KI-eksponering i norsk arbeidsliv er en åpen, datadrevet kartlegging av hvor mye arbeid KI kan utføre i over 400 norske yrker. Verktøyet kobler offentlige norske sysselsettingsdata med to internasjonale forskningsbidrag på KI-eksponering, og utvider analysen langs fire dimensjoner: yrke, lønn, kjønn og geografi.

Hver analyse bygger på offentlige datasett som kan etterprøves. Denne siden viser hvor tallene kommer fra, hvordan de er beregnet, og hva metoden ikke fanger opp.

To forskningskilder og fire SSB-tabeller danner grunnlaget.

Hva KI kan hjelpe med og erstatte i hvert yrke. Forskere ved Wharton School (University of Pennsylvania) og OpenAI har gått gjennom de typiske oppgavene i hvert yrke og vurdert hvor mange av dem KI kan utføre helt eller delvis (Eloundou m.fl., publisert som arXiv-preprint i 2023, og fagfellevurdert versjon i Science i 2024). Dette er den mest siterte forskningen på KI-eksponering på yrkesnivå, og står som det vitenskapelige grunnlaget for tallene om teknisk potensial for hvert yrke.

Hvordan KI faktisk brukes i jobben i dag. Anthropic Economic Index sammenstiller hvordan KI-tjenesten Claude faktisk brukes til oppgaver i ulike yrker. Dette gir et bilde av hvor langt vi er kommet i adopsjonen, sortert etter samme yrkesinndeling som Eloundou-studien.

Norsk sysselsetting per yrke. Statistisk sentralbyrå publiserer årlig hvor mange som jobber i hvert yrke i Norge, fordelt på kjønn, alder og bostedsregion. Yrkesinndelingen er STYRK-08, den norske versjonen av FNs ISCO-08, med om lag 400 yrkeskategorier. Vi bruker SSB tabell 09792 (sysselsatte etter kjønn og yrke), 11418 (månedslønn) og 11619 (sysselsatte per kommune og yrke).

Norske kommunegrenser. Kartdata fra Kartverket, distribuert via robhop sitt GitHub-repositorium under CC BY 4.0. Vi bruker den forenklede S-versjonen (1,26 MB) for raskere innlasting.

De norske yrkeskodene (STYRK-08) er internasjonalt koblet til amerikanske yrkeskoder (SOC), som er det Eloundou og Anthropic bruker. Dette er ikke alltid en-til-en. Noen norske yrker tilsvarer flere amerikanske yrker, og omvendt.

Vi har bygget en koblingstabell som tar høyde for dette og veier sammen flere amerikanske yrker når det er nødvendig. Sikkerheten i koblingen vises som «høy», «middels» eller «lav» på hvert yrkesresultat. For yrker med lav sikkerhet er resultatet mer omtrentlig.

Lønnstallene kommer fra SSB tabell 11418: gjennomsnittlig månedslønn for heltidsansatte, alle sektorer og begge kjønn samlet, året 2025. SSB holder tilbake lønnstall for de minste yrkene av personvernhensyn. Analysen omfatter dermed 346 av 407 yrker, som dekker om lag 84 % av norsk sysselsetting.

For hvert yrke kobler vi månedslønnen mot to mål på KI-eksponering: hva KI kan hjelpe med og hva KI kan erstatte. Sammenhengen kvantifiseres med Pearsons korrelasjonskoeffisient. På tvers av de 346 yrkene er korrelasjonen mellom lønn og hva KI kan hjelpe med r = 0,56, mens korrelasjonen mellom lønn og hva KI kan erstatte er r = 0,28. Begge er positive, men styrken er klart ulik.

Avstanden mellom de to korrelasjonene er funnet vi løfter fram: for norske høytlønnsyrker handler KI-eksponering først og fremst om verktøy som gjør arbeidet mer effektivt, ikke om at oppgaver forsvinner.

Kjønnsfordelt sysselsetting kommer fra SSB tabell 09792 med data for 2025. For 158 av 407 yrker har vi både kjønnsfordelt sysselsetting og eksponeringsdata. De øvrige er enten holdt tilbake av SSB av personvernhensyn, eller mangler eksponeringsdata fra Eloundou-studien.

For hvert yrke beregnes en gjennomsnittlig KI-eksponering for menn og kvinner, vektet etter antall sysselsatte av hvert kjønn i yrket. Nasjonale gjennomsnitt og per-yrkesgruppe-tall blir deretter aggregert med samme vekting.

På nasjonalt nivå er forskjellen mellom menn og kvinner liten (under 1 prosentpoeng for KI-hjelp, om lag 2 prosentpoeng for KI-erstatning). De meningsfulle forskjellene oppstår innenfor sektorer, hvor menn og kvinner ofte velger ulike spesialiseringer. I akademiske yrker er for eksempel menn overrepresentert i programmering, finans og jus (høyere KI-eksponering), mens kvinner er overrepresentert i sykepleie, undervisning og helse (lavere KI-eksponering). Det er sammensetningen som driver tallene, ikke at samme yrke gir ulikt utslag for menn og kvinner.

Sysselsetting per kommune og yrkesgruppe kommer fra SSB tabell 11619 for 2025. Vi bruker yrkesgruppe på 1-siffer STYRK-nivå, fordi SSB ikke publiserer mer detaljerte yrker per kommune. Kartet dekker alle 357 nåværende kommuner.

For hver kommune beregnes en gjennomsnittlig KI-eksponering ved å vekte hver yrkesgruppes eksponeringsscore med antall sysselsatte i den yrkesgruppen i kommunen. Tallene gjenspeiler dermed forskjeller i yrkesfordeling mellom kommuner, ikke spesifikke yrker innenfor hver gruppe.

Fargeskalaen er kvintilbasert: kommunene fordeles i fem like store grupper på om lag 71 kommuner hver, fra lavest til høyest eksponering. Skalaen er sekvensiell og bruker nettstedets fargepalett, fra papirvarm til dyp orange.

Sammenslåtte yrkesgrupper i SSB-tabellen. SSB slår sammen høyskoleyrker (gruppe 3) og militære yrker (gruppe 0) i tabell 11619. Vi behandler den sammenslåtte gruppen som høyskoleyrker, ettersom militære yrker utgjør en svært liten andel av sysselsettingen i de fleste kommuner.

Kun ett kart. På kommunenivå korrelerer hva KI kan hjelpe med og hva KI kan erstatte med r = 0,96. To kart ville sett tilnærmet like ut. Vi viser kartet for «KI kan erstatte» fordi dette spørsmålet ligger nærmest den offentlige debatten om automatisering. Mønsteret er det samme for «KI kan hjelpe med».

Begrensninger. Aggregering på yrkesgruppenivå skjuler variasjon innenfor hver gruppe. To kommuner med samme yrkesgruppefordeling kan ha noe ulik faktisk eksponering hvis sub-yrkene er ulike. Dette detaljnivået er ikke offentlig tilgjengelig per kommune. Kartet viser teknisk potensial, ikke faktisk bruk i dag.

Befolkning, sysselsettingsratio og profilkategori. For hver kommune viser vi total befolkning og sysselsatte i prosent av total befolkning. Sistnevnte er bevisst ikke definert som SSBs ordinære «sysselsettingsandel» (som måler andelen i yrkesaktiv alder 15-74 år som er sysselsatte), men som forholdet mellom alle sysselsatte og hele befolkningen kommunen yter tjenester til. Dette er en mer relevant ratio for å vurdere kommunens skattegrunnlag i forhold til hele befolkningen den har ansvar for. Befolkningstall fra SSB tabell 07459 (eller gjeldende ekvivalent).

Kommunene klassifiseres i fem profiler basert på KI-eksponering, andel sysselsatte av befolkningen, og hvilken yrkesgruppe som dominerer arbeidsmarkedet. Profilen avgjør hvilken kort tekstkommentar som vises på kortet til hver kommune.

For noen yrker er det offentlige datagrunnlaget for tynt til at vi kan stå inne for tall på det enkelte yrket. 29 av 407 yrker er flagget som lavt tillitsgrunnlag og viser en åpenhetsmelding på resultatkortet i stedet for tall.

Et yrke blir flagget hvis ett av følgende kriterier slår inn:

• Eloundou-studiens tre eksponeringsmål (alpha, beta og zeta) er identiske for yrket. Dette er et tegn på degenerert utvalg i kildedataene.
• Eloundou-fordelingen mellom hjelp og erstatning er nøyaktig 0 og 0,5. Et fingeravtrykk på at yrket havnet i en sammenslått SOC-bøtte uten tilstrekkelig differensiering.
• Fordelingen mellom hjelp og erstatning i Eloundou og Anthropic avviker med mer enn 40 prosentpoeng. Ulik fordeling er forventet, men store avvik tyder på at de to kildene fanger ulike yrker selv om SOC-koden er den samme.

Eksempler på flagga yrker: Torghandlere, Dørselgere, Idrettsutøvere, Ergoterapeuter, Kokker. Disse kortene viser kommunegruppen, yrkets STYRK-kode og en forklaring om hvorfor tallene er holdt tilbake, samt en lenke til yrkesgruppens aggregerte tall.

KI støtter dokumentasjon, analyse og innsiktsarbeid i mange yrker. I praksis evaluerer fagpersonen resultatene og tar de endelige beslutningene. Eksemplene på KI-støttede oppgaver i hvert yrke illustrerer denne arbeidsdelingen. Det er ikke en uttømmende liste over hva KI kan eller skal gjøre.

For 50 av de mest søkte yrkene har vi gått manuelt gjennom eksemplene og finjustert dem etter ti redaksjonelle prinsipper, blant annet at KI ikke fremstilles som en søkemotor men som et verktøy for generering, analyse og oversettelse, og at fysisk eller relasjonelt arbeid forblir menneskelig. For øvrige yrker er eksemplene generert med samme prinsipper, men har ikke vært gjennom manuell redaksjonell vurdering.

Tallene er anslag, ikke prediksjoner. Flere forhold er verdt å være eksplisitt om.

Dekning av norsk arbeidsliv. SSB holder tilbake sysselsettingstall for de minste yrkene av personvernhensyn. Lønnsanalysen og kjønnsanalysen dekker om lag 84 % av norsk sysselsetting hver. Kartet dekker alle 357 kommuner, men på yrkesgruppenivå.

Forskning på 2023-data, sysselsetting fra 2025. Eloundou-studien er fra 2023 og bygger på da-gjeldende forståelse av hva LLM-er kunne. Tallene anvendes på 2025-tall for norsk sysselsetting. Vekstkurven for KI er bratt; reelle tall kan ha endret seg siden Eloundou-vurderingene ble gjort.

Spesialiserte KI-verktøy fanges ikke opp. Anthropic Economic Index måler bruk av Claude. Den fanger ikke opp DeepL, GitHub Copilot eller andre KI-verktøy som dominerer i bestemte yrker. For oversettere og programmerere er derfor det observerte bruksnivået lavere enn den faktiske KI-bruken i yrket.

Bruksdata klassifiseres etter yrkesspesifikke oppgaver. En elektriker som spør KI om regelverk, beregninger eller tegningsforslag får ofte spørsmålene klassifisert som generelle tekniske spørsmål, ikke som elektrikerarbeid. For mange håndverks- og tekniske yrker undervurderer derfor bruksdataene den reelle KI-bruken.

SOC-bøtter er bredere enn norske STYRK-koder. Eloundou-tallene er gitt per amerikansk SOC-kode. Når en SOC-kode dekker flere norske yrker med ulik karakter, underliggende eksponering kan reflektere et annet yrke enn det vi viser. De 29 flagga kortene er der hvor dette er tydelig. For øvrige yrker antar vi at SOC-bøtten er rimelig representativ.

«Ledere» er utelatt fra sammenligningen mellom yrkesgrupper. På /yrkesgrupper viser ikke hovedanalysen, lollipop-diagrammet og spredningsdiagrammet, yrkesgruppen «Ledere». Begrunnelsen er at «Ledere» ikke er en sektor men en organisatorisk rolle som spenner over alle bransjer, og at aggregatet domineres av administrative og finansielle lederroller. Å sammenligne det med yrkesgrupper organisert etter arbeidets karakter blander to ulike kategoriseringer. Utelukkelsen gjelder bare visualiseringen på /yrkesgrupper. Lederyrker inngår fortsatt i lønnsanalysen (per STYRK-kode), kjønnsanalysen (innen gruppen) og i kommunekartet (som del av lokal sysselsetting).

Kartet skjuler variasjon innenfor yrkesgrupper. På kommunenivå er den minste tilgjengelige yrkesinndelingen 1-siffer STYRK (ti yrkesgrupper). To kommuner med samme yrkesgruppefordeling kan ha ulik faktisk eksponering hvis sub-yrkene er ulike.

Eksemplene er holdt på samme abstraksjonsnivå som dataene. De beskriver kategorier av arbeid heller enn norsk-spesifikke arbeidsformer. En norsk yrkesutøver vil kjenne seg igjen i kategoriene, men eksemplene viser ikke spesifikt norske institusjoner eller dokumenttyper, fordi det amerikanske datagrunnlaget ikke skiller mellom disse.

Verktøyet sier noe om hvor mye av et yrke som er KI-eksponert. Det sier ingenting direkte om:

• Hvor raskt arbeidet faktisk endres. Adopsjon tar tid, og varierer mellom bransjer.
• Hvor mange jobber som forsvinner totalt. Strukturelle hindringer som autorisasjonskrav, tett oppgavesammenheng og bemanningsminima gjør at teoretisk KI-eksponering ikke automatisk fører til redusert bemanning.
• Hvor du som enkeltperson bør orientere yrket ditt. Det er en personlig vurdering der mange flere hensyn enn KI-eksponering teller.

Datagrunnlaget er offentlig og lisensiert under åpne lisenser (NLOD, CC-BY). Koden bak prosjektet vil bli publisert på GitHub når repoet gjøres offentlig.