gör styrningen möjlig i vardagen.

Nästa steg: från “mer förnybart” till “mindre fossilt”

Studien från USA är en nyttig påminnelse om att energitransitionen inte sker av sig själv. Att bygga förnybar produktion är nödvändigt, men det är inte tillräckligt. Vill vi att fossilt faktiskt ska minska måste vi kombinera styrmedel med systemförmåga: flexibilitet, nät, lagring och uppföljning.

I den här serien om AI inom energi och hållbarhet kommer vi tillbaka till samma idé: det som avgör är hur bra vi blir på att planera och styra ett komplext energisystem i realtid. Och där är AI ett av de mest praktiska verktygen vi har.

Vilken del av ditt energisystem är mest “analog” idag – prognoserna, flexibiliteten, nätinsikten eller uppföljningen av faktisk fossil undanträngning?