Hvorfor KI-indeks?
Fordi kunstig intelligens utvikler seg raskt og kan ha store konsekvenser for arbeidsmarkedet. Verktøyene blir stadig bedre, men det tar tid før virksomheter tar dem i bruk og organiserer arbeidet annerledes. Derfor kan virkningen komme gradvis: først i hvilke jobber som lyses ut, hvem som ansettes, eller hvilke aldersgrupper som vokser saktere. KI-indeksen følger slike endringer løpende, måned for måned.
For den utålmodige leseren
Alle tall på siden gjelder lønnstakere i norsk privat sektor (offentlig sektor inngår ikke).
- Ingen jobbkrise i Norge: samlet sysselsetting i privat sektor vokser, og andelen sysselsatte er stabil.
- KI-indeksen er svakt positiv: siden perioden før ChatGPT har samlet sysselsetting i de mest KI-eksponerte yrkene vokst om lag like mye som i de minst eksponerte.
- Men det er viktige forskjeller på tvers av alder: blant de yngste (21–30 år) i de mest KI-eksponerte yrkene har sysselsettingen falt, både sammenlignet med unge i andre yrker og sammenlignet med eldre arbeidstakere i de samme yrkene. Fallet har tiltatt det siste året.
- To mekanismer virker i hver sin retning: i yrkene der KI-bruken er mest augmenterende (KI hjelper arbeidstakeren) har sysselsettingen vokst klart mer enn i andre yrker siden ChatGPT-lanseringen, mens veksten har vært klart svakere der bruken er mest automatiserende (KI utfører oppgaven).
Indeksen følger sysselsettingen i norsk privat sektor med bruk av microdata.no, tilrettelagt av SSB. Yrker er gruppert etter hvor eksponert hvert yrke er for store språkmodeller (Eloundou m.fl. 2024) og etter arbeidstakernes alder — en norsk parallell til Stanford Digital Economy Lab (DEL) sitt Canaries Dashboard, bygget på registerdata for hele populasjonen av private lønnstakere.
Slik beregnes tallet
Sysselsettingsvekst i de mest KI-eksponerte yrkene minus veksten i de minst eksponerte: snittet av de tre siste månedene mot nivået i oktober 2022, måneden rett før ChatGPT. Vi bruker oktober 2022 som referanse for å unngå den ulike gjeninnhentingen etter pandemien i 2021–2022. Justeringen følger valget under.1 · Sysselsetting etter KI-eksponering
Figuren viser om jobbene der KI kan gjøre mest, utvikler seg annerledes enn resten av arbeidsmarkedet. De 397 yrkene (STYRK-08) med en eksponeringsskår fra Eloundou m.fl. (2024) er delt i fem like store grupper, fra kvintil 1 (minst eksponert for språkmodeller) til kvintil 5 (mest eksponert). Linjene viser hver gruppes utfall — sysselsetting, nyansettelser eller FTE-justert gjennomsnittslønn, etter valget øverst — indeksert til 100 i november 2022. Hvis en linje ligger lavere enn de andre, har den gruppen hatt svakere utvikling siden ChatGPT kom. Den bratte oppgangen i 2021–2022 (skyggelagt felt) er gjeninnhentingen i arbeidsmarkedet etter pandemien; fordi den løftet alle gruppene, brukes oktober 2022 — ikke hele perioden — som referanse for KI-indeksen.
2 · Alder × KI-eksponering
Hvis KI særlig påvirker dem med minst arbeidserfaring, bør utslagene synes først blant de unge i de mest eksponerte yrkene. Velg en aldersgruppe og se utviklingen per eksponeringskvintil.
3 · Sysselsetting etter alder
Samme utvalg av yrker, gruppert etter arbeidstakernes alder. Hvis KI først fortrenger dem med minst erfaring, er det de yngste gruppene som er «kanarifuglene i kullgruven».
4 · Sysselsettingsandeler i november 2022
Hver gruppes andel av samlet sysselsetting i utvalget i november 2022. I motsetning til det amerikanske ADP-panelet, der to tredjedeler av sysselsettingen ligger i de to mest eksponerte kvintilene, er norsk privat sysselsetting nokså jevnt fordelt.
Yrkescase
Fire yrker som ofte trekkes fram i diskusjonen om KI og arbeid: programvareutviklere og kundebehandlere (høy eksponering), elektrikere og hjemmehjelpere (lav eksponering). Indeks per aldersgruppe innenfor yrket.
5 · Programvareutviklere
STYRK-08 2512–2514 og 2519. Om lag 26 000 ansatte i privat sektor (21–60 år) i november 2022. Høy KI-eksponering.
6 · Kundebehandlere
STYRK-08 4222 (kundesentermedarbeidere). Om lag 4 000 ansatte i basismåneden; seriene for de eldste gruppene bygger på få personer og er volatile. Høy KI-eksponering.
7 · Elektrikere
STYRK-08 7411. Håndverksyrke med lav KI-eksponering.
8 · Hjemmehjelpere
STYRK-08 5322. Om lag 9 000 ansatte i privat sektor i basismåneden; den store kommunale delen av yrket inngår ikke. Lav KI-eksponering.
9 · Vekst etter KI-bruk
Yrker gruppert etter andelen av yrkets Claude-forespørsler som er automatiserende (øverst) hhv. augmenterende (nederst), jf. figur 10 under. Sysselsetting, alle aldre samlet; justeringen følger valget øverst. Kilde: Anthropic Economic Index (Handa m.fl. 2025).
10 · Sysselsetting etter KI-bruk
Eksponeringsmålene er anslag på hva språkmodeller kan gjøre. Her grupperes yrkene i stedet etter observert bruk av Claude (Anthropic Economic Index, Handa m.fl. 2025): andelen av yrkets forespørsler som er automatiserende (modellen utfører oppgaven) eller augmenterende (modellen hjelper til). «Ingen bruk» er yrker under spørringsterskelen.
11 · Andeler etter bruksgruppe
Hver gruppes andel av samlet sysselsetting ved normaliseringstidspunktet, for bruksmønsteret valgt ovenfor.
Siste 12 måneder: Før og etter agentisk AI
Punktene viser endring siste tolv måneder per gruppe; den vannrette linjen er spennet mellom gruppene. Utfallsvalget øverst gjelder også her. Kilde: KI-indeksen (kiindeksen.no), A-ordningen via microdata.no, Eloundou m.fl. (2024).
Metode
Datagrunnlaget er A-ordningen via microdata.no: hele populasjonen av lønnstakere i norsk privat sektor, månedlig fra januar 2021, i aldersgruppene 21–30, 31–40, 41–50 og 51–60 år. Yrkene kobles til KI-eksponering fra Eloundou m.fl. (2024) og til observert Claude-bruk fra Anthropic Economic Index. Som standard vises seriene sesongjustert og glattet med 6 måneders glidende snitt; rå serier, annen glatting og befolkningsjusterte varianter (per innbygger) kan velges øverst. Utvid punktene under for fullstendige detaljer.
Datagrunnlag og avgrensning
A-ordningen er arbeidsgivernes månedlige rapportering av alle arbeidsforhold til myndighetene; vi bruker den via microdata.no, tilrettelagt av SSB. Utvalget er alle lønnstakere i privat sektor, 21–60 år. Referanseperioden for hver måned er uken som inneholder den 16. «Canaries-utvalget» er de 397 STYRK-08-yrkeskodene som har en eksponeringsskår; det dekker det store flertallet av privat sysselsetting.
KI-eksponering og bruksgrupper
Hvert yrke (firesifret STYRK-08) er koblet til eksponeringsmålet «beta» fra Eloundou m.fl. (2024, Science) via yrkeskodeverkene ISCO-08 og SOC. Beta måler hvor stor andel av yrkets oppgaver som kan utføres vesentlig raskere med store språkmodeller og tilhørende programvare. Kvintilene er likevektet per yrke (ikke sysselsettingsvektet), samme konstruksjon som i DEL-dashboardet. Bruksgruppene i figur 9–11 bygger i stedet på observert bruk: andelen av yrkets Claude-forespørsler som er klassifisert som automatiserende hhv. augmenterende i Anthropic Economic Index (Handa m.fl. 2025), gruppert som i Brynjolfsson, Chandar og Chen (2025).
Utfall: sysselsetting, nyansettelser og lønn
Sysselsetting er antall lønnstakere i gruppen. Nyansettelser er antall jobber med registrert startdato i vinduet mellom forrige og gjeldende månedlige referansedato; serien er sterkt sesongpreget, så glidende snitt eller sesongjustert visning anbefales. Lønn er gruppens gjennomsnittlige kontantlønn per måned, vektet opp til fulltidsekvivalent (FTE) med hver yrke-alder-celles gjennomsnittlige stillingsprosent — slik at en deltidsstilling teller som sin andel av et årsverk og lønnsendringer ikke blandes med endringer i arbeidstid; lønnsseriene er nominelle. Alle serier indekseres til 100 i referansemåneden (november 2022, eller februar 2025 når Claude Code er valgt).
Sesongjustering
Norske arbeidsmarkedsserier har sterk sesongvariasjon (blant annet januardippen i a-ordningen og sommertoppen i nyansettelser). Sesongjusteringen er en transparent X-11-kjerne, beregnet separat for hver serie:
- Serien tas i logaritmer, slik at sesongmønsteret behandles som multiplikativt.
- Trenden estimeres med et sentrert 2×12-glidende snitt (13 måneder, halv vekt på endepunktene), som per konstruksjon er sesongfritt.
- Sesongfaktoren for hver kalendermåned er gjennomsnittet av avvikene fra trenden for den måneden, normalisert til å summere til null — justeringen flytter ikke nivået.
- Faktorene er estimert på januar 2021–desember 2024 og deretter frosset: nye måneder endrer ikke historien (releasene er stabile årganger), og en eventuell KI-effekt etter 2024 kan ikke lekke inn i sesongfaktorene og bli justert bort.
Innebygd kontroll: tolvmånedersendringer sammenligner samme kalendermåned og er sesongfrie av konstruksjon; i gjeldende release er de praktisk talt identiske beregnet på rå og sesongjusterte serier (korrelasjon 1,000).
Befolkningsjustering (per innbygger)
Befolkningen vokser ulikt på tvers av aldersgrupper, så rene headcount-serier blander arbeidsmarkedsendringer med demografi: en gruppe kan ha flere sysselsatte rett og slett fordi det er blitt flere personer i alderen. Per innbygger-variantene deler derfor antall sysselsatte på den bosatte befolkningen i samme aldersgruppe (SSB tabell 07459, kvartalstall interpolert til måned; for serier som dekker alle aldre brukes samlet befolkning 21–60 år). Indeksen måler da jobber per person — sysselsettingsraten — i stedet for antall jobber. Eksempel: unge og eldre i samlede headcount-tall kan se svært ulike ut selv når sysselsettingsraten deres utvikler seg likt.
Glatting
Glattingen er et sentrert glidende snitt over 3 eller 6 måneder, beregnet i nettleseren. Ved endepunktene brukes den delen av vinduet som finnes, slik at siste måned alltid vises. Glatting og sesongjustering kan kombineres fritt; standardvisningen er sesongjustert med 6 måneders snitt.
Forskjeller fra DEL-dashboardet
DEL bruker et balansert panel på ~25 000 amerikanske firmaer med ADP-lønnsdata; vi bruker hele den norske populasjonen av private lønnstakere uten utvalgsseleksjon. Aldersgruppene våre er tiårsgrupper (deres er finere). Sammensetningen er svært ulik: i ADP-panelet ligger 66 prosent av sysselsettingen i de to mest eksponerte kvintilene, i Norge omtrent 40 prosent. Aggregerte sammenligninger på tvers av landene må ta hensyn til dette. DEL publiserer kun rå serier; sesong- og befolkningsjusteringen er våre tillegg, og de rå seriene våre reproduserer deres metode eksakt.
Reviderbarhet og releaser
A-ordningen kan revidere ferske måneder. Hver månedlige datarelease arkiveres derfor som en egen årgang («vintage») og endres ikke i ettertid; nettsiden viser alltid siste release, og alle tidligere kan lastes ned.
KI-indeksen utarbeides av Øystein Hernæs (Frischsenteret) og Andreas R. Kostøl (Handelshøyskolen BI). En forskningsartikkel med fullstendig metodebeskrivelse og analyse er under arbeid, se siteringsinformasjon. Kontakt: andreas.r.kostol@bi.no.
Team
KI-indeksen er et samarbeid mellom Frischsenteret og Handelshøyskolen BI.
Øystein Hernæs
Seniorforsker, Frischsenteret
Last ned data
Alle seriene kan lastes ned som CSV, i samme format som
DEL-dashboardets datapakker (pluss en
adjustment-kolonne). Gjeldende release:
. Hver pakke inneholder
tidsserien, tolvmånedersendring, annualisert vekst og en
data dictionary.
Dataene kan fritt brukes med kildehenvisning til KI-indeksen (kiindeksen.no), se siteringsinformasjon. Underliggende kilder: A-ordningen via microdata.no, Eloundou m.fl. (2024), Anthropic Economic Index, SSB.
Siter KI-indeksen
Figurer og tall kan brukes fritt med kildehenvisning. Slik siterer du dashbordet og forskningsartikkelen:
Dashbordet
Hernæs, Øystein og Andreas R. Kostøl (2026). KI-indeksen: Kunstig intelligens og det norske arbeidsmarkedet. https://kiindeksen.no. Hentet ….
BibTeX
@misc{kiindeksen2026,
author = {Hern{\ae}s, {\O}ystein and Kost{\o}l, Andreas R.},
title = {KI-indeksen: Kunstig intelligens og det norske arbeidsmarkedet},
year = {2026},
howpublished = {\url{https://kiindeksen.no}},
note = {Hentet {{DATO}}}
}
Forskningsartikkelen
Hernæs, Øystein and Andreas R. Kostøl (2026). “Does AI Widen Employment Gaps? Tracking Early-Career Employment by Occupational Exposure in Norway”. Under arbeid (working paper).
BibTeX
@unpublished{hernaeskostol2026ai,
author = {Hern{\ae}s, {\O}ystein and Kost{\o}l, Andreas R.},
title = {Does AI Widen Employment Gaps? Tracking Early-Career Employment by Occupational Exposure in Norway},
year = {2026},
note = {Working paper}
}
