
AI lyssnar efter läckan – men vem betalar för lagningen?
Sensorer kan göra vattennätets dolda förluster synliga. Den verkliga vinsten avgörs av vad som händer efter larmet.
Ett misstänkt brus, ett avvikande nattflöde och en tekniker med markmikrofon. Så kan AI hjälpa vattenbolag att hitta läckor innan de blir akuta. Men erfarenheterna från ett uppmärksammat Londonprojekt visar också varför träffsäkerhet inte räcker som investeringskalkyl.
Ett ljud är inte en läcka
En ljudlogger på en ventil registrerar vibrationer under natten. I samma del av nätet är vattenflödet högre än väntat, trots att hushållens förbrukning borde ha sjunkit. Ett analysverktyg markerar området. Nästa steg är inte att beställa en grävmaskin, utan att skicka någon som kan kontrollera misstanken.

Det är en typisk arbetskedja, inte en återgiven enskild utryckning. Den fångar vad AI faktiskt kan göra i dricksvattennäten: sortera stora datamängder och hjälpa människor att välja var de ska leta. En modell kan upptäcka ett återkommande ljudmönster. Den kan inte ensam fastställa vilket rör som är skadat, vem som äger det eller hur gatan ska öppnas säkert.
För svenska VA-organisationer är lockelsen tydlig. Svenskt Vattens analys från 2023 uppskattade investeringsbehovet för kommunalt vatten och avlopp till omkring 560 miljarder kronor fram till 2040. Det motsvarade ungefär 31 miljarder om året, cirka 10 miljarder mer än dåvarande investeringstakt. Beloppen gäller hela VA-systemet, inte bara läckande dricksvattenledningar.
När resurserna inte räcker till allt blir information en ekonomisk tillgång. Men bara om den förändrar ett beslut. Ett extra larm kan vara värdefullt i en organisation med ledig reparationskapacitet och nästan verkningslöst där arbetsordrar redan ligger på hög.
Kärnfrågan är därför inte hur många läckljud AI känner igen. Den är hur många kubikmeter som faktiskt slutar försvinna, till vilken kostnad och hur snabbt.
Från nattflöde till misstänkt rör
Läckövervakning bygger ofta på tre informationsslag: ljud, tryck och flöde. De beskriver olika delar av samma förlopp och behöver inte samlas in av samma system.

Ljudet uppstår när vatten pressas genom en skada och skapar vibrationer i röret och omgivningen. Sensorer på exempelvis ventiler registrerar signaler som kan analyseras efter frekvensinnehåll, styrka och varaktighet. En klassificeringsmodell kan tränas på inspelningar från bekräftade läckor och andra ljudkällor för att uppskatta hur läcklik en ny signal är.
Flödet visar hur mycket vatten som går in i ett avgränsat mätområde. Särskilt intressant är nattens lägsta flöde, när mycket av den normala förbrukningen avtar. Men nattflöde är inte liktydigt med läckage: sjukhus, industrier, bevattning och hushåll använder också vatten då. Om området har flera in- och utlopp måste vattenbalansen dessutom hantera dem korrekt.
Trycket ger sammanhang. En ny läcka kan påverka tryckbilden, men även pumpar, ventilmanövrer och ändrad förbrukning gör det. Små läckor ger inte alltid någon tydlig signal i glest placerade tryckmätare. Tryckdata är därför ofta stödbevis, inte ett självständigt facit.
Modellerna kan lära sig en normalbild för varje område: hur en vardagsnatt skiljer sig från en helg, hur väder påverkar förbrukningen och vilka variationer som brukar återkomma. Avvikelsen är skillnaden mellan förväntat och uppmätt beteende. En ihållande förändring är ofta mer intressant än en kort topp.
Det behöver inte vara avancerad AI i varje led. Enkel statistik, fasta larmgränser och hydrauliska modeller kan vara starka alternativ. Maskininlärningens investering måste motiveras av bättre prioritering än dessa billigare basmetoder, inte bara av att programmet hittar avvikelser.
När ljud och flöde pekar åt samma håll stärks misstanken. Teknikern kan då lyssna på plats, kontrollera ventiler och använda en korrelator. Den jämför när samma ljud når två sensorer och uppskattar läget utifrån tidsförskjutningen, avståndet och ljudets fortplantningshastighet. Först efter lokalisering och kontroll finns ett rimligt underlag för grävning.
Varför verkligheten stör modellen
Rörmaterial är en central felkälla. Ljud beter sig olika i metallrör och plastledningar; även diameter, markförhållanden och hur sensorn sitter påverkar signalen. I plast kan läckljud vara svårare att fånga över längre avstånd. En modell som fungerar väl på ett visst nät kan därför fungera sämre på ett annat utan lokal anpassning.

Trafikbuller, pumpar och annan utrustning kan skapa återkommande vibrationer. Nattmätning minskar vissa störningar men eliminerar dem inte. En algoritm kan lära sig att skilja flera sådana ljud från läckage, men riskerar också att lära sig platsens egenheter snarare än läckans fysik.
Det gör testupplägget viktigt. Om nästan identiska inspelningar från samma rör förekommer både i träningsmaterialet och i testet kan resultatet se imponerande ut utan att säga särskilt mycket om nästa stadsdel. Ett bättre prov använder separata platser och tidsperioder, gärna med olika material och störningsmiljöer.
Ledningskartorna kan vara lika besvärliga som ljudet. Fel rörlängd eller materialuppgift försämrar akustisk lokalisering. En ventil som står annorlunda än registret anger kan förändra flödesvägarna. Om ett mätområde i praktiken inte är hydrauliskt avgränsat kan analysen tillskriva det en förlust som egentligen beror på okända överföringar.
Även ordet träffsäkerhet kräver granskning. Anta, enbart som räkneexempel, att 10 av 1 000 inspelningar innehåller läckljud. Ett system som alltid svarar ”ingen läcka” får då 99 procents rätt, men hittar inte en enda läcka.
Vattenbolaget behöver i stället veta hur många verkliga läckor som upptäcks, hur många larm som blir bekräftade och hur mycket fältarbete varje bekräftelse kräver. Dessutom måste missade läckor eftersökas genom oberoende kontroller. Annars bedöms systemet bara på de problem det självt valde att visa.
Det ekonomiska resultatet är inte antalet röda punkter på kartan, utan vattenförlusten som upphör efter en verifierad åtgärd.
Londonprojektet: tydlig idé, ofullständig kalkyl
Ett dokumenterat exempel är samarbetet mellan Microsoft, Thames Water och FIDO Tech som offentliggjordes 2023. Microsofts hållbarhetsrapportering beskriver användning av AI-baserad läckanalys i Thames Waters nät i Londonområdet som en del av arbetet med vattenåterföring. FIDO bidrar med analys av akustiska data för att stödja läcksökningen.

Upplägget är industriellt intressant. Ett teknikföretag med egna vattenmål medverkar till finansiering av effektivisering i ett befintligt vattennät. Vattenbolaget får hjälp att söka efter dolda förluster, medan analysleverantören får en verklig driftmiljö. Det visar också att finansieringen kan komma från fler håll än VA-taxan.
Men projektbeskrivning och hållbarhetsrapportering är inte samma sak som en fullständig effektutvärdering. I de här använda offentliga källorna finns inte en sammanhållen redovisning av projektets realiserade vattenbesparing, falsklarm, missade läckor och totalkostnad. Därmed går det inte att beräkna ett tillförlitligt pris per sparad kubikmeter eller isolera AI:s bidrag.
Sparat vatten: En uppskattning av flödet genom upptäckta läckor är inte automatiskt en uppmätt årlig besparing. Läckorna måste lagas. Därefter behöver områdets vattenbalans följas, med hänsyn till ändrad förbrukning, tryck och nya läckor. En beräknad framtida vattennytta ska hållas skild från ett redan verifierat utfall.
Falsklarm: Ett larm som inte leder till fynd kan bero på störande ljud, felaktig lokalisering eller otillräcklig undersökning. Oavsett orsaken kostar besöket arbetstid. Utan redovisning av samtliga undersökta larm går det inte att bedöma belastningen på fältorganisationen.
Total kostnad: Sensorer och analysabonnemang är bara början. Installation, kommunikation, batteribyten, dataintegration, utbildning, kontrollbesök, trafikanordningar, grävning och återställning måste också räknas. Om en partner betalar delar av insatsen förändras vattenbolagets budget, men inte den totala resursåtgången.
Slutsatsen är inte att Londonprojektet misslyckats. Den är att dess offentliga dokumentation inte räcker för en oberoende investeringskalkyl. Varken Microsofts storlek eller en leverantörs klassificeringsresultat ersätter uppmätt nytta efter reparation.
En svensk beställare bör därför efterfråga utfall per mätområde och tidsperiod, inklusive tid från larm till lagning. Det gör resultaten mer användbara än en enda sammanfattande procentsats.
När reparationsbudgeten sätter gränsen
Läckage är både ett vattenproblem och ett prioriteringsproblem. Om verktyget hittar fler skador än organisationen kan åtgärda växer kön. Tidigare upptäckt ger då inte hela den möjliga besparingen, även om tekniken fungerar utmärkt.

En enkel kalkyl visar tidens betydelse. Anta en läcka på 1 liter per sekund. Det motsvarar 86,4 kubikmeter per dygn och cirka 31 500 kubikmeter per år. Om analysen gör att läckan lagas 90 dagar tidigare blir den beräknade besparingen omkring 7 800 kubikmeter, förutsatt oförändrat läckflöde.
Anta vidare, enbart för att illustrera kalkylen, att den undvikbara kostnaden för uttag, behandling och distribution är 3 kronor per kubikmeter. Den tidigare lagningen sparar då omkring 23 000 kronor i sådan drift. Det är inte kundernas vattenpris och inte ett påstående om svenska genomsnittskostnader. VA-taxan finansierar också fasta kostnader som inte försvinner när mindre vatten produceras.
Värdet kan ändå vara betydligt större. I ett område med vattenbrist, begränsad kapacitet eller stora risker för följdskador kan samma läcka motivera snabbare insats. Omvänt kan en liten läcka under en hårt trafikerad gata vara dyr att åtgärda separat men billigare tillsammans med ett redan planerat gatuarbete.
AI-systemet bör därför hjälpa till med prioritering, inte bara detektion. Beslutet behöver väga uppskattad vattenförlust mot reparationskostnad, skaderisk, leveranssäkerhet och möjlig samordning. Osäkerheten i läckans storlek ska följa med underlaget, inte döljas bakom en exakt poäng.
Det finns också en gräns för punktlagning. Flera återkommande läckor på samma sträcka kan tala för ledningsförnyelse. Bättre övervakning ersätter inte ett underhållsprogram; den kan däremot visa var programmets nästa krona gör mest nytta.
Köp en fungerande kedja, inte en algoritm
För ett svenskt VA-bolag är en avgränsad pilot rimligare än ett omedelbart införande över hela nätet. Välj områden med olika rörmaterial och dokumenterad flödesmätning. Kontrollera kartor och ventillägen. Jämför med ordinarie läcksökning, och avsätt resurser för att faktiskt undersöka och reparera fynden.

Mät hela kedjan: larm, fältbesök, bekräftelse, lagning och efterföljande förändring av vattenförlusten. Redovisa också resultat som uteblir. Låt uppföljningen omfatta både torra och våta perioder samt variationer i förbrukningen, så att en säsongsförändring inte misstas för teknisk framgång.
Avtalet bör ge vattenbolaget tillgång till rådata, historik och resultat även om leverantören byts. Annars riskerar sensorerna att skapa ett nytt beroende samtidigt som de löser ett gammalt informationsproblem.
Svaret på kärnfrågan är alltså ja, men villkorat. Bättre upptäckt kan minska vattenförluster trots begränsade reparationspengar, genom att dyra söktimmar minskar och de mest angelägna läckorna lagas först. Men om lagningarna inte blir tidigare eller bättre prioriterade stannar nyttan på skärmen. Den avgörande tekniken är hela arbetskedjan, från nattens vibration till tät ledning.
Källor
- Svenskt Vatten, Investeringsbehov och framtida kostnader för kommunalt vatten och avlopp (2023)
- Microsoft, 2024 Environmental Sustainability Report (2024)
- Thames Water Utilities Limited, Annual Report and Accounts 2023/24 (2024)
- Ofwat, Water company performance report 2023-24 (2024)
- Helena Alegre, Jaime Melo Baptista, Enrique Cabrera Jr., Francisco Cubillo, Patricia Duarte, Wolfram Hirner, Wolf Merkel och Renato Parena, Performance Indicators for Water Supply Services (2016)
- Osama Hunaidi och Wei T. Chu, Leak detection in plastic water pipes (1999)
Ställ frågor om "AI lyssnar efter läckan – men vem betalar för lagningen?". Svaren bygger på tidningens egna artiklar.



