Den firedimensionelle analysemodel

Rammeværket går videre end simple mål for "AI-eksponering" ved at kombinere fire dimensioner :

• Teknisk AI-kapacitet — Om nuværende AI-systemer (GPT-4-klasse modeller) kan udføre erhvervets kerneopgaver på eller over gennemsnitligt menneskeligt niveau. GPT-4-klasse modeller præsterer på eller over gennemsnitligt menneskeligt niveau på 60–80 % af hvide-skrivebordsopgaver .
• Menneskelig nødvendighed — Om erhvervet kræver lovgivningsmæssige mandater, relationel tillid eller fysisk tilstedeværelse, der beskytter det mod fuld automatisering. Lovgivningsmæssige (dommere, advokater i retssale), relationelle (lærere, terapeuter, hospice-sygeplejersker) og fysiske (blikkenslagere, elektrikere, omsorgspersonale) faktorer skaber beskyttende volde .
• Efterspørgselselasticitet — Om erhvervet har uelastisk efterspørgsel (fast behov uanset omkostninger) eller elastisk efterspørgsel, der kan udvides, når AI sænker omkostningerne .
• Observeret ChatGPT-brug — Valideret mod virkelige adoptionsmønstre; arbejdere i de mest automatiserbare roller (dataindtastningsmedarbejdere, revisorer) bruger AI til tre gange så mange af deres relevante opgaver sammenlignet med dem i mindre sårbare roller .

De fire overgangsarketyper

Kombineret og valideret sorterer disse dimensioner hvert erhverv i fire kategorier :

1. Højere automatiseringsrisiko (~18 % af amerikanske job) — Høj AI-eksponering, svag menneskelig nødvendighed, uelastisk efterspørgsel. Omfatter dataindtastning, bogføring, kundeservice, kasseassistenter, juridisk støttearbejde og klassifikationskontorister. Disse roller har størst sandsynlighed for at blive elimineret på kort sigt.

2. Vil omorganisere (~24 % af job) — Høj AI-eksponering, stærk menneskelig nødvendighed. Opgavesammensætningen ændrer sig markant, men menneskelige arbejdere forbliver essentielle for kernens relationelle, lovgivningsmæssige eller fysiske funktioner. Beskæftigelsen kan falde i antal, selvom rollen består.

3. Vil vokse/udvides (~12 % af job) — Høj AI-eksponering kombineret med elastisk efterspørgsel betyder, at AI sænker omkostningerne og udvider markedet, hvilket skaber flere job. Eksempler omfatter roller, hvor AI fungerer som en produktivitetsmultiplikator i voksende sektorer.

4. Vil være relativt upåvirket (~46 % af job) — Lav AI-eksponering fra starten, ofte på grund af fysiske, relationelle eller lovgivningsmæssige barrierer. Disse erhverv oplever minimal kortsigtet AI-påvirkning.

USA vs. EU: 18 % vs. 14 % automatiseringsrisiko

OpenAI-rammen estimerer, at cirka 18 % af amerikanske job står over for en relativt højere risiko for kortsigtet automatisering . For EU finder en separat analyse fra CEDEFOP (Det Europæiske Center for Udvikling af Erhvervsuddannelse, et EU-agentur), at omkring 14 % af EU's voksne arbejdstagere står over for en meget høj automatiseringsrisiko . Denne risiko er koncentreret i rutinejob med lav efterspørgsel efter tværgående og sociale færdigheder og er højere blandt mandlige arbejdere .

Vigtig forbehold: 14 %-tallet for EU stammer fra CEDEFOP's uafhængige metode baseret på færdighedsbehov, ikke direkte fra OpenAI's ramme. Tendensen er dog konsistent: EU's mere regulerede arbejdsmarkeder, stærkere sociale beskyttelser og anderledes erhvervssammensætning giver en lavere kortsigtet automatiseringsandel end i USA.

Landeforskelle

En Coface-analyse af AI-arbejdseksponering på tværs af europæiske lande (offentliggjort april 2026) kortlægger automatiseringsudsat opgaveindhold :

• Højere automatiseringrisikolande: Luxembourg, Storbritannien, Schweiz, Nederlandene, Norge og Danmark har de højeste andele af automatiseringsudsat opgaveindhold, fra ~12 % i Tyrkiet til næsten 20 % i Storbritannien .
• Luxembourg, Sverige og Nederlandene har tendens til større andele af vækstorienteret, højtuddannet servicebeskæftigelse, men også høj AI-eksponering i deres finans- og professionelle servicesektorer.
• Tyskland, Grækenland og Italien står over for en anden risikoprofil: større andele af fremstilling, rutinebaseret administrativt arbejde og lavere digital servicepenetration betyder, at automatiseringspotentialet er højere i handelsvare-sektorer .

OpenAI's EU Economic Blueprint 2.0 (januar 2026) segmenterer yderligere lande efter AI-penetration og brugsintensitet. Litauen og Letland skiller sig ud ved at kombinere både høj befolkningspenetration og højintensitetsbrug af avancerede AI-tænkeevner, mens andre EU-lande halter betydeligt bagefter i diffusion .

Politik-kontekst: Chatterji i Bruxelles, EU's AI Act og jobomstilling

Ronnie Chatterji blev udnævnt til OpenAIs første cheføkonom i oktober 2024 og har tidligere fungeret som økonomisk rådgiver i Biden- og Obama-administrationerne. Hans kernepointer er, at økonomien er i "mellemtiden" – de fleste bruger i øjeblikket AI som et supplement, ikke en erstatning . Pr. slutningen af juni 2026 er Chatterji i Europa til en række højniveausamtaler, herunder et POLITICO Europe-arrangement med titlen "AI and the future of work: Is the EU prepared for the transition?" .

Centrale politiske spændinger:

• OpenAI var den første amerikansk-baserede AI-udvikler, der underskrev EU's AI Act's generelle adfærdskodeks .
• Carnegie Endowment argumenterer for, at der ved siden af AI Act er brug for en "dedikeret europæisk ramme for arbejdsmarkedsovergang, ideelt indlejret i blokkens budget for 2028–2034" .
• Europa-Kommissionen bemærker, at AI og digitale teknologier "forventes at øge beskæftigelsen samlet set i Europa, men gevinsterne vil være ujævne og primært gavne højtuddannede, personer i den bedste alder og kvinder, mens lavtuddannede og unge arbejdstagere samt strukturelt svagere regioner forbliver mere udsatte" .

ECB-undersøgelse: Begrænset intensiv AI-brug

ECB's Survey on the Access to Finance of Enterprises (SAFE) for 4. kvartal 2025, der dækker over 5.000 virksomheder i euroområdet, giver et virkelighedstjek af AI-adoptionsdybden :

• Mere end 70 % af virksomhederne rapporterer at bruge AI i en eller anden form ved udgangen af 2025 .
• Kun omkring 7 % af virksomhederne bruger dog AI intensivt nok til at ændre, hvordan de producerer, innoverer og konkurrerer .
• Fordelingen: 27 % bruger slet ikke AI; 33 % bruger det meget sjældent; 31 % bruger det moderat; kun 7–9 % bruger det intensivt .
• Der er et betydeligt investeringsgab: selvom de fleste virksomheder bruger AI, investerer få faktisk i dedikeret AI-infrastruktur. Virksomheder, der investerer, planlægger at afsætte gennemsnitligt 9 % af den samlede investering til AI i 2026 .
• ECB konkluderer, at "diffusionen stiger hurtigt", men at kløften mellem afslappet brug og transformativ integration forbliver meget bred .

EU's indsats for teknologisk suverænitet

EU Economic Blueprint 2.0 fra OpenAI rammesætter europæisk AI-konkurrenceevne eksplicit omkring suverænitet . Det segmenterer EU-lande efter AI-penetration og højintensitetsbrug af avancerede "tænke"-evner og finder, at kun en lille gruppe lande (Litauen, Letland) kombinerer bred adgang med dyb diffusion. Det bredere strategiske fremstød – "teknologisk suverænitet" – afspejles i EU's investeringsplaner for AI-infrastruktur, AI Act's reguleringsambitioner og opfordringer fra organer som Carnegie Endowment til et øremærket EU-budget til arbejdsmarkedsovergange indlejret i den flerårige finansielle ramme for 2028–2034 . Europa-Kommissionens egen analyse forudser, at AI vil øge den samlede beskæftigelse i Europa, men advarer om, at uden målrettet politik vil strukturelt svagere regioner og lavere kvalificerede arbejdstagere blive efterladt .

Den firedimensionelle analysemodel

Rammeværket går videre end simple mål for "AI-eksponering" ved at kombinere fire dimensioner :

• Teknisk AI-kapacitet — Om nuværende AI-systemer (GPT-4-klasse modeller) kan udføre erhvervets kerneopgaver på eller over gennemsnitligt menneskeligt niveau. GPT-4-klasse modeller præsterer på eller over gennemsnitligt menneskeligt niveau på 60–80 % af hvide-skrivebordsopgaver .
• Menneskelig nødvendighed — Om erhvervet kræver lovgivningsmæssige mandater, relationel tillid eller fysisk tilstedeværelse, der beskytter det mod fuld automatisering. Lovgivningsmæssige (dommere, advokater i retssale), relationelle (lærere, terapeuter, hospice-sygeplejersker) og fysiske (blikkenslagere, elektrikere, omsorgspersonale) faktorer skaber beskyttende volde .
• Efterspørgselselasticitet — Om erhvervet har uelastisk efterspørgsel (fast behov uanset omkostninger) eller elastisk efterspørgsel, der kan udvides, når AI sænker omkostningerne .
• Observeret ChatGPT-brug — Valideret mod virkelige adoptionsmønstre; arbejdere i de mest automatiserbare roller (dataindtastningsmedarbejdere, revisorer) bruger AI til tre gange så mange af deres relevante opgaver sammenlignet med dem i mindre sårbare roller .

De fire overgangsarketyper

Kombineret og valideret sorterer disse dimensioner hvert erhverv i fire kategorier :

1. Højere automatiseringsrisiko (~18 % af amerikanske job) — Høj AI-eksponering, svag menneskelig nødvendighed, uelastisk efterspørgsel. Omfatter dataindtastning, bogføring, kundeservice, kasseassistenter, juridisk støttearbejde og klassifikationskontorister. Disse roller har størst sandsynlighed for at blive elimineret på kort sigt.

2. Vil omorganisere (~24 % af job) — Høj AI-eksponering, stærk menneskelig nødvendighed. Opgavesammensætningen ændrer sig markant, men menneskelige arbejdere forbliver essentielle for kernens relationelle, lovgivningsmæssige eller fysiske funktioner. Beskæftigelsen kan falde i antal, selvom rollen består.

3. Vil vokse/udvides (~12 % af job) — Høj AI-eksponering kombineret med elastisk efterspørgsel betyder, at AI sænker omkostningerne og udvider markedet, hvilket skaber flere job. Eksempler omfatter roller, hvor AI fungerer som en produktivitetsmultiplikator i voksende sektorer.

4. Vil være relativt upåvirket (~46 % af job) — Lav AI-eksponering fra starten, ofte på grund af fysiske, relationelle eller lovgivningsmæssige barrierer. Disse erhverv oplever minimal kortsigtet AI-påvirkning.

USA vs. EU: 18 % vs. 14 % automatiseringsrisiko

OpenAI-rammen estimerer, at cirka 18 % af amerikanske job står over for en relativt højere risiko for kortsigtet automatisering . For EU finder en separat analyse fra CEDEFOP (Det Europæiske Center for Udvikling af Erhvervsuddannelse, et EU-agentur), at omkring 14 % af EU's voksne arbejdstagere står over for en meget høj automatiseringsrisiko . Denne risiko er koncentreret i rutinejob med lav efterspørgsel efter tværgående og sociale færdigheder og er højere blandt mandlige arbejdere .

Vigtig forbehold: 14 %-tallet for EU stammer fra CEDEFOP's uafhængige metode baseret på færdighedsbehov, ikke direkte fra OpenAI's ramme. Tendensen er dog konsistent: EU's mere regulerede arbejdsmarkeder, stærkere sociale beskyttelser og anderledes erhvervssammensætning giver en lavere kortsigtet automatiseringsandel end i USA.

Landeforskelle

En Coface-analyse af AI-arbejdseksponering på tværs af europæiske lande (offentliggjort april 2026) kortlægger automatiseringsudsat opgaveindhold :

• Højere automatiseringrisikolande: Luxembourg, Storbritannien, Schweiz, Nederlandene, Norge og Danmark har de højeste andele af automatiseringsudsat opgaveindhold, fra ~12 % i Tyrkiet til næsten 20 % i Storbritannien .
• Luxembourg, Sverige og Nederlandene har tendens til større andele af vækstorienteret, højtuddannet servicebeskæftigelse, men også høj AI-eksponering i deres finans- og professionelle servicesektorer.
• Tyskland, Grækenland og Italien står over for en anden risikoprofil: større andele af fremstilling, rutinebaseret administrativt arbejde og lavere digital servicepenetration betyder, at automatiseringspotentialet er højere i handelsvare-sektorer .

OpenAI's EU Economic Blueprint 2.0 (januar 2026) segmenterer yderligere lande efter AI-penetration og brugsintensitet. Litauen og Letland skiller sig ud ved at kombinere både høj befolkningspenetration og højintensitetsbrug af avancerede AI-tænkeevner, mens andre EU-lande halter betydeligt bagefter i diffusion .

Politik-kontekst: Chatterji i Bruxelles, EU's AI Act og jobomstilling

Ronnie Chatterji blev udnævnt til OpenAIs første cheføkonom i oktober 2024 og har tidligere fungeret som økonomisk rådgiver i Biden- og Obama-administrationerne. Hans kernepointer er, at økonomien er i "mellemtiden" – de fleste bruger i øjeblikket AI som et supplement, ikke en erstatning . Pr. slutningen af juni 2026 er Chatterji i Europa til en række højniveausamtaler, herunder et POLITICO Europe-arrangement med titlen "AI and the future of work: Is the EU prepared for the transition?" .

Centrale politiske spændinger:

• OpenAI var den første amerikansk-baserede AI-udvikler, der underskrev EU's AI Act's generelle adfærdskodeks .
• Carnegie Endowment argumenterer for, at der ved siden af AI Act er brug for en "dedikeret europæisk ramme for arbejdsmarkedsovergang, ideelt indlejret i blokkens budget for 2028–2034" .
• Europa-Kommissionen bemærker, at AI og digitale teknologier "forventes at øge beskæftigelsen samlet set i Europa, men gevinsterne vil være ujævne og primært gavne højtuddannede, personer i den bedste alder og kvinder, mens lavtuddannede og unge arbejdstagere samt strukturelt svagere regioner forbliver mere udsatte" .

ECB-undersøgelse: Begrænset intensiv AI-brug

ECB's Survey on the Access to Finance of Enterprises (SAFE) for 4. kvartal 2025, der dækker over 5.000 virksomheder i euroområdet, giver et virkelighedstjek af AI-adoptionsdybden :

• Mere end 70 % af virksomhederne rapporterer at bruge AI i en eller anden form ved udgangen af 2025 .
• Kun omkring 7 % af virksomhederne bruger dog AI intensivt nok til at ændre, hvordan de producerer, innoverer og konkurrerer .
• Fordelingen: 27 % bruger slet ikke AI; 33 % bruger det meget sjældent; 31 % bruger det moderat; kun 7–9 % bruger det intensivt .
• Der er et betydeligt investeringsgab: selvom de fleste virksomheder bruger AI, investerer få faktisk i dedikeret AI-infrastruktur. Virksomheder, der investerer, planlægger at afsætte gennemsnitligt 9 % af den samlede investering til AI i 2026 .
• ECB konkluderer, at "diffusionen stiger hurtigt", men at kløften mellem afslappet brug og transformativ integration forbliver meget bred .

EU's indsats for teknologisk suverænitet

EU Economic Blueprint 2.0 fra OpenAI rammesætter europæisk AI-konkurrenceevne eksplicit omkring suverænitet . Det segmenterer EU-lande efter AI-penetration og højintensitetsbrug af avancerede "tænke"-evner og finder, at kun en lille gruppe lande (Litauen, Letland) kombinerer bred adgang med dyb diffusion. Det bredere strategiske fremstød – "teknologisk suverænitet" – afspejles i EU's investeringsplaner for AI-infrastruktur, AI Act's reguleringsambitioner og opfordringer fra organer som Carnegie Endowment til et øremærket EU-budget til arbejdsmarkedsovergange indlejret i den flerårige finansielle ramme for 2028–2034 . Europa-Kommissionens egen analyse forudser, at AI vil øge den samlede beskæftigelse i Europa, men advarer om, at uden målrettet politik vil strukturelt svagere regioner og lavere kvalificerede arbejdstagere blive efterladt .