AI arbetsmarknad förändras just nu på ett sätt som de flesta missar. Stanford-forskare har analyserat payroll-data från miljontals amerikanska arbetare och funnit ett tydligt mönster: unga arbetstagare (22-25 år) i AI-exponerade yrken har upplevt 16% anställningsnedgång sedan 2022, medan erfarna kollegor i samma yrken är stabila eller växer. För dig som projektledare betyder detta att din rekryteringsstrategi, teamsammansättning och AI-adoption måste anpassas nu – inte när trenden blir synlig i dina egna siffror.
Canaries in the coal mine: Mjukvaruutvecklare och kundtjänst först
Mjukvaruutvecklare 22-25 år har upplevt nästan 20% anställningsnedgång från slutet 2022 till september 2025. Kundtjänstagenter i samma åldersgrupp visar identiskt mönster. Samtidigt fortsätter anställningen att växa för samma yrken men äldre åldersgrupper – software developers över 35 år ökade med 8-9%.
Detta är inte en “tech-bubble”-effekt. Studien kontrollerar för företagsspecifika shocks genom firm-time fixed effects, vilket betyder att mönstret håller även när man justerar för att vissa företag kanske skär ner generellt. Nedgången är koncentrerad till unga arbetare i AI-exponerade roller, inte till specifika företag eller branscher.
Praktiskt för dig: Om du rekryterar junior developers eller entry-level kundtjänst, förbered dig på större kandidatpool men lägre erfarenhet (eftersom färre har fått entry-level jobb de senaste åren). Samtidigt kommer senior talent bli dyrare och svårare att få tag på eftersom konkurrensen intensifieras.
Automation vs Augmentation: Kritisk skillnad för ditt team
Här är studiens viktigaste insikt för projektledare: AI påverkar olika beroende på om det automatiserar eller augmenterar arbete. Forskarna använder data från Anthropic Economic Index som klassificerar Claude AI-queries i automative (directive, feedback loop) vs augmentative (task iteration, learning, validation) kategorier.
Automation = anställningsnedgång: Yrken där AI främst automatiserar uppgifter (ersätter människor) visar kraftig nedgång för unga arbetare. Exempel: automatiserad kundtjänst-routing, kod-generation för standarduppgifter.
Augmentation = ingen nedgång: Yrken där AI främst augmenterar arbete (hjälper människor bli bättre) visar faktiskt anställningstillväxt för unga arbetare. Exempel: AI som hjälper designers iterera snabbare, eller utvecklare som använder AI för learning och validation.
Din strategi: Audit era AI-implementationer. För varje AI-tool ni använder eller planerar, fråga: Ersätter detta en person, eller gör det en person bättre? Om svaret är “ersätter” – fundera på social cost och potentiell backlash. Om svaret är “gör bättre” – investera mer.
Varför inte kompensation? Insikter för löneförhandlingar
Studien finner att labor market adjustments sker via anställning, inte kompensation. Med andra ord: företag anställer färre unga i AI-exponerade roller, men de som får jobben ser inte lägre löner.
Detta är oväntat eftersom klassisk ekonomisk teori skulle förvänta sig att överutbud av arbetskraft (fler sökande, färre jobb) skulle pressa ner lönerna. Att det inte händer tyder på att:
- Wage stickiness: Löner är trögrörliga nedåt (företag vill inte sänka löner)
- Kvalitetsselektion: De unga som fortfarande får jobb är högre kvalitet än tidigare cohorts
- Minimum viable compensation: Det finns ett golv för vad entry-level tech/service jobs betalar
För dig som projektledare: När du rekryterar entry-level i AI-exponerade roller, förvänta dig inte att kunna pressa lönerna. Istället får du högre kvalitet för samma pris – ett bra läge för selektiv rekrytering av top talent.
Sex konkreta åtgärder för ditt projekt nu
1. Reevaluera entry-level rekrytering: Om ditt team är tungt i AI-exponerade roller (software development, customer support, content creation), planera för färre entry-level positioner men högre kvalitet. Investera mer i onboarding och mentorship för de du anställer.
2. Bygg augmentation-first AI-strategi: För varje AI-tool, identifiera hur den augmenterar erfarna medarbetare istället för att ersätta entry-level. Exempel: istället för AI som skriver all kod, implementera AI som hjälper senior developers code review snabbare och lära juniorer mer effektivt.
3. Skapa structured entry pathways: Med färre entry-level jobb i AI-exponerade yrken behöver du alternatva pathways för att bygga nästa generation. Överväg apprenticeship-program, rotationer, eller hybrid roller som kombinerar mindre AI-exponerat arbete med learning opportunities.
4. Diversifiera åldersstruktur medvetet: Data visar att workers 26+ är mindre påverkade. Detta betyder att rent unga team i AI-exponerade områden är högrisk för disruption. Bygg team med mix av åldrar och erfarenhetsnivåer för stabilitet.
5. Mät automation vs augmentation ratio: Inför metric för era AI-verktyg: vad är ratio mellan automative queries (ersätter arbete) och augmentative queries (förbättrar arbete)? Target bör vara minst 50% augmentative för att undvika negativ labor market impact.
6. Kommunicera transparent med teamet: Dina medarbetare läser samma headlines om AI som ersätter jobb. Var tydlig med din strategi: hur använder ni AI för att göra teamet bättre, inte mindre? Konkreta exempel bättre än generella försäkringar.
Beyond the technology sector: Bredare implikationer
Viktigt: studien visar att mönstret håller även när man exkluderar tech-företag. Marketing managers (quintile 4 AI exposure) visar samma mönster som software developers, fast med mindre magnitud. Detta betyder att AI arbetsmarknad-effekter sprider sig utanför tech.
Intressant motexempel: Health aides (nursing aides, home health aides) – quintile 1 AI exposure – visar motsatt trend. Anställning för unga växer snabbare än äldre. Detta bekräftar att AI-exponering är den drivande faktorn, inte generational preferences eller andra demografiska faktorer.
För projektledare i non-tech: Om du tror “detta gäller bara tech” – fel. Studera din occupation mix genom Eloundou et al. (2024) AI exposure scores. Många traditionella roller (marketing, sales, administration) är högexponerade.
Vad betyder “stagnant employment for young workers” egentligen?
Total anställning i ADP-datan fortsätter växa robust (low unemployment rate). Men unga arbetare (22-25) visar stagnant employment growth totalt sedan late 2022. När man bryter ner det: i low AI-exposed occupations (quintile 1-3) växer employment 5-13% för alla åldersgrupper. I high AI-exposed occupations (quintile 4-5), workers 22-25 declined 6% medan workers 35-49 grew 8%.
Detta betyder att om du driver projekt i AI-exposed domains och förlitar dig på steady influx av entry-level talent – den pipelinen torkar ut. Du måste antingen:
- Upskill internt (flytta folk från lower-exposed roles)
- Rekrytera från bredare geographies (om remote är möjligt)
- Höja bar för entry-level (färre men bättre)
Datavaliditet och limitations du måste veta
ADP är USA:s största payroll provider men representerar inte perfekt US economy. De overrepresenterar manufacturing och services, och företag som växer snabbare än genomsnittet. Detta betyder att effekterna studien visar kan vara:
- Överestimerade om snabbväxande företag är mer aggressive med AI adoption
- Underestimerade om ADP-företag är konservativa tech adopters
Current Population Survey (CPS) data används som comparison och visar liknande trends, vilket stärker validiteten. Men projektledare i EU, Asia, etc. bör vara försiktiga med direkt generalisering – labor market institutions skiljer sig.
Nästa steg: från insikt till action
Denna vecka: Gör inventory av dina team-roller. Klassificera varje roll som high/medium/low AI exposure using Eloundou et al. scores. Identifiera var du är sårbar för entry-level talent shortage.
Denna månad: Audit era AI-tools för automation vs augmentation. För varje tool som primary automatiserar, fråga: kan vi redesigna för augmentation instead? Om nej, har vi plan för workforce transition?
Detta kvartal: Bygg structured career pathways för att kompensera för färre entry-level positioner. Hur kan era mid-level och senior medarbetare mentor nästa generation mer effektivt? Hur kan ni använda AI själva för att accelerera onboarding?
AI arbetsmarknad förändras snabbare än de flesta förväntar. Stanford-datan ger dig 2+ år av faktiska siffror att agera på. Utnyttja den tiden – dina konkurrenter läser inte forskningspapers, men du gör det.
Källa: “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence” från Stanford University och NBER, publicerad 13 november 2025.