AI verandert lonen, niet alleen banen

Looncompressie: Een onderzoek van Apollo Global Management schat de kosten van tragere loonstijging voor werknemers die aan AI zijn blootgesteld op $28 miljard per jaar, verdeeld over 5,8 miljoen mensen.

Waar de geruststellende versie vandaan komt

De bewering verspreidde zich snel: het aantal ontslagen daalt, de aanwerving neemt toe en er is geen bewijs dat AI werknemers vervangt. Torsten Sløk, hoofdeconoom van Apollo Global, voert deze redenering al weken in een bepaalde vorm aan. Hij wijst op gegevens van Challenger waaruit blijkt dat het aantal ontslagen tot en met augustus 41% lager ligt dan een jaar eerder, het laagste totaal voor januari tot en met augustus sinds 2022, terwijl de aanwervingsplannen in dezelfde periode met 37% zijn gestegen, het hoogste niveau sinds 2023.

Dat deel klopt. Het is alleen niet het volledige rapport.

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.

Create Free Account

Have an account? Log In

Wat de redenencodes daadwerkelijk laten zien

Voordat we opnieuw volledig meegaan in meer verhalen waarin AI de schuld krijgt, is het de moeite waard om de gegevens achter deze nieuwste versie van de bewering volledig te bekijken. 

Het maandelijkse rapport van Challenger bevat twee afzonderlijke tabellen: de ene houdt het totale aantal ontslagen bij, terwijl de andere dit uitsplitst naar de redenen die werkgevers voor de ontslagen opgeven.

In de tweede tabel is AI tot nu toe in 2026 de vaakst genoemde reden voor ontslagen. AI wordt genoemd in 116.175 aankondigingen, oftewel 22% van alle ontslagen dit jaar. De algehele daling van het totale aantal ontslagen is voornamelijk het gevolg van een afname van ontslagen bij de overheid ten opzichte van de ongewoon hoge niveaus van vorig jaar, en niet van het feit dat AI een minder belangrijke factor is geworden bij de ontslagen die wel plaatsvinden.

Twee dingen kunnen tegelijkertijd waar zijn: het totale aantal ontslagen kan dalen en AI kan nog steeds de meest voorkomende reden zijn voor de ontslagen die overblijven.

De bovenstaande bevinding over de rem op de aanwerving komt uit een onderzoek van de Federal Reserve Bank of New York onder dienstverlenende bedrijven die AI gebruiken, hieronder uitgesplitst. 

Dit is niet de eerste keer dat dit gebeurt

Dat lonen de gevolgen van een automatiseringsschok opvangen in plaats van het aantal werknemers, kent een precedent. Industriële robots vertoonden vrijwel hetzelfde patroon, jaren voordat generatieve AI als hulpmiddel op de werkplek bestond.

In een onderzoek dat werd gepubliceerd in het Tijdschrift voor politieke economie volgden Daron Acemoglu van MIT en Pascual Restrepo van Boston University de invoering van robots in 19 sectoren en 722 woon-werkregio's in de VS tussen 1990 en 2007. 

Hun belangrijkste bevinding: elke extra robot per 1.000 werknemers verlaagde de verhouding tussen werkgelegenheid en bevolking met ongeveer 0,2 procentpunt en de lonen met ongeveer 0,42%. Het effect bouwde zich gedurende meerdere jaren geleidelijk op binnen lokale arbeidsmarkten, in plaats van via een golf van ontslagen die de krantenkoppen haalde.

De impact was bovendien niet gelijkmatig verdeeld. De onderzoekers stelden vast dat deze vooral geconcentreerd was onder lager opgeleide werknemers, met name in de productiesector, terwijl werknemers hoger op de loonladder grotendeels buiten schot bleven. Dat komt sterk overeen met het beeld dat Apollo in de AI-gegevens van dit jaar aantrof: werknemers in de dienstensector en het onderste inkomenskwartiel dragen het grootste deel van het looneffect, terwijl de hoogste inkomens er niets van merken.

De vergelijking kent echter beperkingen. Industriële robots zijn fysieke en dure kapitaalinvesteringen. AI-hulpmiddelen zijn goedkoop en kunnen zich binnen enkele weken door een organisatie verspreiden. Dat kan betekenen dat dit proces sneller, langzamer of op een andere manier verloopt, op manieren die de gegevens over robots niet kunnen voorspellen. 

Wat dat onderzoek wel vaststelt, is dat dit exacte patroon — waarbij de verstoring neerkomt op beloning en participatie in plaats van op werkgelegenheidsaantallen — zich al eenmaal heeft voorgedaan in meetbare, gepubliceerde gegevens, lang voordat AI er opnieuw een actuele kwestie van maakte. 

De ontbrekende $4,800 

Het bedrag van $28 miljard van Apollo, de totale loonstijging die werknemers die aan AI zijn blootgesteld volgens het onderzoek zijn misgelopen, wordt als één gemiddelde weergegeven:  $4,800 per jaar, verdeeld over 5,8 miljoen werknemers. 

Gemiddelden verhullen hoe ongelijk dat bedrag is verdeeld, en het is de moeite waard om stil te staan bij de berekening die het totaalbedrag overslaat.

Binnen die groep hadden dienstverleners een relatieve daling van 24,3% in loonstijging en zag het onderste inkomenskwartiel een daling van 10,7%, terwijl de hoogste inkomens helemaal geen meetbaar effect ondervonden. 

Dat is een grotere spreiding dan het gemiddelde van $4,800 doet vermoeden, en het treft vooral mensen die al het minst verdienen. Een callcentermedewerker of winkelmedewerker die bijna een kwart minder loonstijging krijgt, loopt veel meer mis dan het gemiddelde, boven op een lager salaris om mee te beginnen. Iemand die in een beroep met een hoge blootstelling al goed verdient, merkt er mogelijk vrijwel niets van. 

Dat is van belang voor de manier waarop dit zichtbaar wordt, of juist niet, in de meeste beloningsrapportages. Een bedrijf dat dit jaar zijn gemiddelde loonstijging als geheel bekijkt, kan een cijfer zien dat dicht bij normaal lijkt, omdat werknemers die genoeg verdienen om niet te worden getroffen het gemiddelde weer omhoogtrekken.

De druk op de lonen is reëel voor de werknemers die deze ervaren, maar blijft onzichtbaar in het gecombineerde cijfer dat de leiding waarschijnlijk als eerste te zien krijgt.

Wat je in je eigen gegevens moet controleren

Voor geen van de drie rapporten waarop dit is gebaseerd waren bedrijfseigen gegevens nodig, en voor een interne controle zijn die evenmin nodig. 

De cijfers van Challenger zijn afkomstig uit openbare aankondigingen van banenverlies. De New York Fed ondervraagt bedrijven rechtstreeks en publiceert de resultaten. Apollo stelde zijn schatting op basis van gegevens van het Bureau of Labor Statistics op. 

Voor een globaal beeld van de omvang per staat zet het dashboard van het Center for AI Safety, wageloss.ai, de aan AI toegeschreven ontslagen van Challenger om in een schatting in dollars, hoewel het alleen het kanaal van ontslagen in beeld brengt en niet de looncompressie of onderdrukte aanwerving, die meer aandacht nodig hebben. Het onderliggende patroon is overal zichtbaar in gegevens waar de meeste organisaties al over beschikken. 

Een paar uitgangspunten voor een belonings- of HR-team dat dit wil controleren:

• Segmenteer loonstijging naar blootstelling aan AI, niet alleen naar afdeling. Haal de loonstijging over de afgelopen 24 maanden op voor functies waarin AI-tools regelmatig worden gebruikt en vergelijk die met verder vergelijkbare functies op hetzelfde niveau en met dezelfde anciënniteit waarin ze niet worden gebruikt. Een gecombineerd gemiddelde voor de hele afdeling kan dezelfde druk verbergen als een nationaal gemiddelde.
• Controleer vacatures die zijn gesloten in plaats van ingevuld. Noch Challenger noch de enquête van de NY Fed kan een aanvraag zien die wordt goedgekeurd en vervolgens wordt gesloten zonder dat iemand wordt aangenomen. De meeste sollicitantvolgsystemen kunnen dat wel. Dat aantal, specifiek voor functies die aan AI zijn blootgesteld, komt dichter in de buurt van wat het cijfer van 15% van de NY Fed over "minder aangenomen" meet dan enig cijfer in een personeelsrapportage.
• Houd de tijd tot vervanging in de gaten, niet alleen het vervangingspercentage. Een groeiende kloof tussen het moment waarop iemand een aan AI blootgestelde functie verlaat en het moment waarop die functie opnieuw wordt ingevuld, zelfs als dat uiteindelijk wel gebeurt, is vaak de vroegst zichtbare versie van dit patroon, lang voordat het zichtbaar wordt in een medewerkerstevredenheidsonderzoek of een exitgesprek.
• Breng beloningsplanning en planning voor AI-adoptie samen. L&D of degene die de uitrol van AI beheert, is doorgaans verantwoordelijk voor het budget voor omscholing. Beloning beheert het loonbudget. Als er dit jaar wordt geïnvesteerd in omscholing voor een functie terwijl de loonstijging achterblijft, vergelijken de twee teams die deze afzonderlijke cijfers bijhouden mogelijk nooit hun bevindingen. Het verband wordt dan alleen gelegd als iemand boven beide teams dezelfde vraag aan elk van hen stelt.

Voor niets hiervan hoef je te wachten op het volgende rapport van Challenger of de volgende enquête van de Fed. De te controleren gegevens staan grotendeels al in een HRIS en een ATS.