Offentlig solenergi + AI: så skalar du lokala projekt

54 MW solenergi, 145 miljoner dollar i kapital och 57 miljoner dollar i beräknade energibesparingar. Det är inte en privat jättekoncern som står bakom siffrorna, utan en offentlig aktör: Connecticut Green Bank och deras program Solar MAP+.

Det här är en modell som många i Sverige (kommuner, energibolag, fastighetsägare och skolhuvudmän) borde studera noga. Inte för att kopiera USA:s regelverk, utan för att förstå mekaniken: hur man tar små solprojekt som normalt blir för små, för krångliga eller för “osäkra” – och gör dem genomförbara i stor skala.

Och här kommer vinkeln som ofta missas i debatten: AI kan göra den här typen av offentlig solutbyggnad både billigare, mer förutsägbar och enklare att driva rättvist. I vår serie AI inom energi och hållbarhet tittar vi på hur data och maskininlärning blir praktiskt verktyg i energisystemet. Connecticut visar var det biter. AI visar hur man får det att hålla över tid.

Vad Connecticut faktiskt gör annorlunda

Connecticuts kärnidé är enkel: en “grön bank” gör mer än att dela ut stöd eller ge lån – den agerar projektutvecklare. Det betyder att den inte bara finansierar, utan också hjälper till med upphandling, dokumentation, paketering, avtal, riskhantering och ibland även ägande.

Det är en stor skillnad i vardagen för en kommun eller en skola.

“Public developer”: från pengar till genomförande

Många offentliga finansieringslösningar stannar vid: “Här är villkoren, lycka till.” Solar MAP+ går längre och fungerar som en genomförandemotor:

• Identifierar var solceller ger mest nytta (tak, kommunala byggnader, skolor, bostäder)
• Bygger en pipeline av projekt
• Paketerar flera små anläggningar till en större upphandling
• Sänker kostnader via skalfördelar
• Tar höjd för risker som annars skrämmer bort privata aktörer

Det här är extra relevant när elpriser är volatila och när nationella stöd förändras snabbt. I artikeln lyfts också hur federal finansiering och skatteincitament i USA har blivit mer osäkra. Poängen är global: när stödsystem vacklar blir genomförandekapacitet och driftprecision viktigare än någonsin.

Varför fokus på skolor och mindre kommuner?

Modellen prioriterar sektorer som ofta hamnar sist:

• små skoldistrikt/skolförvaltningar
• kommuner med begränsad teknisk och juridisk kapacitet
• byggnader med “för små” projekt för att locka marknaden
• områden med lägre inkomster där kreditrisk upplevs högre

Connecticut har enligt underlag i artikeln utvecklat 27 % av skolsolen i delstaten under 2015–2023, och en stor del av projekten ligger i låginkomst- och utsatta områden.

Det här är en ganska hård sanning: marknaden bygger gärna där friktionen är låg. Offentlig utveckling bygger där nyttan är hög.

AI som gör offentlig solenergi mätbar, styrbar och rättvis

Här är den direkta kopplingen till “AI inom energi och hållbarhet”: när du tar dig an många små anläggningar, på många tak, med olika förutsättningar, blir styrning och uppföljning en dataproblematik.

AI är som bäst när den får många datapunkter och återkommande beslut. Det är exakt vad Solar MAP+-liknande modeller skapar.

Prognoser: från “vi hoppas” till planeringsbar produktion

Nyckeln till bra sol-ekonomi är inte bara installerad effekt, utan hur väl produktionen matchar behov och elpris, och hur du planerar för säsong, snö, skuggning, driftstopp och degradering.

Med AI-stödda prognoser kan en kommun eller skolhuvudman:

• förutsäga solelproduktion per byggnad (timme för timme)
• uppskatta egenanvändning vs export till nätet
• optimera dimensionering (inte bara “maxa taket”)
• planera underhåll baserat på avvikelsedetektering

Resultatet blir färre överraskningar i budgeten. Och det är ofta det som avgör om politiken vågar skala.

Portföljstyrning: små projekt blir en stor resurs

En enskild 67 kW-anläggning (som exemplet i artikeln) kan vara för liten för att någon ska orka med upphandlingen. Men 30–80 liknande anläggningar är en portfölj.

AI kan optimera portföljen på tre nivåer:

1. Investering: vilka tak ger snabbast återbetalning givet lokala förutsättningar?
2. Drift: var tappar vi produktion och varför?
3. Systemnytta: när bidrar portföljen mest till att kapa effekttoppar?

Det är här småskalig sol börjar likna något större: en distribuerad kraftresurs som kan styras och följas upp.

Transparens och energirättvisa: AI som granskningsbart verktyg

Offentlig solenergi har ett extra krav: legitimitet.

Om kommunen säger att “det här sparar pengar” eller “det här gynnar utsatta områden” behöver det gå att visa. AI kan hjälpa – men bara om man gör det rätt.

Bra praktik jag har sett fungera:

• Öppna dashboards för produktion, besparingar och klimatnytta per byggnad
• Standardiserade antaganden (samma metod för alla skolor)
• Rättvisefilter i prioritering: kombinera teknisk potential med socioekonomiska indikatorer

Det här minskar risken att satsningar upplevs som godtyckliga eller politiserade. AI blir inte en “svart låda”, utan en konsekvent räknare.

Så kan en svensk kommun översätta modellen (utan att kopiera USA)

Sverige har andra regler, annan elmarknad och ofta bättre grunddata. Men problemen är bekanta: upphandlingsbörda, kompetensbrist, splittrade fastighetsbestånd och osäkerhet kring lönsamhet.

Connecticuts modell kan översättas till en svensk kontext som en kommunal/ regional “solutvecklingsfunktion” som gör jobbet en gång – och återanvänder det.

En praktisk 90-dagars startplan

Dag 1–30: Skapa ett “takregister” som beslutsunderlag

• Samla byggnadsdata: taktyp, yta, ålder, elabonnemang, årsförbrukning
• Lägg till skuggning/solinstrålning (förenklat duger i början)
• Sätt mål: kronor, kWh, CO₂, eller social nytta (välj två, max tre)

Dag 31–60: Bygg en portfölj och standardisera avtal

• Välj 10–30 objekt för första bundlingen
• Standardisera tekniska krav och mätning
• Bestäm ägarmodell: egenägt, leasing, PPA, eller hybrid

Dag 61–90: Lägg på AI där den ger snabb effekt

• Produktionsprognos per objekt (för budget och uppföljning)
• Avvikelseanalys (hitta fel tidigt)
• Prioriteringsmodell för nästa våg (datadriven, men granskningsbar)

Poängen: du behöver inte “AI-fiera allt”. Börja där AI minskar friktion och ökar förutsägbarhet.

Vanliga invändningar – och raka svar

“Tar inte offentlig projektutveckling jobb från marknaden?”

Nej, inte om den utformas rätt. Den kan tvärtom öka antalet upphandlingar som faktiskt blir av. Connecticut fick kritik från branschaktörer, men lokala exempel visar också att kommuner fortsatte göra privata affärer parallellt. Den offentliga rollen blir ofta: paketera, avlasta och sänka trösklar.

“Är inte småskalig sol för liten för att göra skillnad i energisystemet?”

Enskilt: ja. Som portfölj: nej. Många små enheter kan ge betydande energi- och effektnytta, särskilt när de kombineras med batterier, laststyrning och värmepumpar.

“Kommer AI verkligen hjälpa, eller blir det bara ännu ett IT-projekt?”

AI hjälper när den kopplas till ett konkret beslut: dimensionering, underhåll, driftbudget, eller prioritering. Om målet är “vi ska använda AI”, då blir det ett IT-projekt. Om målet är “vi ska minska energikostnaderna i skolan”, då blir AI ett verktyg.

Nästa steg: offentlig solenergi som del av en affordability-agenda

Det som gör Connecticuts upplägg intressant är att det kopplar klimatnytta till vardagsekonomi. Skolor och kommuner bryr sig inte om installerade MW i första hand. De bryr sig om budget, risk och tid.

Min tydliga ståndpunkt: offentlig solenergi bör behandlas som infrastruktur, inte som ett sidoprojekt. Och när det sker i stor skala behövs samma typ av styrning som annan infrastruktur får: portföljtänk, uppföljning och driftoptimering. Där passar AI perfekt.

Vill du undersöka om en Solar MAP+-liknande modell kan fungera i din organisation? Börja med att svara på en fråga som är mer praktisk än ideologisk:

Om ni fick en färdig paketerad portfölj med 20 tak och en uppföljningsmodell som visar besparing per skola – skulle ni säga ja?

Om svaret är “ja”, då är nästa steg inte fler inspirationsföreläsningar. Det är data, standardisering och en första bundling. Och där kan AI göra jobbet både snabbare och snyggare.