Teknologi eksponering på arbejdsmarkedet: En jobkarakteristik analyse af amerikanske erhverv
Oversat titel
Technology Exposure in the Labor Market: A Job Characteristics Analysis of American Occupations
Forfatter
Jensen, Emma Malund
Semester
4. semester
Uddannelse
Udgivelsesår
2026
Afleveret
2026-05-15
Resumé
Denne afhandling undersøger, hvordan amerikanske erhverv kan vurderes for deres eksponering over for ny teknologi, særligt kunstig intelligens og automatisering. Den centrale problemformulering er, hvordan jobtypers og jobkarakteristikas eksponeringsgrad for teknologi kan identificeres. Analysen tager udgangspunkt i rammerne for skill-biased og task-based technological change og bygger videre på Frey og Osbornes tre flaskehalse (kreativ intelligens, social intelligens samt perception og manipulation). Med et udvidet datasæt af O*NET-variabler og en opgavebaseret gennemgang af 665 erhverv estimeres eksponering ved at koble kompetenceniveauer til automatiseringsrisiko, suppleret af offentligt tilgængelige beskæftigelses- og løndata (BLS), en deskriptiv analyse, implementering af en klassifikator og robusthedstests. Resultaterne viser, at erhverv domineret af rutineprægede, standardiserede og klart strukturerede opgaver primært ligger i højrisikozonen, mens opgaver, der kræver dømmekraft, kontekstforståelse eller kompleks menneskelig interaktion, er markant mindre eksponerede. Kompleksitet i sig selv reducerer ikke risikoen, hvis opgaverne er struktureret, så de kan kodes. Perspektiveringen til nyere empiriske studier peger på, at teknologiens virkning i praksis ofte materialiseres gennem ændringer i rekruttering, adgangsveje og kompetenceprofiler snarere end direkte jobtab. Afhandlingen konkluderer, at eksponering bedst identificeres ved en systematisk vurdering af opgavernes teknologiske konvertibilitet, og at AI’s arbejdsmarkedsvirkninger mere sandsynligt omformer opgavesammensætning og adgangsstrukturer end erstatter hele jobfunktioner.
This thesis examines how U.S. occupations can be assessed for their exposure to new technologies, with a focus on artificial intelligence and automation. The core research question is how to identify the exposure of job types and occupational characteristics to technology. The analysis draws on skill-biased and task-based technological change frameworks and extends Frey and Osborne’s three bottlenecks (creative intelligence, social intelligence, and perception and manipulation). Using an expanded set of O*NET variables and a task-based review of 665 occupations, exposure is estimated by linking competence levels to automation risk, complemented by publicly available employment and wage data (BLS), a descriptive analysis, a classifier implementation, and robustness tests. Findings indicate that occupations dominated by routine, standardized, and clearly structured tasks fall largely in the high-risk range, while tasks requiring judgment, contextual understanding, or complex human interaction are substantially less exposed. Complexity alone does not lower risk if tasks are structured in a way that makes them codifiable. The perspective on recent empirical studies suggests that technological impacts in practice chiefly occur through changes in recruitment, entry pathways, and skill profiles rather than direct job losses. The thesis concludes that exposure is best identified through a systematic assessment of tasks’ technological convertibility, and that AI is more likely to reshape task composition and access structures than to replace entire job functions.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet fuldtekst]