Grönt stål kräver gemensamma mått – AI gör det möjligt

Cirka en tredjedel av allt stål i världen passerar en landsgräns innan det används. Det låter som en detalj för logistikfolk, men för klimatet är det en huvudfråga: om varje region räknar utsläpp på sitt eget sätt kan samma ton stål vara “grönt” i ett land och “smutsigt” i ett annat. Då blir både investeringar och upphandlingar ett lotteri.

Det är därför en ny överenskommelse mellan industrigrupper i Kina och Europa – tillsammans med den globala aktören ResponsibleSteel – är större än den ser ut vid första anblick. Organisationer som representerar ungefär 60 % av världens stålproduktion vill nu skapa en mer sammanhängande ram för hur klimatpåverkan från stål ska mätas och jämföras.

För dig som jobbar med energi, hållbarhet eller industriell digitalisering är det här extra intressant av en anledning: standarder utan data är bara papper. Och när datan är spretig, ofullständig och svår att spåra genom komplexa värdekedjor blir AI inte “nice to have” – den blir infrastrukturen som gör standarderna praktiskt användbara.

Varför gemensamma standarder för grönt stål är avgörande

Gemensamma standarder behövs för att marknaden ska kunna prissätta klimatprestanda på ett trovärdigt sätt. Om köpare, banker och myndigheter inte kan jämföra projekt på lika villkor blir det rationellt att vänta – och då händer för lite.

Stål är dessutom ett skolboksexempel på varför “en enkel siffra” sällan är enkel:

• Ska man räkna endast utsläpp i själva verket (scope 1–2) eller även uppströms (bränsleproduktion, transporter, råvaror)?
• Hur hanterar man samprodukter (t.ex. slagg som går till cement)?
• Hur räknar man när en anläggning använder både el, naturgas och kol – och när elens klimatintensitet varierar timme för timme?

När ResponsibleSteel pekar på att skillnader i metod kan ge 20–40 % avvikelse i resultat är det inte en akademisk detalj. Det är skillnaden mellan en investering som får grönt ljus och en som läggs i en låda.

CBAM gör frågan akut i Europa

EU:s Carbon Border Adjustment Mechanism (CBAM) börjar tidigt 2026 gå från rapportering till skarpare ekonomiska konsekvenser för import baserat på inbäddade utsläpp. För stål betyder det att varje ton som korsar gränsen behöver en robust, jämförbar klimatdeklaration.

Om standarderna är otydliga uppstår två problem samtidigt:

1. Risken för över- eller undertullar (och därmed handelskonflikter).
2. Osäkerhet i upphandling, där inköpare inte vågar skriva in klimatkrav som kan bestridas.

Vad som faktiskt räknas som “grönt stål” (och varför det blir knepigt)

Det tydligaste fallet är också det mest sällsynta: järn från direktreduktion (DRI) med grön vätgas, följt av stål i en ljusbågsugn (EAF) med fossilfri el. Den kedjan är lätt att förstå och lätt att kommunicera.

Problemet är att de fabriker som uppfyller det fullt ut fortfarande är få, bland annat på grund av:

• hög kostnad och begränsad tillgång på grön vätgas
• konkurrens om fossilfri el (industrin konkurrerar med elektrifiering av transporter och uppvärmning)
• långsamma tillståndsprocesser och nätkapacitet

Det gör att mycket av den “lågutsläpps”-stålmarknad som växer fram de närmaste åren kommer vara en mellanvärld: naturgas-DRI, blandade elmixar, delvis återvunnet skrot, effektivare masugnar och gradvis CCS/CCU.

Den obekväma sanningen: jämförbarhet slår perfektion

Jag tar ställning här: vi behöver inte vänta på perfekt grönt stål för att standardisera. Vi behöver standarder som klarar gråzonerna, annars tappar vi tempo.

Det är också därför interoperabilitet – att kunna översätta mellan olika standarders “språk” – är så värdefullt. När Kina, Europa och en global ram närmar sig varandra skapas förutsättningar för att både köpare och finansaktörer ska kunna säga: ”Jag förstår din siffra och kan jämföra den med min.”

AI: länken mellan standarder, data och verklig klimatnytta

AI hjälper inte till genom att “hitta på” utsläppstal. Den hjälper genom att göra mätning, spårbarhet och prognoser skalbara i en värdekedja där man annars drunknar i excelfiler.

1) Utsläppsberäkning i realtid kräver mer än årsmedel

En stålprocess kan byta utsläppsfaktor dramatiskt beroende på:

• elens marginalmix per timme
• ugnslast, skrotkvalitet, temperaturprofil
• bränslemix och verkningsgrad

Med maskininlärning kan företag bygga modeller som:

• estimerar utsläpp per ton i nära realtid baserat på processdata
• hittar avvikelser (t.ex. läckage, felkalibrerade sensorer)
• föreslår driftoptimering som sänker både energi och CO₂

Det här är direkt relevant för serien “AI inom energi och hållbarhet”: samma typ av modeller används redan för energiprognoser i smarta elnät. Skillnaden är att objektet inte är ett nät – utan en masugn eller ljusbågsugn.

2) Datakvalitet: AI som “sanitetskontroll” för klimatdata

De flesta organisationer som försöker klimatdeklarera material upptäcker snabbt tre klassiska problem:

• saknade datapunkter
• inkonsekventa enheter och definitioner
• leverantörsdata som inte går att verifiera

Här fungerar AI bäst som kvalitetsmotor:

• anomalidetektion (t.ex. ett bränsleflöde som inte matchar produktion)
• automatiserad datarensning (enheter, tidsstämplar, dubbletter)
• semantisk mappning mellan olika rapportformat (”CO₂e”, ”GHG”, ”embedded emissions”)

När standarder ska bli internationella är det exakt den här “översättningen” som annars äter tid och skapar tvister.

3) Prediktiv analys för investeringar: från rapportering till beslutsstöd

Standarder handlar inte bara om att redovisa historik. De ska hjälpa marknaden att bestämma vad som ska byggas.

AI kan stödja investeringsbeslut genom att modellera:

• framtida elpriser och nätkapacitet (kritisk för EAF)
• tillgång på skrot och kvalitet över tid
• sannolik kostnadsutveckling för vätgas och elektrolys
• sannolikhet att klara framtida gränsvärden i upphandling och CBAM

En tydlig effekt: projekt kan rangordnas på riskjusterad klimatnytta, inte bara på “lägsta CAPEX”.

Så påverkar det här svenska företag – även om vi inte gör stål

Sverige har starka positioner i elektrifiering, processindustri och fossilfri el. Men även bolag som aldrig gjuter en balk påverkas eftersom stål finns i:

• bygg och fastighet (stomme, armering)
• energiinfrastruktur (vindkraft, nätstationer, rör)
• transport (räls, fordon, hamnar)

När stora köpare (t.ex. infrastrukturägare och industri) börjar skriva in klimatkrav på material skiftar fokus från “billigast” till “verifierbart låga utsläpp”. Och då blir frågan: kan du bevisa dina siffror på ett sätt som accepteras över gränser?

Praktiskt: vad inköp och hållbarhet kan göra redan Q1 2026

Om jag satt i en inköps- eller hållbarhetsroll skulle jag prioritera tre saker:

1. Kravställ datagrund, inte bara resultat
   • Be om systemgränser (scope, upstream), tidsperiod och elmixantaganden.
2. Bygg en intern “översättningsnyckel” mellan standarder
   • Samma leverantör kan rapportera olika siffror beroende på ramverk.
3. Förbered digital spårbarhet
   • Välj format för produktdata och klimatdata som går att automatisera (inte pdf).

Från standard till skala: vad som fortfarande bromsar grönt stål

Standarder löser inte allt. De tar bort dimman, men de bygger inte fabriker.

De största flaskhalsarna 2026–2030 kommer i praktiken vara:

• finansiering: banker vill se jämförbara projekt, men också stabil efterfrågan
• efterfrågan: offentliga och stora privata upphandlingar måste våga premiera lågutsläpp
• energisystemet: fossilfri el och nätkapacitet måste växa i takt med industrins behov
• vätgas: produktion, lagring och distribution måste industrialiseras

Här passar AI in igen, inte som ett modeord utan som verktyg för att:

• optimera energianvändning i anläggningar (lägre kostnad per ton)
• samordna flexibilitet mot elnätet (t.ex. laststyrning av EAF)
• minska rapporteringskostnaden per levererad ton (vilket gör standarderna billigare att följa)

En bra standard gör klimatprestanda jämförbar. AI gör den mätbar i praktiken.

Nästa steg: så använder du AI för att göra stålkrav affärsmässiga

Om du vill gå från “vi borde köpa grönare material” till “vi kan köpa det utan att riskera budget och compliance”, fungerar en enkel arbetsordning:

1. Definiera besluten (upphandling, investering, leverantörsval)
2. Definiera datan (processdata, eldata, leverantörsdata, transport)
3. Bygg beräkningslogik (LCA-principer + standardram)
4. Lägg AI ovanpå för kvalitet, prognos och avvikelsehantering
5. Automatisera rapportering så att compliance inte blir en flaskhals

Det här är samma mönster vi ser i smarta elnät: först mätning och dataplattform, sedan optimering och prediktion.

Vad du bör hålla ögonen på under 2026

Jag tror att 2026 blir året då “grönt stål” slutar vara en PR-etikett och blir ett inköpskrav med ekonomiska följder. Tre signaler att följa:

• hur snabbt CBAM-kraven skärps och hur de hanterar osäker data
• om fler regioner ansluter sig till interoperabla standarder (Indien blir en nyckelfråga)
• om stora upphandlare standardiserar sina krav på materialdata (inte bara CO₂e/ton)

Samma ton stål kommer fortsätta ha olika klimatavtryck beroende på hur det produceras. Skillnaden framåt är att marknaden i allt högre grad kommer säga: visa mig datan.

Om standarderna nu börjar tala samma språk mellan Kina och Europa återstår en sista fråga – och den är mer teknisk än politisk: har vi byggt datakedjan och AI-stödet som gör att “grönt” faktiskt går att verifiera, i skala, när volymerna tar fart?