Da stigen ble trukket opp

Det finnes en behagelig intuisjon om kunstig intelligens og arbeid, og den er feil. Den sier at rike land, med flest kontorjobber og mest å automatisere, blir hardest rammet, mens fattigere land med jordbruk, fabrikker og uformelt arbeid slipper unna. Det er bare halve bildet. Rike land er mer eksponert, men de har også kapital, infrastruktur og sosiale sikkerhetsnett. Fattigere land er mindre direkte eksponert, men har langt mindre evne til å hente ut gevinstene og langt mindre støtdemping når utviklingsveier forsvinner.

IMF anslår at rundt 40 prosent av sysselsettingen globalt er eksponert for AI. I avanserte økonomier er andelen rundt 60 prosent, i fremvoksende økonomier rundt 40 prosent og i lavinntektsland rundt 26 prosent. Ved første blikk høres det ut som gode nyheter for de fattigste landene. Men den virkelige risikoen ligger ikke bare i hvor mange eksisterende jobber som kan automatiseres. Den ligger i om neste steg oppover fortsatt finnes.

Når eksponering, beredskap, sikkerhetsnett og demografi legges sammen, trer en mer urovekkende regel frem: AIs arbeidsjokk er omvendt farlig i forhold til det demografiske behovet. Der arbeidsstyrken krymper, som i Norden, Japan, Korea og deler av Kina, kan AI erstatte mennesker som uansett blir færre. Der arbeidsstyrken er ung og voksende, som i store deler av Afrika, Sør-Asia og Midtøsten, trengs nye jobber i stor skala. Det er der den samme teknologien kan bli farligst.

Landene som minst trenger å erstatte arbeidskraft, er best rustet til å gjøre det. Landene som mest trenger å skape jobber, risikerer å få stigen trukket opp.

Derfor må ordet beredskap deles i to. IMFs AI Preparedness Index måler viktige ting: digital infrastruktur, humankapital og arbeidsmarkedspolitikk, innovasjon og økonomisk integrasjon, samt regulering og etikk. Det er et mål på evnen til å bruke teknologien og hente ut oppsiden. Det er ikke et fullstendig mål på et samfunns evne til å bære mennesker gjennom sjokket. En økonomi kan være godt rustet for AI-investeringer og samtidig være sosialt skjør når jobber, status og lokale livsgrunnlag forsvinner.

USA viser forskjellen. Landet har enorm AI-kapasitet, kapitalmarkeder, universiteter, skyselskaper og modellmiljøer. Men det har også svakere sosial beskyttelse enn Norden og en kultur der arbeid ofte er tett knyttet til menneskeverd. To land kan derfor se nesten like klare ut i et oppsideindeks og likevel møte helt ulike politiske og sosiale følger når AI presser arbeidsmarkedet.

Kjønnsdimensjonen — hvem innenfor regionen som rammes

Eksponeringen fordeler seg ikke jevnt mellom kjønnene. ILOs forskningsbrief fra mars 2026 (Gen AI, occupational segregation and gender equality in the world of work) viser at kvinnedominerte yrker er nesten dobbelt så eksponert for generativ AI som mannsdominerte — 29 % mot 16 % — og at gapet blir større i den høyeste automasjonsrisikoklassen, der 16 % av kvinnedominerte yrker havner mot bare 3 % av mannsdominerte. Årsaken er yrkessegregering: kvinner er overrepresentert i kontor-, administrasjons- og støtteroller med rutineoppgaver som generativ AI lettest kan ta over, mens menn dominerer bygg, industri og fysiske yrker som er vanskeligere å automatisere. Mønsteret gjelder i 88 % av de undersøkte landene og er sterkest i høyinntektsland. Det legger en kjønnsakse oppå det geografiske kartet: ikke bare hvilke land, men hvem i dem som bærer omstillingen — og det forsterker at et raskt sjokk krever målrettede, ikke kjønnsnøytrale, tiltak.

Kilde: ILO research brief, mars 2026. ILOs GenAI-spesifikke eksponeringsmål skiller seg fra IMFs 60/40/26 — hold dem adskilt.

Stigen

I sytti år har mange utviklingsland hatt en tenkbar stige. Mennesker flyttet fra jordbruk til enkel industri, deretter til mer avansert produksjon, eksport, utdanning og tjenester. Sør-Korea, Taiwan og senere deler av Kina viste at stigen var vanskelig, men virkelig. Den var ikke rettferdig, ikke automatisk og ikke åpen for alle, men den fantes.

AI truer med å trekke opp to trinn samtidig. Det første er industritrinnet. Robotikk, billigere automatisering og geopolitisk reshoring gjør det vanskeligere å bygge utvikling på billig arbeidskraft i fabrikker. Det andre er tjenestetrinnet. Generativ AI treffer oversettelse, kundeservice, enkel programmering, dokumentproduksjon, analysestøtte og den kontornære outsourcingen som ble en vei for India og andre tjenesteøkonomier. Det som var arbeidskraftsarbitrasje, blir teknologi- og compute-arbitrasje.

Dani Rodrik kalte dette for tidlig avindustrialisering allerede før den generative AI-bølgen: land får mindre tid i industriens produktivitetsmaskin og begynner å avindustrialiseres ved lavere inntektsnivåer enn tidligere industrialiserte land gjorde. AI legger et nytt lag oppå dette. Den truer ikke bare fabrikkjobbene, men også den alternative tjenesteveien for land som aldri fikk et fullt industrivindu.

India blir et nøkkelfall. Mye av landets globale middelklasseløfte ble bygget på tjenester, IT og administrativt kunnskapsarbeid. Det er ikke hele økonomien, men det er en viktig utviklingsfortelling. Når AI gjør deler av dette arbeidet billigere, raskere og mindre arbeidsintensivt, påvirkes ikke bare eksisterende jobber. Det påvirker forventningen hos unge utdannede mennesker som allerede opplever at graden ikke gir den tryggheten den lovet.

Bangladesh viser den andre siden. Landets klesindustri har vært en eksportmotor og en inngang til formelt arbeid for millioner av mennesker. Men tekstil og konfeksjon er også områder der automatisering, handelspolitikk og etterspørselssjokk raskt kan endre hvor mye arbeid som trengs per eksportert dollar. Poenget er ikke at alle disse jobbene forsvinner over natten. Poenget er at utviklingsmodellen blir tynnere akkurat når flere mennesker trenger den.

Hvem eier maskinen

Det er ikke nok å spørre hvilke land som er eksponert. Vi må spørre hvem som eier gevinsten. AI er programvare i grensesnittet, men under overflaten er den brikker, strøm, datasentre, nettverk, modeller, skykapital og eksportregler. Den stakken er konsentrert. Et lite antall selskaper og land kontrollerer mye av produksjonsmiddelet.

Dette er også en form for digital ekstraktivisme: data, etterspørsel og bruk skapes globalt, mens beregningskapasitet og avkastning samles på få steder. Brookings anslår at Afrika og Latin-Amerika til sammen står for bare rundt 3 % av global AI-compute-kapasitet, mens BloombergNEF oppgir at omtrent tre firedeler av de 23 GW datasenterkapasitet som var under bygging i september 2025, fantes i USA.

USAs AI Diffusion Rule fra januar 2025 forsøkte å gjøre denne geografien eksplisitt ved å dele verden inn i ulike nivåer for compute-tilgang. Regelen ble trukket tilbake i mai 2025 før den ble det stabile kartet mange beskrev. Men hovedpoenget forsvant ikke med tilbaketrekkingen. Tilgang til avanserte brikker og datasenterkapasitet er nå geopolitikk. Kartet beveger seg, men portene finnes.

Det gjør omfordeling langt vanskeligere. Robotskatt, borgerlønn, AI-fond og utbytte fra automatisering hviler alle på samme stille antakelse: at det finnes AI-gevinster innenfor egen jurisdiksjon å skattlegge. For land som ikke eier modellene, brikkene, skyene eller kapitalen, holder ikke den logikken. De trenger tilgang, investeringer, teknologioverføring og institusjoner som hindrer at produktivitetsgevinstene bare passerer gjennom økonomien og bokføres et annet sted.

Den koblede omstillingen

Arbeid er ikke den eneste variabelen. AI kobles nå til energi og klima. IEA anslår at verdens strømbruk i datasentre kan mer enn dobles innen 2030, til rundt 945 TWh i et hovedscenario. Det betyr at AI ikke bare er et digitalt fenomen. Den trenger nett, areal, kjøling, kraftproduksjon og kapital. Dermed blir energipolitikk en del av AI-politikken.

For oljestatene skaper dette en dobbel bevegelse. Den grønne omstillingen truer fossilinntektene. AI og automatisering kan samtidig svekke evnen til å parkere unge borgere i offentlige jobber eller enkle private tjenester. Men datasentre og AI-investeringer kan også skape ny etterspørsel etter billig energi, særlig gass og strøm. AI blir både trussel og livline. I en slik situasjon kan klimaomstillingen møte mer motstand, ikke mindre.

Vitnet

Vi har sett en mildere versjon av dette før. Kina-sjokket slo ut deler av USAs industrisysselsetting. Det viktigste var ikke bare antallet jobber som forsvant, men hvordan lokale arbeidsmarkeder ikke helet slik standardteorien forutsatte. Lønnsutvikling, deltakelse og sosiale utfall forble svake lenge i mange rammede regioner. Mennesker flyttet ikke friksjonsfritt til neste mulighet. Mange ble der den gamle økonomien hadde brukket.

AI-sjokket kan bli raskere, bredere og mer kognitivt enn Kina-sjokket. Det kan treffe mennesker som har investert i utdanning, status og fremtidsløfter. Optimisten har ofte rett i aggregatet: nye oppgaver og nye jobber oppstår. Men aggregatet er ikke et sted å bo. Den enkelte byen, familien og karrieren kan bære kostnaden lenge før nasjonalregnskapet viser bedring.

Hva det avhenger av

Utfallet avgjøres derfor ikke av eksponering alene. Det avgjøres av tre ting: hvor raskt kapasiteten stiger, hvor bredt tilgangen deles og hvem som eier gevinstene. Disse variablene former tre verdener. I akselerasjonen løper teknologien foran sikkerhetsnettene og divergensen øker. I friksjonen splittes verden i blokker, eksportregler, flaskehalser og regionale nødløsninger. I delingen brukes åpen tilgang, investeringer og institusjonelle overføringer til å sette i hvert fall deler av stigen tilbake.

Det er fristende å spørre om AI tar jobbene. Det større spørsmålet er om AI tar utviklingsveien. Hvis unge land ikke lenger kan klatre via fabrikken, ikke lenger kan klatre via tjenestekontoret og ikke eier det digitale produksjonsapparatet, blir AI ikke bare et arbeidsmarkedsspørsmål. Det blir et spørsmål om global konvergens, migrasjon, klimapolitikk og politisk stabilitet.

Dette er ikke en prognose. Det er et valgrom. Stigen kan trekkes opp av marked, geopolitikk og passivitet. Den kan også bygges om. Men da må vi først slutte å late som om kartet viser samme utviklingsvei som sist.

Kilder og kontrollpunkter

Essayet bygger på åpne kilder og publiserte indekser. Enkelte kvantitative påstander i råutkastet er med vilje myket opp eller fjernet der kildegrunnlaget var svakere eller policybildet hadde endret seg.

Rolf Skogling skriver AI-skiftet fra et praktisk, industrinært perspektiv, med utgangspunkt i hvordan AI faktisk brukes i organisasjoner og produksjon.