AI i norsk sjømat og havbruk 2026 fra laksemerd til eksportdokumentasjon

AI i norsk sjømat og havbruk 2026 — fra laksemerd til eksportdokumentasjon

Norsk havbruk er en av landets viktigste eksportnæringer, og datasettene er massive — millioner av sensoravlesninger, videobilder fra merder og transaksjonslogger fra eksport. Nå begynner næringen å bruke maskinlæring på dette materialet, med varierende resultater.

Hva som faktisk brukes i dag

Biomasse-estimering med undervannsvideo er det mest utbredte bruksområdet. Selskaper som Aquabyte og Observe Technologies tilbyr systemer der kameraer i merdene estimerer gjennomsnittsvekt og antall fisk via bildegjenkjenning. Resultatet mates inn i fôrstyringsalgoritmer som justerer mengde fôr løpende. Norske oppdrettere som Mowi og SalMar har hatt slike systemer i drift siden 2023–2024, men presisjonen varierer etter vannkvalitet og lysforhold.

Sykdomsdeteksjon er et voksende felt. Bildegjenkjenning som oppdager lakselus og tidlige tegn på skader på finnene er under utprøving hos flere selskaper. Per juni 2026 er dette fortsatt pilotfase hos de fleste, men resultatene er lovende nok til at Mattilsynet følger med på om det kan lette tilsynsbyrden.

Fôr- og miljøoptimalisering bruker modeller som kombinerer temperatur, oksygennivå, strøm og fiskeatferd for å beregne optimal fôringsrytme. Dette er ikke nytt i seg selv — det som er nytt er at modellene i større grad trenes på eget anleggsdata og oppdateres kontinuerlig.

Foredling og kvalitetskontroll

I fiskeforedling brukes kamerasystemer med maskinlæring til kvalitetssortering — farge, størrelse og synlige defekter. Dette har vært standard i store anlegg en stund, men prisene har falt slik at mellomstore foredlere nå kan ta det i bruk.

Et område som er undervurdert: automatisk generering av eksportdokumentasjon. Norsk sjømat eksporteres til over 100 markeder med ulike veterinærkrav, opprinnelsesdokumenter og sporbarhetskrav. Flere eksportører tester AI-verktøy som hjelper til med å fylle ut og verifisere dokumentene, noe som reduserer risikoen for feil som kan stoppe en forsendelse i tollen.

Barrierer for videre innføring

Datagrunnlaget er fragmentert. Mange oppdrettsanlegg har sensorsystemer som ikke snakker sammen, og historiske data er lagret i formater som er vanskelige å bruke til maskinlæring. Mangelen på strukturerte datasett er en hyppig klagelåt blant de som driver med AI-utvikling i næringen.

Kompetansen er ujevnt fordelt. Store aktører som Mowi og SalMar har egne datateam. Mellomstore og små anlegg er avhengige av leverandørene av utstyret sitt.

Personvern og datadeling er en annen skranke. Havbruksnæringen er konkurranseintensiv, og det er liten tradisjon for å dele data på tvers av selskaper — noe som bremser utvikling av bransjemodeller.

«Potensialet for AI i havbruk er reelt, men vi ser at det tar lengre tid enn antatt å gå fra pilotprosjekt til skalert drift.» — Representant fra FHF (Fiskeri- og havbruksnæringens forskningsfinansiering), sitert i bransjesammenheng 2025

Hva det betyr for norske bedrifter

For oppdrettere med store anlegg er AI-basert biomasse-estimering og fôroptimalisering sannsynligvis lønnsomt allerede. For mindre aktører er spørsmålet om de kan koble seg på leverandørenes plattformer uten å bygge egne datateam. Foredlingsbedrifter og eksportører bør vurdere om dokumentasjonsprosessene — et tidkrevende manuelt arbeid — kan automatiseres delvis.