AI-verktyg i LCA – möjligheter och fallgropar
Generativ AI har fått stor uppmärksamhet under de senaste åren och börjat leda till förändrade arbetssätt. Även inom livscykelanalys (LCA) diskuteras AI-verktyg som ett sätt att effektivisera och förbättra arbetet. Men vilka är de främsta möjligheterna och vilka fallgropar bör man vara uppmärksam på?
Att använda AI-verktyg i LCA kan betyda många olika saker. AI-assistenter som Claude, ChatGPT och liknande kan användas fristående för att agera bollplank, generera text eller utföra avgränsade arbetsmoment. Automatiserade AI-agenter går ett steg längre och marknadsförs som att de själva ska kunna utföra flera moment i följd, till exempel att söka information och använda denna. Dessutom marknadsför sig specialiserade LCA-verktyg numera med inbyggda AI-funktioner, däribland One Click LCA, EandoX, Makersite och CarbonBright. Det utvecklas även nya AI-verktyg som marknadsförs för granskning och kvalitetssäkring såsom Lodestar.
Vad fungerar och vad gör det inte?
De möjligheter som ofta lyfts fram handlar främst om snabbhet och effektivitet. På kort tid kan verktygen generera text, strukturera information eller föreslå upplägg som annars hade tagit betydligt längre tid. Om AI används som stöd för kvalitetssäkring kan stora mängder datapunkter gås igenom, medan en människa ofta behöver arbeta med stickprov och rimlighetsbedömning för samma uppgift. Detta kan möjliggöra LCA-baserad information i en skala som inte har varit möjlig förut.
Utifrån faserna i en livscykelanalys kan det till exempel handla om:
Mål och omfattning: agera bollplank, strukturera tankar, jämföra med liknande studier och förbättra formuleringar
Datainsamling: göra en första litteratursökning, strukturera egna data, formatera underlag och flagga orimligheter
Modellering, beräkning och tolkning: föreslå möjliga dataset, eventuellt skapa modeller eller göra beräkningar, identifiera möjliga brister och föreslå förbättringar
Rapportering och kommunikation: sammanfatta, skriva rapportutkast, språkgranska och anpassa efter målgrupp
Det finns dock fallgropar. AI-verktygen kan föreslå text och innehåll som är statistiskt sannolikt utifrån träningsdata, men saknar den erfarenhet, beslutsförmåga och förståelse för sammanhang som en människa kan ha. Om man ber dem föreslå ett dataset i en viss databas kan de återkomma med ett namn på ett dataset som låter sannolikt, men som faktiskt inte finns. Verktygen kan inte heller bära ansvaret för resultaten eller för hur de används.
Öppna, molnbaserade modeller bör inte användas för sekretessbelagd information, personuppgifter eller annan känslig data utan tydlig kontroll över hur informationen hanteras. Då tekniken är ny finns också juridiska och affärsmässiga frågor kring träningsdata, användarrättigheter och äganderätt till resultat som ännu inte är helt klarlagda.
Vår syn på AI-verktyg i LCA
På Greendesk tror vi att AI-verktyg kommer att användas i allt högre grad inom LCA och klimatberäkningar, men inte som autopilot utan som förarstöd. Den bästa användningen tror vi är när användaren själv har tillräcklig kunskap för att faktagranska resultatet, förstå begränsningarna och avgöra om slutsatserna är rimliga. När frågan handlar mer om sammanhang, ambitionsnivå, kommunikation eller vad som är ett användbart underlag krävs fortfarande mänskligt omdöme.
Den närmaste tiden kommer sannolikt att präglas av experimenterande, där både etablerade arbetssätt och AI-företagens löften sätts på prov. Att AI kan göra det möjligt att ta fram stora mängder LCA-studier eller EPD:er betyder inte automatiskt att detta alltid är rätt väg att gå. Som tidigare bör omfattningen styras av vad informationen ska användas till. Annars ser vi en risk att mängden information överskuggar de beslut som faktiskt behöver fattas.
Kurs om AI-verktyg i LCA och klimatberäkningar
Vi planerar en öppen kurs på temat AI-verktyg i LCA och klimatberäkningar under hösten 2026. Skicka gärna in en intresseanmälan så håller vi dig uppdaterad.
Mer läsning
Bild: panumas nikhomkhai från Pexels (beskuren)
Publicerad: maj 2026