アビヌール・ダル氏はSewerAIのエグゼクティブであり、AI、オペレーション、インフラの交差点で規模を拡大し、米国の都市を近代化している。
誰もがデスクや家庭でのAI革命に魅了されている一方で、私たちは皆、足元にあるものを見落としている。米国の地下パイプは耐用年数の終わりを迎え、静かに故障している。土木技師からビジネスエグゼクティブに転身した私は、だぶだぶのオーバーオールを着て現場を歩いてきたが、1つのことは明らかだ。2026年は、AIがサイドプロジェクトから、インフラにおける運用上の必須要件へと移行する年である。
2026年には、3つの曲線が収束する。老朽化した資産が故障の崖に達し始める可能性があり、労働力のギャップは十分な速さで埋めることができず、AIツールはついに規模における精度と手頃な価格を証明した。AIは、単なる会話の潤滑油ではなく、事業継続性と生産性の決定事項となりつつある。
2026年までの完璧な嵐
第一に、資産そのものが限界に達している。米国の下水道システムは、平均して耐用年数を数十年超過している。連邦政府の推計によると、システム故障により、毎年9000億ガロンの未処理または部分的に処理された下水が放出されており、これは年間数十億ドルを保守に投じているにもかかわらずである。検査と計画が手作業のままであれば、もはや計算が合わない。
第二に、労働力の崖は今やビジネスリスクとなっている。多くの組織は、スタッフの30%から50%が今後10年以内に退職資格を得るという現実に直面している。より広範な水セクター全体で、数百万人の労働者を交代させる必要がある。これまで彼らとともにあった組織的知識は、従来の採用と訓練だけでは十分な速さで複製できない。
第三に、技術は急速に成熟している。下水道検査に使用されるコンピュータビジョンは、現在、欠陥の検出とモデルの改善に使用されており、一部のプロジェクトでは精度レベルが90%台に達している。これらはもはやパイロットではない。かつて数カ月かかっていたものが、今では数日で処理できる。かつて限定的なパイロットを実施していた組織は、現在、AIで年間数千マイルを処理している。
2026年にAIが地下オペレーションをどのように再構築するか
実験から実装へと移行する中で、2つの応用分野が際立っている。
1. 検査と状態評価
歴史的に、CCTVビデオ検査はボトルネックだった。現場クルーはエンジニアがレビューできるよりも速くデータを収集でき、ビデオが山積みになる間、トラックはアイドル状態になっていた。AIは大量の映像を迅速にレビューし、欠陥の可能性を示し、コーディングを標準化し、曖昧なセグメントを人間のレビュアーに振り分けることができる。
米国のいくつかの大都市は、AIベースのワークフローが導入されると、精度の向上、不良提出の削減、および複数年にわたる検査プログラムにおける大幅なコスト削減を報告している。ヒューストン公共事業局が6,000マイルのパイプと133,000のマンホールを管理するためにAIを展開したとき、彼らは請負業者のデータ失敗を55%削減し、累積で100万ドル以上の節約を達成した。これは、革新のための革新ではなく、生き残りである。
2. 予知保全とデジタルツイン
数十年にわたり、組織は「発見して修正」から予知保全へと移行したいと考えてきたが、ツールがなかった。今はある。マッキンゼーによると、セクター全体で、AI対応プログラムはすでに計画外のダウンタイムを30%から50%削減し、資産寿命を20%から40%延長している。
水セクターでは、デジタルツインモデルがリアルタイムのネットワークダイナミクスをシミュレートし、公益事業者が漏れを予測して対処できるようにし、時間を30%削減し、コストを25%削減している。コロンビア特別区が下水道の流れの予測モデルを構築するためにマイクロソフトAIと提携したとき、彼らは数週間早く問題を特定し、緊急の破損を回避し、コストを削減した。
2026年をAI実行計画に変える
時価総額86億ドルのXylemのような大手企業は、デジタル機能を構築するために13件の買収を行った。ほとんどの場合、議論はもはやAIがインフラにおいて重要かどうかではない。すでに重要である。課題は、関心を、規制上および財務上の制約に適合する、規律ある測定可能なプログラムに変えることにある。
2026年の実用的な道筋は次のようになる。
1. AIを2026年に提供できる明確なROIに固定する。最もコストがかかる、または目に見える場所から始める。慢性的な溢水場所、注目度の高いビジネス地区。焦点を絞った範囲により、実装が管理しやすくなり、影響が目に見えるようになる。具体的な成果を追跡し、それらを使用して2027年の計画に情報を提供する。
2. データ基盤を「十分に良い」ものにすることに投資する。高度なモデルを展開する前に、ネットワークのそのスライスのデータとメタデータを標準化する。AIは与えられたものを何でもスケールする。強みも弱みも。したがって、控えめな事前のデータ衛生は、法外な配当を支払う。
3. AIを副操縦士として設計する。AIを100%のデータをレビューし、例外、高リスクの発見、エッジケースを経験豊富なスタッフに振り分けるように配置する。この人間参加型のアプローチは、信頼を構築し、時間の経過とともにモデルのパフォーマンスを向上させ、ほとんどの公益事業者が重視する安全文化と整合する。
4. 頻繁に比較検討する。状況は急速に変化しており、ターンキープラットフォームから、自社チームが構築、カスタマイズ、再トレーニングできる堅牢なデータモデルまで、あらゆるものを提供する多くのプラットフォームがある。
2026年末までに、検査の日常業務にAIが組み込まれ、少なくとも1つの予知保全ユースケースが本番稼働し、今後2年から3年にわたってデジタル機能を拡大するための明確なロードマップを持つことが合理的に期待できる。
待つことには独自のリスクがある
インフラは、無知が至福ではない唯一の場所である。見えないものは、浸水した通りと安全でないコミュニティに変わる。今日、AI導入を遅らせることはリスクを取り除くのではなく、それをシフトさせる。2026年は、「AIについて語る」段階から、対象領域において適切に管理された実用的なAIを運用し、効率性、コンプライアンス、労働力の回復力を構築する転換点である。完璧な確実性を待つ人々は、過去の時代のツールで繰り返される危機を管理していることに気付くかもしれない。
現代生活を可能にするインフラは、何かがうまくいかなくなるまで、常に見えない。インフラのエグゼクティブにとって、来年は、AIが実験のままであるか、中核的な運用モデルの一部になるかを決定する瞬間である。
"
