Sådan beregnes AI-"jobrisiko"-scorer egentlig

Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.

Hvordan AI-jobrisikoscorer beregnes, betyder mere end selve overskriftstallet. Karpathys projekt, Goldman Sachs, Den Internationale Valutafond (IMF) og Anthropic bruger alle forskellige konstruktioner af "eksponering", så deres procenttal kan ikke byttes rundt.

Det samme erhverv kan få meget forskellige scorer afhængigt af metoden bag, og ingen af disse mål fortæller dig i sig selv, om du kommer til at miste dit job.

TL;DR

• Offentlige "AI-jobrisiko"-tal er ikke én metrik. Mange tager udgangspunkt i teoretisk eksponering baseret på et jobs evner eller opgaver, mens Anthropic også måler observeret AI-brug; arbejdsgiverundersøgelser som World Economic Forums bruger igen et helt andet instrument.
• Teoretiske mål og mål for observeret brug kan afvige kraftigt for det samme erhverv. I Anthropics sammenligning fra marts 2026 satte Eloundou et al.s teoretiske mål opgaver inden for it og matematik til 94 % eksponering, mens Anthropics mål for observeret eksponering nåede 33 %.
• Et fagfællebedømt studie fra 2025 i PNAS Nexus sammenlignede tolv eksponeringsscorer med arbejdsløshedsrisiko og fandt, at den bedste enkeltscore alene forklarede 10,7 % af variationen; at kombinere alle tolv løftede tallet til 29,8 %.
• Før du stoler på det næste "AI-jobrisiko"-tal, du ser, er det nyttige spørgsmål, hvilken metode der har frembragt det, ikke bare hvad tallet siger.

Hvad denne artikel ikke dækker

Denne artikel forklarer en mekanisme, den fælder ikke dom over noget bestemt job, så nogle nærliggende spørgsmål ligger uden for dens rammer:

• Den rangerer ikke, hvilke erhverv der er mest sikre eller mest udsatte. Det er en anden slags artikel.
• Den analyserer ikke aktuelle ansættelsestendenser efter alder eller anciennitet; de arbejdsmarkedsresultater kræver et andet evidensgrundlag end eksponeringsscorer.
• Den forudsiger ikke, hvor AI-evnerne bevæger sig hen. Metodespørgsmålet gælder, uanset hvor gode fremtidige modeller bliver.

Sådan fungerer teoretisk eksponeringsscoring: O*NET, AIOE, Goldman Sachs og IMF

AI Occupational Exposure-indekset, kendt som AIOE, krydser ti kategorier af AI-anvendelser med 52 erhvervsmæssige evner i O*NET. En crowdsourcet matrix vurderer, hvor tæt hver AI-anvendelse hænger sammen med hver menneskelig evne, og scoren vægtes derefter efter, hvor udbredte og vigtige disse evner er i et givet erhverv. Økonomerne Edward Felten, Manav Raj og Robert Seamans publicerede metoden i Strategic Management Journal i 2021. Den blev et indflydelsesrigt grundlag for senere forsøg på at måle erhvervsmæssig AI-eksponering.

Det vigtige ved AIOE er, at det er et mål for eksponering, ikke for udbredelse. Det anslår, hvor stærkt fremskridt i AI-anvendelser overlapper med de evner, et erhverv kræver; det fortæller ikke, om arbejdsgivere bruger AI dér, om det økonomisk kan betale sig, eller om beskæftigelsen vil falde.

IMF tilpassede Felten, Raj og Seamans' eksponeringsmål i en staff discussion note fra januar 2024 og parrede det med et separat komplementaritetsindeks, der indfanger, hvor meget et erhverv er beskyttet mod fuld erstatning af faktorer som menneskelig dømmekraft, social kontekst og fysisk tilstedeværelse. Med den ramme anslog IMF, at næsten 40 % af den globale beskæftigelse ligger i højt eksponerede erhverv, stigende til omkring 60 % i avancerede økonomier.

Goldman Sachs' analyse fra april 2026 tager et lignende skridt videre: Den kombinerer en tidligere AI-fortrængningsscore med IMF-økonomernes komplementaritetsindeks for at adskille sandsynlig erstatning fra forstærkning. Goldman anslår en nettobremse på cirka 16.000 job om måneden på den amerikanske beskæftigelsesvækst det seneste år, mens erhverv med AI-forstærkningspotentiale tilføjede omkring 9.000 job om måneden.

Bemærk: World Economic Forums Future of Jobs Report forudser 92 millioner fortrængte og 170 millioner nye job frem mod 2030, men er slet ikke bygget på samme måde. Den stammer fra en undersøgelse blandt mere end 1.000 arbejdsgivere, der angiver de ændringer i medarbejderantal, de forventer: en selvrapportering fra arbejdsgivere, ikke scoring ved opgavenedbrydning. To strukturelt forskellige instrumenter ender med at blive citeret i den samme sætning om "X millioner job".

Sådan måler Anthropic "observeret eksponering" anderledes

Anthropics Economic Index, første gang udgivet i februar 2025, tager udgangspunkt i en helt anden slags data: omkring en million rigtige Claude.ai-samtaler, kørt gennem et internt værktøj kaldet Clio, der kobler hver samtale til en bestemt opgave i den samme O*NET-database, som opgavenedbrydningsscorerne trækker på, uden at en forsker læser den underliggende chat. Hvor AIOE spørger, om AI plausibelt kunne udføre en opgave, spørger Index, hvad folk faktisk beder den om. Den første rapport delte samtalerne i 57,4 % forstærkning, hvor Claude hjælper, mens et menneske stadig styrer arbejdet, mod 42,6 % automatisering, hvor Claude reelt udfører opgaven fra start til slut.

I sin opfølgning fra marts 2026 omsatte Anthropic de brugsdata til et nyt mål for "observeret eksponering". Det starter med O*NET-opgaver og de teoretiske opgaveeksponeringsestimater fra Eloundou et al. (2023) og tæller kun en opgave som dækket, når den optræder ofte nok i arbejdsrelateret Claude-brug. Fuldt automatiserede anvendelser får fuld vægt, forstærkende anvendelser halv vægt, og opgavedækningen vægtes efter den andel af tiden, medarbejdere bruger på hver opgave. I it- og matematikerhverv når Eloundou et al.s teoretiske β-mål 94 % af opgaverne, mens Anthropics mål for observeret eksponering når 33 %. Forskellen er ikke en modsigelse: Det ene måler teknisk gennemførlighed, det andet tilføjer observeret udbredelse og brug.

Ikke alle, der læser Anthropics egne rapporter, har taget sammenligningen for gode varer. Som reaktion på en beslægtet rapport fra januar 2026 skrev en kommentator på Hacker News følgende: "Jeg forventede at se mål for den økonomiske produktivitet, som brugen af kunstig intelligens skaber. I stedet ser jeg mål for brugen af kunstig intelligens." Det er en skelnen, der er værd at holde fast i: Brugsvolumen og økonomisk produktivitet er ikke det samme, og ingen af delene er det samme som jobtab.

Den rapport fra januar 2026, Anthropics egen opdatering om økonomiske primitiver, viser, at fordelingen mellem forstærkning og automatisering havde flyttet sig igen: forstærkning foran med 52 % af samtalerne mod 45 % automatisering, sammen med en nyere femdelt ramme, der følger opgavekompleksitet, færdigheder, anvendelsesformål, AI-autonomi og opgavesucces. Se det som et nyt øjebliksbillede af et indeks i udvikling, ikke som en modsigelse af tallene fra februar 2025. Brugsmønstre flytter sig, efterhånden som folk finder nye ting, der er værd at uddelegere.

Et tal på 94 % teoretisk eksponering og et tal på 33 % observeret eksponering kan beskrive den samme erhvervskategori uden at modsige hinanden, fordi de måler forskellige ting.

Hvorfor "eksponering" ikke er det samme som "jobtab"

"Eksponeringsindikatorer afslører teknologisk sårbarhed, ikke arbejdsmarkedsresultater."

Den Internationale Arbejdsorganisation, april 2026

En teoretisk eksponeringsscore og en observeret eksponeringsscore indfanger begge noget reelt om et jobs forhold til AI-evner. Ingen af dem fortæller dig, om jobbet stadig findes næste år.

I 2025 testede Morgan Frank, Yong-Yeol Ahn og Esteban Moro den kløft mod amerikanske arbejdsløshedsdata. De sammenlignede tolv publicerede eksponeringsscorer med den månedlige arbejdsløshedsrisiko per erhverv og delstat, opbygget ud fra delstaternes arbejdsløshedsforsikringsregistre. Den bedste enkeltscore forklarede 10,7 % af variationen i arbejdsløshedsrisiko på tværs af erhverv, delstater og måneder; ensemblet af tolv scorer forklarede 29,8 %. En basismodel med erhvervets færdighedskrav, uddannelse, delstat, år og sæsonudsving forklarede 57,4 %, og at tilføje ensemblet af eksponeringsscorer løftede det til 75,5 %.

Sagt ligeud er en enkelt eksponeringsscore en svag selvstændig forudsigelse af arbejdsløshedsrisiko. En langt større del af variationen hænger sammen med arbejdsmarkedsstruktur, som scoren ikke indeholder, herunder færdighedskrav, uddannelse, geografi og sæsonudsving.

OpenAI's AI Jobs Transition Framework fra april 2026 gør den samme pointe fra en anden vinkel. I stedet for at behandle teknisk eksponering som en fortrængningsprognose stiller det tre spørgsmål: Kan AI udføre en betydelig del af et erhvervs opgaver, forbliver et menneske centralt i at levere eller føre tilsyn med arbejdet, og kan lavere omkostninger øge efterspørgslen nok til at opsuge produktivitetsgevinsten? Anvendt på 921 erhverv, der dækker cirka 148 millioner amerikanske job, placerer rammen omkring 18 % af jobbene i kategorien med højere automatiseringsrisiko, 24 % i job, der sandsynligvis omorganiseres, 12 % i job, der kan vokse med AI, og 46 % i job, hvor der ventes mindre umiddelbar forandring.

I PNAS Nexus-studiet forklarede den stærkeste enkelte eksponeringsscore alene 10,7 % af variationen i arbejdsløshedsrisiko.

Så når det næste "AI-jobrisiko"-tal ruller gennem dit feed, er det nyttige træk at finde ud af, hvilken af disse metoder der har frembragt det, før du beslutter, om du skal bekymre dig. En teoretisk eksponeringsscore fortæller dig, hvor AI-evner overlapper med et jobs bestanddele. En observeret eksponeringsscore tilføjer evidens for, hvor folk allerede bruger AI i praksis. Ingen af dem fortæller alene, om beskæftigelsen i det erhverv vil stige eller falde; det kræver arbejdsmarkedsevidens om ansættelser, efterspørgsel, løn og medarbejderantal.

LÆS

Hvorfor AI-tekstdetektorer bliver ved med at tage fejl

Ofte stillede spørgsmål