En 321 ocupaciones estadounidenses y una década de datos salariales del Bureau of Labor Statistics, el efecto medible de la IA sobre el empleo fue cero. Sobre el salario, no. El crecimiento salarial real fue unos 6,7 % más lento en las ocupaciones de alta exposición después de 2023 — y en el cuartil salarial más bajo, un 10,7 % más lento. En el cuartil más alto, nada: ningún efecto significativo (Edlich & Slok, Apollo, 2026).
Ahí está localizada su ganancia de productividad por IA. No llegó como reducción de plantilla. Llegó como aumentos que nunca ocurrieron, concentrados casi por completo en la parte baja de la nómina.
Si su caso de negocio de IA para 2026 sigue modelando el riesgo laboral como cuántos puestos se eliminan, está leyendo la línea equivocada del estado equivocado.
Qué midió realmente Apollo — y por qué la "adopción observada" cambia la lectura
Sania Edlich y Torsten Slok, de Apollo Global Management, construyeron un modelo de diferencias en diferencias sobre 321 ocupaciones emparejadas usando datos del BLS Occupational Employment and Wage Statistics de 2015 a 2025, con efectos fijos por ocupación y año y errores estándar agrupados por ocupación (Edlich & Slok, Apollo, 2026).
La decisión de diseño que importa es cómo definieron la exposición. Casi todas las estimaciones previas — Felten, Webb, Brynjolfsson-Mitchell-Rock — puntúan las ocupaciones según una susceptibilidad teórica derivada de las descripciones de tareas de O*NET. Apollo, en cambio, midió la exposición a partir del uso observado, tomado del Anthropic Economic Index. No qué empleos podría tocar plausiblemente un sistema de IA, sino para qué empleos se está usando de forma demostrable.
Esa sola sustitución reduce drásticamente la población en discusión. Las ocupaciones de alta exposición según la medida observada abarcan unos 5,8 millones de trabajadores — cerca del 3,7 % de la fuerza laboral estadounidense (Axios, 2026). Tres años de titulares basados en exposición teórica han descrito una fuerza laboral varias veces mayor que la que la IA ha alcanzado realmente.
Dentro de esa población más pequeña, los dos coeficientes principales apuntan en direcciones opuestas:
- log(Empleo): −0,0639, error estándar 0,0870. No significativo. Ninguna pérdida de empleo detectable.
- log(Salario real): −0,0667, error estándar 0,0181, p < 0,01. Aproximadamente 6,7 % menos de crecimiento salarial real.
Los autores reestimaron el modelo con umbrales de exposición de 0,4 y 0,6 y el resultado salarial se mantuvo. Su cota inferior agregada conservadora sobre la renta laboral no percibida es de 28.000 millones de dólares al año (Edlich & Slok, Apollo, 2026; HR Dive, 2026).
Una nota estadística que conviene llevar a cualquier discusión interna: un coeficiente de empleo no significativo no prueba que la IA no eliminara puestos. Significa que este diseño no pudo detectar un efecto y que, con ese error estándar, habría pasado por alto uno moderado. La estimación salarial es la precisa. La del empleo es la silenciosa.
La forma regresiva es el verdadero hallazgo
Desglosado por cuartil salarial de partida — cuartiles definidos sobre el salario medio de cada ocupación en 2015-2022 — el efecto no está distribuido. Está apilado abajo (Edlich & Slok, Apollo, 2026):
- Q1, los peor pagados: −10,7 % (p < 0,01)
- Q2: −5,7 % (no significativo)
- Q3: −4,05 % (p < 0,1)
- Q4, los mejor pagados: ningún efecto significativo
Por grupo ocupacional, los puestos directivos y profesionales registran −4,1 %. El trabajo manual no muestra efecto significativo, que es lo esperable de una tecnología con alcance limitado sobre tareas físicas. La categoría de servicios sale a −24,3 %, pero los propios autores la señalan como una submuestra pequeña y sensible a la composición. Trátela como una señal de dirección, no como una cifra para una diapositiva.
El efecto también fue más fuerte en las ocupaciones más pequeñas — puestos especializados con menos variedad de tareas para absorber el trabajo que asumió la IA. Los oficios estrechos no tienen dónde reubicar internamente la hora liberada, así que el valor aparece en la línea salarial y no en la de carga de trabajo.
Ahora contrástelo con cómo se dotan la mayoría de los programas de IA del mid-market. La gestión del cambio, el presupuesto de recualificación, la ronda de "qué significa esto para tu carrera" — todo apunta a la capa senior y de conocimiento. Ese es justamente el cuartil donde el efecto salarial medido es cero.
El efecto retributivo cae donde no llega su esfuerzo de comunicación.
La compresión salarial es la ganancia de productividad por IA que nadie aprobó
Hay una razón por la que esto pasó inadvertido durante tres años. Un despido tiene un punto de aprobación. Tiene caso de negocio, revisión legal, modelo de indemnización, plan de comunicación y un nombre asociado a la decisión. La compresión salarial no tiene nada de eso. Es la suma emergente de cien decisiones pequeñas y defendibles: un puesto cuyo alcance se estrechó en silencio, una bolsa de mérito repartida sobre una evaluación algo más tibia, una reposición publicada en la parte baja de la banda en lugar de la mitad, un ajuste de mercado aplazado un ciclo más porque el equipo "lleva el volumen sin problema".
Nadie en esa cadena decidió capturar la ganancia de productividad por IA como compresión salarial. La organización lo hizo igualmente, porque la compresión es lo que ocurre por defecto cuando un trabajo se vuelve más fácil y nada en el proceso retributivo se da cuenta.
Esto también explica por qué el efecto es invisible en su reporting. Tiene cuadros de mando de plantilla, rotación y coste por contratación. Casi con certeza no tiene uno para el crecimiento salarial real en puestos expuestos a la IA frente al resto de la nómina. El vacío de medición no es un descuido: es la razón por la que el mecanismo opera sin oposición.
Su historial de nómina dejó de ser un referente utilizable
El problema de segundo orden es peor que el primero. En empresas de 50 a 500 empleados, las bandas salariales suelen anclarse en el historial interno más una encuesta de mercado que va con un año o más de retraso. Para los puestos donde la adopción de IA es real, ese historial ya incorpora tres años de crecimiento comprimido. Comparar una banda de 2027 contra ese dato no corrige la compresión: la ratifica y la prolonga otro ciclo.
Los puestos que automatizó primero son precisamente aquellos para los que sus propios datos de nómina han dejado de ser una lectura fiable del mercado externo.
Lo que sus empleados ya creen sobre dónde fue a parar la ganancia
El hecho distributivo lleva asociada una percepción distributiva, y la percepción va por delante de la evidencia.
Un sondeo de Ipsos para el Groundwork Collaborative, realizado en junio de 2026 con 1.533 trabajadores estadounidenses, halló que el 51 % cree que los beneficios de la IA van solo o principalmente a propietarios y directivos, frente al 6 % que dice que la mayor parte llega a los trabajadores (Groundwork Collaborative / Ipsos, 2026). Dos tercios esperan que la IA empeore el trabajo.
Sus mandos intermedios no están equipados para rebatir esa lectura. La Global Total Rewards Pulse Survey de Korn Ferry, realizada en junio de 2026 en 5.512 organizaciones de 135 países, encontró que solo el 16 % de las organizaciones confía en que sus mandos sepan explicar los cambios de retribución y de trabajo derivados de la IA (Korn Ferry, 2026).
Ponga los tres hallazgos en secuencia y el riesgo operativo salta a la vista. El efecto retributivo es real y regresivo. La mitad de la plantilla ya lo da por hecho. Y cinco de cada seis empresas no pueden sostener una conversación creíble al respecto. No es un problema de comunicación posterior al despliegue: es la vía de transmisión desde una decisión retributiva que nadie tomó hasta un programa de adopción que se atasca sin que nadie sepa nombrar por qué.
El contraargumento que merece tomarse en serio
Apollo es una gestora de activos, no una universidad, y esto es un whitepaper, no un artículo revisado por pares. Es una objeción justa y conviene declararla abiertamente en vez de rodearla.
Tres límites concretos:
- Medio e incentivo. Apollo publica investigación macro con una visión de casa. La defensa está en el método, no en el medio: la especificación es convencional, los coeficientes y errores estándar están publicados y las pruebas de robustez se muestran. Júzguelo por las tablas.
- La exposición procede de un proveedor. La medición basada en uso es una mejora real frente a la exposición teórica, pero proviene de los registros de interacción de un único proveedor. Es un dato mejor, no un dato neutral.
- Diferencias en diferencias identifica asociación bajo el supuesto de tendencias paralelas. Si las ocupaciones de alta exposición ya iban por una senda salarial más lenta por motivos ajenos antes de 2023, parte de la estimación es esa divergencia previa y no la IA.
Nada de esto está cerrado, y no existe un desglose para el mid-market: aplicarlo a una empresa de 200 personas es inferencia, no medición.
Pero considere lo que la objeción tiene que comprar. Para descartar el hallazgo hay que sostener que el efecto salarial es espurio y que lo es de un modo que se concentra diez veces más en el cuartil bajo que en el alto. La posición más defendible es que la magnitud es incierta y la forma es informativa — y es la forma la que cambia sus decisiones.
Qué hacer este trimestre
Fusione el caso de negocio de IA y la revisión de bandas salariales en un solo documento
Ya son el mismo ejercicio. Cualquier iniciativa de IA que cambie lo que hace un puesto tiene consecuencia retributiva, y revisarlas en reuniones separadas y calendarios separados es exactamente como se produjo la compresión. Un documento, un responsable, una fecha de revisión.
Cruce exposición contra mérito en su propia nómina
Lleva una tarde, no un proyecto. Etiquete los puestos donde el instrumental de IA ha cambiado materialmente el trabajo. Compare su crecimiento salarial real desde 2023 — incrementos nominales menos inflación — con el resto de la nómina. Si los puestos expuestos a la IA van por detrás, ha reproducido el resultado de Apollo dentro de su empresa, y ya tiene la única versión de esta evidencia que moverá de verdad a su comité de dirección.
Reevalúe contra el mercado externo, empezando por el cuartil más bajo
Para los puestos automatizados, acuda a datos de mercado actuales en lugar del historial interno. Empiece por la parte baja de la nómina, donde el efecto medido es mayor y donde la rotación en el mid-market ya resulta más cara por unidad de antigüedad.
Guionice la conversación de retribución y alcance antes del próximo despliegue
Dado el 16 %, asuma que hoy sus mandos no saben hacerlo. Escriba la conversación de diez minutos — qué cambia la herramienta en el alcance, qué no cambia en la banda, cuál es la vía de progresión — y ensáyela con los mandos que la van a mantener. Es la intervención más barata de todo este artículo y casi nadie la ha financiado.
La decisión que tiene sobre la mesa
Los últimos tres años de planificación de plantilla en torno a la IA se construyeron sobre una pregunta — cuántos empleos desaparecen — que la mejor evidencia disponible de adopción observada responde con "ninguno de forma detectable". Mientras tanto, el efecto que sí era medible, significativo y regresivo se fue directo al ciclo retributivo, sin examinar, porque ningún cuadro de mando del mid-market apunta ahí. La ganancia de productividad por IA nunca se perdió. Se reasignó, en silencio, y no hacia quienes absorbieron el cambio.
Antes de su próxima revisión de inversión en IA, lleve un solo gráfico: crecimiento salarial real desde 2023 en sus puestos expuestos a la IA, frente a todos los demás, desglosado por cuartil salarial. Si la brecha está ahí, no ha dirigido un programa de eficiencia. Ha dirigido una bajada de sueldo, y no la aprobó.
