Über 321 US-Berufe und ein Jahrzehnt an Lohndaten des Bureau of Labor Statistics hinweg lag der messbare Effekt von KI auf die Beschäftigung bei null. Der Effekt auf die Bezahlung nicht. Das Reallohnwachstum verlief in Berufen mit hoher Exposition nach 2023 rund 6,7 % langsamer — und im untersten Lohnquartil 10,7 % langsamer. Im obersten Quartil: nichts, kein signifikanter Effekt (Edlich & Slok, Apollo, 2026).
Damit ist Ihr KI-Produktivitätsgewinn lokalisiert. Er kam nicht als Stellenabbau. Er kam als Gehaltserhöhungen, die nie stattfanden — fast vollständig konzentriert am unteren Ende der Lohnliste.
Wenn Ihr KI-Business-Case für 2026 das Personalrisiko noch immer als wie viele Rollen fallen weg modelliert, lesen Sie die falsche Zeile der falschen Aufstellung.
Was Apollo tatsächlich gemessen hat — und warum "beobachtete Adoption" die Lesart verändert
Sania Edlich und Torsten Slok von Apollo Global Management haben ein Differenz-von-Differenzen-Modell über 321 gematchte Berufe gerechnet, auf Basis der BLS Occupational Employment and Wage Statistics von 2015 bis 2025, mit Berufs- und Jahresfixeffekten und nach Beruf geclusterten Standardfehlern (Edlich & Slok, Apollo, 2026).
Entscheidend ist die Definition der Exposition. Nahezu alle früheren Schätzungen — Felten, Webb, Brynjolfsson-Mitchell-Rock — bewerten Berufe nach theoretischer Anfälligkeit, abgeleitet aus O*NET-Tätigkeitsbeschreibungen. Apollo misst Exposition stattdessen über beobachtete Nutzung, entnommen dem Anthropic Economic Index. Nicht, welche Jobs ein KI-System plausibel berühren könnte, sondern für welche Jobs es nachweislich eingesetzt wird.
Diese eine Ersetzung schrumpft die betrachtete Population erheblich. Berufe mit hoher Exposition nach dem beobachteten Maß umfassen rund 5,8 Millionen Beschäftigte — etwa 3,7 % der US-Erwerbsbevölkerung (Axios, 2026). Drei Jahre Schlagzeilen auf Basis theoretischer Exposition beschrieben eine Erwerbsbevölkerung, die um ein Vielfaches größer ist als jene, die KI tatsächlich erreicht hat.
Innerhalb dieser kleineren Population zeigen die beiden zentralen Koeffizienten in entgegengesetzte Richtungen:
- log(Beschäftigung): −0,0639, Standardfehler 0,0870. Nicht signifikant. Kein nachweisbarer Stellenverlust.
- log(Reallohn): −0,0667, Standardfehler 0,0181, p < 0,01. Rund 6,7 % langsameres Reallohnwachstum.
Die Autoren haben das Modell mit Expositionsschwellen von 0,4 und 0,6 neu geschätzt; das Lohnergebnis hielt stand. Ihre konservative aggregierte Untergrenze für entgangenes Arbeitseinkommen liegt bei 28 Milliarden US-Dollar pro Jahr (Edlich & Slok, Apollo, 2026; HR Dive, 2026).
Ein statistischer Hinweis für jede interne Diskussion: Ein nicht signifikanter Beschäftigungskoeffizient ist kein Beleg dafür, dass KI keine Stellen vernichtet hat. Er bedeutet, dass dieses Design keinen Effekt nachweisen konnte — und bei diesem Standardfehler einen moderaten Effekt verfehlt hätte. Die Lohnschätzung ist die präzise. Die Beschäftigungsschätzung ist die leise.
Die regressive Form ist der eigentliche Befund
Aufgeteilt nach Ausgangslohnquartil — Quartile definiert über den Durchschnittslohn jedes Berufs 2015–2022 — ist der Effekt nicht verteilt. Er staut sich unten (Edlich & Slok, Apollo, 2026):
- Q1, am schlechtesten bezahlt: −10,7 % (p < 0,01)
- Q2: −5,7 % (nicht signifikant)
- Q3: −4,05 % (p < 0,1)
- Q4, am besten bezahlt: kein signifikanter Effekt
Nach Berufsgruppe verzeichnen Management- und akademische Rollen −4,1 %. Gewerbliche Arbeit zeigt keinen signifikanten Effekt, was bei einer Technologie mit begrenztem Zugriff auf körperliche Tätigkeiten zu erwarten ist. Die Dienstleistungskategorie liegt bei −24,3 %, doch die Autoren selbst kennzeichnen sie als kleine, zusammensetzungsempfindliche Teilstichprobe. Behandeln Sie sie als Richtungssignal, nicht als Zahl für eine Folie.
Der Effekt war zudem am stärksten in kleineren Berufen — spezialisierten Rollen mit weniger Aufgabenvielfalt, um die von KI übernommene Arbeit aufzufangen. Enge Berufe haben intern keinen Ort, an den sich die freigewordene Stunde verlagern ließe; der Wert erscheint deshalb in der Lohnzeile statt in der Auslastungszeile.
Halten Sie das nun gegen die Besetzung der meisten KI-Programme im Mittelstand. Change Management, Reskilling-Budget, die "Was bedeutet das für deine Laufbahn"-Roadshow — alles zielt auf die Wissens- und Senior-Ebene. Genau dort ist der gemessene Lohneffekt null.
Der Vergütungseffekt landet dort, wo Ihre Kommunikationsanstrengung nicht hinkommt.
Lohnkompression ist der KI-Produktivitätsgewinn, den niemand genehmigt hat
Es gibt einen Grund, warum das drei Jahre unbemerkt blieb. Eine Entlassung hat ein Genehmigungstor. Sie hat einen Business Case, eine juristische Prüfung, ein Abfindungsmodell, einen Kommunikationsplan und einen Namen, der an der Entscheidung hängt. Lohnkompression hat nichts davon. Sie ist die emergente Summe aus hundert vertretbaren Einzelentscheidungen: eine Rolle, deren Zuschnitt sich still verengt hat; ein Merit-Budget, verteilt auf eine etwas lauere Leistungsbewertung; eine Nachbesetzung, ausgeschrieben am unteren statt am mittleren Bandende; eine Marktanpassung, um einen weiteren Zyklus verschoben, weil das Team "das Volumen gut wegsteckt".
Niemand in dieser Kette hat entschieden, den KI-Produktivitätsgewinn als Lohnkompression abzuschöpfen. Die Organisation hat es trotzdem getan, weil Kompression das ist, was standardmäßig passiert, wenn eine Tätigkeit leichter wird und im Vergütungsprozess nichts es bemerkt.
Das erklärt auch, warum der Effekt in Ihrem Reporting unsichtbar bleibt. Sie haben Dashboards für Headcount, Fluktuation und Cost-per-Hire. Sie haben mit ziemlicher Sicherheit keines für Reallohnwachstum in KI-exponierten Rollen gegenüber dem Rest der Lohnliste. Die Messlücke ist kein Versäumnis — sie ist der Grund, warum der Mechanismus ungestört läuft.
Ihre Lohnhistorie hat aufgehört, ein brauchbarer Benchmark zu sein
Das Problem zweiter Ordnung wiegt schwerer als das erste. In Unternehmen mit 50 bis 500 Beschäftigten sind Vergütungsbänder typischerweise an der internen Historie plus einer Marktumfrage verankert, die dem Markt ein Jahr oder mehr hinterherhinkt. Für Rollen mit echter KI-Adoption kodiert diese Historie inzwischen drei Jahre unterdrückten Wachstums. Ein 2027er Band dagegen zu benchmarken korrigiert die Kompression nicht — es bestätigt sie und schreibt sie einen weiteren Zyklus fort.
Die Rollen, die Sie zuerst automatisiert haben, sind genau jene, für die Ihre eigenen Lohndaten aufgehört haben, den externen Markt verlässlich abzubilden.
Was Ihre Mitarbeitenden bereits glauben, wohin der Gewinn ging
Zum Verteilungsbefund gehört eine Verteilungswahrnehmung — und die läuft der Evidenz voraus.
Eine Ipsos-Befragung für das Groundwork Collaborative, erhoben im Juni 2026 unter 1.533 US-Beschäftigten, ergab: 51 % glauben, dass die Vorteile von KI nur oder überwiegend Eigentümern und Führungskräften zufallen, gegenüber 6 %, die sagen, der Großteil erreiche die Beschäftigten (Groundwork Collaborative / Ipsos, 2026). Zwei Drittel erwarten, dass KI die Arbeit verschlechtert.
Ihre Führungskräfte sind nicht ausgerüstet, dieser Lesart etwas entgegenzusetzen. Die Global Total Rewards Pulse Survey von Korn Ferry, erhoben im Juni 2026 über 5.512 Organisationen in 135 Ländern, fand: nur 16 % der Organisationen sind zuversichtlich, dass ihre Führungskräfte KI-bedingte Vergütungs- und Arbeitsveränderungen erklären können (Korn Ferry, 2026).
Reihen Sie die drei Befunde aneinander, und das operative Risiko liegt offen. Der Vergütungseffekt ist real und regressiv. Die Hälfte der Belegschaft unterstellt ihn ohnehin. Und fünf von sechs Unternehmen können darüber kein glaubwürdiges Gespräch führen. Das ist kein Kommunikationsproblem nach dem Rollout — es ist der Übertragungsweg von einer Vergütungsentscheidung, die niemand getroffen hat, zu einem Adoptionsprogramm, das stockt, ohne dass jemand den Grund benennen kann.
Das ernstzunehmende Gegenargument
Apollo ist ein Vermögensverwalter, keine Universität, und dies ist ein Whitepaper, keine peer-reviewte Arbeit. Das ist ein berechtigter Einwand, und er gehört klar ausgesprochen statt umschifft.
Drei konkrete Grenzen:
- Publikationsort und Anreiz. Apollo veröffentlicht Makroforschung mit Hausmeinung. Die Verteidigung liegt in der Methode, nicht im Ort: Die Spezifikation ist konventionell, Koeffizienten und Standardfehler sind publiziert, Robustheitschecks werden gezeigt. Beurteilen Sie es an den Tabellen.
- Die Exposition stammt von einem Anbieter. Nutzungsbasierte Messung ist ein echter Fortschritt gegenüber theoretischer Exposition, kommt aber aus den Interaktionslogs eines einzigen Anbieters. Bessere Daten, keine neutralen Daten.
- Differenz-von-Differenzen identifiziert Assoziation unter der Parallel-Trends-Annahme. Wenn hoch exponierte Berufe schon vor 2023 aus anderen Gründen auf einem langsameren Lohnpfad lagen, ist ein Teil der Schätzung diese vorbestehende Divergenz und nicht KI.
Nichts davon ist abschließend geklärt, und eine Auswertung speziell für den Mittelstand existiert nicht — die Übertragung auf ein Unternehmen mit 200 Personen ist Inferenz, keine Messung.
Doch bedenken Sie, was der Einwand kaufen muss. Um den Befund zu verwerfen, müsste man argumentieren, der Lohneffekt sei artefaktisch und auf eine Weise artefaktisch, die sich im untersten Quartil zehnmal stärker konzentriert als im obersten. Die tragfähigere Position: Die Größenordnung ist unsicher, die Form ist informativ — und die Form ist es, die Ihre Entscheidungen verändert.
Was in diesem Quartal zu tun ist
Führen Sie KI-Business-Case und Vergütungsband-Review in einem Dokument zusammen
Beides ist inzwischen dieselbe Übung. Jede KI-Initiative, die verändert, was eine Rolle tut, hat eine Vergütungsfolge — und sie in getrennten Meetings mit getrennten Terminen zu prüfen, ist genau der Weg, auf dem die Kompression entstanden ist. Ein Dokument, ein Verantwortlicher, ein Prüftermin.
Rechnen Sie den Exposition-gegen-Merit-Schnitt auf Ihrer eigenen Lohnliste
Das kostet einen Nachmittag, kein Projekt. Markieren Sie die Rollen, in denen KI-Werkzeuge die Arbeit substanziell verändert haben. Vergleichen Sie deren Reallohnwachstum seit 2023 — Nominalerhöhungen minus Inflation — mit dem Rest der Lohnliste. Wenn die KI-exponierten Rollen zurückliegen, haben Sie den Apollo-Befund im eigenen Haus reproduziert — und damit die einzige Version dieser Evidenz, die Ihre Geschäftsleitung tatsächlich bewegt.
Benchmarken Sie extern neu, beginnend mit dem untersten Quartil
Nutzen Sie für automatisierte Rollen aktuelle externe Marktdaten statt der internen Historie. Beginnen Sie unten in der Lohnliste: Dort ist der gemessene Effekt am größten, und dort ist Fluktuation im Mittelstand pro Einheit Betriebszugehörigkeit ohnehin am teuersten.
Skripten Sie das Gespräch über Vergütung und Zuschnitt vor dem nächsten Rollout
Angesichts der 16 % sollten Sie annehmen, dass Ihre Führungskräfte das heute nicht können. Schreiben Sie das Zehn-Minuten-Gespräch auf — was das Werkzeug am Zuschnitt ändert, was es am Band nicht ändert, wie der Entwicklungspfad aussieht — und proben Sie es mit den Führungskräften, die es führen werden. Es ist die billigste Intervention in diesem ganzen Artikel, und kaum jemand hat sie finanziert.
Die Entscheidung auf Ihrem Schreibtisch
Die letzten drei Jahre KI-Personalplanung waren um eine Frage herum gebaut — wie viele Jobs fallen weg —, die die beste verfügbare Evidenz aus beobachteter Adoption mit "nachweisbar keiner" beantwortet. Der Effekt, der messbar, signifikant und regressiv war, ging derweil ungeprüft direkt in den Vergütungszyklus, weil kein Dashboard im Mittelstand darauf gerichtet ist. Der KI-Produktivitätsgewinn ging nie verloren. Er wurde umverteilt, leise — und nicht an die, die den Wandel getragen haben.
Bringen Sie zu Ihrem nächsten KI-Investitionsreview genau ein Chart mit: Reallohnwachstum seit 2023 für Ihre KI-exponierten Rollen gegenüber allen anderen, aufgeteilt nach Lohnquartil. Wenn die Lücke da ist, haben Sie kein Effizienzprogramm gefahren. Sie haben eine Gehaltskürzung gefahren — und Sie haben sie nicht genehmigt.
