När vätgasprojekt pausas: så hjälper AI att välja rätt

Ett av världens största planerade vätgasprojekt fick nyligen tvärstopp. Exxon Mobil skulle bygga en anläggning i Baytown, Texas, med kapacitet på 1 miljard kubikfot vätgas per dag – men planerna lades på is när finansiering drogs tillbaka och kunder inte ville betala prispremien för “lågkol”-alternativet.

Det här är inte bara en amerikansk industrinyhet. Det är en påminnelse om något många bolag fortfarande underskattar i energiomställningen: teknik är sällan den största risken. Det är marknaden, policyn, offtake-avtal, utsläppsbokföring – och tajmingen.

I vår serie AI inom energi och hållbarhet använder jag den här händelsen som en praktisk fallstudie: hur AI-driven analys kan minska risken för miljardbeslut, förbättra investeringskalkyler och hjälpa energibolag, industriföretag och investerare att välja projekt som faktiskt går att skala.

Vad hände i Texas – och varför det spelar roll i Europa och Sverige

Nyckelpunkten är enkel: storskalig lågkoldioxid-vätgas kräver stabila spelregler och långsiktiga kundkontrakt. När det saknas faller affären.

Projektet i Baytown var tänkt att producera så kallad blå vätgas (naturgas + koldioxidinfångning). Det skulle delvis finansieras av ett statligt stöd på cirka 332 miljoner dollar. När stödet drogs tillbaka under 2025 blev kalkylen betydligt tuffare. Exxon hänvisade dessutom till att de inte såg tillräckligt många kunder som var beredda att teckna bindande avtal och betala mer än för “grå” vätgas.

Varför detta är relevant för svenska beslutsfattare

Sverige pratar ofta om vätgas i termer av möjligheter: fossilfritt stål, raffinaderier, kemi, sjöfart och balansering av elsystemet. Men affärslogiken är densamma här:

• Offtake slår powerpoint. Utan kontrakt blir projekten pilotkyrkogårdar.
• Regelverk kan ändra spelplanen snabbare än byggtakt.
• Utsläppsredovisning blir hårdare. EU ställer redan krav på bland annat infångningsgrad och metanläckage i värdekedjan.

Det som hände i Texas visar att vätgasmarknaden inte bara behöver teknik – den behöver förutsägbarhet.

Den obekväma sanningen om lågkol-vätgas: det är ett riskpaket

Storskaliga vätgasprojekt är ofta “projektfinansiering på steroider”: många rörliga delar måste låsa i varandra samtidigt. När en del glider, glider allt.

Här är de risker som oftast fäller kalkylen – och som Exxon-fallet illustrerar ovanligt tydligt.

Policy- och stödrisk

När ett projekt bygger sin ekonomi på stöd, skatteincitament eller regelverk uppstår en konkret risk: regler kan ändras snabbare än projektet hinner byggas.

I USA bidrog nedskärningar i program och skatteincitament till att marknaden bromsade. I EU är risken ofta den omvända: kraven kan skärpas (t.ex. för metanläckage och livscykelutsläpp), vilket kan göra ett “lågkol”-projekt mindre attraktivt än planerat.

Marknadsrisk och betalningsvilja

Att blå vätgas kostar mer än grå vätgas är inte en detalj – det är hela affären. När prispremien saknar tydlig “betalare” (kunder, reglering eller utsläppspris) blir efterfrågan mjuk.

Redovisningsrisk (LCA och Scope 1–3)

Vätgas bedöms allt mer på livscykelutsläpp. För blå vätgas räcker det inte med koldioxidinfångning på pappret. Du måste också kunna visa:

• hög faktisk infångningsgrad
• robust lagring/hantering över tid
• låg metanläckage i gasens upstream-led

Det gör datakvalitet och spårbarhet till en kärnfråga, inte “compliance”.

Där AI faktiskt gör skillnad: från magkänsla till stresstestade beslut

AI är inte magi och den kan inte förhandla fram ett offtake-avtal. Men den kan göra något som många energiorganisationer fortfarande saknar: systematisk, skalbar riskanalys i realtid.

Jag brukar sammanfatta det så här:

AI är som att gå från en statisk affärsplan till en levande simulering av verkligheten.

1) Prediktiv efterfrågemodellering för offtake

För vätgas är “finns kunder?” en knepig fråga, eftersom kunderna själva sitter med osäkerheter: elpris, utsläppspriser, EU-regler, kundkrav och CAPEX.

AI-modeller kan kombinera flera datakällor för att bättre bedöma sannolikheten för verklig efterfrågan, till exempel:

• historiska energipriser och prisvolatilitet
• produktionsdata från industriprocesser
• kundsegmentens marginaler och betalningsvilja
• scenarier för utsläppspriser och regelkrav

Resultatet blir inte “ett svar”, men en sannolikhetsfördelning: hur mycket volym kan låsas, till vilket pris, och när?

2) Scenarioanalys som tar policyrisk på allvar

Många kalkyler har en “bas”, en “best case” och en “worst case”. Det är ofta för lite.

Med AI-stödda scenariomotorer kan man köra hundratals eller tusentals varianter:

• stöd tas bort 2026-07-01 vs 2027-01-01
• infångningsgrad 60% vs 70% vs 90%
• metanläckage antas 0,2% vs 1,5%
• elpriserna toppar vid kall vinter (relevant i Norden)

Det blir en stresstestad bild av vilka antaganden som faktiskt bär investeringen.

3) Optimering av design och drift (OPEX slår ofta CAPEX)

När vätgas kopplas till elintensiva processer blir driftoptimering avgörande. AI kan optimera:

• när elektrolysörer ska köras (vid grön och billig el)
• hur lagring ska användas för att jämna ut produktion
• hur man undviker flaskhalsar i kompression, rening och distribution

Detta är extra relevant i december i Sverige, när effekttoppar och nätbegränsningar ofta syns tydligare.

4) MRV och utsläppsspårbarhet: “bevisa det” blir affärskritiskt

MRV (monitoring, reporting, verification) låter byråkratiskt, men det är en marknadsnyckel. Om du inte kan bevisa låga utsläpp tappar du både kunder och finansiering.

AI kan hjälpa till med:

• automatisk avvikelsedetektering i sensordata (läckage, driftstörningar)
• beräkning av livscykelutsläpp med uppdaterade emissionsfaktorer
• spårbarhet per batch/leverans (viktigt när kunder kräver dokumentation)

Det här är ett område där “bra data” ofta är viktigare än “avancerad modell”.

Praktisk checklista: Så minskar du risken i vätgasinvesteringar med AI

Vill du använda Exxon-fallet som en intern lärdom utan att behöva göra samma resa? Här är en konkret start.

Steg 1: Bygg en gemensam “beslutsmodell” (inte bara en kalkylfil)

Samla ekonomi, teknik, hållbarhet, juridik och marknad i samma modellstruktur. Min erfarenhet är att de största misstagen sker i glappen mellan team.

Steg 2: Definiera 10–15 antaganden som kan knäcka affären

Exempel:

• offtake-volym och kontraktslängd
• elprisintervall och nätavgifter
• infångningsgrad och verklig tillgänglighet
• metanläckage och LCA-metod
• stödregler, taxonomi, rapporteringskrav

Steg 3: Kör Monte Carlo-liknande simuleringar och rangordna riskerna

Målet är att kunna säga: vilka tre antaganden driver 80% av riskbilden?

Steg 4: Koppla riskerna till åtgärder

Exempel:

• om elprisrisk dominerar → säkra PPA, flexibilitet, lagring
• om offtake dominerar → dela upp projektet i etapper, hitta ankarkunder
• om utsläppsbokföring dominerar → investera i MRV och upstream-data

Det är här AI blir praktisk: den visar var du får mest riskreduktion per krona.

Vart går vätgasmarknaden 2026? Mindre hype, mer kontrakt

Det jag gillar med den här typen av nyhet är att den rensar luften. När ett stort bolag pausar ett megaprojekt blir det tydligt att marknaden kräver disciplin.

Min ståndpunkt: vätgas kommer att vinna där den är bäst, inte där den låter bäst.

Det betyder främst:

• industriella kluster med gemensam infrastruktur
• användning i processer som är svåra att elektrifiera direkt
• affärer med tydlig premiumbetalare (reglering, kundkrav eller utsläppspris)
• projekt som från start är byggda för spårbarhet och verifiering

Och ja: AI blir en allt mer central del av detta, eftersom den hjälper företag att gå från stora visioner till beslut som håller när verkligheten ändras.

Nästa steg: gör vätgasbeslut “maskinläsbara” innan du gör dem dyra

Exxon-fallet visar vad som händer när kundåtaganden och policy-stabilitet inte räcker hela vägen. Lärdomen för alla som jobbar med energi och hållbarhet är ganska rak: bygg beslutssystem som tål att världen rör på sig.

Om du sitter med en vätgassatsning (grön eller blå), börja med en enkel fråga: Vilka antaganden skulle behöva ändras för att projektet ska pausas? När du kan svara på den med data, scenarier och tydliga tröskelvärden – då har du en plan som håller.

Vill du att nästa stora energiinvestering ska bli ett pressmeddelande eller en anläggning som faktiskt producerar?