Minska industrins utsläpp: lärdomar från tegelugnar

Bangladesh tegelindustri står för cirka 17 % av landets CO₂-utsläpp och 11 % av PM2,5-utsläppen – samtidigt som den producerar omkring 27 miljarder tegel per år. Det är siffror som gör ont att läsa, men de säger också något viktigt: när en enda bransch är så stor blir även ganska enkla förbättringar enormt kraftfulla.

Det mest intressanta med den nya forskningen (publicerad i Science 2025-05-08) är inte att den visar att utsläpp kan minska. Det vet vi. Det intressanta är hur det hände: utan hårdare lagstiftning eller tillsyn. I stället fick ugnsägare utbildning, praktiskt stöd och förändringar som var tydligt kopplade till lönsamhet. Resultatet blev mätbart – och det höll i sig.

För oss som jobbar med AI inom energi och hållbarhet finns en tydlig poäng här: om en relativt informell, pressad och fragmenterad industri kan minska energiåtgången med tvåsiffriga tal genom bättre drift, då finns det enorm potential i att kombinera praktiska processförändringar med AI-baserad övervakning, optimering och uppföljning.

Vad studien faktiskt bevisade (och varför det är ovanligt)

Den centrala poängen: människor ändrar beteende när det är enkelt, begripligt och ekonomiskt rimligt. Studien utvärderade en insats i form av utbildningsmaterial, träning och teknisk support under tegel-säsongen 2022–2023 i 276 tegelugnar.

En ovanligt stark studiedesign: RCT i en ”rörig” verklighet

Att genomföra en randomiserad kontrollerad studie (RCT) i en informell industri är svårt. Det här är en av anledningarna till att resultaten är så användbara. RCT-formatet gör det lättare att säga: det var insatsen som gav effekten, inte bara ”saker råkade bli bättre”.

Forskarna testade konkreta driftförändringar som ugnsägare kunde införa direkt, till exempel:

• Effektivare stapling av tegel (minskar värmeförlust och förbättrar flöden)
• Övergång till energirikare/mer kontrollerade biobränslen (för bättre och mer komplett förbränning)

Resultat som är lätta att översätta till affärsspråk

Det är här många hållbarhetsprojekt faller: de pratar moral, inte marginal. Här var effekterna tydliga:

• 65 % av ugnsägarna införde förändringarna
• 23 % lägre energianvändning
• 20 % lägre CO₂-utsläpp
• 20 % lägre PM2,5-utsläpp
• Lägre kolkostnader och bättre tegelkvalitet

En mening som sticker ut och som fler svenska industriprojekt borde bära med sig:

När hållbarhet sammanfaller med driftlogik och lönsamhet händer saker – även utan tvång.

”Vinst och ventilation”: därför fungerade det utan hård kontroll

Det finns en seg myt i industrins klimatarbete: att utsläppsminskningar kräver antingen dyr teknik eller strikt reglering. Studien från Bangladesh pekar på en tredje väg: operativ kompetens + stöd + tydlig affärsnytta.

Kunskapsluckan var större än teknikglappet

I en tidigare pilot (2024) såg forskarna att många ägare till så kallade zigzag-ugnar (som redan är designade för lägre utsläpp) inte visste hur de skulle köras optimalt – och att de inte kopplade bättre drift till högre vinst. Skepsisen handlade dessutom inte bara om pengar, utan om vardagen:

• ”Är det här för avancerat för vår personal?”
• ”Kommer det störa produktionen?”

Det här är en viktig påminnelse för alla som säljer in AI-lösningar till energi- och industribolag: tröskeln är ofta organisatorisk, inte teknisk.

Social nytta som övertrumfar kostnaden (med brutala tal)

Studien uppskattade att de samhälleliga nyttorna av CO₂-minskningarna översteg kostnaderna med 65:1, och att CO₂-reduktionen kostade cirka 2,85 USD per ton.

Det är ett sätt att säga: det här är bland de billigaste klimatåtgärderna man kan hitta – när rätt saker mäts och rätt beteenden styrs.

Vad AI kan lära av tegelugnarna: mätning + återkoppling + optimering

Den tydligaste lärdomen för vår serie AI inom energi och hållbarhet är att optimering i praktiken ofta är en större klimatvinst än att jaga ”nästa stora teknikskifte”. AI gör mest nytta när den kopplas till tre saker: datainsamling, beslutsstöd och uppföljning.

1) Emissionsövervakning som folk faktiskt använder

I många industrimiljöer är utsläppsdata:

• för gles (mätning en gång per kvartal)
• för sen (rapport när säsongen redan är slut)
• för svår att agera på (”CO₂-index 7,3” säger inget om vad man ska göra i skiftet)

AI-baserad miljöövervakning behöver därför designas för drift:

• Få sensorer, hög nytta: temperatur, drag, bränsleflöde, fukthalt
• Enkel feedback: ”Om du justerar staplingsmönstret X → minskar du bränsle Y %”
• Korta loopar: återkoppling per timme eller skift, inte per säsong

Här är min praktiska tumregel: om en operatör inte kan förstå en rekommendation på 30 sekunder kommer den inte hända.

2) Processoptimering: AI som ”extra driftchef”

Det studien beskriver är i grunden energieffektivisering genom bättre process. AI kan skala det tänket:

• Prediktera optimala driftpunkter (t.ex. förbränning vs. värmeförlust)
• Upptäcka avvikelser tidigt (t.ex. ökande bränsleåtgång per producerat ton)
• Rekommendera mikrojusteringar (lufttillförsel, bränslemix, flöden)

För svenska företag kan parallellen vara allt från cement och stål till fjärrvärmeproduktion och biomassa-anläggningar. Mekanismen är densamma: små justeringar, stor effekt.

3) Uppföljning som driver beteende (inte bara rapportering)

Forskarna återvände året efter och såg att förbättringarna inte bara höll i sig – de ökade. Det är precis vad bra AI-stöd ska göra: skapa ett system som gör att förbättringar överlever personalomsättning, stress och vardagskaos.

Konkreta AI-drivna upplägg som brukar fungera:

1. Baslinje per anläggning (”så här ser normal energi per batch ut hos er”)
2. Mål per vecka (inte per år)
3. Avvikelsevarningar med orsakshypotes (”troligen läckage/dragproblem”)
4. A/B-test i drift (testa två staplingsmönster två dagar var)

Det här är samma logik som i smarta elnät: mät → analysera → agera → lär.

Skala utan att tappa människorna: arbetsvillkor är nästa flaskhals

En sak i studien är obekvämt tydlig: arbetsvillkoren i industrin är en del av produktionssystemet. Med 27 miljarder tegel och hårda villkor blir ”human factors” inte ett sidospår, utan en huvudfråga.

Varför arbetsmiljö hör ihop med energieffektivisering

När personalen är underutbildad, underbetald eller utmattad händer tre saker som påverkar utsläpp direkt:

• fler fel i processen (sämre förbränning)
• mer spill (omtag, kassation)
• lägre vilja att följa nya rutiner

Här finns en spännande, lite underskattad AI-vinkel: AI som stöd för standardiserat arbete och utbildning.

• Mikrolärande i mobilen (”dagens 3 steg för bättre stapling”)
• Enkla checklistor med bildstöd
• Feedback kopplad till kvalitet (”högre kvalitet = mindre ombränning”)

Om man vill ha uthålliga utsläppsminskningar måste man designa förändringar som funkar när tempot är högt och marginalerna små.

Så kan svenska energi- och industribolag använda lärdomen direkt

Du behöver inte äga en tegelugn i Dhaka för att ha nytta av detta. Det är en generell modell för kostnadseffektiv grön omställning.

En praktisk 30-dagars startplan (utan storbudget)

1. Välj en process med hög energikostnad (en ugn, en panna, en tork, en kompressorpark)
2. Mät tre saker: energiförbrukning per producerad enhet, kvalitet, driftavvikelser
3. Identifiera 2–3 beteenden som påverkar mest (rutiner, inställningar, underhåll)
4. Skapa en enkel ”driftmanual” som personalen varit med och skrivit
5. Lägg på AI där den gör skillnad: avvikelsedetektion, rekommendationer, uppföljning

Det viktiga är ordningen. AI på toppen av en otydlig process ger mest dashboards och minst resultat.

KPI:er som kopplar klimat till ekonomi

Om målet är leads (och verklig förändring) behöver man prata i KPI:er som både CFO och hållbarhetschef bryr sig om:

• kWh per ton (eller per batch)
• kronor per producerad enhet
• CO₂ per producerad enhet
• PM/NOx-indikatorer där mätning finns
• kvalitetsutfall (kassation, omarbete)

När de rör sig åt rätt håll samtidigt blir investeringsbeslut mycket enklare.

Nästa steg: från ”pilot” till systemförändring

Studien från Bangladesh visar att energieffektivisering och utsläppsminskning kan vara en lönsam driftfråga, även i miljöer där reglering inte biter. Det är en stark signal till alla som bygger lösningar inom AI för energi och hållbarhet: värdet skapas inte av att AI är avancerad, utan av att den gör det lätt att fatta rätt beslut – varje dag.

Om du arbetar med industriell energieffektivisering, emissionsövervakning eller smarta energisystem: ta med dig detta. Bygg för vardagen. Bygg för incitament. Och mät sådant som operatörer kan påverka på riktigt.

Vilken process i din verksamhet skulle ge störst klimat- och kostnadseffekt om den fick 23 % lägre energianvändning redan nästa kvartal?