Sur 321 métiers américains et une décennie de données salariales du Bureau of Labor Statistics, l'effet mesurable de l'IA sur l'emploi a été nul. Son effet sur les salaires, non. La croissance des salaires réels a été inférieure d'environ 6,7 % dans les métiers fortement exposés après 2023 — et dans le quartile de rémunération le plus bas, inférieure de 10,7 %. Dans le quartile le plus élevé, rien : aucun effet significatif (Edlich & Slok, Apollo, 2026).
Voilà votre gain de productivité lié à l'IA, localisé. Il n'est pas arrivé sous forme de réduction d'effectifs. Il est arrivé sous forme d'augmentations qui n'ont jamais eu lieu, concentrées presque entièrement au bas de la masse salariale.
Si votre dossier d'investissement IA pour 2026 modélise encore le risque RH comme combien de postes vont disparaître, vous lisez la mauvaise ligne du mauvais état financier.
Ce qu'Apollo a réellement mesuré — et pourquoi « l'adoption observée » change la lecture
Sania Edlich et Torsten Slok, d'Apollo Global Management, ont construit un modèle de différence de différences sur 321 métiers appariés à partir des données BLS Occupational Employment and Wage Statistics de 2015 à 2025, avec effets fixes par métier et par année et erreurs types groupées par métier (Edlich & Slok, Apollo, 2026).
Le choix méthodologique décisif porte sur la définition de l'exposition. Presque toutes les estimations antérieures — Felten, Webb, Brynjolfsson-Mitchell-Rock — notent les métiers selon une susceptibilité théorique dérivée des descriptions de tâches O*NET. Apollo a au contraire mesuré l'exposition à partir de l'usage observé, tiré de l'Anthropic Economic Index. Non pas quels emplois un système d'IA pourrait plausiblement toucher, mais pour quels emplois il est démontrablement utilisé.
Cette seule substitution réduit fortement la population concernée. Les métiers fortement exposés selon la mesure observée représentent environ 5,8 millions de travailleurs — soit près de 3,7 % de la population active américaine (Axios, 2026). Trois années de titres fondés sur l'exposition théorique décrivaient une population active plusieurs fois plus grande que celle que l'IA a réellement atteinte.
Au sein de cette population plus restreinte, les deux coefficients principaux vont en sens inverse :
- log(Emploi) : −0,0639, erreur type 0,0870. Non significatif. Aucune destruction d'emplois détectable.
- log(Salaire réel) : −0,0667, erreur type 0,0181, p < 0,01. Environ 6,7 % de croissance salariale réelle en moins.
Les auteurs ont ré-estimé le modèle avec des seuils d'exposition de 0,4 et 0,6 et le résultat salarial tient. Leur borne inférieure agrégée prudente sur le revenu du travail non perçu s'élève à 28 milliards de dollars par an (Edlich & Slok, Apollo, 2026 ; HR Dive, 2026).
Une précision statistique à emporter dans toute discussion interne : un coefficient d'emploi non significatif ne prouve pas que l'IA n'a supprimé aucun poste. Cela signifie que ce protocole n'a pas pu détecter d'effet et qu'avec cette erreur type, il aurait manqué un effet modéré. L'estimation salariale est la précise. L'estimation sur l'emploi est la silencieuse.
La forme régressive est le vrai résultat
Ventilé par quartile de salaire initial — quartiles définis sur le salaire moyen 2015-2022 de chaque métier — l'effet n'est pas réparti. Il s'empile en bas (Edlich & Slok, Apollo, 2026) :
- Q1, les moins payés : −10,7 % (p < 0,01)
- Q2 : −5,7 % (non significatif)
- Q3 : −4,05 % (p < 0,1)
- Q4, les mieux payés : aucun effet significatif
Par groupe professionnel, les fonctions d'encadrement et les professions intellectuelles enregistrent −4,1 %. Les métiers manuels ne montrent aucun effet significatif, ce à quoi l'on s'attend d'une technologie dont la portée sur les tâches physiques reste limitée. La catégorie des services ressort à −24,3 %, mais les auteurs eux-mêmes la signalent comme un sous-échantillon réduit et sensible à la composition. Traitez-la comme un signal de direction, pas comme un chiffre à mettre sur une diapositive.
L'effet est également plus fort dans les métiers de petite taille — des rôles spécialisés dont la variété de tâches ne suffit pas à absorber le travail repris par l'IA. Les métiers étroits n'ont nulle part où redéployer l'heure libérée en interne : la valeur apparaît donc sur la ligne salariale plutôt que sur la ligne de charge de travail.
Comparez maintenant cela à la façon dont sont dotés la plupart des programmes IA des entreprises intermédiaires. La conduite du changement, le budget de requalification, la tournée « ce que cela signifie pour votre carrière » — tout vise la strate cadre et savoir. C'est précisément le quartile où l'effet salarial mesuré est nul.
L'effet sur les rémunérations atterrit là où votre effort de communication ne va pas.
La compression salariale, c'est le gain de productivité de l'IA que personne n'a approuvé
Il y a une raison à trois années d'invisibilité. Un licenciement passe par une validation. Il a un dossier économique, une revue juridique, un modèle d'indemnisation, un plan de communication et un nom associé à la décision. La compression salariale n'a rien de tout cela. C'est la somme émergente de cent petites décisions défendables : un poste dont le périmètre s'est discrètement resserré, une enveloppe de mérite allouée sur une évaluation un peu plus tiède, un remplacement publié au bas de la fourchette plutôt qu'au milieu, un ajustement de marché repoussé d'un cycle parce que l'équipe « absorbe très bien le volume ».
Personne dans cette chaîne n'a décidé de capter le gain de productivité de l'IA sous forme de compression salariale. L'organisation l'a fait quand même, parce que la compression est ce qui se produit par défaut lorsqu'un travail devient plus facile et que rien dans le processus de rémunération ne le remarque.
Cela explique aussi pourquoi l'effet reste invisible dans votre reporting. Vous avez des tableaux de bord pour les effectifs, l'attrition et le coût par recrutement. Vous n'en avez presque certainement pas pour la croissance des salaires réels dans les postes exposés à l'IA comparée au reste de la masse salariale. Ce trou de mesure n'est pas un oubli : c'est la raison pour laquelle le mécanisme opère sans opposition.
Votre historique de paie a cessé d'être un référentiel utilisable
Le problème de second ordre est pire que le premier. Dans les entreprises de 50 à 500 salariés, les fourchettes salariales s'appuient généralement sur l'historique interne complété par une enquête de marché en retard d'un an ou plus. Pour les postes où l'adoption de l'IA est réelle, cet historique encode désormais trois années de croissance comprimée. Étalonner une fourchette 2027 sur cette base ne corrige pas la compression — cela l'entérine et la reconduit pour un cycle de plus.
Les postes que vous avez automatisés en premier sont précisément ceux pour lesquels vos propres données de paie ont cessé d'être une lecture fiable du marché externe.
Ce que vos salariés croient déjà sur la destination du gain
Le fait distributif s'accompagne d'une perception distributive, et cette perception devance les preuves.
Un sondage Ipsos pour le Groundwork Collaborative, réalisé en juin 2026 auprès de 1 533 salariés américains, montre que 51 % estiment que les bénéfices de l'IA vont uniquement ou principalement aux propriétaires et aux dirigeants, contre 6 % qui pensent que l'essentiel des bénéfices atteint les salariés (Groundwork Collaborative / Ipsos, 2026). Deux tiers s'attendent à ce que l'IA dégrade le travail.
Vos managers ne sont pas outillés pour contester cette lecture. La Global Total Rewards Pulse Survey de Korn Ferry, menée en juin 2026 auprès de 5 512 organisations dans 135 pays, révèle que seules 16 % des organisations se disent confiantes dans la capacité de leurs managers à expliquer les changements de rémunération et de travail liés à l'IA (Korn Ferry, 2026).
Mettez les trois résultats bout à bout et le risque opérationnel saute aux yeux. L'effet salarial est réel et régressif. La moitié des salariés le tient déjà pour acquis. Et cinq entreprises sur six sont incapables de tenir une conversation crédible à ce sujet. Ce n'est pas un problème de communication en aval du déploiement — c'est le canal de transmission entre une décision de rémunération que personne n'a prise et un programme d'adoption qui cale sans que personne ne sache dire pourquoi.
Le contre-argument à prendre au sérieux
Apollo est un gestionnaire d'actifs, pas une université, et il s'agit d'un livre blanc, pas d'un article évalué par les pairs. L'objection est légitime et doit être posée franchement plutôt que contournée.
Trois limites précises :
- Le support et l'incitation. Apollo publie de la recherche macroéconomique assortie d'une vue maison. La défense tient à la méthode, pas au support : la spécification est classique, coefficients et erreurs types sont publiés, et les tests de robustesse sont montrés. Jugez sur les tableaux.
- L'exposition provient d'un fournisseur. Une mesure fondée sur l'usage constitue un vrai progrès face à l'exposition théorique, mais elle provient des journaux d'interaction d'un seul fournisseur. C'est une meilleure donnée, pas une donnée neutre.
- La différence de différences identifie une association sous l'hypothèse de tendances parallèles. Si les métiers fortement exposés suivaient déjà, avant 2023, une trajectoire salariale plus lente pour des raisons étrangères à l'IA, une partie de l'estimation reflète cette divergence préexistante.
Rien de tout cela n'est tranché, et il n'existe aucune ventilation pour les entreprises intermédiaires — l'application à une société de 200 personnes relève de l'inférence, pas de la mesure.
Mais mesurez ce que l'objection doit acheter. Pour écarter le résultat, il faut soutenir que l'effet salarial est fallacieux et qu'il l'est d'une manière qui se concentre dix fois plus fortement dans le quartile inférieur que dans le supérieur. La position la plus défendable : l'amplitude est incertaine, la forme est informative — et c'est la forme qui change vos décisions.
Ce qu'il faut faire ce trimestre
Fusionnez le dossier d'investissement IA et la revue des fourchettes salariales en un seul document
C'est désormais le même exercice. Toute initiative IA qui modifie le contenu d'un poste a une conséquence salariale, et les examiner dans des réunions distinctes, à des calendriers distincts, est exactement ce qui a produit la compression. Un document, un responsable, une date de revue.
Croisez exposition et mérite sur votre propre paie
Cela prend un après-midi, pas un projet. Identifiez les postes où l'outillage IA a matériellement changé le travail. Comparez leur croissance salariale réelle depuis 2023 — augmentations nominales moins inflation — au reste de la masse salariale. Si les postes exposés à l'IA sont en retard, vous avez reproduit le résultat d'Apollo à l'intérieur de votre entreprise, et vous détenez la seule version de cette preuve qui fera réellement bouger votre comité de direction.
Réétalonnez en externe, en commençant par le quartile inférieur
Pour les postes automatisés, appuyez-vous sur des données de marché actuelles plutôt que sur l'historique interne. Commencez par le bas de la masse salariale : c'est là que l'effet mesuré est le plus fort et là où le turnover est déjà le plus coûteux par unité d'ancienneté dans les entreprises intermédiaires.
Écrivez la conversation rémunération-périmètre avant le prochain déploiement
Compte tenu des 16 %, partez du principe que vos managers ne savent pas le faire aujourd'hui. Rédigez la conversation de dix minutes — ce que l'outil change au périmètre, ce qu'il ne change pas à la fourchette, quel est le chemin de progression — et répétez-la avec les managers qui la mèneront. C'est l'intervention la moins coûteuse de tout cet article, et presque personne ne l'a financée.
La décision qui est sur votre bureau
Les trois dernières années de planification des effectifs à l'ère de l'IA ont été construites autour d'une question — combien d'emplois disparaissent — à laquelle les meilleures données disponibles sur l'adoption observée répondent « aucun de façon détectable ». Pendant ce temps, l'effet mesurable, significatif et régressif est passé directement dans le cycle de rémunération, sans examen, parce qu'aucun tableau de bord des entreprises intermédiaires n'est pointé dessus. Le gain de productivité lié à l'IA n'a jamais été perdu. Il a été réalloué, en silence, et pas vers ceux qui ont absorbé le changement.
Avant votre prochaine revue d'investissement IA, apportez une seule pièce : la croissance des salaires réels depuis 2023 pour vos postes exposés à l'IA, face à tous les autres, ventilée par quartile de rémunération. Si l'écart est là, vous n'avez pas mené un programme d'efficacité. Vous avez mené une baisse de salaire, et vous ne l'avez pas approuvée.
