AI och kärnvinter: riskmodellering för mat och försäkring

87%. Så mycket kan den globala majsproduktionen falla i ett värsta scenario om en storskalig konflikt skapar en ”kärnvinter” – inte bara på grund av mindre solljus och kallare temperaturer, utan också för att ökande UV‑B‑strålning slår mot växternas fotosyntes och DNA. Det är en siffra som borde få varje riskchef, försäkringsaktuarie och hållbarhetsansvarig att stanna upp.

Det här är inte en text om domedag. Det är en text om modellering och beredskap. För om forskare kan simulera hur sot i stratosfären påverkar skördar i tiotusentals geografiska punkter, då kan vi också använda AI och prediktiv analys för att stärka livsmedelssystem, energi- och försörjningskedjor – och bygga bättre riskhantering i försäkring.

I vår serie om AI inom försäkring och riskhantering är kärnfrågan alltid densamma: Hur gör vi risk begriplig, prissättningsbar och hanterbar innan den blir en skada? Kärnvinter-modellerna ger ett brutalt tydligt svar: det som ser ut som ”osannolikt” kan få systemeffekter som är större än många kalkyler klarar.

Vad forskningen faktiskt visar – och varför siffrorna sticker ut

Forskarna bakom studien simulerade sex scenarier av kärnvinter och tittade specifikt på majs, världens mest odlade spannmålsgröda. Poängen är inte att majs är ”viktigast”, utan att den fungerar som en proxy för globalt jordbruk.

Från regional konflikt till global kollaps

Resultaten är tydliga och kvantifierade:

• Ett mer begränsat scenario (regional konflikt) som skickar ungefär 5,5 ton sot till atmosfären kan minska global majsproduktion med cirka 7%.
• Ett storskaligt scenario som injicerar omkring 165 ton sot kan ge en minskning på cirka 80%.
• När forskarna dessutom räknar in UV‑B‑skador från ozonnedbrytning kan tappet i värsta fall bli ytterligare 7%, vilket landar på 87%.

Det här är siffror som är lätta att citera, men svåra att ta in. För 7% låter kanske ”hanterbart” – tills man tänker på att livsmedelssystemet redan är stramt optimerat, och att flera regioner samtidigt kan drabbas av prischocker, exportstopp och politisk instabilitet.

Varför UV‑B-delen ändrar spelplanen

Det intressanta är inte bara kylan och mörkret. Studien modellerar också att kärnvapenexplosioner kan skapa kväveoxider i stratosfären och, tillsammans med uppvärmning från sot, bryta ned ozonlagret. Mer UV‑B vid marknivå betyder:

• DNA-skador i växtvävnad
• oxidativ stress
• lägre fotosyntes

Det här är en typ av effekt som ofta hamnar i ”övrigt”-raden i riskanalyser. Men här blir den mätbar och tidsprofilen är obehaglig: UV‑B‑skadan kan enligt modellen toppa 6–8 år efter en global konflikt. Med andra ord: även om samhället överlever den första chocken, kan jordbruket få en andra smäll senare.

AI-perspektivet: från klimatmodell till praktisk riskstyrning

Kärnvinter är extremt. Men metoden är vardag för 2025: storskaliga simuleringar + högupplösta data + modellering över flera år. Det är exakt samma verktygslåda som nu flyttar in i energi och försäkring.

Det här är en ”stress test”-modell – och det är där AI kommer in

Forskarna använde en avancerad agroekosystemmodell som simulerar grödtillväxt i 38 572 platser och följer kol- och kvävecykler i jord–växt–atmosfär. Översatt till riskhantering:

• många geografiska noder
• många beroenden
• många tidssteg
• stor osäkerhet

AI är bra här av en enkel anledning: den kan koppla ihop heterogena datakällor (väder, jord, logistik, priser, satellitbilder, sensorer) och skapa prediktioner som går att använda operativt.

Det jag tycker att många bolag missar är att AI inte bara ska ”förutse nästa händelse”. Den ska hjälpa er att svara på frågan: ”Vilken åtgärd ger mest riskreduktion per krona?”

Från livsmedel till energi: samma sårbarhet, samma lösning

Ett sotmörker som kyler klimatet slår mot:

• solkraft (lägre instrålning)
• elbehov (mer uppvärmning i kallare klimat)
• transporter (störningar, bränsleprioritering)
• livsmedelskedjor (skörd, lagring, distribution)

I en AI-driven beredskapsmodell blir det naturligt att köra samordnade scenarier: vad händer med elpriser, livsmedelspriser, skadefrekvenser och kreditrisk om temperaturen faller snabbt och logistiken blir ryckig?

För försäkring betyder det att klimatrelaterad riskbedömning behöver gå från ”årlig uppdatering” till kontinuerlig övervakning.

”Agricultural resilience kits” – och vad försäkringsbranschen kan lära

Forskarna föreslår att man förbereder resilienskit för jordbruk: fröer som är snabbväxande och köldtåliga, anpassade efter region och klimat. Det är ett konkret förslag som angriper ett praktiskt problem: när krisen väl slår till blir fröer och sortmaterial en flaskhals.

Det smarta här är inte fröpåsen – det är logistiken

Kitet är egentligen en symbol för tre principer som även försäkring och energisystem behöver:

1. Standardiserade åtgärdspaket som kan aktiveras snabbt
2. Regional anpassning (det som funkar i Skåne funkar inte i Norrbotten)
3. Förplanerad distribution när infrastrukturen är instabil

I försäkring motsvaras ”resilienskit” av färdiga åtgärdspaket för att minska skador och följdskador, till exempel:

• sensorer och fjärravstängning mot vattenskador i fastigheter
• dynamiska varningssystem vid extremväder
• mikroförsäkringsliknande lösningar för livsmedelsproducenter kopplat till index (temperatur/UV/solinstrålning)

AI kan göra resilienskit till ett beslutsstöd – inte en hyllprodukt

Här finns en tydlig AI-roll: att avgöra vilka kit som ska finnas var, när, och i vilken volym.

Ett praktiskt upplägg jag sett fungera i andra sammanhang är en ”risk-till-lager”-modell:

• Input: scenarier (klimat), sårbarhet (odlingszoner), beroenden (logistik), ekonomisk konsekvens (pris- och svältindikationer)
• Output: rekommenderad lagerhållning, omlagringstakt, prioriteringslistor

Det låter som supply chain management. Det är det också. Men det är samtidigt riskhantering – och där är försäkringslogiken stark.

Så påverkar det underwriting och skadehantering i Sverige

Kärnvinter låter långt bort från svensk sakförsäkring. Men mekanismen – ett plötsligt, långvarigt skifte i klimat och strålning – är en påminnelse om att svansrisker ofta blir korrelerade skador.

Underwriting: från historik till scenariodriven prissättning

I en stabil värld räcker historik långt. I en instabil värld behöver underwriting kompletteras med:

• scenariomodeller (stress tester) för portföljnivå
• geospatial AI för att förstå koncentrationsrisk
• parametriska triggers där det är svårt att verifiera skada (t.ex. jordbruk)

För svenska aktörer som försäkrar skogsbruk, lantbruk, livsmedelsindustri eller transport blir detta extra relevant. Skadeutfallet kan drivas lika mycket av marknadsstörningar som av fysisk skada.

Skadehantering: triage, prioritering och bedrägeririsk

När många drabbas samtidigt måste skadereglering bli mer som sjukvårdens triage: vad måste lösas först för att undvika följdskador?

AI kan hjälpa till med:

• automatisk ärendeklassning (snabbt/komplext/hög risk)
• upptäckt av avvikande mönster (bedrägeridetektion)
• prediktion av följdskador (t.ex. stillestånd i produktion)

Och här finns en obekväm sanning: i stora kriser ökar incitamenten för bedrägeri. Att bygga robusta modeller i lugna tider är billigare än att jaga problemen när allt brinner.

Praktiska frågor som brukar komma upp (och raka svar)

”Men ska vi verkligen planera för kärnvinter?”

Ja – inte för att den är sannolik, utan för att den tränar organisationen i att hantera långvariga, globala störningar. Samma planering fungerar vid stora vulkanutbrott, fleråriga missväxtperioder eller kombinerade energi- och livsmedelschocker.

”Vad är första steget för ett bolag som vill använda AI här?”

Bygg ett gemensamt datalager för risk och exponering (geografi, leverantörsberoenden, kundsegment) och kör sedan 2–3 scenarier som ni faktiskt kan agera på.

”Vilka KPI:er är rimliga?”

Mät inte bara modellprecision. Mät:

• minskad koncentrationsrisk i portföljen
• snabbare tid till beslut vid kris
• minskad skadegrad genom förebyggande åtgärder

Snabbare beslut är en riskreducering i sig när systemet är instabilt.

Nästa steg: gör svansrisker hanterbara med AI

Det mest användbara med kärnvinter-studien är inte scenariot i sig. Det är metodiken: högupplösta simuleringar som visar hur en fysisk störning kan bli en ekonomisk och social kollaps. För oss som jobbar med AI i försäkring och riskhantering är budskapet enkelt: om ni bara modellerar det som hänt förut, missar ni det som kan knäcka portföljen.

Vill ni komma igång? Börja med ett ”resilienskit” för er egen organisation:

1. ett gemensamt scenario-bibliotek (energi, klimat, försörjning)
2. en datakarta över exponering och beroenden
3. en AI-modell som kopplar scenario → påverkan → åtgärd

När du sitter med nästa års riskplan: vilka två åtgärder skulle ni vilja ha på plats om ni visste att en flerårig global störning startar 2026-01-01?