在321个美国职业、十年的美国劳工统计局（Bureau of Labor Statistics）工资数据中，AI对就业的可测量影响为零。对薪酬的影响却不是。2023年之后，高暴露职业的实际工资增速慢了约6.7%——而在最低薪酬四分位，慢了10.7%。最高四分位则毫无动静：没有任何显著效应（Edlich & Slok, Apollo, 2026）。
这就是你的AI生产力收益的去向。它没有以裁员的形式出现，而是以从未兑现的加薪出现，几乎全部集中在薪酬册的底部。
如果你2026年的AI商业论证仍把人力风险建模为会砍掉多少个岗位，那你读的是错误报表上的错误一行。
Apollo究竟测量了什么——以及"观察到的采用"为何改变结论
Apollo Global Management的Sania Edlich与Torsten Slok，基于2015至2025年的BLS Occupational Employment and Wage Statistics数据，对321个配对职业构建了双重差分模型，加入职业和年度固定效应，并按职业聚类标准误（Edlich & Slok, Apollo, 2026）。
真正关键的设计选择在于如何定义"暴露度"。此前几乎所有估计——Felten、Webb、Brynjolfsson-Mitchell-Rock——都按ONET任务描述推导出的理论*易受影响程度给职业打分。Apollo则改用实际观察到的使用情况来衡量暴露度，数据取自Anthropic Economic Index。衡量的不是AI系统在理论上可能触及哪些工作，而是它在哪些工作中确实被使用。
仅这一处替换，就大幅收缩了所讨论的人群规模。按观察指标，高暴露职业覆盖约580万名劳动者——约占美国劳动力的3.7%（Axios, 2026）。三年来基于理论暴露度的头条新闻，描述的是一个比AI实际触及范围大出数倍的劳动力群体。
在这个更小的人群内部，两个核心系数指向相反方向：
- log（就业）： −0.0639，标准误0.0870。不显著。检测不到岗位流失。
- log（实际工资）： −0.0667，标准误0.0181，p < 0.01。实际工资增速大约慢6.7%。
作者在0.4和0.6两个暴露度阈值上重新估计，工资结果依然成立。他们对劳动收入损失给出的保守汇总下限是每年280亿美元（Edlich & Slok, Apollo, 2026；HR Dive, 2026）。
有一条统计学提醒值得带进任何内部讨论：就业系数不显著，并不等于证明AI没有消灭岗位。它意味着这一设计无法检测出效应，而以那样的标准误，它也会漏掉一个中等规模的效应。工资估计是精确的那一个；就业估计是沉默的那一个。
累退的分布形状才是真正的发现
按前期工资四分位拆分——四分位依据各职业2015至2022年的平均工资界定——效应并非均匀分布，而是堆积在底部（Edlich & Slok, Apollo, 2026）：
- Q1，薪酬最低： −10.7%（p < 0.01）
- Q2： −5.7%（不显著）
- Q3： −4.05%（p < 0.1）
- Q4，薪酬最高： 无显著效应
按职业大类看，管理与专业岗位为−4.1%。蓝领工作没有显著效应——对一项对体力任务触达有限的技术而言，这正是预期结果。服务业类别为−24.3%，但作者本人已标注这是一个样本量小、对构成敏感的子样本。请把它当作方向信号，而不是可以放进幻灯片的数字。
效应在规模较小的职业中也更强——这类专业化岗位任务多样性较低，难以吸收被AI接管的工作。狭窄的岗位在内部无处安置被释放出来的那一小时，于是价值体现在工资一栏，而非工作量一栏。
现在把这一点和大多数中型企业AI项目的资源配置对照来看。变革管理、再培训预算、"这对你的职业意味着什么"巡回沟通——全都对准知识型和资深层。而那恰恰是测得薪酬效应为零的四分位。
薪酬效应落在你的沟通投入到不了的地方。
工资压缩就是那笔无人批准的AI生产力收益
这件事三年无人察觉是有原因的。裁员有审批关卡：商业论证、法务审查、遣散方案、沟通计划，还有一个与决策绑定的署名。工资压缩什么都没有。它是一百个看似都站得住脚的小决定累积出来的结果：一个职责悄悄收窄的岗位；一份按略微冷淡的绩效评级分配的调薪包；一个按薪档下限而非中位发布的补员职位；一次因为团队"消化业务量没问题"而再推迟一个周期的市场调薪。
这条链条上没有人决定要把AI生产力收益转化为工资压缩。但组织还是这么做了，因为当一份工作变轻松而薪酬流程中没有任何环节察觉时，压缩就是默认结果。
这也解释了为何该效应在你的报表中不可见。你有人数、流失率、单位招聘成本的看板；你几乎肯定没有一个看板专门追踪AI高暴露岗位相对薪酬册其余部分的实际工资增速。这个测量缺口并非疏忽——它正是这一机制得以畅行无阻的原因。
你的薪酬历史已不再是可用的基准
第二层问题比第一层更糟。50到500人规模的公司，薪档通常锚定于内部历史，再加上一份滞后一年甚至更久的市场调研。对于AI采用真实发生的岗位，这段历史如今已经内嵌了三年被压制的增长。用它来对标2027年的薪档，不会纠正压缩——只会将其正当化，并再延续一个周期。
你最先自动化的那些岗位，恰恰是你自己的薪酬数据已不再能可靠反映外部市场的岗位。
关于收益去了哪里，你的员工已经有了结论
分配层面的事实，伴随着分配层面的认知，而认知跑在证据前面。
Ipsos为Groundwork Collaborative在2026年6月对1,533名美国劳动者所做的调查发现：51%的人认为AI的好处只流向或主要流向所有者和高管，只有6%认为大部分好处到达了员工（Groundwork Collaborative / Ipsos, 2026）。三分之二的人预期AI会让工作变得更糟。
而你的管理者并没有能力去反驳这种解读。Korn Ferry的Global Total Rewards Pulse Survey于2026年6月覆盖135个国家的5,512家机构，结果显示：只有16%的机构有信心认为自己的管理者能向员工解释与AI相关的薪酬和工作变化（Korn Ferry, 2026）。
把这三项发现串起来，运营风险一目了然。薪酬效应真实且累退；一半员工本就这么假设；而六家公司里有五家无法就此展开一场可信的对话。这不是部署之后的沟通问题——这是一条传导链：从一个无人做出的薪酬决定，通向一个无人说得清为何停滞的采用项目。
值得认真对待的反方意见
Apollo是资产管理公司，不是大学，而这是一份白皮书，不是同行评审论文。这个质疑是合理的，应当直说，而不是绕开。
三个具体局限：
- 发表渠道与动机。 Apollo发布带有自家观点的宏观研究。辩护应立足于方法而非渠道：模型设定是常规的，系数与标准误均已公布，稳健性检验也已展示。请按表格来评判。
- 暴露度来自单一供应商。 基于实际使用的度量确实优于理论暴露度，但它来自一家供应商的交互日志。这是更好的数据，不是中立的数据。
- 双重差分在平行趋势假设下识别的是相关性。 如果高暴露职业在2023年之前就因无关原因走在更慢的工资轨道上，那么部分估计值反映的是这种既有分化，而非AI。
这些都尚未定论，而且不存在针对中型企业的细分数据——套用到一家200人的公司属于推断，不是测量。
但请想想这个反驳需要买下什么。要否定这个发现，你必须论证工资效应是虚假的，而且其虚假方式恰好在最低四分位比最高四分位集中十倍。更站得住脚的立场是：量级不确定，但形状有信息量——而改变你决策的正是这个形状。
本季度该做什么
把AI商业论证与薪档评审合并成一份文件
两者现在是同一件事。任何改变岗位工作内容的AI举措都会带来薪酬后果，而把它们放进不同会议、不同日程去审，正是压缩得以发生的方式。一份文件，一个负责人，一个评审日期。
在你自己的薪酬册上跑一遍"暴露度对调薪"的交叉分析
这只需一个下午，不是一个项目。标记出AI工具已实质改变工作内容的岗位。把它们自2023年以来的实际工资增速——名义涨幅减去通胀——与薪酬册其余部分对比。如果高暴露岗位落在后面，你就在自家公司内部复现了Apollo的结果，而这也是唯一真正能推动你的管理层的证据版本。
重做外部对标，从最低四分位开始
对于已自动化的岗位，请使用当前的外部市场数据，而不是内部历史。从薪酬册底部开始：那里测得的效应最大，而中型企业在那一层的流失，本就是单位司龄成本最高的。
在下一次部署之前，把薪酬与职责范围的对话写成脚本
鉴于那个16%，请假定你的管理者今天做不到这件事。把这场十分钟的对话写下来——工具改变了职责的哪些部分、没有改变薪档的哪些部分、晋升路径是什么——并与将要开展这场对话的管理者演练。这是整篇文章中成本最低的干预，而几乎没有人为它拨过预算。
摆在你桌上的决定
过去三年围绕AI的人力规划，都建立在一个问题之上——会有多少岗位消失——而基于观察到的采用情况的最佳可得证据给出的答案是"检测不到任何消失"。与此同时，那个可测量、显著且累退的效应径直进入了薪酬周期，无人审视，因为中型企业没有任何一块看板对准它。AI生产力收益从未消失。它被悄悄重新分配了，而且没有分配给承受变化的那些人。
在你的下一次AI投资评审之前，请只带一张图：自2023年以来，AI高暴露岗位相对其他所有岗位的实际工资增速，按薪酬四分位拆分。如果差距确实存在，那你运作的就不是一个效率项目。你运作的是一次减薪——而且你并没有批准过它。
