Grönt stål kräver gemensam data: AI gör det möjligt

Stål är en av världens mest handlade råvaror – ungefär en tredjedel av all stålvolym korsar nationsgränser. Det låter som en logistikdetalj, men det är också en klimatbomb: när stålet rör sig mellan marknader med olika regler, olika mätmetoder och olika ”definitioner” av låga utsläpp blir det svårt att jämföra, prissätta och upphandla det som faktiskt är bättre.

Det är därför samarbetet mellan tunga branschaktörer i Kina och Europa, tillsammans med den globala organisationen ResponsibleSteel, är så intressant. De representerar tillsammans runt 60 % av världens stålproduktion och har enats om att skapa samordnade standarder för hur klimatpåverkan från stål ska mätas och klassas.

För oss som jobbar med AI inom logistik och supply chain är det här mer än industripolitik. Det är ett tydligt exempel på att hållbar omställning i praktiken handlar om datainfrastruktur, spårbarhet och jämförbarhet. Och där AI har en konkret roll: att göra utsläppsdata robusta, maskinläsbara och användbara i inköp, planering och riskstyrning.

Varför standarder för grönt stål påverkar hela leveranskedjan

Gemensamma standarder för grönt (eller lågutsläpps-) stål är i grunden en supply chain-fråga: utan standarder kan du inte skapa en fungerande marknad. Du kan ha hur ambitiösa klimatmål som helst – men om inköp inte kan jämföra ”äpple med äpple” blir det mest powerpoint.

I dag kan samma stålprodukt få olika utsläppsvärden beroende på metod:

• Räknar man bara utsläpp i fabriken (scope 1–2) eller även i värdekedjan (scope 3)?
• Hur hanteras uppströmsutsläpp från kol, naturgas och elmix?
• Hur räknar man på biprodukter och samprodukter (t.ex. slagg som kan användas i cement)?

ResponsibleSteels vd Annie Heaton uttryckte problemet tydligt i samband med avtalen: utan transparens kan du få 20–40 % skillnad mellan olika beräkningar för ”rent” stål. Det är enormt i en bransch där marginaler, tullar och upphandlingskrav kan avgöras av decimaler.

CBAM gör frågan akut – även för svenska inköp

EU:s Carbon Border Adjustment Mechanism (CBAM) börjar sätta ett pris på inbäddade utsläpp i importerade varor. Stål ligger i centrum. I praktiken betyder det att företag som importerar eller använder stål i sina produkter måste kunna:

1. Beräkna inbäddade utsläpp på ett jämförbart sätt
2. Verifiera data från leverantörer
3. Rapportera enligt krav som snabbt skärps

Det här spiller direkt över på svenska värdekedjor: bygg, fordon, maskinindustri, energiinfrastruktur och lager/logistikanläggningar.

Vad som egentligen är ”grönt stål” (och varför det är knepigt)

Den enkla bilden är: vätgas + elugn + fossilfri el = grönt stål. Och ja, om järn framställs via direktreduktion med grön vätgas och smälts i en ljusbågsugn med ren el, då är saken klar.

Problemet? Den typen av anläggningar är fortfarande sällsynta. Skälen är handfasta:

• Grön vätgas är dyr och tillgången är begränsad
• Investeringarna är kapitaltunga och kräver långsiktiga avtal
• Elsystemets kapacitet och prisvariationer påverkar kalkylen

Det leder till en gråzon: många projekt ligger någonstans mellan kolbaserad masugn och ”fullt grönt”. Då blir standarder avgörande, annars blandas genuina förbättringar ihop med marknadsföring.

Interoperabilitet: ett krångligt ord för en nödvändig idé

ResponsibleSteel har tagit fram ett ramverk för interoperabilitet, alltså principer för att kunna översätta och jämföra klimatdata mellan olika standarder och regioner.

Min erfarenhet är att interoperabilitet ofta missförstås som ”vi behöver ett enda system”. Nej. Det som fungerar i verkligheten är:

• flera standarder som lever sida vid sida
• gemensamma miniminivåer
• tydliga översättningstabeller och datakrav

Det är exakt så globala leveranskedjor faktiskt ser ut.

AI:s roll: från utsläppssiffror till beslut som håller i revision

Om standarder är språket behövs ett ”bokföringssystem” som gör språket användbart. Här är AI som mest värdefull när den är tråkig och praktisk: datakvalitet, validering, avvikelser och prognoser.

1) AI för datainsamling och validering i multi-tier supply chains

Stålets klimatdata kommer sällan direkt från din Tier 1-leverantör. Ofta ligger nyckeln i Tier 2–3 (malm, koks, elmix, transporter). AI kan hjälpa genom att:

• läsa och strukturera dokument (t.ex. leverantörsdeklarationer, energirapporter)
• hitta orimliga värden och flagga avvikelser
• jämföra leverantörers uppgifter mot historik och kända processparametrar

Det minskar risken för att en upphandling senare faller i revision – eller att CBAM-rapporteringen blir en brandkårsutryckning.

2) AI för spårbarhet: partier, rutter och produktionsbatcher

Stål är inte en homogen massa i en supply chain. Samma artikelnummer kan komma från olika batcher med olika energimix, skrotandel och processteg.

Med AI-stödd spårbarhet kan du knyta samman:

• produktionsbatch → materialcertifikat → transporthändelser → lager → slutprodukt

Det gör att du kan räkna klimatpåverkan mer korrekt och fatta beslut om allokering: vilket stål ska gå till vilka kunder/marknader när kraven skiljer sig?

3) AI för efterfrågeprognoser på ”lågutsläppsmaterial”

När standarder blir tydliga händer något viktigt: ”grönt stål” blir en planeringsbar kategori. Då kan AI-modeller för demand planning börja svara på frågor som inköp faktiskt bryr sig om:

• Hur mycket lågutsläppsstål behöver vi 2026–2028 för att klara kundkrav?
• Vilka produktfamiljer ger störst CO₂-reduktion per krona om vi byter material?
• Hur påverkar prisvolatilitet i el och vätgas vår materialstrategi?

Det här är klassisk supply chain-analys – men med en klimatdimension som nu kan kvantifieras.

4) AI för optimering: kostnad, risk och utsläpp samtidigt

De flesta företag optimerar fortfarande primärt på kostnad och leveransprecision. Det räcker inte längre. Med tydliga standarder kan man bygga optimering som väger:

• totalkostnad
• ledtid och servicegrad
• CBAM-exponering
• inbäddade utsläpp
• leverantörsrisk (geopolitik, energi, compliance)

Poängen: när utsläpp blir en jämförbar siffra kan den bli en riktig parameter i beslutsmodellen, inte bara en rapportbilaga.

Vad svenska företag kan göra redan nu (praktiskt, inte perfekt)

Du behöver inte vänta på att alla standarder är klara. De företag som får fart 2026 är de som börjar bygga sin dataförmåga 2025.

En checklista för inköp och supply chain

1. Sätt ett internt datakrav för stål: vilka fält måste leverantören leverera (processväg, energimix, skrotandel, systemgräns)?
2. Skapa ett “materialpass” i masterdata för stål: koppla artikel/batch till klimatdata och certifikat.
3. Bygg en verifieringsrutin: stickprov, plausibilitetskontroller och spårbarhetskrav.
4. Segmentera leverantörer: vilka klarar datakrav nu, vilka behöver stöd, vilka är en risk?
5. Testa en AI-pilot: börja med dokumenttolkning och avvikelse-detektion. Det ger snabb nytta.

Vanliga fallgropar jag ser

• Att börja i fel ände: fina dashboards utan fungerande datainhämtning.
• Att tro att “grönt stål” är en inköpsrad: utan batch- och spårbarhetslogik blir siffrorna gissningar.
• Att inte involvera logistik: transport, lagerhållning och ruttval påverkar både utsläpp och verifierbarhet.

Varför samarbetet Kina–Europa är en signal till marknaden

När aktörer som representerar en majoritet av produktionen börjar enas om ramverk händer tre saker i marknaden:

1. Finansiering blir lättare: banker och investerare kan jämföra projekt och prissätta risk.
2. Upphandling blir skarpare: köpare kan skriva krav som går att följa upp.
3. Greenwashing blir dyrare: otydliga påståenden blir enklare att syna.

Det här är också en signal till teknik- och datafunktionen i industriföretag: klimatdata är inte bara hållbarhetsteamets ansvar. Det är supply chain-data, och måste hanteras med samma disciplin som kvalitet, leveransprecision och kostnadsutfall.

Nästa steg: gör klimatkrav till en konkurrensfördel i supply chain

Gemensamma standarder för grönt stål gör något som låter banalt men är avgörande: de skapar ett gemensamt facit. När facit finns kan AI användas på riktigt – inte för att “gissa utsläpp”, utan för att säkerställa datakvalitet, förutse konsekvenser och optimera beslut.

Om du jobbar med logistik, inköp eller planering i Sverige är det här en bra tid att växla upp. Börja med datakraven, bygg spårbarheten och låt AI göra grovjobbet med validering och avvikelseanalys.

Vilken del av er stålleveranskedja skulle bli mest robust om ni kunde lita på klimatdata på batchnivå – inköp, planering eller kundlöften?