Hvad markedet, forskningen og virksomhederne selv siger.
Modellen sammenligner sig med virkelighed. Her er den dynamik den simulerer, set udefra. Markedet har allerede justeret, Anthropic har kortlagt det, og Anthropics CEO Dario Amodei beskriver det med navn.
SaaSpocalypse 2026.
Mens vi byggede modellen, vippede markedet selv. Fra januar til april 2026 omdøbte Wall Street det "SaaSpocalypse": cirka 2 trillioner dollar er forsvundet fra software-aktier siden årsskiftet. Forward P/E for sektoren er faldet fra 84,1× på toppen i 2020-22 til 22,7× i marts 2026 — første gang i historien at software-multipler ligger under S&P 500-gennemsnittet.
De konkrete tal: ServiceNow er nede ca. 36% i 2026. Snowflake 31-35%. Cloudflare faldt 12% på én dag i april. Software-ETF'et IGV er nede 22%.
Bekymringen er specifik: AI-agenter — autonome programmer der kan udføre en hel arbejdsproces — fjerner grundlaget for at betale per-bruger licenser for traditionel SaaS. Når en AI-agent kan håndtere det Salesforce eller ServiceNow gjorde, hvad betaler man så for?
Det er præcis modellens stickiness-antagelse, vendt på hovedet. De virksomheder der havde markedsmagt fra "kompleks software som moat" mister deres forspring.
Det er fordeling, ikke produktion.
Når AI automatiserer arbejde, falder lønindkomsten relativt til kapitalindkomsten. Men samlet velstand kan stige. Samfundet bliver rigere. Problemet er hvem der får indkomsten, og hvad de gør med den.
Højindkomstgrupper sparer en større del af deres indkomst op end almindelige lønmodtagere. Derfor kan en økonomi blive mere produktiv samtidig med at efterspørgslen falder. Det er Keynes' paradox of thrift, gentaget i ny form: det rationelle for den enkelte aktør, mere automation, mere opsparing, lavere omkostninger, kan kollektivt skabe svagere efterspørgsel og lavere aktivitet.
Modellen viser symptomet, faldende beskæftigelse og faldende lønindkomst. Den underliggende mekanisme er en forskydning i den funktionelle indkomstfordeling fra arbejde mod kapital, og dermed mod opsparing snarere end forbrug.
Labor Market Impacts of AI.
I februar 2026 udgav Anthropic Labor Market Impacts of AI: A New Measure and Early Evidence — en analyse af 2 millioner faktiske Claude-samtaler matchet med 800 erhverv. De viste hvor stor andel af jobopgaverne AI teoretisk kan udføre, sammenlignet med hvor stor andel der faktisk udføres af AI i dag.
Kløften mellem teoretisk og faktisk er det Anthropic selv kalder "early adoption gap" — afstanden mellem hvad teknologien kan, og hvad den faktisk gør. Den lukker hver måned.
De ti mest eksponerede roller: Computer Programmers (75% dækning), Customer Service Representatives, Data Entry Keyers (67%).
I samme paper navngiver Anthropic deres bekymrings-scenarie eksplicit: "Great Recession for white-collar workers". De påpeger at en fordobling af arbejdsløshed i de mest eksponerede roller — fra 3% til 6% — vil være "klart detekterbar i deres framework".
"Det er ved at forsvinde."
I maj 2026 sagde Anthropics CEO Dario Amodei det med egne ord:
Hvis din moat er "vores software er kompleks og svær at skrive, og vi kan skrive den, og andre kan ikke matche den" — det er ved at forsvinde. Det er muligt for individuelle SaaS-virksomheder at miste markedsværdi, gå konkurs, gå helt nedenom og hjem. Det afhænger af responsen. — Dario Amodei, CEO, Anthropic. The Briefing: Financial Services, maj 2026.
Han pointerede også at nogle virksomheder vil tilpasse sig og blive stærkere — andre vil blive blindsided. Det er præcis hvad modellen viser: når reglerne ændrer sig, vinder nogle uforholdsmæssigt meget, andre forsvinder. Stickiness vipper.
Tidlige empiriske tegn peger samme vej: ifølge Anthropics paper er job-finding rate for 22-25 årige i AI-eksponerede roller faldet 14% sammenlignet med 2022. Statistisk lige akkurat signifikant. Men retningen er klar.
Det er allerede begyndt.
Aistocracy modellerer en mekanisme: når én aktør får et systemisk overtag — her: AI-baserede konkurrenter der står fri af eksisterende moats — kan markedet vippe over et tipping point. Den centrale antagelse om at stickiness eroderes er det markedet allerede priser ind, det Anthropic selv kortlægger i deres egne data, og det Amodei beskriver med navn.
Modellen viser hvad der kan ske. Det vi viser her er at det allerede er begyndt.
Anthropic Economic Index — Labor Market Impacts of AI (februar 2026)
anthropic.com/research/labor-market-impacts
Yahoo Finance — Amodei warns SaaS companies will go bust (maj 2026)
finance.yahoo.com/news/anthropic-ceo-dario-amodei-warns-some-software-companies-will-completely-go-bust
SaaStr — The 2026 SaaS Crash (februar 2026)
saastr.com/the-2026-saas-crash
24/7 Wall St — SaaSpocalypse coverage (april 2026)
247wallst.com — SaaS sector repricing
AI-skatten — løsningen vi har bygget.
Vi har bygget en løsning. Den er ny i sin sammensætning, men hver del er allerede afprøvet i fagøkonomisk forskning. Den får arbejdsmarkedet til at vippe sent, eller helt at undgå at vippe. Den belønner virksomheder, der ansætter mennesker. Den belønner virksomheder, der bruger AI til at vokse. Sådan virker den.
AI-skatten retter en skævhed, der allerede findes.
I de fleste moderne skattesystemer behandles kapital og arbejde forskelligt. Investeringer i software, computerkraft og automatisering kan i mange tilfælde afskrives eller fratrækkes hurtigere end værdien af menneskelig arbejdskraft. Samtidig er ansættelser forbundet med løn, ferie, pension, administration og arbejdsmarkedsbidrag. Resultatet er en skævhed: automation kan blive regnskabsmæssigt og skattemæssigt lettere at skalere end mennesker.
AI-skatten retter denne skævhed. Den er en omkalibrering, der gør de eksisterende regler mere balancerede.
Vi har bygget den i tre dele. Hver del bygger på eksisterende skatteregler og almindelig regnskabspraksis. Hver del har faglig hjemmel i økonomisk forskning — primært i Daron Acemoglus arbejde fra MIT.
Tre løfter.
AI-skatten gør tre ting samtidig:
Den giver tid. Når automatisering er ligeså dyrt som ansættelse, falder hastigheden — virksomheder vælger AI når den faktisk skaber værdi, fremfor blot fordi den er skattemæssigt favoriseret. Samfundet får tid til at omstille sig.
Den genskaber jobs. Provenuet fra skatten finansierer omskoling og nye AI-relaterede roller. I modellen øger den genskabelsesraten fra 25% til 40%.
Den belønner vækst. Virksomheder, der bruger AI til at vokse — ansætter flere mennesker på nye opgaver — får et tilskud. Virksomheder, der bruger AI til primært at erstatte mennesker, betaler proportionalt mere.
Når alle tre virker sammen, vipper arbejdsmarkedet senere. Acemoglu og hans kollegers beregninger viser at den samlede effekt på beskæftigelsen i USA ville være +4,02%. For Danmark er effekten mindre, men retningen er den samme.
Hurtig afskrivning af AI-investeringer fjernes.
Virksomheder kan i dag ofte afskrive AI-software, computerkraft og automation-systemer hurtigere end produktionsapparat eller bygninger. Det er et indirekte tilskud til automatisering — en skattefordel der opmuntrer kapitalindkøb fremfor menneskearbejde. I USA er den effektive kapitalskat på AI-aktiver faldet til ca. 5% gennem en serie af afskrivningsregler vedtaget mellem 2002 og 2017.
Første del af AI-skatten ændrer afskrivningsperioden for AI-relateret kapital fra accelereret til normal lineær. Virksomheder må stadig fratrække investeringen — bare over samme tidshorisont som andre investeringer.
Effektiv kapitalskat på AI-aktiver hæves til arbejdsniveau.
Den effektive kapitalskat på AI-relateret kapital — software-aktiver, computerrettigheder og datacenter-investeringer klassificeret under specifikke aktivkoder — hæves fra det nuværende lave niveau til en sats der svarer til skat på arbejdskraft.
For Danmark betyder det proportionalitet: kapital og arbejde beskattes på samme effektive niveau. I USA er forskellen dramatisk — kapital ca. 5%, arbejde 28,5%. I Danmark er forskellen mindre, men retningen er den samme.
Definitionen er præcis. Vi taler om aktiver, der allerede er klassificeret af IFRS og dansk årsregnskabslov. Vi bruger eksisterende kategorier — software, immaterielle aktiver og driftskapital — fremfor at opfinde en ny kategori for "robot" eller "AI".
Genoptræningskredit til virksomheder, der ansætter.
Provenuet fra første og anden del finansierer en genoptræningskredit. Virksomheder der udvider deres faktiske medarbejderbestand år-til-år får et tilskud svarende til forskellen mellem deres faktiske medarbejderniveau og en kontrafaktisk fremskrivning.
Det er et incitament. Tilskuddet belønner vækst i medarbejderbestanden. Virksomheder, der bruger AI til at vokse — ansætter flere mennesker på nye opgaver — bliver belønnet. Virksomheder, der primært bruger AI til at substituere mennesker, betaler proportionalt mere.
En vigtig egenskab: outsourcing-smuthullet lukker. Hvis en virksomhed flytter jobs til underleverandør i Bangalore, ser systemet stadig en reduktion i den danske medarbejderbestand. Måleenheden er den faktiske bestand — fremfor antallet af afskedigelser.
Vi har stresstestet definitionen mod fagøkonomers indvendinger.
Inden vi byggede løsningen ind i modellen, holdt vi den op imod indvendinger fra de økonomer, der har tænkt mest over emnet. Tre indvendinger fortjener særlig opmærksomhed.
Fire svagheder, åbent erkendt.
Vi vil være ærlige om hvor en god økonom stadig kan rejse indvendinger.
Størrelsesordenen. Acemoglus tal er beregnet på USA's økonomi, hvor kapital-arbejde-skævheden er ekstrem. Den danske skævhed er mindre, så effekten af korrektionen vil være mindre end de 4,02% Acemoglu finder. Retningen er den samme, men styrken er svagere.
AI er ny. Acemoglus arbejde handler om robotter og industri-automation. AI er kvalitativt nyt og er stadig ungt som teknologi, under 5 års dokumenteret historik. At anvende hans rammeværk på AI er en kvalificeret videreførelse, snarere end en direkte måling.
Virksomheder tilpasser sig. Reglerne udløser tilpasningsreaktioner. Virksomheder vil omklassificere aktiver, flytte til skatteparadiser, ændre regnskabsmetoder. Acemoglus model bygger på begrænset tilpasning. I virkeligheden er reaktionerne større. Vores estimerede effekt er derfor sandsynligvis et øvre loft, og den faktiske effekt vil være mindre.
Global koordinering er svær. Skat har historisk set været vanskelig at gøre global. Klima har vist os at international koordinering er muligt, men også langsomt og dyrt. Transfer pricing-økonomien viser at kapital flytter sig let mellem skattesystemer. Vores løsning bygger på en præmis, global koordinering, der historisk har vist sig vanskelig. Det er en ærlighed vi vil stå ved.
Og en filosofisk indvending vi vælger at parkere: Mariana Mazzucato har argumenteret at AI-værdien er kollektivt skabt, bygget på offentligt finansieret forskning, offentlige data, fælles vidensgrundlag, og at løsningen derfor handler om ejerskab, ikke skat. Statslig medejerskab i AI-virksomheder, som Norge har gjort med olien, er en parallel idé. Vi parkerer den, fordi modellen behandler skatter, men Mazzucatos kritik er åben og gyldig.
Kilder.
Daron Acemoglu, Andrea Manera & Pascual Restrepo — "Does the US Tax Code Favor Automation?" NBER Working Paper 27052, april 2020. Primær kilde for første og anden del.
nber.org/papers/w27052
Anton Korinek — "Scenario Planning for an A(G)I Future", IMF Finance & Development Magazine, december 2023. Kilde for kritik om global koordinering.
imf.org/en/Publications/fandd — Korinek 2023
Mariana Mazzucato — "Mission Economy", Penguin, 2021. Kilde for ejerskabs-modkritik.
marianamazzucato.com — Mission Economy
Erik Brynjolfsson — "The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence", Daedalus 151(2), foråret 2022. Kilde for komplementaritetsperspektivet.
amacad.org — The Turing Trap
Diane Coyle — "Cogs and Monsters: What Economics Is, and What It Should Be", Princeton University Press, 2021. Kilde for implementeringskritik.
press.princeton.edu — Cogs and Monsters
Robert Seamans (Brookings Institution) — "Tax Not the Robots", august 2021. Modkritik der vurderer robotskat negativt.
brookings.edu/articles/tax-not-the-robots
International Federation of Robotics — "Why Bill Gates' Robot Tax Is Wrong", februar 2017. Industrimodkritik.
ifr.org — IFR position on robot tax
Sådan har vi bygget eksperimentet.
Eksperimentet er en lille økonomi i computeren: 30 virksomheder, halvdelen vidensjob og halvdelen fysiske jobs, plus seks udenlandske AI-konkurrenter. Den kører i ti år, kvartal for kvartal. Hver gang du trykker Kør, kører vi den 100 gange og viser gennemsnittet med usikkerhed.
Det er ikke en prognose for Danmark. Det er en mekanisme du kan se virke — og ændre antagelserne på.
Moloch-fælden.
Et begreb fra spilteori — populariseret af Scott Alexander i essayet Meditations on Moloch (2014) — om koordineringssvigt. Når hver enkelt aktør handler rationelt for sig selv, og resultatet bliver kollektivt destruktivt.
I AI-konteksten er logikken: når én virksomhed bruger AI til at sænke priserne, tvinges de andre til at følge med — ellers taber de markedsandel. Hver enkelt beslutning er rationel: hvis vi ikke automatiserer, går vi konkurs. Men når alle automatiserer samtidigt, falder beskæftigelsen, og dermed lønindkomsten. Når lønindkomsten falder, falder efterspørgslen — og presset på at automatisere bliver endnu større.
Ingen virksomhed ønsker udfaldet. Alle producerer det. Det er Moloch-fælden.
Eksperimentet undersøger under hvilke antagelser denne fælde faktisk udløser sig — og hvor robust den er over for variation i markedsmagt, job-genskabelse og automation-omfang.
Default 1.75 er kalibreret mod tre konkrete sektorer: Banker — de fire største danske banker gik fra omkring 35% af markedet i 1990 til 75% i 2024. Telecom — TDC plus tre udfordrere konsoliderede til effektivt fire store. Retail — endnu stærkere koncentration siden 2010 i takt med e-commerce. Det er en påstand, ikke et bevis: forskellige sektorer har forskellig stickiness, og 1.75 er valgt som gennemsnitligt mønster.
Modellen tager ikke højde for specifikke geografier eller industrier — den siger ikke noget om Danmark særskilt. Den indregner ikke politisk respons som omfordeling, omskoling eller ny regulering. Den indregner ikke nye industrier vi ikke kender endnu — historisk har AI-bølger skabt jobs ingen forudså.
De grå usikkerhedsbånd på grafen viser kun hvor meget modellen selv varierer fra kørsel til kørsel — ikke hvor usikker virkeligheden er. Den sande usikkerhed er meget større end intervalsbredderne kommunikerer.
aistocracy er bygget som ét HTML-dokument med tilhørende JavaScript. Det betyder at simulationen er åben i den mest bogstavelige forstand — alt der kører er allerede i din browser. Højreklik et sted på siden, vælg Vis kildekode eller View source, og du har hele modellen foran dig: motoren, parametrene, logikken, kalibreringerne.
Det er ikke en erstatning for et ordentligt repository. Det er en konstatering: der er ingen skjulte bevægelser. Alle de tal du ser i Parametre-sektionen ovenfor — stickiness, reinstatement-rate, alfa-lofter, beta-konkurrence — kan du finde uændret i koden. De grå konfidensintervaller stammer fra Monte Carlo-simulationer hvor 500 kørsler aggregeres for hvert valg du foretager.
Hvad der kommer: Modellen vil blive publiceret formelt som open source senere på året — koderne ryddet op, dokumentation skrevet, datasæt eksporteret separat, alternative kalibreringer inkluderet. Indtil da: hvis du vil have koden, et eksport af resultaterne, eller har spørgsmål til en specifik antagelse, så skriv til mig.
Teoretisk grundlag
Daron Acemoglu, The Simple Macroeconomics of AI (2024) — øvre grænse for hvor stor en del af jobbet AI realistisk kan tage. Acemoglus konservative beregning er at TFP-gevinsten over 10 år højst bliver 0,66%.
Acemoglu & Restrepo (2018, 2019, 2022) — task-exposure-rammen og reinstatement-effekten. Når automation skaber nye opgaver til mennesker, kan effekten delvist modvirke jobtab — men den har været svagere de seneste årtier.
Autor, Levy & Murnane (2003) — den oprindelige opdeling i rutine vs. ikke-rutine opgaver. Stadig den teoretiske ramme bag de fleste moderne analyser.
Empirisk evidens 2025–2026
Anthropic Economic Index (Handa et al., 2025; rapport 2 — sept 2025; rapport 3 — jan 2026; rapport 4 — marts 2026) — privacy-bevarende analyse af millioner af samtaler med Claude mappet til O*NET's 17.000 opgaver. 49% af jobs ses brugt af AI til mindst en fjerdedel af deres opgaver. Brugen er stadig tungt overrepræsenteret i augmentation (55%) frem for fuld automation (42%), men automation-andelen er stigende.
Brynjolfsson, Chandar & Chen (Stanford Digital Economy Lab, 2025) — Canaries in the Coal Mine. ADP-payroll data over 3,5–5 millioner amerikanske arbejdere viser et 13–16% relativt fald i beskæftigelse blandt 22–25-årige i de mest AI-eksponerede roller siden ChatGPT's udgivelse. Effekten er koncentreret i jobs hvor AI automatiserer (kundesupport, softwareudvikling), ikke i jobs hvor AI augmenterer.
ATE-rammen (Agentic Task Exposure, Gupta & Kumar, 2026) — udvidelse af Acemoglu-Restrepo specifikt for autonome AI-agenter der kan udføre hele arbejdsflows. Top-eksponerede roller (kreditanalytikere, dommere, finansspecialister) når ATE-scores på 0,43–0,47 over et 10-årigt vindue.
Iscenko & Millet (Economic Innovation Group, 2026) — kritisk replikation. Job-postings i AI-eksponerede roller begyndte at falde allerede i 2022, før ChatGPT — hvilket peger på at noget af effekten kan være makroøkonomisk drevet snarere end AI-specifik.
Humlum & Vestergaard (BFI, 2025) — Large Language Models, Small Labor Market Effects. Replikation i Danmark genfinder mønstret af faldende entry-level-jobs i eksponerede roller, men finder at faldene ikke er drevet af de specifikke virksomheder der har adopteret AI-chatbots.
Brookings Institution, Muro et al. (2024) og Wyckoff (marts 2026) — regional readiness-taxonomi og kritisk overblik over begrænsningerne i den nuværende empiriske evidens.
Yale Budget Lab, Gimbel et al. (2025) — finder ingen synlig disruption i aggregerede beskæftigelsestal endnu, men identificerer pres koncentreret i specifikke sektor-region-lommer.
Strukturel kontekst
Bank-konsolideringsmønster, 1990–2024 — de fire største danske banker gik fra cirka 35% af markedet i 1990 til 75% i 2024. Bruges til kalibrering af stickiness-parameter.
Telecom og retail — TDC-konsolideringen og e-commerce's effekt på dansk detail viser samme mønster på 25–35 års sigt.
McKinsey Global Survey (2025) — 62% af virksomheder eksperimenterede med AI-agenter i sommeren 2025; 23% var aktivt i færd med at skalere.
Spilteori og koordineringssvigt
Scott Alexander, Meditations on Moloch (Slate Star Codex, 2014) — det essay der har defineret hvordan Moloch-fælden bruges som metafor i moderne tech-debat.
Thomas Schelling, The Strategy of Conflict (1960) — koordineringsproblemer som strukturelt fænomen.
Robert Axelrod, The Evolution of Cooperation (1984) — hvornår samarbejde overlever rationelt egoistiske spillere.
John Maynard Keynes, The General Theory (1936) — paradox of thrift og hvordan rationel adfærd hos mange aktører kan producere kollektivt destruktive udfald.
Vi står på tærsklen til det største eksistentielle tipping point i menneskets historie, men vi snakker ikke om det.
Aistocracy er bygget af én bekymring: at de næste ti år former arbejdsmarkedet for en hel generation, og at beslutningerne sker hurtigere end vores kapacitet til at gennemskue dem.
Modellen er en simulation snarere end et essay, fordi tal taler tydeligere end ord når mekanismen er kompleks. Du kan se kurven. Du kan flytte antagelserne. Du kan se hvor tipping point ligger.
Det er derfor aistocracy findes: for at gøre det abstrakte konkret. For at give et fælles billede vi kan tale ud fra. For at give en mulighed for at se mekanismen før den har trukket os igennem den.
Aistocracy. Ordet er sammensat af AI og aristocracy, herskerklasse. Det fanger en bekymring: at få virksomheder ender med at eje de modeller alle andre må tænke igennem, og at vi får en herskerklasse som er fremstået som teknologi, og som derfor svært kan stilles til ansvar.
AI udvikler sig hurtigere end demokratiske institutioner kan nå at regulere. Lovgivning tager år. Modeller fordobles i kapacitet hver sjette måned. Den asymmetri vokser hver uge.
Resultatet er et governance-vakuum: spørgsmål om hvilken fremtid vi vil have, bliver i praksis besvaret af de virksomheder der bygger teknologien. Det er et demokratisk underskud vi sover igennem.
AI-modeller er trænet på menneskehedens kollektive viden. Hver bog, hver artikel, hver samtale, hvert billede der nogensinde er publiceret. Den viden er fælles. Den er bygget af generationer af forfattere, forskere, kunstnere, ingeniører.
Outputtet ejes af få virksomheder. Profitten samles på få hænder. Et fælles kulturelt depositum bliver i praksis privatiseret. Vi har stadig brug for sproget til at tale om det. Vi har stadig brug for retten til at handle om det.
De unge står midt i forandringen og bliver først dem der mærker den. Deres første job. Deres karriereveje. Deres udsigt til boligejerskab og økonomisk selvstændighed. Det hele kalibreres mens de er i gang med at finde deres plads.
Mest af alt: de ser det færrest. De vokser op midt i det og oplever det som baseline. En 18-årig der i dag søger sit første job efter studierne, husker et arbejdsmarked hvor halvdelen af de roller hun ville have valgt, allerede er væk eller er ved at blive det.
Det er den dybeste alvor: at en hel generation kan vokse op blind for hvor meget der er forsvundet.
Jeg har to døtre. De er 15 og 18.
Det her handler om dem. Det handler også om hver anden 15- og 18-årig. Hver anden ung der står i det her øjeblik mellem barndom og voksenliv, mellem skole og arbejde, mellem en verden der var og en verden der bliver til.
Det er for dem aistocracy findes. For at give et redskab så de, og dem der træffer beslutninger om dem, kan se klart hvad der står på spil mens der stadig er tid til at vælge.
Vi håber at se klart fører til at handle klart.
Modellen viser en mulighed: en justering af skattesystemet, så automatisering og menneskearbejde behandles ligestillet. En genoptræningskredit der belønner virksomheder der ansætter. Et tipping point der flytter sig mod et samfund der bevarer arbejdets værdi.
Det er en realistisk mulighed, bygget på Daron Acemoglus arbejde fra MIT, Anton Korineks rammeværk, Erik Brynjolfssons komplementaritetsperspektiv. Det findes allerede som forskning. Det venter på politisk vilje.
Jeg har bygget det her for selv at forstå hvad der sker. Måske er det startskuddet på en bevægelse, måske bare en simulation der hjælper én person med at se klart. Det vil jeg gerne finde ud af sammen med dig.
Hvis det rammer noget i dig, som bekymring, som idé, som modstand, som lyst til at bidrage, så hører jeg det meget gerne.