AI endrer lønn, ikke bare jobber

Lønnsutflating: En studie fra Apollo Global Management anslår kostnaden ved langsommere lønnsvekst for arbeidstakere som er eksponert for AI, til 28 milliarder dollar i året, fordelt på 5,8 millioner mennesker.

Hvor den betryggende versjonen kommer fra

Påstanden spredte seg raskt: Jobbkuttene går ned, ansettelsene går opp, og det finnes ingen bevis for at AI erstatter arbeidstakere. Sjeføkonomen i Apollo Global, Torsten Sløk, har fremført en versjon av dette argumentet i flere uker. Han viser til Challenger-data som viser at jobbkuttene gikk ned 41 % fra året før frem til august, det laveste totalantallet fra januar til august siden 2022, samtidig som planene for nyansettelser økte med 37 % i samme periode, det høyeste nivået siden 2023.

Den delen stemmer. Men den utgjør heller ikke hele rapporten.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Dette viser årsakskodene faktisk

Før vi igjen går fullt inn for flere av fortellingene om at AI får skylden, er det verdt å se grundig på dataene som brukes til å underbygge denne nyeste versjonen av argumentet. 

Challengers månedlige rapport inneholder to separate tabeller: Den ene følger de totale jobbkuttene, mens den andre bryter dem ned etter arbeidsgivernes oppgitte årsaker til oppsigelsene.

I den andre tabellen er AI den klart ledende oppgitte årsaken til jobbkuttene så langt i 2026, og nevnes i 116 175 kunngjøringer, 22 % av alle kuttene i år. Den samlede nedgangen i antallet kutt skyldes hovedsakelig en nedgang i oppsigelser i offentlig sektor fra fjorårets uvanlig høye nivåer, ikke at AI har blitt en mindre faktor i kuttene som faktisk finner sted.

To ting kan være sanne samtidig: De totale oppsigelsene kan gå ned, og AI kan fortsatt være den vanligste årsaken til oppsigelsene som gjenstår.

Funnet om reduserte ansettelser ovenfor kommer fra en undersøkelse fra New York Fed av tjenestebedrifter som bruker AI, gjengitt nedenfor. 

Dette er ikke første gang vi gjør dette

At lønninger tar støyten av et automatiseringssjokk i stedet for antallet ansatte, har en presedens. Industriroboter skapte omtrent det samme mønsteret, flere år før generativ AI eksisterte som et verktøy på arbeidsplassen.

I en studie publisert i Journal of Political Economy fulgte Daron Acemoglu ved MIT og Pascual Restrepo ved Boston University innføringen av roboter på tvers av 19 bransjer og 722 amerikanske pendlesoner mellom 1990 og 2007.

Hovedfunnet deres var at hver ekstra robot per 1 000 arbeidstakere reduserte forholdet mellom sysselsetting og befolkning med omtrent 0,2 prosentpoeng, og lønningene med omtrent 0,42 %. Effekten bygget seg gradvis opp i lokale arbeidsmarkeder over flere år, i stedet for gjennom en bølge av oppsigelser som fikk store overskrifter.

Påvirkningen var heller ikke jevnt fordelt. Forskerne fant at den var sterkest konsentrert blant arbeidstakere med lavere utdanning, særlig i industrien, mens arbeidstakere høyere på lønnsskalaen i stor grad var skjermet. Det samsvarer tett med mønsteret Apollo fant i årets AI-data, der tjenestearbeidere og den nederste inntektskvartilen bærer hoveddelen av lønnseffekten, mens de best betalte ikke merker noen effekt.

Sammenligningen har imidlertid begrensninger. Industriroboter er fysiske og kostbare kapitalinvesteringer. AI-verktøy er billige og kan spre seg gjennom en organisasjon på få uker, noe som kan bety at dette skjer raskere, saktere eller på en annen måte enn robotdataene kan forutsi.

Det forskningen faktisk fastslår, er at dette nøyaktige mønsteret, der forstyrrelsen rammer lønn og deltakelse snarere enn sysselsettingstall, allerede har utspilt seg én gang i målbare, publiserte data, lenge før kunstig intelligens igjen gjorde det til et aktuelt spørsmål. 

De manglende $4,800 

Apollos tall på $28 milliarder, den samlede lønnsveksten som gikk tapt blant arbeidstakerne som var eksponert for kunstig intelligens i studien, rapporteres som ett enkelt gjennomsnitt: $4,800 i året, fordelt på 5,8 millioner arbeidstakere. 

Gjennomsnittstall skjuler hvor ujevnt dette tallet er fordelt, og det er verdt å merke seg regnestykket som hovedtallet utelater.

Innenfor denne gruppen opplevde servicearbeidere en relativ nedgang i lønnsveksten på 24,3 %, mens den nederste inntektskvartilen hadde en nedgang på 10,7 %. De høyest lønnede opplevde derimot ingen målbar effekt. 

Det er en større spredning enn gjennomsnittet på $4,800 gir inntrykk av, og det rammer hardest dem som allerede tjener minst. En kundesenteransatt eller butikkmedarbeider som opplever nesten en fjerdedel lavere lønnsvekst, taper langt mer enn gjennomsnittet, i tillegg til å ha en lavere lønn i utgangspunktet. En person som allerede tjener godt i et yrke med høy eksponering, merker kanskje nesten ingenting av dette. 

Dette har betydning for hvordan dette kommer til syne, eller ikke kommer til syne, i de fleste rapporter om lønn og godtgjørelse. Et selskap som gjennomgår den samlede gjennomsnittlige lønnsveksten i år, kan se et tall som virker tilnærmet normalt, fordi arbeidstakere som tjener nok til å ikke bli påvirket, trekker gjennomsnittet opp igjen.

Presset er reelt for arbeidstakerne som opplever det, men det forblir usynlig i det samlede tallet ledelsen mest sannsynlig ser først.

Hva du bør sjekke i dine egne data

Ingen av de tre rapportene som ligger til grunn for dette, krevde proprietære data, og det gjør heller ikke en intern kontroll. 

Challengers tall kommer fra offentlige kunngjøringer om stillingskutt. New York Fed undersøker virksomheter direkte og publiserer resultatene. Apollo bygget estimatet sitt på data fra Bureau of Labor Statistics. 

For å få en grov forståelse av omfanget på delstatsnivå omgjør Center for AI Safetys wageloss.ai-dashbord Challengers AI-relaterte oppsigelser til et estimat i dollar, selv om det bare fanger opp oppsigelseskanalen, ikke lønnspresset eller den reduserte ansettelsen som trenger mer oppmerksomhet. Mønsteret som ligger under alt dette, er synlig i data de fleste organisasjoner allerede har. 

Noen utgangspunkter for et lønns- eller HR-team som ønsker å undersøke dette:

• Segmenter lønnsveksten etter eksponering for kunstig intelligens, ikke bare etter avdeling. Hent lønnsveksten de siste 24 månedene for roller der verktøy for kunstig intelligens brukes regelmessig, og sammenlign den med ellers tilsvarende roller på samme nivå og med samme ansiennitet, der slike verktøy ikke brukes. Et gjennomsnitt for hele avdelingen kan skjule det samme presset som et nasjonalt gjennomsnitt.
• Se etter stillingsrekvisisjoner som ble lukket i stedet for besatt. Verken Challenger eller NY Feds undersøkelse kan se en stillingsrekvisisjon som blir godkjent og deretter lukket uten ansettelse. De fleste systemer for kandidatsporing kan det. Dette tallet, spesifikt for roller som er eksponert for kunstig intelligens, ligger nærmere det NY Feds tall på 15 % for «færre ansettelser» måler, enn noe som fremgår av en rapport om antall ansatte.
• Følg med på tiden det tar å erstatte en medarbeider, ikke bare erstatningsgraden. Et økende gap mellom tidspunktet da noen forlater en rolle som er eksponert for kunstig intelligens, og tidspunktet da rollen blir besatt igjen, er ofte den tidligste synlige versjonen av dette mønsteret, selv om rollen til slutt blir besatt. Det skjer lenge før mønsteret viser seg i en medarbeiderundersøkelse eller et avslutningsintervju.
• La planleggingen av lønn og innføring av kunstig intelligens foregå i samme rom. L&D, eller den som leder innføringen av kunstig intelligens, har vanligvis ansvar for budsjettet til videre opplæring. Lønnsfunksjonen har ansvar for lønnsbudsjettet. Hvis en rolle får investeringer i videre opplæring i år, samtidig som lønnsveksten sakker akterut, kan de to teamene som følger disse separate tallene, aldri sammenligne notater. Koblingen blir derfor bare oppdaget hvis noen over dem begge stiller hvert team det samme spørsmålet.

Ingenting av dette krever at man venter på den neste Challenger-rapporten eller den neste Fed-undersøkelsen. Dataene som bør sjekkes, ligger i stor grad allerede i et HRIS og et ATS.