Norsk flatfisk går fra bifangst til datadrevet verdikjede. Slik kan AI, sensorer og beste praksis gjøre rødspette og annen flatfisk til lønnsom, bærekraftig satsing.
Ny æra for norsk flatfisk – og hvorfor AI blir helt avgjørende
Norske kvoter på torsk, hyse og sei strammes gradvis inn. Samtidig sitter vi på store, lite utnyttede ressurser langs hele kysten: rødspette, lomre og andre flatfiskarter. Forskningen til Nofima og SINTEF Ocean peker nå på en ny æra for norsk flatfisk – med bedre fangst, håndtering og lagring som kan gi helt nye verdikjeder.
For deg som jobber i fiskeri, havbruk eller sjømatindustri, åpner dette en sjelden mulighet. Men for å ta den ut i praksis trenger vi mer enn gode veiledere og beste praksis. Vi trenger datadrevet drift og kunstig intelligens (AI) som kan gjøre flatfisk like forutsigbar, lønnsom og bærekraftig som dagens storskalaproduksjon av laks.
I dette innlegget ser vi på hva som faktisk er i ferd med å skje med norsk flatfisk, hvordan de nye «beste praksis»-anbefalingene legger grunnlaget – og hvordan AI for norsk havbruk kan brukes til å bygge en helt ny, bærekraftig flatfisknæring.
Fra bifangst til verdikjede: Hva endrer seg for norsk flatfisk?
I dag fiskes rundt 1000 tonn flyndre årlig i Norge, hovedsakelig som bifangst i snurrevadfiske etter torskefisk. Små og uforutsigbare fangster, blanding av arter og krevende håndtering har gjort flatfisk lite lønnsom.
Resultatet kjenner bransjen godt:
- lave priser
- uforutsigbar råvareflyt
- mye går til ensilasje eller dyrefôr i stedet for konsum
Nofima og SINTEF Ocean jobber nå systematisk med å snu dette bildet. Gjennom kartlegging av fangst, logistikk, håndtering, levende mellomlagring, bedøving, avliving og kjølelagring skal de utvikle en «Beste praksis-veileder» for flatfisk innen utgangen av 2026.
Målet er en standardisert, dokumentert måte å fange, håndtere og lagre flatfisk på, som gir høy kvalitet, god fiskevelferd og lønnsomhet i hele verdikjeden.
Dette er ikke bare et faglig løft – det er også et dataløft. Alle forsøkene som gjøres på sjø og land gir verdifulle datasett om:
- overlevelse i levende lagring
- skadeutvikling og kvalitet
- effekten av ulike fangst- og håndteringsmetoder
- optimal kjølelagringstid
Akkurat disse dataene er det AI-løsninger lever av.
Hvorfor flatfisk er perfekt for en AI-drevet satsing
I serien «AI for Norsk Havbruk: Bærekraftig Oppdrett» har vi sett at AI gir størst effekt når tre ting er på plass:
- Tydelig verdimål (bedre pris, mindre svinn, bedre velferd)
- Standardiserte prosesser (f.eks. beste praksis-veiledere)
- Løpende datainnsamling (sensorer, logger, bilder, produksjonsdata)
Norsk flatfisk er i ferd med å få alle tre:
- Veilederen gir standardisert praksis for fangst og håndtering
- Forsøkene til Nofima og SINTEF Ocean skaper strukturerte data
- Økende interesse fra fiskere og industri gjør at volumet kan vokse raskt
Det betyr at vi kan bygge AI-løsninger for flatfisk fra start – uten å arve gamle, ustrukturert rutiner. I praksis kan flatfisk bli et «pilotfagfelt» for moderne, datadrevet havbruk og fiskeri.
Nøkkelfordeler ved å kombinere flatfisk og AI
- Bedre lønnsomhet på små fangster gjennom smartere sortering, planlegging og prising
- Mindre svinn og høyere kvalitet med presis overvåking av velferd og lagring
- Styrket bærekraft ved å utnytte allerede tilgjengelige bestander bedre
- Fleksibel ressursutnyttelse når kvoter på tradisjonelle arter går ned
Datadrevet fangst og logistikk: Slik kan AI støtte den nye veilederen
Den kommende veilederen beskriver blant annet fangstmetoder, transport av levende flyndre, mellomlagring i kar og nye løsninger som vakuumsug etter sløying. Her kan AI bidra på flere konkrete områder.
1. Fangstoptimalisering og beslutningsstøtte om bord
Med økende fokus på flatfisk som målart blir spørsmålet: Når og hvor lønner det seg å gå etter flatfisk?
AI-baserte verktøy kan kombinere:
- historiske fangstdata
- vær- og havdata
- posisjonsdata (AIS)
- informasjon om bunnforhold
…for å gi sannsynlighetskart for:
- hvor det er størst sjanse for god flatfiskfangst
- hvor risikoen for uønsket bifangst er lavest
- hvordan rute og innsats kan planlegges for best økonomi
Dette er samme type teknologi som allerede brukes til optimalisering av pelagisk fiske – men tilpasset flatfisk og småskalafangster.
2. Smart logistikk for levende lagring og transport
Prosjektet ser spesielt på logistikkløsninger for levende flyndre og mellomlagring i kar. Her kan AI-drevet logistikkplanlegging redusere både kostnader og dødelighet.
Mulige løsninger inkluderer:
- algoritmer som planlegger hentetidspunkt basert på fyllingsgrad, temperatur og fiskevelferdsindikatorer
- prediksjonsmodeller som beregner forventet dødelighet ved ulike temperatur- og tetthetsnivå
- dynamisk planlegging av transport og levering til slakteri basert på sanntidsdata
For mange bedrifter vil en enkel start være å samle data strukturert:
- tid for fangst, ombordtaking og lossing
- vannkvalitet (oksygen, temperatur, salinitet) i kar
- observasjon av dødelighet og skader
Med dette på plass kan en AI-modell trenes opp i løpet av én til to sesonger.
AI for fiskevelferd, kvalitet og prosessering av flatfisk
Flatfisk er krevende å håndtere og rense etter sløying. Prosjektet tester blant annet bruk av vakuumsug, kjent fra oppdrettslaks, til rensing av bukhulen. Samtidig skal dagens praksis for slakting, kjøling og transport kartlegges.
Dette åpner for en rekke AI-støttede anvendelser i prosessleddet.
1. Visuell kvalitetskontroll med maskinsyn
Kameraer kombinert med maskinlæring kan brukes til å:
- oppdage ytre skader på flatfisk før videre prosessering
- sortere etter størrelse, kvalitet og produktkategori
- dokumentere kvalitet og skadegrad for ulike fangstmetoder
Dette gir både bedre lønnsomhet og bedre grunnlag for å justere fangst- og håndteringsrutiner.
2. Prediktiv holdbarhet og kjøleoptimalisering
Et viktig delmål i prosjektet er å dokumentere kjølelagringstid. Kombinert med AI kan dette bli til praktiske verktøy, for eksempel:
- modeller som forutsier holdbarhet basert på temperaturhistorikk, fangstmetode og håndteringstid
- anbefalinger for når fisken bør slaktes, fileteres eller sendes videre for å maksimere verdi og minimere svinn
For en bedrift kan det bety at lagersystemet automatisk prioriterer hvilke partier som skal ut først – basert på reell kvalitet, ikke bare «først inn, først ut».
3. Datadrevet fiskevelferd
Når prosjektet dokumenterer overlevelse, skadeutvikling og velferd, legges grunnlaget for velferdsindikatorer som kan overvåkes kontinuerlig:
- bevegelsesmønster og aktivitet i kar (kamera + AI)
- endringer i respirasjonsmønster eller atferd ved lav oksygen
- sammenheng mellom håndtering (lasting, flytting, tetthet) og stressrespons
Slik kunnskap kan omsettes til operative styringsregler:
- automatiske alarmer ved kritiske avvik
- anbefalinger om justering i tetthet, vannstrøm eller temperatur
- beslutningsstøtte for når fisken bør slaktes for best kombinasjon av velferd og kvalitet
Fra forskningsprosjekt til konkurransefortrinn: Slik kan næringen ta neste steg
Nofima og SINTEF Ocean leverer kunnskapsgrunnlaget. Spørsmålet er hvordan rederier, mottak, oppdrettsaktører og industribedrifter kan bruke dette til å bygge en robust og bærekraftig flatfisknæring – med AI som motor.
Her er en praktisk trinnvis tilnærming:
Trinn 1: Standardiser og digitaliser grunnpraksis
- Ta i bruk anbefalingene fra «Beste praksis-veilederen» når den kommer
- Etabler faste, enkle registreringer: fangstdata, håndteringstidspunkter, temperatur, dødelighet
- Sørg for at data lagres strukturert og kan kobles til hvert enkelt parti
Trinn 2: Installer enkle sensorer og kameraer
- Start med grunnleggende sensorer for oksygen, temperatur og pH i kar
- Installer kamera i noen nøkkelpunkt (for eksempel i levende lagring og ved kvalitetskontroll)
- Automatiser mest mulig av datainnsamlingen for å unngå manuell punching
Trinn 3: Bygg en første enkel AI-modell
Sammen med en teknologipartner kan dere utvikle en MVP (minimum viable product) innenfor ett av disse områdene:
- prediksjon av dødelighet i levende lagring
- automatisk sortering etter størrelse og kvalitet
- anbefalt optimal kjølelagringstid for hvert parti
Hensikten er ikke å bygge det perfekte systemet fra dag én, men å etablere en læringssløyfe der data gir bedre modeller – som igjen gir bedre drift.
Trinn 4: Skaler til helhetlig, AI-drevet verdikjede
Når de første modellene er på plass, kan dere gradvis koble dem sammen:
- fangstplanlegging → levende lagring → slakting → kjølelagring → salg
Målet er en sammenhengende verdikjede for flatfisk, der beslutninger tas på bakgrunn av sanntidsdata og AI-analyser – ikke bare magefølelse og historikk.
Hva betyr dette for «AI for Norsk Havbruk: Bærekraftig Oppdrett»?
Flatfiskprosjektet viser tydelig at AI i havbruk og fiskeri ikke bare handler om store lakseanlegg, avanserte fôrsystemer eller digitale tvillinger av merder. Det handler også om å løfte nye arter og nye verdikjeder opp på et modent, datadrevet nivå helt fra start.
For hele havbruks- og sjømatnæringen betyr dette:
- bedre ressursutnyttelse av norske bestander
- redusert press på torsk, hyse og sei
- flere bein å stå på i møte med kvoteendringer og markedssvingninger
- nye eksportmuligheter for høyverdig, bærekraftig flatfisk
Og for deg som virksomhet: en unik anledning til å være tidlig ute i et segment som trolig vil vokse betydelig de neste årene.
Når «Beste praksis-veilederen» for flatfisk kommer på plass i 2026, vil den gi det faglige rammeverket. Spørsmålet er om du samtidig har de digitale og AI-baserte verktøyene klare til å utnytte muligheten.
Neste steg for deg:
- Kartlegg hvilke data dere allerede har i dag
- Identifiser ett konkret område der tapene er størst (dødelighet, svinn, pris)
- Vurder hvordan sensorer, kamera og enkle AI-modeller kan gi bedre beslutningsstøtte
Ny æra for norsk flatfisk handler ikke bare om nye rutiner i praksis. Den handler om å bygge en ny generasjon bærekraftig, datadrevet og AI-støttet sjømatnæring – der flatfisk kan bli en av de mest spennende testarenaene.