Humankapital
i en tid av AI

November 2022 markerade ett historiskt skifte. Med lanseringen av ChatGPT fick allmänheten för första gången tillgång till ett AI-system med tillräcklig bredd för att ta sig an uppgifter tvärs över hela ekonomin: skrivande, programmering, juridisk granskning, ekonomisk analys, kundtjänst, marknadsföring.

Ekonomer brukar kalla sådana teknologier för General Purpose Technologies — GPT:er. Det är tekniker som inte bara förbättrar en sektor utan omformar hela ekonomins struktur: ångmaskinen, elektriciteten, datorn och internet är klassiska exempel. Eloundou m.fl. argumenterar i GPTs are GPTs (2023) att stora språkmodeller uppfyller de klassiska kriterierna för en GPT: de är pervasiva — tillämpliga över ett brett spektrum av sektorer och yrkesgrupper — de förbättras kontinuerligt med skala och tid, och de är komplementära med annan teknik och kan integreras i en mängd olika arbetsflöden och processer. Vad som utmärker en GPT är att dess fulla genomslag tar tid — det Acemoglu i The Simple Macroeconomics of AI (2024) kallar en J-kurva: i inledningsskedet av ett teknologiskt genombrott pressas produktiviteten paradoxalt nog nedåt. Investeringarna är höga, arbetsprocesser störs, gamla kompetenser tappar i värde och institutioner anpassas långsamt — medan de faktiska produktivitetsvinsterna anländer med fördröjning. Kurvan böjer sig nedåt innan den stiger. Men när genomslaget väl kommer, slår det igenom brett och på djupet.

Det som utmärker AI som GPT är dels hastigheten: på hundra dagar nådde det hundra miljoner användare, ingen konsumentprodukt i historien hade spridits snabbare; dels att den — till skillnad från sina föregångare — kan automatisera de kognitiva uppgifter som tidigare ansetts vara immuna: kunskapsarbetet självt. Ångmaskinen ersatte muskelkraft och skapade industriella tjänstemannayrken. Datorn ersatte kalkylering och skapade en ny ekonomi av kunskapsarbetare. AI utmanar kunskapsarbetets värde direkt, och med det det premium som utbildning historiskt har genererat på arbetsmarknaden.

Platsannonser för juniora positioner i AI-exponerade yrken — mjukvaruutveckling, juridik, ekonomi och marknadsföring — har minskat markant på marknader med tidig AI-adoption. Företag som Goldman Sachs, IBM och Klarna har offentligt kommunicerat att de låter AI ta över uppgifter som tidigare krävde en stab av anställda. I aggregerad statistik syns detta ännu inte fullt ut, men det börjar märkas i strukturen.

Man kan också tala om en K-formad ekonomi — eller en dubbelspårsekonomi — ett begrepp som fått genomslag i debatten efter Covid. Konkret innebär det att tillväxt, konsumtionsutgifter och produktivitet ökar och börsvärdena är rekordhöga, men löneökningarna och nyanställningarna är långsamma och arbetslösheten ökar. En minoritet av höginkomsttagare och de som äger produktiva tillgångar — vare sig det är fastigheter eller aktier — har aldrig haft det bättre, medan låg- och medelinkomsttagare pressas av prisökningar och långsamma löneökningar. Det är en utveckling som riskerar att intensifieras av AI, där “the haves” gynnas kraftigt medan “the have-nots” pressas allt hårdare. Kombinerar man det med Acemoglus J-kurva får man en JK-ekonomi — och Just Kidding-ekonomi är kanske passande för den majoritet som riskerar att känna sig lurad av ett riggat ekonomiskt system.

Det är ett fiktivt scenario, och lyckligtvis befinner vi oss inte där. Men problembilden som rapporten utgår från är verklig. Vad händer när den produktivkraft som antagits få sitt värde från sin knapphet — mänsklig intelligens — visar sig vara billig att producera i skala? Vad gör vi när priset på arbete sjunker drastiskt, medan värdet av tillgångar bara fortsätter öka? När AI kan utföra de flesta uppgifter som kräver analysförmåga snabbare och bättre än en människa? Då urholkas värdet av det premium vi har använt för att “höja vårt marknadsvärde” — nämligen utbildning. Produktiviteten och tillväxten kan fortsätta öka, men tillfaller kapitalägarna av mjuk- och hårdvara, inte arbetskraften. Börsvärdena fortsätter stiga, men reallönerna stagnerar eller sjunker. Vad gör vi när de stödsystem vi har byggt upp för att hålla folk flytande under lågkonjunkturer behöver hantera en kris som är strukturell snarare än cyklisk?

Det är inget vi har något definitivt svar på — men det är problembilden vi utgår från i vår reform.

Istället för att urholka köpkraft och statsfinanser, pressa ned löner och skapa massarbetslöshet — utgår vår provisoriska utopi från ett samhälle där människa och maskin — eller AI — kompletterar varandra snarare än konkurrerar.

I denna sköna nya framtid ses teknisk utveckling inte som en naturkraft som passivt måste accepteras, utan som ett verktyg som aktivt styrs i medborgarnas tjänst.

I vår utopi har maktresurserna mellan arbetstagare och arbetsgivare utjämnats. Arbetstagarna har en självklar plats vid förhandlingsbordet vid införandet av ny teknik. AI används här för att förstärka mänskliga förmågor och frigöra tid, vilket möjliggör en generell arbetstidsförkortning snarare än massarbetslöshet. Vinsterna från den ökade produktiviteten fördelas rättvist, och samhället investerar systematiskt i alla människors humankapital genom hela livet.

Målet är vad Acemoglu & Autor (2026) kallar pro-worker AI. AI kan enligt författarna ha fem huvudsakliga funktioner på arbetsmarknaden:

1. Arbetskraftsförstärkande — höjer produktiviteten utan att ersätta arbetstagare
2. Kompetensutjämnande — gör avancerade uppgifter tillgängliga för fler
3. Kapitalförstärkande — ökar avkastningen på kapital snarare än arbete
4. Automatiserande — ersätter mänskliga uppgifter direkt
5. Skapar nya uppgifter — genererar arbetsuppgifter som kräver mänskligt kunnande

Av dessa är det endast den sistnämnda som är ovillkorligt pro-worker AI. Problemet är att företagen i dag i stor utsträckning använder tekniken på ett kapitalförstärkande sätt — delvis driven av den ideologiska strävan efter AGI, och delvis av uppfattningen att det är mer lönsamt att utveckla teknologi som ersätter snarare än kompletterar mänskligt arbete.

Men istället för att AI fattar autonoma beslut kan tekniken fungera som en kraftmultiplikator för mänskliga förmågor och omdöme — något som kan göra det möjligt att ta sig an mer komplicerade uppgifter och lättare lära sig nya förmågor.

Anthropic Economic Index, publicerat i mars 2026 och baserat på miljontals konversationer med Claude, kartlägger hur AI faktiskt används i arbetsrelaterade sammanhang och jämför det med vad tekniken teoretiskt sett skulle kunna göra. Resultaten är slående: den faktiska användningen av AI är en bråkdel av den teknologiska kapaciteten. Det är det adoptionsgap som historiskt har kännetecknat alla General Purpose Technologies — men som erfarenheten visar tenderar att slutas, och snabbare än förväntat.

Inom data och IT är 94 procent av arbetsuppgifterna teoretiskt möjliga för en stor språkmodell att utföra — men faktisk observerad täckning stannar på 33 procent. Inom kontor och administration, juridik och ekonomi ser mönstret likartant ut: hög teoretisk kapacitet, betydande gap till faktisk adoption. Tre av tio yrkesverksamma har i dag noll AI-exponering: kockar, mekaniker, byggnadsarbetare, bartendrar. Det är i de yrken som kräver fysisk närvaro och handfärdighet som AI:s gräns fortfarande är tydlig.

Pizzinelli m.fl. (2024) gör i Labor market exposure to AI en mer finmaskig indelning av 748 yrken efter både exponering och komplementaritet — det vill säga i vilken utsträckning AI förstärker snarare än ersätter en yrkesroll. Bland yrken med hög exponering och låg komplementaritet finner de statistiker, programmerare, kontorister, HR-assistenter, telefonförsäljare, grafiska formgivare och webbutvecklare. Bland yrken med hög exponering och hög komplementaritet finner de läkare, flygledare, domare, sjuksköterskor, arkitekter, bibliotekarier, högstadielärare, optiker, civilingenjörer och advokater. Bland yrken med låg exponering och låg komplementaritet finns servitriser, skomakare, tvättare, kockar, svetsare, barnskötare och CNC-operatörer. Bland yrken med låg exponering men hög komplementaritet finns slutligen snickare, skogmästare, ambulansförare, poliser, elektriker, trafikpiloter och tandläkare.

Anmärkningsvärt i studien är inte bara klyftan, utan vilka som är mest exponerade. Arbetstagare i AI-exponerade yrken tjänar i genomsnitt 47 procent mer och har avsevärt högre utbildningsnivå — det är välutbildade specialister och tjänstemän, inte lågutbildade, vars kompetens i dag utmanas mest direkt. Bland unga (22–25 år) som försöker ta sig in på AI-exponerade arbetsmarknader har andelen som lyckas sjunkit med 14 procent sedan ChatGPT:s lansering. Någon systematisk uppgång i arbetslöshet syns ännu inte i statistiken — men strukturen börjar röra sig.

Även med OECD:s konservativa uppskattningar (OECD AI Policy Observatory, 2026) är Sverige det land i Europa som näst efter Luxemburg har högst andel av arbetskraften exponerad för AI, med nästan 35 % av arbetskraften. Enligt Arbetsmarknadens AI-råds Insiktsrapport #1 kan 70 % av arbetsuppgifterna i tjänstesektorn, som utgör en stor del av Sveriges ekonomi, exponeras för AI. Almegas rapport (2025) pekar på att hela 66 % av alla jobb på något sätt berörs av AI på medelhög till hög nivå, och i 25 % av alla yrken bedöms AI kunna utföra minst hälften av alla uppgifter. Det gäller inte minst finans och försäkring, IKT, juridik, ekonomi, vetenskap och teknik samt offentlig förvaltning. Det som kännetecknar dessa arbeten är att de generellt kräver hög utbildning, är välavlönade, och i högre grad är urbana och kvinnodominerade.

Tillväxtanalys (2023) och statistik från SCB visar att Sverige redan är ett av de länder i EU där AI-användningen inom näringslivet är som högst, med 35 % av företagen. Användningen skiljer sig dock kraftigt åt mellan branscher och är i särklass högst inom kunskapsintensiva tjänster. År 2025 använde 88 procent av företagen inom information och kommunikation och 65 procent av företagen inom juridik, ekonomi och teknik någon form av AI-teknik — framförallt eftersom dessa branscher är större i Sverige än i många jämförbara EU-länder. Mindre än en tredjedel av alla företag använder AI inom produktionen, men inom IKT-sektorn är andelen cirka 50 %.

Som SCB:s statistik om AI i företag visar ovan är det också i första hand storföretagen som använder AI. Den bilden förstärks av SCB:s LISA^{11 Longitudinell integrationsdatabas för sjukförsäkrings- och arbetsmarknadsstudier} och FEK^{22 Företagens ekonomi}: företag som använder AI har i genomsnitt 724 anställda och är koncentrerade till IKT-sektorn i Stockholmsregionen — i synnerhet väletablerade IT-bolag med kapitalet, kompetensen och de välstrukturerade datamängder som krävs för att utnyttja stordriftsfördelar och nätverkseffekter.

Sverige står alltså inför den största strukturomvandlingen sedan industrialiseringen. Samtidigt som AI erbjuder enorma möjligheter, visar forskningen att automation utan motvikter har bidragit till mellan 50–70 % av den ökade löneojämlikheten i avancerade ekonomier.

Särskilt utsatta är de vars arbetsuppgifter präglas av rutin och ostrukturerat dataarbete. Uppskattningsvis 300 000 jobb i Sverige riskerar att försvinna direkt på grund av AI-automation inom ett decennium.

Inom logistiksektorn styrs redan 90 % av lagerarbetarna av algoritmer som minskar deras autonomi och ökar stressen. Även akademiska yrken med hög exponering, såsom översättare, juniora jurister och analytiker, möter ett växande kompetensglapp.

Sverige är alltså ett av de högst AI-exponerade länderna i Europa, med en stor tjänstesektor och ett högt användande av AI i såväl näringsliv som för privata ändamål (SCB, Artificiell intelligens i Sverige, 2026). Samtidigt har vi också en av de högsta arbetslöshetsnivåerna i Europa, vilken AI inte ser ut att minska. Snarare tvärtom. Så sent som i måndags publicerade Novus en undersökning beställd av Svea Bank: andelen företag som väntar sig att AI kommer att minska antalet anställda inom fem år har ökat från 16 procent år 2024 till hela 91 procent år 2025 — en ökning på 75 procentenheter på ett enda år (Novus/Svea Bank, 2025).

I denna situation har vi en arbetsmarknadspolitik som uteslutande fokuserar på ekonomiska incitament för att få folk i arbete:

Problemet är bara att det inte hjälper. Det är verktyg som kan pressa människor att söka jobb, men de skapar inte fler jobb som matchar den nya tekniken och de bygger inte nytt humankapital anpassat till den nya tekniken och villkoren på arbetsmarknaden.

Enligt Finanspolitiska rådets årsrapport 2026 är incitamenten redan starka, och regeringens åtgärder – som starkare jobbskatteavdrag samt bidragstak – gör föga nytta.¹ Dessutom är varken a-kassans tak eller aktivitetsersättningens grundbelopp indexerade. De utökade jobbskatteavdragen tillfaller inte heller arbetslösa. Det innebär att de arbetslösas köpkraft urholkas ytterligare, och att de får svårare att etablera sig på arbetsmarknaden. Arbetslösheten straffar sig dubbelt.² Forskningen visar att det snarare är en kombination av yrkesutbildning, intensiva förmedlingsåtgärder, bättre matchning mellan kompetenser och företagens behov, samt subventionerade anställningar som är den mest effektiva vägen för att minska arbetslösheten.³

Det verkar inte heller finnas någon tanke på hur utbildningssystemet och arbetsmarknadspolitiken kan samspela.

AI omvandlar arbetsmarknaden på ett sätt som riskerar att förstärka redan existerande ojämlikheter snarare än att utjämna dem. Tre utmaningar är centrala: automatiseringen av rutinuppgifter slår hårt mot medelinkomsttagare och skapar lönepress i mitten av lönefördelningen; J-kurvan innebär att produktivitetsvinster dröjer medan omställningskostnaderna är omedelbara; och de som saknar förmågan eller resurserna att anpassa sig riskerar att slås ut permanent, inte temporärt.

På arbetsmarknaden tenderar AI att gynna de som redan är etablerade. Seniora anställda och chefer kan utnyttja AI som ett verktyg för att öka sin produktivitet utan att ersättas, medan yngre och lägre betalda arbetstagare konkurrerar med AI om samma uppgifter. Högt betalda specialister och ledningspersoner med tillgång till resurser, nätverk och befintlig kompetens är bäst positionerade för att dra nytta av tekniken. Kapitalägare (som äger hård- och mjukvara) tillgodogör sig produktivitetsökningarna utan att de behöver återspeglas i löneökningar. Detta återspeglas i det mönster Lodefalk m.fl. (2026) illustrerar: sedan ChatGPT lanserades i november 2022 har andelen jobbannonser på Platsbanken minskat med 125 indexenheter, medan de 30 största bolagen på stockholmsbörsen (OMXS30) har ökat med 175: ett K-format utfall av den pågående AI-omvandlingen.

OMXS30 Jobbannonser, Platsbanken

Samma dynamik återfinns i näringslivet. Autor, Dorn, Katz, Patterson & Van Reenen visar i The Fall of the Labor Share and the Rise of Superstar Firms att en central förklaring till den sjunkande lönekvoten är att marknader i allt fler sektorer domineras av ett fåtal superstar-företag med extremt höga vinstmarginaler och låg lönekvot. Dessa företag — i synnerhet de stora tech-bolagen — leder också AI-utvecklingen och har de resurser, datamängder och den infrastruktur som krävs för att utnyttja den. Att 15 svenska företag svarar för 70 % av AI-relaterade utgifter i hela näringslivet är en tydlig illustration av samma mönster på hemmaplan.

Konkurrensverkets studie Artificiell intelligens och effekter på produktivitet och konkurrens (2025) varnar för just en sådan utveckling. Stora företag med god tillgång till data, kapital och specialistkompetens kan använda AI mer effektivt för att effektivisera produktion, sätta priser och utveckla nya tjänster — och därigenom vinna ytterligare marknadsandelar. Det kan leda till att ett fåtal stora bolag dominerar hela marknader och hindrar nya aktörer från att etablera sig. Företag kan skapa inlåsningseffekter genom att bygga upp egna plattformar och ekosystem som gör det svårt för kunder att byta leverantör, eller köpa upp data och konkurrenter för att försvaga konkurrensen. Bolagskoncentrationen riskerar att öka och konkurrensen minska. Men utfallet beror, som myndigheten skriver, på hur tekniken implementeras och regleras.

Mot denna bakgrund är situationen för unga och nyexaminerade särskilt oroväckande. De träder in på en arbetsmarknad som omvandlas just när de ska etablera sig på den. Det är inte abstrakt statistik: akademikerarbetslösheten har ökat med nästan 50 procent på tre år, och i AI-exponerade yrken har andelen nyanställda i åldrarna 22–30 år sjunkit konsekvent sedan ChatGPT lanserades. Som Hosseini & Lichtinger (2025) och Lodefalk m.fl. (2026) visar sker detta primärt genom utebliven nyanställning, inte varsel. AI sågar av de nedre trappstegen tyst, utan att det märks i varselsstatistiken. Och utan instegsjobben saknas inte bara en inkomst, utan den lärotid och de nätverk som är förutsättningen för hela den resterande karriären. TechSverige och Akavia uppskattar att de som inte lyckas etablera sig på arbetsmarknaden i anslutning till examen riskerar 30 procent lägre lön fem år senare: en permanent sänkning av livsinkomsten, en kapitalförstörelse i realtid.

Det är i grunden en fråga om vem som bär kostnaderna för omvandlingen. I dag bärs de oproportionerligt av de som har minst buffertar: unga utan etablerade positioner, akademiker vars utbildningspremium urholkats, kvinnor i tjänstesektorn vars yrken är bland de mest AI-exponerade, och medelinkomsttagare vars rutinuppgifter automatiserats. Produktivitetsvinsterna tillfaller kapitalägarna. Det är inte ett naturlagsenligt utfall. Det är ett politiskt val, och det kan göras annorlunda.

Citatet illustrerar en grundtanke i våra reformförslag: Om AI ska gynna samhället måste människor få förutsättningar för att kompetensutveckla sig eller omskola sig, i takt med att teknikutvecklingen förändrar kompetensbehoven på arbetsmarknaden.

Strukturell arbetslöshet eller utslagning av stora delar av arbetskraften är inget alternativ. Den som inte etablerar sig på arbetsmarknaden i anslutning till sin examen riskerar en permanent inkomstsänkning (TechSverige/Akavia, 2026). Vid karriärskiften tenderar dessutom livsinkomsterna att sänkas permanent när inkomstförsäkringssystem saknas (Autor & Johnson, 2026).

För såväl individen som samhället skulle det representera en kapitalförstörelse i stor skala — utbildningskostnaden per akademiker uppskattas till ca 2,45 miljoner kr (i 2015 års priser) (SACO, 2015).

Samtidigt är just kompetensbrist ett av de vanligaste hindren för små och medelstora företag. I SCB:s senaste undersökning om AI i Sverige uppgav 80 % av de som upplevde hinder i teknikanvändningen avsaknad av relevant kompetens som det största problemet. Flertalet aktörer efterlyser också kontinuerlig utbildning och insatser för livslångt lärande som avgörande (SCB, 2025).

Samtidigt menar Universitetskanslerämbetet (UKÄ) i sin rapport Artificiell intelligens och högskolans utbildningsutbud (2024) att universitetsväsendets utbud ändras långsamt eftersom att högre utbildning ska vara kvalitetssäkrad och bemannad med kompetenta lärare, vilket gör snabba omställningar svåra. Takbelopp och anslagslogik gör också att lärosäten ofta inte kan öka utbildningsvolymen även om de vill, och för yrkesverksamma saknas ofta medel för att kunna bygga kurser, vilket gör det svårt att satsa långsiktigt. Som AI-kommissionen skriver i sin Färdplan för Sverige (2025) är det under stora teknikskiften som AI inte heller en självklarhet att arbetsgivarna själva kommer att tillhandahålla utbildning till sina anställda i den omfattning som är optimal för samhället.

Därför måste, som Acemoglu & Autor (2026) skriver, företagens incitament förändras.

Det för oss in på den första delen av vår reform: omställningsfonden för AI.

Humankapitalsavdraget: invändningarna håller inte

Det vanligaste motargumentet mot skatterättslig avdragsrätt för utbildningskostnader är att humankapital — till skillnad från maskiner och mjukvara — är fästat vid en person som kan lämna bolaget. Investeringen är flyktig. Vad hindrar arbetsgivaren från att bekosta en tvåårig omskolutbildning, bara för att se den anställde byta arbetsgivare när kursen är slut?

Invändningen är rimlig på ytan, men den rymmer en inre motsägelse. Företag reglerar redan i dag sina immateriella tillgångar kontraktuellt — uppfinningsklausuler, sekretesskrav och äganderätt till arbetsresultat är standardinslag i anställningsavtal inom kunskapsintensiva sektorer. Det är alltså inte ett okänt problem, och det saknas inte juridiska verktyg att hantera det med.

Starkare är argumentet att om risken för kompetensflykt leder till att arbetsgivare investerar mer i att hålla kvar sina anställda — bättre karriärvägar, mer stimulerande arbetsuppgifter, rimligare löner — är det en välkommen bieffekt. Incitamentsstrukturen förflyttas från att behandla arbetstagare som utbytbara till att aktivt vårda dem som strategiska tillgångar. Det är en dynamik som är produktiv för samtliga parter.

Det som dock måste undvikas är den amerikanska modellen, där det i många delstater är vedertaget att binda anställda med klausuler som förbjuder dem att ta anställning hos konkurrenter under ett eller flera år efter avslutad anställning. Sådana non-compete agreements fungerar i praktiken som inlåsningsmekanismer som begränsar rörligheten på arbetsmarknaden och eroderar den förhandlingsstyrka som rörligheten ger. Avdragsrätt för utbildning bör inte — vare sig avsiktligt eller oavsiktligt — skapa incitament för liknande klausuler i Sverige.

Förträngningseffekter och lönepress nedåt

En annan invändning som förtjänar seriös behandling gäller vad som händer när stora grupper av välutbildade och höginkomsttagare förlorar sina positioner i AI-exponerade yrken och söker sig till bristyrken — hantverk, omsorg, transport, service. Konsekvenserna är flera och förstärker varandra.

För det första sjunker skatteintäkterna. En civilingenjör eller jurist som omskolas till elektriker eller undersköterska betalar en lägre marginalskatt på sin nya lön, och statens samlade kapacitet att finansiera välfärd och omställning minskar. Det gör det besvärligare att argumentera för kostnadsdrivande reformer — precis i det läge när behovet av sådana är som störst.

För det andra ökar konkurrensen om bristyrken. Om tiotusentals akademiker strömmar in i sektorer som traditionellt haft balanserade eller ansträngda arbetsmarknader pressas lönerna nedåt — inte av automatisering den gången, utan av ett stigande arbetsutbud. Paradoxalt nog skapar AI-driven förträngning av akademikeryrken ett lönetryck i de yrken som AI ännu inte kan automatisera. Det är en dubbel utsatthet för de som redan befinner sig i dessa sektorer.

För det tredje — och detta är en mer strukturell risk — ökar trycket på att avlägsna inträdesbarriärer och certifieringskrav i bristyrken. Det kan verka rimligt ur ett marknadslogiskt perspektiv, men certifieringssystem finns inte bara för att begränsa konkurrensen: de säkerställer kompetens, skyddar konsumenter och upprätthåller yrkesetiska normer. Att avreglera under press från ett strukturellt överskott av omskola-benägna akademiker riskerar att sänka kvaliteten i yrken där det kan orsaka direkt skada.

Resultatet av dessa dynamiker riskerar att påskynda det som redan pågår: en ekonomi med ett allt smalare skikt av högt betalda AI-specialister och kapitalägare, och ett allt bredare skikt av lägre betalda tjänster. Det är en förskjutning av löneandelen till kapitalets förmån som i sig motiverar en diskussion om kapitalskatternas nivå och konstruktion — en diskussion som hittills i Sverige i stor utsträckning lyst med sin frånvaro.

Omställningsfondens finansiering och legitimitet

En partsgemensam omställningsfond som till del finansieras av en avgift på AI-relaterade produktivitetsvinster är oberoende av den ordinarie budgetprocessen. Det är en strukturellt viktig egenskap. Politiskt stöd för aktiva arbetsmarknadsinvesteringar tenderar att vara procykliskt: starkt när ekonomin går bra, svagt när det behövs som mest. En fond med en intäktsbas knuten direkt till AI-adoption är strukturellt motcyklisk — ju mer teknikutvecklingen driver omvandling, desto mer finansiering genereras.

Det ger också arbetsgivarna ett ägarskap i programmets utformning. Om de bidrar finansiellt till fonden får de ett legitimt intresse av att dess insatser är välriktade och kostnadseffektiva — snarare än att de uppfattar programmet som ytterligare en skatt utan koppling till deras verksamhet. Den partsmodell Sverige historiskt byggt upp, med täta relationer mellan arbetsgivar- och arbetstagarorganisationer, ger goda förutsättningar för en sådan konstruktion.

Det kan dock förväntas att reformen möter motstånd från delar av näringslivet. Invändningen är välbekant: ytterligare avgifter på produktivitetsvinster försämrar företagens konkurrenskraft, driver upp kostnaderna och riskerar att hämma de investeringar i AI som omvandlingen faktiskt kräver. I ett läge där svenska företag konkurrerar på internationella marknader mot aktörer utan motsvarande kostnader, är det ett argument som inte kan avfärdas utan vidare.

Men invändningen underskattar vad reformen faktiskt erbjuder. En välfungerande omställningsfond stärker företagens långsiktiga förutsättningar snarare än att försämra dem. Genom att sprida kostnaderna för omställning över ett kollektivt system minskar risken för de enskilda aktörerna — det är ingen enskild arbetsgivare som ensam bär bördan av att rusta sin personal för en ny teknik som hela ekonomin inför. Och en stabil, kontinuerlig tillgång till relevant kompetens är i sig ett konkurrensmedel: de företag som kan attrahera och behålla kunnig personal i ett snabbt föränderligt teknologiskt landskap har ett strukturellt övertag.

Därtill finns en dimension som sällan räknas in i kostnadskalkylerna: arbetsgivarvarumärket. Företag som aktivt deltar i omställningsarbetet och visar att de tar socialt ansvar i en period av strukturell oro signalerar till potentiella medarbetare att de är en trygg och långsiktig arbetsgivare. I kampen om eftertraktad kompetens — som inte minst är en utmaning inom de AI-intensiva sektorer som driver omvandlingen — kan det vara avgörande.

En fråga som förtjänar mer uppmärksamhet är högskolornas roll i detta system. Det är rimligt att lärosätena inte bara är passiva utbildningsleverantörer utan aktiva parter i omställningsprogrammens utformning. De sitter på den ämneskompetens som krävs för att avgöra vilka utbildningar som faktiskt svarar mot arbetsmarknadens behov, och de har ett institutionellt intresse av att kompetensutveckling fungerar. Att inkludera dem i styrningen av en omställningsfond — med finansiellt ansvar och uppföljningskrav — skulle kunna bidra till en bättre balans mellan snabbhet och kvalitet.

Tyst kunskap, AI-träning och kompetensförsörjning

I policydebatten förbises ofta relationen mellan tyst yrkeskunskap och automatisering. Det är välbelagt att den kunskap som är svårast att formalisera och lära ut — den som bygger på år av praktik, situationsbedömning och implicit erfarenhet — också är den som är svårast att automatisera. Det är en ironi i systemet: det som gör en erfaren yrkesperson svårersättlig är precis det som gör henne värdefull som tränare åt ett AI-system.

I dagsläget sker denna "utlärning" till stor del oreglerat. Erfarna specialister deltar i träningsprojekt, annoterar data, korrigerar modellers utfall och lär på så vis AI-system att imitera den kompetens de byggt upp under ett yrkesliv. Det är en process med stor ekonomisk potential för de företag som genomför den — men med oklara konsekvenser för de yrkesgrupper vars kunskap kodifieras.

Vi menar att det är rimligt att denna process regleras. Inte för att förbjuda den — det vore varken möjligt eller önskvärt — utan för att styra den mer konstruktivt. Kompetensöverföringen bör riktas mot nyanställda och yngre yrkesarbetare, snarare än mot AI-modeller, för att säkerställa att kompetensförsörjningen fungerar. Om AI tränas på expertkunskap utan att den parallellt förmedlas till nästa generation riskerar vi en kompetensförlust som inte märks i statistiken förrän den redan är irreversibel. Det vore en paradox: vi automatiserar bort behovet av en kunnig junior, och automatiserar sedan bort kunskapen själv.

Utbildning som maktresurs: kollektiv handling på nytt

Det finns något djupare i hela problematiken som förtjänar att sägas rakt ut: den "förädlingsfaktor" som individer historiskt har kunnat använda för att höja sitt värde på arbetsmarknaden — utbildning — håller på att tappa i värde. Det är inte ett påstående om att utbildning blir värdelöst, utan att det premium det en gång garanterade urholkas när AI kan utföra allt fler av de uppgifter som krävde åratals studier.

Det innebär att den enskilde individens möjlighet att förbättra sin position på arbetsmarknaden genom att investera i sig själv minskar. Om det individuella humankapitalet räcker allt kortare väg, aktualiseras något som under decennier nästan förvandlats till ett historiskt kuriosa: organisering och kollektiv handling som maktresurs.

Fackföreningsrörelsens historiska framgångar byggde inte på att varje enskild arbetare var oumbärlig, utan på att de gemensamt kontrollerade ett flöde som kapitalet var beroende av. Om AI underminerar den individuella oundbärligheten kan det paradoxalt nog stärka argumentet för kollektiv organisering.

Tekniska och marknadsmässiga risker med avskrivningsreglerna

Förslaget om avdragsrätt för hårdvara och infrastruktur relaterad till AI-adoption rymmer en komplikation som är genuint svår att hantera: prisbilden på komponenter är volatil och politiskt känslig. Bara under perioden oktober 2025 till februari 2026 mer än fördubblades priset på RAM-minnen. SSD-priser steg dramatiskt till följd av att AI-datacenter köpte upp DRAM- och NAND-chip i stor skala, vilket skapade globala brister. Det är svårt att konstruera avskrivningsregler som är stabila när det underliggande priset på tillgångarna kan fördubblas på fyra månader.

Risken är att reglerna antingen är för generösa — och ger stora skatterabatter på investeringar som ändå hade gjorts — eller för restriktiva, och missar de företag som faktiskt behöver ekonomiska incitament för att ta steget. Det är ett argument för att hålla hårdvarukomponenten i avskrivningsreglerna flexibel och löpande uppdaterad, snarare än att låsa fast den i lagstiftning med lång revisionscykel.

Rekryteringens "humanisering" — i negativ bemärkelse

AI riskerar att göra rekrytering mer mänsklig, och inte på ett bra sätt. Ju svårare det blir att bedöma kompetens objektivt i en värld där AI kan simulera en stor del av det som traditionellt signalerat skicklighet — välskrivna meritförteckningar, genomtänkta provarbeten, imponerande presentationer — desto mer utrymme ges åt informella bedömningsgrunder.

Det innebär konkret: kontaktnät, relationer, likhet med rekryteraren, sykofantism. Forskning om homofili i organisationer — tendensen att föredra de som liknar en själv — visar att sådana mekanismer redan är starka. AI kan förstärka dem ytterligare, just för att det objektiva urskiljandet av kompetens blir svårare. I ett läge med ökad konkurrens om tjänstemannajobb är risken att chefer i högre utsträckning gynnar bekanta, släktingar och bekanta till bekanta — inte nödvändigtvis av elakt uppsåt, utan för att "känslan" för en kandidat väger tyngre när standardiserade mätvärden tappar i relevans.

Till detta kommer en mer strukturell förändring av vad som förväntas av den enskilde anställde. När AI kan hantera delar av det arbete som tidigare krävde ett helt team ökar förväntningarna på att en person ska täcka in fler roller — strateg, analytiker, kommunikatör och operatör i ett. Det är en utveckling som gynnar de redan skickliga generalister med brett nätverk, och missgynnar de som bygger djup specialistkunskap steg för steg. I förlängningen riskerar det att urholka just den kompetensuppbyggnad som sker i juniora roller — problemet med de bortsågade trappstegen förstärks ytterligare.

En annan trolig konsekvens är att provanställningar blir vanligare och längre. Utan tydliga objektiva mått på kompetens — när ett välpolerat CV kan vara AI-genererat och ett imponerande provarbete likaså — faller det sig naturligt för arbetsgivare att skifta risken till kandidaten: låt dem bevisa sig i praktiken. Parallellt med detta kan vi förvänta oss att företag i allt högre grad förlitar sig på certifieringar de själva kontrollerar eller godkänner för att validera kandidaters kunskaper. Det skapar en ny form av inlåsning: den som är certifierad i ett företags egna system är inte nödvändigtvis attraktiv hos en konkurrent, och den som saknar rätt intyg stängs ute oavsett faktisk kompetens. Valideringen av kunnande förskjuts från utbildningssystemet till de stora arbetsgivarnas egna ekosystem: en maktförflyttning med långtgående konsekvenser för hur arbetsmarknaden fungerar.

Det är ett argument för att stärka — inte försvaga — strukturerade rekryteringsprocesser, transparens i urvalskriterier och krav på aktiv motverkan av bias, parallellt med de humankapitalinvesteringar vi förespråkar.

Blinda fläckar: kvalitet och teknologisk bredd

Reformförslagen fokuserar på utbildning och omskolutbildning, men förutsätter tyst att utbildningen som erbjuds håller måttet. Det är inte självklart. En uppenbar risk är att en subventionerad marknad för AI-utbildning lockar fram ett utbud av lågkvalitativa program — kortare, billigare och mer säljbara än de är substantiella. Företag med begränsad förmåga att bedöma kvalitet kan köpa in dem för att bocka av ett krav, snarare än för att faktiskt rusta sina anställda. Utan kvalitetskontroll riskerar utbildningssatsningarna att bli pappersutbildningar som ger enskilda certifikat men inte verklig kompetens.

Det är dessutom viktigt att inte låsa analysen vid ett alltför snävt teknikscenario. Mycket av debatten — inklusive denna rapport — fokuserar på stora språkmodeller och generativ AI, vilket är rimligt givet att det är den teknik som just nu omvandlar kunskapsarbetet. Men den teknologiska utvecklingen är bredare. Autonoma system och avancerad robotik gör snabba framsteg inom transport, logistik, tillverkning och sjukvård — yrken som i dag anses relativt skyddade från AI-konkurrens. En politik som enbart riktar in sig på LLM-exponerade kontorsyrken kan visa sig otillräcklig om automatiseringsfronten förskjuts till sektorer som engagerar en helt annan del av arbetskraften.

Likaså bör man vara försiktig med antagandet att det alltid är instegsjobben som automatiseras. I sjukvården är bilden mer komplex: det är möjligt att avancerade diagnostikverktyg och AI-assisterade beslutstöd i första hand stärker sjuksköterskor och yngre läkares förmåga att ta på sig uppgifter som tidigare tillhörde seniora specialister — och att det därmed är de mest erfarna och dyraste positionerna som pressas. Det är inte en säker förutsägelse, men det är en möjlig dynamik som motiverar att omställningspolitiken formuleras med ett brett teknologiskt perspektiv — och ett öppet sinne för att effekterna kan se olika ut i olika yrkesgrupper.

Akademiska artiklar och working papers

• Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER Working Paper 32487. nber.org/papers/w32487
• Acemoglu, D. & Autor, D. (2026). Building pro-Worker AI. NBER Working Paper 34854. nber.org/papers/w34854
• Autor, D., Dorn, D., Katz, L. F., Patterson, C. & Van Reenen, J. (2017). The Fall of the Labor Share and the Rise of Superstar Firms. NBER Working Paper 23396. nber.org/papers/w23396
• Autor, D. & Johnson, A. (2026). Beyond Job Displacement. Digitalist Papers, vol. 2. digitalistpapers.com/vol2/autorthompson
• Brynjolfsson, E. m.fl. (2025). Canaries in the Coal Mine: Impact of Generative AI on Early-Career Workers. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
• Bastani, S. & Waldenström, D. (2024). AI, ekonomin och skattepolitikens framtid. Nationalekonomiska föreningen. nationalekonomi.se
• Eloundou, T. m.fl. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. arXiv:2303.10130. arxiv.org/abs/2303.10130
• Hosseini, S. & Lichtinger, J. (2025). Generative AI as Seniority-Biased Technological Change. SSRN Working Paper. ssrn.com/abstract=5425555
• Lodefalk, M. m.fl. (2026). Same Storm, Different Boats: Generative AI and the Age Gradient in Hiring. Örebro University Working Paper 2/2026. oru.se (working paper) / ratio.se (mars 2026)
• Pizzinelli, C. m.fl. (2024). Labor Market Exposure to AI: Cross-Country Differences and Distributional Implications. IMF Working Paper 2023/216. imf.org

Myndigheter och offentliga utredningar

• AI-kommissionen (2025). Färdplan för Sverige. SOU 2025:12. regeringen.se
• Arbetsmarknadens AI-råd (2025). Insiktsrapport #1. ai.se
• Finanspolitiska rådet (2026). Svensk finanspolitik 2026. Hänvisningar: s. 13, 37, 42.
• Konkurrensverket (2025). Artificiell intelligens och effekter på produktivitet och konkurrens. Forskrapport 2025:6. konkurrensverket.se
• OECD AI Policy Observatory (2026). The Future of Work.
• Riksdagens utredningstjänst (2025). Analys av skattesänkningar 2025.
• SCB (2025). Artificiell intelligens i Sverige. scb.se
• SCB (2026). Artificiell intelligens i Sverige (publicerad 2026-05-21). scb.se (PDF)
• Tillväxtanalys (2022). AI-politik för konkurrenskraft. tillvaxtanalys.se (PDF)
• Tillväxtanalys (2023). Hur omformar AI näringslivet och hur kan politiken utvecklas? tillvaxtanalys.se (PDF)
• UKÄ – Universitetskanslerämbetet (2024). Artificiell intelligens och högskolans utbildningsutbud.

Branschorganisationer och tankesmedjor

• Almega (2025). Jobb som ersätts av AI och jobb som komplementeras. almega.se
• Arena Idé (2026). Skatt på kapital. Skattepolitisk delrapport. arenaide.se (PDF)
• Citrini Research (februari 2026). The 2028 Global Intelligence Crisis. citriniresearch.com
• SACO (2015). Vad kostar en akademiker? saco.se (PDF)
• Novus/Svea Bank (2025). 9 av 10 företag: AI väntas minska personalstyrkan inom fem år. TT Pressmeddelande. via.tt.se
• TechSverige & Akavia (2026). Nyexaminerade, AI och vägen in på arbetsmarknaden.

Böcker

• Korpi, W. (1981). Den demokratiska klasskampen: Svensk politik i jämförande perspektiv. Tiden.
• Sommestad, L. (2024). Människan Först. Verbal förlag.
• Wennemo, I. (2022). Politik på riktigt (2. uppl.). Bokförlaget Atlas.

Databaser och löpande statistik

• Anthropic (mars 2026). Anthropic Economic Index: Labor Market Impacts. anthropic.com/research/labor-market-impacts
• Arbetsförmedlingen. Platsbanken / JobTech Dev (CC0). Öppen data, hämtad 2026.
• Eurostat (2026-01-30). Arbetslöshetsstatistik, EU-genomsnitt.
• SCB. AI i företag (NV0116), data 2023–2025.
• SCB. Arbetskraftsundersökning (AKU). Säsongsrensade månadsdata samt årsdata för utbildningsnivå.
• SCB. Nationalräkenskaper. Utbildningsutgifter som andel av BNP, 2007–2024.
• SCB. LISA (Longitudinell integrationsdatabas för sjukförsäkrings- och arbetsmarknadsstudier) & FEK (Företagens ekonomi).

Medier och övrigt

• Brautigan, R. (1967). All Watched Over by Machines of Loving Grace [dikt]. I All Watched Over by Machines of Loving Grace. The Communication Company.
• SVT Nyheter (2026-02-23). Regeringen vill ha hårdare krav för bidrag.