Debatten om kunstig intelligens og arbejde har længe været domineret af meninger og mavefornemmelser. Nu foreligger de første hårde data. Et nyt studie fra Stanford viser, at AI allerede har ændret arbejdsmarkedets balance, ikke ved massefyringer, men ved at forskyde, hvem der får lov at begynde. Det er de 22- til 25-årige, der først mærker konsekvenserne.
Erik Brynjolfsson, Bharat Chandar & Ruyu Chen (2025): “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab, august 2025.
[Briefing]
I snart to år har debatten om kunstig intelligens og arbejde haft karakter af en teologisk strid. På den ene fløj ser man en renæssance for produktivitet og frigørelse fra rutineopgaver; på den anden, en teknologisk dommedag for middelklassen. Mellem disse poler har man hørt de mere sindige stemmer efterlyse empiri – ikke LinkedIn-anekdoter, men tal.
Det er præcis, hvad Erik Brynjolfsson, Bharat Chandar og Ruyu Chen nu leverer i deres nøgterne og omfattende analyse Canaries in the Coal Mine?
Artiklen er offentliggjort af Stanford Digital Economy Lab i august 2025 og udnytter et unikt datasæt om de månedlige løn- og ansættelsesforhold for millioner af amerikanske arbejdstagere. Data stammer fra ADP, landets største udbyder af lønservice til amerikanske virksomheder. I stedet for meninger har forfatterne haft adgang til lønsedler.
Med disse data kortlægger de udviklingen i beskæftigelsen siden den begyndende udrulning af AI, og analysen viser, at udviklingen – næppe overraskende – varierer mellem forskellige erhverv og aldersgrupper. Resultaterne vises i seks empiriske iagttagelser, der, som titlen antyder, ligner de første varsler i en minegang: det er endnu ikke faretruende, men der er et tydeligt fald i iltniveauet.
1. De unge rammes først
Det første og mest markante iagttagelse er, at 22- til 25-årige i de mest AI-eksponerede erhverv har oplevet et bemærkelsesværdigt fald i beskæftigelsen – omkring 13 procent siden slutningen af 2022, selv når man kontrollerer for forskelle mellem virksomheder og brancher. De mest udsatte fag er præcis dem, hvor anvendelsen af AI har været mest oplagt, herunder softwareudvikling og kundeservice. For mere erfarne medarbejdere i disse fag og for unge i mindre eksponerede fag som sundheds- eller produktionsassistenter er beskæftigelsen derimod stabil eller voksende.
Kilde: Brynjolfsson, Chandar & Chen (2025)
Denne asymmetri er i sig selv ikke overraskende. Historisk har ny teknologi sjældent udryddet hele erhverv på én gang, men har ændret fordelingen af, hvem der får adgang til dem. Det nye her er, 1) hvor hurtigt forskydningen er sket, og 2) at den rammer indgangsniveauet.
2. Samlet vækst – men stagnerende ungdom
Den næste markante iagttagelse placerer tallene i et makroperspektiv. Beskæftigelsen i USA fortsætter med at vokse, men væksten kommer næsten udelukkende fra ældre aldersgrupper. De unge optræder ikke på arbejdsmarkedet i samme grad som før.
Blandt 22- til 25-årige i de mest AI-eksponerede erhverv er beskæftigelsen faldet 6 % siden 2022, mens den for 35- til 49-årige i samme erhverv er steget med op til 9 %. (Forskellen mellem de 13% i afsnit 1 og de 6% her skyldes, at førstnævnte tal måler den relative forskel mellem unge i højt og lavt AI-eksponerede erhverv, mens det senere tal angiver det absolutte fald for de højest eksponerede unge over perioden.) Det betyder, at den samlede arbejdsstyrke kan se sund nok ud på overfladen, selv om en betydelig del af den unge generation bliver holdt tilbage i starten af deres karriere.
Det er ikke en recession, men en forskydning af hvem der bærer væksten. Det, der for erfarne arbejdstagere kan ligne en ny bølge af effektivitet, kan opleves af de yngste som en lukket dør.
3. Automatisering rammer – augmentering hjælper
AI er ikke én kraft, men mange. Nogle anvendelser automatiserer menneskelige opgaver; andre augmenterer – dvs. supplerer eller forstærker menneskers arbejdsindsats.
Ved at koble data fra Anthropic’s “Claude”-model har forskerne kunnet skelne mellem de to typer brug. Resultatet er tydeligt. Antallet af arbejdspladser falder i de erhverv, hvor AI primært automatiserer, men stiger eller stabiliseres, hvor teknologien bruges til at optimere eksisterende arbejdsrutiner.
En AI, der skriver kundemails, koster jobs. En AI, der hjælper en radiolog med at tolke røntgenbilleder, medfører ikke nødvendigvis færre radiologer, men kan øge tempoet og kvaliteten i arbejdet.
4. Effekten er ikke blot branchestøj
Kunne tallene blot afspejle, at tech-sektoren generelt bremsede op efter pandemien? Forfatterne tester netop den hypotese ved at kontrollere for virksomhedsspecifikke chok – rentestigninger, sektortræghed, outsourcingsbølger.
Selv efter at have renset for sådanne faktorer består tendensen: unge i AI-tunge erhverv mister fodfæste, selv inden for samme firma. For de ældre forsvinder effekten.
Kort sagt er det ikke kun et spørgsmål om, at visse virksomheder fyrer flere folk; det er hvem de fyrer.
5. Lønnen står stille – indtil videre
Man kunne forvente, at faldet i beskæftigelse ledsages af faldende lønninger. Men her viser dataene noget interessant: lønnen ændrer sig knap nok.
Lønningerne forbliver stabile på tværs af alders- og eksponeringsgrupper, når der justeres for inflation. Forklaringen kan være klassisk løntræghed, og at virksomheder først reducerer antallet af ansatte, før de justerer lønnen. Eller også kan de modvirkende kræfter udligne hinanden. AI kan hæve produktiviteten for de tilbageværende medarbejdere, samtidig med at den blokerer for ansættelsen af nye.
Dermed får vi en usædvanlig situation: AI ændrer arbejdsstyrkens sammensætning, men – indtil videre – ikke prisen på arbejdskraften.
6. Ikke kun tech-sektoren
Til sidst tester forskerne robustheden: Hvis man udelukker IT-branchen, kundeservice eller fag med mange akademikere, holder mønstret da stadig? Ja.
Selv blandt job som bankmedarbejdere, revisorer eller rejsekonsulenter finder man de samme aldersforskydninger. Og blandt ikke-akademiske erhverv ses endda en stærkere version. For ufaglærte eller kortuddannede ser det ud til, at manglende erfaring kan være en større udfordring end tidligere, mens den erfarne senior kan overleve på sin “tavse viden”.
Hvad betyder det?
Brynjolfsson m.fl. er varsomme med fortolkninger. De skriver ikke, at AI er “årsag” til ungdomsarbejdsløshed, kun at mønstret er konsistent med den hypotese. Alligevel ligger der i tallene en sociologisk kraft, der rækker ud over de enkelte brancher.
For det første: AI erstatter kodificeret viden hurtigere end tavs viden. AI kan allerede alt det, der står i lærebøgerne. Men den kan ikke det, man kun lærer på jobbet. Dermed er det netop de nyuddannede – dem, der endnu ikke har opbygget tavs viden – som AI kan erstatte først.
For det andet antyder forskydningen, at AI forandrer selve mekanismen for social indstigning i arbejdslivet. Hvis mange unge nu får vanskeligere ved at komme ind på arbejdsmarkedet, mister de samtidig muligheden for at opbygge den erfaring, der ville kunne sikre dem en fastere tilknytning til arbejdsmarkedet.
For det tredje peger resultatet på en ny form for ulighed. Ligesom globaliseringen havde geografiske vindere og tabere, så får AI-revolutionen måske aldersmæssige vindere og tabere. I stedet for “rustbælter” risikerer vi “ungdomsbælter”, hvor de traditionelle jobmuligheder for indgang til arbejdsmarkedet tørrer ud uden at nye opstår.
Et spejl af tidligere skift
Parallellen til tidligere teknologiske revolutioner ligger lige for. Da automatiseringen ramte industrien i 1970’erne og 80’erne, blev rutinearbejde udfaset, mens nye mellemled og specialiserede roller voksede frem. Dette mønster synes nu at blive gentaget, blot med kognitive rutiner i stedet for fysiske rutiner.
Men tempoet er højere. Det tog årtier før robotter og mikroprocessorer kom til at præge de fleste produktionskæder ude i virksomhederne. I nogle brancher er AI i form af sprogmodeller blevet vidt udbredt på nogle få kvartaler, og sprogmodellerne er kun den første spæde begyndelse på AI-revolutionen.
Det mest bemærkelsesværdige ved Brynjolfsson, Chandar og Chens arbejde er måske, at det overhovedet har kunnet lade sig gøre. For første gang har man både de nødvendige data med tilstrækkelig granulering til at fange selv små forskydninger på arbejdsmarkedet næsten i realtid og den nødvendige compute power og AI-software til at kunne gennemføre en systematisk og kreativ bearbejdning af denne enorme mængde data.
Studiet viser, at AI-omstillingen på arbejdsmarkedet allerede er i fuld gang, og at den ikke rammer symmetrisk. De unge, der endnu ikke har opbygget erfaringskapital, er de første, der mærker trykket.
Men “kanariefuglen” er ikke død. Den pipper stadig, og pointen er netop at lytte, mens den gør det.
Artiklen bygger på: Erik Brynjolfsson, Bharat Chandar & Ruyu Chen (2025): “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab, august 2025.
Pejlinger 