Hvorfor kvinder står over for en højere risiko for at blive erstattet — og hvordan roller kan omstruktureres for at åbne nye veje

Teknologiindustrien har i årevis været bekymret over en mangel på dygtige medarbejdere. Der er ikke nok AI-ingeniører, datavidenskabsmænd eller AI-arkitekter at gå rundt. Virksomheder konkurrerer hårdt om den samme smalle pulje af specialister, og de fleste af dem er mænd.

Mens kampen om AI-talent dominerer overskrifterne, bygges en mere stille krise op på den anden side af arbejdsmarkedet. Millioner af arbejdere, hvoraf kvinder er overrepræsenterede, er i job, som AI allerede omstrukturerer. De får ikke den samme adgang til uddannelse, værktøjer eller nye roller, der kan hjælpe dem med at gøre overgangen.

Resultatet er en dobbelt bind. Branchen kan ikke finde nok AI-kompetent talent, mens kvinder er den største underudnyttede talentpool i arbejdsstyrken. Forskellen mellem, hvem der mister arbejde, og hvem der får det, er ikke tilfældig. Den følger en mønster, der viser sig i arbejdsdata over næsten alle større økonomier, og hvis den ikke håndteres, vil den definere kønsdynamikken i arbejdsstyrken i det næste årti.

Hvorfor kvinder står over for en højere risiko for at blive erstattet

Hovedtal fra International Labour Organization (ILO) er slående: kvindedominerede erhverv er næsten dobbelt så sandsynlige for at blive påvirket af generativ AI som manddominerede, med 29% mod 16%. I den højrisikozone er forskellen endnu større. 16% af kvindedominerede roller falder ind under de mest sårbare automatiseringskategorier. For manddominerede roller er dette tal 3%.

ILO-rapporten, Gen AI, Occupational Segregation and Gender Equality in the World of Work, identificerer tre kræfter, der driver denne udvikling. Kvinder besætter roller, der er mest sandsynlige for at blive automatiseret. De er fraværende fra STEM-felterne, der bygger disse værktøjer. Og AI-modeller spejler ofte de kønsfordomme, der allerede er indbygget i samfundet.

Dette er ikke en tilfældighed. Kvinder er historisk koncentreret i kontorarbejde, administrativt støtte, dataindtastning og kundeservice. Disse er præcis de funktioner, AI behandler bedst: rutine, kodificerbare og højvolumen. ILO’s forskning dækker 88% af de lande, der er analyseret, og i næsten alle af dem står kvinder over for en større eksponering end mænd.

Eksponeringsrisikoen er kun halvdelen af problemet. Roller, som AI skaber, er koncentreret i tekniske og strategiske funktioner, hvor kvinder historisk har været underrepræsenterede. Ifølge en undersøgelse fra Interface EU udgør kvinder kun 22% af AI-arbejdsstyrken globalt. World Economic Forum’s 2025 Gender Parity-rapport fandt, at kvinder oplever en betydelig afmatning i det første år af STEM-karrierer og forbliver underrepræsenterede i AI-ingeniørarbejde og ledelse.

Kvinder er overrepræsenterede i roller, der erstattes, og underrepræsenterede i roller, der skabes. Det er ikke et problem, men to problemer, der forværres af hinanden.

En tredje faktor gør det værre. Randstads Understanding Talent Scarcity: AI and Equity rapport viser en 42-procentpoints forskel i AI-kompetence mellem mænd og kvinder, med 71% mod 29%. Mænd er mere sandsynlige for at blive tilbudt AI-uddannelse af arbejdsgivere (35% mod 27%) og mere sandsynlige for at have AI-værktøjer på arbejdspladsen (41% mod 35%). UC Berkeley samlede 18 studier, der dækkede 143.000 arbejdere verden over, og fandt, at kvinder er ca. 20% mindre sandsynlige end mænd for at bruge generativ AI-værktøjer professionelt. Forskellen bestod uanset uddannelsesniveau eller landets indkomst.

Arbejdssegregation placerede kvinder i automatiserbare roller. Underrepræsentation i STEM-låste dem ude fra roller, som AI nu skaber. Adgangs- og uddannelsesgapet forhindrer overgangen mellem de to. Hver lag forstærker de andre.

Omstrukturering af roller: hvad det faktisk betyder, og hvorfor de fleste virksomheder gør det forkert

Når organisationer taler om at forberede deres arbejdsstyrke på AI, mener de normalt en af to ting: omuddannelse af eksisterende medarbejdere på nye værktøjer eller erstatning af erstattede roller med nyoprettede tekniske stillinger. Begge tilgange mangler pointen.

Omuddannelse er nødvendig, men utilstrækkelig. At give en dataindtastningsassistent en kursus i prompt-ingeniørarbejde skaber ikke en vej. Det giver hende en kompetence. Hvad hun behøver, er en destination: en specifik rolle med definerede ansvar, der findes i organisationen og som hun kan gå over i.

At erstatte erstattede roller med tekniske stillinger dypper ofte problemet. AI-ingeniører, datavidenskabsmænd og maskinlæringspecialister kræver kvalifikationer og erfaring, som få erstattede arbejdere har. De tiltrækker også kandidater fra den samme homogene talentpool, der allerede dominerer teknologiindustrien. Erstatningsrollerne rammer kvinderne ikke.

Ægte omstrukturering af roller begynder med en anden spørgsmål. Ikke hvilke job kan AI udføre, men hvordan menneskelig bidrag ser ud i en verden, hvor AI håndterer det rutinemæssige?

Svaret er, at menneskelig arbejde er relationelt, kontekstuel og etisk. Det handler om at navigere i usikkerhed. Bygge tillid med kunder og kolleger. Træffe domme i situationer uden en skabelon. Forstå, hvad en interesseholder faktisk har brug for, og ikke kun hvad de sagde, de ønskede.

De nye roller, der opstår i dette krydsfelt, bærer forskellige navne afhængigt af sektoren: AI-Implementeringskoordinator, Teknologi-Adoptionsleder, Menneske-AI-Mægler, Digital Ætiks-officer, Ændringsledelses-specialist. Hvad de har til fælles, er et behov for mennesker, der kan arbejde, hvor teknologi og menneskelig kompleksitet mødes.

Disse roller kræver dømmekraft, kommunikation og en dyb forståelse af, hvordan organisationer fungerer. De er, med andre ord, en direkte udvikling af de kompetencer, som kvinder i i dagens risikable roller allerede har bygget op over årene.

Virksomheder, der får det rigtigt, kortlægger de kompetencer, der er indbygget i risikable roller, ikke jobtitlen, men de faktiske evner, personen har bygget op, og identificerer, hvilke af disse evner matcher rollerne, som AI skaber.

Dette er et talentproblem, ikke kun et lighedsproblem

AI-talentmanglen er reel og bliver værre. Roller, som AI-skabes, kræver en kombination af teknisk kompetence og menneskelig dømmekraft, som er virkelig sjælden. Virksomheder konkurrerer hårdt om en smal pulje af mennesker.

Kvinder er den største underudnyttede talentpool i den professionelle arbejdsstyrke. Kompetencerne, der er indbygget i risikable roller, herunder relationsstyring, operativ koordination, etisk begrundelse og interesseholderkommunikation, er præcis, hvad de nye AI-æra-roller kræver. Forbindelsen mellem disse to kendsgerninger burde være åbenbar.

Kompetencebaseret rekruttering er mekanismen, der gør forbindelsen mulig. I stedet for at filtrere efter kvalifikationer og lineære karriereforløb vurderer den, hvad en person faktisk kan. Den åbner roller for mennesker, hvis kompetencer er udviklet gennem år i administrative og servicefunktioner, præcis de roller, som AI nu automatiserer. Når den er designet godt, åbner den ikke kun den bredeste talentpool, men bringer også de specifikke typer af erfaring, organisationer har brug for mest i en AI-forstærket omgang.

Hvad det ser ud til, når organisationer får det rigtigt

Der er ikke ét enkelt model. Men organisationer, der gør fremskridt, deler en genkendelig sæt af adfærd.

De starter med kompetencen, ikke jobtitlen. Før en rol automatiseres, kortlægger de, hvad personen i den rolle kan faktisk, og de kortlægger det mod de kompetencer, organisationen vil have brug for i fremtiden. Spørgsmålet er ikke, om et job kan automatiseres, men hvad personen, der udfører det job, ved, og hvor den viden passer ind i, hvad der bygges.

De førende organisationer flytter sig ud over vagte løfter om opkvalificering til at bygge vejledninger, der er synlige, specifikke og handlelige. I stedet for et generelt håb om fremtidige muligheder giver de en klar linje fra en nuværende rolle til en defineret fremtidig rolle, med skridt, tidsrammer og støttestrukturer fastlagt. De designer uddannelse for hele arbejdsstyrken, ikke den gennemsnitlige medarbejder. Programmer, der køres efter arbejdstid eller kræver selvstændig læring, vil systematisk udelukke mennesker med omsorgsforpligtelser. Inklusiv design betyder modulært, planlagt, tilgængeligt under arbejdstid, med den psykologiske sikkerhed til at eksperimentere og fejle uden at det påvirker en performances vurdering.

Denne tilgang er i overensstemmelse med en grundlæggende ændring i arbejdsstyrken: Randstad Workmonitor 2026 bekræfter, at den traditionelle “karriere-stige” svigter, med 72% af arbejdsgivere, der nu er enige om, at lineære karriereforløb er forældede. I respons mitigere talent risikoen ved at bygge “portfolio-karrierer”. Denne nye model prioriterer variation, individuel agentur og sikkerhed gennem en divers række af oplevelser snarere end langvarig ansættelse i en enkelt rolle.

De næste 24 måneder vil have betydning for lang tid

Arbejdsstyrkeovergange kan ikke let vendes tilbage. Mønstrene, der dannes nu, tenderer til at bestå i år.

Organisationer, der handler med intention, kan bruge dette øjeblik til at bygge en mere kompetent og mere diversificeret arbejdsstyrke, end de har i dag. De, der behandler AI-transformation som et teknisk projekt med en menneskelig fodnote, vil sandsynligvis opstå fra det med en smallere talentbase og et hårdere rekrutteringsproblem.