Guld ur e‑avfall utan cyanid – och hur AI skalar upp

E‑avfall är inte bara ett avfallproblem. Det är en råvarubank som vi (nästan) slänger bort. 2022 uppstod 62 miljoner ton e‑avfall globalt, och bara 22,3 % dokumenterades som formellt insamlat och återvunnet. Resten hamnar i gråzoner: lager, informella flöden, eller rena soptippar. Samtidigt fortsätter efterfrågan på guld att driva både gruvdrift och återvinning – ofta med metoder som kommer med en hög nota för människor och miljö.

Nu finns ett forskningsspår som är ovanligt konkret: en metod publicerad i Nature Sustainability (2025-06-27) där man löser upp och återvinner guld utan kvicksilver och utan cyanid, med hjälp av ljus och salt samt en återanvändbar polymer som fångar guldet selektivt. För mig är det här extra intressant i vår serie ”AI inom energi och hållbarhet”: kemin är smart – men det är skalningen som avgör om det blir verklig påverkan. Där kan AI göra jobbet som ofta saknas mellan labb och industri.

Varför guldåtervinning är en hållbarhetsfråga (inte bara ekonomi)

Det centrala är enkelt: varje gram guld som återvinns minskar trycket på ny gruvbrytning och kan samtidigt styra e‑avfallsflöden bort från farlig informell hantering.

Cyanid och kvicksilver är inte “bara” farliga – de formar hela systemet

Guldutvinning har historiskt lutat sig mot två problematiska spår:

• Cyanidlakning i industriell gruvdrift: effektiv men kräver strikt kontroll. När kontrollen brister skadas ekosystem och vattenresurser.
• Kvicksilveramalgamering i småskalig gruvdrift: kvicksilver binds till guldet och värms sedan bort, vilket släpper ut giftiga ångor. Studier visar att upp till 33 % av hantverks- och småskaliga gruvarbetare kan lida av måttlig kvicksilverångförgiftning.

Skalan är stor: 10–20 miljoner personer arbetar i småskalig guldutvinning i över 70 länder, och sektorn står för 37 % av global kvicksilverförorening (ca 838 ton/år).

En hållbar guldprocess handlar lika mycket om kemi som om arbetsmiljö, hälsa och fungerande värdekedjor.

E‑avfall är en resursfråga som hänger ihop med energi

E‑avfall är “inbyggd energi” i dubbel mening: produkterna har krävt energi att tillverka, och metallerna i dem är avgörande för elektrifiering, medicinteknik, datacenter och energisystem. När återvinningen är ineffektiv måste vi kompensera med mer gruvbrytning, mer transporter och mer processenergi.

Sverige har välutvecklade insamlingssystem, men den stora utmaningen ligger i sortering, materialseparation och processoptimering – där mycket fortfarande går förlorat i blandfraktioner.

Genombrottet: ljus, salt och en återvinningsbar polymer

Forskargruppen vid Flinders University (Australien) beskriver en process som i korthet har två nyckelsteg:

1. Lakning (upplösning av guld) med ett relativt “snällare” lakningsmedel som kommer från en kemikalie som normalt används för vattendesinfektion (triklorisocyanursyra). När den aktiveras i saltvatten kan den lösa upp guld.
2. Selektiv infångning av det lösta guldet med en svavelrik polymer (sorbent) som binder guld även i komplexa blandningar.

Det eleganta är vad som händer efteråt: polymern kan triggas att ”av‑tillverka” sig själv tillbaka till monomer, vilket gör att:

• guldet kan frigöras och samlas upp
• polymern kan återvinnas och användas igen

Varför selektivitet spelar större roll än man tror

I verkligt e‑avfall finns koppar, nickel, tenn, palladium, silver, blyrester och en lång lista av legeringar och ytskikt. En process som “tar allt” är sällan hållbar, för då blir reningen dyr och energitung.

Selektivitet är därför en hållbarhetsparameter:

• mindre kemikalieåtgång i efterrening
• mindre energi i separationssteg
• högre renhet tidigt i kedjan

Och just här blir kombinationen av kemi + AI extra relevant.

Där AI kommer in: från labbmetod till industriell kapacitet

Det som ofta stoppar gröna processer är inte att de inte fungerar – utan att de är svåra att köra stabilt i stor skala. AI kan bidra på tre nivåer: flöden, process och affär.

1) AI för bättre e‑avfallsflöden: rätt material till rätt process

Svar först: AI kan höja utbytet genom att se till att rätt fraktion hamnar i rätt kemisteg.

Praktiskt handlar det om datorseende och prediktiv sortering:

• Kameror + ML‑modeller som identifierar korttyper (serverkort vs konsumentelektronik), komponenttäthet och sannolik guldhalt.
• Beslutsstöd som prioriterar fraktioner när kapaciteten är begränsad.
• Optimering av blandningar så att kemin får jämnare förutsättningar (mindre variation = stabilare process).

Här finns en tydlig parallell till AI i energisystem: samma logik som används för att balansera ett smart elnät kan användas för att balansera en återvinningslinje.

2) AI för processtyrning: hög renhet med lägre resursåtgång

Svar först: AI kan sänka kemikalie- och energiförbrukning genom att styra lakning och sorption i realtid.

Några typiska datapunkter att modellera:

• pH, konduktivitet, oxidation‑reduktion (ORP)
• temperatur och uppehållstid
• partikelstorlek och metallhalt (från inline‑sensorer)
• polymerns “hälsa” över cykler (bindningskapacitet, degradering)

Med prediktiva modeller kan man gå från “kör på recept” till “kör på utfall”:

• justera dosering när inflödet ändras
• stoppa i tid när marginalnyttan faller
• planera regeneration/återvinning av polymern när det är mest energieffektivt

3) AI för skalning och riskkontroll: digital tvilling för grön kemi

Svar först: En digital tvilling minskar risken när man skalar upp, genom att testa scenarier innan de blir dyra i verkligheten.

En digital tvilling kan simulera:

• variation i e‑avfallsfraktioner
• flaskhalsar i reaktorer och filtrering
• kvalitetsutfall (renhet, utbyte) mot kostnad och klimatpåverkan

För energibranschen är detta bekant: vi bygger digitala tvillingar av nätstationer och batteriparker. Samma tänk är direkt överförbart till återvinning.

Vad betyder detta för cirkulär ekonomi i Norden?

Den korta versionen: processer som minskar giftigheten och ökar återanvändbarheten kan flytta mer värde till formell återvinning. Det är särskilt relevant i Norden där vi redan har starka system för insamling, men fortfarande har förbättringspotential i materialutbyten.

Från “återvinning” till “materialåtertag med kvalitet”

Om en metod kan leverera hög renhet och fungera på blandade strömmar (kretskort, blandmetaller, till och med spårguld i labbavfall), blir det lättare att skapa:

• stabila avtal för materialleveranser
• investeringar i kapacitet nära där avfallet uppstår
• bättre spårbarhet (viktig för CSRD/ESG‑rapportering)

En obekväm sanning: vi måste designa för återvinning

Det finns en gräns för hur mycket processinnovation kan kompensera för produkter som är svåra att demontera och sortera. Här ser jag en tydlig trend 2026: mer fokus på design for recycling och materialpass.

AI kan även här hjälpa genom att analysera produktstrukturer och föreslå:

• färre materialkombinationer
• standardiserade fästen
• bättre märkning/identifierbarhet i sortering

Vanliga följdfrågor (och raka svar)

Är metoden “helt ofarlig” bara för att den inte använder cyanid?

Nej. All metallutvinning kräver kemikaliekontroll och arbetsmiljödisciplin. Poängen här är att man undviker två av de mest problematiska ämnena och dessutom kan återanvända sorbenten, vilket minskar avfallsfotavtrycket.

Varför är återanvändbar polymer så viktig?

För att den adresserar två kostnadsdrivare samtidigt: materialkostnad och avfallshantering. En sorbent som kan köras i många cykler gör processen både billigare och mer hållbar.

Kan detta påverka energisystemet?

Ja, indirekt men tydligt. Högre materialutbyten minskar behovet av nybrytning och raffineringskapacitet, vilket innebär lägre energiåtgång i råvarukedjan. Dessutom stärker det försörjningstrygghet för metaller som behövs i elektronik och infrastruktur.

Nästa steg för företag: så går du från nyhet till pilot

Om du jobbar med återvinning, energi, industriell kemi eller cirkulär ekonomi är detta ett bra tillfälle att agera pragmatiskt.

1. Kartlägg era inflöden: vilka fraktioner (PCB, serverutrustning, blandmetall) har störst potential och störst variation?
2. Sätt mätbara mål: utbyte (%), renhet (%), kemikalieåtgång (kg/ton), energianvändning (kWh/ton), avfallsmängd.
3. Bygg datagrunden tidigt: sensorer, provtagningsplan, spårbarhet. AI utan data blir mest ett möte.
4. Identifiera en pilot: liten skala, tydligt material, tydlig avsättning för återvunnet guld.
5. Planera för tillstånd och säkerhet: även “snällare” kemi kräver robust riskhantering.

Jag har sett många hållbarhetsprojekt dö i övergången mellan labb och drift. Den som vinner är ofta den som tar processtyrning och data på allvar redan i piloten.

Det här är riktningen: renare kemi + smartare styrning

Den nya metoden visar att guld kan återvinnas med ljus och saltvatten i stället för kvicksilver och cyanid, och att en återvinningsbar polymer kan göra selektiviteten praktiskt användbar även i stökiga materialmixar.

Men påverkan i verkligheten kommer när processerna blir stabila, spårbara och skalbara. Där är AI inte “extra”. AI är ofta skillnaden mellan en lovande artikel och en fungerande industriell linje.

Om 2026 blir året då fler företag går från cirkulära ambitioner till cirkulär drift, vilka materialflöden i din verksamhet är mest redo för en AI‑styrd, kemiskt renare återvinningspilot?