Luselaser og AI: Slik endrer Stingray norsk oppdrett

Lakselus er fortsatt en av de største biologiske og økonomiske utfordringene i norsk havbruk. Samtidig strammes kravene til miljø, fiskevelferd og arealbruk, mens kostnadspresset øker. Midt i dette pressbildet ser vi nå en tydelig trend: datadrevne, automatiserte løsninger tar over der manuelle og kjemiske tiltak tidligere dominerte.

Stingray Marine Solutions er et godt eksempel. Selskapet har på ett år nesten doblet produksjonen av sine luselasere – fra rundt 1 750 til over 3 000 noder – og er allerede installert på cirka en fjerdedel av alle norske lokaliteter. Bak disse tallene ligger en større historie om hvordan AI, maskinsyn og presisjons-teknologi er i ferd med å redefinere kampen mot lakselus og grunnlaget for mer bærekraftig oppdrett.

I dette innlegget – som del av serien «AI for norsk havbruk: Bærekraftig oppdrett» – ser vi nærmere på hva denne veksten betyr for næringen, hvordan teknologien fungerer i praksis, og hvordan luselasere kan kobles mot andre AI-løsninger for å bygge neste generasjons oppdrettsanlegg.

Fra brakklegging og bad til laser: Hvorfor skiftet kommer nå

Lakselusbekjempelse har tradisjonelt vært dominert av kjemiske behandlinger, mekanisk avlusing og driftsmessige grep som brakklegging og koordinert brakklegging i soner. Disse metodene har fungert, men med betydelige kostnader:

• Høyt stressnivå for fisken ved håndtering og pumping
• Økt dødelighet etter harde avlusingsoperasjoner
• Resistensutvikling mot legemidler
• Driftsavbrudd og svinn som gir direkte tap på bunnlinjen

Regulatorisk press, økt oppmerksomhet på fiskevelferd og sterkere miljøkrav har gjort det stadig vanskeligere å basere seg på «tunge» inngrep alene. Samtidig har næringen fått bedre tilgang på sensorer, kameraer, skyinfrastruktur og maskinlæring.

Det er i dette skjæringspunktet at løsninger som Stingrays luselaser får fotfeste:

• Lusen identifiseres automatisk i merden
• Lusen uskadeliggjøres med presis laser uten å ta fisken ut av vannet
• All aktivitet logges digitalt og kan brukes videre i AI-baserte beslutningsstøttesystemer

Resultatet er færre behandlinger, mindre stress, mer forutsigbar produksjon – og et langt rikere datagrunnlag for å optimalisere hele produksjonsløpet.

Slik fungerer en luselaser – og hvorfor AI er kjernen

Fra kamera til presisjons-skudd

En typisk luselaser-node består av:

• Undervannskamera med høy oppløsning
• Belysning tilpasset sikt og dybde
• Maskinsyn og AI-algoritmer som analyserer strømmen av bilder
• Laser som avfyres millisekunder etter at lusen er identifisert

Systemet skanner kontinuerlig fiskene som passerer i synsfeltet. Algoritmene er trent til å skille mellom fisk, lus og bakgrunnsstøy – selv i varierende lys, sikt og strømforhold. Når en lus registreres, beregnes posisjonen, og laseren avfyrer et kort, konsentrert skudd som treffer lusen uten å skade fisken.

Dette er klassisk AI for norsk havbruk i praksis: enorme mengder visuelle data tolkes i sanntid, og resultatet omsettes direkte til en fysisk handling med høy presisjon.

Data som gull: Fra avlusing til beslutningsstøtte

Hver gang systemet detekterer og skyter en lus, produseres data:

• Antall registrerte og avskutte lus per tidsenhet
• Fordeling på dybde, temperatur og strømforhold
• Variasjon mellom merder og lokaliteter

Disse datapunktene kan brukes til langt mer enn løpende avlusing:

• Helsemonitorering av fisk: Tidlige signaler om lusetrykk og stressnivå
• Miljøovervåking: Sammenheng mellom lusetrykk, temperatur og strøm
• Produksjonsplanlegging: Bedre timing på utsett, flytting og slakting

Når luselaserne kobles mot andre datakilder – som fôringssystemer, vekstmodeller og miljøsensorer – får man grunnlaget for integrerte AI-plattformer som styrer store deler av driften.

Åpen merd, lukket merd og landbasert – hva betyr Stingray-boomen?

I debatten om norsk havbruk tegnes det ofte et enten-eller-bilde: enten åpen merd i sjø, eller lukkede anlegg på land og i fjord. Stingrays toppsjef har pekt på noe viktig: realiteten ser mer og mer ut til å bli både-og.

Hybridmodellen: Postsmolt på land, hovedvekst i sjø

En modell som nå vinner terreng, er:

1. Rogn til postsmolt (opp til ca. 1 kg) i lukkede eller landbaserte systemer
2. Hovedvekst i åpne merder i sjø i 10–12 måneder

Dette gir flere fordeler:

• Kortere tid i sjø reduserer eksponering for lus
• Bedre kontroll på tidlig livsfase og biosikkerhet
• Utnyttelse av Norges naturgitte kostnadsfordel i Golfstrømmen

Luselaser-teknologi passer svært godt inn i denne modellen. Når eksponeringstiden i sjø reduseres, blir det særlig viktig å holde lusetrykket lavt gjennom kontinuerlig, skånsom behandling – noe automatiserte systemer er bedre egnet til enn manuelle «aksjoner».

Ingen trussel – men en forutsetning

Stingray selv ser ikke veksten i lukkede og landbaserte systemer som en trussel, men som en komplementær utvikling. Ser vi det i lys av AI for norsk havbruk, gir det mening:

• Lukkede/landbaserte anlegg er ofte sterkt sensorspekket fra dag én
• Åpne merder tar igjen ved å innføre luselaser, fôringskamera, 3D-posisjonering og miljøsensorikk
• Når fisken flyttes mellom systemene, kan kontinuerlig datalogging gi bedre overlevelse og mer treffsikker produksjonsplanlegging

I sum peker dette mot en fremtid der teknologivalget ikke handler om én «perfekt» driftsform, men om hvor godt data og AI utnyttes på tvers av alle ledd i verdikjeden.

Praktiske gevinster: Hva kan en oppdretter forvente av luselasere?

For ledere og driftsansvarlige som vurderer nye investeringer, er det tre hovedspørsmål: Hva koster det, hva sparer vi, og hvordan påvirker det fisken og miljøet?

Økonomiske og driftsmessige effekter

Selv om tallene vil variere fra lokalitet til lokalitet, gir erfaringsdata fra automatiserte luseløsninger et tydelig bilde på potensielle gevinster:

• Færre avlusingsoperasjoner med brønnbåt og mekanisk behandling
• Mindre tap ved håndtering, særlig for stor fisk nær slaktestørrelse
• Bedre tilvekst på grunn av lavere stressnivå
• Lavere risiko for utbrudd som kan gi slakting før optimal størrelse

Legg til at produksjonen blir mer forutsigbar, noe som gjør det enklere å:

• Optimalisere fôrforbruk og tilpassede fôrstrategier
• Planlegge slakt og logistikk mot markedet
• Dokumentere miljøprestasjon og fiskevelferd overfor myndigheter og kunder

Miljø og bærekraft

Fra et bærekraftsperspektiv har AI-baserte luselasere flere klare fordeler:

• Redusert behov for kjemikalier og legemidler
• Lavere risiko for negative effekter på villfisk og økosystem
• Mindre energikrevende og ressurskrevende enn gjentatte behandlingstokt

Når selskap som Stingray nærmer seg dekning på en betydelig andel av norske lokaliteter, blir dette ikke bare et enkeltbedriftsgrep, men en strukturell endring i hele næringen.

Veien videre: Integrasjon med andre AI-løsninger i havbruk

Luselaserne er én brikke i et større AI-puslespill. For oppdrettere som vil ligge i forkant, er nøkkelen å se hvordan ulike systemer kan spille sammen.

1. Helsemonitorering av fisk

Ved å kombinere data fra luselasere med:

• Kamerabaserte systemer for svømmeadferd og bevegelsesmønstre
• Sensorer for oksygen, temperatur og strøm
• Eventuelt vekt-/lengdestimater fra 3D-visjon

kan man trene AI-modeller som gir tidlige varsler om:

• Økende lusetrykk
• Begynnende sykdomsutbrudd
• Stress og adferdsendringer knyttet til miljøforhold

2. Fôroptimalisering

Fôr er den største enkeltkostnaden i havbruk. Ved å koble lusedata mot fôringshistorikk, tilvekst og miljødata, kan man:

• Justere fôringsstrategi ved perioder med økt lusetrykk
• Vurdere om redusert aktivitet skyldes lus, sykdom eller miljøforhold
• Optimalisere fôrmengde og tidspunkt for redusert svinn og bedre vekst

3. Miljøovervåking og arealbruk

Når flere lokaliteter i et område har automatiske lusedata i sanntid, kan man begynne å modellere:

• Spredning av luselarver mellom anlegg
• Effekter av strøm og temperatur på smittepress
• Beste plassering av nye lokaliteter ut fra bæreevne og risiko

Slike modeller er sentrale for å dokumentere bærekraftig arealbruk, og kan bli avgjørende i fremtidige konsesjonsprosesser.

4. Produksjonsplanlegging

Til slutt kan alt dette mates inn i overordnede planleggingsverktøy:

• Når bør neste utsett skje for å treffe perioder med lavest forventet lusetrykk?
• Hvilke merder bør prioriteres for ekstra overvåking eller justert tetthet?
• Hvordan kan slakteplan optimaliseres for både biologiske og markedsmessige forhold?

Her ligger mye av potensialet for de neste årene: å gå fra enkeltstående gadgets til helhetlige AI-systemer som støtter strategiske beslutninger.

Hva bør du gjøre nå? Tre konkrete steg

For norske oppdrettere som vil utnytte mulighetene i AI og luselaser-teknologi, er det tre praktiske steg som kan tas allerede i dag:

1. Kartlegg dagens datagrunnlag
   Hvilke sensorer har dere? Hvilke bilder, logger og miljødata lagres? Hvor finnes hullene?

2. Start med ett pilotområde
   Velg én lokalitet eller en gruppe merder der dere kombinerer luselaser med andre AI-baserte verktøy (fôringskamera, miljøsensorer, vekstmodeller) og evaluer effekten helhetlig.

3. Tenk integrasjon fra dag én
   Unngå løsninger som bare skaper flere «datasiloer». Still krav om åpne grensesnitt, datatilgang og mulighet for å koble flere systemer sammen i en felles plattform.

Konklusjon: Luselasere som motor i neste generasjons havbruk

Stingrays nesten dobling av produksjonen av lusenoder på ett år er ikke bare en suksesshistorie for én leverandør. Det er et tydelig signal om at norsk havbruk er i ferd med å ta et kvantesprang inn i en mer datadrevet, automatisert og bærekraftig fremtid.

I kombinasjon med lukkede og landbaserte systemer for postsmolt, gir AI-baserte luselasere mulighet til å utnytte Norges naturgitte fortrinn i åpne merder – uten å gå på kompromiss med miljø og fiskevelferd.

For alle som jobber med strategisk utvikling i oppdrettsselskaper, er spørsmålet nå ikke lenger om man skal ta i bruk AI for norsk havbruk, men hvor raskt og hvor helhetlig man klarer å gjøre det.

Neste steg er å se luselaserne som mer enn et verktøy mot én parasitt. De er en datamotor som kan drive helsemonitorering, fôroptimalisering, miljøovervåking og produksjonsplanlegging. De oppdretterne som klarer å bygge dette sammen i en samlet digital strategi, vil være de som leder an i det bærekraftige oppdrettet frem mot 2030.