Bruker hovedkartet amerikanske BLS-tall?

Nei. Hovedkartet bygger på norske tall fra SSB Statbank og SSB Klass. Det som er videreført fra originalrepoet er først og fremst visualiseringsformen og den lette, statiske arkitekturen.

Er endring et prognoselag slik som i den amerikanske originalen?

Nei. Endring viser historisk utvikling i sysselsetting siden 2019 i norske data. Det er ikke en norsk erstatning for BLS Outlook.

Er KI-seksjonen basert på direkte målt bruk per yrke i Norge?

Nei. KI-seksjonen viser et tydelig merket norsk anslag. Den kombinerer en teoretisk LLM-eksponeringsmodell med SSBs næringsvise statistikk om KI-bruk, men den måler ikke faktisk KI-bruk direkte per yrke.

Finnes det fortsatt amerikanske tall i KI-grafen?

Ja, i den nederste KI-grafen brukes en tydelig merket kalibrering mot Anthropic sin opprinnelige figur for å få samme kategori-profil. Norske etiketter, sysselsettingstall og yrkeseksempler er fortsatt hentet fra dette norske datasettet.

Norsk arbeidsmarkedsoversikt

GitHub Original repo

To deler på samme side: Først får du en norsk arbeidsmarkedsanalyse med SSB-data. Lenger ned finner du en egen global benchmark-del for frontmodeller. De to delene bruker ulikt datagrunnlag og bør leses hver for seg.

Utforsk det norske arbeidsmarkedet med åpne data fra SSB Statbank og SSB Klass. Hver rute er et yrke i STYRK. Arealet viser hvor mange som jobber i yrket, og fargen viser valgt lag: endring, månedslønn, andel med lang høyere utdanning, KI-påvirkning eller ledighetskontekst.

Dette er en norsk videreutvikling av karpathy/jobs. Originalen brukte amerikanske BLS-data. Her er datagrunnlaget byttet ut med offisielle norske kilder, mens den enkle og lette formen er beholdt.

Koden har også en egen pipeline for LLM-baserte fargelag. Du kan skrive en prompt, la modellen vurdere hvert yrke etter et valgt kriterium og bruke resultatet som et nytt fargelag i treemapet. Laget KI-påvirkning er ett eksempel. Det anslår hvor mye dagens språkmodeller kan endre ulike yrker. Den samme metoden kan også brukes på andre spørsmål, som robotisering, offshoring eller klimaeksponering.

KI-laget er et grovt estimat, ikke en fasit. Høy score betyr ikke at et yrke forsvinner. Det betyr at arbeidsinnholdet kan bli mer påvirket av KI. Effekten avhenger også av etterspørsel, regulering, ansvar, trygghet og hvor viktig menneskelig kontakt er i yrket.

Dette er et forskningsverktøy for utforsking og sammenligning. Det er ikke en sanntids jobbportal eller en full prognosemodell.

Eksempel på prompt for KI-laget

Du er en analytiker som vurderer hvor eksponert ulike yrker er for KI. Du får en yrkesbeskrivelse og skal gi en samlet score fra 0 til 10. Målet er å svare på dette: Hvor mye vil KI endre dette yrket? Vurder både direkte effekter, der KI overtar oppgaver som mennesker gjør i dag, og indirekte effekter, der hver arbeidstaker blir mer produktiv og behovet for arbeidskraft kan endre seg. Et viktig signal er om arbeidsresultatet i hovedsak er digitalt. Yrker som kan utføres nesten fullt ut på en datamaskin, får som regel høy eksponering. Yrker som krever fysisk tilstedeværelse, håndlag eller tett menneskelig kontakt, får lavere eksponering. Bruk denne skalaen: 0–1: Nesten ingen eksponering 2–3: Lav eksponering 4–5: Middels eksponering 6–7: Høy eksponering 8–9: Svært høy eksponering 10: Maksimal eksponering Svar kun med JSON: {"exposure": <0-10>, "rationale": "<2-3 setninger om de viktigste grunnene>"}

Metode og kilder

Kort fortalt: SSB er hovedkilden i denne versjonen. Når det ikke finnes en direkte tabell på samme detaljeringsnivå, viser vi en avledet indikator og forklarer hvordan vi har laget den.

Datagrunnlag

11658: sysselsatte og månedslønn etter yrke
12849: sysselsatte etter utdanningsnivå og yrke
09789: sysselsatte etter næring og yrke
14306: ledige stillinger etter fylke og næring
13265: bruk av kunstig intelligens etter næring
Klass 7: STYRK-klassifikasjon

Slik leser du visualiseringen

Arealet i treemapet viser hvor mange som jobber i yrket.
Månedslønn viser nasjonal median månedslønn for yrket.
Lang høyere utd. viser andelen med lang høyere utdanning.
Endring viser prosentvis endring i sysselsetting siden 2019.
KI-påvirkning viser et modellert anslag for hvor mye språkmodeller kan endre arbeidsinnholdet i yrket.
Ledighetskontekst er en avledet indikator basert på næringsmiks og ledige stillinger per næring.

Viktige forbehold

Ledighetskontekst er ikke et direkte yrkesspesifikt ledighetstall.
Visualiseringen er laget for utforsking av offisielle data. Den er ikke en sanntids jobbportal.
Når SSB ikke publiserer et mål på samme detaljeringsnivå som de andre lagene, bruker vi den tydeligste offisielle løsningen vi har.

Repo-historikk

Prosjektet er en norsk videreutvikling av karpathy/jobs. Den opprinnelige versjonen visualiserte amerikanske BLS-data. Denne versjonen beholder den lette, statiske arkitekturen, men bruker en Norge-først-pipeline med SSB-data.

Datakvalitet i hovedkartet

Det viktigste: Hovedkartet viser norske tall. Sysselsetting, månedslønn og historisk endring kommer fra SSB-tabeller, ikke fra amerikanske BLS-data.

Ikke amerikanske nivåer: Areal, lønn og endring i hovedkartet bygger på norske SSB-kilder. Det som er arvet fra originalen, er først og fremst visualiseringsformen og repo-strukturen.
Endring er historikk, ikke prognose: Laget «Endring» viser utvikling siden 2019 i norske data. Det er ikke en norsk variant av BLS Outlook.
Utdanning arves noen ganger fra et høyere nivå: På detaljert firesifret yrkesnivå finnes ikke alle SSB-mål i samme oppløsning. Da henter vi utdanningsprofil fra nærmeste offisielle overnivå.
KI-påvirkning er modellert: Dette laget bygger på et norsk LLM-anslag og skal leses som et anslag for hvor sterkt arbeidsinnholdet kan bli påvirket, ikke som et direkte mål på faktisk bruk eller automatisering.
Ledighetskontekst er avledet: Dette er ikke et direkte yrkesspesifikt ledighetstall. Vi kombinerer offisiell næringsmiks for yrkesgrupper med SSBs tall for ledige stillinger per næring.
Noen små yrker må tolkes varsomt: Enkelte firesifrede yrker har svært få sysselsatte. De vises fordi de finnes i tabellen, men tallene kan være skjøre.

Lag og nøkkeltall

Lag

Lavt

Høyt

Sysselsatte

—

KI-påvirkning i norske yrker

Anthropic viser i Labor market impacts of AI at det ofte er stor avstand mellom hva KI kan brukes til i teorien og hva som faktisk tas i bruk. Her viser vi en norsk variant: Den blå flaten viser teoretisk LLM-eksponering per yrkesgruppe. Den røde flaten viser et anslag for bruk, basert på SSBs KI-statistikk etter næring og yrkesfordelingen i datasettet.

Datakvalitet i KI-seksjonen

Det viktigste: KI-seksjonen viser ikke direkte målte yrkestall for faktisk KI-bruk i Norge. Den nederste figuren er kalibrert mot Anthropic sin opprinnelige kategori-profil, men vises med norske hovedgrupper, norske sysselsettingstall og norske yrkeseksempler.

Kalibrert mot originalfiguren: Prosentene i den nederste figuren er justert for å ligne nivåene og formen i Anthropic sin original. Det gir en mer troverdig visuell sammenligning, men gjør samtidig figuren mindre «ren norsk rådata» enn før.
Norske grupper og norske volum: Etiketter, sysselsettingstall og eksemplene i høyrepanelet kommer fortsatt fra dette norske datasettet, ikke fra USA.
Blå serie er fortsatt tolket: «Teoretisk LLM-eksponering» er ikke offisiell norsk statistikk. Det er et modellert anslag, justert mot Anthropic sin bredere yrkesprofil.
Rød serie er fortsatt ikke yrkestelemetri: «Anslått bruk» bygger ikke på direkte målt KI-bruk per norsk yrke. Den er kalibrert ut fra Anthropic sin figur og koblet til norske grupper for å gi riktigere størrelsesforhold mellom kategoriene.
Mangler norsk yrkestelemetri: Vi har ikke et norsk motstykke til Anthropic Economic Index på yrkesnivå. Derfor bør denne seksjonen leses som en tidlig indikasjon, ikke som en fasit.
Best til sammenligning mellom grupper: Figuren er mest nyttig når du vil se relative forskjeller mellom brede norske yrkesgrupper, ikke tolke hvert enkelt prosentpoeng bokstavelig.

Norsk anslag inspirert av Anthropic

Valgt yrkesgruppe

—

Teoretisk eksponering —

Anslått bruk —

Forskjell —

Sysselsatte —

Yrkesgrupper

Gruppe	Teori	Bruk	Forskjell

Tidslinje for ledende modeller

Denne delen er en egen global benchmark-visning. Den bygger på benchmark-filene i repoet og viser hvordan ledende modeller har utviklet seg over tid på ARC-AGI-2, HLE, HLE-Verified og GPQA Diamond. Den er ikke en del av det norske arbeidsmarkedsdatasettet over.

Datakvalitet i benchmark-seksjonen

Det viktigste: Dette er en egen tidslinje for modelltester, ikke en del av SSB-datasettet over norske yrker. Dataene kommer fra benchmark-filene som ligger i repoet.

Ikke Norge-tall: Denne seksjonen viser globale modellmålinger, ikke norske arbeidsmarkedstall.
Blandede kilder: Noen punkter kommer fra historiske modellslipp. Andre kommer fra reviderte ledertabeller eller publiserte papirverdier.
Best til trendlesing: Grafen er mest nyttig for å se tempo, sprang og frontlinje over tid.
Mobiltilpasset: På små skjermer er grafen forenklet, mens tabellen kan rulles sideveis for å beholde lesbarheten.

Søk Aktør

Tidslinje

Valgt modell

—

Poeng —

Dato —

Aktør —

Benchmark —

Synlige modeller

Dato	Modell	Aktør	Poeng	Raw	Økning

Datasettkontroll og tester

Hovedkart over norske yrker