Luselasere og AI: Slik endrer Stingray norsk oppdrett

Havbruksnæringen går inn i vinteren 2025 med høyt biologisk press, strengere miljøkrav og økt internasjonal konkurranse. Samtidig ser vi et tydelig skifte: stadig mer av kampen mot lakselus og dødelighet flyttes fra kjemikalier og manuell håndtering til sensorer, algoritmer og laser.

I dette landskapet har Stingray Marine Solutions tatt et stort sprang. På ett år har selskapet nesten doblet produksjonen av sine luselasere, og er nå installert på rundt en fjerdedel av norske lokaliteter – med ambisjon om å nå 35 % allerede innen neste år. Det er ikke bare en suksesshistorie for én leverandør; det er et tegn på hvor raskt AI-drevet teknologi nå tas i bruk i norsk havbruk.

I denne artikkelen, som del av serien «AI for Norsk Havbruk: Bærekraftig Oppdrett», ser vi på hva Stingrays vekst egentlig betyr for næringen, hvordan luselasere passer inn i en helhetlig AI-strategi, og hva oppdrettere konkret bør gjøre nå for å utnytte potensialet.

1. Hva betyr Stingrays vekst for norsk oppdrett?

Stingray hadde ved inngangen til 2024 produsert rundt 1 750 luselaser-noder. Etter investering i en fabrikk nummer to og nye produksjonslinjer er tallet nå kommet opp i over 3 000 enheter. Resultatet er at titalls millioner laks og ørret i Norge og på Island i dag står i merder der lus kontinuerlig overvåkes – og skytes – automatisk.

Fra pilotprosjekter til industriell skala

Utviklingen illustrerer et viktig skifte:

• Fra punktløsninger til infrastruktur: Luselasere var lenge noe man «testet på én merd». Nå planlegges de inn som del av grunninfrastrukturen på hele lokaliteter.
• Fra manuelt til kontinuerlig: I stedet for periodiske avlusninger med store aksjoner og høy risiko for stress og dødelighet, får man mer kontinuerlig, skånsom belastning på lusenivåene.
• Fra enkeltteknologi til dataplattform: Hver node er en sensorpakke som genererer store mengder data om fisk, lus og miljø. Det er råstoff for avansert AI i havbruk.

For norske oppdrettere betyr dette at lus ikke lenger bare er et behandlingsproblem, men et dataproblem og optimaliseringsproblem – der løsningen i økende grad er digital.

Markedsandel som sier noe om tempoet

Med installasjon på omtrent en fjerdedel av norske lokaliteter, og mål om 35 % innen et år, er ikke luselaser lenger å anse som «tidlig fase». Det nærmer seg en bransjestandard i open-net oppdrett. For leverandører og oppdrettere som fortsatt sitter på gjerdet, er det et tydelig signal: konkurransefortrinnet flyttes raskt mot de som tar i bruk datadrevet lusekontroll nå, ikke om fem år.

2. Hvordan fungerer luselasere – og hvor kommer AI inn?

Luselasere kombinerer sensorer, bildeanalyse og presisjonslaser for å identifisere og uskadeliggjøre lakselus på fisken mens den svømmer i merden.

De viktigste teknologikomponentene

I forenklet form består systemet av:

• Kamera og sensorer som kontinuerlig overvåker fisk i vannet
• Bildeanalyse og maskinlæring som gjenkjenner laks vs. lus, og skiller lus fra andre objekter
• Styringssystem som sikrer riktige skyteparametere (vinkel, energi, avstand)
• Laser som treffsikkert nøytraliserer lusa uten å skade fisken

AI-modellene trenes på store mengder bilder av fisk med og uten lus, i ulike lys- og miljøforhold. Over tid blir systemet bedre til å:

• oppdage mindre lus
• redusere falske positive (skyting på «feil» objekt)
• tilpasse seg variasjoner mellom lokaliteter og arter

Dataene som kan endre driften

For en moderne oppdretter er kanskje ikke laseren det viktigste – men dataene rundt:

• Historiske og sanntids lusetall per merd, per fiskestørrelse, per dybde
• Sammenheng mellom lusenivå, temperatur, strøm og salinitet
• Effekt av ulike strategier (f.eks. vaksinering, fôrstrategi, skjerming) på lusenivå

Koblet mot andre datakilder (fôr, vekst, dødelighet, oksygennivå, strømdata) kan dette bli grunnlaget for mer avansert prediktiv analyse:

• Varsler om forventet lusetopp 2–3 uker frem i tid
• Optimalisering av antall luselasere, plassering og driftstid
• Beslutningsstøtte: Når lønner det seg å supplere med mekanisk avlusing – og når ikke?

Dette er kjernen i AI for norsk havbruk: ikke bare automatisering av én oppgave, men datadrevet beslutningsstøtte for hele produksjonsløpet.

3. Luselasere i kombinasjon med lukkede og semi-lukkede systemer

En sentral diskusjon i næringen er om lukkede eller landbaserte anlegg på sikt vil «erstatte» åpne merder i sjø. Stingrays ledelse peker på det motsatte: en fremtid der lukkede, semi-lukkede og åpne merder lever side om side – og der AI og sensorteknologi binder dem sammen.

Postsmolt-modellen: 1 kg på land – resten i sjø

En stadig mer utbredt modell er:

1. Rogn til ca. 1 kg postsmolt i landbaserte eller lukkede anlegg
2. Utslakting i åpne merder i sjø i 10–12 måneder

Argumentene for denne modellen er:

• Kortere tid i sjø reduserer lusepress og sykdomsrisiko
• Bedre kontroll i startfasen gir mer jevn kvalitet og tilvekst
• Eksisterende konsesjoner og infrastruktur til sjøs utnyttes fullt ut

I denne modellen blir luselasere en nøkkel i den «andre fasen»: når fisken går ut i åpne merder, men en ønsker å beholde kontrollnivået man hadde på land.

AI som limet mellom produksjonsfasene

For å utnytte potensialet fullt ut, må data flyte sømløst:

• Helse- og vekstdata fra RAS/lukkeanlegg følger fisken ut i sjø
• Lusedata og miljødata fra luselasere og sensorer i sjø tilbakeføres til planlegging på land
• Felles datastrategi og AI-modeller som ser hele verdikjeden under ett

Da kan du for eksempel bruke historiske data til å simulere:

• Hvilke utslaktingstidspunkter som gir lavest forventet lusetrykk
• Hvordan ulike utsettstidspunkter påvirker både lus og slaktevekt
• Hvilken kombinasjon av lukkede systemer, skjerming og luselasere som gir lavest kostnad per kg ved gitte miljøforhold

4. Praktiske råd til oppdrettere som vil satse på AI-baserte luseløsninger

Mange oppdrettere har én eller noen få merder med luselaser, men har ennå ikke tatt steget til å gjøre dette til en del av en overordnet digitaliserings- og AI-strategi. Her er noen konkrete steg.

4.1 Start med et tydelig forretningsmål

I stedet for å «kjøpe teknologi», bør du definere mål som:

• Redusere antall manuelle avlusinger per generasjon med X %
• Kutte medikamentbruk og termisk behandling med Y %
• Øke overlevelse og redusere produksjonskostnad per kg med Z %

Da blir det lettere å vurdere om investeringen i luselaser og tilhørende AI-løsninger faktisk leverer.

4.2 Bygg en enkel dataplattform først

Du trenger ikke en fullskala «digitalsatsing» for å komme i gang. Start med å sikre at du har:

• Strukturert lagring av driftsdata (biomasse, fôr, dødelighet, lusetellinger)
• Tilgang til og lagring av data fra luselaserne (eventuelt via leverandørens API/eksport)
• Et minimum av datakvalitet og standardisering (samme enheter, definisjoner og tidsstempler)

Deretter kan du gradvis legge på mer avanserte analyser – enten i egne verktøy eller via tredjepartsløsninger.

4.3 Kombiner luselaserdata med andre AI-verktøy

I denne bloggserien har vi sett at potensialet virkelig frigjøres når ulike AI-løsninger kobles sammen. For luselasere er særlig disse koblingene interessante:

• Fôroptimalisering: Hvordan påvirker justert fôringsstrategi fiskenes svømmemønster – og dermed laserdekningen?
• Miljøovervåking: Kan du koble lusepress til spesifikke mønstre i strøm, temperatur eller salinitet og agere tidligere?
• Produksjonsplanlegging: Bruk prediktive modeller til å legge slakting og utsett i perioder med forventet lavere risk.

Målet er ikke å ha flest mulig «dingser i merden», men å skape et samkjørt system der hver enhet gir data som forbedrer helheten.

5. Bærekraft, omdømme og regulering – mer enn bare teknologi

Luselasere og AI-løsninger handler ikke bare om teknologi og kostnader. De er også en viktig brikke for å møte regulering, samfunnskrav og omdømmeutfordringer.

Redusert biologisk fotavtrykk

Ved å holde lusenivåene nede med skånsomme, kontinuerlige tiltak kan oppdrettere:

• Redusere risiko for lus på villfisk
• Begrense behovet for medikamentell og termisk behandling
• Senke stress og dødelighet hos fisken

Dette styrker ikke bare driftsøkonomien, men også den dokumenterbare bærekraftprofilen – noe som blir stadig viktigere i møte med både lakseskatt, rapporteringskrav og krav fra sluttkunder.

Datadrevet dialog med forvaltning og lokalsamfunn

Når du kan vise til løpende data på lusenivå, miljøtilstand og tiltakseffekt, endres også dialogen med:

• forvaltning og tilsyn
• miljøorganisasjoner
• lokalsamfunn og media

I stedet for å diskutere på prinsipielt nivå, kan du vise faktiske tall: hvor mange lus er fjernet, hvor ofte, under hvilke forhold. Dette er en viktig del av å bygge tillit til norsk oppdrett fremover.

6. Veien videre: Fra lasere til helhetlig AI i havbruk

Stingrays kraftige kapasitetsøkning viser at næringen nå er villig til å investere tungt i AI-basert lusekontroll. Men luselasere er bare én brikke i et mye større bilde.

I serien «AI for Norsk Havbruk: Bærekraftig Oppdrett» ser vi hvordan de samme prinsippene – sensorer, maskinlæring, prediktiv analyse – kan brukes til:

• løpende helsemonitorering av fisk (atferd, bevegelsesmønster, sår)
• fôroptimalisering og redusert fôrspill
• mer presis miljøovervåking og varsling av risikosituasjoner
• smartere produksjonsplanlegging og logistikk

For oppdrettere som vil ligge i forkant, handler neste steg om å løfte blikket fra enkeltsystemer til en helhetlig AI-strategi for hele konsernet eller driftsområdet.

• Kartlegg hvilke data dere allerede har (og hva dere mangler)
• Prioriter få, men tydelige forretningsmål for AI-bruken
• Test i liten skala – skaler raskt når effekten er dokumentert

Luselasere viser at dette ikke lenger er teori, men praksis. Spørsmålet fremover er ikke om AI vil prege norsk havbruk, men hvem som klarer å utnytte det best – raskest.

---

Vil du utforske hvordan AI-styrt luselaser, helsemonitorering og fôroptimalisering kan settes sammen til en helhetlig strategi for ditt selskap? Nå er tidspunktet perfekt til å planlegge neste generasjons merder – før neste lusetopp kommer.