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.

KI-indeksen
KI-indeksen viser om jobbveksten siden ChatGPT 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.
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.

Indeks = 100 i november 2022 (lansering av ChatGPT)

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:

  1. Serien tas i logaritmer, slik at sesongmønsteret behandles som multiplikativt.
  2. Trenden estimeres med et sentrert 2×12-glidende snitt (13 måneder, halv vekt på endepunktene), som per konstruksjon er sesongfritt.
  3. Sesongfaktoren for hver kalendermåned er gjennomsnittet av avvikene fra trenden for den måneden, normalisert til å summere til null — justeringen flytter ikke nivået.
  4. 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

Øystein Hernæs

Seniorforsker, Frischsenteret

Andreas R. Kostøl

Andreas R. Kostøl

Førsteamanuensis, Handelshøyskolen BI

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}
}