KI-eksponering i norsk arbeidsliv er en åpen, datadrevet kartlegging av hvor mye arbeid KI kan utføre i over 400 norske yrker. Verktøyet kombinerer offentlige norske sysselsettingsdata med to internasjonale forskningsbidrag på KI-eksponering, og oversetter resultatene til en form norske arbeidstakere, ledere og beslutningstakere kan bruke direkte.

Denne siden forklarer hvordan tallene er bygget, hvilke kilder de hviler på, og hva datagrunnlaget ikke fanger opp.

Tre datasett er koblet sammen.

Sysselsetting i norske yrker. 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 tabell 09792 som primær kilde.

Hvor mye av arbeidet KI kan utføre. 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 det øverste tallet på hver yrkesside: «KI kan benyttes til X % av oppgavene».

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 oss et bilde av hvor langt vi er kommet i adopsjonen, sortert etter samme yrkesinndeling som Eloundou-studien. Forskjellen mellom det som er mulig (Eloundou) og det som faktisk skjer (Anthropic) er en av de mest interessante observasjonene i materialet.

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.

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.

To begrensninger er verdt å være eksplisitt om.

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 i yrket.

Begge begrensningene peker i samme retning. Eloundou-anslaget — hva KI kan brukes til — er sannsynligvis nærmere virkeligheten enn bruksdataene for mange yrker. Det er derfor vi har valgt å lede med Eloundou-tallet på hver yrkesside, ikke med bruksdataene.

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.

En framtidig utvidelse av verktøyet vil ta opp den første og andre av disse spørsmålene mer direkte.

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