Varför kvinnor står inför en högre risk för arbetsförlust — och hur omstrukturering av roller kan öppna nya vägar

Teknikbranschen har under åratal oroat sig för en brist på kvalificerad arbetskraft. Det finns inte tillräckligt med AI-ingenjörer, dataanalytiker eller AI-arkitekter att gå runt. Företagen konkurrerar hårt om den smala poolen av specialister, och de flesta av dem är män.

Medan kriget om AI-talang domineras av rubrikerna, byggs en tyst kris upp på den andra sidan av arbetsmarknaden. Miljontals arbetare, oproportionerligt många kvinnor, befinner sig i jobb som AI redan förändrar. De får inte samma tillgång till utbildning, verktyg eller nya roller som skulle hjälpa dem att göra den övergången.

Resultatet är en dubbel bindning. Branschen kan inte hitta tillräckligt med AI-kompetent personal, medan kvinnor förblir den största outnyttjade talangreserven i arbetskraften. Klyftan mellan vem som förlorar jobb och vem som vinner det är inte slumpmässig. Den följer ett mönster som syns i arbetsdata över nästan alla stora ekonomin, och om den lämnas obehandlad kommer den att definiera könsskillnaderna i arbetskraften under de kommande tio åren.

Varför kvinnor står inför en högre risk för arbetsförlust

Rubriksiffran från Internationella arbetsorganisationen (ILO) är slående: kvinnodominerade yrken är nästan dubbelt så sannolika att påverkas av generativ AI som mansdominerade yrken, 29% jämfört med 16%. I den högriskgrupp som är mest utsatt för automatisering är klyftan ännu större. 16% av de kvinnodominerade rollerna hamnar i de mest sårbara automatiseringskategorierna. För mansdominerade roller är den siffran 3%.

ILO-rapporten, Gen AI, Occupational Segregation and Gender Equality in the World of Work, identifierar tre krafter som driver denna utveckling. Kvinnor innehar de roller som är mest sannolika att automatiseras. De saknas i de tekniska områden som bygger dessa verktyg. Och AI-modeller speglar ofta de könsskillnader som redan finns i samhället.

Detta är ingen tillfällighet. Kvinnor har historiskt sett koncentrerats till kontorsarbete, administrativt stöd, datainmatning och kundservice. Detta är exakt de funktioner som AI hanterar bäst: rutinmässiga, kodifierbara och högvolym. ILO:s forskning omfattar 88% av de länder som analyserades, och i nästan alla av dem står kvinnor inför större exponering än män.

Exponeringsrisken är bara halva problemet. De roller som AI skapar är koncentrerade till tekniska och strategiska funktioner där kvinnor historiskt sett har varit underrepresenterade. Enligt en studie från 2024 av Interface EU utgör kvinnor bara 22% av AI-arbetskraften globalt. Världsekonomiskt forums rapport om könsgap 2025 fann att kvinnor upplever en betydande minskning i antalet kvinnor i STEM-karriärer under det första året och förblir underrepresenterade i AI-ingenjörskap och ledarskap.

Kvinnor är oproportionerligt koncentrerade till de roller som försvinner, och underrepresenterade i de roller som skapas. Det är inte ett problem, utan två problem som förstärker varandra.

En tredje faktor gör det värre. Randstads Understanding Talent Scarcity: AI and Equity-rapport visar en 42-procentig klyfta i AI-kompetens mellan män och kvinnor, 71% jämfört med 29%. Män är mer benägna att erbjudas AI-utbildning av arbetsgivare (35% jämfört med 27%) och mer benägna att ha AI-verktyg tillgängliga på jobbet (41% jämfört med 35%). UC Berkeley sammanställde 18 studier som omfattade 143 000 arbetare världen över och fann att kvinnor är ungefär 20% mindre benägna att använda generativ AI-verktyg professionellt. Klyftan kvarstod oavsett utbildningsnivå eller inkomst i landet.

Yrkessegregering placerade kvinnor i automatiserbara roller. Underrepresentation i STEM-lärande låste dem ute från de roller som AI nu skapar. Tillgångs- och utbildningsklyftan förhindrar övergången mellan de två. Varje lager förstärker de andra.

Omstrukturering av roller: vad det faktiskt innebär, och varför de flesta företag gör fel

När organisationer pratar om att förbereda sin arbetskraft för AI, menar de vanligtvis en av två saker: omutbildning av befintliga anställda på nya verktyg eller ersättning av försvunna roller med nybildade tekniska positioner. Båda tillvägagångssätten missar poängen.

Omutbildning är nödvändig men otillräcklig. Att ge en datainmatningsklerk en kurs i promptteknik skapar inte en väg. Det ger henne en kompetens. Vad hon behöver är en destination: en specifik roll med definierade ansvarsområden som finns i organisationen och som hon kan flytta in i på ett trovärdigt sätt.

Att ersätta försvunna roller med tekniska positioner förvärrar ofta problemet. AI-ingenjörer, dataanalytiker och maskinlärningspecialister kräver kvalifikationer och erfarenhet som få försvunna arbetare har. De tenderar också att locka kandidater från den homogena talangpool som redan dominerar tekniksektorn. Försvinnandet drabbar kvinnor. Ersättningsrollerna gör det inte.

Äkta omstrukturering av roller börjar med en annan fråga. Inte vad jobb som AI kan göra, utan vad mänskligt bidrag ser ut i en värld där AI hanterar det rutinmässiga?

SVaret är att tydligt mänskligt arbete är relationsinriktat, kontextuellt och etiskt. Det handlar om att navigera i osäkerhet. Bygga förtroende med kunder och kollegor. Fatta omdömesgilla beslut i situationer utan mall. Förstå vad en intressent verkligen behöver, inte bara vad de sa att de ville ha.

De nya roller som växer fram i detta sammanhang har olika namn beroende på sektorn: AI-implementeringskoordinator, tekniskt antagningsledare, mänsklig AI-länk, digital etikofficer, förändringsledningsspecialist. Vad de har gemensamt är ett behov av människor som kan arbeta där teknologi och mänsklig komplexitet möts.

De här rollerna kräver omdöme, kommunikation och en djup förståelse för hur organisationer fungerar. De är, med andra ord, en direkt utveckling av de färdigheter som kvinnor i dagens utsatta roller redan har byggt upp under år.

Företagen som lyckas med detta kartlägger de färdigheter som är inbäddade i utsatta roller, inte jobbtiteln utan de faktiska förmågor personen har byggt upp, och identifierar vilka av dessa färdigheter som matchar de roller som AI skapar.

Detta är ett talangproblem, inte bara ett jämställdhetsproblem

AI-talangbristen är verklig och förvärras. De roller som skapas av AI-användning kräver en kombination av teknisk kompetens och mänskligt omdöme som verkligen är sällsynt. Företagen konkurrerar hårt om en smal pool av människor.

Kvinnor är den största outnyttjade talangreserven i den professionella arbetskraften. De färdigheter som är inbäddade i utsatta roller, inklusive relationshantering, operativ koordinering, etiskt resonemang och intressentkommunikation, är exakt vad de nya AI-eran rollerna kräver. Kopplingen mellan dessa två fakta borde vara uppenbar.

Färdighetsbaserad rekrytering är den mekanism som gör kopplingen möjlig. Istället för att filtrera på kvalifikationer och linjära karriärvägar, utvärderar den vad någon faktiskt kan göra. Den öppnar roller för människor vars förmågor utvecklats genom år i administrativa och servicefunktioner, exakt de roller som AI nu automatiserar. När den är väl utformad, öppnar den inte bara upp talangpoolen. Den bringar fram den specifika typen av erfarenhet som organisationer behöver mest i en AI-förstärkt miljö.

Hur det ser ut när organisationer gör rätt

Det finns inget enda modell. Men organisationerna som gör meningsfulla framsteg delar en igenkännlig uppsättning beteenden.

De börjar med färdigheten, inte jobbtiteln. Innan någon roll automatiseras, kartlägger de vad personen i den rollen faktiskt kan göra, och de kartlägger det mot de färdigheter organisationen kommer att behöva i framtiden. Frågan är inte om ett jobb kan automatiseras. Det är vad personen som gör det jobbet vet, och var den kunskapen passar in i vad som byggs.

De ledande organisationerna flyttar bortom vaga löften om omutbildning och bygger vägar som är synliga, specifika och handlingsbara. Istället för ett allmänt hopp om framtida möjligheter, erbjuder de en tydlig linje från en nuvarande roll till en definierad framtida roll, med steg, tidsplaner och stödstrukturer utarbetade. De utformar utbildning för hela arbetskraften, inte den genomsnittlige medarbetaren. Program som körs efter arbetstid eller kräver självständigt lärande kommer systematiskt att utesluta människor med vårdansvar. Inkluderande design innebär modulärt, schemalagt, tillgängligt under arbetstid, med den psykologiska säkerheten att experimentera och misslyckas utan att det påverkar en prestationsbedömning.

Denna strategi överensstämmer med en grundläggande förändring i arbetskraften: Randstad Workmonitor 2026 bekräftar att den traditionella “karriärstegen” misslyckas, med 72% av arbetsgivarna som nu är överens om att linjära karriärvägar är föråldrade. Som svar mitigates talang risken genom att bygga “portföljkarriärer”. Denna nya modell prioriterar variation, individuell agent och säkerhet genom en mångfald av erfarenheter snarare än långsiktig anställning i en enda roll.

De närmaste 24 månaderna kommer att betyda mycket under lång tid

Arbetsmarknadsövergångar är inte lätt att vända. De mönster som formas nu tenderar att bestå i år.

Organisationer som agerar med avsikt kan använda detta ögonblick för att bygga en mer kapabel och mer diversifierad arbetskraft än de har idag. De som behandlar AI-omvandling som ett tekniskt projekt med en fotnot om människor kommer sannolikt att framträda ur det med en smalare talangbas och ett svårare rekryteringsproblem.