Kärnproblemet med AI-infrastruktur: Risken med strandade tillgångar – de som förlitar sig på föråldrade strukturer idag kommer att få betala priset imorgon

Energislukande AI: Det geniala (och ignorerade) alternativet till gigantiska kärnkraftsdatacenter

Bristen på transparens som ett centralt politiskt problem för AI-infrastruktur

Energibehovet för artificiell intelligens växer exponentiellt – och med dem, politisk panik. För att möta de gigantiska elbehoven från planerade AI-datacenter har en förmodat ny lösning plötsligt hamnat i fokus i Europa och USA: små modulära kärnreaktorer (SMR). Men medan politiker och branschlobbyister hyllar denna kärnkraftsräddare som det enda alternativet, tornar en exempellös ekonomisk felkalkylering upp sig i bakgrunden.

Explosivt stigande byggkostnader, årtionden långa implementeringstider och den enorma risken för så kallade "stranded assets" förvandlar drömmen om en kärnkraftsdriven AI-gigafabrik till en högrisksatsning. Det som är särskilt explosivt är det som systematiskt utelämnas från debatten: en decentraliserad AI-infrastruktur. Den här artikeln undersöker de dolda kostnadssanningarna i SMR-debatten och visar varför vi riskerar att upprepa de dyra strukturella felen från det förflutna med morgondagens teknik.

Den verkliga provokationen i denna debatt är därför inte den tekniska frågan om vilken infrastruktur som är bättre. Den verkliga provokationen är den politiska: Varför är diskussionen om framtidssäker AI-infrastruktur nästan uteslutande inriktad på en teknik vars realiseringshorisont ligger bortom AI-färdplanernas planeringshorisont, vars kostnadshistorik kännetecknas av överskridanden på flera hundra procent, och vars subventionering i stort sett är dold?

Relaterat till detta:

• AI-gigafabriker: De dolda kostnaderna – Hur expansionen av hyperskalare i USA och Kina belastar resurser

Bristen på transparens som ett centralt politiskt problem för AI-infrastruktur: Energifrågan som en strategisk avledningstaktik

I debatterna kring byggandet av europeiska AI-gigafabriker dominerar en fråga den offentliga diskussionen: Varifrån ska all elektricitet komma? Svaret som alltmer cirkulerar i politiska kretsar och branschforum är: små modulära kärnreaktorer, så kallade små modulära reaktorer (SMR). Detta svar låter tekniskt avancerat, är politiskt gångbart och har fördelen att det vinner över befintliga intressegrupper – kärnkraftsindustrin, statligt ägda energileverantörer och kärnforskningsinstitut. Det som dock nästan helt saknas i denna diskussion är en ärlig ekonomisk bedömning: Är centraliserade AI-gigafabriker, drivna av SMR-reaktorer, faktiskt det ekonomiskt mest förnuftiga svaret på den ökande efterfrågan på datorkraft? Eller distraherar denna fråga från ett mycket mer grundläggande strukturellt alternativ – decentraliserad AI-infrastruktur?

Internationella energiorganet (IEA) förutspår att den globala elförbrukningen från datacenter kommer att mer än fördubblas fram till 2030 och nå nästan 1 000 terawattimmar årligen. Än idag förbrukar ett enda stort AI-datacenter lika mycket el som en stad med 50 000 invånare, och de riktigt stora anläggningarna är nu i drift i gigawatt-intervallet. Enbart för USA förutspår IEA ett ytterligare kapacitetsbehov på 60 gigawatt fram till 2029 för datacenter och AI-applikationer – motsvarande effekten från cirka 60 kärnkraftverk. Dessa siffror är imponerande, men de leder till ett felaktigt resonemang: de projicerar tanklöst dagens arkitektur av centraliserade datacenter in i framtiden, istället för att på allvar överväga alternativa infrastrukturmodeller.

Sanningen om den dolda kostnaden bakom SMR-löftet

Diskussionen kring små modulära reaktorer (SMR) kännetecknas av en anmärkningsvärd grad av optimism, som vid närmare granskning har liten empirisk grund. Förespråkare för SMR lovar kortare byggtider, lägre kostnader genom massproduktion och snabbare skalbarhet jämfört med konventionella storskaliga reaktorer. Verkligheten målar dock upp en betydligt mer allvarlig bild.

Den globala marknaden för kärnkraftverk har stagnerat i flera år. År 2024 togs endast sex nya kärnkraftverk i drift världen över, medan fyra avvecklades – en nettoökning med två anläggningar. Orsakerna är strukturella: extrema investeringskostnader, byggtider på 10 till 15 år och finansieringsrisker som praktiskt taget bara kan bäras av statligt ägda företag. Det främsta exemplet på denna kostnadsexplosion är Flamanville 3 i Frankrike: kraftverket, som ursprungligen uppskattades till 3,2 till 3,3 miljarder euro år 2006 och planerades för en byggperiod på fem år, kostade slutligen 23,7 miljarder euro efter 17 års byggnation.

Även USA:s flaggskeppsprojekt, kärnkraftverket Vogtle i Georgia, budgeterades ursprungligen till 14 till 15,5 miljarder dollar och kostade slutligen 34 miljarder dollar – mer än dubbelt så mycket som den ursprungliga uppskattningen. Westinghouse, ett av världens ledande kärnteknikföretag, ansökte om konkurs kort därefter. Kostnaderna för det brittiska Hinkley Point C-verket sköt i höjden till 32,7 miljarder pund (cirka 41,3 miljarder dollar) – trots projektets ursprungliga budget på 2 miljarder pund. Tumregeln som nu används av erfarna branschobservatörer är: multiplicera kärnkraftsindustrins ursprungliga kostnadsuppskattning med tio för att komma fram till en realistisk siffra.

För SMR-anläggningar, som hittills inte har ett enda kommersiellt distribuerat modulärt system i västvärlden, är kostnadsläget ännu mer osäkert. En analys av Heinrich Böll-stiftelsen från början av 2024 (obs: året korrigerades logiskt till 2024 istället för det framtida 2026) drar slutsatsen att de flesta SMR-koncept fortfarande är i tidiga utvecklingsstadier, saknar myndighetsgodkännande i EU och sannolikt inte kommer att generera betydande mängder el före 2050. Institutet för energiekonomi och finansiell analys (IEEFA) bekräftar denna kritiska bedömning: SMR är fortfarande för dyra, för långsamma att bygga och för riskabla för att spela en betydande roll i energiomställningen under de kommande 10 till 15 åren. Enligt IEEE skulle investeringar i SMR avleda resurser från koldioxidfria och mer kostnadseffektiva förnybara energikällor som redan finns tillgängliga idag.

En ofta förbisedd aspekt av denna debatt är de dolda subventionerna. Enligt beräkningar från Forum för ekologisk och social marknadsekonomi, beställda av Greenpeace, uppgick det historiska stödet för kärnkraft i Tyskland till minst 165 miljarder euro i statliga subventioner mellan 1950 och 2008 – plus ytterligare 92,5 miljarder euro i överskådliga framtida kostnader. Den tyska regeringen rapporterade dock endast mindre än 200 miljoner euro i sina subventionsrapporter – en skillnad på flera storleksordningar, som kan hänföras till en extremt snäv definition av subventioner. Denna beräkning tar inte hänsyn till skattelättnader, statliga garantier, forskningsfinansiering, kostnaderna för kärnavfallsförvar och – viktigast av allt – det de facto obegränsade statliga ansvaret vid en katastrof. Om kärnkraftverksoperatörer skulle vara skyldiga att betala för standard marknadsansvarsförsäkring, skulle kärnkraften, enligt dessa beräkningar, vara upp till 2,70 euro dyrare per kilowattimme – och därmed helt enkelt okonkurrenskraftig.

Transparensunderskottet: När lobbyintressen dikterar infrastrukturbeslut

Frågan om varför diskussionen om energiförsörjningen för AI-gigafabriker nästan uteslutande fokuserar på kärnkraft – och inte samtidigt på decentraliserade alternativ – är inte en teknisk, utan en politisk. Den pekar på en strukturell brist på transparens i den offentliga infrastrukturdebatten.

Europeiska unionen har förklarat skapandet av AI-gigafabriker som en strategisk prioritet och lanserat en InvestAI-anläggning värd 20 miljarder euro för att bygga upp till fem sådana anläggningar. En AI-gigafabrik, enligt EU:s definition, består av 100 000 eller fler specialiserade chips, och varje anläggning, inklusive energiförsörjning, uppskattas av EU kosta mellan 3 och 5 miljarder euro. Tyskland har öronmärkt 805 miljoner euro i såddfinansiering för en sådan anläggning och diskuterar aktivt vilka företag som kommer att tilldelas kontraktet – Deutsche Telekom, Schwarz Group, Ionos eller ett bayerskt konsortium. Denna finansieringsstruktur skapar i sig enorma perversa incitament: den gynnar centraliserade storskaliga projekt eftersom endast dessa uppfyller tröskelvärdena för EU:s definition av en "gigafabrik". Mindre, decentraliserade metoder faller mellan stolarna i detta finansieringssystem, även om de ofta skulle kunna vara mer attraktiva ur ett ekonomiskt perspektiv.

Bristen på transparens är också tydlig i den selektiva presentationen av kostnadsdata. När politiker och branschrepresentanter talar om SMR (Sustainable Reactors - SMR) citerar de optimistiska tillverkaruppskattningar. När kritiker pekar på tidigare kostnadsöverskridanden avfärdas dessa som isolerade incidenter eller problem som är inneboende i den föregående tekniken. Ändå finns det inte ett enda tillförlitligt empiriskt bevis för att SMR kommer att vara mer ekonomiska i kommersiell skala än de storskaliga reaktorprojekt som fungerar som negativa exempel – inte minst för att inte ett enda kommersiellt relevant SMR-projekt ännu har driftsatts enligt västerländska standarder.

Relaterat till detta:

• Stanfordforskning: Är lokal AI plötsligt ekonomiskt överlägsen? Slutet för molndogm och gigabitdatacenter?

Det förbisedda alternativet: Varför decentraliserad AI-infrastruktur kan vara den ekonomiskt överlägsna lösningen

Frågan som förvånansvärt sällan ställs i hela debatten om AI-gigafabriker och deras energiförsörjning är: Varför behöver vi gigafabriker överhuvudtaget? Och om vi behöver dem – varför måste de nödvändigtvis centraliseras?

Lokal och decentraliserad AI-infrastruktur genomgår för närvarande en tyst men grundläggande ekonomisk omvärdering. Forskning från Fraunhofer-instituten visar att edge-baserade system kan spara upp till 35 procent på elkostnader jämfört med konventionell molnbehandling eftersom de kräver mindre bandbredd och kylkapacitet. En fabrik med 1 000 IoT-sensorer som skickar mätningar varje sekund skulle överföra 86 miljoner datapunkter till molnet dagligen utan edge computing; med lokal datafiltrering (edgefiltrering) reduceras denna siffra till cirka 8 miljoner – en besparing på 90 procent i bandbredd och molnlagringskostnader. Dessa siffror är ekonomiskt signifikanta men tas sällan upp i offentliga infrastrukturdiskussioner.

Decentraliserade edge-datacenter erbjuder även lokal värmeåtervinning, som kan användas för att värma upp bostadsområden, kontorsbyggnader eller industrianläggningar. Denna synergi förbättrar den totala kostnadsbalansen avsevärt när spillvärme betraktas som en ekonomiskt hållbar biprodukt. Centraliserade gigafabriker producerar samma spillvärme, men på en plats där det inte finns tillräcklig efterfrågan på dess användning.

Det är anmärkningsvärt att den tyska federala regeringens koalitionsavtal uttryckligen syftar till att stödja decentraliserade infrastrukturer som edge computing på distribuerade platser. Samtidigt införs dock minst en europeisk AI-gigafabrik i Tyskland – ett tillvägagångssätt som strukturellt motsäger den decentraliserade principen. Denna inkonsekvens återspeglar hur drastiskt politisk prestige och ekonomisk rationalitet kan skilja sig åt när det gäller infrastrukturbeslut.

Modellen med en AI-infrastruktur bestående av ett fåtal enorma, centraliserade anläggningar replikerar det föråldrade paradigmet med centraliserad energiförsörjning genom stora kraftverk – och detta i en tid då energibranschen själv precis har börjat internalisera fördelarna med decentraliserade produktionsstrukturer. Det vore ett historiskt misstag att upprepa energibranschens institutionella misstag inom digitaliseringsinfrastrukturen.

Relaterat till detta:

• Vilket är bättre: Decentraliserad, federerad, antifragil AI-infrastruktur eller AI Gigafactory eller hyperskaligt AI-datacenter?

Jevons paradox och effektivitetens vilseledande logik

Ett vanligt motargument mot relevansen av SMR-decentraliseringsdilemmat är att AI-hårdvara blir allt effektivare, och att energiförbrukningen därför kommer att stabiliseras. Detta argument är inte helt fel – men det är inte heller helt rätt, och det ignorerar den så kallade Jevons-paradoxen.

Microsofts VD Satya Nadella uppgav i Berlin år 2024 att prestandan hos AI-system fördubblas var sjätte månad. Aktuell data tyder på att AI-systemens kapacitet till och med fördubblas var sjunde månad – betydligt snabbare än den klassiska Moores lag, som förutspår en fördubbling vartannat år. Den kinesiska AI-startupen DeepSeek visade imponerande i slutet av 2024 och början av 2025 att jämförbara resultat kan uppnås med en bråkdel av de resurser som tidigare krävdes: DeepSeek V3 tränades på två månader med endast 2 048 NVIDIA H800 GPU:er, en bedrift som Meta krävde 30,8 miljoner GPU-timmar för en jämförbar modell.

Argumentet att tekniska effektivitetsvinster kan minska den totala energiefterfrågan är dock otillräckligt av en strukturell anledning. I takt med att AI-system blir billigare och effektivare kommer de också att användas mer intensivt – och efterfrågan växer snabbare än effektivitetsvinsterna. IEA bekräftar att medan AI-relaterad energiförbrukning ökar långsammare än kapacitetsutbyggnaden, kommer elförbrukningen från datacenter att mer än fördubblas till 945 TWh globalt år 2030. Enbart i Tyskland ökade energiefterfrågan från datacenter till 21,3 miljarder kilowattimmar år 2025, upp från 20 miljarder kWh år 2024 och 12 miljarder kWh år 2015. Effektivitetsvinster och efterfrågetillväxt är i ständig konkurrens, där efterfrågan historiskt sett alltid har varit den dominerande faktorn.

Dessutom finns det en viktig nyans i DeepSeek-exemplet: trots effektiv träning förbrukar modellen upp till 87 procent mer energi under drift (inferens) än en jämförbar metamodell med 70 miljarder parametrar. Komplexiteten hos arkitekturerna som möjliggör effektivare träning kan öka energiförbrukningen under drift. Effektivitet i ett område av systemet leder därför inte nödvändigtvis till effektivitet i hela systemet – en insikt som planerare av centraliserad infrastruktur ofta förbiser när de planerar kapacitet.

Vår globala bransch- och ekonomiexpertis inom affärsutveckling, försäljning och marknadsföring - Bild: Xpert.Digital

Branschfokusområden: B2B, digitalisering (från AI till XR), maskinteknik, logistik, förnybar energi och industri

Mer information här:

• Expertföretagsnav

Ett tematiskt nav som erbjuder insikter och expertis:

• Kunskapsplattform som täcker globala och regionala ekonomier, innovation och branschspecifika trender
• En samling analyser, insikter och bakgrundsinformation från våra viktigaste fokusområden
• En plats för expertis och information om aktuell utveckling inom näringsliv och teknologi
• En knutpunkt för företag som söker information om marknader, digitalisering och branschinnovationer

Batterilagring som banbrytande? Natriumjonrevolutionen och dess konsekvenser

Ett av de mest övertygande argumenten för att omvärdera den centraliserade SMR-strategin ligger i den snabba utvecklingen av energilagringstekniker – särskilt natriumjonteknik, allmänt känd som saltbatterier. Denna utveckling är inte spekulativ utan empiriskt verifierbar och har direkta konsekvenser för den ekonomiska lönsamheten hos decentraliserade AI-infrastrukturer.

Natriumjonbatterier närmar sig redan kostnadsparitet med litiumjontekniken. Enligt data från IDTechEx ligger genomsnittspriset för en natriumjoncell för närvarande runt 87 dollar per kWh. Produktionskostnaderna på cellnivå förväntas falla till cirka 40 dollar per kWh – ett troligt scenario med ytterligare uppskalning. För stationär lagring är pristrenderna ännu mer imponerande: BloombergNEF registrerade ett prisfall för stationära lagringspaket till 70 dollar per kWh år 2025 – en minskning med 45 procent jämfört med föregående år, vilket gör det till det brantaste prisfallet i något batterisegment.

Långsiktiga prognoser är särskilt intressanta för strategisk infrastrukturplanering. År 2050 skulle natriumjonbatterier kunna uppnå energilagringskostnader på 11 till 14 euro per megawattimme, förutsatt snabba inlärningshastigheter – vilket gör dem billigare än litiumjonteknik, som förväntas kosta mellan 16 och 22 euro per MWh. Dessa siffror förändrar i grunden hela den ekonomiska lönsamhetsberäkningen för decentraliserade, soldrivna datacenter. Ett decentraliserat datacenter som lagrar förnybar solenergi under dagen och använder den på natten eller under perioder med låg vind- och solproduktion kan drivas ekonomiskt med dessa lagringskostnader på ett sätt som inte ens var det minsta realistiskt för fem år sedan.

Natriumjonbatterier erbjuder också strukturella fördelar som är avgörande för en brett skalbar infrastruktur: Natrium finns tillgängligt i obegränsade mängder och är en inhemsk råvara i Europa, vilket eliminerar strategiska importberoenden. Återvinning är betydligt enklare än med litiumbatterier, eftersom cellerna inte innehåller koppar eller kobolt. Urladdningsdjupet är upp till 100 procent utan att batteriet skadas. Dessutom finns den tekniska infrastrukturen för natriumjonbatterier redan på plats i Tyskland, särskilt i Thüringen och Sachsen.

Det är viktigt att vara ärlig om begränsningarna: Natriumjonbatterier har en lägre energitäthet än litiumjonbatterier, vilket ökar deras vikt och volym. Deras genomsnittliga effektivitet, på cirka 79 procent, är betydligt lägre än litiumjonbatteriers på 96 procent. För stationära storskaliga lagringstillämpningar där vikt och volym inte är primära begränsningar är den lägre energitätheten dock inte en avgörande nackdel. När det gäller nätlagring för distribuerade datacenter är effektivitetsfördelen med litiumjonbatterier mindre relevant än den övergripande kostnads-nyttoanalysen över deras livscykel.

Vid sidan av natriumjontekniken upplever även fastkroppsbatterier exponentiell tillväxt. Den globala marknaden för fastkroppsbatterier växer med en genomsnittlig årlig takt på upp till 36,4 procent. Optimistiska scenarier förutspår kostnader på 80 till 120 dollar per kWh för fastkroppsceller år 2027 – och ytterligare betydande kostnadsminskningar genom skalning förväntas under det kommande decenniet.

Relaterat till detta:

• Redispatch 2.0 och storskalig batterilagring: Förbannelse eller Segen för elnätet? Den ambivalenta rollen för gigantiska batterilagringssystem

Risken med strandade tillgångar: När framtiden kommer tidigare än planerat

Det kanske mest övertygande ekonomiska argumentet mot ett oreflekterat beslut att bygga SMR-drivna AI-gigafabriker är risken för så kallade strandade tillgångar. Denna term hänvisar till investeringar som förlorar så mycket värde på grund av externa faktorer som tekniska förändringar, förändrade marknadsförhållanden eller regulatoriska krav att de inte längre kan generera avkastning.

Teknikhistorien är full av exempel på infrastrukturbeslut som ansågs kloka vid planeringstillfället men som visade sig vara kostsamma felallokeringar bara några år efter driftsättning. Inom energisektorn har ett flertal kolkraftverk som byggdes eller utökades under 2010-talet redan förlorat betydande värde eller stängts av i förtid – trots beräknade återstående driftstider på 30 till 40 år. Internationella byrån för förnybar energi (IRENA) uppskattar att risken för strandade tillgångar kan uppgå till 20 biljoner dollar i ett business-as-usual-scenario.

Denna risk är särskilt uttalad för AI-infrastruktur eftersom den tekniska utvecklingen är exceptionellt snabb. En liten magnetisk resonansreaktor (SMR) som tas i drift idag har en realistisk utsikt att tas i drift tidigast 2035 till 2040 – även under optimistiska antaganden om tillstånd, byggtid och leveranskedjor. Enligt aktuella rön fördubblas prestandan hos AI-system var sjätte till sjunde månad. Inom de 10 till 15 år det tar att bygga en SMR kommer AI-systemens kapacitet att ha förbättrats med en faktor 20 000 till 300 000 – en magnitud där tillförlitliga prognoser för specifika infrastrukturbehov helt enkelt inte längre är möjliga.

Problemet är inte bara hårdvaruosäkerhet. Hela arkitekturen för AI-system genomgår en transformation. Som DeepSeek imponerande visade kan smarta algoritmoptimeringar minska hårdvarukraven tiofaldigt – utan någon kvalitetsförlust. Nya chiparkitekturer som går utöver von Neumann-arkitekturen och övervinner den så kallade "minnesväggen" är under utveckling. Fotonbaserade datorer, neuromorfiska chip och kvantdatorer – alla dessa tekniker har, när de når kommersiell mognad, potential att dramatiskt minska energiförbrukningen per beräkning. Framtiden för dessa tekniker kommer att avgöras exakt under de 10 till 15 år det tar för en SMR att bli tillgänglig online.

Den som investerar i SMR-drivna AI-gigafabriker idag förbinder sig till en enda energikälla i 40 till 60 år – den typiska livslängden för ett kärnkraftverk. Och de gör det i hopp om att AI-industrin kommer att upprätthålla en konstant efterfrågan på just den typ av centraliserad, energiintensiv infrastruktur som dessa reaktorer är avsedda att driva under denna period. Ur dagens perspektiv är detta en satsning som framstår som extremt riskabel.

Kunskapsflaskhalsen: Kärnkraftens underskattade strukturella problem

Ett annat viktigt argument mot SMR-strategin, som får för lite uppmärksamhet i den offentliga debatten, är den akuta bristen på kvalificerad arbetskraft inom kärnkraftsindustrin. Under de senaste tre decennierna, som präglats av moratorier, utfasningsbeslut och brist på nya byggprojekt, har kärnkraftsindustrin lidit betydande institutionella kunskapsförluster.

Kärnkraftverksmarknaden är idag beroende av ett mycket litet antal företag – mestadels statligt ägda – som ens kan bygga och exportera kärnkraftverk. Det globala nätverket av leverantörer, ingenjörer och certifierade specialister för genomförande av kärnkraftsprojekt är minimalt. Det innebär att även med ett gynnsamt politiskt beslut till förmån för SMR är flaskhalsen inte licenser eller kapital, utan tillgänglig expertis. Om USA, Kanada, Storbritannien, Frankrike och olika EU-länder alla vill lansera SMR-program samtidigt, kommer de alla att konkurrera om samma begränsade pool av kärnkraftsingenjörer.

Detta står i skarp kontrast till situationen inom sektorn för förnybar energi och lagringsteknik. Den globala solindustrin har genomgått en exponentiell uppskalning under det senaste decenniet, antalet skickliga yrkesverksamma inom sektorn för förnybar energi växer stadigt och leveranskedjorna för solmoduler, växelriktare och lagringstekniker är välutvecklade och internationellt diversifierade. Decentraliserad AI-infrastruktur kan utnyttja denna befintliga bas av kunskap, leveranskedjor och regelverkserfarenhet. SMR-industrin, å andra sidan, behöver fortfarande bygga en sådan grund – under enorm tids- och kostnadspress.

Nationalräkenskaperna: En direkt jämförelse

En systematisk jämförelse av de olika faktorerna ger följande ekonomiska situation:

Jämförelsen visar att en SMR-baserad AI-gigafabrik inte skulle leverera el förrän tidigast 2035–2040 (optimistiskt), medan en decentraliserad AI-infrastruktur med solenergi och lagring skulle vara tillgänglig omedelbart år 2027. När det gäller kapitalintensitet kräver SMR-alternativet mycket höga initiala investeringar på cirka 3–5 miljarder euro per gigafabrik plus SMR, medan den decentraliserade lösningen möjliggör modulär skalning och betydligt lägre individuella investeringsbelopp. Kostnadsrisken är extremt hög för SMR (historiska överskridanden på 100–600 %), medan den för solenergi + lagring är låg, eftersom teknikkostnaderna kontinuerligt minskar. Risken för teknikstrandning är mycket hög för SMR på grund av ett 40–60-årigt åtagande, medan den decentraliserade infrastrukturen har en låg strandningsrisk eftersom den är modulärt utbyggbar och anpassningsbar. Kunskap är en flaskhals för SMR med få globala leverantörer, medan den decentraliserade lösningen har en bred och växande pool av skickliga yrkesverksamma. Dolda subventioner (ansvar, avfallshantering, forskning) är höga för SMR och låga för solenergi + lagring. Kostnader för energilagring är inte relevanta för SMR, eftersom det är avsett för baskraft; för decentraliserade system beräknas kostnaderna nå cirka 70 USD/kWh (stationärt tillstånd, nedåtgående trend) år 2025 och 11–14 EUR/MWh år 2050. Vattenförbrukningen är hög för SMR på grund av kylsystem, medan den är låg till obefintlig för solenergi + lagring. Den regulatoriska osäkerheten är mycket hög för SMR och måttlig för det decentraliserade alternativet. Flexibilitet som svar på efterfrågeförändringar saknas nästan helt i SMR, medan den decentraliserade lösningen erbjuder hög flexibilitet. Slutligen är miljöriskerna höga för SMR (kärnsäkerhet, långsiktigt avfall) och låga för solenergi + lagring. Sammantaget presterar SMR-alternativet sämre i nästan alla kriterier – med det enda undantaget för tillförlitlig, väderoberoende baskraftförsörjning. Detta argument blir dock mindre viktigt i takt med att avancerade lagringstekniker, såsom storskalig natriumjonlagring med längre laddnings-/urladdningscykler, gör det möjligt att lagra stora mängder energi i dagar och veckor, vilket i hög grad ogiltigförklarar baslastargumentet.

Planeringslogikens blinda fläck: Varför beslutsfattare systematiskt är för sena

Det finns en strukturell anledning till att beslutsfattare i regeringar och stora industriföretag upprepade gånger fattar infrastrukturbeslut som i efterhand framstår som dåliga investeringar: Institutionella planeringscykler är fundamentalt oförenliga med takten i den tekniska förändringen.

Regeringsprogram, parlamentsbeslut, finansieringsprogram och offentliga upphandlingar sker i cykler om fyra till tio år. Ett infrastrukturprojekt, som en relästation för kollektivtrafik (SMR), beslutas i en politisk och teknologisk miljö som fundamentalt har förändrats flera gånger innan driftsättning. Den institutionella tröghet som skapas av byråkratiska förfaranden, lobbyverksamhet från inflytelserika branschgrupper och den psykologiska fixeringen vid beslut som fattas vid en given tidpunkt innebär att de faktiska behoven och alternativen vid byggtillfället inte längre överensstämmer med de antaganden som gjordes vid planeringstillfället.

De senaste århundradenas tekniska utveckling visar tydligt denna acceleration: Den industriella revolutionen tog cirka 100 år för att utveckla sina huvudsakliga ekonomiska effekter. Elektrifieringen tog ungefär 50 år. Internet förändrade den globala ekonomin på cirka 20 år. AI och den tillhörande hårdvaruutvecklingen förändrar grundläggande ramvillkor i cykler på mindre än tio år – och med ständigt ökande acceleration. Den logik som var lämplig för infrastrukturbeslut under 1900-talet är strukturellt olämplig för 2000-talet.

Detta är särskilt viktigt för oåterkalleliga storskaliga investeringar med långa amorteringstider. Ett solfält kan uppföras inom några månader och relativt enkelt modifieras eller rivas om behoven förändras. Ett datacenter baserat på en modulär arkitektur kan skalas och moderniseras. Ett kärnkraftverk, när det väl är byggt, är en i stort sett stel struktur i 40 till 60 år, vars avvecklingskostnader uppgår till miljarder. Det strategiska värdet av flexibilitet och valfrihet – förmågan att reagera på förändrade omständigheter – underskattas systematiskt i traditionella investeringskalkyler.

En nyanserad slutsats: Det är inte en antingen/eller-situation, utan snarare en fråga om prioritering

Det vore en förenkling att påstå att SMR:er i princip är värdelösa eller att decentraliserad infrastruktur kan möta alla behov. Verkligheten är mer nyanserad.

Det finns specifika användningsfall där centraliserad datorkraft – åtminstone för att träna stora AI-modeller – fortfarande kommer att behövas på kort sikt. Och det finns legitima argument för kärnkraft som en del av en diversifierad, koldioxidsnål energimix – särskilt i länder som saknar tillräckliga förnybara resurser. Frankrike, som underhåller en befintlig kärnkraftverksinfrastruktur som har avskrivits under årtionden, befinner sig i en fundamentalt annorlunda position än ett land som vill bygga SMR från grunden idag.

Det verkliga problemet är inte idén om små reaktorer i sig. Problemet ligger i kombinationen av tre faktorer: för det första, skillnaden mellan när SMR:er skulle kunna leverera kraft och när AI-infrastrukturen behöver den kraften; för det andra, bristen på transparens kring de verkliga totalkostnaderna, inklusive dolda subventioner och strandningsrisker; och för det tredje, den strategiska blindheten för det faktum att teknisk utveckling – både inom AI-hårdvara och energilagring – fundamentalt kan förändra de underliggande antagandena för dessa investeringsbeslut inom en tidsram som är kortare än en typisk byggperiod.

Det ekonomiskt ansvarsfulla svaret på AI-erans energifråga är inte ett val mellan SMR och förnybar energi, mellan centraliserad och decentraliserad. Det ligger i att utforma infrastrukturbeslut för att maximera valfriheten och minimera risken för strandning. Detta innebär modulärt, reversibelt, teknikneutralt och transparent. Och det innebär att inte flytta kostnaderna över på framtida generationers skattebetalare samtidigt som man privatiserar dagens vinster – ett mönster som tyvärr alltför systematiskt har präglat kärnkraftens historia i Europa.

Den verkliga provokationen i denna debatt är därför inte den tekniska frågan om vilken infrastruktur som är bättre. Den verkliga provokationen är den politiska: Varför är diskussionen om framtidssäker AI-infrastruktur nästan uteslutande inriktad på en teknik vars realiseringshorisont ligger bortom AI-färdplanernas planeringshorisont, vars kostnadshistorik kännetecknas av överskridanden på flera hundra procent, och vars subventioner i stort sett är dolda? Svaret på denna fråga är inte teknologisk, utan politisk-ekonomisk till sin natur – och det är just därför den förblir så envist outfrågad i den offentliga debatten.

☑️ Vårt affärsspråk är engelska eller tyska

☑️ NYTT: Korrespondens på ditt modersmål!

Konrad Wolfenstein

Jag och mitt team står gärna till er förfogande som er personliga rådgivare.

Du kan kontakta mig genom att fylla i kontaktformuläret här eller helt enkelt ringa mig på +49 7348 4088 965. Min e-postadress är : [email protected]

Jag ser fram emot vårt gemensamma projekt.

☑️ Stöd till små och medelstora företag inom strategi, konsultation, planering och implementering

☑️ Skapande eller omstrukturering av den digitala strategin och digitaliseringen

☑️ Utökning och optimering av internationella säljprocesser

☑️ Globala och digitala B2B-handelsplattformar

☑️ Pionjär inom affärsutveckling / marknadsföring / PR / mässor

Den kvasi-interna lösningen: Hur Xpert.Digital stänger operativa luckor inom B2B-marknadsföring och -försäljning – Smart Content-Driven Business - Bild: Xpert.Digital

Xpert.Digital är en datadriven B2B-branschhubb som leds av Konrad Wolfenstein . Företaget fungerar som en extern, nästan intern lösning för industriella partners och täcker operativa luckor inom marknadsföring, innehåll och försäljning – utan att kräva ytterligare resurser från kundsidan.

Mer information här:

• Den kvasi-interna lösningen: Hur Xpert.Digital stänger operativa luckor inom B2B-marknadsföring och -försäljning – Smart Content-Driven Business