Det norske offentlige ordskiftet om kunstig intelligens (KI) i arbeidslivet har i de siste årene satt søkelys på adopsjonstempo, produktivitetsgevinster, regulering, og spørsmål om etikk og rettigheter. Isolert sett er disse viktige temaer, men de viser ikke hvordan KI sprer seg i hele arbeidslivet eller hva teknologien vil bety for forskjeller mellom arbeidstakere og ulike deler av landet.

Fire mønstre kommer fram når man legger analysene i denne appen ved siden av hverandre. Les om metode og datagrunnlag.

For det første: KI-eksponeringen er ujevnt fordelt på tvers av yrker. Akademiske yrker, høyskoleyrker og kontoryrker har klart høyest andel oppgaver som KI kan hjelpe med eller utføre. Det er der KI kan utgjøre størst forskjell i hvordan arbeidet faktisk gjøres. Yrker innenfor håndverk, primærnæringer og fysiske serviceyrker har vesentlig mindre av denne typen oppgaver.

For det andre: Mange høytlønnede yrker er sterkt KI-eksponerte, men eksponeringen handler i hovedsak om at KI kan hjelpe i utførelsen av oppgavene, ikke overta dem. Lavtlønnede yrker er gjennomgående mindre eksponerte. Antakelsen om at KI først og fremst rammer lavtlønnsyrker, støttes derfor ikke av tallene.

For det tredje: Forskjellene mellom kvinner og menn i hvor utsatte yrkene deres er for KI, er små på nasjonalt nivå. De viktigste forskjellene mellom kjønnene ligger trolig ikke i selve eksponeringen, men i hvem som tar teknologien i bruk og hvordan.

For det fjerde: Storbyene har høyest KI-eksponering, men også enkelte små kommuner havner på topp. Det avgjørende er ikke om kommunen er stor eller liten, men hvilke yrker som dominerer der. Små kommuner hvor offentlig administrasjon utgjør en stor del av arbeidsmarkedet, har like høy eksponering som storbyene, men et smalere lokalt arbeidsmarked å falle tilbake på hvis stillinger forsvinner.

De fire analysene viser samlet sett et mer helhetlig bilde av hvordan KI påvirker og vil påvirke norsk arbeidsliv.

Norge har et stort uutnyttet KI-potensial, særlig i kunnskapsyrker og kontorarbeid. Det er en logisk konsekvens av hvordan norsk arbeidsliv er sammensatt: en betydelig andel av de yrkesaktive jobber i offentlig og privat tjenesteyting, i roller hvor mye av arbeidet er kognitivt, dokumentbasert og kommunikasjonsrettet. Det er nettopp denne typen arbeid KI er best egnet til å hjelpe med, og i noen tilfeller utføre. Selv om utviklingen av teknologien skulle stoppe i dag, ville det fortsatt finnes betydelige muligheter for endring i hvordan mye av norsk arbeid gjøres. Og utviklingen stopper ikke. Den går svært raskt, og potensialet vokser tilsvarende.

Hvordan KI møter ulike yrker, varierer med arbeidets karakter. I yrker hvor arbeidet er komplekst, delvis relasjonsbasert, og ofte beskyttet av krav til autorisasjon eller spesialisert kompetanse, framstår KI mer som hjelp i utførelsen enn som noe som overtar oppgavene. Leger, advokater, meglere og toppledere er eksempler. Slike yrker er gjerne også høyt lønnede, og det er grunn til å tro at KI-eksponeringen her først og fremst gir mulighet for raskere og bedre arbeid, og dermed potensielt høyere produktivitet og inntjening for de samme gruppene. I yrker hvor arbeidet er mer rutinemessig og strukturert, slik mye administrativt kontorarbeid er, ligger en større del av oppgavene innenfor det KI kan utføre på egen hånd. Det er der vi finner det største potensialet for at oppgaver blir overtatt av teknologien, ikke bare hjulpet av den.

Når det gjelder kjønn, er det lite som tyder på at kvinner og menn står overfor vesentlig ulik eksponering i selve arbeidet. Men det er grunn til å tro at forskjeller i hvem som lærer seg å bruke teknologien, kan gjøre at lik eksponering blir til ulik virkelighet over tid.

Analysen av forskjellene på tvers av kommuner gir nyttig innsikt i risikoen for økte forskjeller mellom ulike deler av landet. De største kommunene er mest eksponerte fordi de har mange kunnskapsarbeidsplasser. Det samme gjelder enkelte små kommuner hvor offentlig administrasjon utgjør en stor del av arbeidsmarkedet, som Karasjok, Kautokeino og Vadsø. Men eksponering er ikke det samme som sårbarhet. En kommune som Stord, med store verft, mekanisk industri, et stort maritimt klyngemiljø og betydelig privat og offentlig tjenesteyting, har et bredt arbeidsmarked. Hvis kontoroppgaver i én sektor endres eller bortfaller fordi KI overtar dem, finnes det andre yrker, andre virksomheter og andre roller lokalt. Arbeidsstyrken kan omstilles innenfor det lokale arbeidsmarkedet.

I små kommuner dominert av offentlig administrasjon er bildet et annet. Hvis stillinger forsvinner eller endrer karakter, finnes det få alternative arbeidsplasser lokalt. En person som mister jobben i kommuneadministrasjonen i Vadsø, har ikke et bredt utvalg av andre arbeidsgivere innen rimelig avstand. Tilsvarende er kommunens skattegrunnlag konsentrert: når en betydelig andel av de yrkesaktive jobber i de samme få sektorene, betyr det at både folketall, skatteinngang og lokal etterspørsel henger på et smalere fundament enn i en mer variert kommune. Det er denne kombinasjonen som gjør enkelte små kommuner særlig sårbare, og som krever en politikk som er forskjellig fra den som passer for kommuner med diversifisert næringsstruktur.

Måten KI treffer norsk arbeidsliv på, er altså mangefasettert. Den varierer med yrke, lønnsnivå, kjønn, og ikke minst med hvor man bor og hva slags arbeidsmarked man har rundt seg. Det er denne ujevnheten politikken og planleggingen må forholde seg til.

Det er fristende å plassere ansvaret hos politikerne. Men gode valg om KI i arbeidslivet må tas på flere nivåer samtidig: i nasjonal politikk, i kommunal planlegging, i ledelse av virksomheter, i den enkeltes planlegging av utdanning og karriere, og i veiledningen vi gir til barn og unge.

På nasjonalt nivå handler det om å sørge for at ambisiøse mål for KI i offentlig sektor ledsages av en differensiert tilnærming. Det som er en produktivitetsgevinst i Oslo, kan være en strukturell utfordring i Karasjok. Universell tilgang til KI-kunnskap er nødvendig for at ikke deler av landet skal havne på etterskudd, men hva gevinstene brukes til, må kunne tilpasses lokalt. Å måle suksess på årsverksreduksjon gir feil insentiver i de mest sårbare kommunene. Å måle på tjenestekvalitet og innbyggertilfredshet, snur insentivene rett vei.

På virksomhetsnivå handler det om å forstå at lik tilgang til teknologien ikke gir lik faktisk bruk. Hvis noen grupper lærer seg å bruke KI raskere enn andre, samler produktivitetsgevinsten seg ujevnt selv uten at noen ønsker det. Det gjelder mellom kvinner og menn, mellom yngre og eldre arbeidstakere, og mellom dem som har og dem som mangler grunnleggende digital trygghet. Ledere som tar dette på alvor, investerer i opplæring som faktisk når alle, ikke bare de som allerede er nysgjerrige.

På individnivå handler det om å ta inn over seg at endringene kommer, men ikke nødvendigvis i den retningen man frykter. KI som hjelp i kognitivt arbeid er sannsynligvis et større tema enn KI som overtar jobber. Det betyr at det å lære seg å bruke teknologien godt, er en investering på linje med annen læring man tilegner seg gjennom karrieren. For unge som velger utdanning, og for foreldre som hjelper barna å tenke gjennom valgene, handler det om å forstå hvilke yrker som blir endret av KI, hvilke som blir mindre påvirket, og hvor mulighetene ligger.

Verktøyet i denne appen er bygget for å støtte den typen valg.