AI förändrar löner, inte bara jobb

Lönepress: En studie från Apollo Global Management uppskattar kostnaden för långsammare löneökningar för AI-exponerade arbetstagare till 28 miljarder dollar per år, fördelat på 5,8 miljoner människor.

Varifrån den lugnande versionen kommer

Påståendet spreds snabbt: jobbnedskärningarna minskar, rekryteringen ökar och det finns inga belägg för att AI ersätter arbetstagare. Apollos chefsekonom Torsten Sløk har framfört en version av detta argument i flera veckor och pekat på Challenger-data som visar att jobbnedskärningarna minskat med 41 % jämfört med föregående år till och med augusti, den lägsta totalsiffran för januari–augusti sedan 2022, samtidigt som rekryteringsplanerna ökat med 37 % under samma period, den högsta nivån sedan 2023.

Den delen håller. Men det är inte hela 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.

Create Free Account

Have an account? Log In

Vad orsaksangivelserna faktiskt visar

Innan vi återigen helt ansluter oss till fler berättelser om att AI får bära skulden är det värt att granska de data som används för att stödja denna senaste version av argumentet i sin helhet. 

Challengers månadsrapport innehåller två separata tabeller: den ena följer det totala antalet jobbnedskärningar, medan den andra delar upp dem efter de orsaker som arbetsgivarna angett för uppsägningarna.

I den andra tabellen är AI den vanligaste angivna orsaken till jobbnedskärningar hittills under 2026 och nämns i 116 175 tillkännagivanden, 22 % av alla nedskärningar i år. Den övergripande minskningen av det totala antalet nedskärningar beror främst på en nedgång i statliga uppsägningar från fjolårets ovanligt höga nivåer, inte på att AI blivit en mindre faktor i de nedskärningar som faktiskt sker.

Två saker kan vara sanna samtidigt: det totala antalet uppsägningar kan minska, och AI kan fortfarande vara den vanligaste orsaken till de uppsägningar som återstår.

Resultatet om minskad rekrytering ovan kommer från en undersökning från New York Fed av tjänsteföretag som använder AI, uppdelad nedan. 

Det här är inte första gången vi gör detta

Att löner tar emot en automatiseringschock i stället för personalstyrkan har en föregångare. Industrirobotar skapade i stort sett samma mönster, flera år innan generativ AI existerade som ett verktyg på arbetsplatser.

I en studie som publicerades i Journal of Political Economy följde MIT:s Daron Acemoglu och Bostons universitets Pascual Restrepo införandet av robotar i 19 branscher och 722 amerikanska pendlingszoner mellan 1990 och 2007. 

Deras centrala resultat: varje ytterligare robot per 1 000 arbetstagare minskade sysselsättningsgraden i befolkningen med ungefär 0,2 procentenheter och lönerna med ungefär 0,42 %. Effekten byggdes gradvis upp på lokala arbetsmarknader under flera år, snarare än genom en våg av uppmärksammade uppsägningar.

Påverkan fördelades inte heller jämnt. Forskarna fann att den var som störst bland mindre utbildade arbetstagare, särskilt inom tillverkningsindustrin, medan arbetstagare högre upp på löneskalan i stor utsträckning var skyddade. Det stämmer väl överens med den bild Apollo fann i årets AI-data, där tjänstearbetare och den lägsta inkomstkvartilen bär huvuddelen av löneeffekten medan de bäst betalda inte påverkas alls.

Jämförelsen har dock begränsningar. Industrirobotar är fysiska och dyra kapitalinvesteringar. AI-verktyg är billiga och kan spridas genom en organisation på några veckor, vilket kan innebära att detta utvecklas snabbare, långsammare eller på ett annat sätt än vad robotdata kan förutsäga. 

Vad forskningen faktiskt fastställer är att just det här mönstret, där störningen slår mot löner och deltagande snarare än antalet anställningar, redan har utspelat sig en gång i mätbara, publicerade data, långt innan AI åter gjorde det till en aktuell fråga. 

De saknade 4 800 dollarna 

Apollos siffra på 28 miljarder dollar, den totala löneökning som gick förlorad bland AI-exponerade arbetstagare i studien, rapporteras som ett enda genomsnitt: 4 800 dollar per år, fördelat på 5,8 miljoner arbetstagare. 

Genomsnitt döljer hur ojämnt den siffran är fördelad, och det är värt att uppmärksamma den matematik som totalsiffran utelämnar.

Inom den gruppen upplevde servicearbetare en relativ minskning av löneökningen på 24,3 procent, och den nedre inkomstkvartilen en minskning på 10,7 procent, medan de högst avlönade inte såg någon mätbar effekt alls. 

Det är en större spridning än vad genomsnittet på 4 800 dollar antyder, och den slår hårdast mot personer som redan tjänar minst. En callcenteranställd eller butiksmedarbetare som får nästan en fjärdedel mindre löneökning förlorar betydligt mer än genomsnittet, ovanpå en redan från början lägre lön. Någon som redan tjänar bra i ett yrke med hög AI-exponering kanske knappt känner av det alls. 

Det har betydelse för hur detta syns, eller inte syns, i de flesta rapporter om ersättning. Ett företag som granskar sin genomsnittliga löneökning totalt i år kan se en siffra som verkar ligga nära det normala, eftersom arbetstagare som tjänar tillräckligt för att inte påverkas drar upp genomsnittet igen.

Sammanpressningen är verklig för de arbetstagare som upplever den, men förblir osynlig i det sammanvägda tal som ledningen sannolikt ser först.

Vad du bör kontrollera i dina egna data

Ingen av de tre rapporterna bakom detta krävde företagsintern data, och det gör inte heller en intern kontroll av detta. 

Challengers siffror kommer från offentliga meddelanden om personalnedskärningar. New York Fed frågar företag direkt och publicerar resultaten. Apollo byggde sin uppskattning utifrån data från Bureau of Labor Statistics. 

För en grov uppfattning om omfattningen per delstat omvandlar Center for AI Safetys instrumentpanel wageloss.ai Challengers AI-hänförliga uppsägningar till en uppskattning i dollar, även om den bara fångar uppsägningskanalen, inte den lönesammanpressning eller dämpning av nyanställningar som behöver mer uppmärksamhet. Mönstret under allt detta är synligt i data som de flesta organisationer redan har. 

Några utgångspunkter för ett ersättnings- eller HR-team som vill kontrollera detta:

• Dela upp löneökningen efter AI-exponering, inte bara efter avdelning. Ta fram löneökningen under de senaste 24 månaderna för roller där AI-verktyg används regelbundet och jämför den med i övrigt liknande roller på samma nivå och med samma anställningstid där de inte används. Ett sammanvägt genomsnitt för en hel avdelning kan dölja samma sammanpressning som ett nationellt genomsnitt.
• Kontrollera rekryteringsbeställningar som stängdes i stället för att tillsättas. Varken Challenger eller NY Feds undersökning kan se en rekryteringsbeställning som godkänns och sedan stängs utan att någon anställs. Det kan de flesta system för kandidatspårning. Den siffran, specifikt för AI-exponerade roller, ligger närmare det som NY Feds siffra på 15 procent ”anställde färre” mäter än något som finns i en rapport över personalstyrkan.
• Följ tiden för återbesättning, inte bara återbesättningsgraden. Ett växande glapp mellan när någon lämnar en AI-exponerad roll och när den återbesätts, även om den till slut blir tillsatt, är ofta den tidigaste synliga versionen av detta mönster, långt innan det syns i en medarbetarundersökning eller en exitintervju.
• Samla ersättnings- och planeringen för AI-implementering i samma rum. L&D, eller den som ansvarar för AI-implementeringen, äger vanligtvis budgeten för omskolning. Ersättningsfunktionen äger lönebudgeten. Om en roll får investeringar i omskolning i år samtidigt som löneökningen släpar efter, kanske de två teamen som följer dessa separata siffror aldrig jämför sina anteckningar, så kopplingen görs bara om någon över dem båda ställer samma fråga till var och en av dem.

Inget av detta kräver att man väntar på nästa Challenger-rapport eller nästa Fed-undersökning. De data som behöver kontrolleras finns till stor del redan i ett HRIS och ett ATS.