AI ændrer arbejdsmarkedet: Hvorfor 800.000 tab af arbejdspladser kun er halvdelen af ​​historien

AI og det tyske arbejdsmarked: Det store jobskifte begynder

Hvorfor især unge fagfolk kan komme under pres

Kunstig intelligens vil sandsynligvis ikke transformere det tyske arbejdsmarked gennem et pludseligt kollaps i beskæftigelsen, men snarere gennem en dybtgående omstrukturering af job, kvalifikationer og karrieremuligheder. Ifølge et langsigtet scenario kan omkring 800.000 job forsvinde inden for 15 år – mens omtrent det samme antal nye stillinger skabes. Dette næsten afbalancerede resultat er dog ikke grund til selvtilfredshed: De berørte job og personer kan ikke blot opvejes af hinanden. Nye stillinger kan kræve forskellige færdigheder, opstå på forskellige steder eller blive tilgængelige senere. De, der lige er startet deres karriere, kan stå over for særlige udfordringer, efterhånden som virksomheder ændrer deres processer og automatiserer standardiserede opgaver. Derfor er det afgørende spørgsmål ikke kun, hvor mange job der i sidste ende er tilbage, men også hvem der styrer overgangen, hvordan produktivitetsgevinster fordeles, og om teknologiske fremskridt rent faktisk omsættes til levedygtige karrieremuligheder.

Relateret til dette:

• Eksploderende administrative omkostninger: Revisionsretten slår alarm – Hvordan den føderale arbejdsformidling brænder milliarder af penge af under Andrea Nahles

Jobbalancen kan være positiv – og alligevel går hundredtusindvis stadig glip af det

Kunstig intelligens vil sandsynligvis transformere det tyske arbejdsmarked mindre gennem et pludseligt kollaps i beskæftigelsen end gennem en dybtgående omstrukturering af job, kvalifikationer og karrieremuligheder. Omkring 800.000 tabte job inden for en 15-årig periode kunne opvejes af et tilsvarende antal nye. Dette stort set afbalancerede resultat er dog ikke grund til selvtilfredshed. Det ville blot betyde, at jobtab og ny beskæftigelse stort set ophæver hinanden i den samlede økonomi, men ikke at de berørte individer ville være i stand til at overgå til nye roller uden indkomsttab, flytning eller lange overgangsperioder.

Det økonomisk afgørende spørgsmål er derfor ikke blot, hvor mange job der i sidste ende vil blive tilbage. Vigtigere er, hvilke job der vil forsvinde, hvor der vil opstå yderligere efterspørgsel, hvor hurtigt virksomheder kan omorganisere sig, og hvem der kan tilegne sig de nødvendige færdigheder i tide. For Tyskland tilbyder AI muligheden for at generere mere merværdi med stadigt mere knappe menneskelige ressourcer. Samtidig skaber dette risikoen for et arbejdsmarked, hvor eksisterende ansættelsesforhold forbliver relativt stabile, mens unge fagfolk, visse job i servicesektoren og mindre tilpasningsdygtige virksomheder kommer under stigende pres.

Hvad gemmer sig bag de 800.000?

Tallet på 800.000 tabte arbejdspladser bør ikke fortolkes som en forudsigelse af en tilsvarende stigning i arbejdsløsheden. Det beskriver en potentiel strukturel transformation over en lang periode. I den underliggende scenarieberegning vil der efter 15 år gå tabt cirka 790.000 arbejdspladser sammenlignet med en referencekurve, opvejet af omtrent det samme antal nye arbejdspladser. Afrundet resulterer dette i det almindeligt anvendte tal på 800.000 arbejdspladser i hvert tilfælde. Samlet set ville dette betyde, at omkring 1,6 millioner arbejdspladser ville blive påvirket af yderligere strukturelle ændringer.

Benchmarken er afgørende. Referenceforløbet beskriver ikke en fastfrossen økonomi uden digitalisering, men snarere en udvikling, hvor eksisterende økonomiske, teknologiske og demografiske tendenser allerede ekstrapoleres. AI-scenariet undersøger, hvordan øget brug af teknologien kan ændre denne udviklingsforløb. Derfor bør de identificerede forskelle ikke sidestilles med hverken alle fremtidige jobtab eller den samlede ændring i beskæftigelsen.

Det betyder heller ikke, at 800.000 job forsvinder hvert år. Omfanget af nedlæggelsen viser sig i løbet af den betragtede periode og afspejler forskellene mellem to mulige økonomiske strukturer. En ensartet fordeling på tværs af de enkelte år ville være misvisende, fordi investeringer, organisatoriske tilpasninger og nye forretningsmodeller træder i kraft i forskellige hastigheder. Tallet er nyttigt som en vejledning til omfanget af transformationen, ikke som en præcis køreplan for fyringer.

Et balanceret budget beskytter ingen

Der er en betydelig forskel mellem en afbalanceret samlet beskæftigelsessituation og individuelle beskæftigelsesmuligheder. Et job, der går tabt i standardiseret dokumentbehandling, kan ikke automatisk erstattes af en ekstra stilling inden for IT-sikkerhed eller teknisk systemintegration. Dette kan kræve anden ekspertise, yderligere professionel erfaring eller en anden arbejdsplads. Selv hvis begge stillinger er statistisk set ækvivalente, er de ikke udskiftelige fra den berørte persons perspektiv.

Dette problem beskrives ofte som et misforhold mellem udbud og efterspørgsel på arbejdskraft. Folk søger arbejde, mens virksomheder samtidig klager over ubesatte stillinger. Kunstig intelligens kan forværre denne situation, hvis efterspørgslen efter bestemte opgaver ændrer sig hurtigere, end medarbejderne kan tilpasse deres færdigheder. En beskæftigelsesbalance på næsten nul kan derfor føre til længere perioder med arbejdsløshed for visse grupper, øgede uddannelseskrav og øget indkomstulighed.

Den tidsmæssige dimension er også afgørende. Yderligere job opstår ikke nødvendigvis netop, når andre stillinger nedlægges. En virksomhed kan reducere sin administration, mens nye tjenester først genererer tilstrækkelige indtægter senere. Derfor er den langsigtede sluttilstand ikke den eneste faktor i den økonomisk-politiske vurdering. Lige så vigtige er overgangsomkostningerne undervejs: tabt indkomst, ubrugte færdigheder, den økonomiske byrde på social sikring og risikoen for, at folk bliver permanent marginaliserede.

Opgaver forsvinder til fordel for hele professioner

AI ændrer i første omgang opgaver, ikke nødvendigvis hele jobprofiler. Et job består typisk af en række forskellige opgaver: indsamling af information, kontrol af data, udarbejdelse af beslutninger, kommunikation med kunder, ansvar for resultater og løsning af uventede problemer. Hvis en teknologi accelererer nogle af disse opgaver, betyder det ikke automatisk, at hele jobbet bliver økonomisk forældet.

Et analytisk orienteret job kan for eksempel kræve mindre tid til at udarbejde en rapport, mens gennemgang af usædvanlige resultater, koordinering med specialiserede afdelinger og ansvar for beslutningen fortsat er til stede. Derfor bør potentialet for teknisk automatisering ikke sidestilles med en konkret risiko for jobtab. Mellem de to ligger driftsomkostninger, kvalitetskrav, juridisk ansvar og spørgsmålet om, hvorvidt den sparede tid kan bruges produktivt andre steder.

Omvendt ville det være overoptimistisk at konkludere, at dette opgaveperspektiv garanterer jobsikkerhed. Hvis tilstrækkeligt mange arbejdstrin elimineres, og virksomheder omorganiserer deres processer, kan den samme arbejdsbyrde håndteres med færre medarbejdere. Overgangen kan da være gradvis: en afgående medarbejder erstattes ikke, en yderligere stilling godkendes ikke, eller en tidligere uafhængig funktion fusioneres med en anden. Arbejdsmarkedet ændrer sig således, selv uden offentligt synlige bølger af fyringer.

Hvorfor effektivitet kender to retninger

Om højere produktivitet reducerer beskæftigelsen eller skaber flere job, afhænger i høj grad af efterspørgslen. Hvis en virksomhed kan levere den samme produktion med færre ansatte, og salgsvolumen forbliver uændret, falder behovet for arbejdskraft i første omgang. Men hvis tjenesterne bliver billigere, bedre eller tilgængelige for flere kunder, kan efterspørgslen stige og opveje nogle af de oprindelige besparelser.

For eksempel kunne en tjenesteudbyder bruge AI til at støtte små virksomheder mere økonomisk, fordi omkostningerne ved simple analyser ville falde. Dette kunne føre til yderligere kunderelationer og nye konsulentydelser. Men i et marked med en stort set mættet efterspørgsel kan den samme teknologiske udvikling primært udløse prispres og personalereduktioner. Teknologi alene afgør ikke, hvilken udvikling der vinder frem.

Brugen af ​​profit spiller også en rolle. Højere profit kan finansiere investeringer, højere lønninger kan understøtte forbrug, og lavere priser kan forbedre købekraften. Men hvis opsparing i vid udstrækning absorberes uden at generere yderligere indenlandsk efterspørgsel eller investeringer, vil jobskabelseseffekten være svagere. En solid økonomisk analyse skal derfor gå ud over individuelle automatiserede processer og overveje konsekvenserne for markeder, indkomster og forretningsbeslutninger.

Det første pres rammer tjenesterne

Virksomhedsrelaterede tjenester er særligt i fokus, fordi mange af deres tjenester involverer behandling af digitalt tilgængelige oplysninger. Dette omfatter standardiserede analyser, forundersøgelser, dokumentation og visse administrative opgaver. Generativ AI kan understøtte eller delvist automatisere disse processer. Dette ændrer ikke kun bemandingsbehovet, men også det økonomiske grundlag for eksisterende servicetilbud.

I det langsigtede AI-scenarie forventes beskæftigelsen inden for erhvervsserviceudbydere at være omkring 120.000 personer under referenceudviklingsforløbet efter 15 år. I modsætning hertil forventes IT- og informationsserviceudbydere at opleve cirka 110.000 yderligere job. Disse forskelle viser, at digitaliseringen af ​​en branche ikke automatisk resulterer i jobvækst eller -tilbagegang. Den afgørende faktor er, hvilke tjenester der erstattes, understøttes eller efterspørges yderligere.

Dette udgør en fundamental udfordring for konsulent- og vidensudbydere. Hvis det bliver billigere blot at producere en standardrapport, mister den sin værdi som en selvstændig differentiator. Udvælgelsen af ​​relevante spørgsmål, robust branchekendskab, validering af antagelser og implementering af konkrete ændringer bliver vigtigere. Et potentielt strukturelt skift fører således væk fra blot at sælge informationsbehandling og hen imod påviseligt forbedring af beslutninger og forretningsresultater. De forskellige grupper af forretningstjenester er dog ikke synonyme: en specifik branchemåling kan ikke anvendes uden ændringer på alle konsulent- eller vidensprofessioner.

Banker har brug for mere end analyser

Analytiske aktiviteter i banker og forsikringsselskaber er særligt sårbare, fordi de ofte er afhængige af strukturerede data, omfattende dokumentation og tilbagevendende evalueringstrin. Potentielle anvendelser spænder fra opsummering af indsendte dokumenter til udarbejdelse af standardiserede risikovurderinger. Selvom teknisk support kan reducere behandlingstider, eliminerer det ikke automatisk behovet for eksperttilsyn.

Især inden for finansielle tjenesteydelser kan fejlagtige resultater være dyre. En overbevisende formuleret vurdering er ikke nødvendigvis en nøjagtig vurdering. Hvis inputdata er ufuldstændige, usædvanlige omstændigheder er forkert klassificeret, eller en model indeholder systematiske bias, kan en tilsyneladende stigning i effektiviteten skabe yderligere risici. Automatisering er derfor kun økonomisk rentabel, hvis omkostningerne ved overvågning og potentielle fejlvurderinger tages i betragtning.

Bemandingsbehovene vil derfor sandsynligvis blive mere differentierede. Standardiseret forberedende arbejde kan blive mindre vigtigt, mens krævende revisioner, håndtering af undtagelser og overvågning af implementerede systemer kan blive mere afgørende. Om dette vil resultere i nye stillinger af samme størrelsesorden, er endnu uvist. Ikke alle yderligere kontrolopgaver kræver en ny fuldtidsstilling, og ikke alle eksisterende specialister kan let overgå til en specialiseret kontrolfunktion.

Politikker tilbyder ikke fuld beskyttelse

At sidestille videregående uddannelse med lavere automatiseringsevne er en overforenkling, når det kommer til generativ AI. Denne teknologi når nu opgaver, der længe blev betragtet som typisk vidensarbejde: formulering af tekster, kompilering af information, oprettelse af programkode eller præstrukturering af komplekse problemstillinger. Derfor beskytter en universitetsgrad ikke alle aspekter af et job mod teknologisk støtte eller erstatning.

Dette betyder dog ikke, at akademisk uddannelse mister sin økonomiske værdi. Specialiseret viden hjælper med at identificere fejl, stille de rigtige spørgsmål og sætte resultater i en bredere kontekst. Det problematiske ville være en kvalifikation, hvis praktiske fordel næsten udelukkende består i pålidelig udførelse af standardiserede arbejdstrin. Derfor er der en vigtig skillelinje mellem reproducerbar bearbejdning og uafhængig, ansvarlig problemløsning.

Selv ansatte uden en universitetsgrad er på ingen måde automatisk beskyttet. Mens langsigtede scenarieanalyser peger på mere betydelige ændringer i højtkvalificerede erhverv, afslører aktuelle analyser samtidig potentielle negative korrelationer mellem eksponering for AI og beskæftigelse af unge i ikke-akademiske erhverv. Disse to resultater kan eksistere side om side, fordi de vedrører forskellige tidsperioder, jobstrukturer og forskningsmetoder. Derfor undgår en solid vurdering at foretage omfattende generaliseringer om vindere og tabere udelukkende baseret på uddannelsesniveau.

Håndværket forbliver robust, ikke uberørt

Erhverv med en høj andel af praktiske og manuelle opgaver anses for at være relativt robuste over for nuværende generative AI-applikationer. Reparationer på stedet, justering af emner eller arbejde i skiftende rumlige miljøer kan ikke udføres udelukkende gennem en sprogmodel. Fysisk udførelse, situationsbestemt vurdering og øjeblikkeligt ansvar begrænser direkte erstatningsmuligheder i disse tilfælde.

Denne relative robusthed betyder dog ikke, at traditionelt håndværk vil forblive upåvirket af AI. Tilbud kan udarbejdes hurtigere, tekniske dokumenter lettere evalueres, eller kundeaftaler planlægges mere effektivt. De potentielle produktivitetsgevinster ligger derefter primært i understøttende processer. En virksomhed kan håndtere flere ordrer uden fundamentalt at ændre det grundlæggende håndværk i sine tjenester.

Det er også vigtigt at skelne dette fra robotteknologi og andre former for automatisering. Lav eksponering for generativ kunstig intelligens er ikke en generel garanti for teknologisk uerstattelighed. Det siger heller ikke noget om et erhverv's cykliske karakter. Et praktisk orienteret job kan være robust over for sprogmodeller og alligevel være sårbart over for faldende efterspørgsel, svage investeringer eller andre teknologiske ændringer. For økonomisk evaluering skal disse risici overvejes separat.

Adgangen til arbejdsmarkedet er ved at blive en flaskehals

Udviklingen af ​​unge medarbejdere kræver særlig nøje overvågning. Mange opgaver på begynderniveau består af forberedende arbejde, der er teknisk nødvendigt, men stadig relativt standardiseret. Dette kan omfatte indledende research, simple analyser, dokumentation og udarbejdelse af dokumenter. Sådanne opgaver er særligt velegnede til AI-understøttelse. Virksomheder kan derfor overveje at ansætte færre juniormedarbejdere og i stedet udstyre erfarne medarbejdere med mere kraftfulde værktøjer.

En tidlig indikator for Tyskland viser, at fuldtidsbeskæftigelsen blandt 20- til 24-årige i de mest AI-udsatte erhverv er faldet fra omkring 279.000 til 239.000 siden 2022. Dette svarer til et fald på cirka 14 procent. På tværs af alle aldersgrupper har beskæftigelsen i disse særligt udsatte erhverv dog udviklet sig langt mere gunstigt. Denne forskel gør adgangen til arbejdsstyrken til et vigtigt observationspunkt, men den beviser endnu ikke, at AI er ansvarlig for hele faldet.

Desuden er denne aldersgruppe ikke identisk med alle nye aktører på arbejdsmarkedet. Nogle starter deres karriere tidligere, andre først efter en længere studieperiode. Ikke desto mindre opstår der en plausibel risiko: Et jobmarked kan virke relativt stabilt for allerede etablerede medarbejdere, samtidig med at det indsnævrer adgangen. Manglen på en stilling på begynderniveau forbliver ofte mindre synlig for offentligheden end en afskedigelse, men kan have betydelige konsekvenser for den langsigtede karriereudvikling.

Færre unge talenter vil senere koste os mere ekspertise

Når virksomheder automatiserer simple opgaver på begynderniveau, skal de gentænke, hvordan fremtidige professionelle skal tilegne sig erfaring. Professionel dømmekraft udvikles ikke udelukkende gennem teoretisk viden. Den udvikler sig også gennem gentagne gange at arbejde med cases fra den virkelige verden, modtage feedback og reflektere over fejl. Hvis denne læringsfase forkortes eller elimineres helt, kan der senere opstå et hul mellem formelle kvalifikationer og praktisk kompetence.

Fra en enkelt virksomheds perspektiv kan det være attraktivt på kort sigt primært at ansætte erfarne fagfolk og reducere antallet af juniorstillinger. Men hvis mange virksomheder handler på samme måde, kan det kollektive fundament for den fremtidige kvalificerede arbejdsstyrke blive svækket. Rekruttering af allerede erfarne medarbejdere løser ikke dette makroøkonomiske problem, men omfordeler blot en begrænset pulje af talenter.

En fornuftig forretningsmæssig reaktion ville derfor ikke være kunstigt at opretholde alle eksisterende rutineopgaver. I stedet skulle læringsveje bevidst redesignes. Praktikanter kunne gennemgå AI-resultater, sammenligne forskellige løsninger og gradvist tage ansvar for beslutninger i den virkelige verden. Dette ville flytte træningens fokus mere mod forståelse og kritisk tænkning. Den sparede tid ville så ikke kun være et værktøj til at reducere personaleomkostninger, men kunne også bruges specifikt til hurtigere og mere grundig kompetenceudvikling.

Produktivitet kan også styrke begyndere

AI's indvirkning på nye professionelle er ikke udelukkende negativ. En passende assistent kan gøre viden tilgængelig, vejlede i formuleringer og understøtte løsningen af ​​mindre velkendte problemer. Dette gør det muligt for uerfarne medarbejdere at blive produktive hurtigere. Om virksomheder bruger dette som en mulighed for yderligere ansættelser eller for at reducere personalebehovet er en separat forretningsbeslutning.

En omfattende undersøgelse af kundeservice med 5.172 medarbejdere viste, at AI-understøttelse resulterede i et gennemsnit på cirka 15 procent flere succesfuldt løste forespørgsler pr. arbejdstime. Mindre erfarne og tidligere dårligt præsterende medarbejdere drog især stor fordel af dette. Dette fund viser, at AI kan reducere eksisterende præstationsforskelle inden for et job. Det giver dog ikke mulighed for generelle konklusioner om, hvordan beskæftigelse eller lønninger vil ændre sig på tværs af hele økonomien.

Denne sondring er afgørende. Et værktøj kan øge produktiviteten hos en ung medarbejder og samtidig reducere det samlede behov for unge medarbejdere i en virksomhed. Tilsvarende kan den øgede fordel ved en ekstra medarbejder gøre nyansættelser økonomisk levedygtige. Om støtte- eller crowding-effekten er fremherskende, afhænger af efterspørgsel, organisation og virksomhedsstrategi. Teknologiske muligheder bestemmer ikke udelukkende resultatet.

Vores ekspertise i EU og Tyskland inden for forretningsudvikling, salg og marketing - Billede: Xpert.Digital

Branchefokusområder: B2B, digitalisering (fra AI til XR), maskinteknik, logistik, vedvarende energi og industri

Mere information her:

• Ekspert Business Hub

Et tematisk knudepunkt, der tilbyder indsigt og ekspertise:

• Vidensplatform, der dækker globale og regionale økonomier, innovation og branchespecifikke tendenser
• En samling af analyser, indsigter og baggrundsinformation fra vores vigtigste fokusområder
• Et sted for ekspertise og information om aktuelle udviklinger inden for erhvervsliv og teknologi
• Et knudepunkt for virksomheder, der søger information om markeder, digitalisering og brancheinnovationer

Beskæftigelsesdataene kræver en nøgtern fortolkning

Indtil videre er der ikke noget tydeligt fald i beskæftigelsen i særligt AI-udsatte erhverv i Tyskland. I begyndelsen af ​​2026 var fuldtidsbeskæftigelsen i de mest udsatte erhverv 1,8 procent højere end i 2022. Derimod var den 6,4 procent lavere i de mindst udsatte erhverv. Disse tal modsiger den forenklede opfattelse af, at en høj grad af teknisk påvirkning fra AI nødvendigvis må føre til en generel reduktion i jobskabelsen.

De beviser dog heller ikke, at AI allerede har øget beskæftigelsen i dette omfang. Udviklingen af ​​de undersøgte erhvervsgrupper var i nogle tilfælde forskellig, selv før den udbredte tilgængelighed af generativ AI. Digitalisering, brancheændringer og andre strukturelle faktorer kan påvirke resultaterne. Enhver, der fortolker hele forskellen som en AI-effekt, forveksler en observeret korrelation med en bevist årsag.

En yderligere begrænsning opstår i forhold til det pågældende beskæftigelsessegment. Fuldtidsbeskæftigelse repræsenterer ikke al beskæftigelse og heller ikke automatisk den samlede arbejdsmængde. Ændringer i deltidsarbejde, selvstændig virksomhed eller arbejdstid kan give yderligere information. For at kunne stille en pålidelig diagnose bør beskæftigelsesniveauer, nyansættelser, arbejdstid og indkomst derfor betragtes samlet. En enkelt indikator kan udløse et advarselssignal, men den kan ikke give et fuldstændigt billede af den økonomiske transformation.

Økonomiske tendenser og AI overlapper hinanden

Den nuværende økonomiske afmatning gør det vanskeligt at tilskrive observerede ændringer til specifikke faktorer. Virksomheder er ofte mere tøvende med at ansætte, når salgsudsigterne er usikre. Dette kan især påvirke unge professionelle, da de endnu ikke har et eksisterende job, og deres evner er sværere for potentielle arbejdsgivere at vurdere. Derfor er en vanskeligere adgang til arbejdsmarkedet ikke automatisk tegn på teknologisk forskydning.

En anden analyse af Tyskland fokuserer på 20- til 29-årige, en bredere aldersgruppe. I denne gruppe faldt fuldtidsbeskæftigelsen med 3,8 procent mellem 2022 og 2025 i erhverv med større eksponering for kunstig intelligens og med 2,6 procent i mindre eksponerede erhverv. Efter yderligere hensyntagen til økonomisk sårbarhed og egnethed til at arbejde hjemmefra forblev den negative korrelation med eksponering for kunstig intelligens for denne aldersgruppe statistisk ufyldestgørende. Korrelationen med økonomisk svaghed var signifikant stærkere.

Disse resultater modsiger ikke nødvendigvis det mere udtalte fald blandt 20- til 24-årige. Aldersdefinitionen, tidsperioden og erhvervsklassificeringen er forskellige. Samlet set berettiger resultaterne til en forsigtig fortolkning: Der er alvorlige indikationer på ændrede adgangsmuligheder, men ingen tilstrækkelig grund til at tilskrive alle de problemer, som unge arbejdstagere står over for, til kunstig intelligens. Økonomisk politik skal derfor adressere teknologisk tilpasning og generel svaghed i investeringer og efterspørgsel samtidig.

Distribution er endnu ikke transformation

Generativ AI har spredt sig hurtigt i tyske virksomheder. Brugsraten steg fra cirka 5 procent i 2023 til næsten 25 procent i 2025. Omkring 40 procent af alle ansatte, der er underlagt socialsikringsbidrag, arbejdede i disse brugervirksomheder. Dette betyder dog ikke, at alle disse personer selv arbejdede med AI. Teknologien kan forblive begrænset til specifikke afdelinger eller opgaver i en virksomhed.

Der var også betydelige forskelle mellem virksomhedsstørrelser. I 2025 brugte omkring 48 procent af virksomheder med mindst 200 ansatte generativ kunstig intelligens. For virksomheder med op til ni ansatte var tallet cirka 21 procent. Teknologien var særligt udbredt inden for informations- og kommunikationsteknologi (59 procent), finans og forsikring (50 procent) og virksomhedsrelaterede tjenester (37 procent).

Den økonomiske betydning af disse tal ligger ikke kun i implementeringshastigheden. Et lejlighedsvis tekstresumé ændrer en virksomhed anderledes end integrationen af ​​AI i kontinuerlige arbejdsgange. Cirka 90 procent af brugervirksomhederne var afhængige af offentligt tilgængelige løsninger; kun en mindre andel brugte mere tilpassede eller internt udviklede modeller. Høje implementeringsrater kan derfor falde sammen med begrænset organisatorisk penetration. For produktivitet og beskæftigelse er det vigtigste, hvor intensivt og til hvilket formål teknologien anvendes.

Fordelen bestemmes under drift

Investeringer i AI giver økonomisk mening, hvis de ekstra fordele opvejer de samlede omkostninger. Disse omkostninger omfatter ikke kun licensgebyrer, men også ressourcer til dataforberedelse, tekniske grænseflader, træning, sikkerhedsforanstaltninger og resultatovervågning. Et billigt værktøj kan vise sig dyrt, hvis dets resultater kræver hyppige og dyre korrektioner.

Det centrale forretningsmæssige spørgsmål er derfor ikke, om en enkelt opgave udføres hurtigere. Det afgørende spørgsmål er, om hele processen bliver mere økonomisk, samtidig med at kvaliteten opretholdes eller forbedres. Hvis en indledende evaluering sparer tid, men efterfølgende koordinering og kontrol er nødvendig, kan den faktiske gevinst forblive lille. Omvendt kan en tilsyneladende mindre forbedring have en betydelig effekt, hvis den eliminerer en flaskehals i en ofte gentaget proces.

En realistisk introduktion kræver derfor verificerbare kriterier. Disse omfatter behandlingstiden indtil et brugbart resultat er opnået, fejl- og omarbejdningsrater samt den faktisk frigjorte kapacitet. Antallet af producerede tekster, præsentationer eller programudkast er ikke i sig selv et mål for produktivitet. Økonomisk fremgang sker kun, når resultaterne bliver mere brugbare, kunderne modtager merværdi, eller knappe ressourcer udnyttes mere effektivt. AI som symbol på modernisering er ikke nok til at opnå dette.

Hvorfor store væksttal er betinget gyldige

Det langsigtede AI-scenarie forbinder strukturelle transformationer med betydelige makroøkonomiske muligheder. Under de antagne forudsætninger kan den årlige økonomiske vækst over 15 år i gennemsnit være 0,8 procentpoint højere end i referenceforløbet. Over hele perioden vil dette resultere i en kumulativ yderligere værdiskabelse på ca. 4,5 billioner euro. Dette tal repræsenterer et potentielt, ikke et garanteret afkast.

To almindelige misforståelser bør undgås. En stigning på 0,8 procentpoint i den årlige vækst er ikke det samme som en engangsstigning i den økonomiske produktion på 0,8 procent. Tilsvarende er 4,5 billioner euro i yderligere værditilvækst over 15 år hverken et yderligere statsbudget eller et enkelt årligt beløb. Det, der menes, er den kumulative forskel i økonomisk produktion mellem to udviklingsforløb i den periode.

Den underliggende mekanisme er forståelig: højere arbejdsproduktivitet, reduceret materialeforbrug og nye salgsmuligheder. Den faktiske størrelse af disse effekter afhænger dog af implementeringen. Resultater fra særligt succesfulde individuelle applikationer kan ikke direkte ekstrapoleres til hele økonomien. Derudover opstår der usikkerheder vedrørende nye forretningsmodeller, internationale konkurrencereaktioner og spredningshastigheden. Derfor bør tal for højt potentiale forstås som en begrundelse for forbedrede rammebetingelser, ikke som en erstatning for en verificerbar investeringsstrategi.

Nye job skabes ikke automatisk

En langsigtet, næsten balanceret beskæftigelsesbalance kræver, at der ud over effektivitetsgevinster opstår yderligere økonomisk aktivitet. Dette omfatter udvikling og drift af teknisk infrastruktur, nye IT-tjenester og forretningsmodeller, der tidligere ikke var økonomisk rentable. Denne beskæftigelse er ikke en automatisk bivirkning af hver sparet time. Det kræver investerende virksomheder, betalende kunder og de nødvendige færdigheder.

Udviklingen over tid er heller ikke lineær. I starten kan der være behov for yderligere personale til dataindsamling, teknisk implementering og infrastruktur. Senere kan produktivitetsstigninger reducere efterspørgslen efter arbejdskraft. Nye forretningsområder kan opveje denne effekt på længere sigt. Hvis deres udvikling ikke lever op til forventningerne, vil beskæftigelsesbalancen også ændre sig. Scenarieanalyse kan illustrere denne sammenhæng, men den kan ikke garantere, at alle nødvendige betingelser vil være opfyldt.

Desuden behøver merarbejde ikke nødvendigvis at afspejles fuldt ud i nye jobtitler. En eksisterende teknisk serviceudbyder kunne udvide sine tilbud, en industrivirksomhed kunne udvikle yderligere digitale vedligeholdelsestjenester, eller et konsulentfirma kunne påtage sig nye implementeringsopgaver. Det afgørende er den yderligere økonomiske efterspørgsel, ikke antallet af nyoprettede jobtitler. For beskæftigelsespolitikken betyder det, at innovation og virksomhedsetableringer er lige så relevante som videreuddannelse af eksisterende medarbejdere.

Demografi gør effektivitet særligt værdifuld

I et aldrende samfund er arbejdskraftproduktivitet af særlig betydning. Når det er sværere at finde personale til bestemte job, kan automatisering af administrative opgaver bidrage til at udnytte eksisterende faglærte medarbejdere mere effektivt. En lavere efterspørgsel efter arbejdskraft i én sektor betyder derfor ikke nødvendigvis en forværring af den samlede arbejdsmarkedssituation. Det kan også bidrage til at afhjælpe mangler.

Denne forbindelse bør dog ikke overstrækkes. En kontoransat, der fritages for administrative opgaver af AI, bliver ikke automatisk en efterspurgt sygeplejerske, og yderligere teknisk kapacitet erstatter ikke alt praktisk arbejde. Kvalifikationskrav, personlige præferencer og organisatoriske begrænsninger ligger mellem disse områder. Derfor kan der forekomme en demografisk drevet personalemangel og teknologisk forskydning samtidig.

Det økonomisk attraktive perspektiv ligger i at flytte den knappe arbejdstid fra standardiserede opgaver til opgaver med større menneskelig fordel. Dette kan omfatte forbedret kundeservice, hurtigere problemløsning eller bedre teknisk forberedelse. Om dette lykkes afhænger af arbejdsorganiseringen. Hvis kun personaleomkostningerne reduceres uden at den resterende kapacitet udnyttes godt, forbliver noget af potentialet uudnyttet. AI er derfor en mulig komponent i at håndtere demografiske udfordringer, men ikke en fuldstændig erstatning for uddannelse, arbejdsstyrkedeltagelse og passende indvandring.

Videreuddannelse kræver konkrete karrieremål

Kravet om videreuddannelse forbliver ineffektivt, hvis det er uklart, hvilke færdigheder der efterfølgende vil være økonomisk nødvendige. Et generelt introduktionskursus i brugen af ​​en chatbot kan være nyttigt, men det erstatter ikke tilpasning af professionelle færdigheder. Medarbejdere skal være i stand til at genkende, hvilke af deres opgaver der vil ændre sig, og hvilket yderligere ansvar de forventes at påtage sig i fremtiden.

Den operationelle situation afslører et betydeligt implementeringsgab. I 2025 tilbød cirka 27 procent af virksomhederne, der bruger generativ kunstig intelligens, relevante træningskurser. Yderligere 21 procent planlagde at tilbyde sådanne kurser. Allerede implementerede foranstaltninger og blotte planer bør ikke sidestilles. Implementeringen af ​​interne regler var også ufuldstændig: omkring 21 procent af brugervirksomhederne havde tilsvarende retningslinjer, og yderligere 22 procent planlagde at implementere dem.

Meningsfuld faglig udvikling kombinerer derfor specialiseret viden, praktiske færdigheder og resultatevaluering. Medarbejdere bør ikke kun lære at formulere instruktioner, men også at genkende usikkerhed, fortolke data korrekt og vurdere en models begrænsninger. For virksomheder er det afgørende rent faktisk at afsætte læringstid i den daglige arbejdsrutine. At flytte ansvaret helt over på den enkelte medarbejders villighed til at forfølge videreuddannelse privat ville være en ulempe for dem med mindre tid, økonomiske ressourcer eller passende læringsmuligheder.

Middelklassen mellem adgang og afhængighed

For mindre virksomheder sænker lettilgængelige AI-tjenester i første omgang adgangsbarriererne. Selv uden deres egen udviklingsafdeling kan de modtage støtte til kommunikation, research eller analyse. Dette skaber muligheder for delvist at kompensere for organisatoriske ulemper sammenlignet med større konkurrenter. Yderligere integration i virksomhedsspecifikke processer er dog fortsat mere udfordrende end at bruge et enkelt værktøj.

Store virksomheder kan sprede faste implementeringsomkostninger på tværs af flere use cases og ansætte mere specialiserede teams. Mindre virksomheder skal derimod ofte med begrænsede personaleressourcer beslutte, hvilke applikationer der giver mening, og hvordan de passer ind i eksisterende systemer. Standardiserede brancheløsninger eller ekstern support kan hjælpe her. Dette giver dog kun økonomisk mening, hvis fordelene, dataadgangen, de løbende omkostninger og skiftmulighederne forbliver tilstrækkeligt gennemsigtige.

En yderligere risiko ligger i afhængigheden af ​​individuelle udbydere. Hvis kernearbejdsgange er tæt knyttet til et enkelt system, kan efterfølgende prisændringer, tekniske begrænsninger eller vanskeligheder med at skifte udbyder mindske de indledende fordele. Derfor er det ikke kun overkommelige licenser på entry-level, der er relevante for en AI-strategi rettet mod mellemstore virksomheder. Lige så vigtige er overførbare data, transparente grænseflader og en organisationsstruktur, der ikke fuldstændigt outsourcer kritisk ekspertise.

Hvem modtager produktivitetsgevinsterne

Øget økonomisk output besvarer ikke automatisk spørgsmålet om fordeling. AI-relaterede fordele kan tilfalde medarbejdere, kunder, brugervirksomheder eller teknologiudbydere. Omfanget af fordelene for hver gruppe afhænger blandt andet af konkurrence, forhandlingsstyrke og manglen på bestemte færdigheder. Derfor kan en positiv samlet økonomisk udvikling ledsages af betydelige forskelle i indkomst og jobsikkerhed.

Standardiserede tjenester kan komme under prispres, mens robust ekspertise, kundeadgang eller evnen til at implementere løsninger i praksis vil blive mere værdifuld. Samtidig kan kunstig intelligens gøre det muligt for individuelle medarbejdere at påtage sig mere krævende opgaver. Sådanne ændringer behøver ikke nødvendigvis at føre til større ulighed. De kan reducere præstationsforskelle inden for et enkelt job, samtidig med at de skaber nye indkomstforskelle mellem forskellige job.

For social sikring er det også relevant, om højere produktivitet resulterer i stigende lønninger, yderligere beskæftigelse eller overvejende i andre former for indkomst. En stabil arbejdsstyrke alene garanterer ikke et tilsvarende voksende bidragsgrundlag. Omvendt kan en mere produktiv økonomi med bred deltagelse lette finansieringen af ​​sociale forpligtelser. Fordelingsmæssige spørgsmål bør derfor hverken behandles som et sekundært anliggende eller som allerede afklarede. De er en central komponent i udformningen af ​​de økonomiske aspekter af teknologisk forandring.

Infrastruktur begrænser det digitale løfte

AI kræver et fysisk og organisatorisk fundament. Computerkapacitet, strømforsyning, netværksforbindelse, datahåndtering og IT-sikkerhed er forudsætninger for produktiv brug. Antagelsen om, at disse fundamenter vil være tilgængelige i tide, er en betingelse for gunstige vækstscenarier. Hvis disse betingelser ikke er opfyldt, kan investeringer blive dyrere eller have en forsinket effekt.

Opførelsen af ​​datacentre kan i første omgang udløse yderligere økonomisk aktivitet og beskæftigelse. Dette garanterer dog ikke en ubegrænset og varig jobskabelseseffekt. Byggeri og teknisk drift har forskellige personalestrukturer, og den bredeste økonomiske effekt stammer kun fra produktive anvendelser i andre virksomheder. Et datacenter er derfor en nødvendig infrastruktur til visse anvendelser, men endnu ikke et bevis på succesfulde realiserede produktivitetsgevinster.

For industri og logistik ligger udfordringen især i at integrere digitale værktøjer med virkelige processer. Dette kan omfatte forbedret teknisk dokumentation, understøttelse af vedligeholdelsesbeslutninger eller hurtigere håndtering af driftsafvigelser. Sådanne applikationer skal være kompatible med datakvalitet, sikkerhedskrav og eksisterende systemer. Derfor er en vellykket demonstration ikke ensbetydende med en økonomisk rentabel implementering i den løbende drift. I sidste ende er den afgørende faktor, om teknologien fungerer pålideligt under virkelige forhold og forbedrer den samlede procesydelse.

Arbejdsmarkedspolitikken skal finansiere omstillinger

En sund økonomisk-politisk tilgang bør ikke fundamentalt forhindre produktiv automatisering. Forsøg på at bevare alle eksisterende jobstrukturer kan hindre nødvendige effektivitetsgevinster og nye forretningsmodeller. Det ville dog være lige så utilstrækkeligt at forvente, at markedet løser alle overgangsproblemer uden støtte. Informationshuller, finansielle risici og mangel på læringsmuligheder kan gøre meningsfulde ændringer vanskelige.

Arbejdsmarkedspolitikken bør derfor begynde tidligt. Hvis opgaverne i en virksomhed ændrer sig, kan rettidig uddannelse potentielt forhindre fremtidigt jobtab. Hvis en ændring er nødvendig, bør yderligere uddannelse og rådgivning rettes mod specifikke beskæftigelsesmuligheder. Deltagelse i et program alene er ikke et bevis på succes; det afgørende bagefter er levedygtige beskæftigelsesmuligheder, passende job og minimale langsigtede indkomsttab.

Adgang til arbejdsmarkedet fortjener særlig opmærksomhed. Lærlingeuddannelser, støttede stillinger på begynderniveau og pålidelige læringsveje opfylder en funktion, der rækker ud over den kortsigtede fordel for de enkelte virksomheder. En beskæftigelsespolitisk strategi bør derfor ikke kun adressere eksisterende arbejdsløshed. Den skal også bidrage til at forhindre virksomheder i at spare på rekrutteringsomkostninger på kort sigt og dermed svække økonomiens egen kvalificerede arbejdsstyrke på lang sigt. At opretholde læringsmuligheder er noget andet end kunstigt at bevare forældet rutinearbejde.

Hvordan renoveringen kan måles

I de kommende år er spektakulære annonceringer af jobnedskæringer ikke de eneste afslørende indikatorer. Særligt vigtige vil være nyansættelser baseret på alder og profession, antallet af ledige stillinger på begynderniveau, interne overførsler og overgangen fra uddannelse til almindelig beskæftigelse. Arbejdstid og indkomst bør også tages i betragtning, så en stabil arbejdsstyrke ikke maskerer en ændring i arbejdets kvalitet eller omfang.

På virksomhedsniveau er der behov for pålidelige nøglepræstationsindikatorer (KPI'er) for at demonstrere reel præstationsforbedring. Produktiv brug af AI bør afspejles i brugbare resultater, reduceret omarbejde, forbedret kvalitet eller merværdi for kunden. For en videnskabeligt forsvarlig evaluering bør data om faktisk implementering i virksomheder ideelt set være knyttet til beskæftigelsesdata. Først da kan det bedre afgøres, om observerede ændringer er relateret til AI eller primært har andre økonomiske årsager.

Det økonomisk-politiske perspektiv bør forblive klart: ikke alle forsvindende rutineopgaver er et samfundsmæssigt tab, og ikke alle nyoprettede job er bevis på en vellykket transformation. Referencen er, om højere produktivitet omsættes til yderligere værdiskabelse, opnåelige karrieremuligheder og bæredygtige indkomster. Den afgørende designudfordring ligger i at forbinde teknologiske fremskridt og menneskelig udvikling på en sådan måde, at et afbalanceret jobmarked omsættes til en økonomisk sikker fremtid for så mange mennesker som muligt.

Den nærmest interne løsning: Hvordan Xpert.Digital lukker operationelle huller i B2B-marketing og -salg – Smart Content-Driven Business - Billede: Xpert.Digital

Xpert.Digital er et datadrevet B2B-industricenter ledet af Konrad Wolfenstein . Virksomheden fungerer som en ekstern, nærmest intern løsning for industrielle partnere og lukker operationelle huller i marketing, indhold og salg – uden at kræve yderligere ressourcer fra klientsiden.

Mere information her:

• Den nærmest interne løsning: Hvordan Xpert.Digital lukker operationelle huller i B2B-marketing og -salg – Smart Content-Driven Business

☑️ Vores forretningssprog er engelsk eller tysk

☑️ NYT: Korrespondance på dit modersmål!

Konrad Wolfenstein

Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.

Du kan kontakte mig ved at udfylde kontaktformularen her [email protected]:eller blot ringe til mig på +49 7348 4088 965. Min e-mailadresse er

Jeg glæder mig til vores fælles projekt.

☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering

☑️ Oprettelse eller omlægning af den digitale strategi og digitalisering

☑️ Udvidelse og optimering af internationale salgsprocesser

☑️ Globale og digitale B2B-handelsplatforme

☑️ Pioner inden for forretningsudvikling / marketing / PR / messer