AI minskar bygg- och budgetrisker i energiinvesteringar

Energiprojekt blir dyrare än planerat. Mycket dyrare. En stor global genomgång av 662 energiinfrastrukturprojekt (1936–2024) visar att snittprojektet landar 40% över budget och nästan två år efter tidsplan. Det är siffror som borde få varje riskchef, investerare och försäkringsaktör att sätta kaffet i halsen.

Och skillnaderna mellan teknikerna är brutala. Kärnkraft sticker ut med högst investeringsrisk, medan solenergi har lägst risk. När det här sätts i svensk kontext – med press på elektrifiering, nätutbyggnad, industriomställning och kapacitetsbrist i vissa elområden – blir en sak tydlig: vi kan inte fortsätta planera som om stora infrastrukturbyggen “brukar gå ungefär som tänkt”.

Här passar dagens tema i vår serie ”AI inom försäkring och riskhantering” perfekt. Min hållning är enkel: AI är inte ett sidoprojekt för energibranschen – det är ett riskverktyg. Rätt använd kan AI hjälpa till att förutse kostnadsdrivare, upptäcka tidiga varningssignaler, optimera portföljer och göra underwriting mer träffsäker för energiinfrastruktur.

Varför går energiprojekt så ofta över tid och budget?

Den korta förklaringen: stora energiprojekt är en cocktail av teknisk komplexitet, leverantörsrisk och beslutsrisk. Den längre förklaringen är mer intressant – för det är där AI faktiskt kan göra nytta.

Studien pekar på att överdrag inte bara är “otur” utan ofta uppstår när projekt passerar vissa trösklar. Ett konkret exempel: projekt över 1 561 MW visar tydligt högre risk för kostnadseskalering. Det är logiskt. Skala betyder fler beroenden: fler entreprenörer, fler tillstånd, mer specialutrustning, längre leveranskedjor och fler möjligheter för små problem att bli stora.

Tre återkommande rotorsaker

1. Diseconomies of scale (stordriftsnackdelar) När projekt växer blir koordineringen svårare. Det skapar friktion som sällan syns i den första kalkylen.

2. Förseningar som föder nya förseningar Tid är inte bara tid. Varje månad extra kan betyda nya indexuppräkningar, räntekostnader, omprojektering och omförhandlade avtal.

3. Styrning och governance Beslutsvägar, ansvarsfördelning och kontraktsstruktur påverkar riskprofilen lika mycket som själva tekniken.

AI ersätter inte projektledning. Men AI kan ge tidigare och mer kvantifierade varningssignaler än magkänsla och manuella statusrapporter.

Kärnkraft vs sol: riskprofilen som försäkringsmarknaden måste förstå

Studien sätter fingret på något som ofta glöms bort i energidebatten: klimatnytta är inte samma sak som byggbarhet och budgetförutsägbarhet.

Kärnkraft: högst bygg- och investeringsrisk

Kärnkraft hade i materialet i snitt en kostnadsöverdrag på 102,5% – alltså ungefär en fördubbling jämfört med förväntan. I pengar handlar det om i genomsnitt 1,56 miljarder USD mer än planerat per anläggning. Därtill: de mest extrema tidsförseningarna.

Det här är inte en värdering av kärnkraftens roll i energisystemet. Det är en riskobservation. För försäkring och finansiering betyder det att kärnkraft tenderar att samla flera risktyper samtidigt:

• Bygg- och montageförsäkring med lång exponeringstid
• Större sannolikhet för kontraktsändringar och claims
• Hög politisk/regulatorisk känslighet
• Kapitalbindning och ränterisk över många år

Solenergi och nät: lägst risk – och ofta snabbare än plan

På andra sidan hittar vi solenergi och transmissionsprojekt som i studien har bäst “construction track record” – ofta billigare eller tidigare än planerat. Vindkraft presterade också bra.

För underwriting är det här guld värt: lägre osäkerhet i byggfasen innebär ofta lägre sannolikhet för stora skadeutfall kopplade till förseningar, likviditetsstress och konflikt i leverantörsled.

Men det finns en hake som många missar: lågrisk i bygg betyder inte automatiskt lågrisk i drift. Där blir AI extra relevant – för att knyta ihop byggdata, väderrisk, nätbegränsningar, prisrisk och underhållsstrategi i en samlad riskbild.

Vad betyder detta för Sverige 2025-12-21?

Svenska energi- och industriprojekt går in i 2026 med tre samtidiga realiteter:

• Högre kapitalkostnad än under 2010-talet, vilket gör förseningar dyrare.
• Tuffare nätläge i delar av landet, där anslutning och nätförstärkning kan vara en flaskhals.
• Skärpt hållbarhetsstyrning (t.ex. mer detaljerade krav på riskhantering, transparens och uppföljning i leverantörskedjor).

Det gör att investeringsbeslut inte bara handlar om LCOE eller politiska preferenser – utan om genomföranderisk. Och genomföranderisk är exakt den typ av problem där AI kan bli ett praktiskt verktyg, inte en powerpoint.

Så används AI för att minska bygg- och förseningrisk i energiprojekt

Kärnan: AI ger prediktiv riskanalys baserad på historik, realtidsdata och projektspecifika signaler. Det gäller både för energibolag, investerare och försäkringsgivare.

1) Prediktiva modeller för kostnads- och tidsrisk

“Answer first”: AI kan förutse sannolikheten för budgetöverdrag genom att lära från tidigare projekt och tidiga avvikelser.

Praktiskt innebär det att man bygger modeller som tar in:

• Projektstorlek (MW), teknikslag, plats, entreprenadform
• Leverantörs- och underleverantörsmönster
• Tillståndsmilstolpar och ledtider
• Tidiga indikatorer som ändringsorder, leveransprecision, bemanningsvariation

Ut kommer inte ett enda tal, utan en fördelning: “50% risk att gå över budget med mer än X”, “P90-scenario”, och tydliga drivare.

För försäkringsbolag kan samma typ av modell stödja:

• Premiesättning kopplad till projektets riskprofil
• Villkor som triggas av objektiva indikatorer
• Portföljstyrning (hur mycket koncentration mot en viss teknik/region?)

2) AI i kontrakt och claims: upptäck risk innan den blir tvist

“Answer first”: NLP (språkmodeller) kan hitta kontraktsmönster som ofta leder till tvist, samt flagga otydliga ansvarsglapp.

Exempel på vad jag sett fungera väl i praktiken:

• Automatisk granskning av kontraktstexter för inkonsistens mellan bilagor
• Jämförelse mot tidigare projekt där liknande klausuler lett till claims
• Identifiering av “scope creep”-risk i gränssnitt mellan discipliner

Det här är inte juridik på autopilot. Det är beslutsstöd som gör att jurist och projektledning lägger sin tid där den gör mest nytta.

3) Övervakning i byggfasen med realtidsdata

“Answer first”: AI kan koppla ihop plan (BIM/tidplan) med verklighet (sensorer, logistik, fotodokumentation) och mäta produktionsrisk löpande.

Det kan handla om:

• Datorseende som jämför byggstatus mot plan
• Avvikelsedetektion i materialflöden (förseningsmönster i leveranser)
• Riskprognoser per delsystem: fundament, montage, el, kontrollsystem

Resultatet blir en riskdashboard som är mer än “rött/gult/grönt”. Den svarar på: Varför blir det rött – och vad är billigast att göra åt det?

4) Portföljoptimering: mindre, modulärt och snabbare

Studien antyder att mindre och mer modulära projekt kan ge bättre budgetförutsägbarhet. Här kan AI ta rollen som portföljhjärna.

“Answer first”: AI kan optimera mixen av projekt för att minska total risk, inte bara minimera kostnad.

Det betyder att man kan räkna på portföljer där man kombinerar:

• Sol och vind (lägre byggrisk)
• Nät och flexibilitet (för att minska systemrisk)
• Lagring/efterfrågeflex (för att minska obalansrisk)

…och väga det mot mål som ledtid, CAPEX-risk, utsläppsprofil och försörjningstrygghet.

Q&A: vanliga frågor riskchefer och underwriters ställer

Är sol “lågrisk” även i Norden?

Ja i byggfasen, ofta. Men i Norden påverkas intjäning mer av säsongsvariation, snölast, nätbegränsningar och prisvolatilitet. AI behövs för att knyta ihop produktionsprognoser med marknads- och nätdata.

Betyder hög risk att man ska undvika kärnkraft helt?

Nej. Det betyder att man ska prissätta, kontraktera och fasa projekten därefter. Försäkring och finansiering mår bra av tydliga riskdelningsmodeller och mätbara milstolpar.

Vad är den snabbaste AI-starten för ett energibolag eller försäkringsbolag?

Börja med en sak: prediktiv modell för försening och budgetöverdrag baserat på historik + era egna projektsignaler. Den ger värde snabbt och skapar datadisciplin.

Vad du kan göra nu: en praktisk checklista

Om du jobbar med försäkring, risk eller investeringar i energiinfrastruktur är nästa steg inte “mer data”. Det är bättre beslut.

1. Kartlägg era största riskdrivare per teknikslag (inte bara per projekt).
2. Bygg en enkel P50/P90-modell för tid och kostnad – även om den först är grov.
3. Sätt upp tidiga varningsindikatorer: ändringsorder, leveransprecision, tillståndsmilstolpar.
4. Gör underwriting mer dynamisk: uppdatera riskklass när indikatorer förändras.
5. Säkra datakedjan från projektstyrning till riskteam – samma “sanning” för alla.

En bra tumregel: Om riskrapporten beskriver vad som hände förra månaden är den redan för sen.

Nästa kapitel i energiomställningen är riskstyrt – och AI-drivet

Bygg- och investeringsrisk är en av de mest underskattade bromsklossarna i energiomställningen. Studien visar tydligt att teknikval också är riskval: kärnkraft har historiskt burit högst bygg- och budgetrisk, medan sol och nät ofta är mer förutsägbara.

För oss som arbetar i gränslandet mellan energi och försäkring är budskapet konkret: AI gör det möjligt att prissätta, förebygga och styra risk med högre precision – från underwriting till claims och portföljstrategi. Och med de investeringsnivåer som väntar mot 2050 är det inte en “nice to have”. Det är grundläggande hygien.

Om du skulle bygga en energiinvesteringsportfölj för 2026: vilka risker vill du ha betalt för – och vilka risker vill du helt enkelt inte bära?