En knap er ikke det samme som et arbejde
Forskellen kan illustreres med kalenderen. Et værktøj kan oprette en aftale, men det betyder ikke nødvendigvis, at det også finder et passende tidspunkt, afklarer deltagernes behov, håndterer konflikter og følger op. Hvis et menneske stadig skal planlægge og forbinde trinene, har værktøjet hjulpet med opgaven uden at udføre den som helhed. Det er netop den grænse, undersøgelsen forsøger at fastholde. Hvert værktøj blev først koblet til den nærmeste O*NET-opgave. En sprogmodel vurderede derefter, om værktøjet faktisk udførte den navngivne opgave, kun dækkede en del af den eller var et dårligt match. Datasættets offentlige kort viser både beskrivelser, foreslåede jobopgaver, matchkvalitet og begrundelser, så metoden kan undersøges række for række.Næsten halvdelen af jobtyperne har ingen værktøjer
Af 923 jobtyper i O*NET fandt forskerne 419 uden nogen registreret aktivitet fra de indsamlede agentværktøjer. Blandt de værktøjer, der kunne forbindes med eksisterende arbejde, var dækningen også ujævn og stærkt præget af software. Det passer med, at MCP-miljøet er vokset ud af udviklerverdenen, hvor arbejdet allerede foregår på computere og er lettere at omsætte til klare handlinger. Kortlægningen fandt desuden mange værktøjer, som var smallere end jobdatabasens formuleringer, og andre, som samlede flere registrerede opgaver i ét forløb. En stor gruppe handlede slet ikke om et almindeligt fag, men om at holde agenternes egen infrastruktur i gang: identitet, sessioner, koordinering og opdagelse af andre agenter. Kun 35 af 1.136 grupper blandt de ikke-matchende værktøjer blev klassificeret som sandsynligt helt nyt arbejde. Det nye bestod især i at administrere selve agentlaget, eksempelvis valg af syntetiske stemmer, skift mellem AI-personaer og vurdering af, om en agent er til at stole på.Specialisternes kerne rammes forskelligt
Det mest interessante resultat er ikke alene, hvor mange værktøjer der findes, men hvilke dele af et fag de retter sig mod. På tværs af 178 job med tilstrækkelige data lå værktøjerne i gennemsnit omtrent midt mellem rutine og specialviden. Gennemsnittet skjulte dog modsatrettede mønstre. I sundheds- og computerfag lå værktøjerne oftere tæt på de specialiserede opgaver, mens mennesker i højere grad blev efterladt med mere rutinepræget arbejde. I jura, produktion og salg ramte værktøjerne oftere yderkanten af jobbet, så den specialiserede kerne forblev hos mennesker. Forskerne peger på, at ekspertarbejde kan være lettere at omsætte til agentværktøjer, når vurderingerne allerede foregår inde i software, end når arbejdet er fysisk eller bygger på personlig kontakt.Et øjebliksbillede med tydelige skævheder
Materialet blev indsamlet fra syv offentlige kataloger i maj 2026 og renset for servere, som optrådte flere steder. Det giver et usædvanligt stort billede af den åbne del af markedet, men ikke af de systemer, virksomheder bygger bag lukkede døre. Jobgrundlaget er desuden amerikansk, og en automatisk vurdering af korte værktøjsbeskrivelser kan tage fejl, selv om forskerne har gennemført menneskelige stikprøver af dele af klassifikationen. Derfor bør tallet 2,6 procent hverken læses som bevis for, at AI-agenter er ufarlige for arbejdsmarkedet, eller som en præcis prognose for fremtidens job. Det viser noget mere konkret: Hundredtusinder af tilgængelige funktioner er endnu ikke det samme som hundredtusinder af komplette arbejdsprocesser. Den afgørende udvikling bliver, om de små handlinger forbliver løse byggeklodser, eller om de bliver bundet sammen til pålidelige forløb, som kan klare ansvar, undtagelser og samarbejde uden konstant menneskelig koordinering.Der er benyttet AI til at skrive denne artikel.
