Agentisk AI bryter antagandet bakom varje prognos för uppgiftsexponering

Arbetsmarknadsprognoser har utgått från att automatisering tar bort arbetsuppgifter en i taget och lämnar yrket kvar. Agentisk AI, som slutför hela arbetsflöden, kullkastar det antagandet, och ett nytt sammansatt mått, Agentic Task Exposure (ATE), har byggts för att mäta det som de gamla ramverken inte klarar av.

Sammanfattning för beslutsfattare

Tidigare prognoser för automatisering, inklusive de som bygger på Autor-Levy-Murnanes uppgiftsramverk, delar ett antagande: yrket överlever som ett samordningsskal runt det återstående mänskliga arbetet.

Agentiska AI-system uppfyller fyra kriterier: de tar emot en målspecifikation, väljer och anropar verktyg autonomt, bibehåller tillstånd över flera inferenssteg och producerar ett färdigt arbetsresultat utan mänskligt ingripande i mellanstegen.

ATE-poängen kombinerar AI-kapabilitetspoäng, täckningsfaktorer för arbetsflöden och logistisk införandehastighet. Kreditanalytiker, domare och hållbarhetsspecialister når ATE-poäng på 0,43-0,47.

Rapporten tillämpar ATE på 236 SOC-koder i sex stora yrkesgrupper över fem amerikanska teknikregioner, och beskriver sig själv som den första multiregionala empiriska tillämpningen av ramverket för uppgiftsexponering som specifikt riktar in sig på agentiska AI-system.

Vid sidan av undanträngning identifierar rapporten sjutton framväxande yrkeskategorier, koncentrerade till samarbete mellan människa och AI, AI-styrning och domänspecifik AI-drift.

Prognoserna som sköt över målet #

Industrirobotar trängde faktiskt undan fabriksarbetare. Men de gjorde det inte enligt den tidslinje eller i den omfattning som de ursprungliga prognoserna antydde. Den meningen bör göra alla som läser arbetsmarknadsprognoser yrkesmässigt lite vaksamma, eftersom den beskriver ett mönster: riktningen var rätt men storleksordningen var fel.

Den mest kända rubriksiffran i denna litteratur kommer från Frey och Osborne, som bad experter att poängsätta 702 amerikanska yrken utifrån övergripande "datoriserbarhet". Deras resultat var att 47 % av yrkena löpte hög risk. Det är en slående siffra, och den fick stor spridning.

Arntz, Gregory och Zierahn visade sedan vad som händer när analysen går ner på uppgiftsnivå och tar hänsyn till uppgiftsheterogenitet inom nominellt exponerade yrken. Skattningarna för hög risk faller då till 9-14 % i OECD-länderna. Avståndet mellan 47 % och 9-14 % är inte en avrundningsfråga. Det speglar ett val av analysenhet, och det valet flyttar svaret med en faktor tre eller mer.

Källan är öppen med att debatten mellan skattningar på yrkesnivå och uppgiftsnivå är olöst. Vad fältet däremot nådde var en praktisk konsensus: nedbrytning på uppgiftsnivå är nödvändig, och etiketter på yrkesnivå är för grova. Den konsensusen är grunden som resten av argumentet vilar på. Det är också den grund som agentisk AI nu utsätter för påfrestningar.

Hur uppgiftsramverken fungerar #

För att se var påfrestningen kommer ifrån är det hjälpsamt att vara exakt kring vad uppgiftstraditionen hävdar.

Autor, Levy och Murnane delade in yrkesuppgifter längs två axlar: rutinmässiga kontra icke-rutinmässiga, samt kognitiva kontra manuella. Deras argument var att automatisering ersätter det rutinmässiga samtidigt som den kompletterar det icke-rutinmässiga. Det är en ren idé, och den gav senare forskning ett vokabulär för att tala om vilka delar av ett jobb en maskin kunde absorbera.

Acemoglu och Restrepo byggde en formell struktur ovanpå detta. De modellerar produktionen som resultatet av ett kontinuum av uppgifter fördelade mellan kapital och arbete. I deras inramning stiger eller faller arbetsandelen beroende på om skapandet av nya uppgifter, vilket de kallar återinförandekanalen (reinstatement channel), går snabbare än undanträngningen av uppgifter. Enligt dem skrivs arbetsandelen i förädlingsvärdet som sL = W * L / Y = f(|NL| / |N|), där W är lönenivån, L är sysselsättningen och Y är produktionen. Två krafter drar åt motsatt håll, och vilken som vinner avgör vem som tar hem vinsterna.

Två andra mätinsatser är viktiga här eftersom de omvandlade ramverket till siffror på yrkesnivå. Felten, Raj och Seamans byggde poängen AI Occupational Exposure (AIOE) genom att koppla publicerade framsteg inom AI-kapabilitet till O*NET:s förmågetaxonomi. Eloundou et al. konstruerade ett parallellt mått fokuserat på GPT-4, där man kombinerade annoteringar från crowd-arbetare med GPT-4:s självskattningar på uppgiftsnivå.

Deras huvudresultat var att 80 % av amerikanska arbetstagare har jobb där minst 10 % av uppgifterna är exponerade för språkmodeller (LLM). Den tyngsta exponeringen var koncentrerad till högavlönade yrken med krav på högskoleexamen. Det resultatet går stick i stäv med den äldre intuitionen att automatisering slår mot rutinmässigt, lågavlönat arbete först, och det förklarar varför tjänstemannafrågan har blivit akut.

Den blinda fläcken som alla ramverk delar #

Källan riktar en skarp poäng mot allt detta arbete. Varje citerat ramverk delar en arkitektonisk blind fläck: de modellerar automatisering som att enskilda uppgifter plockas bort medan yrket förblir intakt. Nästan alla prognoser, inklusive de som bygger på Autor-Levy-Murnanes uppgiftsramverk, delar antagandet att automatisering plockar bort uppgifter en i taget och att yrket överlever som ett samordningsskal runt det återstående mänskliga arbetet.

Det är ett antagande om struktur, inte om teknik. Det säger ingenting om hur kapabel maskinen är. Det säger att hur många uppgifter maskinen än tar över, måste någon fortfarande hålla ihop resten.

Paralegal-rollen (juristassistenten) gör poängen konkret. En analys av uppgiftsexponering kan flagga 80 % av en paralegals uppgifter som LLM-exponerade och ändå dra slutsatsen att yrket är säkert, eftersom samordningen av dessa uppgifter kräver mänskligt omdöme. Slutsatsen följer av skalantagandet. Uppgifterna är exponerade, men sömmarna mellan dem är det inte, så jobbet blir kvar.

Sedan kommer källans nyckeldrag: den samordningsflaskhals som skyddade paralegal-rollen finns nu inuti agentens planeringsmodul. Om det stämmer slutar det resonemang som höll paralegalen säker att fungera. Skyddet kom från samordningen. Och samordningen är exakt vad ett agentiskt system gör.

Jag tycker att detta är den mest användbara idén i rapporten, och den förtjänar att tas på sina egna villkor. De äldre ramverken har inte fel om uppgifterna. De har fel om vad som återstår efter att uppgifterna försvunnit. Ett mått som poängsätter uppgifter en efter en kan inte se ett system som hanterar sekvensen som en enhet.

Vad som räknas som agentiskt #

Om argumentet hänger på en distinktion behöver distinktionen en definition. Källan tillhandahåller en med fyra kriterier. Ett agentiskt AI-system är ett system som:

tar emot en målspecifikation snarare än en uppgiftsspecifikation;
autonomt väljer och anropar verktyg för att nå målet;
bibehåller tillstånd (state) över flera inferenssteg; och
producerar ett färdigt arbetsresultat utan mänskligt ingripande i mellanstegen.

Detta är en lista värd att behålla som just en lista, eftersom kriterierna är diskreta och vart och ett går att kontrollera. Ett system som besvarar en prompt faller på det första. Ett system som behöver en människa för att godkänna varje mellansteg faller på det fjärde.

Med enklare ord tar en agent emot ett mål, väljer verktyg, utför en flerstegsplan, kontrollerar sitt eget resultat och levererar ett färdigt arbetsresultat. Agentiska system kedjar samman verktygsanrop, upprätthåller beständigt minne mellan steg, planerar sekvenser med flera handlingar och självkorrigerar när delresultat inte klarar kvalitetskontroller.

Detaljen om självkorrigering spelar större roll än det först verkar. En pipeline som går sönder när ett steg misslyckas behöver fortfarande en människa i närheten. Ett system som upptäcker en misslyckad kvalitetskontroll och försöker igen har absorberat en del av den övervakning som brukade motivera människans närvaro.

Rapporten definierar sitt studieobjekt på följande sätt: autonoma AI-agenter kapabla att slutföra hela yrkesmässiga arbetsflöden snarare än diskreta uppgifter. Ordet "hela" bär tyngden. Hela argumentet handlar om glappet mellan en enskild uppgift och ett komplett arbetsflöde.

Varför tidpunkten är nu #

Källan presenterar två typer av belägg för att frågan inte är hypotetisk. Den första gäller kapabilitet. Modeller i GPT-4-klassen nådde upp till eller över gränsen för godkänt på det amerikanska advokatsamfundets prov (bar exam) och US Medical Licensing Exam, och kom inom några procentenheter från godkänt på CFA Level I. Det är certifieringsprov för yrken som begränsar inträdet just för att arbetet är svårt.

Den andra gäller driftsättning. Stora leverantörer av företagsteknik, däribland Amazon, Microsoft, Salesforce, ServiceNow och Workday, redovisade skarpa produktionsdriftsättningar av agentisk AI som berör tjänstemannaflöden i sina kvartalsrapporter och investerarpresentationer under 2024. Detta är produktionsdriftsättningar, inte forskningsdemonstrationer, och de tillkännagavs för investerare snarare än för akademiker.

Källan tolkar dessa redovisningar som den typ av besked företag bara ger när driftsättningar redan påverkar personalplaneringen (headcount planning). Källan ramar in det som en tolkning, inte en mätning, och det bör hållas som en sådan. Ingenting i det underlag jag har fått redovisar personalsiffror direkt. Men slutledningen är rimlig: företag brukar inte lyfta fram en driftsättning inför investerare om den inte har betydelse för kostnadsbasen.

Lägger man ihop de två blir argumentet för ett nytt mått rakt på sak. Kapabilitet på egen hand skulle inte tvinga fram frågan, och det skulle inte heller några få pilotprojekt göra. Kapabilitet som redan passerar professionella trösklar, i system som redan är i produktion, gör det.

ATE-poängen: vad den mäter och vad den inte mäter #

Rapportens svar är poängen Agentic Task Exposure. Det är ett sammansatt mått som utvidgar Acemoglu-Restrepos ramverk för uppgiftsundanträngning till att ta hänsyn till täckning av hela arbetsflöden från start till mål, aktuella riktmärken för agentisk AI-kapabilitet samt införandehastighet i företag. Poängen mäter i vilken grad ett yrke o är exponerat för undanträngning av hela arbetsflöden genom nuvarande agentiska AI-system.

Tre beståndsdelar ingår: AI-kapabilitetspoäng, täckningsfaktorer för arbetsflöden och logistisk införandehastighet. Täckningsfaktorn för arbetsflöden är den del som direkt adresserar den blinda fläcken. Källan säger att det som saknas i tidigare arbeten är ett mått på huruvida hela arbetsflödessammansättningen i ett yrke ryms inom den agentiska AI:ns operativa ram (operational envelope), och den formaliserar detta som täckningsfaktorn för arbetsflöden. De äldre poängen frågar om en uppgift är exponerad. Den här frågar om hela arbetsflödet får plats inom vad en agent klarar av att göra.

Ytterligare två delar av konstruktionen specificeras. Termen wo,t är den viktningsjusterade relevansen för uppgift t i yrke o, hämtad från O*NET:s bedömningar av uppgifters vikt. Och CAP(t), kapabilitetstermen, skattas utifrån litteratur om AI-riktmärken samt rapporter om driftsättning från praktiker. Uppgiftens vikt kommer alltså från en standardiserad yrkesdatabas, medan kapabiliteten kommer från två källor: riktmärken (benchmarks) och fältrapporter.

Rapporten är tydlig med sin metod, och en läsare bör hålla fast vid det. ATE-poäng beräknas algoritmiskt utifrån O*NET-uppgiftsdata med kalibrerade införandeparametrar; de är inte regressionsskattningar. Det har praktiska konsekvenser. En regressionsskattning kommer med den vanliga apparaten av standardfel och identifieringsargument. Ett kalibrerat algoritmiskt sammansatt mått gör inte det, och dess utdata är modellhärledda projektioner, ett uttryck som rapporten själv använder för sina undanträngningssiffror. De beskriver vad modellen antyder givet dess parametrar. De rapporterar inte vad som faktiskt har hänt.

Jag vill hävda att det är en ärlig inramning, och att det är rätt inramning för ett prognosproblem där det som prognostiseras ännu inte har inträffat. Ett sammansatt mått byggt av angivna indata kan granskas, ifrågasättas och omkalibreras. Om någon är oense om införandehastigheten vet de vilket reglage de ska vrida på.

Var modellen tillämpas #

Den empiriska tillämpningen är bred. Rapporten tillämpar ATE-ramverket på 236 koder i Standard Occupational Classification (SOC) som spänner över sex stora yrkesgrupper, vilket genererar modellhärledda undanträngningsprojektioner över fem stora teknikregioner i USA för perioden 2025-2030. De fem regionerna är San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark och Boston-Cambridge.

Rapporten beskriver detta som den första multiregionala empiriska tillämpningen av ramverket för uppgiftsexponering som specifikt riktar in sig på agentiska AI-system. Det är ett anspråk på att vara först som görs av författarna, och jag kan inte kontrollera det utifrån materialet framför mig. Vad jag kan säga är att den regionala utformningen är ett vettigt svar på ett problem som studier på nationell nivå delar: exponering är en egenskap hos yrken, men införande är en egenskap hos platser och företag.

Enligt de resultat källan anger når kreditanalytiker, domare och hållbarhetsspecialister ATE-poäng på 0,43-0,47. Grupperingen är värd en andra blick. En kreditanalytiker, en domare och en hållbarhetsspecialist liknar inte varandra i utbildning, lön eller dagligt arbete. Vad de har gemensamt, enligt rapportens beräkning, är en poäng i samma intervall. Jag tolkar det som ett argument mot varje slentrianmässig sortering av jobb i "säkra" och "i riskzonen" utifrån bransch eller upplevd kreativitet.

Jag skulle också avstå från att läsa in mer i siffran än vad källan stöder. Materialet jag har ger intervallet för dessa tre yrken och säger inte hur det förhåller sig till resten av de 236 koderna. Så siffran visar att dessa roller är påtagligt exponerade på rapportens skala. Den visar inte att de är de mest exponerade.

De regionala resultaten kommer med ett förbehåll som är värt att upprepa. Rapporten anger att arbetskraftseffekterna i Seattle under 2026-2027 ger en förhandsvisning av vad den bredare nationella icke-tekniska arbetskraften kommer att uppleva under 2028-2030. Det är en förutsägelse med en angiven eftersläpning, och den är garderad. Den bör läsas som en hypotes som modellen genererar, och inte tas som ett fastställt faktum. Men det är en användbar typ av påstående, eftersom det är tillräckligt specifikt för att kunna motbevisas. Om Seattles tidiga mönster inte förs vidare till den nationella icke-tekniska arbetskraften senast 2028, har modellen ett problem som den inte kan bortförklara.

Återinförandesidan av huvudboken #

En undanträngningspoäng på egen hand berättar bara halva Acemoglu-Restrepo-historien. I deras ramverk beror arbetsandelen på om skapandet av nya uppgifter går snabbare än undanträngningen. En rapport som utvidgade ramverket och enbart mätte undanträngning skulle ha övergett just den del som ger ramverket dess spänning.

Det gör inte rapporten. Den identifierar yrkeskategorier där agentisk AI skapar återinförandeeffekter: nya roller som inte existerade innan driftsättningen av agenter skapar efterfrågan på mänsklig tillsyn, styrning och samarbete i stor skala. Totalt identifierar den sjutton framväxande yrkeskategorier som gynnas av återinförandeeffekter. De är koncentrerade till samarbete mellan människa och AI, AI-styrning och domänspecifika AI-driftsroller.

Mekanismen är lätt att följa. Om agenter utför arbetsflöden från start till mål måste någon övervaka dem, sätta reglerna de körs under och arbeta sida vid sida med dem. Dessa behov hade inte existerat som jobb tidigare eftersom det ännu inte fanns något att övervaka.

Källan berättar inte hur många människor dessa sjutton kategorier skulle sysselsätta, eller om deras tillväxt skulle kompensera för den undanträngning som ATE-poängen antyder. De data jag kan använda lämnar alltså huvudfrågan öppen: huruvida återinförande går snabbare än undanträngning. Den som tvärsäkert skriver att det gör det, eller att det inte gör det, går längre än de verifierade påståendena. Rapportens bidrag är att placera båda sidorna av huvudboken i samma ramverk och att namnge var de nya rollerna dyker upp.

Vad man bör ta med sig #

Det finns en metodologisk lärdom och en praktisk.

Den metodologiska lärdomen är att analysenheten avgör svaret. Hoppet från 47 % till 9-14 % kom av att gå från yrken till uppgifter. Rapporten argumenterar för att ytterligare en förflyttning nu behövs, från uppgifter till arbetsflöden, eftersom det som automatiseras inte längre är en enskild uppgift. Varje gång enheten har flyttats har skattningarna ändrats, och fältets historia antyder att valet av analysenhet förtjänar lika noggrann granskning som valet av data.

Den praktiska lärdomen riktar sig till alla som planerar personalstyrka, utbildning eller produkter under de kommande fem åren. En poäng som säger att 80 % av en rolls uppgifter är exponerade räcker inte, eftersom den inte säger om de återstående 20 % är en hållbar mänsklig kärna eller bara det klister som en agents planeringsmodul nu kan tillhandahålla. Täckningsfaktorn för arbetsflöden finns till för att ställa den frågan direkt.

ATE-poängen är ett sammansatt mått med kalibrerade parametrar, och dess projektioner är modellhärledda. De utgör ett strukturerat argument om 2025-2030, inte ett facit över perioden. Det är ett skäl att pröva dem snarare än att ignorera dem. Seattle-hypotesen erbjuder ett tidigt test: om effekterna där under 2026-2027 ser ut som modellen antyder, blir eftersläpningen till den nationella icke-tekniska arbetskraften under 2028-2030 nästa sak att bevaka. Och de sjutton återinförandekategorierna ställer den fråga som påståendena inte kan avgöra: om de roller som skapas för att övervaka agenter kommer att anlända i ett antal som spelar roll för arbetsandelen.

Vanliga frågor #

Varför underskattar tidigare ramverk för uppgiftsexponering effekten av agentisk AI?

Tidigare ramverk byggda på Autor-Levy-Murnane-traditionen antar att automatisering tar bort enskilda uppgifter medan yrket överlever som ett mänskligt samordningsskal. Agentiska AI-system absorberar planering, verktygsanrop, tillståndshantering och kvalitetskontroller i mellansteg som tidigare krävde en mänsklig samordnare, vilket exponerar hela arbetsflöden snarare än isolerade uppgifter.

Hur beräknas poängen för Agentic Task Exposure (ATE)?

ATE är ett algoritmiskt sammansatt mått byggt av O*NET:s bedömningar av uppgifters vikt (wo,t), riktmärken för AI-kapabilitet och driftsättningsrapporter från praktiker (CAP(t)), en täckningsfaktor för arbetsflöden som mäter om ett yrkes hela arbetsflöde ryms inom en agents operativa ram, samt kalibrerade parametrar för logistisk införandehastighet över 236 SOC-koder.

Vad finner studien gällande skapandet av nya jobb (återinförandeeffekter)?

Genom att utvidga Acemoglu-Restrepos återinförandekanal identifierar studien sjutton framväxande yrkeskategorier koncentrerade till samarbete mellan människa och AI, AI-styrning och domänspecifik AI-drift. Huruvida tillväxten i dessa kategorier kompenserar för undanträngning på arbetsflödesnivå förblir en öppen empirisk fråga.

Referenser #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Senast granskad 2026-11-01.

Återpublicera den här artikeln

Agentisk AI bryter antagandet bakom varje prognos för uppgiftsexponering — Sebastien Rousseau

Ramverk för uppgiftsexponering behandlar ett yrke som ett skal som överlever runt vad människor än fortfarande gör. Agentiska system följer ett mål och levererar ett färdigt arbetsresultat, så samordningsarbetet...

Den här artikeln är licensierad under Creative Commons Attribution 4.0 International. Återpublicering kräver attribution till den kanoniska URL:en.

Agentisk AI bryter antagandet bakom varje prognos för uppgiftsexponering — Sebastien Rousseau

Ramverk för uppgiftsexponering behandlar ett yrke som ett skal som överlever runt vad människor än fortfarande gör. Agentiska system följer ett mål och levererar ett färdigt arbetsresultat, så samordningsarbetet...

Originally published at https://sebastienrousseau.com/sv/2026-10-25-agentisk-ai-bryter-antagandet-bakom-varje/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER