SMR och AI: därför räcker inte 800 miljoner dollar

800 miljoner dollar låter som en enorm satsning. Ändå är det bara en förskottsbetalning i det som blivit en dyr och politiskt laddad kapplöpning: att få små modulära reaktorer (SMR) att fungera i praktiken – i tid för att möta elbehovet från industri, elektrifiering och AI-datacenter.

Den 2025-12-05 meddelade USA:s energidepartement att två SMR-projekt får 400 miljoner dollar vardera: Tennessee Valley Authority (TVA) för en BWRX-300 och Holtec för sin SMR-300. Det är ett tydligt tecken på att USA vill säkra en framtida kärnkraftskedja innan Kina tar ledningen. Men den mer intressanta frågan för oss i Norden är en annan: vad krävs för att SMR ska bli ett faktiskt energisystem – och hur kan AI bidra till att göra det billigare, snabbare och mer pålitligt?

Det här inlägget är en del av serien AI inom energi och hållbarhet. Fokus är inte att “heja” på en teknik, utan att vara praktisk: var sitter flaskhalsarna, var är riskerna, och var kan AI ge mätbar effekt?

Varför USA pumpar in pengar i SMR just nu

Kort svar: För att elbehovet växer snabbt och för att industripolitik har blivit energipolitik.

USA har redan en stor kärnkraftsflotta (94 storskaliga reaktorer enligt artikeln), men mycket är åldrande. Samtidigt stiger efterfrågan på stabil, fossilfri el. Det handlar inte bara om klimatmål, utan om:

• Nya datacenter (inklusive AI-träning och inferens) som vill ha hög tillgänglighet 24/7.
• Återindustrialisering och mer elintensiv tillverkning.
• Elbilsladdning, vätgas och elektrifiering av processer.

Här blir SMR politiskt attraktivt: idén är att mindre enheter ska vara lättare att bygga, replicera och finansiera än gigawatt-reaktorer. Men verkligheten är tuffare.

800 miljoner dollar är mycket – och ändå lite

Poängen med stödet är inte att betala hela notan, utan att minska risken i första-of-a-kind och få fram andra-of-a-kind snabbare.

SMR-projekt har hittills visat ett återkommande mönster: de blir dyrare när de blir verkliga. Ritningar är billiga. Tillståndsprocesser, leverantörskedjor, kvalitetskrav och byggplatslogistik är dyra.

Ett talande exempel från USA är NuScale, som tidigare fick stort federalt stöd men ändå fick lägga ner ett SMR-projekt när kostnaderna drog iväg. Det är en påminnelse: teknisk elegans räcker inte – finansierbarhet och genomförande är allt.

Två reaktorer, två strategier: BWRX-300 och SMR-300

Kort svar: USA testar två “konservativa” SMR-spår som bygger på välkända vattenkylda principer.

Det här är inte fjärde generationens exotiska koncept. Båda satsningarna rör tredje generationens lättvattenreaktorer på cirka 300 MW.

TVA och BWRX-300: lärande via standardisering

TVA får 400 miljoner dollar för att bygga USA:s första BWRX-300 vid Clinch River i Tennessee. Designen kommer från GE Vernova/Hitachi och bygger på erfarenhet av kokvattenreaktorer.

Det smarta här är inte bara tekniken, utan strategin: att “ärva” lärdomar från en kanadensisk byggnation. Ontario Power Generation planerar BWRX-300 vid Darlington. Om Kanada får sin enhet på plats först skapas en kunskapsbank (leverantörer, komponentkvalificering, byggmetodik) som USA kan återanvända.

Men det finns en obekväm detalj: vissa uppskattningar pekar på att en SMR kan bli dyr per installerad MW jämfört med stora reaktorer, särskilt innan man fått skala och upprepning.

Holtec och Palisades: från avveckling till expansion

Holtec får de andra 400 miljonerna och har dessutom en annan berättelse: företaget har varit känt för avveckling och hantering av använt bränsle. Nu vill man starta om Palisades i Michigan (med stöd från ett stort lån) och därefter bygga två SMR-300 intill.

Det här är intressant ur ett systemperspektiv: befintliga kärnkraftslokaler har redan nätanslutning, lokalt kunnande och ofta en social licens som är mer realistisk än “greenfield”. För Europa, inklusive Sverige, är det en av de mest konkreta lärdomarna: om SMR ska byggas snabbt är etablerade industrilägen och nätpunkter ofta den kortaste vägen.

Varför SMR fortfarande är ett “bevisa det”-projekt

Kort svar: SMR är en kostnadsteori som ännu inte fått industriell bekräftelse.

Den klassiska SMR-idén är enkel:

1. Bygg mindre reaktorer.
2. Gör dem standardiserade.
3. Tillverka mer i fabrik.
4. Sänk risk, tidsåtgång och kapitalkostnad.

Problemet? Hela modellen kräver volym. Utan en pipeline av projekt får du varken inlärningseffekter, billigare inköp eller en stabil leverantörskedja.

Dessutom: även om designen godkänns i förväg kan byggprojekt ändå stöta på verklighetsproblem. USA:s senaste stora reaktorbyggen blev kraftigt fördyrade när konstruktion avslöjade ändringar som krävde nya regulatoriska godkännanden. Det är ett nyckelargument för att använda AI och data bättre: man vill fånga “byggbarhet” tidigare, inte på byggplatsen.

SMR blir inte billigt av att vara litet. Det blir billigt av att byggas många gånger på samma sätt.

Där AI faktiskt kan göra skillnad i kärnkraftsutbyggnad

Kort svar: AI kan pressa kostnader genom bättre planering, färre omtag och smartare drift – men den ersätter inte tillstånd, kvalitetssystem eller projektledning.

När man pratar om “AI i energisystemet” blir det ofta diffust. Här är de mest konkreta användningsområdena där jag tycker att potentialen är tydlig, särskilt för SMR.

AI i projektering och licensunderlag: färre sena ändringar

De dyraste problemen är ofta de som upptäcks sent. Med modern modellering kan AI användas för att:

• hitta krockar mellan system i 3D-modeller (BIM) innan de blir ombyggnation,
• upptäcka avvikelser mot krav i stora dokumentmängder (specifikationer, testprotokoll, QA),
• skapa spårbarhet mellan krav → designbeslut → verifiering.

Det här låter “administrativt”, men det är exakt där miljarderna läcker. För SMR, där affärsidén bygger på repetitioner, blir en bra digital kravkedja en konkurrensfördel.

AI i bygglogistik: tidsplanen är halva ekonomin

Kärnkraft är kapitalkrävande. Varje månads försening betyder pengar.

AI-baserad planering kan förbättra:

• sekvensering av aktiviteter (vad måste ske före vad),
• bemanning och materialflöden,
• riskprognoser för leveranser och kvalitetsbrister.

Tänk på det som ett “smart projektkontor” som kontinuerligt räknar om planen när verkligheten förändras.

AI i drift: högre tillgänglighet och bättre samspel med elnätet

SMR marknadsförs ofta som stabil baskraft. Men framtidens elnät kräver också flexibilitet.

Här kan AI bidra till:

• prediktivt underhåll (tidig varning på pumpar, ventiler, turbinutrustning),
• optimerad lastföljning inom säkra ramar,
• bättre planering av revisioner utifrån nätets behov.

I ett energisystem med mycket vind och sol är det här centralt: fossilfri el är inte bara en fråga om kWh, utan om när kWh levereras.

AI som “limmet” mellan SMR och datacenter

USA:s energiminister kopplar explicit kärnkraft till AI-tillväxt. Det är logiskt: datacenter vill ha stabilitet, förutsägbarhet och helst låga utsläpp.

Det som ofta missas är att datacenter också är bra på laststyrning. Med AI kan man:

• flytta icke-tidskritiska jobb i tid (schemaläggning),
• optimera kylning och effektuttag,
• matcha produktion/efterfrågan lokalt.

Det öppnar för nya affärsmodeller där en SMR inte bara “matar nätet”, utan driver en industriell kund med tydliga prestandakrav.

Vad svenska energibolag och industriföretag kan lära av USA 2025

Kort svar: Tre saker: standardisering, platsstrategi och datadisciplin.

Även om USA:s politik och elmarknad skiljer sig från Sveriges är lärdomarna användbara.

1) Standardisering slår speciallösningar

Om varje projekt blir unikt blir varje projekt dyrt. För SMR är standardisering inte en detalj, utan själva poängen. Det gäller även digitalt:

• gemensamma datamodeller,
• återanvändbara kravpaket,
• standardiserade test- och driftsrutiner.

2) Bygg där det redan finns infrastruktur

Holtecs Palisades-spår visar värdet av befintliga kärnkraftslägen. I Sverige kan motsvarande tanke vara att titta på industrikluster, nätpunkter och platser med etablerad energikompetens.

3) AI kräver ordning och ansvar, inte bara verktyg

AI i energibranschen misslyckas oftast av ett skäl: dataägarskap är oklart.

För att AI ska hjälpa i kärnkraftsnära projekt behöver man tidigt bestämma:

• vilka data som är “single source of truth”,
• hur versioner och ändringar spåras,
• vilka roller som får godkänna vad.

Det är inte glamoröst. Det är exakt det som gör att modellen håller när inspektörer, leverantörer och driftorganisationer ska lita på den.

Så kommer SMR att avgöras: ekonomi, inte entusiasm

800 miljoner dollar tar inte USA i mål. Men det flyttar projekten ett steg närmare den enda fråga som räknas: kan man bygga en 300 MW-enhet i tid, inom budget och sedan upprepa det?

För oss som jobbar med AI inom energi och hållbarhet är det här ett tydligt användningsfall där AI kan vara mer än dashboards och prognoser. Den kan bli ett verktyg för att sänka risken i megaprojekt: hitta fel tidigare, hålla ihop kravkedjor, optimera bygglogistik och få upp tillgänglighet i drift.

Vill du göra något praktiskt redan i Q1 2026? Välj ett av tre spår och kör en pilot i liten skala: (1) AI för dokument- och kravspårning, (2) AI för bygg- och leveransrisker, eller (3) AI för prediktivt underhåll i befintliga kraft- eller processanläggningar.

Frågan som hänger kvar är enkel och obekväm: när elbehovet stiger snabbt – kommer vi att bygga fler energislag snabbare, eller fastna i teknikdebatter medan nätet blir flaskhalsen?