Virksomheder der erstatter lønmodtagere med AI og automatisering betaler et bidrag til en national kompetencefond. Fonden finansierer omstillingsforløb, efteruddannelse og indkomststøtte til dem der rammes af strukturel automation. Det er ikke en straf for effektivisering — det er en mekanisme der sikrer at produktivitetsgevinsten deles med de arbejdstagere og det fællesskab der muliggjorde den. Modellen bygger på eksisterende erhvervs- og uddannelsesinfrastruktur.

Hvad evidensen viser

✓✓ Tidligere automatiseringsbølger har skabt vedvarende ulighed uden målrettet kompensation. Forskning i routine-biased technical change viser at computerisering og robotisering siden 1980'erne systematisk har fortrængt mellemindkomstjob, øget polarisering og reduceret relative lønninger for dem i eksponerede stillinger — uden at markedet selv har kompenseret tilstrækkeligt. (Autor, Levy & Murnane, 2003; Autor, 2022)

✓ Generativ AI rammer nu kognitive jobs og videregående-uddannede — hurtigere end systemet kan absorbere. Dataanalyse af jobannoncer viser signifikant displacement-effekt på højtlønnet, kognitivt arbejde efter lanceringen af generativ AI. Omstillingshastigheden er potentielt højere end ved tidligere bølger. (Liu et al., 2025; Göller et al., 2023)

✓ Skattesystemet subsidierer i dag erstatning af arbejdskraft med kapital. Kapitalinvesteringer i maskiner og software beskattes effektivt lavere end lønindkomst i de fleste vestlige lande — det er et strukturelt incitament til at erstatte ansatte med algoritmer, selv når den menneskelige løsning er samfundsøkonomisk mere effektiv. Acemoglu & Johnson (2023) kalder dette "automation bias" — et designvalg drevet af skattepolitik, ikke teknologisk nødvendighed. (Acemoglu & Johnson, 2023)

✓ Automatiserede systemer skaber privatiserede gevinster med socialiserede tab. Mikrosimuleringsanalyse af AGI-drevet automation viser at ureguleret konkurrence driver over-automatisering i visse sektorer — og at automation taxation eller UBI finansieret af automatiseringsgevinster er dokumenterede politikinstrumenter til at korrigere denne markedsfejl. (Furfaro, 2025)

~ Effekten af automatiseringsskat på investeringsniveau er omtvistet — og en specifik AI-skat er sandsynligvis suboptimal. IMF konkluderer at en specifik AI- eller robot-skat let undgås via geografisk flytning og anbefales ikke. Det foretrukne instrument er at hæve effektive skatterater på arbejdssubstituerende kapitalinvesteringer generelt — en korrektion af den eksisterende skattemæssige favorisering af kapital over arbejde. Atolia et al. (2024) finder at kapital i det lange løb bør beskattes højere end arbejde for at finansiere omstilling under automation. (Brollo/IMF, 2024; Atolia et al., 2024; McCredie et al., 2019)

---

Afvejninger

⚖ Automatiseringsbidrag er et eksplicit valg om at lade fællesskabet kræve sin andel af produktivitetsgevinsten. Alternativet — at lade gevinsten privatiseres og håndtere omstilling udelukkende via eksisterende dagpenge og AMU — er et tilsvarende valg om ikke at gribe ind. Vi vurderer at omstillingens hastighed og bredde gør det nødvendigt med en dedikeret finansieringsmekanisme.

🟡 Risiko for at bidragets sats rammer suboptimalt: for lavt finansierer det ikke reel omstilling; for højt bremser det ønskværdig effektivisering. Konkret sats og optjeningsmodel kræver yderligere analyse og dialog med arbejdsmarkedets parter.

---

Hvad Saglighed gør

Nu:

• Udred den konkrete udformning i samarbejde med arbejdsmarkedets parter: bidragssats, optjeningsmodel og kobling til eksisterende VEU/AMU-system
• Ret omgående de regelkrav der gør VEU-godtgørelsen utilstrækkelig for dem med størst omstillingsbehov

Denne valgperiode:

• Automatiseringsbidrag for virksomheder der dokumenteret erstatter lønmodtagerstillinger med automatisering
• Kompetencefond der finansierer op til 6 måneders fuld indkomstdækning kombineret med reelt omstillingsforløb

Næste generation:

• Vurder om bidraget skal udvides til at finansiere universel omstillingssikkerhed uanset årsag — ikke kun AI-relateret jobdisplacement

---

Kilder

1. Acemoglu, D. & Johnson, S. (2023). Power and Progress — Our Thousand-Year Struggle Over Technology and Prosperity. PublicAffairs. (Dokumenterer skatteasymmetri som driver for automation bias og historisk begrundelse for aktiv omfordeling)
2. Autor, D., Levy, F. & Murnane, R. (2003). The Skill Content of Recent Technological Change. Quarterly Journal of Economics, 118(4), 1279–1333. https://doi.org/10.1162/003355303322552801
3. Acemoglu, D. & Restrepo, P. (2020). Robots and Jobs: Evidence from US Labor Markets. Journal of Political Economy, 128(6), 2188–2244. https://doi.org/10.1086/705716
4. Liu, L., Hu, J. & Wang, A. (2025). Generative artificial intelligence causes displacement for white-collar workers but reduces regional opportunity disparities. https://doi.org/10.21203/rs.3.rs-5596705/v1
5. Göller, D., Gschwendt, C. & Wolter, S.C. (2023). "This Time it's Different" — Generative AI and Occupational Choice. CESifo Working Paper 10821. https://doi.org/10.2139/ssrn.4651059
6. Furfaro, F. (2025). Simulating the End of Work and Money: A Microsimulation of AGI-Driven Automation. https://doi.org/10.21203/rs.3.rs-8408333/v1
7. Brollo, F. et al. (2024). Broadening the Gains from Generative AI. IMF Staff Discussion Note 2024/002. https://doi.org/10.5089/9798400277177.006
8. McCredie, B., Sadiq, K. & Chapple, L. (2019). Navigating the fourth industrial revolution: Taxing automation for fiscal sustainability. Australian Journal of Management, 44(4), 648–664. https://doi.org/10.1177/0312896219870576
9. Atolia, M., Holland, M. & Kreamer, J. (2024). Optimal taxes and basic income during an episode of automation. Macroeconomic Dynamics, 29. https://doi.org/10.1017/s1365100524000361

---

Saglighed = Fakta · Lighed · Fremtid · saglighed.dk