Hvorfor kvinner står overfor høyere risiko for å bli erstattet — og hvordan rolle-endring kan åpne nye veier

Teknologiindustrien har brukt år på å bekymre seg over en mangel på kvalifisert arbeidskraft. Det er ikke nok AI-ingeniører, dataforskere eller AI-arkitekter å gå rundt. Selskaper konkurrerer hardt om den samme smale gruppen av spesialister, og de fleste av dem er menn.

Mens denne krigen om AI-talent dominerer overskriftene, bygges en mer stilhetig krise opp på den andre siden av arbeidsmarkedet. Millioner av arbeidere, i ubalanse kvinner, er i jobber som AI allerede omdefinerer. De får ikke samme tilgang til opplæring, verktøy eller nye roller som ville hjelpe dem å gjøre denne overgangen.

Resultatet er en dobbel bindning. Industrien kan ikke finne nok AI-kompetent arbeidskraft, mens kvinner forblir den største underutnyttede arbeidskraften i arbeidsstyrken. Gapet mellom hvem som mister arbeid og hvem som vinner det, er ikke tilfeldig. Det følger et mønster som viser seg i arbeidsdata over nesten alle større økonomier, og hvis det ikke blir håndtert, vil det definere kjønnsdynamikken i arbeidsstyrken for de neste ti årene.

Hvorfor kvinner står overfor høyere risiko for å bli erstattet

Overskriftstallet fra Den internasjonale arbeidsorganisasjonen (ILO) er slående: kvinnedominerte yrker er nesten dobbelt så sannsynlig å bli påvirket av generativ AI som manndominerte yrker, med 29% mot 16%. På den høye risikosiden er gapet enda større. 16% av kvinnedominerte roller faller inn i de mest sårbare automatiseringskategorier. For manndominerte roller er dette tallet 3%.

ILO-rapporten, Gen AI, Occupational Segregation and Gender Equality in the World of Work, identifiserer tre krefter som driver denne utviklingen. Kvinner innehar rollene som er mest sannsynlig å bli automatisert. De er fraværende fra STEM-feltene som bygger disse verktøyene. Og AI-modeller speiler ofte de kjønnsforbiene som allerede er innebygd i samfunnet.

Dette er ikke en tilfeldighet. Kvinner har historisk sett vært konsentrert i kontorarbeid, administrativt støtte, datainntasting og kundeservice. Disse er nøyaktig de funksjonene AI håndterer best: rutinemessige, kodifiserbare og høyvolum. ILOs forskning omfatter 88% av landene det har analysert, og i nesten alle av dem, står kvinner overfor større eksponering enn menn.

Eksponeringsrisikoen er bare halvparten av problemet. Rollene AI skaper, er konsentrert i tekniske og strategiske funksjoner hvor kvinner historisk sett har vært underrepresentert. Ifølge en studie fra Interface EU i 2024, utgjør kvinner bare 22% av AI-arbeidsstyrken globalt. Verdens økonomiske forums rapport om kjønnsparitet i 2025 fant at kvinner opplever en betydelig nedgang i det første året av STEM-karrierer og forblir underrepresentert i AI-ingeniørarbeid og ledelse.

Kvinner er i ubalanse konsentrert i rollene som erstattes, og underrepresentert i rollene som skapes. Dette er ikke ett problem, men to problemer som forsterker hverandre.

En tredje faktor gjør det verre. Randstads Understanding Talent Scarcity: AI and Equity-rapport viser en 42-prosentpoengs gap i AI-ferdigheter mellom menn og kvinner, med 71% mot 29%. Menn er mer sannsynlig å bli tilbudt AI-opplæring av arbeidsgivere (35% mot 27%) og mer sannsynlig å få AI-verktøy tilgjengelige på arbeidsplassen (41% mot 35%). UC Berkeley syntetiserte 18 studier som omfattet 143 000 arbeidere verden over og fant at kvinner er omtrent 20% mindre sannsynlig å bruke generativ AI-verktøy profesjonelt. Gapet holdt uavhengig av utdanningsnivå eller landinntekt.

Occupational segregation plasserte kvinner i automatiserbare roller. Underrepresentasjon i STEM-låste dem ute fra rollene AI nå skaper. Tilgangs- og opplæringsgapet hindrer overgangen mellom de to. Hver lag forsterker de andre.

Rolle-endring: hva det faktisk betyr, og hvorfor de fleste selskaper får det galt

Når organisasjoner snakker om å forberede sin arbeidsstyrke for AI, mener de vanligvis en av to ting: omopplæring av eksisterende ansatte på nye verktøy, eller erstattelse av erstattede roller med nyopprettede tekniske stillinger. Begge tilnærmingene mangler poenget.

Omopplæring er nødvendig, men utilstrekkelig. Å gi en datainntastingsansatt en kurs i prompt-ingeniørarbeid, skaper ikke en vei. Det gir henne en ferdighetssett. Hva hun trenger, er en destinasjon: en spesifikk rolle, med definerte ansvar, som eksisterer i organisasjonen og som hun kan gå over til.

Erstatter erstattede roller med tekniske stillinger, kan ofte forsterke problemet. AI-ingeniører, dataforskere og maskinlærings-spesialister krever kvalifikasjoner og erfaring som få erstattede arbeidere har. De tiltrekker også kandidater fra den samme homogene arbeidsstyrken som allerede dominerer teknologisektoren. Erstattere rammer kvinner. Erstattingsrollene gjør det ikke.

Ekte rolle-endring starter med et annet spørsmål. Ikke hva jobber AI kan gjøre, men hva menneskelig bidrag ser ut som i en verden hvor AI håndterer det rutinemessige?

SVaret er at særegent menneskelig arbeid er relasjonelt, kontekstuell og etisk. Det handler om å navigere usikkerhet. Bygge tillit med kunder og kolleger. Gjøre dommeringer i situasjoner uten mal. Forstå hva en stakeholder faktisk trenger, ikke bare hva de sa de ønsket.

De nye rollene som oppstår i dette skjæringspunktet, bærer forskjellige navn avhengig av sektoren: AI-Implementeringskoordinator, Teknologi-Adopsjonsleder, Menneske-AI-Lias, Digital Etikk-offiser, Endringshåndteringsspesialist. Hva de deler, er et behov for mennesker som kan arbeide der teknologi og menneskelig kompleksitet møtes.

Disse rollene krever dømmekraft, kommunikasjon og en dyp forståelse av hvordan organisasjoner fungerer. De er, med andre ord, en direkte utvikling av ferdighetene som kvinner i dagens risikoroller allerede har bygget opp.

Selskapene som får dette riktig, kartlegger ferdighetene som er innebygd i risikorollene, ikke jobbtittelen, men de faktiske evnene personen har bygget opp, og identifiserer hvilke av disse evnene matcher rollene AI skaper.

Dette er et talentproblem, ikke bare et likestillingproblem

AI-talentmangelen er virkelig og blir verre. Rollene som skapes av AI-adoptsjon krever en kombinasjon av teknisk litteratur og menneskelig dømmekraft som er virkelig sjelden. Selskaper konkurrerer hardt om en smal gruppe mennesker.

Kvinner er den største underutnyttede arbeidskraften i den profesjonelle arbeidsstyrken. Ferdighetene som er innebygd i risikorollene, inkludert relasjonsledelse, operasjonell koordinering, etisk resonnering og stakeholderkommunikasjon, er nettopp hva de nye AI-æra-rollene krever. Forbindelsen mellom disse to faktene burde være åpenbar.

Ferdighetsbasert rekruttering er mekanismen som gjør forbindelsen mulig. I stedet for å filtrere for kvalifikasjoner og lineære karriereveier, vurderer den hva noen faktisk kan gjøre. Den åpner roller for mennesker hvis evner har utviklet seg gjennom år i administrative og servicefunksjoner, nettopp de rollene AI nå automatiserer. Når den er designet godt, åpner den ikke bare opp arbeidsstyrken. Den bringer frem de spesifikke erfaringer organisasjoner trenger mest i en AI-forsterket omgivelse.

Hva det ser ut som når organisasjoner får dette riktig

Det er ingen enkelt modell. Men organisasjonene som gjør betydelig fremgang, deler en gjenkjennelig sett av atferd.

De starter med ferdigheten, ikke jobbtittelen. Før noen rolle blir automatisert, kartlegger de hva personen i den rollen faktisk kan gjøre, og de kartlegger det mot evnene organisasjonen vil trenge fremover. Spørsmålet er ikke om en jobb kan bli automatisert. Det er hva personen som gjør den jobben vet, og hvor den kunnskapen passer inn i hva som bygges.

Ledende organisasjoner flytter seg bort fra vagt løfte om opplæring til å bygge veier som er synlige, spesifikke og handlebare. I stedet for et generelt håp om fremtidige muligheter, tilbyr de en klar linje fra en nåværende rolle til en definert fremtidig rolle, med skritt, tidsplaner og støttestrukturer som er uttrykt. De designer opplæring for hele arbeidsstyrken, ikke den gjennomsnittlige ansatte. Programmer som kjører etter arbeidstid eller krever selvstendig læring, vil systematisk ekskludere mennesker med omsorgsoppgaver. Inkluderende design betyr modulært, planlagt, tilgjengelig under arbeidstid, med den psykologiske sikkerheten til å eksperimentere og feile uten at det påvirker en arbeidsvurdering.

Denne tilnærmingen sammenfaller med en grunnleggende endring i arbeidsstyrken: Randstad Workmonitor 2026 bekrefter at den tradisjonelle “karriere-stigen” svikter, med 72% av arbeidsgivere som nå er enige om at lineære karriereveier er foreldet. Som respons, mitigeter talent risikoen ved å bygge “portefølje-karrierer”. Denne nye modellen prioriterer variasjon, individuell handlekraft og sikkerhet gjennom en mangfoldig rekke av erfaringer, snarere enn langvarig ansettelse i en enkelt rolle.

De neste 24 månedene vil være viktige for en lang tid

Arbeidsstyrke-overganger er ikke lett å reversere. Mønstrene som dannes nå, tenderer å vedvare i år.

Organisasjoner som handler med intensjon, kan bruke dette øyeblikket til å bygge en mer kompetent og mer diversifisert arbeidsstyrke enn de har i dag. De som behandler AI-transformasjon som et teknisk prosjekt med en menneskelig fotnote, vil sannsynligvis fremstå fra det med en smalere arbeidsstyrke og et harder rekrutteringsproblem.