Il problema: 42% di perdite e reti che invecchiano
Il bilancio idrico italiano è impietoso. ISTAT, nel rapporto 2024 aggiornato a inizio 2026, certifica che il 42,4% dell'acqua immessa in rete non arriva al rubinetto. Le cause sono perdite fisiche (tubazioni vetuste, rotture, giunti deteriorati) e perdite apparenti (errori di misura, prelievi non contabilizzati).
Le reti italiane hanno un'età media di oltre 40 anni, con punte di 70-80 anni nei centri storici. Sostituire tutto è economicamente improponibile: si parla di decine di miliardi di euro. Da qui l'interesse per soluzioni che permettano di intervenire dove serve, quando serve, in modo chirurgico anziché massivo.
Rilevazione perdite: la prima applicazione AI matura
I sistemi di acoustic leak detection basati su sensori distribuiti in rete e modelli di machine learning sono oggi la tecnologia AI più matura. Rilevano vibrazioni anomale nei tubi e le classificano in tempo reale come rumori di fondo, perdite incipienti o rotture in atto.
Diversi gestori italiani, da Acque del Chiampo a Veritas a Hera, hanno dichiarato riduzioni delle perdite tra il 5% e il 15% nei primi due anni di esercizio, con tempi di intervento ridotti del 40-60%. I costi di installazione e gestione sono ancora significativi, ma il ritorno economico per le reti più grandi è ormai dimostrato.
- Sensori acustici fissi installati su valvole o idranti.
- Datalogger con trasmissione 4G o LoRaWAN.
- Modelli ML che distinguono perdite reali da rumori di disturbo.
- Cruscotti operativi con prioritizzazione degli interventi.
Manutenzione predittiva e digital twin
Il passo successivo è la manutenzione predittiva: usare i dati storici per anticipare il guasto di una pompa, di una valvola, di un serbatoio. Qui i modelli di deep learning lavorano su serie storiche di pressioni, portate, vibrazioni, consumi elettrici.
I digital twin, repliche digitali della rete idrica aggiornate in tempo reale, stanno diventando la piattaforma standard per integrare queste analisi. Permettono di simulare scenari (rottura di una condotta principale, picco di consumo, contaminazione localizzata) prima che accadano. Nel 2026 sono ancora una tecnologia per i gestori grandi, ma la riduzione dei costi di calcolo li renderà accessibili anche a realtà medie nei prossimi anni.
Qualità dell'acqua e modelli previsionali
L'AI applicata alla qualità dell'acqua è meno matura. Modelli che integrano dati di torbidità, pH, cloro residuo, temperatura e portata possono prevedere eventi di torbidità o cali di disinfettante con qualche ora di anticipo, attivando interventi correttivi prima che il problema arrivi al cittadino.
Restano molti limiti: i parametri sanitari critici (metalli, PFAS, microbiologia) non sono misurabili in continuo, quindi i modelli lavorano su proxy. È un miglioramento netto rispetto al passato, non un sistema infallibile. Per il cittadino questo significa una rete più reattiva, ma la verifica puntuale al rubinetto resta importante quando ci sono dubbi.
Cosa cambia per il cittadino
Il beneficio diretto della digitalizzazione AI-driven della rete è la riduzione delle interruzioni di servizio e dei picchi di torbidità. Le segnalazioni di guasto al numero verde del gestore vengono in molti casi anticipate da un alert automatico, e gli interventi sono più mirati.
Quando si percepisce un'anomalia al rubinetto (cambio di sapore, colore, odore) il consiglio è prima contattare il gestore, che ha visibilità sui dati di rete in tempo reale, e poi, se l'anomalia persiste o riguarda parametri specifici, richiedere un'analisi di laboratorio qualificato dell'acqua del rubinetto di casa per avere un dato puntuale e confrontabile con i limiti di legge.
Cosa è ancora marketing e cosa è realtà
Non tutto ciò che oggi si presenta come AI nel settore idrico lo è davvero. Etichettare come intelligenza artificiale una semplice soglia di allarme su una serie storica è un classico esempio di AI washing. I capitolati pubblici del 2025-2026 hanno iniziato a richiedere documentazione tecnica più dettagliata su modelli, training set e metriche di validazione, riducendo lo spazio per dichiarazioni generiche.
La regola pratica è chiedere sempre tre informazioni: quali algoritmi vengono usati, su quali dati sono stati addestrati, quali metriche di errore vengono pubblicate. Senza queste tre risposte, è prudente considerare l'offerta come un sistema di monitoraggio tradizionale con un'etichetta più accattivante.