25 %
Globalt: 1 av 4 arbetstagare
har ett yrke med någon exponering för generativ AI.
Global uppskattning av arbetsuppgifters möjliga påverkan. Inte antal förlorade jobb.
ILO / NASK · 20 maj 2025Samhällsberedskap · 2027–2031
Privat förhandsvisning · arbetsutkastAI & Samhällets
Framtid
Är Sverige förberett om tekniken förändras snabbare än samhället hinner ställa om?
AI Artificiell intelligens kan förändra arbetsuppgifter, skapa nya jobb och göra att andra försvinner. Vad händer om nya jobb inte kommer i tid? Vi undersöker risken – utan att påstå att den kommer att bli verklighet.
Ett oberoende initiativ av Daniel Eklund
Förkortningar med en stjärna förklaras när du hovrar över, trycker på eller tabbar till dem.
Utgångspunkten
Inte att stoppa utvecklingen.
Att förbereda samhället.
Daniel Eklund har erfarenhet av IT Informationsteknik, systemarkitektur och teknikutveckling och vill undersöka AI:s samhällskonsekvenser. Initiativet är undersökande och partipolitiskt neutralt.
Underlaget är avsett för en första seriös diskussion. Tidsfönstret 2027–2031 är valt för att undersöka beredskap, inte för att ange när ett visst teknikgenombrott ska inträffa.
Källbelagda uppskattningar · granskade 26 oktober 2026
AI kan förändra många jobb.
Jobbförlust är en annan fråga.
Studierna visar hur många som kan få sina arbetsuppgifter påverkade. De visar inte hur många som kommer att bli av med jobbet. ILO Internationella arbetsorganisationen bedömer att förändrade jobb är mer sannolika än att hela jobb ersätts.
34 %
Höginkomstländer: ungefär 1 av 3
har ett yrke med någon exponering för generativ AI.
Avser höginkomstländer som grupp. Inte ett mått på jobbförlust i Sverige.
ILO / NASK · 20 maj 202527 %
OECD: drygt 1 av 4 jobb
finns i yrken med hög automatiseringsrisk, i genomsnitt.
Gäller bredare automatisering, inte bara generativ AI. Inte uppmätta uppsägningar.
OECD Employment Outlook · 11 juli 2023Förkortningarna ovan: ILO Internationella arbetsorganisationen, NASK NASK och OECD Organisationen för ekonomiskt samarbete och utveckling.
Det avgörande: hinner människor hitta nytt arbete?
Om jobb försvinner innan nya jobb och utbildning finns på plats kan hushåll förlora inkomst. Därför visar scenariot nedan både bortfallet, nya jobb och gapet mellan dem. Siffrorna ovan används inte som antaganden i scenariot.
01 · Metod & prövbarhet
Hur undersöker vi risken – utan att ta den för given?
Hypotes H1 Hypotes 1 · en möjlighet att undersöka
Om AI och robotik gör att jobb försvinner snabbare än människor hittar nytt arbete kan hushåll och samhälle pressas. Vi undersöker beredskapen för en sådan situation under 2027–2031.
Först måste tekniken fungera och användas i verkligheten. Sedan måste vi se hur arbetsuppgifter, jobb och inkomster förändras. Ett tekniskt framsteg betyder inte automatiskt förlorade jobb.
Alternativ hypotes H0 Nollhypotesen · en annan möjlighet
Nya jobb och utbildning kan hinna ersätta bortfallet. Om AI gör arbetet mer produktivt kan det i stället stärka hushåll och välfärd.
Antaganden
- Tekniken blir tillräckligt tillförlitlig och ekonomiskt attraktiv i verklig verksamhet.
- Införandet når en omfattning som påverkar efterfrågan på arbete.
- Kompetens, geografisk matchning och inkomstskydd kan anpassas i olika takt.
Osäkerheter
Tidpunkt, omfattning, nya jobb, produktivitet, beteenden, investeringar och politiska svar. Ett nationellt genomsnitt kan dölja både vinnare och förlorare.
Vad kan falsifiera H1 Hypotes 1?
Hypotesen om en bred nettobelastning försvagas om hög, verifierad adoption sammanfaller med att nytt arbete och återanställning ersätter bortfallet, realinkomster inte varaktigt försämras och utsatta grupper återhämtar sig. Om adoptionen förblir låg har hypotesens villkor inte uppfyllts – det bevisar inte att snabb adoption vore riskfri.
Innan en empirisk prövning måste omfattning, varaktighet, jämförelsegrupper och trösklar definieras i förväg. H1 är ännu inte tillräckligt operationaliserad för ett slutligt ja eller nej.
Hur kan scenarier prövas?
- Definiera indikatorer och jämför hög respektive låg adoption i liknande verksamheter.
- Pröva långsam, snabb och ojämn omställning; ändra ett antagande i taget.
- Följ arbetade timmar, nya uppgifter, återanställning, inkomster och verksamheters kapacitet.
- Kontrollera alternativa förklaringar som konjunktur och demografi; revidera hypotesen när beläggen ändras.
02 · Den starkaste invändningen
Snabbare teknik betyder inte automatiskt färre jobb.
Den centrala invändningen är att vi underskattar ekonomins anpassningsförmåga. Förberedelser bör därför pröva både positiva och negativa utfall – inte utgå från att riskkedjan är given.
Motargument · egen analys01
Nya jobb & omformat arbete
Automatisering av en uppgift är inte samma sak som att ett helt yrke försvinner. Nya behov, yrken och kompletterande uppgifter kan ersätta bortfall eller öka efterfrågan på arbete.
Vad behöver prövas? Pröva om nytt arbete och omställning håller jämna steg med bortfallet – uppdelat på yrken, regioner och kompetens.
Motargument · egen analys02
Produktivitet & efterfrågan
Om AI gör produktionen billigare och bättre kan lägre priser, högre realinkomster och nya tjänster öka efterfrågan. Minskad arbetsåtgång behöver därför inte innebära minskat välstånd.
Vad behöver prövas? Jämför produktion, priser, arbetade timmar och hur vinsterna fördelas. Skilj ekonomins totalsumma från enskilda gruppers utfall.
Motargument · egen analys03
Adoption tar tid
Teknisk kapacitet är inte faktisk användning. Integration, datakvalitet, ansvar, upphandling, regler och förtroende kan bromsa införandet även när tekniken fungerar i en demonstration.
Vad behöver prövas? Följ verklig användning i ordinarie verksamhet, inte enbart tester eller leverantörernas prestandamått.
Motargument · egen analys04
Energi & infrastruktur
Tillgång till el, nätanslutningar, beräkningskapacitet och komponenter kan begränsa expansionen. Effektivare modeller och bättre utnyttjande kan samtidigt minska resursbehovet per uppgift.
Vad behöver prövas? Pröva både kapacitetsbegränsningar och effektivisering. Undvik antagandet att varje ny tillämpning kräver samma resurser.
Motargument · egen analys05
Kapital & lönsamhet
Investeringar ska finansieras och löna sig. Räntor, osäker efterfrågan, driftkostnader och kostnaden för fel kan göra mänskligt arbete konkurrenskraftigt långt efter ett tekniskt genombrott.
Vad behöver prövas? Jämför hela kostnaden över tid – investering, integration, underhåll och tillsyn – med alternativa arbetssätt.
Motargument · egen analys06
Robotikens fysiska flaskhalsar
Programvara kan kopieras snabbt; maskiner måste tillverkas, installeras och underhållas. Säkerhet, precision, materialhantering och varierande verkliga miljöer kan bromsa robotik oberoende av språkmodellernas utveckling.
Vad behöver prövas? Skilj digital automatisering från fysisk. Mät tillförlitlighet, installationstid och drift i verkliga miljöer, inte enbart simulering.
03 · Stresstesta Sverige · hypotetiskt scenario
Hur stort blir gapet innan nya jobb tar vid?
HYPOTETISKT RÄKNEEXEMPEL – INTE EN PROGNOS FÖR SVERIGE. Du väljer antagandena. Resultaten visar andelar av exemplets jobb, inte hur många svenskar som blir arbetslösa.
Tänk dig 100 jobb vid start. En del arbetsuppgifter automatiseras. Vissa jobb försvinner i exemplet, andra ersätts av nya jobb. Jobbgapet är det som ännu inte har ersatts. Automatiserade uppgifter är inte samma sak som förlorade jobb.
Hur stor andel av exemplets jobb får arbetsuppgifter som kan automatiseras? Andelen nås gradvis till slutåret – inte varje år.
Hur stor del av jobben som försvinner ersätts av nya eller omställda jobb till slutåret? I exemplet tar det tid att komma ikapp.
Över hur många år sker förändringen? Fler år ger ett längre förlopp, men samma slutresultat om övriga val är oförändrade.
Påhittat antagande i räkneexemplet: Hälften (50 %) av jobben med automatiserbara uppgifter försvinner. Denna andel är inte hämtad från forskning.
Hypotetiskt jobbgap · år 3
0,8 %av exemplets jobb
ännu inte ersatta
ännu inte ersatta
Jobb som försvinner minus nya / omställda jobb
Av 100 jobb vid start försvinner 3 i exemplet. Nya / omställda jobb ersätter 2,3. Gapet är 0,8 jobb vid år 3.
Ett sätt att förstå andelarna – inte personer, uppmätta svenska jobb eller en arbetslöshetsprognos.
Visa uträkningen för slutåret
E E · exponering(T) = 6 % × (3/3) = 6 %
B B · bruttoförskjutning(T) = 6 % × 0,5 = 3 %
R R · återvunnet(T) = 3 % × 0,8 × (3/3) = 2,3 %
N N · netto(T) = max(0; 3 % − 2,3 %) = 0,8 %
Visade andelar är avrundade till högst en decimal. Beräkningen använder oavrundade värden.
Hypotetiskt förlopp · inte uppmätta jobbförluster
När nya jobb inte hinner ersätta bortfallet.
Det gula området visar gapet mellan jobb som försvinner och jobb som ersätter dem. Alla värden är andelar av exemplets jobb.
- Jobb som försvinner i exemplet
- Nya / omställda jobb
- Jobbgap som återstår
Fast skala: 0–50 % av baslinjens jobb. Modellens antagande om 50 % bortfall gör att inget utfall överstiger 50 %.
3 %
Jobb som försvinner i exemplet · år 3
2,3 %
Nya / omställda jobb · år 3
0,8 %
Jobbgap som återstår · år 3
Störst gap: 1 % vid ungefär år 2.
Gapet uppstår efter start och finns fortfarande kvar vid år 3. Vad som händer senare beräknas inte. Tidshorisonten är vald av dig, inte en förutsägelse.
Om jobb försvinner kan följderna spridas.
För den som inte hittar nytt arbete kan inkomsten minska. Om många berörs samtidigt kan det påverka konsumtion, skattebas och välfärdens finansiering. Det är en möjlig kedja, inte ett beräknat eller säkert utfall.
01
Jobb
Arbete kan försvinna.
02
Inkomster
Hushåll kan få mindre att röra sig med.
03
Konsumtion
Efterfrågan kan minska.
04
Skattebas
Underlaget för skatter kan påverkas.
05
Välfärd
Finansieringen kan pressas.
Nya jobb, högre produktivitet, inkomstskydd och politiska beslut kan motverka kedjan. Inga ekonomiska belopp beräknas här.
År för år · räknetabell
| År | E E · exponering: exponering | B B · bruttoförskjutning: brutto | R R · återvunnet: återvunnet | N N · netto: netto |
|---|---|---|---|---|
| 0 | 0 % | 0 % | 0 % | 0 % |
| 1 | 2 % | 1 % | 0,2 % | 0,7 % |
| 2 | 4 % | 2 % | 1 % | 1 % |
| 3 | 6 % | 3 % | 2,3 % | 0,8 % |
Modellens antaganden och begränsningar
Vad modellen antar
A A · automatiseringsgrad och J J · omställning anges som andelar mellan 0 och 1; T T · tidshorisont är 1–20 år och t löper från 0 till T. Utvecklingstakten ges av p(t) = (t/T)^k, där k = 1 (jämn), 2 (accelererande) eller 0,5 (tidig språngvis). Exponering: E E · exponering(t) = A × p(t). Bruttoförskjutning: B B · bruttoförskjutning(t) = E(t) × 0,5. Eftersläpande omställning: R R · återvunnet(t) = B(t) × J × p(t). Nettobortfall: N N · netto(t) = max(0; B(t) − R(t)). Dessa samband är explicita förenklingar, inte skattningar av Sveriges ekonomi.
Vad modellen inte visar
Löner, produktivitet, befolkning, priser, fördelning, arbetslöshet, skatteintäkter och offentliga utgifter beräknas inte. Nya roller kan i verkligheten överstiga bortfallet; den här avgränsade modellen räknar bara ersättning av berörda jobb. En längre T ändrar förloppets kalenderår, inte slutandelen om A och J hålls konstanta.
Starkare respektive svagare omställning
Vid samma automatiseringsgrad (6 %) och tidshorisont (3 år) visar följande två illustrativa jämförelser hur återhämtningen påverkar nettot. Högre J motsvarar snabbare / mer fullständig omställning inom samma horisont – inte en uppmätt omställningstakt.
Svagare omställning · J = 25 %
Illustrativt nettobortfall vid slutåret: 2,3 % av baslinjens jobb, inte arbetslöshet.
Starkare omställning · J = 75 %
Illustrativt nettobortfall vid slutåret: 0,8 % av baslinjens jobb, inte arbetslöshet.
Även vid J = 100 % finns ett tillfälligt gap före slutåret eftersom omställningen släpar efter. Vid J = 0 % återvinns inget av det antagna bortfallet i modellen.
04 · Från resonemang till beredskap
Undersök Sveriges beredskap – innan den behövs.
Egen analys · förslag till undersökning
Ett konkret nästa steg är gemensamma scenario- och stresstester med forskare, myndigheter, kommuner, arbetsmarknadens parter och beslutsfattare. Syftet är att upptäcka svagheter och handlingsutrymme, inte att föreskriva ett visst partis lösningar.
- 01
Definiera vad som ska tåla påfrestningar
Pröva utbildning, omställningsstöd, inkomsttrygghet och välfärdens bemanning. Bestäm ansvar, indikatorer och vilka grupper som ska följas.
- 02
Pröva flera framtider
Jämför produktivitetslyft med starkt jobbskapande, långsam adoption och snabb men ojämn omställning. Undersök även digital respektive fysisk automatisering separat.
- 03
Stresstesta verklig kapacitet
Hur många kan utbildas eller få stöd, hur snabbt och av vem? Vad händer vid regional koncentration eller längre omställningstider? Offentliga finanser kräver ett separat, källbelagt underlag.
- 04
Redovisa och ompröva
Dokumentera antaganden, kunskapsluckor, motargument och ansvar för uppföljning. Jämför åtgärders kostnader, nytta och fördelning utan att låsa slutsatsen i förväg.
Tre frågor för ett första samtal
- Vilket antagande är svagast – och vilket underlag skulle ändra vår bedömning?
- Vilka befintliga skydd fungerar i alla tre scenarier, och var finns kapacitetsbrister?
- Vem kan genomföra en avgränsad prövning, och hur ska den följas upp?
05 · Aktörer & primärkällor
Vad gör OpenAI och andra aktörer?
AI-företag, offentliga institutioner och forskare arbetar med olika delar av omställningen. Här granskas fyra primärkällor från OpenAI. De visar vad aktören själv föreslår och analyserar – inte en oberoende bedömning av hela Sveriges beredskap.
Källgenomgång: . Publiceringsdatum redovisas vid respektive källa.
Aktörens initiativ · nationell infrastruktur
OpenAI for Countries
OpenAI ·
Sidan redovisar även uppdateringar 17 maj 2025, 12 september 2025 och 6 februari 2026.
Ett initiativ för samarbete med länder om AI-infrastruktur och nationell användning, bland annat datacenter och anpassade AI-tjänster. OpenAI kopplar detta till sin syn på demokratisk AI och ekonomisk utveckling.
Att skilja på: en leverantörs erbjudande och ambitioner är inte belägg för att en viss investering ger samhällsnytta eller att landets ekonomiska skyddssystem är stresstestade.
Forskningsanalys · yrkesexponering i EU
Mapping Europe’s AI Workforce Opportunity
OpenAI Economic Research ·
Analysen kombinerar yrkesklassificeringen ESCO ESCO med Eurostat Europeiska unionens statistikbyrås sysselsättningsdata och ett ramverk för hur AI kan förändra arbete. Empiriska underlag används, men kategorierna är analytiska bedömningar av potential – inte observerade framtida utfall.
Att skilja på: andelar av EU:s sysselsättning i olika yrkeskategorier är inte svenska jobbförlusttal. Exponering innebär varken faktisk adoption eller att ett helt jobb försvinner.
EU Europeiska unionen:s sysselsättning · ungefärliga andelar enligt OpenAI:s ramverk
12 %
Möjlig tillväxt
Yrken där efterfrågan kan öka.
14 %
Relativt hög automatiseringspotential
Teknisk potential, inte konstaterad jobbförlust.
27 %
Omorganisering
Arbetsuppgifter kan omformas.
47 %
Mindre omedelbar förändring
Inte ett löfte om att yrken förblir oförändrade.
Inte prognoser om jobbförlust. Dessa avrundade EU-andelar beskriver möjliga typer av omställning. De används inte som parametrar i samhällssimulatorn och säger inte hur många svenska jobb som kommer att försvinna.
Stiftelsens prioriteringar · säkerhet & resiliens
OpenAI Foundation · AI Resilience
Bret Taylor, OpenAI Foundation ·
Stiftelsen beskriver arbete för att stärka samhällets motståndskraft mot risker från avancerad AI. AI Resilience fokuserar inledningsvis på barn och unga, biosäkerhet och AI-modellers säkerhet. Jobb och ekonomiska konsekvenser nämns också som ett eget arbetsområde.
Att skilja på: AI-säkerhet och resiliens är inte samma sak som ett svenskt samhällsekonomiskt stresstest av inkomster, omställningskapacitet och välfärdsfinansiering. Ett annonserat arbete är inte ett utvärderat resultat.
Aktörens policyförslag · EU
EU Economic Blueprint 2.0
OpenAI · · PDF PDF-dokument
OpenAI:s förslag för EU om bredare AI-användning, infrastruktur, kompetens och förenklade regler. Dokumentet bör läsas som en aktörs bidrag till policydebatten, inte som ett beslut från EU eller en oberoende granskning.
Att skilja på: rekommendationer uttrycker vad OpenAI anser bör göras. Dokumentets användningsmått gäller den egna plattformen; måttet på användningsdjup bygger på resonemangstoken hos den typiska aktiva Plus-användaren (s. 5–6). Det är inte ett direkt mått på produktivitet eller hela arbetsmarknaden och bevisar inte rekommendationernas effekter.
Tre nivåer som inte ska blandas ihop
- OpenAI:s policy och initiativ
- Förslag och prioriteringar från en aktör med egna kommersiella och institutionella intressen. De är relevanta primärkällor till aktörens ståndpunkter, inte neutrala facit.
- Empiriskt underlag och analys
- Observerad sysselsättning kan mätas; potential för framtida omställning måste bedömas. Metod, avgränsning och oberoende granskning avgör hur långt slutsatserna kan dras.
- Daniels oberoende förslag
- Daniel Eklund föreslår svenska scenario- och samhällsekonomiska stresstester för att undersöka beredskap under olika antaganden. Detta är initiativets egen analys, inte en rekommendation eller validering från OpenAI.
Ingen koppling eller utfästelse om stöd. Att dessa källor refereras innebär inte partnerskap, finansiering, godkännande eller stöd från OpenAI till Daniel Eklund eller initiativet. Andra institutioners källingångar redovisas i källregistret; de ska inte tolkas som stöd för förslaget.
06 · Kunskapsstatus & källstruktur
Vad vet vi – och vad återstår att belägga?
Fakta
Verifierbara uppgifter med en specifik källa, period och definition. Denna version innehåller inga källbelagda kvantitativa påståenden om AI:s svenska arbetsmarknadseffekter.
Hypotes
Villkorade, prövbara påståenden. H1 Hypotes 1 och H0 Nollhypotesen är arbetshypoteser, inte etablerade forskningsresultat. Simulatorns parametrar är uttryckliga antaganden.
Egen analys
Initiativets tolkningar, motargument och beredskapsförslag. Rimliga mekanismer är inte i sig belägg för att ett visst utfall kommer att inträffa.
Källregister att komplettera
De granskade rapporterna från ILO Internationella arbetsorganisationen och OECD Organisationen för ekonomiskt samarbete och utveckling finns vid siffrorna i avsnittet AI och jobb. Aktörernas primärkällor finns i ett eget avsnitt. Länkarna nedan är ingångar för fortsatt arbete, inte belägg för simulatorns antaganden.
Sysselsättning, arbetade timmar och branschskillnader. SCB: Statistiska centralbyrån
Ej belagt här: Välj en specifik tabell och redovisa period, population och definition före sifferpåståenden.
Arbetsmarknad, AI och produktivitet i jämförbara länder. OECD: Organisationen för ekonomiskt samarbete och utveckling
Ej belagt här: Välj en namngiven rapport. Exponering för AI ska inte tolkas som faktisk jobbförlust.
Svensk ekonomi, produktivitet och offentliga finanser.
Ej belagt här: Välj relevant analys och skilj institutionens slutsatser från initiativets egna scenarier.
Energisystemets kapacitet och förutsättningar.
Ej belagt här: Välj aktuell statistik eller rapport. Kopplingen till AI behöver beläggas separat.
Så ska ett belägg redovisas
Påstående → kunskapsstatus → författare/institution → exakt titel och länk → utgivningsdatum → sida eller tabell → population och period → begränsningar → senast granskad. En källa ska stödja just det påstående den står vid. Inga påhittade referenser används.
07 · Framtida samtalsagent
Utmana resonemanget. Inte med en låtsaschatt.
Koncept / under utveckling
Ingen AI-modell är ansluten. Ingen chatt eller inskickning är aktiv; inga frågor samlas in.
En framtida agent är tänkt att synliggöra antaganden, redovisa motargument och skilja källbelagda uppgifter från tolkningar. Det är ett mål för fortsatt utveckling – inte en funktion som finns idag.
Frågor för fortsatt granskning
- Vad skulle få oss att överge hypotesen om för snabb omställning?
- Vilka nya arbetsuppgifter kan väga upp bortfallet?
- Vilken observation skiljer teknisk potential från faktisk adoption?
- Vilka beredskapsåtgärder är rimliga även om riskerna inte realiseras?
08 · Kontakt
Kontakt
Telefon
070-746 80 97
Daniel Eklund, initiativtagare. Samtal om metod, källor och beredskap.
E-post
daniel@rifactory.se
Frågor, motargument och underlag som kan stärka eller pröva resonemanget.
Arbetsutkast
Kontaktuppgifterna gäller dialog om detta diskussionsunderlag, inte beställningar eller samarbeten som redan är överenskomna.
Oberoende. Öppet. Inte partipolitiskt.
Initiativtagare: Daniel Eklund. Detta är ett första diskussionsunderlag, inte en färdig forskningsrapport eller ett politiskt program.