AI rammer ikke dem vi troede — hvad sker der med arbejdsmarkedet?

Bundlinje: Generativ AI adskiller sig fundamentalt fra tidligere automatiseringsbølger — den rammer primært kognitivt, sprogbaseret og højtlønnet arbejde, ikke manuelle rutineopgaver. Algoritmisk diskrimination i ansættelse og offentlig forvaltning er veldokumenteret og underreguleret. Effekten på nettobeskæftigelsen er reelt omtvistet — men omstillingshastigheden kan overstige systemernes kapacitet til at absorbere den.

---

Baggrund

Siden 2022 har generative sprogmodeller bredt sig med hidtidig uhørt hastighed. ChatGPT nåede 100 millioner brugere på to måneder — sammenlignet med 10 måneder for Instagram og 3,5 år for Netflix. Det er ikke i sig selv bevis for beskæftigelseseffekter, men det signalerer et teknologisk skift i en hastighed som regulering, overenskomster og uddannelsessystemer ikke er designet til at håndtere.

Spørgsmålet er ikke om AI vil ændre arbejdsmarkedet. Det er hvem der rammes, hvem der vinder, og om vi har de institutionelle redskaber til at styre processen.

Hvad vi ved

✓✓ AI rammer primært kognitivt og højtlønnet arbejde — stik modsat forventningen

En landmærkeundersøgelse (Eloundou et al., 2023) analyserede LLM-eksponering på tværs af alle amerikanske erhverv: ca. 80% af den amerikanske arbejdsstyrke har mindst 10% af sine arbejdsopgaver potentielt påvirket af LLM-integration. Ca. 19% kan se over halvdelen af sine opgaver påvirket.

Det afgørende er hvilke jobs der rammes. Generative sprogmodeller er bedst til sprogbaserede, kommunikative og analytiske opgaver — præcis de opgaver der historisk var "sikre". Industrirobotter ramte primært rutinepræget, manuelt arbejde. AI rammer det kognitive lag — journalister, jurister, analytikere, programmører, konsulenter.

Et schweizisk registerstudie viser at søgningerne efter jobs med høje sproglige krav faldt markant efter lanceringen af generativ AI. Analyse af over 1 million kinesiske jobopslag 2018–2024 finder en statistisk signifikant displacing-effekt af generativ AI — særligt på entry-level, højtlønnet og videregående-uddannede stillinger.

~ Nettobeskæftigelseseffekten er reelt omtvistet

En panel-analyse af 27 EU-lande 2012–2023 finder at AI-investeringer korrelerer med højere arbejdsløshed i gamle EU-lande med høje lønninger — modsat i nye EU-lande med lavere lønninger. Det antyder at det er de stærkeste velstandsmodeller der er mest sårbare (Kjosevski, 2025). Studiet er nyt og afventer replikering.

Et kinesisk studie (Shen & Zhang, 2024) finder omvendt at AI-investeringer netto øger beskæftigelsen — men dette afspejler formentlig kinesisk kontekst med lavere lønninger og anderledes institutionel struktur.

Det klassiske modargument er historisk: hver større teknologisk revolution har skabt mere velstand og flere job end den destruerede. Det er muligt at generativ AI følger samme mønster. Men selv hvis nettoeffekten på sigt er positiv, kan omstillingshastighed, geografisk og uddannelsesmæssig skæv fordeling gøre forløbet ødelæggende for store grupper — og det klassiske svar om teknologiens langsigtede positive effekter er svagt politisk kur mod alvorlig midlertidig skade.

✓✓ Algoritmisk diskrimination er veldokumenteret

Amazons ML-baserede ansættelsesassistent diskriminerede systematisk mod kvinder — fordi systemet var trænet på data fra primært mandlige medarbejdere. Amazon opgav projektet. Det er ikke et enkelttilfælde men en generel mekanisme: algoritmiske systemer indkoder historisk diskrimination og reproducerer den i skaleret form.

Tre kategorier af bias er veldokumenterede i rekrutteringssammenhæng: kønsbias, etnicitetsbias og forældrebias. Et afgørende problem: algoritmisk bias betragtes som "objektiv" og er sværere at anfægte end menneskelig bias.

✓✓ Algoritmiske systemer i offentlig forvaltning skaber dokumenterede skader

Det hollandske SyRI-system — et automatiseret risikoscoringssystem til at identificere social svindel — rettede sig uforholdsmæssigt mod lavindkomstområder med høj andel af indvandrere. I februar 2020 afgjorde Retten i Haag at SyRI-lovgivningen var ulovlig: den afvejer ikke hensynet til svigdetektion og retten til privatliv tilfredsstillende, og diskriminationsrisikoen er reel.

En nordisk analyse identificerer tre tilbagevendende problemer ved automatiseret beslutningstagning i velfærdsstater: vedvarende mistænkeliggørelse af modtagere, uigennemsigtig beslutningstagning og straf rettet mod marginaliserede grupper.

En menneskelig sagsbehandler kan diskriminere. Et system der behandler 100.000 sager diskriminerer 100.000 gange — og er sværere at opdage, fordi det fremstår som objektivt.

✓ EU AI Act rammer rigtigt — men effektiv implementering er omtvistet

EU's AI-forordning (2024) er den første bindende, brede regulering af AI globalt. Systemet forbyder sociale kreditscorer, subliminal manipulation og real-time biometrisk overvågning i det offentlige rum, og stiller krav om transparens og menneskelig kontrol ved højrisiko-AI i beskæftigelse, sociale ydelser, retshåndhævelse og migration.

Men kritisk analyse viser at definitionen af AI-systemer er for bred, og at erfaringer fra GDPR viser at regulering uden effektiv håndhævelse ikke ændrer adfærd. Det er omtvistet om implementeringen vil blive tilstrækkelig.

✓ Dansk offentlig digitalisering har svækket den offentlige kapacitet til at vurdere AI

En analyse af de danske digitaliseringsreformer 2002–2019 viser at et centralt formål med digitalisering ikke var at forbedre den offentlige service — det var at vokse Danmarks digitale eksportindustri. Resultatet var at ansvaret for kritisk IT-infrastruktur overflyttedes til private aktører, mens offentlig kompetence i dataforvaltning faldt (Collington, 2021). En offentlig sektor der har mistet kompetencer i it-forvaltning er særligt sårbar over for at anskaffe AI-systemer den ikke er i stand til at vurdere eller revidere.

Hvad analysen ikke dækker

Analysen dækker ikke AI's effekter på specifikke brancher i detaljer, ikke de konkrete implementeringsscenarier for EU AI Act i dansk ret, og ikke de tekniske detaljer om, hvordan AI-systemer kan auditeres. Analysen dækker heller ikke AI i uddannelsessektoren.

Implikationer

Fordelingsmekanismerne er ikke selvregulerende. Produktivitetsgevinster fra AI-drevet automatisering vil i fraværet af aktive fordelingsmekanismer koncentreres hos kapitalejere — det er mønstret fra computerisering og globalisering siden 1980'erne. IMF anbefaler ikke en specifik AI-skat, da den let undgås via geografisk flytning. Det foretrukne instrument er at hæve effektive skatterater på arbejdssubstituerende kapital — dvs. korrigere den eksisterende skattemæssige favorisering af kapital over arbejde.

Overenskomstsystemet er det mest robuste redskab. Den danske model for håndtering af ny teknologi på arbejdspladsen er overenskomstsystemet. Det fungerer — men det fanger ikke automatisk nye ansættelsesformer og AI-baserede ledelsessystemer. Aktiv tilpasning er nødvendig.

Borgernes rettigheder kræver reel håndhævelse. EU AI Acts krav om transparens og menneskelig kontrol ved højrisiko-AI er rigtige i princippet. Men national implementering mangler systematik, og der mangler offentligt tilgængeligt datagrundlag for hvilke AI-systemer der konkret bruges i dansk offentlig forvaltning med hvilke fejlrater.

Velfærdsteknologi i ældrepleje kræver differentieret tilgang. En stor tværsnitsundersøgelse af svenske plejemedarbejdere finder at interaktive teknologier er positivt forbundet med plejekontinuitet og brugerdeltagelse, mens digitale dokumentationssystemer og kamerasystemer er negativt forbundet med brugerdeltagelse. Uddannelse i teknologibrug er den stærkeste positive faktor — ikke teknologien i sig selv.

⚖ Spørgsmålet om hvor meget AI-gevinsten skal beskattes og omfordeles er et politisk valg. Evidensen viser at ukompenseret AI-driven automatisering øger ulighed — men det optimale niveau for korrektiv beskatning er empirisk uafklaret.

Kilder og metode

Analysen bygger på intern rapport (Saglighed, april 2026) med Scite.ai-validering.

• Eloundou, T. et al. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. arXiv.
• Acemoglu, D. & Restrepo, P. (2020). Robots and Jobs: Evidence from US Labor Markets. Journal of Political Economy, 128(6).
• Kjosevski, J. (2025). Artificial Intelligence and Its Impact on Unemployment. Preprint.
• Chen, Z. (2023). Ethics and discrimination in artificial intelligence-enabled recruitment practices. Humanities and Social Sciences Communications, 10.
• van Bekkum, M. & Borgesius, F.Z. (2021). Digital welfare fraud detection and the Dutch SyRI judgment. European Journal of Social Security, 23(4).
• Collington, R. (2021). Disrupting the Welfare State? New Political Economy, 27(2).
• Naseer, M. & Dellve, L. (2025). Assessing the Use of Welfare Technology in Social Care for Older Adults. JMIR Nursing, 8.
• Brollo, F. et al. (2024). Broadening the Gains from Generative AI. IMF Staff Discussion Note 2024/002.