Mindre avrinning: droppteknik som gör sprutning smart

78 %. Så mycket fruktproduktion riskerar att gå förlorad utan bekämpningsmedel, enligt en studie som ofta citeras i agronomiska sammanhang. Samtidigt är kemikalierna dyra, svåra att dosera exakt och hamnar alltför ofta på fel plats: på marken, i diket eller i vattendraget.

Det är här en ny typ av sprutteknik från MIT blir intressant – inte bara för lantbruket, utan även för dig som jobbar med AI inom försäkring och riskhantering. Tekniken handlar om något så “banalt” som att få droppar att fastna på blad i stället för att studsa. Men konsekvenserna är stora: mindre spill, mindre avrinning, mer förutsägbara effekter och – viktigast i vår värld – mer mätbar risk.

Jag gillar den här typen av innovationer eftersom de visar en enkel princip: du behöver inte alltid mer insatsmedel – du behöver bättre kontroll. Det är samma logik som i energisystem: om du kan styra bättre kan du använda mindre.

Varför bekämpningsmedel studsar – och varför det är ett riskproblem

Kärnan: Bladytor är ofta naturligt vattenavvisande. När en vattendroppe (med pesticid/fungicid/gödsel) träffar bladet plattas den ut och “fjädra” tillbaka – och en del av droppen studsar bort.

Det låter som ett rent fysikproblem, men det är också ett risk- och kostnadsproblem:

• Ekonomisk risk: Spill ökar kostnaden per effektiv dos. I USA lägger odlare omkring 16 miljarder USD per år på pesticider (siffran används i forskningsgenomgångar och branschrapporter).
• Miljörisk: Avrinning från jordbruk är en av de tydliga drivarna bakom belastning i sjöar och kustvatten. Forskare pekar på att cirka 31 % av världens jordbruksjordar bedöms ha hög risk för pesticidförorening.
• Regulatorisk risk: Skärpta krav på användning, dokumentation och sprutjournaler gör att “regler på känn” blir ett sämre och sämre arbetssätt.

För försäkrings- och riskhanteringsperspektivet är det här en klassiker: händelserna (spill, avrinning, skador på gröda) är dyra och svåra att bevisa i efterhand. Därför blir tekniker som mäter och styr i realtid extra värdefulla.

MIT:s dropp-beläggning: en tunn film som ökar vidhäftning upp till 100x

Kärnan: Forskarna utvecklade en metod där varje sprutdroppe får en extremt tunn beläggning av oljigt material när den lämnar munstycket. Resultatet är att droppen ”pinnas” mot bladet i stället för att studsa.

Vad som faktiskt händer på bladet

Med höghastighetskameror såg teamet följande:

• Utan beläggning: Droppen blir som en “pannkaka”, fjädrar tillbaka till en kula och studsar.
• Med beläggning: Droppen breder ut sig och blir kvar. När droppen expanderar bildas en oljering som fungerar som en mekanisk ”låspinne” mot ytan.

I labb gav beläggningen upp till 100-faldig förbättring i “stickiness” (vidhäftning/retention) jämfört med obehandlade droppar.

Minimal mängd tillsats – stor effekt

Det intressanta är dosen:

• De testade runt 1 % olja av droppens volym.
• Effekten var fortsatt stark vid 0,1 %.
• Den började tappa bortom det (t.ex. 0,01 %).

Det här är viktigt för praktisk implementering: en metod som kräver stora mängder tillsatsmedel blir snabbt dyr, logistiskt jobbig och kan öka risken för bladskador.

“Ny kemi” är ofta stoppklossen – därför är adjuvanter smart

Forskarna började med sojaolja (låter rimligt, men är inte alltid en del av gårdens inköpskedja). I senare tester såg man att befintliga adjuvanter och surfaktanter – som många lantbrukare redan använder – kunde fungera i beläggningssteget.

Det är en avgörande detalj: adoption händer när friktionen är låg. Att “bara byta munstycke” är en helt annan sak än att introducera nya kemikalier, nya tankblandningar och nya rutiner.

Från fysik till operativ kontroll: realtidsmätning som sparar 30–50 %

Kärnan: För att bevisa att mer hamnar på plantan behövdes mätning. Därför utvecklades ett realtidsverktyg (RealCoverage) som följer sprutningens täckning och hjälper föraren att justera.

I fältuppföljningar har systemet enligt bolaget bakom tekniken bidragit till 30–50 % lägre pesticidkostnader, enbart genom bättre kontroll av befintlig sprutning.

Och 2025 uppges tekniken rullas ut på cirka 920 000 acres globalt (USA och delar av Europa). Nästa steg är att kombinera mätningen med beläggningsmunstycken för att få ytterligare effektivitetslyft.

Det här är ett skolexempel på hur man bygger en hållbar förbättring:

1. Mät (vad händer faktiskt på bladet?)
2. Styr (justera tryck, hastighet, droppstorlek, täckning)
3. Förbättra fysiken (få droppen att stanna)

Samma tresteg gäller i energifrågor – och i AI-initiativ. Utan mätning blir AI snabbt ett presentationsprojekt.

Kopplingen till AI, energi och hållbarhet – och varför försäkringsbranschen bör bry sig

Kärnan: Mer precision i sprutning är egentligen en berättelse om resurshushållning. Det är exakt samma problem som i energisystem: stora flöden, små marginaler, höga konsekvenser när styrningen brister.

Effektivitet är den billigaste “energiåtgärden”

Varje liter som inte behöver produceras, transporteras och sprutas sparar:

• Energi i tillverkning av kemikalier
• Diesel/elkostnad i sprutoperationen
• Kostnad och klimatpåverkan i hela leverantörskedjan

Det här är en bra påminnelse i december 2025, när många verksamheter sätter 2026-budgetar för energi- och hållbarhetsarbete: effektivitet blir ofta den snabbaste vägen till både lägre kostnader och lägre utsläpp.

Riskhantering: från ”händelse efteråt” till ”styrning före”

Försäkring och risk är fulla av eftersläpande processer: vi utreder när något gått fel. Men sensorer, realtidsdata och AI gör det möjligt att flytta riskhanteringen uppströms.

Tänk så här:

• Om en gård kan visa spårbar sprutkvalitet (täckning, avdrift, retention), blir risken för miljöincidenter mer förutsägbar.
• Mer förutsägbar risk kan i sin tur öppna för mer rättvis prissättning och nya villkor (t.ex. premierabatt kopplad till uppmätta processindikatorer).

I praktiken liknar detta hur telematik förändrade fordonsförsäkring: inte bara “kör du mycket?”, utan “hur kör du?”.

Underwriting och klimatrelaterade skador

Här är en konkret tanke jag tycker att fler borde testa: indexera risk mot processdata.

• Mindre avrinning och bättre doskontroll kan minska sannolikheten för tvister kring miljöskador.
• Stabilare avkastning kan påverka riskbilden i grödaförsäkring.
• Vid extremväder (kraftiga regn efter sprutning) kan modeller som kombinerar väderdata + sprutloggar ge bättre sannolikhetsbedömningar.

Det här är där AI blir praktiskt: inte som “svart låda”, utan som prediktiv analys av mätbara delmoment.

Praktiska frågor som alltid kommer upp (och raka svar)

Kärnan: Ny sprutteknik faller ofta på drift, kompatibilitet och ansvar. Här är de vanligaste följdfrågorna jag möter i liknande projekt.

Fungerar det bara i labb?

Nej, men labbresultat ska behandlas som labbresultat. Det intressanta här är att bolaget redan har fälterfarenhet med realtidsmätning och rapporterar tydliga besparingar. Beläggningssteget har också testats i fält (t.ex. på grönkål och soja) med rapporterad fördubbling av mängd produkt på plantan när adjuvanten flyttades från blandning till beläggning.

Kommer det att kräva nya rutiner?

Ja, men mindre än många tror. En stor del av poängen är att systemet ska kunna implementeras med enkel anpassning av befintliga sprutor (exempelvis munstycksbyte), snarare än stora maskinbyten.

Hur hänger detta ihop med hållbarhet utan att bli greenwashing?

Det blir konkret när du mäter tre saker över tid:

• kg aktiv substans per hektar
• andel som faktiskt stannar på blad (retention/täckning)
• incidenter och avvikelse (avdrift, avrinning, om-sprutningar)

När de siffrorna går åt rätt håll finns det substans.

Nästa steg: så kan du använda insikterna i ett AI- och riskprogram

Kärnan: Det värdefulla är inte bara att droppar fastnar. Det är att processer blir mätbara och styrbara.

Om du arbetar med AI inom försäkring och riskhantering (eller energiledning) är en rimlig checklista för 2026:

1. Identifiera “spillpunkter” i era kunders processer (jordbruk, industri, fastighet, energi). Spill är nästan alltid mätbart.
2. Kravställ datakvalitet: realtidsdata slår efterhandsrapporter, men bara om sensorer och loggning är robust.
3. Bygg incitament: rabatter, självriskmodeller eller rådgivningspaket kopplade till uppmätta förbättringar.
4. Modellera risk som en kedja: inte bara utfall (skada), utan drivare (processvarians, väder, operatörsbeteende).

En mening att bära med sig: När vi kan mäta hur resurser används i realtid kan vi också försäkra dem smartare.

Det är också här kampanjen “AI inom energi och hållbarhet” passar naturligt in: samma principer – mätning, optimering, minskat spill – återkommer i allt från nätbalansering till vattenförbrukning och kemikaliehantering.

Framtiden: från droppar till systemtänk

Mer mat måste produceras med begränsade resurser, och vi kan inte bara “skala upp” mark eller insatsmedel. Jag tror att 2026–2030 kommer att handla mindre om nya mirakelkemikalier och mer om precision i varje moment: rätt mängd, rätt plats, rätt tid.

Om du sitter med ansvar för risk, underwriting eller hållbarhetsdata: vilka processer hos era kunder är fortfarande styrda av tumregler – trots att de skulle kunna bli datadrivna? Och vad skulle hända med er riskmodell om ni fick in den datan?