Em 321 ocupações norte-americanas e uma década de dados salariais do Bureau of Labor Statistics, o efeito mensurável da IA sobre o emprego foi zero. Sobre a remuneração, não. O crescimento do salário real ficou cerca de 6,7% mais lento nas ocupações de alta exposição depois de 2023 — e no quartil salarial mais baixo, 10,7% mais lento. No quartil mais alto, nada: nenhum efeito significativo (Edlich & Slok, Apollo, 2026).
Aí está localizado o seu ganho de produtividade com IA. Ele não chegou como redução de quadro. Chegou como aumentos que nunca aconteceram, concentrados quase inteiramente na base da folha de pagamento.
Se o seu business case de IA para 2026 ainda modela o risco de força de trabalho como quantos cargos serão eliminados, você está lendo a linha errada da demonstração errada.
O que a Apollo mediu de fato — e por que a "adoção observada" muda a leitura
Sania Edlich e Torsten Slok, da Apollo Global Management, construíram um modelo de diferenças em diferenças sobre 321 ocupações pareadas usando os dados do BLS Occupational Employment and Wage Statistics de 2015 a 2025, com efeitos fixos por ocupação e por ano e erros-padrão agrupados por ocupação (Edlich & Slok, Apollo, 2026).
A escolha de desenho que importa é como definiram a exposição. Quase todas as estimativas anteriores — Felten, Webb, Brynjolfsson-Mitchell-Rock — pontuam ocupações por suscetibilidade teórica, derivada das descrições de tarefas do O*NET. A Apollo mediu exposição a partir do uso observado, extraído do Anthropic Economic Index. Não quais empregos um sistema de IA poderia plausivelmente tocar, mas para quais empregos ele está comprovadamente sendo usado.
Essa única substituição encolhe drasticamente a população em discussão. As ocupações de alta exposição na medida observada abrangem cerca de 5,8 milhões de trabalhadores — aproximadamente 3,7% da força de trabalho dos EUA (Axios, 2026). Três anos de manchetes baseadas em exposição teórica descreveram uma força de trabalho várias vezes maior do que aquela que a IA de fato alcançou.
Dentro dessa população menor, os dois coeficientes principais apontam em direções opostas:
- log(Emprego): −0,0639, erro-padrão 0,0870. Não significativo. Nenhuma perda de emprego detectável.
- log(Salário real): −0,0667, erro-padrão 0,0181, p < 0,01. Cerca de 6,7% menos de crescimento salarial real.
Os autores reestimaram o modelo com limiares de exposição de 0,4 e 0,6 e o resultado salarial se manteve. O limite inferior agregado conservador para renda do trabalho não recebida é de US$ 28 bilhões por ano (Edlich & Slok, Apollo, 2026; HR Dive, 2026).
Uma nota estatística para levar a qualquer discussão interna: um coeficiente de emprego não significativo não prova que a IA não eliminou postos. Significa que este desenho não conseguiu detectar um efeito e que, com aquele erro-padrão, teria deixado passar um efeito moderado. A estimativa salarial é a precisa. A estimativa de emprego é a silenciosa.
A forma regressiva é o achado de verdade
Separado por quartil salarial de partida — quartis definidos sobre o salário médio de cada ocupação entre 2015 e 2022 — o efeito não está distribuído. Está empilhado na base (Edlich & Slok, Apollo, 2026):
- Q1, os menos remunerados: −10,7% (p < 0,01)
- Q2: −5,7% (não significativo)
- Q3: −4,05% (p < 0,1)
- Q4, os mais remunerados: nenhum efeito significativo
Por grupo ocupacional, cargos de gestão e profissionais registraram −4,1%. O trabalho operacional não mostrou efeito significativo, o que se espera de uma tecnologia com alcance limitado sobre tarefas físicas. A categoria de serviços apareceu em −24,3%, mas os próprios autores a sinalizam como subamostra pequena e sensível à composição. Trate-a como sinal de direção, não como número para colocar num slide.
O efeito também foi mais forte em ocupações menores — funções especializadas com menos variedade de tarefas para absorver o trabalho assumido pela IA. Cargos estreitos não têm para onde realocar internamente a hora liberada, então o valor aparece na linha do salário e não na da carga de trabalho.
Agora confronte isso com o modo como a maioria dos programas de IA no mid-market é dotada. Gestão da mudança, orçamento de requalificação, o roadshow "o que isso significa para a sua carreira" — tudo mira a camada sênior e de conhecimento. É exatamente o quartil em que o efeito salarial medido é zero.
O efeito remuneratório cai onde o seu esforço de comunicação não chega.
Compressão salarial é o ganho de produtividade com IA que ninguém aprovou
Há uma razão para isso ter passado despercebido por três anos. Uma demissão tem porta de aprovação. Tem business case, revisão jurídica, modelo de rescisão, plano de comunicação e um nome ligado à decisão. Compressão salarial não tem nada disso. É a soma emergente de cem decisões pequenas e defensáveis: um cargo cujo escopo se estreitou em silêncio, uma verba de mérito distribuída sobre uma avaliação um pouco mais morna, uma reposição publicada na base da faixa em vez do meio, um ajuste de mercado adiado mais um ciclo porque a equipe "está dando conta do volume".
Ninguém nessa cadeia decidiu capturar o ganho de produtividade com IA como compressão salarial. A organização fez isso mesmo assim, porque compressão é o que acontece por padrão quando um trabalho fica mais fácil e nada no processo de remuneração percebe.
Isso também explica por que o efeito é invisível no seu reporting. Você tem painéis de headcount, turnover e custo por contratação. Quase certamente não tem um de crescimento do salário real em funções expostas à IA versus o resto da folha. A lacuna de medição não é um descuido — é a razão pela qual o mecanismo opera sem oposição.
O seu histórico de folha deixou de ser um benchmark utilizável
O problema de segunda ordem é pior que o primeiro. Em empresas de 50 a 500 funcionários, as faixas salariais costumam ser ancoradas no histórico interno somado a uma pesquisa de mercado que atrasa um ano ou mais. Para funções em que a adoção de IA é real, esse histórico agora codifica três anos de crescimento suprimido. Comparar uma faixa de 2027 contra ele não corrige a compressão — ratifica-a e a prolonga por mais um ciclo.
As funções que você automatizou primeiro são justamente aquelas para as quais os seus próprios dados de folha deixaram de ser uma leitura confiável do mercado externo.
O que os seus funcionários já acreditam sobre para onde foi o ganho
O fato distributivo vem acompanhado de uma percepção distributiva, e a percepção corre à frente da evidência.
Uma pesquisa Ipsos para o Groundwork Collaborative, realizada em junho de 2026 com 1.533 trabalhadores norte-americanos, encontrou 51% acreditando que os benefícios da IA vão apenas ou principalmente para proprietários e executivos, contra 6% que dizem que a maior parte chega aos trabalhadores (Groundwork Collaborative / Ipsos, 2026). Dois terços esperam que a IA piore o trabalho.
Os seus gestores não estão equipados para contestar essa leitura. A Global Total Rewards Pulse Survey da Korn Ferry, realizada em junho de 2026 com 5.512 organizações em 135 países, apurou que apenas 16% das organizações confiam que seus gestores saibam explicar mudanças de remuneração e de trabalho relacionadas à IA (Korn Ferry, 2026).
Coloque os três achados em sequência e o risco operacional fica evidente. O efeito remuneratório é real e regressivo. Metade da força de trabalho já o pressupõe. E cinco em cada seis empresas não conseguem sustentar uma conversa crível a respeito. Isso não é um problema de comunicação a jusante do rollout — é o caminho de transmissão entre uma decisão de remuneração que ninguém tomou e um programa de adoção que trava sem que ninguém saiba nomear o porquê.
O contra-argumento que merece ser levado a sério
A Apollo é uma gestora de ativos, não uma universidade, e isto é um whitepaper, não um artigo com revisão por pares. É uma objeção justa e deve ser declarada abertamente, não contornada.
Três limites específicos:
- Veículo e incentivo. A Apollo publica pesquisa macro com visão de casa. A defesa está no método, não no veículo: a especificação é convencional, coeficientes e erros-padrão estão publicados e os testes de robustez são mostrados. Julgue pelas tabelas.
- A exposição vem de um fornecedor. Medir por uso é um avanço real sobre exposição teórica, mas vem dos logs de interação de um único fornecedor. É um dado melhor, não um dado neutro.
- Diferenças em diferenças identifica associação sob a hipótese de tendências paralelas. Se as ocupações de alta exposição já vinham numa trajetória salarial mais lenta por razões alheias antes de 2023, parte da estimativa é essa divergência preexistente e não a IA.
Nada disso está encerrado, e não existe recorte para o mid-market — aplicar a uma empresa de 200 pessoas é inferência, não medição.
Mas considere o que a objeção precisa comprar. Para descartar o achado é preciso sustentar que o efeito salarial é espúrio e que é espúrio de um modo que se concentra dez vezes mais no quartil inferior do que no superior. A posição mais defensável é que a magnitude é incerta e a forma é informativa — e é a forma que muda as suas decisões.
O que fazer neste trimestre
Una o business case de IA e a revisão de faixas salariais em um único documento
Agora são o mesmo exercício. Qualquer iniciativa de IA que mude o que uma função faz tem consequência remuneratória, e revisá-las em reuniões separadas, em calendários separados, é exatamente como a compressão aconteceu. Um documento, um dono, uma data de revisão.
Rode o cruzamento exposição versus mérito na sua própria folha
Leva uma tarde, não um projeto. Marque as funções em que o ferramental de IA mudou materialmente o trabalho. Compare o crescimento do salário real delas desde 2023 — aumentos nominais menos inflação — com o resto da folha. Se as funções expostas à IA ficaram para trás, você reproduziu o resultado da Apollo dentro da sua empresa, e agora tem a única versão desta evidência que de fato move a sua diretoria.
Refaça o benchmark externo, começando pelo quartil mais baixo
Para funções automatizadas, use dados de mercado atuais em vez do histórico interno. Comece pela base da folha, onde o efeito medido é maior e onde o turnover no mid-market já é mais caro por unidade de tempo de casa.
Escreva o roteiro da conversa sobre remuneração e escopo antes do próximo rollout
Dados os 16%, assuma que hoje os seus gestores não conseguem fazer isso. Escreva a conversa de dez minutos — o que a ferramenta muda no escopo, o que ela não muda na faixa, qual é a trilha de progressão — e ensaie com os gestores que vão conduzi-la. É a intervenção mais barata deste artigo inteiro e quase ninguém a financiou.
A decisão sobre a sua mesa
Os últimos três anos de planejamento de força de trabalho em torno da IA foram construídos sobre uma pergunta — quantos empregos desaparecem — que a melhor evidência disponível de adoção observada responde com "nenhum de forma detectável". Enquanto isso, o efeito que era mensurável, significativo e regressivo entrou direto no ciclo de remuneração, sem exame, porque nenhum painel no mid-market está apontado para lá. O ganho de produtividade com IA nunca se perdeu. Foi realocado, em silêncio, e não para quem absorveu a mudança.
Antes da sua próxima revisão de investimento em IA, leve um único gráfico: crescimento do salário real desde 2023 nas funções expostas à IA, contra todas as demais, separado por quartil salarial. Se a lacuna estiver lá, você não conduziu um programa de eficiência. Conduziu um corte de salário, e não o aprovou.
