AI för miljöskydd och hållbar samhällsbyggnad

Exekutiv sammanfattning

Internationella erfarenheter visar att AI ger störst och mest trovärdig miljönytta när tekniken kopplas till en tydlig fysisk besluts- eller åtgärdskedja: en satellitdetektion som leder till inspektion, en prognos som ändrar energiproduktion, en optimeringsmodell som styr pumpar eller trafiksignaler, eller en sensor som ger tidigare varning om brand och utsläpp. AI-system som endast producerar analyser, visualiseringar eller generella rekommendationer har betydligt svagare dokumenterad miljöeffekt.

De mest lovande lösningarna för Sverige är:

• Multimodal fjärranalys och maskininlärning för skog, markanvändning, våtmarker, kustmiljö, biodiversitet och metanutsläpp.
• Prognos- och optimeringsalgoritmer för elsystem, fjärrvärme, vattenförsörjning, avloppsrening och flexibilitet i byggnader.
• Digitala tvillingar för översvämning, värme, dagvatten, vattennät, transporter och fysisk planering – om de byggs på standardiserade data och används för konkreta beslut.
• Edge AI och distribuerade sensorer för skogsbrand, vattenkvalitet, artskydd och tillsyn där uppkoppling är begränsad.
• Datorseende och robotik för avfallssortering, materialåtervinning och kvalitetskontroll i cirkulära flöden.

Förutsättningarna är relativt goda. Svensk miljöövervakning har långa tidsserier fördelade över flera myndigheter, medan Boverket och Lantmäteriet redan arbetar för mer aktuell, jämförbar och standardiserad samhällsbyggnads- och geodata. Utmaningen är därför mindre att skapa ännu fler isolerade AI-piloter och mer att göra data interoperabla, koppla systemen till myndigheternas operativa processer och finansiera oberoende utvärdering och långsiktig förvaltning.

Huvudrekommendationen är att Sverige inrättar ett flerårigt nationellt program för AI för miljö och samhällsbyggnad, med en gemensam miljödatainfrastruktur, sex till tio problemorienterade pilotmiljöer och villkorad uppskalning. Finansiering efter pilotfas bör bara ges när en lösning visar mätbar miljöadditionalitet, acceptabel total livscykelpåverkan, robusthet utanför träningsdata samt en tydlig ansvarskedja för fel och överklaganden.

AI bör inte behandlas som miljömässigt kostnadsfri. Datacenter använder el, vatten, mark, nätkapacitet och hårdvara; IEA rapporterade att datacenters elanvändning ökade med 17 procent under 2025, samtidigt som OECD och UNEP efterlyser mer livscykelbaserad mätning. Styrningen bör därför mäta nettonyttan: undvikna utsläpp och resursförluster minus systemets el-, vatten-, material- och reboundeffekter.

Metod och bedömningsram

Rapporten bygger i första hand på material från myndigheter, multilaterala organisationer, forskningsinstitutioner och sakkunniggranskade artiklar. Företagsuppgifter har inkluderats när de beskriver verkliga implementeringar, men anges som egenrapporterade eller modellerade när oberoende verifiering saknas. Informationsläget är bedömt per den 3 augusti 2026.

Fallstudierna täcker energi, transport, vatten, avfall, jordbruk, skogsbruk, biodiversitet, klimat- och vädermodellering samt miljöövervakning, och flera tekniska kategorier: övervakad maskininlärning, djupa neurala nät, fjärranalys, edge AI, optimeringsalgoritmer, digitala tvillingar, robotik och multimodala sensorsystem.

Fyra evidensnivåer

• A – starkt: sakkunniggranskad studie eller oberoende utvärdering med relevant jämförelse, validering eller kontrafaktiskt upplägg.
• B – operativt: officiellt redovisade resultat från faktisk drift, men utan fullständig oberoende effektutvärdering.
• C – egenrapporterat eller modellerat: leverantörsredovisade, preliminära eller modellberäknade effekter.
• D – ännu ej kvantifierat: teknisk funktion är demonstrerad, men miljöutfallet är inte kvantifierat.

En hög träffsäkerhet i en klassificeringsmodell är inte samma sak som miljönytta. Bedömningen skiljer därför mellan modellprestanda (precision, återkallelse, prognosfel), operativ effekt (kortare handläggning, tidigare upptäckt), miljöutfall (minskade utsläpp, minskad vattenförlust, bevarandestatus) och nettoeffekt, där AI-systemets energianvändning, hårdvara, datainsamling och reboundeffekter räknas in.

Internationella fallstudier i urval

Google DeepMind – kylning av datacenter (USA/globalt)

Förstärkningsinlärning och prediktiv optimering inom energi och byggnadsdrift, operativ i intern skala. Tusentals sensorer för temperatur, effekt, pumpar och kylsystem kräver kalibrering, stabil telemetri och hårda säkerhetsgränser. Google redovisade upp till 40 procent lägre energianvändning för kylning; systemet beräknar åtgärder ungefär var femte minut under säkerhetsrestriktioner. Evidens B/C: verklig drift men företagsrapporterad. Skalbarhet till Sverige: hög – relevant för datacenter, sjukhus, större fastigheter, VA-anläggningar och fjärrvärme, kombinerat med värmeåtervinning och rapportering av el- och vattenanvändning.

Maskininlärning för vindkraftsprognoser (USA och Frankrike)

Djupa neurala nät för produktion och marknadsvärde inom energi, i drift eller pilot i kommersiella miljöer hos bland andra Google, DeepMind och ENGIE. Modellerna bygger på historisk vindproduktion, väderprognoser, turbintillstånd och marknadsdata. Google uppgav att prognoser ett dygn i förväg ökade värdet av vindenergin med cirka 20 procent genom bättre åtaganden mot elmarknaden – främst ett ekonomiskt och systemoperativt utfall; direkt utsläppsminskning är inte isolerad. Evidens C. Modeller kan degraderas när väder, turbiner eller marknadsregler förändras, och prognoser måste uttrycka osäkerhet och jämföras med fysikbaserade modeller. Skalbarhet: mycket hög – störst nytta i samordning mellan SMHI, Svenska kraftnät, nätbolag och producenter.

GraphCast och GenCast – globala väderprognoser (Storbritannien/globalt)

Grafneurala nät och generativa ensemblemodeller för väder, klimatrelaterad risk och energiprognoser, i avancerad forskning och preoperativ användning. Träningen bygger på globala återanalysdata och numeriska väderfält, bland annat 0,25 graders upplösning. GraphCast producerar tiodygnsprognoser och GenCast genererar femtondygnsensembler på minuter; GenCast överträffade ECMWF:s ensemble på 97,2 procent av 1 320 utvärderade mål. Evidens A för modellprestanda, men miljönyttan beror på hur prognoserna används. Risk finns för systematiska fel vid extrema eller nya klimatförhållanden och för övertolkning av deterministiska resultat. Skalbarhet: hög som komplement – inte ersättning – till SMHI:s fysikbaserade modeller, särskilt för vind, skyfall, brandrisk, översvämning och beredskap.

Global Forest Watch GLAD – tropiska skogar globalt

Satellitbaserad förändringsdetektion och maskininlärning för skog och tillsyn, operativ i global skala genom World Resources Institute, University of Maryland, Google Earth Engine samt myndigheter och organisationer. Landsat- och Sentinelbilder med cirka 30 respektive 10 meters upplösning kräver frekventa molnfria observationer, lokal validering och tydliga definitioner av skog och störning. Systemet ger nära-realtidsvarningar om förändringar i trädtäcke, men varningarna visar störning – inte automatiskt illegal avverkning – och ska inte användas som direkt mått på årlig avskogningsareal. Evidens A/B för detektion; miljöeffekten varierar med myndighetsåtgärd. Falska positiva signaler kan orsakas av brand, storm, skogsbruk eller säsongsvariation, och fältverifiering krävs före sanktioner. Skalbarhet: mycket hög, men svenska modeller måste tränas för boreala skogar och svenska skogsbruksmetoder.

Global Fishing Watch – världshaven

Multimodal fjärranalys, neurala nät och spårningsanalys för fiske, marin biodiversitet och övervakning, operativ i global skala. Plattformen kombinerar AIS-positioner, satellitradar, optiska bilder, nattljus och fartygsregister; AIS-data är snedfördelad mot större och rapporterande fartyg, och så kallade mörka fartyg kräver kompletterande sensorer. Systemet har skapat en global karta över industriellt fiske och kan identifiera beteenden som motsvarar fiske, AIS-avstängning och fartyg som saknas i normala register. Evidens A/B; ekologisk effekt beror på tillsyn och förvaltning. Risker är felaktig fartygsattribution och ojämnt fördelad övervakningskapacitet. Skalbarhet: hög – relevant för Östersjön, Nordsjön, marina skyddsområden, bottentrålning och förlorade redskap, i samarbete mellan HaV, Kustbevakningen, Sjöfartsverket och grannländer.

Wildlife Insights – kamerafällor globalt

Datorseende för artidentifiering och bildfiltrering inom biodiversitet, en operativ plattform i skala driven av bland andra Conservation International, Smithsonian, WCS, WWF och Google. Modellerna tränades på tiotals miljoner bilder och uppges kunna sortera bort cirka 88 procent av tomma bilder med mindre än 2 procents fel, vilket kraftigt minskar manuellt arbete. Bevarandeeffekten är indirekt och beror på att data förändrar förvaltningen. Evidens B/C. Kameror kan fånga människor, så plattformen har kontroller för känsliga platser, och artlokaler kan behöva skyddas mot jakt och störning. Skalbarhet: hög för länsstyrelser, SLU, naturreservat och infrastrukturprojekt, förutsatt gemensamma svenska taxonomier, valideringsdataset och regler för personbilder.

Rainforest Connection och Arbimon – bioakustik i tropiska skogar

Edge-sensorer, molnbaserad ljudanalys och maskininlärning för biodiversitet och illegal avverkning, operativt i flera projekt men inte heltäckande. Kontinuerliga inspelningar från solcellsdrivna enheter jämförs med artbibliotek och akustiska signaturer för exempelvis motorsågar; kvaliteten påverkas av vind, regn, mikrofoner och brist på lokala referensbibliotek. Arbimon redovisar övervakning av tusentals arter, inklusive hundratals hotade, och studier visar att automatiserad bioakustik kan följa återhämtning i tropiska skogar. Evidens A/B. Risker omfattar inspelning av människor, känsliga artlokaler och höga kommunikationskostnader; lokal förankring och manuell kontroll av larm är avgörande. Skalbarhet: hög för riktade miljöer – Sverige har redan relevanta bioakustiska data, bland annat ett Göteborgsmaterial med 10 691 inspelningstimmar och över 239 000 fågelförekomster från 30 platser.

UNEP:s Methane Alert and Response System (globalt)

Satellitfjärranalys, AI-baserad signalfiltrering och atmosfärisk modellering för metanutsläpp och miljötillsyn, operativ i global skala genom UNEP:s International Methane Emissions Observatory. Observationer från mer än 30 satellitinstrument kombineras med vind- och atmosfärdata, anläggningsregister och återrapportering från operatörer, vilket kräver korrekt plymattribution och markbaserad verifiering. MARS är det första globala satellitbaserade systemet för att upptäcka och notifiera stora metanutsläpp; UNEP uppgav mer än 1,3 miljoner analyserade observationer sedan 2023 och dokumenterade fall där notifikationer följts av verifierad åtgärd. Evidens B. Falsk attribution kan få ekonomiska och rättsliga följder – en varning ska skiljas från ett juridiskt bevis. Skalbarhet: mycket hög för deponier, avloppsanläggningar, biogas, jordbruk och energiinfrastruktur, där Sverige kan kombinera MARS och Copernicus med drönare och markmätningar.

ALERTCalifornia – Kalifornien, USA

Datorseende på kameranät med edge- och moln-AI för skogsbrand och civil beredskap, operativt i delstatlig skala genom UC San Diego, CAL FIRE och räddningstjänster. Panoramakameror kombineras med topografi, väder, tidigare branddata och operatörsverifiering; prestandan påverkas av dimma, moln, solljus och vegetation. Under den första omfattande säsongen användes systemet för mer än 1 200 bränder och uppgavs i mer än 30 procent av fallen upptäcka brand före det första 911-samtalet, med rapporterade 10–30 minuters tidigare detektion. Exakt undviken brandareal är ospecificerad. Evidens B/C. Framgångsfaktorer är operatörer i larmkedjan, geografisk redundans och integration i ordinarie ledningscentraler. Skalbarhet: mycket hög – bör testas i brandutsatta delar av Götaland, Svealand och Norrlands kustland, integrerat med SMHI:s brandriskmodeller och kommunal räddningstjänst.

ZenRobotics – Finland och Spanien

Datorseende, maskininlärning och industrirobotik för avfall och cirkulär ekonomi, kommersiellt moget. Ett demonstratorprojekt nära Barcelona fick cirka 488 000 euro i EIT-finansiering och ungefär lika stor medfinansiering. Kameror och sensorer över transportband kräver märkta objektdata och kontinuerlig omträning eftersom avfall är heterogent och förpackningar förändras. Systemet uppges nå omkring 2 000 plock per timme och gripare och upp till 98 procents renhet i vissa fraktioner, men resultaten varierar kraftigt mellan materialströmmar. Evidens B/C. Arbetsmiljön kan förbättras när farlig manuell sortering minskar, medan leverantörslåsning och ägande av träningsdata är centrala upphandlingsfrågor. Skalbarhet: hög för bygg- och rivningsavfall, plast, textil och kommunala återvinningsanläggningar – med svenska testfraktioner och livscykelanalys.

PlantVillage Nuru – Afrika

Offline datorseende i mobiltelefon, det vill säga edge AI, för jordbruk och växtskydd, distribuerat som en fältnära offentlig nyttotjänst av Penn State, FAO, IITA, CIMMYT och lokala rådgivningsaktörer. Diagnoserna bygger på mobilbilder av växtblad och lokalt etiketterade sjukdomsfall; resultaten beror på bildkvalitet, antal blad, sjukdomsstadium och lokal förekomst. Fältstudier visar ungefär 74–88 procents diagnostisk träffsäkerhet när flera blad används, men nettominskning av pesticider, utsläpp eller markanvändning är ospecificerad. Evidens A för diagnostik, D för miljöutfall. Ojämn tillgång till telefoner och otydliga råd om bekämpningsmedel kan skapa skada. Skalbarhet: medelhög – svenska tillämpningar finns inom växtsjukdomar, invasiva arter och skogsskador, men råden måste uttryckligen främja integrerat växtskydd.

PUB:s intelligenta vattenoptimering – Singapore

AI, scenarioberäkning, prediktiv analys och digitala tvillingar för vattenförsörjning, avlopp och översvämning, operativt i skala inom vattenbolaget PUB tillsammans med GovTech. Sensorer, efterfrågeprognoser, väder, vattennivåer och driftsbegränsningar används; ett avrinningssystem hanterar över 350 000 datapunkter per dag och filtrerar avvikande mätvärden. Den dagliga produktionsplaneringen minskade från upp till två timmar till cirka 15 minuter, och genom att sänka önskad startnivå i servicemagasin med 5 procent minskade energiåtgången för behandling och pumpning utan påverkad leverans; planeringstiden minskade med 64 arbetsdagar per år. Exakt energi- och utsläppsminskning är ospecificerad. Evidens B. Kritisk infrastruktur kräver cybersäkerhet, redundans, manuella reservrutiner och tydliga gränser för autonom styrning. Skalbarhet: mycket hög för svenska VA-organisationer inom läckage, skyfall, tillskottsvatten och energi, via regionala testbäddar och gemensamma datamodeller.

Maritim digital tvilling – Singapore

Digital tvilling, simulering, realtidsdata och ruttoptimering för sjöfart, hamn och kustnära samhällsbyggnad, i tidig operativ skala hos Maritime and Port Authority of Singapore och GovTech. Fartygspositioner, hamnoperationer, farleder, väder och infrastruktur kräver gemensamma identifierare, låg latens och reglerad tillgång till säkerhetskänsliga data. Plattformen lanserades 2025 och ska stödja gemensam lägesbild, simulering och optimering, men offentligt verifierad minskning av bränsle, väntetid eller utsläpp är ännu ospecificerad. Evidens D för miljöutfall. Riskerna är cyberhot, kommersiellt känsliga data och att tvillingen blir en dyr visualisering utan beslutskraft. Skalbarhet: medelhög till hög för Göteborgs hamn, Mälaren, kustplanering och elektrifierad sjöfart – med start i avgränsade frågor som anlöpsoptimering och effektbehov.

Google Project Green Light – trafiksignaler i flera städer

Maskininlärning och optimering utifrån aggregerade mobilitetsmönster i urban transport, i drift i minst 18 städer 2025. Google redovisar en modellerad potential på upp till 30 procent färre stopp och 10 procent lägre utsläpp vid korsningar, men resultaten bygger delvis på modellberäkningar. Evidens C. Bilcentrerad optimering kan försämra framkomlighet och säkerhet för gående, cyklister och kollektivtrafik eller skapa inducerad trafik; målbilden måste vara multimodal. Skalbarhet: medelhög, och nyttan bör mätas mot bussprioritering, cykelåtgärder, trängselstyrning och förändrad markanvändning.

Genomgående i materialet finns ett återkommande evidensgap: många projekt redovisar hög teknisk träffsäkerhet, antal analyserade datapunkter eller sparad arbetstid, men färre mäter långsiktig förändring av utsläpp, ekosystemstatus eller resursanvändning. Där kvantifierad miljönytta saknas bör den inte antas enbart därför att tekniken är avancerad.

Tvärgående lärdomar och svensk överförbarhet

AI fungerar bäst när åtgärdskedjan är kort. Datacenterkylning och vattenoptimering påverkar fysiska system direkt och kontinuerligt. Brand- och metanvarningar har en något längre kedja men kan kopplas till identifierade operatörer, responstider och åtgärder. Biodiversitetsplattformar och digitala tvillingar riskerar däremot att stanna vid bättre kunskapsunderlag om de inte integreras i tillstånd, tillsyn, områdesskydd, underhåll eller investeringsbeslut.

Fjärranalys är den tydligaste svenska lågt hängande frukten. Sverige har stora geografiska ytor, omfattande skogs- och vattenmiljöer, tillgång till Copernicusdata, nationell geodata samt etablerad miljöövervakning. Kostnaden för att analysera ytterligare områden kan bli relativt låg när modeller och dataplattformar väl är etablerade.

Svensk miljödata är värdefull men organisatoriskt fragmenterad. Långa tidsserier, geodata och kommunala driftdata finns hos många aktörer, men metadata, aktualitet, licenser, identifierare och API:er varierar. En svensk AI-satsning bör därför finansiera datakvalitet och informationsförvaltning minst lika systematiskt som modellutveckling.

Digitala tvillingar ska vara beslutsprodukter, inte tredimensionella prestigeprojekt. En svensk kommun behöver sällan en fullständig realtidskopia av hela staden; en avgränsad tvilling för dagvatten, värmeöar, effektbehov eller bygglogistik kan ge större nytta till lägre kostnad.

Edge AI är särskilt intressant där data är känsliga eller uppkopplingen svag. Analys i kameran, sensorn eller telefonen kan minska bandbredd, latenstid och behovet att överföra råa person- eller naturdata. Svenska brandkameror, akustiska sensorer och vattenstationer bör därför bara sända larm, osäkerhetsmått och nödvändiga utdrag, medan rådata lagras selektivt.

Öppna modeller räcker inte utan öppna utvärderingsdata. Svenska program bör skapa referensdataset för exempelvis skogsskador, metanplymer, avfallsfraktioner, trafikscenarier och bioakustik, med geografiskt separerade testmängder och tydliga regler för känsliga uppgifter.

De samhälleliga målen måste vara fler än effektivitet. Trafikoptimering som minskar bilars stopp kan öka trafikvolymen. Skogsanalys som maximerar virkesproduktion kan stå i konflikt med biodiversitet, kolinlagring och rennäring. Digital styrning måste arbeta med flera mål och redovisa målkonflikter.

En samlad svensk prioritering

• Inför och skala tidigt: satellitbaserad miljöövervakning, metandetektion, brandvarning, energiprognoser, vatten- och pumpoptimering. Relativt mogna tekniker, tydliga operativa användare och mätbara utfall.
• Pilotera med strikt effektutvärdering: digitala tvillingar, AI-styrda trafiksignaler, robotiserad avfallssortering, bioakustik i stor skala. Hög potential men stor variation i kostnad och faktiska miljöeffekter.
• Begränsa till experiment och stödprocesser: generativ AI för miljöbeslut, helt autonom tillsyn, automatiserade tillståndsbeslut och heltäckande stadstvillingar. Svagare evidens, högre rättssäkerhetsrisk och risk för stora indirekta kostnader.

Policyrekommendationer

Kort sikt avser 2026–2027, medellång sikt 2028–2030 och lång sikt 2031 och framåt. Kostnadsnivåerna är analytiska storleksbedömningar, inte färdiga budgetkalkyler.

Nationellt missionsprogram för AI för miljö och samhällsbyggnad

Kort sikt, hög kostnad. Programmet ska utgå från samhällsproblem och finansiera data, verksamhetsförändring, modell, upphandling och utvärdering som en helhet. Huvudaktörer: regeringen, Klimat- och näringslivsdepartementet, Landsbygds- och infrastrukturdepartementet, Naturvårdsverket, Vinnova, Formas, Energimyndigheten och AI Sweden. Indikatorer: minst sex sektorsövergripande piloter senast 2027, 100 procent med förregistrerad baslinje, minst tre lösningar kvalificerade för uppskalning 2028 och redovisad nettonytta per investerad krona.

Federerat svenskt miljö- och samhällsbyggnadsdatarum

Kort till medellång sikt, hög kostnad. Inte en enda central databas, utan gemensamma standarder, kataloger, identifierare, API:er, åtkomstregler och kvalitetsdeklarationer. Huvudaktörer: DIGG, Lantmäteriet, Naturvårdsverket, Boverket, SMHI, SLU, Havs- och vattenmyndigheten, Trafikverket, SCB och kommuner. Indikatorer: andel prioriterade dataset med maskinläsbara metadata, dokumenterad aktualitet och osäkerhet, API-tillgänglighet, antal datadelande kommuner och minskad tid för dataförberedelse.

Nationellt system för AI-stödd natur- och skogsövervakning

Kort till medellång sikt, medel–hög kostnad. Kombinera Sentinel/Landsat, flygbilder, laserskanning, bioakustik, kamerafällor och fältinventering. Systemet ska komplettera, inte ersätta, statistiskt utformad miljöövervakning. Huvudaktörer: Naturvårdsverket, Skogsstyrelsen, SLU, länsstyrelser, Lantmäteriet, Rymdstyrelsen samt markägare och naturvårdsorganisationer. Indikatorer: areal och artgrupper med återkommande täckning, precision och återkallelse per naturtyp, tid från förändring till verifierat larm samt kostnad per verifierad observation.

Nationellt program för metan- och punktutsläppsövervakning

Kort sikt, medelkostnad. Integrera UNEP MARS, Copernicus, kommersiella satelliter, drönare och markmätning samt skapa en standardiserad larm- och återrapporteringsprocess. Huvudaktörer: Naturvårdsverket, Energimyndigheten, kommunala miljökontor, Avfall Sverige, Svenskt Vatten, Jordbruksverket och verksamhetsutövare. Indikatorer: antal detekterade och verifierade utsläpp, median responstid, andel larm med operatörssvar, ton metan undvikna, falsklarm och kostnad per reducerat ton koldioxidekvivalent.

AI-stött nationellt system för tidig skogsbranddetektion

Kort till medellång sikt, medel–hög kostnad. Kombinera kameror, satelliter, blixtdata, brandriskindex och lokala edge-modeller. Operatörer ska alltid verifiera larm före insats. Huvudaktörer: MSB, SMHI, kommunal räddningstjänst, länsstyrelser, Skogsstyrelsen, skogsägare, universitet och RISE. Indikatorer: medianminuter tidigare upptäckt, detektionsgrad, falsklarm per kameradygn, andel larm verifierade inom fem minuter samt brandareal jämfört med historisk baslinje.

Skala AI för energiprognoser och flexibilitet

Kort till medellång sikt, medel–hög kostnad. Gemensamma prognosgränssnitt bör utvecklas för vind, sol, last, värmebehov och nätbegränsningar. Huvudaktörer: Svenska kraftnät, Energimyndigheten, SMHI, nätbolag, fjärrvärmeföretag, fastighetsägare och kommuner. Indikatorer: prognosfel, minskad bortkopplad förnybar produktion i MWh, frigjord toppeffekt, minskad spetsproduktion, energibesparing och koldioxidekvivalenter samt antal flexibla byggnader.

Modulära digitala tvillingar för vatten, översvämning, värme och planering

Medellång sikt, hög kostnad. Staten bör finansiera återanvändbara komponenter i stället för att varje kommun upphandlar en proprietär helhetsplattform. Huvudaktörer: Boverket, Lantmäteriet, SMHI, MSB, Svenskt Vatten, kommuner, regioner och Trafikverket. Indikatorer: minskad vattenförlust, kWh per kubikmeter vatten, antal bräddningar, förbättrad prognostid för skyfall, antal planbeslut där scenarier dokumenterats och återanvändning av komponenter mellan kommuner.

AI-baserad trafikstyrning med multimodala och klimatpolitiska mål

Kort till medellång sikt, medelkostnad. Optimeringen ska prioritera kollektivtrafik, gång, cykel, trafiksäkerhet, luftkvalitet och utsläpp – inte enbart bilars restid. Huvudaktörer: Trafikverket, Transportstyrelsen, kommuner, regioner, VTI och kollektivtrafikmyndigheter. Indikatorer: koldioxid och kväveoxider, antal stopp, busspålitlighet, gång- och cykelväntetid, olyckor och konflikter, trafikvolym samt effekter per stadsdel och socioekonomisk grupp.

Funktionsupphandling för cirkulära materialflöden

Medellång sikt, hög kostnad. Upphandlingen ska ersätta verifierad materialåtervinning och kvalitet, inte antal robotar eller mängden AI-funktioner. Huvudaktörer: Naturvårdsverket, Upphandlingsmyndigheten, Avfall Sverige, kommuner, byggsektorn och producenter inom producentansvar. Indikatorer: sorteringsrenhet, materialutbyte, kontamination, ton jungfruligt material ersatt, livscykelutsläpp, energianvändning per ton och arbetsmiljöhändelser.

DIGG har redan en central roll i att stödja laglig och effektiv AI-användning i offentlig sektor och rekommenderar att offentliga organisationer integrerar en AI-policy i sitt ordinarie styrsystem. Den föreslagna miljö-AI-bedömningen bör byggas ovanpå dessa strukturer och samordnas med IMY, snarare än utvecklas som ett parallellt regelverk.

Handlingsplan och finansiering

Tidsplan 2026–2032

• 2026 H2: regeringsuppdrag och nationell programledning; inventering av data, modeller och pågående piloter; gemensamma regler för konsekvensbedömning och upphandling; baslinjer för energi, vatten, utsläpp och biodiversitet.
• 2027: miljödatarum i första version; sex till tio piloter i energi, vatten, natur, metan, brand och transport; referensdataset och oberoende utvärderare kontrakteras; kompetensprogram för myndigheter, kommuner och VA-organisationer.
• 2028: första effektutvärderingen och offentlig resultatrapport; avveckling eller omdesign av piloter utan verifierad nytta; uppskalning av minst tre lösningar till flera regioner; gemensamma ramavtal och öppna tekniska komponenter.
• 2029–2030: nationell drift för utvalda övervaknings- och varningssystem; regionala digitala tvillingar för vatten, skyfall och energisystem; integrering i tillsyn, miljöövervakning och fysisk planering; resultatbaserad finansiering och långsiktiga förvaltningsbudgetar.
• 2031–2032: full livscykelutvärdering och internationell jämförelse; revidering av data- och etiska ramverk; fortsatt skalning endast där nettonyttan är positiv; planerad avveckling av föråldrade modeller och plattformar.

Pilotfasen bör börja med problem där både baslinje och beslutskedja är tydliga. Ett brandprojekt ska på förhand definiera hur tidigare upptäckt mäts, vem som verifierar larmet och hur man uppskattar undviken skada. Ett vattenprojekt ska ha historiska data för läckage, energi, bräddningar och driftstörningar. Ett biodiversitetsprojekt ska definiera vilken förvaltningsåtgärd som kan följa av en AI-observation.

Varje pilot bör använda en stegvis process: problem och mandat → datagranskning → rättslig och etisk bedömning → begränsad skuggdrift → operativ pilot med mänsklig kontroll → oberoende effektutvärdering → beslut om uppskalning, omdesign eller avveckling. Under skuggdrift producerar systemet rekommendationer eller larm utan att styra verksamheten.

Finansiering

• Staten finansierar gemensam datainfrastruktur, standarder, referensdataset, säkerhetsgranskning och oberoende utvärdering.
• Operativa huvudmän medfinansierar piloter för att säkerställa verksamhetsägande och tar över förvaltningskostnaden efter verifierad nytta.
• Resultatbaserade kontrakt används där utfallet kan mätas robust, exempelvis minskat läckage eller energibehov. Ersättning bör inte baseras på leverantörens egen modellberäkning.
• EU-medel används för forskning, demonstration och gränsöverskridande lösningar. Horizon Europe har en indikativ budget på 93,5 miljarder euro för 2021–2027; LIFE är EU:s särskilda finansieringsinstrument för miljö och klimat.

Eftersom den nuvarande programperioden för flera EU-program närmar sig sitt slut bör svenska aktörer både söka kvarvarande utlysningar 2026–2027 och påverka utformningen av nästa fleråriga EU-budget. EU-finansiering bör inte användas för att skjuta upp beslut om nationell driftfinansiering.

Utvärderingen ska förregistrera indikatorer och helst använda kontrollområden, stegvis utrullning eller före–efter-jämförelser med korrigering för väder, konjunktur och andra samtidiga åtgärder. Resultaten ska rapporteras både som absoluta värden och relativ förändring. En minskning med tio procent är otillräcklig information utan baslinje, osäkerhetsintervall och redovisning av om aktiviteten samtidigt ökade.

Risker, styrning och etiska ramverk

EU:s AI-förordning bygger på en riskbaserad modell och syftar till säkra och tillförlitliga system med skydd för grundläggande rättigheter. Alla miljö-AI-system är inte automatiskt högrisksystem, men användning inom kritisk infrastruktur eller för beslut som påverkar människors rättigheter kan medföra strängare krav. Klassificeringen måste därför göras för det konkreta användningsfallet, inte för tekniken i allmänhet.

Kameror, mikrofoner och sensorer i naturen medför integritetsrisker för människor, liksom risker för att känsliga uppgifter om hotade arters boplatser sprids. Öppenhet ska vara huvudregel, men med undantag där öppenhet i sig skadar det som ska skyddas.

EU:s Data Governance Act och Data Act förbättrar förutsättningarna för datadelning och gemensamma dataprodukter. De löser dock inte automatiskt frågorna om semantik, datakvalitet, offentlighetsprincip, sekretess eller ansvar för felaktiga AI-slutsatser. Dessa frågor behöver operationaliseras i svenska sektorsvisa datakontrakt.

En svensk miljö-AI-konsekvensbedömning

• Syfte och additionalitet: vilket miljöproblem löses, vilken åtgärd följer och varför räcker inte en enklare metod?
• Data: vem äger data, hur samlades de in, vilka grupper och miljöer saknas och hur länge får de lagras?
• Modell: vilken baslinje jämförs modellen med, vilka fel är vanligast och hur uttrycks osäkerhet?
• Miljöfotavtryck: hur mycket el, vatten, nätkapacitet och hårdvara krävs för träning, drift och sensorer?
• Mänsklig kontroll: vem får ändra eller avvisa resultatet, vem ansvarar vid fel och hur sker överklagande?
• Säkerhet: hur upptäcks manipulation, datadrift, intrång och felaktiga uppdateringar?
• Fördelningseffekter: vilka områden, verksamheter eller grupper får nytta respektive kostnad?
• Avveckling: hur exporteras data, hur stängs systemet säkert och hur bevaras myndighetens kompetens?

Slutsats

Den viktigaste slutsatsen är att Sverige bör prioritera specialiserad, relativt smal AI framför generella och resursintensiva AI-plattformar. De internationella fallen med tydligast nytta använder inte primärt stora språkmodeller. De använder satellitbilder, tidsserier, sensorfusion, optimering och domänspecifika modeller som är integrerade med en definierad fysisk verksamhet.

Fjärranalys och multimodal miljöövervakning har högst samlad potential. Tekniken är skalbar över stora områden, bygger vidare på svenska och europeiska dataresurser och kan stärka både löpande miljöövervakning och snabb tillsyn. AI bör här användas för att prioritera var människor ska undersöka, inte för att automatiskt fastställa rättsligt ansvar.

Energi- och vattenoptimering ger sannolikt den snabbaste mätbara resursnyttan. Sverige har omfattande fjärrvärme, elektrifiering, vindkraft, pump- och reningssystem samt ett växande behov av flexibilitet. Tekniskt konservativa modeller med säkerhetsbegränsningar kan ge större nettonytta än mer spektakulära generativa system.

Digitala tvillingar är strategiskt viktiga för klimatanpassning och samhällsbyggnad, men bör utvecklas modulärt. Högst prioritet bör ges till vatten, skyfall, översvämning, värme, energi och transportnoder där scenarier faktiskt kan förändra investeringar eller drift.

Edge AI för brand och biodiversitet är lovande där tid, uppkoppling och integritet är kritiska. Svenska pilotprojekt bör behålla människor i larmkedjan och undvika permanenta kamera- och ljudnät utan tydligt ändamål, lagringstid och oberoende tillsyn.

Robotiserad sortering är kommersiellt mogen, men bör bara få offentlig finansiering när materialåtervinningens kvalitet och livscykelnytta kan verifieras. Generativ AI är mest rimlig som ett begränsat stödlager för dokumentation, sökning och kommunikation – inte för miljöövervakning, kritisk styrning, tillståndsgivning eller rättslig tillsyn.

Den övergripande svenska framgångsfaktorn blir inte tillgången till en enskild algoritm. Den blir förmågan att kombinera högkvalitativa data, offentlig domänkunskap, tydliga mål, långsiktig förvaltning, rättssäkerhet och oberoende effektmätning.

Källområden

• Svensk miljöövervakning: Naturvårdsverket om miljöövervakning, fjärranalys och framtida forskningsbehov.
• Svensk AI-styrning: DIGG:s stöd för offentlig AI, AI-policyer och vägledning tillsammans med IMY.
• Samhällsbyggnads- och geodata: Boverket om digital samhällsbyggnadsprocess samt Lantmäteriet om geodatastandarder och Geotorget.
• EU-reglering: EU:s AI Act, Data Governance Act och Data Act samt aktuell information om genomförandet.
• AI:s eget miljöfotavtryck: IEA om datacenters elanvändning, OECD om mätning av AI:s miljöpåverkan och UNEP:s livscykelperspektiv.
• Energi och väder: DeepMind om datacenterkylning, vindprognoser, GraphCast och GenCast.
• Skog och hav: Global Forest Watch och Global Fishing Watch samt relaterade vetenskapliga studier.
• Biodiversitet: Wildlife Insights, Rainforest Connection, Arbimon och vetenskaplig forskning om bioakustik.
• Metan och brand: UNEP:s Methane Alert and Response System samt ALERTCalifornia och CAL FIRE.