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.
Hva tallet viser, og hvordan det er beregnet
KI-indeksen viser om jobbveksten siden Claude Code har vært sterkere eller svakere i yrkene der KI kan utføre flest arbeidsoppgaver, sammenlignet med yrkene der KI kan utføre færrest. Et positivt tall betyr at de mest KI-utsatte yrkene har vokst mest; et negativt tall betyr at de har vokst minst — et tidlig varsel om at KI kan fortrenge jobber.
Regnestykket er sysselsettingsvekst i de mest KI-eksponerte yrkene minus veksten i de minst eksponerte: snittet av de tre siste månedene mot gjennomsnittet av de tre månedene før Claude Code (november 2024–januar 2025), lanseringen av agentisk KI. Før- og etter-siden måles over like mange måneder. Justering, eksponeringsmål og referanse følger valgene under.
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.
Oppsummering for den utålmodige leseren
KI-indeksen og figur 1–12 gjelder lønnstakere i norsk privat sektor. Offentlig sektor vises for seg i figur 13–16. Punktene under følger valgene av utfall, justering, eksponeringsmål og referanse i menyen lenger ned.
- Ingen jobbkrise i Norge: samlet sysselsetting i privat sektor er høyere enn de tre månedene før Claude Code, og andelen sysselsatte er om lag stabil.
- KI-indeksen er om lag null: siden de tre månedene før Claude Code 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.
- To mekanismer virker i hver sin retning: i yrkene der KI-bruken er mest augmenterende (KI hjelper arbeidstakeren) har sysselsettingen vokst mer enn i andre yrker, mens veksten har vært svakere der bruken er mest automatiserende (KI utfører oppgaven).
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 februar 2025. Hvis en linje ligger lavere enn de andre, har den gruppen hatt svakere utvikling siden Claude Code kom. Referansen er de tre månedene rett før Claude Code, slik at sammenligningen er med arbeidsmarkedet slik det var like før agentisk KI. Velg ChatGPT øverst for å måle fra 2022 i stedet. Eksponeringsmålet kan byttes øverst: Eloundou m.fl. (2024) er standard, Mouchel m.fl. (2026) er et evidensbasert alternativ over de samme 397 yrkene.
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.
Andelene gjelder Eloundou-kvintilene. Målvelgeren øverst gjelder hovedfiguren og figur 1–2.
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. Andre yrker kan du velge selv i figur 9.
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 · Velg yrker selv
Søk fram inntil seks yrker og sammenlign dem i samme figur. Alle aldre 21–60 år samlet, privat sektor. Utfall, justering, glatting og referanse følger valgene øverst. Yrkene er firesifrede STYRK-08-koder. Bare yrker med minst 30 lønnstakere i hver måned siden januar 2021 er med, 358 i alt.
Tallet i parentes er yrkets eksponeringskvintil etter Eloundou m.fl. (2024), fra K1 (minst eksponert) til K5 (mest eksponert). Små yrker (under 200 lønnstakere i november 2022) er merket, og seriene deres er støyende. Sammensetningen av arbeidstakere innenfor et yrke kan endre seg over tid. Tre yrker mangler eksponeringsskår. Nyansettelser publiseres ikke per yrke. Kilde: A-ordningen via microdata.no, Eloundou m.fl. (2024).
10 · Vekst etter KI-bruk
Yrker gruppert etter andelen av yrkets Claude-forespørsler som er automatiserende (øverst) hhv. augmenterende (nederst), jf. figur 11 under. Sysselsetting, alle aldre samlet; justeringen følger valget øverst. Kilde: Anthropic Economic Index (Handa m.fl. 2025).
11 · 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.
12 · Andeler etter bruksgruppe
Hver gruppes andel av samlet sysselsetting ved normaliseringstidspunktet, for bruksmønsteret valgt ovenfor.
Offentlig sektor
Figur 1–12 gjelder privat sektor. Her vises de samme hovedkuttene for lønnstakere i offentlig sektor: offentlig forvaltning og offentlig eide foretak, 21–60 år. Utfall, justering, glatting og referanse følger valgene øverst.
13 · Sysselsetting etter KI-eksponering
14 · Alder × KI-eksponering
Velg en aldersgruppe og se utviklingen per eksponeringskvintil i offentlig sektor.
15 · Sysselsetting etter alder
16 · Sysselsettingsandeler i november 2022
Hver gruppes andel av samlet sysselsetting i offentlig sektor i november 2022. Sammenlign med figur 4: fordelingen på kvintiler er en helt annen enn i privat sektor.
Offentlig sektor er institusjonell sektor 1110, 1120, 1510, 1520, 6100 og 6500 i A-ordningen (offentlig forvaltning og offentlig eide foretak). Kilde: 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. Figur 13–16 bruker tilsvarende utvalg for offentlig sektor. 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 10–12 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).
Eksponeringsmål: Eloundou og Mouchel
Fra release 2026-09 kan eksponeringsmålet byttes øverst på siden. Standard er Eloundou m.fl. (2024), det oppgavebaserte målet indeksen har brukt hele tiden. Alternativet er det evidensbaserte målet fra Mouchel m.fl. (2026), som bygger på dokumentert KI-bruk. Begge gir kvintiler med like mange yrker over de samme 397 yrkene. Rangkorrelasjonen mellom målene er 0,94, og to tredjedeler av yrkene havner i samme kvintil. Målvelgeren gjelder hovedfiguren og figur 1–2, for alle tre utfall. Usikkerhetsbåndet er bootstrappet separat for hvert mål. Figur 4, yrkescasene, KI-bruk, yrkesvelgeren og offentlig sektor bruker Eloundou-kvintilene.
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 (februar 2025, eller november 2022 når ChatGPT 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 glidende snitt over de siste 3 eller 6 månedene (bakoverskuende, ikke sentrert), beregnet i nettleseren. Ved starten av serien brukes den delen av vinduet som finnes. Snittet henger derfor litt etter vendepunktene i de ujusterte seriene. Seriene skaleres etter glattingen, slik at den viste serien er nøyaktig 100 i referansemåneden. Indeksen måles dermed mot det glattede nivået fram til referansen, ikke mot én enkelt måned. 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.
Velg yrker selv (figur 9)
Figur 9 bygger på to lange datapakker med alle firesifrede STYRK-08-yrker i privat sektor som har minst 30 lønnstakere (21–60 år) i hver måned fra januar 2021, 358 yrker i alt. Aldersgruppene er slått sammen, fordi alder × yrke gir små og støyende celler. Seriene er sysselsetting og FTE-justert lønn, rå og sesongjustert, indeksert til 100 i referansemåneden. Per innbygger-varianten finnes ikke per yrke; den skalerer alle serier innenfor et yrke likt. Nyansettelser publiseres ikke per yrke, fordi små yrker har måneder uten nyansettelser. Yrkene har samme eksponeringskvintil som i figur 1. Pakkene ligger under Last ned data.
Offentlig sektor (figur 13–16)
Fra release 2026-09 publiseres hovedkuttene også for offentlig sektor: offentlig forvaltning og offentlig eide foretak (institusjonell sektor 1110, 1120, 1510, 1520, 6100 og 6500), 21–60 år, for sysselsetting, nyansettelser og lønn. Yrkene får samme nasjonale eksponeringskvintil som i privat sektor, og sesongjusteringen gjøres på samme måte, serie for serie. Yrkessammensetningen innenfor kvintilene er likevel svært ulik mellom sektorene. Nivåene bør derfor ikke sammenlignes på tvers av sektor, og KI-indeksen beregnes bare for privat sektor. Offentlig sektor-pakkene ligger under Last ned data.
KI-indeksen utarbeides av Øystein Hernæs (Frischsenteret) og Andreas R. Kostøl (Handelshøyskolen BI). Forskningsartikkelen med fullstendig metodebeskrivelse og analyse er publisert som RFBerlin Discussion Paper 179/26 (PDF), 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 Ravndal Kostøl (2026). “Has AI Widened Employment Gaps? Tracking Early-Career Employment by Occupational Exposure in Norway”. RFBerlin Discussion Paper 179/26. https://www.rfberlin.com/wp-content/uploads/2026/07/26179.pdf
BibTeX
@techreport{hernaeskostol2026ai,
author = {Hern{\ae}s, {\O}ystein and Kost{\o}l, Andreas Ravndal},
title = {Has AI Widened Employment Gaps? Tracking Early-Career Employment by Occupational Exposure in Norway},
institution = {ROCKWOOL Foundation Berlin},
type = {RFBerlin Discussion Paper},
number = {179/26},
year = {2026},
url = {https://www.rfberlin.com/wp-content/uploads/2026/07/26179.pdf}
}
