Tankeledere
Hvorfor kvinner har større risiko for å miste jobben — og hvordan nye utforminger av jobbroller kan åpne nye veier

Viktige punkterFafine i galuega e mafai ona suia e masini e feagai ma tulaga lamatia e lua o le suiga…
Vis mer
- Fafine i galuega e mafai ona suia e masini e feagai ma tulaga lamatia e lua o le suiga ma le le lava o sui i galuega AI.
- O le eseesega e 42-point i tomai AI i le va o alii ma fafine o loo tumau ona o le le tutusa o avanoa mo aoaoga.
- O le toe fuataina o matafaioi e tatau ona faafanua tomai mai matafaioi e lamatia i tulaga fou o le sootaga i le va o tagata ma AI.
Hvorfor kvinner har større risiko for å miste jobben — og hvordan nye utforminger av jobbroller kan åpne nye veier
Teknologibransjen har i årevis bekymret seg for mangel på kompetanse. Det finnes ikke nok AI-ingeniører, dataforskere eller AI-arkitekter til å dekke behovet. Selskapene konkurrerer hardt om den samme begrensede gruppen spesialister, og de fleste av dem er menn.
Mens kampen om AI-kompetanse dominerer overskriftene, bygger det seg opp en mer stillferdig krise på den andre siden av arbeidsmarkedet. Millioner av arbeidstakere, med en uforholdsmessig stor andel kvinner, har jobber som AI allerede er i ferd med å endre. De får ikke samme tilgang til opplæring, verktøy eller nye roller som kunne hjulpet dem gjennom overgangen.
Resultatet er et dobbelt dilemma. Bransjen finner ikke nok folk med AI-kompetanse, samtidig som kvinner fortsatt utgjør den største underutnyttede kompetansereserven i arbeidsstyrken. Forskjellen mellom hvem som mister arbeid og hvem som får det, er ikke tilfeldig. Den følger et mønster som går igjen i arbeidsmarkedsdata fra nesten alle større økonomier. Hvis det ikke tas tak i, vil det prege kjønnsforholdene i arbeidslivet det neste tiåret.
Hvorfor kvinner har større risiko for å miste jobben
Det sentrale tallet fra Den internasjonale arbeidsorganisasjonen (ILO) er slående: Kvinnedominerte yrker har nesten dobbelt så stor sannsynlighet for å bli påvirket av generativ AI som mannsdominerte yrker, med 29 % mot 16 %. Blant de mest utsatte er forskjellen enda større. Seksten prosent av de kvinnedominerte rollene faller i kategoriene som er mest sårbare for automatisering. For mannsdominerte roller er tallet 3 %.
ILO-rapporten Generativ AI, yrkessegregering og likestilling i arbeidslivet peker på tre drivkrefter. Kvinner har rollene som mest sannsynlig vil bli automatisert. De er fraværende fra realfags- og teknologiområdene, STEM, som utvikler disse verktøyene. Og AI-modeller gjenspeiler ofte kjønnsfordommene som allerede finnes i samfunnet.
Dette er ingen tilfeldighet. Kvinner har historisk vært konsentrert i kontorarbeid, administrativ støtte, dataregistrering og kundeservice. Det er nettopp de oppgavene AI håndterer best: rutineoppgaver som kan beskrives med regler og utføres i stort omfang. ILOs forskning omfatter 88 % av landene organisasjonen analyserte, og i nesten alle er kvinner mer utsatt enn menn.
Risikoen for å bli påvirket er bare halve problemet. Rollene AI skaper, er konsentrert i tekniske og strategiske funksjoner der kvinner historisk har vært underrepresentert. Ifølge en studie fra 2024 fra Interface EU utgjør kvinner bare 22 % av arbeidsstyrken innen AI globalt. Verdens økonomiske forums rapport om likestilling fra 2025 fant et betydelig frafall blant kvinner det første året i STEM-karrierer, og at kvinner forblir underrepresentert innen AI-utvikling og ledelse gjennom hele karrieren.
Kvinner er uforholdsmessig konsentrert i rollene som forsvinner, og underrepresentert i rollene som skapes. Det er ikke ett problem, men to problemer som forsterker hverandre.
Et tredje lag gjør situasjonen verre. Randstads rapport Understanding Talent Scarcity: AI and Equity viser en forskjell på 42 prosentpoeng i AI-ferdigheter mellom menn og kvinner: 71 % mot 29 %. Menn får oftere tilbud om AI-opplæring fra arbeidsgiveren (35 % mot 27 %) og får oftere AI-verktøy stilt til rådighet på jobb (41 % mot 35 %). UC Berkeley sammenfattet 18 studier som omfattet 143 000 arbeidstakere verden over, og fant at kvinners sannsynlighet for å bruke generative AI-verktøy profesjonelt er omtrent 20 % lavere enn menns. Forskjellen besto uavhengig av utdanningsnivå eller landets inntektsnivå.
Yrkessegregeringen plasserte kvinner i roller som kan automatiseres. Underrepresentasjonen i STEM stengte dem ute fra rollene AI nå skaper. Forskjellen i tilgang og opplæring hindrer overgangen mellom de to. Hvert lag forsterker de andre.
Å utforme jobbroller på nytt: Hva det egentlig betyr, og hvorfor de fleste selskaper gjør det feil
Når organisasjoner snakker om å forberede arbeidsstyrken på AI, mener de vanligvis én av to ting: å lære opp eksisterende ansatte i nye verktøy eller å erstatte bortfalte roller med nye tekniske stillinger. Begge tilnærmingene bommer på det vesentlige.
Ny opplæring er nødvendig, men ikke tilstrekkelig. Et kurs i å formulere AI-prompter skaper ikke i seg selv en karrierevei for en kvinne som registrerer data. Det gir henne noen ferdigheter. Hun trenger et mål: en konkret rolle med definerte ansvarsområder som finnes i organisasjonen, og som hun realistisk kan gå over i.
Å erstatte bortfalte roller med tekniske stillinger forsterker ofte problemet. Stillinger som AI-ingeniør, dataforsker og maskinlæringsspesialist krever kvalifikasjoner og erfaring som få av arbeidstakerne som mister jobben, har. De tiltrekker seg også gjerne kandidater fra den samme homogene kompetansegruppen som allerede dominerer teknologisektoren. Kvinner rammes av jobbtapene, men får ikke de nye rollene.
Reell nyutforming av jobbroller starter med et annet spørsmål. Ikke hvilke jobber AI kan utføre, men hvordan menneskers bidrag ser ut i en verden der AI håndterer rutineoppgavene.
Svaret er at det særskilt menneskelige arbeidet handler om relasjoner, kontekst og etikk. Det er å håndtere tvetydighet, bygge tillit hos kunder og kolleger, bruke dømmekraft i situasjoner uten en ferdig mal og forstå hva en interessent faktisk trenger, ikke bare hva vedkommende sa at de ønsket.
De nye rollene som oppstår i dette skjæringspunktet, har ulike navn avhengig av sektor: koordinator for AI-implementering, ansvarlig for innføring av teknologi, bindeledd mellom mennesker og AI, ansvarlig for digital etikk og spesialist i endringsledelse. Felles for dem er behovet for mennesker som kan arbeide der teknologi møter menneskelig kompleksitet.
Disse rollene krever dømmekraft, kommunikasjon og en dyp forståelse av hvordan organisasjoner fungerer. De er med andre ord en direkte videreutvikling av ferdighetene kvinner i dagens utsatte roller allerede har brukt år på å bygge opp.
Selskapene som lykkes, kartlegger ferdighetene i de utsatte rollene. De ser på personens faktiske evner fremfor stillingstittelen og identifiserer hvilke evner som passer til rollene AI skaper.
Dette er et kompetanseproblem, ikke bare et likestillingsproblem
Mangelen på AI-kompetanse er reell og blir større. Rollene som oppstår når AI tas i bruk, krever en kombinasjon av teknologiforståelse og menneskelig dømmekraft som det virkelig er mangel på. Selskapene konkurrerer hardt om en begrenset gruppe mennesker.
Kvinner utgjør den største underutnyttede kompetansereserven blant yrkesaktive. Ferdighetene i de utsatte rollene, blant annet relasjonsarbeid, driftskoordinering, etiske resonnementer og kommunikasjon med interessenter, er nettopp det de nye rollene i AI-æraen krever. Sammenhengen mellom disse to forholdene burde være åpenbar.
Kompetansebasert rekruttering gjør det mulig å skape denne forbindelsen. I stedet for å sile kandidater etter formelle kvalifikasjoner og lineære karriereveier vurderer den hva en person faktisk kan gjøre. Den åpner roller for mennesker som har utviklet evnene sine gjennom mange år i administrative funksjoner og servicearbeid, nettopp de rollene AI nå automatiserer. Når tilnærmingen er godt utformet, utvider den ikke bare kompetansegrunnlaget. Den synliggjør akkurat den erfaringen organisasjoner trenger mest i et arbeidsmiljø som støttes av AI.
Slik ser det ut når organisasjoner lykkes
Det finnes ikke én felles modell. Men organisasjoner som gjør meningsfulle fremskritt, har et gjenkjennelig sett med atferdstrekk til felles.
De starter med ferdigheten, ikke stillingstittelen. Før en rolle automatiseres, kartlegger de hva personen i rollen faktisk kan gjøre, og sammenholder det med evnene organisasjonen vil trenge fremover. Spørsmålet er ikke om jobben kan automatiseres. Det er hva personen som utfører jobben vet, og hvor denne kunnskapen passer inn i det som bygges.
Ledende organisasjoner går lenger enn vage løfter om kompetanseheving og bygger synlige, konkrete og gjennomførbare veier videre. I stedet for et generelt håp om fremtidige muligheter viser de en tydelig vei fra dagens rolle til en definert fremtidig rolle, med fastlagte trinn, tidsplaner og støtteordninger. De utformer opplæring for hele arbeidsstyrken, ikke for den typiske ansatte. Programmer etter arbeidstid eller med krav om selvstyrt læring vil systematisk utelukke mennesker med omsorgsansvar. Inkluderende utforming innebærer moduler som kan innpasses i en timeplan og gjennomføres i arbeidstiden, med psykologisk trygghet til å eksperimentere og feile uten at det påvirker prestasjonsvurderingen.
Denne tilnærmingen samsvarer med en grunnleggende endring i arbeidsstyrken: Randstad Workmonitor 2026 bekrefter at den tradisjonelle «karrierestigen» ikke lenger fungerer, og at 72 % av arbeidsgiverne nå er enige om at lineære karriereveier er utdaterte. Som svar reduserer arbeidstakere risikoen ved å bygge «porteføljekarrierer». Denne nye modellen prioriterer variasjon, muligheten til selv å styre karrieren og trygghet gjennom ulike erfaringer fremfor lang tid i én enkelt rolle.
De neste 24 månedene vil få betydning langt inn i fremtiden
Endringer i arbeidsstyrken er ikke lette å reversere. Mønstrene som dannes nå, har en tendens til å vare i årevis.
Organisasjoner som handler målrettet, kan bruke dette øyeblikket til å bygge en mer kompetent og mer mangfoldig arbeidsstyrke enn de har i dag. De som behandler AI-omstillingen som et teknisk prosjekt med menneskene som en fotnote, vil sannsynligvis stå igjen med et smalere kompetansegrunnlag og et vanskeligere rekrutteringsproblem.












