Om projektets tes är att vi inte vet vilket scenario som håller på att inträffa, då är den viktigaste praktiska slutsatsen att vi behöver bli bättre på att se det medan det händer.
Detta är projektets mest konkreta spår, och det enda där ambitionen är att bygga något själva.
Sverige saknar inte data
Den vanligaste versionen av det argumentet är att Sverige inte kan följa en snabb teknisk omvandling med statistik som visar vad som hände för flera år sedan, och att en myndighet därför bör få i uppdrag att bygga nya indikatorer. Premissen är fel, och det är värt att vara noggrann med varför, eftersom ett felaktigt problem ger ett felaktigt uppdrag.
Sverige har mycket data. Arbetsgivardeklarationer på individnivå ger månadsvisa uppgifter om löner och anställningar. SCB har omfattande register och publicerar statistik som bygger på dem. Platsannonser finns tillgängliga som öppna data i realtid genom Arbetsförmedlingens öppna datatjänster. Konjunkturbarometern samlas in löpande. Det finns statistik om AI-användning i företag och i befolkningen.
Problemet är alltså inte frånvaron av data. Det är fyra andra saker.
De fyra faktiska problemen
Latens. Tiden från att något händer till att det syns i publicerad statistik. Officiell statistik kräver kvalitetsdeklaration, ofta EU-samordning och en publiceringsprocess. Det är en styrka för tillförlitligheten och ett problem när förändringstakten mäts i månader.
Åtkomst och sammankoppling. Det mesta av värdet ligger i att koppla ihop källor, alltså att se samma arbetsgivare i annonsdata, lönedata och företagsdata. Här sätter statistiksekretessen, registerförfattningarnas ändamålsbegränsningar och EU:s statistikförordning verkliga gränser. Röjanderiskkontroll gör dessutom finfördelade serier på företagsnivå svåra att publicera. Detta är inte byråkratiskt krångel utan integritetsskydd som finns av goda skäl, och en radar måste utformas inom dessa gränser snarare än önska dem bort.
Klassificering. AI-exponering är inte en kategori den officiella statistiken är byggd för. Inte heller senioritet i den bemärkelse projektet menar, alltså skillnaden mellan en ingångsroll och en erfaren roll inom samma yrke. Nya arbetsuppgifter som ännu inte har ett namn är per definition svåra att räkna. Detta är sannolikt den svåraste delen och också den där ett litet projekt kan tillföra mest.
Identifiering. Att skilja AI-effekter från konjunktur, demografi och sammansättningseffekter. I ett läge där svensk arbetsmarknad är svag av andra skäl är detta ett akut problem, inte ett teoretiskt.
Vad radarn ska visa
En öppen och återkommande bild av hur arbetsmarknaden i AI-exponerade yrken utvecklas jämfört med mindre exponerade yrken. Möjliga indikatorer:
- junior kontra senior rekrytering, per yrke
- nyanställningar
- arbetade timmar
- löner och lönesumma
- yrkesväxlingar
- förändrade kompetenskrav i annonser
- nya arbetsuppgifter och nya yrkesbenämningar
- AI-exponering per yrke
- AI-adoption i företag
- nyföretagande
- personalintensitet där data tillåter
Den viktigaste enskilda serien är förhållandet mellan junior- och seniorrekrytering per yrke. Den mäter projektets flaggskeppsmekanism, den går att bygga av data som redan är öppen, och den finns inte publicerad löpande i dag.
Vad radarn inte kan visa
Detta är lika viktigt, och det ska stå i varje publicering.
En indikator visar samvariation, inte kausalitet. Om juniorrekryteringen faller i AI-exponerade yrken kan orsaken vara AI, konjunktur, förändrad utbildningssammansättning, branschspecifika chocker eller ändrat annonsbeteende.
Platsannonser mäter vakansflöden och inte sysselsättning. Ett företag kan sluta annonsera utan att sluta anställa. Och annonsbeteendet förändras när företagen själva börjar använda AI i rekrytering, vilket innebär att serien kontamineras av precis det den ska mäta. Detta är en allvarlig svaghet i all annonsbaserad mätning och ska deklareras öppet.
En snabb indikator som revideras kraftigt kommer att ha använts i en debatt innan revideringen kommer. Det är ett skäl att publicera revideringspolicy i förväg, inte i efterhand.
Och om produktivitetsparadoxen gäller, alltså att mätt produktivitet först faller när komplementära investeringar görs och stiger först senare, då kommer en högfrekvent indikator att peka i fel riktning under en period. En radar som inte förvarnar om det gör mer skada än nytta.
Hur vi tänker bygga den
Utanför myndigheten, med öppen metod och öppen kod, av data som redan är tillgänglig utan särskilt tillstånd.
Det innebär att den första versionen kommer att vara sämre än vad en myndighet skulle kunna bygga med registeråtkomst. Det är ett medvetet val. En prototyp som finns är mer användbar än ett uppdrag som föreslås, och en prototyp gör det möjligt att argumentera konkret för vad en myndighet faktiskt borde bygga.
Om arbetet visar att serien är värdefull är den naturliga slutsatsen att den bör tas över av den myndighet som har mandatet och registeråtkomsten. Det är målet, inte ett hot.
En anmärkning om vem som är ansvarig
Förslag om ny arbetsmarknadsstatistik adresseras nästan alltid till SCB. Det är ofta fel adressat.
Sverige har ett decentraliserat system för officiell statistik där olika myndigheter är statistikansvariga för olika områden, och lönestatistiken har en annan statistikansvarig myndighet än SCB. Ett löneuppdrag som ställs till SCB hamnar hos den som producerar statistiken men inte hos den som beslutar om den, och det är den sortens fel som gör att förslaget läggs åt sidan av den som skulle behöva genomföra det.
Vi anger därför inte i detalj vilken myndighet som bör göra vad förrän vi kan göra det korrekt.
En risk vi tar på oss
En experimentell indikator som får politisk betydelse blir föremål för Goodharts lag. Om juniorrekrytering blir ett mått som följs kommer beteenden att anpassas till måttet.
Det är ett argument för att publicera flera indikatorer snarare än en, för att vara tydlig med osäkerheten, och för att aldrig knyta en enskild åtgärd till ett enskilt tröskelvärde utan att ha förklarat varför just det värdet.
Vi har ännu inte definierat några tröskelvärden. Vi tänker inte gissa dem.