AI minskar bygg-risk i energi: kärnkraft vs sol

Energiprojekt spricker nästan alltid. Det är inte en känsla – det är ett mönster. En stor global studie av 662 energiprojekt i 83 länder (1936–2024) visar att det genomsnittliga projektet blir 40% dyrare än planerat och tar nästan två år längre än tidsplanen.

För dig som jobbar med försäkring, underwriting, riskhantering eller finansiering är det här mer än energinyheter. Det är ett facit över bygg- och genomföranderisk i en sektor som fram till 2050 väntas investera i storleksordningen 100 biljoner dollar i nettonoll-infrastruktur. När risk blir normalläge får prissättning, garantier och portföljstrategi en ny tyngd.

Och här kommer min tydliga ståndpunkt: vi kan inte riskhantera 2050-talets energisystem med 1990-talets verktyg. AI är inte “nice to have” i energins riskkedja längre. Det är ett sätt att göra risk mätbar tidigt, följa den kontinuerligt och agera innan budgeten går i bitar.

Vad studien säger – och varför riskprofilen skiljer sig

Den praktiska slutsatsen är rak: investeringsrisken i byggfasen är högst för kärnkraft och lägst för sol. Studien pekar ut både kostnadsöverdrag och tidförskjutningar som centrala riskmått – exakt de saker som påverkar försäkringsskador, kreditvillkor och avkastningskrav.

Kärnkraft: dyrast att få fel – och lättast att bli sen

Studien visar att kärnkraftsprojekt sticker ut negativt:

• Genomsnittligt kostnadsöverdrag: 102,5%
• I snitt 1,56 miljarder USD mer än förväntat per anläggning
• Mest extrema tidsförseningar i materialet

Det här är klassisk “tail risk”: få projekt, väldigt stora belopp, lång genomförandetid och många kopplade beroenden (tillstånd, leverantörskedjor, kvalificerad arbetskraft, regulatoriska stopp).

För riskhantering innebär det att standardantaganden ofta faller. Om du använder historiska schabloner som “10–15% riskpåslag för bygg”, missar du hela bilden.

Sol: bäst historik i byggfas – men kräver smart integration

På andra sidan spektrumet hittar vi solenergi och elnätsprojekt, som ofta levererar:

• Lägre kostnadsrisk
• Mindre förseningar
• I vissa fall tidigare eller billigare än plan

Men det betyder inte att sol alltid är “enkelt”. Den stora risken flyttar från byggplatsen till systemnivå: anslutning, nätkapacitet, balans, prisvolatilitet och styrning. Försäkringsmässigt blir därför driftprofil, väderberoende och intäktsrisk mer centrala än rena byggöverdrag.

Varför vissa energiprojekt spårar ur: tre mekanismer som går att mäta

Studien lyfter fram flera bakomliggande drivare. Jag tycker tre är särskilt användbara för dig som vill göra AI till ett praktiskt riskverktyg.

1) Skalfällan: större än 1 561 MW ger tydligt högre risk

En konkret tröskel i materialet är att projekt över 1 561 MW uppvisar tydligt högre risk för kostnadseskalation. Det här är guld värt i underwriting och investeringsbeslut, eftersom det ger en enkel regel:

Om kapaciteten passerar en viss nivå bör riskpremien, kontrollerna och datapunkterna skruvas upp kraftigt.

AI kan hjälpa till att behandla “storlek” som mer än MW. Den kan väga in komplexitet: antal entreprenörer, beroenden, specialkomponenter, myndighetsprocesser och logistiska flaskhalsar.

2) Förseningar skapar dyra kedjereaktioner

Nästan två års genomsnittlig försening innebär finansieringskostnader, indexuppräkningar, omprojektering och ibland kontraktsbråk. Försäkringsmässigt kan detta trigga:

• Förlängd exponering i byggförsäkring (CAR/EAR)
• Högre sannolikhet för skada vid stressade slutskeden
• Ökad sannolikhet för tvister och regress

AI kan här fungera som ett tidigt varningssystem genom att läsa av projektets “svaga signaler”: ökande RFI-volym (Requests for Information), avvikelser i leveransprecision, bemanningssvängningar och växande antal ändringsorder.

3) Styrning och genomförandeförmåga avgör mer än tekniken

Två projekt med samma teknik kan ha helt olika utfall beroende på governance: kontraktsstruktur, incitament, transparens, lokal acceptans och tillståndsprocesser.

Det är också här AI ofta gör störst nytta, eftersom governance lämnar dataavtryck. Bra styrning syns i stabila beslutsgångar, jämn takt i milstolpar och låg variation mellan prognos och realiserad framdrift.

Så kan AI faktiskt minska bygg- och investeringsrisk (inte bara rapportera den)

Kärnan: AI minskar risk genom bättre prediktion, tidigare upptäckt och snabbare beslut. För att bli konkret räcker det inte med en dashboard. Man behöver modeller som kopplas till processer, avtal och åtgärder.

Prediktiva modeller för kostnadsöverdrag och förseningar

Ett praktiskt upplägg i riskhantering är att bygga modeller som skattar sannolikheten för att ett projekt går över budget med X% och blir Y månader sen, baserat på:

• Projektstorlek, teknikklass, geografi
• Kontraktsform (t.ex. EPC vs delade entreprenader)
• Marknadsdata (ränta, inflation, råvarupriser)
• Leverantörs- och entreprenörshistorik
• Planeringsdata (milstolpar, kritisk linje)

Poängen är inte att AI ska “gissa rätt” i varje enskilt fall. Poängen är att den ger en riskfördelning som går att prissätta, säkra och styra.

Generativ AI som granskar kontrakt och ändringsorder

Jag har sett att många projekt tappar kontrollen i gränssnitten mellan teknik och juridik: ansvar, avgränsningar, force majeure, indexklausuler och change management.

Generativ AI kan användas för att:

• Identifiera luckor i ansvarsmatriser
• Flagga klausuler som historiskt driver tvister
• Sammanfatta riskändringar i ändringsorder
• Skapa jämförbara “riskprofiler” mellan projekt

Det minskar inte bara risk – det gör den snabbare att förstå för både projektledning och försäkringsgivare.

Digitala tvillingar och sensorik: risk i realtid

För stora anläggningar (särskilt komplexa) är nästa nivå att koppla AI till realtidsdata:

• Bygglogistik (materialflöden, lagernivåer)
• Kvalitetskontroller (avvikelser, omarbete)
• Säkerhetsindikatorer (incidenter, near-misses)
• Framdrift (foto/video + computer vision)

När data visar att omarbete ökar eller att kritiska leveranser glider, kan man agera innan det blir ett “förseningspaket” som ingen får loss.

Vad betyder det här för försäkring och underwriting i Sverige?

Om du sitter på risk på riktigt – försäkringsbolag, MGA, bank, investerare, eller energibolag – är det tre konsekvenser som sticker ut.

1) Underwriting måste bli mer dynamisk

Statiska premier baserade på teknikklass räcker inte. Två solparker kan vara olika risk beroende på nätanslutning, entreprenörskvalitet och markförhållanden.

AI möjliggör kontinuerlig riskuppdatering:

• Revidera riskklass när nya data kommer
• Anpassa villkor (t.ex. krav på kvalitetsgrindar)
• Införa triggers för extra kontroll eller besiktning

2) Kärnkraft är försäkringsbart – men inte med önsketänkande

Att kärnkraft har hög bygg-risk betyder inte att den “inte ska byggas”. Det betyder att risk måste hanteras med:

• Strikt fasindelning och beslutspunkter
• Större buffertar och tydliga stop/go-kriterier
• Stark leverantörs- och kompetensstrategi
• Data för att visa kontroll (till finansiärer och försäkringsgivare)

Här blir AI en del av due diligence, inte en efterhandsrapport.

3) Förnybart vinner på portföljlogik och modularitet

Studien antyder något som många redan anar: mindre och modulärt kan ge bättre budgetförutsägbarhet.

För riskhantering är det här attraktivt eftersom:

• Diversifiering minskar enskild projekttail risk
• Standardisering ger bättre benchmarking
• Lärkurvor blir mätbara mellan projekt

AI är särskilt bra i portföljsammanhang: jämföra projekt, hitta avvikare och förbättra prognoser över tid.

Praktisk checklista: så börjar du med AI för energiprojektrisk

Om målet är leads och verklig nytta behöver du en startsträcka som inte blir ett IT-projekt utan slut. Här är ett upplägg som brukar fungera.

1. Välj ett riskbeslut som faktiskt kostar pengar (t.ex. premie, kreditmarginal, garantiram, eller krav på säkerheter).
2. Definiera 15–30 datapunkter som går att få in utan att projektet stannar (milstolpar, change orders, leveransprecision, entreprenörshistorik).
3. Bygg en baslinjemodell (även enkel) som ger sannolikhet för överdrag/försening.
4. Inför varningsnivåer kopplade till åtgärder, inte bara rapporter.
5. Mät träffsäkerhet och affärsvärde: minskade överdrag, färre tvister, snabbare beslut, färre överraskningar.

Bra AI i riskhantering handlar mindre om “perfekta prognoser” och mer om att göra dåliga utfall svårare att smyga sig på.

Nästa steg: från energistudie till bättre riskbeslut

Studien landar i en obekväm men användbar sanning: bygg- och genomföranderisk är en av de största bromsklossarna i energiomställningen. Kärnkraft sticker ut med hög risk i byggfasen, medan sol (och nät) har bäst historik – men kräver smart planering för att fungera i systemet.

För oss som arbetar med AI inom försäkring och riskhantering är lärdomen enkel: om energisektorn ska skala upp utan att kapitalet blir räddhågset, måste risk bli mer förutsägbar. AI är ett av de få verktyg som både kan hantera komplexitet och ge beslutsstöd i tid.

Om du skulle välja ett enda ställe att börja på: bygg en AI-driven “early warning”-modell för kostnad och tid och koppla den till tydliga riskåtgärder i underwriting eller projektstyrning. Vilket energiprojekt i din portfölj hade du velat få en varning om – sex månader tidigare?