NexFuture™ förklarat: vad Future Index faktiskt berättar

Framtiden för arbetslivet beskrivs ofta på två dåliga sätt.

Antingen framställs varje jobb som på väg att försvinna — som i en katastroffilm — eller så är samtalet fyllt av modeord utan konkreta bevis.

NexFuture™ är varumärket för NexPath Future Index (NFI). Det skapades för att göra samtalet more praktiskt.

Det är ett strukturerat sätt att förstå hur yrken sannolikt kommer att förändras över tid, vilka delar av en roll som är mer exponerade för automatisering och vilka delar som bärs upp av mänskliga styrkor.

Med andra ord: det är inte en kristallkula. Det är ett beslutsstöd.

NexFuture™ frågar inte: ”Kommer det här jobbet att försvinna?”

Det frågar: ”Hur kommer det här yrket att se ut om 10–20 år, och vad bör vi göra åt det nu?”

Det avgörande skiftet: ESCO-nativ prognos (v3.0)

I sin tidigare version (v2.0) förlitade sig NexFuture™ på att matcha ESCO-yrken mot O*NET-profiler för att importera data om förmågor och arbetsaktiviteter. Detta tillvägagångssätt innebar dock begränsningar: endast cirka 30 % av de globala yrkena hade nativ O*NET-täckning, och fysiska/säkerhetskritiska roller (som brandmän) kategoriserades ofta felaktigt som mycket automatiserbara på grund av råa fysiska förmågescore.

Med NexFuture™ v3.0 är systemet helt ESCO-nativt.

Istället för att gå via externa datakällor beräknas NFI-poängen direkt från varje yrkes ESCO-kompetenssammansättning för alla 3 039 standardiserade EU-yrken. Genom att utvärdera de väsentliga (essential) och valfria (optional) kompetenser som definierats för varje roll uppnår modellen 100 % nativ täckning och en avsevärt förbättrad trovärdighet. Praktiska, säkerhetskritiska och vårdande roller identifieras nu korrekt som lågexponerade, medan rutinmässiga informationsbehandlingsroller flaggas för omställning.

Arkitektur: Kärna vs. Senarelagd efterfrågan

NexFuture™ v3.0 delar upp yrkesprognosen i två separata, tydliga skikt:

1. KÄRNA (Global automations- och resiliensutsikt): Detta är ett platsoberoende mått. Det mäter hur exponerade en rolls uppgifter är för automatisering, hur hållbar dess kärna av mänskliga färdigheter är och hur snart en strukturell förändring sannolikt kommer att ske.
2. EFTERFRÅGAN (Platsberoende tillväxtutsikt - SENARELAGD): Denna del bygger på regional arbetsmarknadsdata (lokala lediga jobb, lönetrender och regional ekonomisk politik) och svarar på om en specifik marknad behöver mer av detta yrke. Eftersom detta beror på geografi (t.ex. vårdbehov i en åldrande befolkning) har efterfrågeskiktet senarelagts till platsspecifika datamängder och blandas inte in i det globala kärnindexet.

Hur kärnpoängen beräknas

NFI:s kärnpoäng bygger på den kompetensmasseviktade genomsnittliga automatiserbarheten för yrkets väsentliga och valfria kompetenser.

Var och en av ESCO:s 13 492 unika kompetenser är kopplad till en specifik kompetensgrupp (t.ex. rådgivning, beräkning, konstruktion). Varje grupp bär en fast automatiserbarhetskoefficient (0 till 1) som är grundad i automationsforskning (Frey & Osborne, Autor, Eloundou m.fl.).

• Kompetensmassa: Väsentliga kompetenser bidrar med vikten 1.0; valfria kompetenser med 0.5. Denna vikt skalas ytterligare utifrån kompetensens återanvändningsnivå (yrkesspecifika kompetenser han högre massa, medan transversella kompetenser har en lägre vikt).
• Kärnpoäng: Den råa genomsnittliga koefficienten beräknas och normaliseras till en skala från 0–1: [\text{Rå exponering} = \frac{\sum (\text{automatiserbarhet} \times \text{massa})}{\sum \text{massa}}] Denna råa exponering kartläggs sedan till den slutliga skalan från 0.0 (minimal exponering) till 1.0 (maximal exponering).

De fyra teknikvektorerna

För att hjälpa användare att förstå varifrån automationstrycket kommer, delar NFI upp exponeringen i fyra teknikklasser baserat på de primära kompetensgrupperna som är involverade:

• Robotisk fysisk (Robotic Physical): Fysisk automatisering, maskinhantering, byggnation och manuella operationer (förankrat i ESCO-grupperna S6, S7 och S8).
• Kognitiv programvara (Cognitive Software): Automatisering av arbetsflöden, dokumenthantering, kalkylbladsberäkningar och administrativ hantering (förankrat i kunskapsområden för affärsverksamhet/administration).
• AI / ML: Mönsterigenkänning, analytisk bearbetning, datavetenskap och systemadministration (förankrat i ESCO:s analytiska och IT-grupper S2, S5 och 06).
• Generativ AI: Innehållsgenerering, skissande, kommunikation, konstnärligt skapande och språktunga uppgifter (förankrat i ESCO-grupperna S1, 02 och 03).

Genom att bryta ner poängen i dessa vektorer kan en användare se om en roll står inför fysiskt automationstryck, administrativa programvaruförändringar eller förstärkning genom generativ AI.

Automations-resiliensutsikt och -nivåer

Motsatsen till exponering is Resiliens — ett mått på hur hållbar den mänskliga kärnan i ett yrke är. Den beräknas genom att ta inversen av exponeringspoängen och höja den baserat på tätheten av människocentrerade kompetenser:

[\text{Utsikt} = 0.80 \times (1 - \text{Exponering}) + 0.12 \times \frac{\text{Väsentliga transversella kompetenser}}{\text{Väsentliga kompetenser totalt}} + 0.08 \times \frac{\text{Väsentliga vård-/stödompetenser}}{\text{Väsentliga kompetenser totalt}}]

Denna utsikt delar in yrken i tre relativa nivåer (terciler över hela databasen med 3 039 yrken):

• Hög (Hög resiliens / Framtidsstark - Top): Yrken med en stark mänsklig kärna, hög koordinering eller komplexa vårdkrav (t.ex. barnmorskor, högre chefer, speciallärare).
• Medel (Utvecklas - Mid): Yrken som kommer att genomgå betydande verktygsförändringar men som är mycket anpassningsbara (t.ex. programvaruutvecklare, grafiska formgivare).
• Låg (Omställning / Risk - Bottom): Yrken som är mycket exponerade för automatisering och kräver aktiv omställningsplanering och kompetensutveckling (t.ex. faktureringsassistenter, dataregistratörer). Den tidigare tillståndet "Kritisk omställning" har konsoliderats hit.

Tidshorisont för förändring

Genom att använda den råa exponeringspoängen beräknar NexFuture™ en central uppskattning av antalet år tills yrket står inför en betydande förändring på arbetsuppgiftsnivå:

[\text{Uppskattade år} = 20 - (15 \times \text{Exponering})]

• Mycket exponerade roller: Möter betydande förändringar inom 7 till 11 år.
• Lågexponerade roller: Förblir strukturellt stabila, med tidshorisont som sträcker sig till 16 till 20 år.

Hur siffrorna faktiskt ser ut

En modell är bara så ärlig som den fördelning den producerar. Här är samtliga 3 039 poängsatta ESCO-yrken, uppmätta i augusti 2026:

Tre saker är värda att läsa ut av detta.

Fördelningen har en topp och är smal. Två tredjedelar av alla yrken ligger mellan ungefär 44 och 63 procent. Det är ingen gardering — det speglar något verkligt: det mesta arbete är en blandning av automatiserbara och icke-automatiserbara uppgifter, och mycket få yrken är renodlat det ena eller det andra.

Nivåerna är tredjedelar, inte betyg. Gränserna går vid 47,5 % och 58,7 %, vilket delar databasen i 1 021 / 1 005 / 1 013 yrken. "Future-Strong" betyder alltså översta tredjedelen i förhållande till alla andra yrken — inte att jobbet är tryggt. Ett yrke med 59 % hamnar i den översta nivån; ett med 58 % gör det inte, och skillnaden mellan dem är inte meningsfull i sig.

Konfidensen är hög nästan överallt. 2 879 yrken poängsätts med hög konfidens, 158 med medel och 2 med låg. Konfidensen speglar här hur mycket data om väsentliga färdigheter ESCO har för yrket — inte hur säkra vi är på framtiden.

Den obekväma delen: läs ytterligheterna ärligt

Varje index som rangordnar 3 039 saker kommer att bedömas utifrån sina ytterligheter. Här är våra, oredigerade:

Högst resiliens: eskort (88 %), ordningsvakt (87 %), väktare (86 %), gränskontrolltjänsteman (86 %), vaktmästare på teater (85 %).

Lägst resiliens: värderingsman för lösöre (1 %), arkivassistent (3 %), försäkringsriskkonsult (4 %), löneanalytiker (4 %), redovisningsanalytiker (4 %).

Listans nedre del är intuitiv: starkt strukturerat informationsarbete med väldefinierade regler är precis vad dagens system automatiserar väl.

Toppen är där läsare rimligen invänder. Det här är inte yrken med hög status eller hög lön, och ingen studie- och yrkesvägledare skulle ge någon en lista med "eskort" i topp och kalla det vägledning. Men rangordningen gör precis vad den utger sig för: den mäter hur exponerad ett yrkes kompetensprofil är för automation. Fysisk närvaro, situationsomdöme och mänsklig interaktion är genuint svåra att automatisera, och roller som nästan helt består av dem får höga värden.

Detta är den enskilt viktigaste reservationen kring NexFuture™: ett högt resiliensvärde är ingen rekommendation. Det säger att tekniken sannolikt inte kommer att eliminera arbetet. Det säger ingenting om lön, arbetsvillkor, efterfrågan, behörighetskrav eller om jobbet är ett du skulle vilja ha.

Därför står värdet aldrig ensamt på en yrkessida hos NexPath. Bredvid det ligger arbetsmarknadslagren — nuvarande brist eller överskott, sysselsättningsprognoser till 2035, yrkets storlek och regleringsstatus — uppmätta per land. Resiliens är en global, strukturell egenskap hos arbetet. Efterfrågan är lokal och ändras med året. Att slå ihop dem till ett tal skulle förstöra båda.

Vi publicerar de besvärliga ytterligheterna i stället för att skala bort dem, eftersom en framsynsmodell som bara visar sina smickrande fall inte är en modell — den är marknadsföring.

Varför detta är viktigt

NexFuture™ v3.0 ger en realistisk och förklarbar modell för framtidens arbetsliv:

• För studerande: Det flyttar fokus från panik (”Kommer mitt jobb att försvinna?”) till planering (”Vilka kompetenser bör jag fokusera på för att öka min resiliens?”).
• För vägledare: Det erbjuder tydliga, databaserade argument för att förklara varför en karriärväg förändras och hjälper till att föreslå angränsande, mer hållbara övergångar.
• För arbetsgivare: Det stöder kompetensförsörjning genom att visa vilka roller som kommer att behöva utbildningsinsatser.

Genom att grunda varje poäng i ESCO-kompetensrelationer och ta bort generiska platshållare förblir NexFuture™ v3.0 ett ärligt och användbart beslutsstöd för den moderna arbetskraften.