По 321 американской профессии и десятилетию данных о заработной плате Bureau of Labor Statistics измеримый эффект ИИ на занятость оказался нулевым. Эффект на оплату труда — нет. Рост реальных зарплат в профессиях с высокой экспозицией после 2023 года шёл примерно на 6,7% медленнее, а в нижнем квартиле по оплате — на 10,7% медленнее. В верхнем квартиле — ничего: значимого эффекта нет вовсе (Edlich & Slok, Apollo, 2026).
Вот где находится ваш прирост производительности от ИИ. Он проявился не как сокращение штата. Он проявился как повышения, которых не было, — почти целиком сосредоточенные в нижней части фонда оплаты труда.
Если ваше обоснование инвестиций в ИИ на 2026 год по-прежнему моделирует кадровый риск как сколько ролей будет ликвидировано, вы читаете не ту строку и не того отчёта.
Что именно измерила Apollo — и почему «наблюдаемое внедрение» меняет прочтение
Сания Эдлих и Торстен Слок из Apollo Global Management построили модель «разность разностей» по 321 сопоставленной профессии на данных BLS Occupational Employment and Wage Statistics за 2015–2025 годы, с фиксированными эффектами профессии и года и стандартными ошибками, кластеризованными по профессии (Edlich & Slok, Apollo, 2026).
Решающий методологический выбор — как определена экспозиция. Почти все прежние оценки — Felten, Webb, Brynjolfsson-Mitchell-Rock — присваивают профессиям теоретическую уязвимость, выведенную из описаний задач O*NET. Apollo вместо этого измерила экспозицию по наблюдаемому использованию, взятому из Anthropic Economic Index. Не какие работы система ИИ могла бы правдоподобно затронуть, а для каких работ она доказуемо используется.
Одна эта замена резко сжимает обсуждаемую совокупность. Профессии с высокой экспозицией по наблюдаемой мере охватывают около 5,8 млн работников — примерно 3,7% рабочей силы США (Axios, 2026). Три года заголовков на основе теоретической экспозиции описывали рабочую силу в несколько раз большую, чем та, до которой ИИ реально дотянулся.
Внутри этой меньшей совокупности два ключевых коэффициента указывают в противоположные стороны:
- log(Занятость): −0,0639, стандартная ошибка 0,0870. Незначим. Потери рабочих мест не обнаруживаются.
- log(Реальная зарплата): −0,0667, стандартная ошибка 0,0181, p < 0,01. Примерно на 6,7% медленнее рост реальных зарплат.
Авторы переоценили модель при порогах экспозиции 0,4 и 0,6 — результат по зарплатам устоял. Их консервативная агрегированная нижняя граница недополученного трудового дохода — 28 млрд долларов в год (Edlich & Slok, Apollo, 2026; HR Dive, 2026).
Одно статистическое замечание, которое стоит взять в любую внутреннюю дискуссию: незначимый коэффициент занятости не доказывает, что ИИ не сократил ни одного рабочего места. Он означает, что данный дизайн не смог обнаружить эффект и что при такой стандартной ошибке он пропустил бы умеренный эффект. Оценка по зарплатам — точная. Оценка по занятости — тихая.
Регрессивная форма и есть настоящий результат
В разбивке по исходному квартилю оплаты — квартили определены по средней зарплате профессии за 2015–2022 годы — эффект не распределён. Он сложен внизу (Edlich & Slok, Apollo, 2026):
- Q1, самые низкооплачиваемые: −10,7% (p < 0,01)
- Q2: −5,7% (незначим)
- Q3: −4,05% (p < 0,1)
- Q4, самые высокооплачиваемые: значимого эффекта нет
По профессиональным группам управленческие и профессиональные роли дали −4,1%. Рабочие специальности значимого эффекта не показали — чего и следует ожидать от технологии с ограниченным доступом к физическому труду. Категория услуг вышла на −24,3%, но сами авторы помечают её как малую и чувствительную к составу подвыборку. Относитесь к ней как к указанию направления, а не как к цифре для слайда.
Эффект был также сильнее в малочисленных профессиях — узких ролях, где меньше разнообразия задач, чтобы поглотить работу, взятую на себя ИИ. Узким профессиям некуда перераспределить освободившийся час внутри компании, поэтому ценность проявляется в строке зарплаты, а не в строке загрузки.
Теперь сопоставьте это с тем, как укомплектовано большинство ИИ-программ в среднем бизнесе. Управление изменениями, бюджет переобучения, роуд-шоу «что это значит для вашей карьеры» — всё направлено на senior- и knowledge-слой. Это ровно тот квартиль, где измеренный эффект на оплату равен нулю.
Эффект по оплате приземляется там, куда не доходят ваши коммуникации.
Сжатие зарплат — это прирост производительности от ИИ, который никто не утверждал
Есть причина, почему это оставалось незамеченным три года. У увольнения есть точка утверждения: обоснование, юридическая проверка, модель выходных пособий, коммуникационный план и имя, привязанное к решению. У зарплатного сжатия нет ничего из этого. Это эмерджентная сумма сотни защитимых мелких решений: роль, чей объём тихо сузился; фонд премирования, распределённый по чуть более прохладной оценке; замещающая вакансия, опубликованная у нижней границы вилки, а не в середине; рыночная корректировка, отложенная ещё на цикл, потому что команда «нормально справляется с объёмом».
Никто в этой цепочке не решал забрать прирост производительности от ИИ в виде сжатия зарплат. Организация сделала это сама, потому что сжатие — это то, что происходит по умолчанию, когда работа становится легче, а в процессе вознаграждения этого никто не замечает.
Это объясняет и то, почему эффект невидим в вашей отчётности. У вас есть дашборды по численности, текучести и стоимости найма. И почти наверняка нет дашборда по росту реальных зарплат в ролях с экспозицией к ИИ против остального фонда оплаты. Пробел в измерении — не упущение, а причина, по которой механизм работает без сопротивления.
Ваша зарплатная история перестала быть пригодным бенчмарком
Проблема второго порядка хуже первой. В компаниях на 50–500 человек зарплатные вилки обычно привязаны к внутренней истории плюс рыночный обзор с отставанием в год и более. Для ролей с реальным внедрением ИИ эта история теперь содержит три года подавленного роста. Сверять вилку 2027 года с ней — не исправить сжатие, а закрепить его и продлить ещё на цикл.
Роли, которые вы автоматизировали первыми, — ровно те, для которых ваши собственные зарплатные данные перестали быть надёжным отражением внешнего рынка.
Во что ваши сотрудники уже верят относительно судьбы выигрыша
У распределительного факта есть распределительное восприятие, и оно опережает доказательства.
Опрос Ipsos для Groundwork Collaborative, проведённый в июне 2026 года среди 1533 американских работников, показал: 51% считают, что выгоды ИИ достаются только или преимущественно владельцам и руководителям, против 6%, полагающих, что большая их часть доходит до работников (Groundwork Collaborative / Ipsos, 2026). Две трети ожидают, что ИИ сделает работу хуже.
Ваши руководители среднего звена не оснащены, чтобы оспорить это прочтение. Global Total Rewards Pulse Survey от Korn Ferry, проведённый в июне 2026 года среди 5512 организаций в 135 странах, показал: лишь 16% организаций уверены, что их менеджеры способны объяснить сотрудникам связанные с ИИ изменения в оплате и работе (Korn Ferry, 2026).
Выстройте три результата в цепочку — и операционный риск очевиден. Эффект по оплате реален и регрессивен. Половина персонала уже исходит из него. И пять компаний из шести не способны вести об этом достоверный разговор. Это не коммуникационная проблема после внедрения — это канал передачи от решения по оплате, которого никто не принимал, к программе внедрения, которая буксует, а причину никто не может назвать.
Контраргумент, который стоит принять всерьёз
Apollo — управляющая активами компания, а не университет, и это whitepaper, а не рецензируемая статья. Возражение справедливое, и его следует произнести прямо, а не обходить.
Три конкретных ограничения:
- Площадка и стимул. Apollo публикует макроисследования с фирменной точкой зрения. Защита — в методе, а не в площадке: спецификация конвенциональна, коэффициенты и стандартные ошибки опубликованы, проверки устойчивости показаны. Судите по таблицам.
- Экспозиция получена от одного вендора. Измерение по фактическому использованию — реальный шаг вперёд по сравнению с теоретической экспозицией, но оно опирается на логи взаимодействий одного поставщика. Данные лучше, но не нейтральные.
- «Разность разностей» идентифицирует ассоциацию при допущении параллельных трендов. Если профессии с высокой экспозицией и до 2023 года шли по более медленной зарплатной траектории по посторонним причинам, часть оценки — это предшествующее расхождение, а не ИИ.
Ничего из этого не закрыто, и разбивки по среднему бизнесу не существует — перенос на компанию в 200 человек является выводом по аналогии, а не измерением.
Но подумайте, что должно купить это возражение. Чтобы отбросить результат, придётся утверждать, что зарплатный эффект ложный и ложный таким образом, что концентрируется в нижнем квартиле в десять раз сильнее, чем в верхнем. Более защитимая позиция: величина неопределённа, а форма информативна — и именно форма меняет ваши решения.
Что сделать в этом квартале
Объедините обоснование инвестиций в ИИ и пересмотр зарплатных вилок в один документ
Теперь это одно и то же упражнение. Любая ИИ-инициатива, меняющая содержание роли, имеет последствия для оплаты, а рассмотрение их на разных встречах и в разных календарях — ровно тот путь, которым возникло сжатие. Один документ, один владелец, одна дата пересмотра.
Проведите срез «экспозиция против повышений» по собственному фонду оплаты
Это займёт полдня, а не проект. Пометьте роли, где инструменты ИИ существенно изменили работу. Сравните их рост реальных зарплат с 2023 года — номинальные повышения минус инфляция — с остальным фондом оплаты. Если роли с экспозицией к ИИ отстали, вы воспроизвели результат Apollo внутри своей компании и получили единственную версию этого свидетельства, которая действительно сдвинет вашу управленческую команду.
Пересоберите внешний бенчмарк, начиная с нижнего квартиля
Для автоматизированных ролей опирайтесь на актуальные внешние рыночные данные, а не на внутреннюю историю. Начните с нижней части фонда оплаты — там измеренный эффект наибольший и там текучесть в среднем бизнесе и без того дороже всего в расчёте на единицу стажа.
Пропишите разговор об оплате и объёме роли до следующего внедрения
С учётом 16% исходите из того, что сегодня ваши менеджеры этого не умеют. Напишите десятиминутный разговор — что инструмент меняет в объёме роли, чего он не меняет в вилке, каков путь развития — и отрепетируйте его с теми менеджерами, кто будет его вести. Это самое дешёвое вмешательство во всей статье, и почти никто его не финансировал.
Решение на вашем столе
Последние три года кадрового планирования вокруг ИИ строились на вопросе — сколько рабочих мест исчезнет, — на который лучшие доступные данные по наблюдаемому внедрению отвечают «обнаружимо — ни одного». Тем временем эффект, который был измеримым, значимым и регрессивным, ушёл прямо в зарплатный цикл, никем не рассмотренный, потому что ни один дашборд в среднем бизнесе на него не направлен. Прирост производительности от ИИ никуда не пропал. Он был тихо перераспределён — и не в пользу тех, кто принял на себя изменения.
Перед следующим пересмотром инвестиций в ИИ принесите один график: рост реальных зарплат с 2023 года по ролям с экспозицией к ИИ против всех остальных, в разбивке по квартилям оплаты. Если разрыв есть, вы вели не программу эффективности. Вы вели снижение зарплат — и вы его не утверждали.
