AI mot energikorruption: lärdomar från HB6

Den 2025-11-19 satte Ohios energiregulator ner foten: FirstEnergys tre reglerade bolag ska betala cirka 250 miljoner dollar i sanktioner kopplade till HB 6-skandalen. Över 186 miljoner dollar ska tillbaka till kunderna som återbetalning eller kredit. Det låter som en rejäl upprättelse — men när man lägger siffrorna bredvid helheten blir det tydligt varför många konsumentföreträdare fortfarande är missnöjda.

HB 6 är ett skolboksexempel på hur svag transparens, snedvridna incitament och bristande kontroll kan göra energipolitik dyr, smutsig och svår att rätta till i efterhand. Och här finns en direkt koppling till vår serie om AI inom försäkring och riskhantering: mekanismerna bakom ett försäkringsbedrägeri och en energipolitisk korruptionsaffär är ofta förvånansvärt lika. Pengaflöden döljs i komplexitet, beslut fattas i gråzoner, och kostnaderna vältras över på någon annan.

Det jag vill visa i den här texten är: vad HB 6 säger om risk i energisystem, varför det spelar roll för hållbarhet, och hur AI-driven riskanalys och transparens kan göra det svårare att upprepa samma misstag — i USA, men också i en svensk kontext där elnät, elpriser, tillståndsprocesser och energiinvesteringar blir allt mer dataintensiva.

Vad hände i HB 6 — och varför är det en varningssignal?

HB 6 visar hur snabbt energipolitik kan kapas när kontrollen är svag. I korthet handlade skandalen om att FirstEnergy betalade omkring 60 miljoner dollar i mutor för att få igenom en lag som skulle rädda olönsamma kärn- och kolanläggningar — och dessutom motverka en folkomröstning som kunde ha stoppat upplägget.

Subventioner som låste fast fossil infrastruktur

Kolsubventionerna blev långlivade och dyra. Trots att kärnkraftsdelen stoppades innan den hann börja gälla, fortsatte kolsubventionerna i fem och ett halvt år och kostade elkunderna ungefär en halv miljard dollar totalt.

Det här är kärnan ur ett hållbarhets- och riskperspektiv: när politiska beslut låser fast stöd till gammal produktion blir resultatet ofta

• högre systemkostnader (kunder betalar för olönsamma anläggningar)
• sämre klimatutfall (kol får konstgjord andning)
• fördröjd investeringstakt i alternativ (kapital och fokus flyttas från förnybart, nät och flexibilitet)

Sanktioner som svider — men inte alltid i rätt riktning

Regulatorn i Ohio beslutade om totalt 250,7 miljoner dollar i sanktioner/återbetalningar. Det är en historiskt hög nivå i sammanhanget, men det är samtidigt lägre än vad flera grupper tryckte på för: kravbilden låg på över en halv miljard dollar.

Här finns ett viktigt mönster som riskchefer känner igen: skadan är sällan lika med böterna. Böter kommer sent, är juridiskt avgränsade och kan hamna i förhandling. Under tiden har systemet redan burit risken.

“Rate cases” och mjuka kostnader: så vältras risk över på kunder

HB 6 visar också hur finansiell risk kan flytta från ägare till kunder via tariffstrukturer och intäktsreglering. Samma dag som sanktionerna beslutades godkände regulatorn dessutom en (mindre) rate hike för delar av kundbasen.

• Cleveland Electric Illuminating Co fick en intäktsökning på cirka 76 miljoner dollar per år för cirka 745 000 kunder.
• Toledo Edison och Ohio Edison fick i stället sänkningar på 24,4 respektive 17,4 miljoner dollar per år.
• Netto landade beslutet på ungefär 34 miljoner dollar i årlig ökning — långt under bolagets ursprungliga begäran på cirka 183 miljoner dollar.

Varför det här är relevant för AI inom försäkring och riskhantering

Energireglering fungerar som en sorts ”riskpool”. Om styrningen är svag kan ett bolag ta beslut som ökar risk (till exempel politisk påverkan, bristande internkontroll, för aggressiva investeringsantaganden) och sedan försöka få kostnaden godkänd i tariffen.

I försäkringsvärlden är det som att en aktör systematiskt höjer skadefrekvensen men ändå vill ha samma premie — och dessutom vill att kollektivet ska täcka notan.

Det är därför diskussionen i Ohio om att sänka bolagets tillåtna avkastning (rate of return) är så intressant: den är i praktiken en riskjustering. Regulatorn sa nej, men logiken är tydlig: dålig styrning ska ge lägre ”riskpremie”, inte högre kundnota.

Där AI faktiskt gör skillnad: transparens, bedrägeridetektion och styrningskontroll

AI kan inte ersätta lagstiftning eller tillsyn — men AI kan göra manipulation dyrare och upptäckt snabbare. Det är exakt samma princip som i modern bedrägeridetektion i försäkring: du stoppar inte alla försök, men du förändrar risk/nytta-kalkylen.

1) Anomali- och nätverksanalys av pengaflöden

I HB 6 blev en central utmaning att pengar blandades i en gemensam “pool”, vilket gör det svårt att visa att kundmedel inte användes fel.

AI-metoder som hjälper:

• Graph analytics för att kartlägga relationer mellan leverantörer, konsultbolag, lobbygrupper och beslutsfattare
• Anomalidetektion på transaktionsnivå: ovanliga betalningsmönster, timing nära beslut, rundgång av medel
• Entity resolution (”samma aktör med flera namn”) för att hitta dolda kopplingar i bokföring och fakturadata

För en svensk energikoncern eller nätägare är parallellen tydlig: när data kommer från många system (ERP, inköp, projekt, externa konsulter) behövs automatiska kontroller som hittar avvikelser innan de blir rubriker.

2) Prediktiv riskmodellering för policybeslut

Subventioner är risk. Inte bara ekonomiskt, utan också klimatmässigt och reputationsmässigt. Med AI kan man göra beslutsunderlag mer robusta genom att simulera konsekvenser över tid.

Exempel på vad en seriös modell borde väga in:

• sannolik prisutveckling på el och bränsle
• kostnad för utsläpp (reglering, marknad, social cost)
• scenarier för nätbegränsningar och driftssäkerhet
• alternativkostnad: vad händer om samma pengar går till nät, flexibilitet, lagring?

Det här liknar underwriting: du tar ställning till en risk (stöd, investering, tariff) och måste prissätta den baserat på sannolikheter och konsekvenser.

3) Automatiserad compliance och ”kontinuerlig revision”

I Ohio diskuterades revision av bolagens separation och styrning, men processen är långsam. AI kan möjliggöra kontinuerlig kontroll:

• automatiska flaggor när kostnader flyttas mellan enheter
• avvikelseanalys mot godkända kostnadskategorier (”tillåtet i tariff” vs “inte tillåtet”)
• textanalys av beslutsdokument, styrelseprotokoll och remissvar för att hitta inkonsekvenser eller riskformuleringar

Det är samma idé som i skadehantering: du vill inte göra en jätteutredning vart femte år. Du vill ha löpande signaler.

En enkel princip: Om en regel är viktig nog att finnas, är den viktig nog att övervakas automatiskt.

“Vad händer nu?” — och vad borde regulatorer kräva framåt?

Nästa kapitel i HB 6 handlar mindre om rubriker och mer om systemdesign. Det finns fortfarande en pågående process där bolagen ska visa att kundmedel inte användes för HB 6-arbetet. Skriftlig bevisning ska in, och en prövning är planerad att starta 2026-02-24.

Samtidigt har FirstEnergy signalerat att en ny rate case kommer tidigt 2026, vilket kan ge nya tariffer runt 2027. Det betyder att själva prissättningen av risk kommer tillbaka på bordet.

Tre krav som borde vara standard (och som AI gör realistiska)

1. Datakrav som villkor för intäktsramar

   • Om bolag vill ha högre intäkter ska de också leverera data som möjliggör insyn: kostnadsallokering, leverantörsregister, transaktionsnivå där det är rimligt.

2. Riskbaserad tillsyn (som i finans och försäkring)

   • Lägg mer granskning där riskindikatorer är höga: avvikande konsultkostnader, aggressiv lobbying, snabba organisationsförändringar, återkommande regelbrott.

3. Konsekvens kopplad till styrning

   • Om brister i internkontroll bevisas ska det slå direkt på tillåten avkastning, bonusstrukturer eller kostnadsåtervinning.

Det här är varken hårt eller mjukt. Det är bara konsekvent riskhantering.

Praktiska steg för svenska aktörer: från princip till implementering

Vill man använda AI för transparens och hållbarhet i energisektorn måste man börja med data och styrning, inte med en modell. Här är ett upplägg jag sett fungera i riskprojekt:

Steg 1: Bygg en “riskkarta” över pengar, beslut och incitament

• Vilka kostnader hamnar i tariff/intäktsram?
• Vilka kostnader är politiskt känsliga (kommunikation, lobbying, sponsring, juridik)?
• Vilka leverantörer återkommer i många projekt?

Steg 2: Sätt upp AI-kontroller som letar efter konkreta signaler

Börja med 10–20 tydliga regler/signaler, till exempel:

• betalningar som ökar kraftigt i perioder med regulatoriska beslut
• ovanligt många fakturor strax under attestgränser
• leverantörer med täta kopplingar till beslutsprocesser
• kostnader som byter kontoklass sent i månaden (”snyggning”)

Steg 3: Koppla signaler till åtgärd — annars blir det bara dashboard

• vem får larmet?
• vad är SLA för utredning?
• när eskaleras det till compliance/juridik?

Det här är exakt samma logik som i AI för bedrägeridetektion och skadekontroll: modellen är värdelös om den inte sitter ihop med ett arbetssätt.

Avslutning: transparens är inte en rapport — det är en funktion

HB 6-skandalen visar att energipolitik kan bli en dyr genväg: subventioner kan förlänga fossil drift, korruption kan maskeras i komplexitet, och återbetalningar kommer ofta långt efter att skadan är skedd. Böter på 250 miljoner dollar är mycket pengar, men de ersätter inte förlorad tid i omställningen.

För mig är slutsatsen tydlig: AI-driven transparens och riskhantering behöver bli standard i energisystem — på samma sätt som i försäkring. När incitamenten är stora och systemen komplexa räcker det inte med manuella kontroller och punktinsatser.

Om du arbetar med energi, hållbarhet, regelefterlevnad eller risk: vilka delar av er kostnads- och beslutsprocess skulle du vilja kunna granska i realtid, om du hade rätt data och rätt AI-stöd på plats?