Elon Musk uttaler seg etter at Andrej Karpathys AI-jobbeksponeringskart gikk viralt

Nesten 60 millioner amerikanske jobber flagget som svært eksponert i Karpathys KI-automatiseringskart

Andrej Karpathy, medgründer av OpenAI og tidligere Tesla-direktør for kunstig intelligens (KI), lanserte et interaktivt «KI-jobbekponeringskart» 15. mars, der han analyserte 342 yrker hentet fra U.S. Bureau of Labor Statistics (BLS) Occupational Outlook Handbook.

Prosjektet evaluerte omtrent 143 millioner amerikanske jobber ved å mate stillingsbeskrivelser inn i en stor språkmodell og tildele hver rolle en eksponeringsscore fra null til 10, som måler hvor mye KI teoretisk sett kan omforme arbeidet.

Resultatene ble vist i en fargerik treemap-visualisering publisert på karpathy.ai/jobs, der rektangelstørrelsen reflekterte antall sysselsatte og fargen representerte eksponeringsnivåer, fra grønt for minimal forstyrrelse til dyp rødt for roller som kan se omfattende automatisering. Kort sagt: jo større og rødere boksen var, desto mer oppmerksomhet krevde den.

På tvers av hele den amerikanske arbeidsstyrken landet det vektede gjennomsnittet for eksponering rundt 4,9 av 10, noe som antyder et moderat potensial for KI-påvirkning totalt. Men gjennomsnitt skjuler mye dramatikk. Omtrent 42 % av amerikanske jobber – rundt 59,9 millioner arbeidstakere som tjener anslagsvis 3,7 billioner dollar i årlige lønninger – scoret sju eller høyere på eksponeringsskalaen.

Bryter man tallene ned ytterligere, havnet omtrent 6,2 millioner jobber i kategorien minimal eksponering, mens 47,2 millioner ble klassifisert som lav. Ytterligere 29,7 millioner havnet i det moderate området. De mer slående tallene kom øverst på skalaen: omtrent 34,7 millioner jobber ble rangert som høy, og 25,2 millioner falt i kategorien svært høy eksponering.

Karpathys analyse ga også en kontraintuitiv vri på lønn. Lavinntektsjobber med gjennomsnitt under 35 000 dollar årlig scoret rundt 3,4 i eksponering, mens yrker som betaler mer enn 100 000 dollar i snitt hadde 6,7. Med andre ord: jo høyere lønn, desto mer sannsynlig var det at jobben innebar oppgaver som KI-systemer kan gjenskape eller bistå med i dag.

Utdanningsnivåer viste et lignende mønster. Arbeidstakere uten høyskole- eller universitetsgrad hadde i snitt en eksponeringsscore på omtrent 4,1, mens de med bachelorgrad toppet listen med rundt 6,7. Innehavere av høyere grad havnet et sted i midten, rundt 5,7.

Ser man på enkeltyrker, tegnes et enda skarpere bilde. Medisinske transkripsjonister fikk en perfekt 10, noe som gjenspeiler hvordan talegjenkjenning og automatiserte dokumentasjonssystemer allerede utfører mange av disse oppgavene. Advokater, regnskapsførere, finansanalytikere og managementkonsulenter scoret ofte rundt ni, i stor grad fordi arbeidet deres dreier seg om strukturert informasjon, dokumenter og research.

Programvareutviklere – ironisk nok menneskene som bygger mange KI-verktøy – ble også rangert høyt, ofte med score mellom åtte og ni. Samtidig viste roller som administrasjonsassistenter, bokføringsmedarbeidere og kundeservicerepresentanter tilsvarende forhøyede eksponeringsnivåer på grunn av deres avhengighet av digitale arbeidsflyter.

I den motsatte enden av spekteret klarte jobber som foregår i den fysiske verden snarere enn på en dataskjerm seg langt bedre. Rørleggere, elektrikere og bygningsarbeidere scoret typisk mellom null og to, noe som understreker den vedvarende vanskeligheten med å automatisere uforutsigbare, praktiske oppgaver.

Kartets raske spredning på nettet utløste kommentarer på tvers av teknologiverdenen, inkludert en kort respons fra Tesla- og SpaceX-sjef Elon Musk. Som svar i en tråd om visualiseringen skrev Musk: «Alle jobber vil være valgfrie. Det vil være universell høy inntekt.»

Kommentaren gjentok Musks langvarige argument om at avansert kunstig intelligens og robotikk til slutt kan skape nok økonomisk overflod til å redusere avhengigheten av tradisjonelt arbeid.

Til tross for oppmerksomheten fjernet Karpathy raskt den opprinnelige nettsiden og GitHub-repositoriet, og forklarte i et oppfølgingsinnlegg at prosjektet var et kjapt eksperiment – det han beskrev som en to timer lang «vibe-coded» utforskning inspirert av en bok han leste. Ifølge Karpathy ble prosjektets utforskende karakter i stor grad misforstått, til tross for tydelige forbehold.

Å ta nettstedet ned gjorde lite for å bremse spredningen. Arkiverte kopier dukket opp nesten umiddelbart på Wayback Machine, og kode-repositoriet ble forket en rekke ganger av utviklere som replikerte datasettet, vurderingsrubrikken og visualiseringsverktøyene.

Episoden illustrerer to realiteter ved det moderne internettet: KI-forskning kan antenne globale debatter over natten, og når data først slipper ut på det åpne nettet, forsvinner det sjelden. Foreløpig står Karpathys eksperiment igjen mindre som en profeti om jobbtap enn som et øyeblikksbilde av hvordan dagens KI-systemer overlapper med menneskelig arbeid.

Lærdommen, hvis det finnes en, er forfriskende enkel. Hvis hele jobben din skjer på en skjerm, kan kunstig intelligens snart bli kollegaen din – eller din hardeste konkurrent.

FAQ 🔎

• Hva er Andrej Karpathys KI-jobbekponeringskart?
  Det er en visualisering som analyserer 342 amerikanske yrker og scorer hvor mottakelig hver jobb kan være for KI-automatisering.
• Hvor mange amerikanske jobber kan bli påvirket av KI-eksponering?
  Analysen antyder at omtrent 42 % av amerikanske jobber – rundt 59,9 millioner arbeidstakere – har høye eksponeringsscorer.
• Hvilke jobber viser høyest KI-eksponering?
  Roller som advokater, regnskapsførere, programvareutviklere og medisinske transkripsjonister scoret blant de høyeste.
• Hvilke yrker ser ut til å være minst eksponert for KI-automatisering?
  Praktiske fag som rørleggere, elektrikere og bygningsarbeidere rangerte blant kategoriene med lavest eksponering.