Kärnans kol och AI som håller energisystem stabila

Jorden har en solid inre kärna av järn – och enligt ny forskning verkar den inte ens ha kunnat bildas utan kol. Det låter som en detalj från geokemin, men poängen är större: små komponenter kan vara helt avgörande för att ett komplext system ska bli stabilt.

Det här spelar oväntat bra ihop med en vardagsfråga för alla som jobbar med energi, hållbarhet och industri: hur bygger vi energisystem som håller när trycket ökar? Vintern 2025 är den frågan allt annat än akademisk. Vi ser högre krav på leveranssäkerhet, mer väderberoende produktion, snabbare elektrifiering och ett hårdare fokus på utsläpp. Min ståndpunkt: utan bättre modeller och styrning kommer vi få betala med både pengar och klimatmål.

Forskningen om jordens inre kärna ger en bra mental modell för varför AI i energisystem och i förlängningen AI i läkemedel och bioteknik (vår serie) handlar om samma sak: att förstå material, mönster och stabilitet på djupet – och fatta bättre beslut i tid.

Varför jordens inre kärna (troligen) kräver kol

Den direkta slutsatsen från studien är enkel: jordens kärna behöver ha innehållit cirka 3,8 % kol (av massa) för att kunna börja kristallisera med rimlig underkylning.

Bakgrunden är ett problem som geofysiker brottats med i decennier. Den inre kärnan växer långsamt när den flytande yttre kärnan kyls. Men att “nå fryspunkten” räcker inte. För att kristaller ska börja bildas krävs nukleation – ungefär som att vattenånga kan bli rejält underkyld innan hagel faktiskt tar form.

Tidigare beräkningar antydde att om kärnan vore rent järn hade man behövt omkring 800–1000 °C underkylning för att starta frysningen. Problemet: så mycket underkylning skulle enligt andra modeller ge en för stor inre kärna och dessutom riskera att jordens magnetfält kollapsar. Det har inte hänt.

Den nya studien använder atomskaliga simuleringar (cirka 100 000 atomer under tryck och temperaturer motsvarande kärnans) för att mäta hur ofta kristallkluster uppstår. Resultatet är rätt kontraintuitivt:

• Kisel och svavel (som ofta antas finnas i kärnan) bromsar kristallisering → kräver mer underkylning.
• Kol påskyndar kristallisering → kräver mindre underkylning.

När forskarna testade 2,4 % kol hamnade underkylningen ändå på cirka 420 °C (för högt). När de extrapolerade till 3,8 % kol sjönk behovet till 266 °C – i linje med vad man tror är möjligt historiskt (runt 250 °C).

En liten förändring i kemi kan avgöra om ett helt planetsystem får en stabil “motor”.

Magnetfältet som “drift- och säkerhetssystem”

Den praktiska konsekvensen av en solid inre kärna är inte bara att geologer får en ny pusselbit. Den påverkar geodynamon – processen i den flytande yttre kärnan som skapar jordens magnetfält.

Magnetfältet fungerar som ett planetärt skydd mot solvinden. När magnetfältet är stabilt skyddar det atmosfären och minskar strålningsexponeringen vid jordytan. Forskarna pekar på att om frysningen hade blivit “fel” (för sen, för snabb, fel storlek) kan magnetfältet ha påverkats dramatiskt.

Det är här parallellen till energi blir konkret. I energisystem pratar vi ofta om:

• frekvensstabilitet (50 Hz),
• effektbalans i realtid,
• reserver och flexibilitet,
• nätbegränsningar och flaskhalsar.

De flesta organisationer behandlar detta som separata frågor. Men de hänger ihop, precis som kärnans kemi och magnetfältets stabilitet hänger ihop. Det som saknas är ofta en sammanhållande modell som kan förutsäga när systemet går från “stabilt” till “instabilt”.

Kol i kärnan och AI i energisystem: samma logik

Nyckelinsikten är: stabilitet kräver rätt “ingredienser” och rätt modeller. Kol var en möjliggörare för en stabil kristallisation. AI kan vara en möjliggörare för stabil drift i energisystem.

Prediktiva modeller slår reaktivt släckande

Ett energisystem som mest reagerar i efterhand blir dyrt. Jag har sett samma mönster i andra branscher: om man väntar tills indikatorerna är röda är marginalerna redan borta.

Med AI kan man flytta fokus till prediktion:

• Prognoser för last och produktion på minuter–dygn
• Prediktion av nätträngsel och prisspikar
• Tidig varning för fel i transformatorer, vindkraftverk och batterier

Det här är inte “magisk automation”. Det är samma typ av logik som i studien: man simulerar många mikroskopiska händelser och uppskattar sannolikheter för att ett kritiskt skeende inträffar.

Små algoritmer kan vara systemkritiska

Alla pratar om stora språkmodeller, men i energisammanhang är det ofta mindre modeller som gör jobbet:

• gradient boosting för felprediktion
• tidsseriemodeller för belastning
• optimering (t.ex. mixed-integer) för planering av flexibilitet
• reinforcement learning för styrning av batterier och laddning

En “liten algoritm” som väljer rätt laddfönster för 50 000 fordon kan göra mer för nätet än en ny dashboard.

Utan rätt modell blir systemet antingen överdimensionerat eller instabilt. Ofta båda.

Varför detta hör hemma i serien “AI inom läkemedel och bioteknik”

Det kan låta som en omväg från läkemedel, men kopplingen är starkare än den ser ut.

I svensk bioteknik och life science står man med samma typ av systemproblem:

• Bioprocesser där små variationer i komposition påverkar utbyte och kvalitet
• Kliniska förlopp där tidig signal (biomarkörer) avgör om en behandling ska ändras
• Produktionskedjor där en flaskhals (kylkedja, batch-avvikelse) kan sänka hela leveransen

AI används redan för att:

• hitta mönster i omics-data och bilddiagnostik
• optimera fermentering och downstream processing
• planera kliniska studier och patienturval

Gemensamma nämnaren är densamma som i jordkärnan: kemin/materialet sätter gränserna – och modellerna avgör om vi kan arbeta nära gränsen utan att krascha.

Om du leder en bioteknikverksamhet som ska elektrifiera labb, skala produktion eller säkra kylkedjor är du plötsligt mitt i energi- och hållbarhetsfrågan. Då blir AI för energioptimering inte “nice to have” utan en del av kvalitets- och riskarbetet.

Praktiska sätt att använda AI för energi och hållbarhet 2026

Det finns en risk att “AI i energi” blir en powerpoint-övning. Här är en mer jordnära lista på initiativ som faktiskt brukar ge effekt inom 3–6 månader om man har datan.

1) Energiintensitetsmodell per process och skift

Målet är att gå från total kWh per månad till kWh per producerad enhet och processsteg.

• Bygg en modell som förklarar energianvändning utifrån ordermix, temperatur, driftläge
• Identifiera onormala avvikelser i realtid
• Koppla till åtgärdsplan (inte bara larm)

2) Prognoser som gör flexibilitet möjlig

Flexibilitet blir lönsamt när man kan agera innan topparna.

• Dygnsprognos för effektuttag
• Rekommenderade styrsignaler för HVAC, kompressorer, kylmaskiner
• Simulera “om vi gör X, händer Y med effekt och kostnad?”

3) Prediktivt underhåll på energikritiska komponenter

Transformatorer, pumpar, kylsystem och UPS:er orsakar ofta både energislöseri och risk.

• Kombinera sensordata (vibration, temperatur) med driftloggar
• Prioritera de fel som ger både energiförlust och leveransrisk

4) Utsläppsberäkning som tål revision

För hållbarhetsrapportering räcker inte grova schabloner.

• Automatisera aktivitetsdata
• Spåra antaganden och datakvalitet
• Bygg en pipeline där siffror går att förklara, inte bara presentera

Vad forskningen om kol i kärnan lär oss om ledarskap i teknik

Den kanske mest användbara lärdomen är kulturell: de största systemen styrs ofta av de mest förbisedda detaljerna.

I studien var “detaljen” kolhalt. I energiprojekt är “detaljen” ofta:

• tidsstämplar som inte synkar
• mätare som saknar upplösning
• otydliga definitioner av “produktion” eller “stillestånd”
• en modell som inte går att driftsätta

Jag tycker man ska vara hård här: om datagrunden är svag blir AI antingen dyr konsultkod eller ett beslutstöd som ingen litar på.

En bra tumregel:

1. Mät rätt sak (inte bara det som råkar finnas)
2. Modellera för beslut, inte för rapport
3. Styr i liten skala först och rulla ut när effekten är bevisad

Nästa steg: från planetkemi till stabil energi (och robust bioproduktion)

Forskningen pekar på att jordens inre kärna sannolikt finns tack vare en specifik kolhalt som gjorde kristallisering möjlig vid realistisk underkylning. Det är en påminnelse om att stabilitet inte uppstår av sig själv – den är ett resultat av rätt förutsättningar och rätt dynamik.

Översatt till vår verklighet 2025-12-21: om vi vill ha robusta, hållbara energisystem (och samtidigt skala bioteknik och läkemedelsproduktion) behöver vi AI som förutser, optimerar och varnar innan systemet hamnar i fel läge.

Vill du ta ett första steg som faktiskt ger leadsvärde internt? Välj en energikritisk del av verksamheten – kylsystem, tryckluft eller laddning – och bygg en modell som kopplar driftläge → effekt → kostnad → utsläpp. När du kan förklara sambandet kan du också styra det.

Vilken “3,8 %”-detalj i din verksamhet avgör om systemet blir stabilt eller stökigt under 2026?