Su 321 professioni statunitensi e un decennio di dati salariali del Bureau of Labor Statistics, l'effetto misurabile dell'AI sull'occupazione è stato pari a zero. Quello sulle retribuzioni no. La crescita salariale reale è stata più lenta di circa il 6,7% nelle professioni ad alta esposizione dopo il 2023 — e nel quartile retributivo più basso è stata più lenta del 10,7%. Nel quartile più alto, nulla: nessun effetto significativo (Edlich & Slok, Apollo, 2026).
Ecco individuato il vostro guadagno di produttività dell'AI. Non si è presentato come riduzione di organico. Si è presentato come aumenti mai arrivati, concentrati quasi interamente in fondo al libro paga.
Se il vostro business case sull'AI per il 2026 modella ancora il rischio sul personale come quanti ruoli verranno eliminati, state leggendo la riga sbagliata del prospetto sbagliato.
Cosa ha misurato davvero Apollo — e perché l'"adozione osservata" cambia la lettura
Sania Edlich e Torsten Slok di Apollo Global Management hanno costruito un modello difference-in-differences su 321 professioni appaiate usando i dati BLS Occupational Employment and Wage Statistics dal 2015 al 2025, con effetti fissi per professione e per anno ed errori standard clusterizzati per professione (Edlich & Slok, Apollo, 2026).
La scelta di design che conta è come hanno definito l'esposizione. Quasi tutte le stime precedenti — Felten, Webb, Brynjolfsson-Mitchell-Rock — assegnano alle professioni una suscettibilità teorica derivata dalle descrizioni delle mansioni O*NET. Apollo ha invece misurato l'esposizione sull'uso osservato, tratto dall'Anthropic Economic Index. Non quali lavori un sistema di AI potrebbe plausibilmente toccare, ma per quali lavori viene dimostrabilmente usato.
Questa sola sostituzione riduce drasticamente la popolazione in discussione. Le professioni ad alta esposizione sulla misura osservata coprono circa 5,8 milioni di lavoratori — circa il 3,7% della forza lavoro statunitense (Axios, 2026). Tre anni di titoli basati sull'esposizione teorica hanno descritto una forza lavoro molte volte più grande di quella che l'AI ha davvero raggiunto.
All'interno di quella popolazione più ristretta, i due coefficienti principali puntano in direzioni opposte:
- log(Occupazione): −0,0639, errore standard 0,0870. Non significativo. Nessuna perdita di posti rilevabile.
- log(Salario reale): −0,0667, errore standard 0,0181, p < 0,01. Circa il 6,7% di crescita salariale reale in meno.
Gli autori hanno ristimato il modello con soglie di esposizione a 0,4 e 0,6 e il risultato salariale ha tenuto. Il loro limite inferiore aggregato prudenziale sul reddito da lavoro mancato è di 28 miliardi di dollari l'anno (Edlich & Slok, Apollo, 2026; HR Dive, 2026).
Una nota statistica da portare in qualsiasi discussione interna: un coefficiente occupazionale non significativo non è la prova che l'AI non abbia eliminato posti di lavoro. Significa che questo disegno non è riuscito a rilevare un effetto e, con quell'errore standard, ne avrebbe mancato uno moderato. La stima salariale è quella precisa. La stima occupazionale è quella silenziosa.
La forma regressiva è il vero risultato
Suddiviso per quartile salariale di partenza — quartili definiti sulla retribuzione media 2015–2022 di ciascuna professione — l'effetto non è distribuito. È accatastato in fondo (Edlich & Slok, Apollo, 2026):
- Q1, retribuzioni più basse: −10,7% (p < 0,01)
- Q2: −5,7% (non significativo)
- Q3: −4,05% (p < 0,1)
- Q4, retribuzioni più alte: nessun effetto significativo
Per gruppo professionale, i ruoli manageriali e professionali hanno registrato −4,1%. Il lavoro operaio non ha mostrato effetti significativi, il che è quanto ci si aspetta da una tecnologia con scarsa presa sulle mansioni fisiche. La categoria dei servizi si attesta a −24,3%, ma gli stessi autori la segnalano come sottocampione piccolo e sensibile alla composizione. Trattatela come un segnale di direzione, non come un numero da mettere in una slide.
L'effetto è risultato più forte anche nelle professioni più piccole — ruoli specializzati con meno varietà di mansioni per assorbire il lavoro assunto dall'AI. I mestieri stretti non hanno dove ricollocare internamente l'ora liberata, quindi il valore emerge sulla riga del salario anziché su quella del carico di lavoro.
Ora confrontatelo con come sono organizzati la maggior parte dei programmi AI nel mid-market. Il change management, il budget di riqualificazione, il roadshow "cosa significa per la tua carriera" — tutto è rivolto allo strato senior e della conoscenza. È il quartile in cui l'effetto retributivo misurato è pari a zero.
L'effetto sulle retribuzioni cade dove il vostro sforzo di comunicazione non arriva.
La compressione salariale è il guadagno di produttività dell'AI che nessuno ha approvato
C'è un motivo se la cosa è passata inosservata per tre anni. Un licenziamento ha un passaggio di approvazione. Ha un business case, una revisione legale, un modello di liquidazione, un piano di comunicazione e un nome legato alla decisione. La compressione salariale non ha nulla di tutto ciò. È la somma emergente di cento piccole scelte difendibili: un ruolo il cui perimetro si è ristretto in silenzio, un budget di merito allocato su una valutazione leggermente più tiepida, una sostituzione pubblicata in fondo alla banda anziché a metà, un adeguamento di mercato rinviato di un altro ciclo perché il team "gestisce i volumi senza problemi".
Nessuno in quella catena ha deciso di catturare il guadagno di produttività dell'AI come compressione salariale. L'organizzazione lo ha fatto comunque, perché la compressione è ciò che accade per impostazione predefinita quando un lavoro diventa più facile e nulla nel processo retributivo se ne accorge.
Questo spiega anche perché l'effetto è invisibile nel vostro reporting. Avete dashboard per organico, attrition e costo per assunzione. Quasi certamente non ne avete una per la crescita salariale reale nei ruoli esposti all'AI rispetto al resto del libro paga. Il vuoto di misurazione non è una svista: è la ragione per cui il meccanismo procede senza opposizione.
La vostra storia retributiva ha smesso di essere un benchmark utilizzabile
Il problema di secondo ordine è peggiore del primo. Nelle aziende da 50 a 500 dipendenti le bande retributive sono tipicamente ancorate alla storia interna più un'indagine di mercato che ritarda di un anno o più. Per i ruoli in cui l'adozione dell'AI è reale, quella storia oggi incorpora tre anni di crescita compressa. Fare benchmark di una banda 2027 su quei dati non corregge la compressione — la ratifica e la compone per un altro ciclo.
I ruoli che avete automatizzato per primi sono esattamente quelli per cui i vostri dati retributivi hanno smesso di essere una lettura affidabile del mercato esterno.
Cosa credono già i vostri dipendenti su dove sia finito il guadagno
Il dato distributivo ha una percezione distributiva collegata, e la percezione corre più veloce dell'evidenza.
Un sondaggio Ipsos per il Groundwork Collaborative, condotto a giugno 2026 su 1.533 lavoratori statunitensi, ha rilevato che il 51% ritiene che i benefici dell'AI vadano solo o principalmente a proprietari e dirigenti, contro il 6% che dice che la maggior parte dei benefici arriva ai lavoratori (Groundwork Collaborative / Ipsos, 2026). Due terzi si aspettano che l'AI peggiori il lavoro.
I vostri manager non sono attrezzati per contestare quella lettura. La Global Total Rewards Pulse Survey di Korn Ferry, condotta a giugno 2026 su 5.512 organizzazioni in 135 Paesi, ha rilevato che solo il 16% delle organizzazioni è sicuro che i propri manager sappiano spiegare i cambiamenti retributivi e di lavoro legati all'AI ai dipendenti (Korn Ferry, 2026).
Mettete i tre risultati in sequenza e il rischio operativo è evidente. L'effetto retributivo è reale e regressivo. Metà della forza lavoro lo dà già per scontato. E cinque aziende su sei non sono in grado di sostenere una conversazione credibile in merito. Non è un problema di comunicazione a valle del rollout — è il canale di trasmissione da una decisione retributiva che nessuno ha preso a un programma di adozione che si blocca senza che nessuno sappia dire perché.
La controargomentazione da prendere sul serio
Apollo è un gestore patrimoniale, non un'università, e questo è un whitepaper, non un paper sottoposto a revisione paritaria. È un'obiezione legittima e va dichiarata apertamente anziché aggirata.
Tre limiti specifici:
- Sede e incentivo. Apollo pubblica ricerca macro con una visione di casa. La difesa sta nel metodo, non nella sede: la specificazione è convenzionale, coefficienti ed errori standard sono pubblicati e i controlli di robustezza sono mostrati. Giudicatelo sulle tabelle.
- L'esposizione deriva da un fornitore. La misurazione basata sull'uso è un miglioramento reale rispetto all'esposizione teorica, ma proviene dai log di interazione di un solo fornitore. È un dato migliore, non un dato neutro.
- Il difference-in-differences identifica un'associazione sotto l'assunzione di trend paralleli. Se le professioni ad alta esposizione erano già su una traiettoria salariale più lenta per ragioni indipendenti prima del 2023, parte della stima è quella divergenza preesistente e non l'AI.
Nulla di tutto questo è definitivo, e non esiste un dettaglio sul mid-market — l'applicazione a un'azienda da 200 persone è inferenza, non misurazione.
Ma considerate cosa deve comprare l'obiezione. Per liquidare il risultato bisogna sostenere che l'effetto salariale sia spurio e che lo sia in un modo che si concentra dieci volte di più nel quartile più basso che in quello più alto. La posizione più difendibile è che la magnitudine sia incerta e la forma informativa — ed è la forma a cambiare le vostre decisioni.
Cosa fare in questo trimestre
Unite il business case sull'AI e la revisione delle bande retributive in un unico documento
Ormai sono lo stesso esercizio. Qualsiasi iniziativa AI che cambia ciò che un ruolo fa ha una conseguenza retributiva, ed esaminarle in riunioni separate su calendari separati è esattamente il modo in cui la compressione è avvenuta. Un documento, un responsabile, una data di revisione.
Fate l'incrocio esposizione-merito sul vostro libro paga
Richiede un pomeriggio, non un progetto. Etichettate i ruoli in cui gli strumenti AI hanno cambiato sostanzialmente il lavoro. Confrontate la loro crescita salariale reale dal 2023 — aumenti nominali meno inflazione — con il resto del libro paga. Se i ruoli esposti all'AI sono rimasti indietro, avete riprodotto il risultato di Apollo dentro la vostra azienda, e ora avete l'unica versione di questa evidenza che smuoverà davvero il vostro comitato direttivo.
Rifate il benchmark esterno, partendo dal quartile più basso
Per i ruoli automatizzati, usate dati di mercato esterni aggiornati invece della storia interna. Partite dal fondo del libro paga, dove l'effetto misurato è più ampio e dove il turnover nel mid-market è già più costoso per unità di anzianità.
Scrivete il copione della conversazione su retribuzione e perimetro prima del prossimo rollout
Visto il 16%, date per scontato che i vostri manager oggi non sappiano farlo. Scrivete la conversazione da dieci minuti — cosa cambia lo strumento nel perimetro, cosa non cambia nella banda, qual è il percorso di crescita — e provatela con i manager che dovranno tenerla. È l'intervento più economico di tutto questo articolo e quasi nessuno lo ha finanziato.
La decisione sulla vostra scrivania
Gli ultimi tre anni di pianificazione della forza lavoro nell'AI sono stati costruiti attorno a una domanda — quanti posti spariscono — a cui la migliore evidenza disponibile basata sull'adozione osservata risponde "nessuno in modo rilevabile". Nel frattempo l'effetto misurabile, significativo e regressivo è finito dritto nel ciclo retributivo, non esaminato, perché nessuna dashboard nel mid-market è puntata lì. Il guadagno di produttività dell'AI non è mai andato perso. È stato riallocato, in silenzio, e non verso chi ha assorbito il cambiamento.
Prima della vostra prossima revisione degli investimenti in AI, portate un solo grafico: la crescita salariale reale dal 2023 per i ruoli esposti all'AI, contro tutti gli altri, divisa per quartile retributivo. Se il divario c'è, non avete gestito un programma di efficienza. Avete gestito un taglio di stipendio, e non lo avete approvato.
