När stegen drogs upp

Det finns en bekväm intuition om artificiell intelligens och arbete, och den är fel. Den säger att de rika länderna, med flest kontorsjobb och mest att automatisera, är de som kommer att drabbas hårdast, medan fattiga länder med fält, fabriker och informella jobb klarar sig undan. Det är bara halva bilden. De rika länderna är mer exponerade, men de har också kapital, infrastruktur och skyddsnät. De fattigare länderna är mindre direkt exponerade, men de har mycket mindre förmåga att fånga vinsterna och mycket mindre stötdämpning när utvecklingsvägar försvinner.

IMF:s uppskattning är att ungefär 40 procent av sysselsättningen globalt är exponerad för AI. I avancerade ekonomier ligger andelen runt 60 procent, i tillväxtmarknader runt 40 procent och i låginkomstländer runt 26 procent. Den siffran låter först som goda nyheter för de fattigaste länderna. Men den verkliga risken ligger inte bara i hur många befintliga jobb som kan automatiseras. Den ligger i om nästa steg uppåt fortfarande finns kvar.

När man lägger ihop exponering, beredskap, skyddsnät och demografi framträder en mer oroande regel: AI:s arbetschock är omvänt farlig mot det demografiska behovet. Där arbetskraften krymper, som i Norden, Japan, Korea och delar av Kina, kan AI ersätta människor som ändå blir färre. Där arbetskraften är ung och växande, som i stora delar av Afrika, Sydasien och Mellanöstern, behövs nya jobb i stor skala. Det är där samma teknik kan bli farligast.

De som minst behöver ersätta arbetskraft är bäst rustade att göra det. De som mest behöver skapa jobb är de som riskerar att få stegen uppdragen.

Det är därför ordet beredskap måste delas i två. IMF:s AI Preparedness Index mäter viktiga saker: digital infrastruktur, humankapital och arbetsmarknadspolitik, innovation och ekonomisk integration samt reglering och etik. Det är ett mått på förmågan att använda tekniken och fånga uppsidan. Det är inte ett fullständigt mått på ett samhälles förmåga att bära människor genom chocken. En ekonomi kan vara väl rustad för AI-investeringar och samtidigt socialt spröd när jobb, status och lokal försörjning försvinner.

USA visar skillnaden. Landet har stark AI-kapacitet, kapitalmarknader, universitet, molnbolag och modellföretag. Men det har också ett tunnare socialt skydd än Norden och en kultur där arbete ofta är nära kopplat till människovärde. Två länder kan därför se nästan lika redo ut i ett uppsideindex och ändå möta helt olika politiska och sociala följder när AI pressar arbetsmarknaden.

Könsdimensionen — vem inom regionen som drabbas

Exponeringen fördelar sig inte jämnt mellan könen. ILO:s forskningsbrief från mars 2026 (Gen AI, occupational segregation and gender equality in the world of work) visar att kvinnodominerade yrken är nästan dubbelt så exponerade för generativ AI som mansdominerade — 29 % mot 16 % — och att klyftan vidgas i den högsta automationsriskklassen, där 16 % av kvinnodominerade yrken hamnar mot bara 3 % av mansdominerade. Orsaken är yrkessegregering: kvinnor är överrepresenterade i kontors-, administrations- och stödroller med rutinuppgifter som generativ AI lättast tar över, medan män dominerar bygg, tillverkning och fysiska yrken som är svårare att automatisera. Mönstret håller i 88 % av undersökta länder och är starkast i höginkomstländer. Det lägger en könsaxel ovanpå den geografiska kartan: inte bara vilka länder utan vilka inom dem bär omställningen — och det förstärker att en snabb chock kräver riktade, inte könsneutrala, åtgärder.

Källa: ILO research brief, mars 2026. ILO:s genAI-specifika exponeringsmått skiljer sig från IMF:s 60/40/26 — håll dem åtskilda.

Stegen

I sjuttio år har många utvecklingsländer haft en föreställbar stege. Människor flyttade från jordbruk till enkel tillverkning, sedan till mer avancerad produktion, export, utbildning och tjänster. Sydkorea, Taiwan och senare delar av Kina visade att stegen var svår men möjlig. Den var inte rättvis, inte automatisk och inte öppen för alla, men den fanns.

AI hotar att dra upp två steg samtidigt. Det första är industristeget. Robotik, billigare automation och geopolitisk reshoring gör det svårare att bygga utveckling på billig arbetskraft i fabriker. Det andra är tjänstesteget. Generativ AI angriper översättning, kundtjänst, enklare programmering, dokumentproduktion, analysstöd och den typ av kontorsnära outsourcing som blev en väg för Indien och andra tjänsteekonomier. Det som tidigare var arbetskraftsarbitrage blir teknik- och compute-arbitrage.

Dani Rodrik kallade redan före den generativa AI-vågen detta för förtida avindustrialisering: länder får mindre tid i industrins produktivitetsmaskin och börjar avindustrialiseras vid lägre inkomstnivåer än tidigare industrialiserare gjorde. AI lägger ytterligare ett lager ovanpå detta. Den hotar inte bara fabriksjobben, utan även den alternativa tjänstevägen för länder som aldrig fick ett fullt industrifönster.

Indien blir ett nyckelfall. Landet byggde mycket av sin globala medelklassdröm på tjänster, IT och administrativt kunskapsarbete. Det är inte hela ekonomin, men det är en viktig utvecklingsberättelse. När AI gör delar av detta arbete billigare, snabbare och mindre arbetsintensivt påverkas inte bara befintliga jobb. Det påverkar förväntningen hos unga utbildade människor som redan upplever att examen inte ger den trygghet den lovade.

Bangladesh visar den andra sidan. Landets klädindustri har varit en exportmotor och en inträdesväg till formellt arbete för miljoner människor. Men textil och konfektion är också ett område där automation, handelspolitik och efterfrågechocker snabbt kan förändra hur mycket arbete som krävs per exporterad dollar. Poängen är inte att alla dessa jobb försvinner över en natt. Poängen är att utvecklingsmodellen blir tunnare just när fler människor behöver den.

Vem som äger maskinen

Det räcker inte att fråga vilka länder som är exponerade. Man måste fråga vem som äger vinsten. AI är mjukvara i gränssnittet, men under ytan är den chip, el, datacenter, nätverk, modeller, molnkapital och exportregler. Den stacken är koncentrerad. En handfull företag och länder kontrollerar mycket av produktionsmedlet.

Det är också en form av digital extraktivism: data, efterfrågan och användning skapas globalt, men beräkningskapacitet och avkastning samlas på få platser. Brookings uppskattar att Afrika och Latinamerika tillsammans bara står för cirka 3 % av global AI-compute-kapacitet, medan BloombergNEF anger att ungefär tre fjärdedelar av de 23 GW datacenterkapacitet som var under byggnad i september 2025 fanns i USA.

USA:s AI Diffusion Rule från januari 2025 försökte göra denna geografi explicit genom att dela in världen i olika nivåer av compute-tillgång. Regeln drogs tillbaka i maj 2025, innan den hann bli den stabila karta som många beskrev den som. Men själva poängen försvann inte med återkallelsen. Tillgång till avancerade chip och datacenterkapacitet är nu geopolitik. Kartan är rörlig, men grindarna finns.

Det gör omfördelningsfrågan mycket svårare. Robotskatt, medborgarlön, AI-fonder och utdelning från automatisering bygger alla på samma tysta antagande: att det finns AI-vinster inom den egna jurisdiktionen att beskatta. För länder som inte äger modellerna, chippen, molnen eller kapitalet räcker inte den logiken. De behöver access, investeringar, tekniköverföring och institutioner som gör att produktivitetsvinster inte bara passerar genom ekonomin och bokförs någon annanstans.

Den kopplade omställningen

Arbete är inte den enda variabeln. AI kopplas nu till energi och klimat. IEA bedömer att datacenters globala elanvändning kan mer än fördubblas till 2030, till omkring 945 TWh i ett huvudscenario. Det betyder att AI inte bara är ett digitalt fenomen. Den kräver nät, mark, kylning, kraftproduktion och kapital. Därmed blir energipolitiken en del av AI-politiken.

För oljeländerna skapar det en dubbel rörelse. Grön omställning hotar fossilintäkterna. AI och automation kan samtidigt minska förmågan att parkera unga medborgare i offentliga jobb eller enkla privata tjänster. Men datacenter och AI-investeringar kan också bli en ny efterfrågan på billig energi, särskilt gas och el. Det gör AI till både hot och livlina. I ett sådant läge kan klimatomställningen möta mer motstånd, inte mindre.

Vittnet

Vi har sett en mildare version av detta förut. Kinachocken slog ut delar av USA:s industrisysselsättning. Det mest lärorika var inte bara antalet jobb som försvann, utan hur lokala arbetsmarknader inte läkte på det sätt standardteorin förutsatte. Löneutveckling, deltagande och sociala utfall förblev svaga under lång tid i många drabbade regioner. Människor flyttade inte friktionsfritt till nästa möjlighet. Många stannade där den gamla ekonomin hade brutits.

AI-chocken kan bli snabbare, bredare och mer kognitiv än Kinachocken. Den kan träffa människor som investerat i utbildning, status och framtidslöften. Optimisten har ofta rätt i aggregatet: nya uppgifter och nya jobb uppstår. Men aggregatet är inte en plats att bo på. Den enskilda orten, familjen och karriären kan bära kostnaden långt innan nationalräkenskaperna visar återhämtning.

Vad det hänger på

Utfallet avgörs därför inte av exponering ensam. Det avgörs av tre saker: hur snabbt kapaciteten stiger, hur brett tillgången delas och vem som äger vinsterna. De tre variablerna formar tre världar. I accelerationen springer tekniken före skyddsnäten och divergensen växer. I friktionen splittras världen i block, exportregler, flaskhalsar och regionala nödlösningar. I delningen används öppen access, investeringar och institutionella överföringar för att sätta tillbaka åtminstone delar av stegen.

Det är frestande att fråga om AI tar jobben. Den större frågan är om AI tar utvecklingsvägen. Om unga länder inte längre kan klättra via fabriken, inte längre kan klättra via tjänstekontoret och inte äger den digitala produktionsapparaten, då blir AI inte bara en arbetsmarknadsfråga. Den blir en fråga om global konvergens, migration, klimatpolitik och politisk stabilitet.

Det är inte en prognos. Det är ett valrum. Stegen kan dras upp av marknad, geopolitik och passivitet. Den kan också byggas om. Men då måste vi först sluta låtsas att kartan visar samma utvecklingsväg som förra gången.

Källor och kontrollpunkter

Essätexten bygger på öppna källor och publicerade index. Vissa kvantitativa påståenden i råutkastet har avsiktligt mjukats upp eller tagits bort där källäget var svagare eller policyläget ändrats.

Rolf Skogling skriver AI-skiftet ur ett industrinära och praktiskt perspektiv, med utgångspunkt i hur AI faktiskt används i organisationer och produktion.