I vår tidigare artikel om varför 95% av AI-projekt misslyckas lyfte vi fram hur MIT, McKinsey och Goldman Sachs alla pekar på samma sak: enthusiasmen för AI övergår ofta i besvikelse. Företag satsar enorma summor utan att se resultat.
Men det finns ytterligare en dimension som är viktig att förstå när det gäller AIs påverkan på arbetsmarknaden. Den handlar inte om företagens interna AI-projekt, utan om det bredare narrativet som Silicon Valley-företag och riskkapitalister driver: att AI kommer att ersätta massiva mängder jobb, och snabbt.
Ny forskning från Yale University's Budget Lab ger en helt annan bild.
Sedan ChatGPT lanserades i november 2022 har publika undersökningar visat utbredd oro för AI-drivna jobbförluster. Men Yale-forskarnas analys av 33 månaders arbetsmarknadsdata sedan ChatGPT:s lansering visar något överraskande:
"Den bredare arbetsmarknaden har inte upplevt en märkbar störning sedan ChatGPT:s lansering för 33 månader sedan, vilket underminerar farhågorna om att AI-automation för närvarande urholkar efterfrågan på kognitiv arbetskraft i ekonomin."
Låt det sjunka in. Trots tre års intensiv AI-hype och massiva investeringar i AI-infrastruktur ser forskarna ingen betydande påverkan på AI arbetsmarknaden.
Yale Budget Lab använde flera metoder för att analysera AI:s påverkan på AI arbetsmarknaden:
Forskarna jämförde hur snabbt "occupational mix" (fördelningen av arbetare mellan olika yrken) förändrats sedan ChatGPT:s lansering mot tidigare teknologiska skiften:
Resultat: Yrkessammansättningen förändras något snabbare nu än tidigare, men skillnaden är marginell – cirka 1 procentenhet högre än vid internets genombrott. Och viktigast: trenden började redan 2021, innan ChatGPT, vilket tyder på att förändringen inte är AI-driven.
Sektorer med högst exponering för generativ AI – Information, Finansiella aktiviteter och Professionella tjänster – har sett större förändringar i yrkesmixen. Men även här visar data att förändringarna startade före ChatGPT:s lansering.
Yale-forskarna analyserade både OpenAI:s "exposure"-data (teoretisk påverkan) och Anthropic's faktiska användningsdata från Claude. Här blir det intressant:
Andelen anställda i yrken med hög AI-exponering har varit stabil på cirka 18% sedan ChatGPT:s lansering. Det har inte skett någon ökning av arbetslöshet i dessa yrken.
Men när de jämförde OpenAI:s exponeringsdata med Anthropics faktiska användningsdata fann de begränsad korrelation. Med andra ord: bara för att ett yrke teoretiskt kan påverkas av AI betyder det inte att det faktiskt används där.
Forskarna undersökte om personer som nyligen blivit arbetslösa kom från yrken med hög AI-exponering. Svaret var nej. Oavsett arbetslöshetens längd fanns inget samband med AI-exponering eller AI-användning.
En studie från Brynjolfsson et al. hade tidigare indikerat att AI möjligen påverkar anställning av nyutexaminerade (20-24 år). Yale-forskarna fann en liten ökning i skillnaden mellan yngre och äldre högskoleutbildade yrkesval, men betonar att detta kan bero på en avmattande arbetsmarknad som alltid träffar yngre hårdare – inte nödvändigtvis AI.
Yale-forskarna är tydliga med att deras analys inte är prediktiv. De fortsätter övervaka dessa trender månatligen. Men de påpekar något viktigt:
"Historiskt sett tenderar utbredd teknologisk störning på arbetsplatser att ske över decennier, snarare än månader eller år. Datorer blev inte vanliga på kontor förrän nästan ett decennium efter deras offentliga lansering, och det tog ännu längre tid innan de transformerade kontorsarbetsflöden."
Detta känner du igen om du arbetat med organisationsförändringar. Teknik är sällan flaskhalsen – det är organisationens förmåga att ta till sig förändringen som avgör.
Yale-forskarna är också transparenta om sina datas begränsningar:
OpenAI:s "exposure"-data:
Anthropic's användningsdata:
Vad som behövs: Omfattande användningsdata från alla ledande AI-företag på individ- och företagsnivå, inklusive API-användning. Yale-forskarna uppmanar alla stora AI-labb att följa Anthropics exempel och dela transparenta användningsdata.
Yale-forskningen bekräftar två viktiga lärdomar för AI arbetsmarknaden:
Tech-CEOs och riskkapitalister har starka incitament att överdriva AI:s transformativa kraft – de driver en bransch byggd på dessa narrativ. Goldman Sachs egen forskning visar att "AI-adoption förblir blygsam inom de flesta branscher" samtidigt som infrastrukturföretag som Nvidia skördar rekordvinster.
Frågan som Goldman Sachs ställer är relevant: Kommer denna ofantliga satsning någonsin att betala sig, eller bevittnar vi uppbyggnaden av en ny teknikbubbla? Och trots avsaknaden av påverkan hittills fortsätter investeringarna: över 1000 miljarder dollar är planerat för kommande åren enligt Goldman Sachs.
Precis som vår tidigare artikel visade att 95% av AI-projekt misslyckas på grund av brist på struktur, visar Yale-forskningen att även på makronivå är förändring långsammare än hypen.
Detta är goda nyheter för dig som företagsledare.
Du behöver inte rusa huvudstupa in i AI av rädsla för att bli "lämnad kvar". Du har tid att göra det rätt. Och "rätt" betyder samma sak som med alla andra organisationsförändringar:
Tydligt ledarskap. Struktur. Processer. Uppföljning.
Precis som vid uppbyggnad av ledningssystem krävs strukturerad AI-adoption. Baserat på både MIT:s forskning (från vår tidigare artikel) och Yale:s AI arbetsmarknaden-studie blir det tydligt vad som fungerar:
Inte "vi behöver AI-strategi". Inte "våra konkurrenter använder AI". Börja med en specifik smärtpunkt där AI faktiskt kan göra skillnad.
Yale-forskningen visar att yrken där AI faktiskt används (kodare, vissa administrativa processer) är begränsade. MIT:s forskning visar att automatisera administrativa processer ofta ger bättre ROI än försäljnings- och marknadsföringsverktyg där de flesta satsar.
McKinseys forskning (som vi citerade i vår tidigare artikel) visar att tydliga KPI:er för AI-lösningar har störst påverkan på resultatet. Detta är inte unikt för AI – det är grundläggande ledning.
Om du inte kan mäta effekten, kan du inte leda förändringen. Läs vår guide om hur du kommer igång med målstyrning för att etablera en grund.
Yale-forskningen visar att även "högriskyrken" (hög AI-exponering) inte påverkas ännu. Men det betyder inte att riskerna inte är verkliga – de tar bara längre tid att materialisera.
Goldman Sachs pekar på en annan risk: att investera enorma summor i teknik som inte levererar ROI. Detta är en affärsrisk, inte en teknikrisk.
En strukturerad riskhanteringsprocess hjälper dig identifiera både:
McKinseys forskning visar att ledningens aktiva övervakning av AI-styrning är en nyckelfaktor för framgång. Detta kan inte delegeras till IT-avdelningen eller en "digital transformationschef".
AI-transformation (när den väl sker) kommer påverka processer, människor och affärsmodeller. Det kräver ledning från toppen, precis som ledningssystemarbete kräver ledningens engagemang.
MIT:s forskning visade att företag som köper AI-lösningar från specialiserade leverantörer lyckas 67% av tiden, medan de som bygger egna lösningar bara lyckas 33% så ofta.
Baserat på forskningens implikationer kan man dra slutsatsen att framtiden tillhör specialiserade AI-verktyg som löser specifika affärsproblem, inte generiska lösningar.
Ett exempel är AmpliFlow, där vi har integrerat AI selektivt i specifika delar av plattformen – inte som en generisk funktion, utan för att lösa konkreta problem i dokumenthantering och processarbete.
Detta innebär:
Yale Budget Labs forskning om AI arbetsmarknaden ger en nyktrande motbild till Silicon Valley-narrativet. Efter tre år av intensiv AI-hype ser vi:
Detta betyder inte att AI är oviktigt. Det betyder att du har tid att göra det rätt.
Och "rätt" är inte nytt. Det är samma principer som gäller för all framgångsrik organisationsförändring:
Som vi avslutade vår tidigare artikel: MIT-studiens författare är tydliga att "att testa AI är lätt, men att tjäna pengar på det är svårt."
Yale-forskningen lägger till: Det tar också tid. Mycket mer tid än Silicon Valley-hypen får det att låta som.
För dig som företagsledare är detta goda nyheter. Du behöver inte panik-implementera AI. Du kan ta ett strukturerat grepp, baserat på verkliga behov och mätbara resultat.
Precis som med all annan verksamhetsutveckling.
Källor:
