Eksponering for kunstig intelligens i arbejdslivet: Effekter på jobmobilitet og opkvalificering
Oversat titel
Exposure to Artificial Intelligence in Working Life: Effects on Job Mobility and Upskilling
Forfattere
Bernth, Christian ; Skipper, Emma
Semester
4. semester
Uddannelse
Udgivelsesår
2025
Resumé
Specialet undersøger, hvordan jobmæssig eksponering for kunstig intelligens (AI) påvirker jobmobilitet og opkvalificering på det danske arbejdsmarked. Med udgangspunkt i AI Occupational Exposure (AIOE)-indekset fra Felten m.fl. (2021) kobles eksponeringsmål til danske arbejdsmarkedsdata for 2010–2021, med fokus på ISCO-grupper 1–4 (ledere, akademikere, teknikere og kontor- og kundeservicefunktioner). Jobskifte og kursusdeltagelse analyseres som gentagne hændelser ved hjælp af overlevelsesmodeller efter Prentice, Williams og Petersons gap-time-tilgang, hvor AI-eksponering indgår både som kontinuert og grupperet variabel. Analyserne peger på, at højere AI-eksponering er forbundet med lavere sandsynlighed for både jobskifte og deltagelse i kurser, især blandt høj- og mellem-skill grupper, mens ledelses- og basale kontorstillinger har en relativt højere tilbøjelighed til opkvalificering. Resultaterne understøtter ikke en fortælling om omfattende fortrængning, men indikerer, at opkvalificering fungerer som en central mekanisme til at håndtere teknologiske forandringer. Studiet bidrager med kontekstspecifik evidens om AI’s betydning for arbejdskraftens dynamik og fremhæver vigtigheden af løbende læring og målrettede politiske tiltag.
This thesis examines how occupational exposure to artificial intelligence (AI) affects job mobility and upskilling in the Danish labor market. Building on the AI Occupational Exposure (AIOE) index by Felten et al. (2021), exposure scores are linked to Danish labor data for 2010–2021, focusing on ISCO groups 1–4 (managers, professionals, technicians, and clerical support). Job changes and course participation are modeled as repeated events using survival analysis with the Prentice, Williams, and Peterson gap-time approach, with AI exposure specified both continuously and categorically. The analyses indicate that higher AI exposure is associated with a lower likelihood of both job transitions and training participation, particularly among high- and mid-skill groups, while managerial and basic office occupations show relatively higher engagement in upskilling. The findings do not support a narrative of large-scale displacement and suggest that upskilling functions as a key mechanism for adapting to technological change. The study contributes context-specific evidence on AI’s impact on workforce dynamics and underscores the importance of continuous learning and targeted policy responses.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]