„Gaat AI mijn baan overnemen?" is de verkeerde vraag, en het grootste deel van het publieke debat over AI en werk zit ernaast omdat het die vraag toch beantwoordt. De baan is niet de analyse-eenheid. De taak wel. En taken zitten niet allemaal op hetzelfde spectrum van vervangbaarheid — ze vallen in een van vier economisch duidelijk verschillende klassen. Zodra je de klassen ziet, verandert de vraag van vorm: niet kan AI mijn rol doen, maar welk deel van mijn rol zit in welke klasse, en wat dat betekent voor kosten, beloning en waar je het komende jaar van je loopbaan aan besteedt.
Dit is de canonieke Wagecore-taxonomie. We wijzen elke taak in elke Wagecard toe aan precies een van deze vier klassen, en het centrale cijfer voor substitutieblootstelling is een gewogen aggregaat daarover. Het raamwerk bouwt voort op een decennium automatiseringseconomische literatuur (Autor, Frey/Osborne, Brynjolfsson, Acemoglu) plus de post-mortems van AI-implementaties uit de afgelopen drie jaar. De eigen bijdrage is het vastleggen van een kleine, elkaar uitsluitende indeling waarop de wiskunde kan rijden.
Klasse 1: Vervangbaar (replaceable)
Een taak is vervangbaar wanneer AI hem van begin tot eind uitvoert met minimaal menselijk toezicht, met controlepercentages onder de 10% en foutkosten die laag genoeg zijn dat de gevallen waarin het misgaat de besparingen op de gevallen waarin het goed gaat niet wegvagen. Het werk is begrensd, repetitief, gestructureerd, en de gevolgen van een individuele fout zijn goedkoop te herstellen.
Concrete voorbeelden: een inkomend supportticket naar de juiste wachtrij sturen, gestructureerde gegevens uit facturen naar een ERP-systeem halen, OCR plus eerste classificatie van binnenkomende formulieren, productbeschrijvingen genereren uit een SKU en een afbeelding, een lang vergadertranscript samenvatten tot actiepunten, audio transcriberen. Dit zijn taken waarbij de output van de AI wordt gecontroleerd op het moment dat die een stroomafwaarts signaal produceert (het ticket ging naar de verkeerde wachtrij → een mens verplaatst het), niet weken later in een rechtszaal.
De meeste rollen hebben een aandeel vervangbaar werk dat groter is dan nul. Zelfs chirurgen hebben een klein stukje: het dicteren van klinische notities is in veel praktijken nu vervangbaar. Zelfs therapeuten hebben het: afspraken plannen, intakeformulieren, verzekeringscontrole. De fout is aannemen dat het vervangbare deel van de rol de hele rol is. Meestal is het 15–35% van de tijd van een kenniswerker.
Klasse 2: AI-versterkt (ai-augmented)
Een taak is AI-versterkt wanneer AI de eerste versie maakt, de mens de laatste 20–30% voor zijn rekening neemt, en juist dat laatste deel is waar de waarde vandaan komt. De AI doet het leeuwendeel van het typewerk; de mens levert oordeelsvermogen, context en verantwoordelijkheid voor wat wordt opgeleverd.
Concrete voorbeelden: een marketing-e-mail schrijven (AI-concept, mens verfijnt voor toon en publiek), een juridische aanmaningsbrief opstellen (AI haalt precedent en structuur, de advocaat past de zaakspecifieke feiten toe), code genereren voor een feature (AI schrijft het geraamte, de ontwikkelaar integreert het in de codebase en handelt randgevallen af), slides maken voor een klantpitch (AI bouwt de opmaak, de verkoper bewerkt de positionering), een financieel model voorbereiden (AI bouwt het sjabloon, de analist stelt de aannames bij).
Voor de meeste kenniswerkers is dit de grootste afzonderlijke klasse, doorgaans 25–40% van de tijd. Het is ook de klasse met het meeste groeipotentieel naarmate modellen beter worden en het oppervlak voor menselijke controle krimpt. Maar er zit een plafond aan: zolang de mens aansprakelijk is voor wat wordt opgeleverd, moet die het werk goed genoeg kennen om de fouten van de AI op te vangen — wat betekent dat de mens nog steeds in de lus zit, nog steeds betaald moet worden en nog steeds de onderliggende vaardigheid moet hebben. AI-versterking is geen route naar nul personeel; het is een route naar hefboomwerking.
Klasse 3: Mensgestuurd, AI-ondersteund (human-led, AI-assisted)
Het spiegelbeeld van AI-versterkt. De mens stuurt; de AI is een gereedschap — snel opzoeken, samenvatten, code-aanvulling, ophalen. De mens denkt na en neemt de beslissingen; de AI verkort de tijd tussen vraag en relevante informatie. Zou je de AI weghalen, dan zou het werk nog steeds gebeuren, alleen trager.
Concrete voorbeelden: een arts die vóór een diagnose de literatuur doorzoekt op vergelijkbare presentaties, een advocaat die de AI vraagt de clausule in een contract van 300 pagina's te vinden die een standpunt tegenspreekt, een ingenieur die vraagt naar de syntaxis van een bibliotheek die hij drie jaar geleden voor het laatst gebruikte, een docent die werkbladvarianten genereert om een les te differentiëren, een architect die AI gebruikt om een reeds ontworpen geveloptie te renderen.
Rollen in gereguleerd, hoog-risico of relatie-intensief werk clusteren hier sterk: 30–50% van de tijd. De AI neemt de beslissingen niet, draagt de verantwoordelijkheid niet en mag dat ook niet — hetzij bij wet (medisch, juridisch advies), hetzij door de fysica van het werk (de therapiesessie, de klantrelatie, het teamconflict). Wat het doet is de mens sneller maken op de delen van zijn werk die informatiegebonden zijn in plaats van oordeelsgebonden.
Klasse 4: Mensessentieel (human-critical)
Een taak is mensessentieel wanneer AI geen netto waarde levert, en vaak negatieve waarde, omdat de waarde van de taak zit in iets wat de AI niet kan voortbrengen: vertrouwen, verantwoordelijkheid, ambiguïteitstolerantie, relationeel oordeelsvermogen, overtuigingskracht onder druk, het contextueel lezen van een onbekende ruimte. Dit zijn geen taken die de AI nog niet heeft ingehaald. Het zijn taken waarbij het plausibel-klinken van de AI zelf de faalmodus is.
Concrete voorbeelden: een ervaren verkoper die een vastgelopen deal leest en beslist of hij escaleert of terugtreedt, een manager die slecht nieuws brengt aan een teamlid dat al vijftien jaar bij het bedrijf werkt, een therapeut die in stilte zit terwijl een cliënt zich herpakt, een bestuurslid dat de zelfverzekerde bewering van een CEO afweegt tegen wat het bij de lunch zag, een onderzoeksjournalist die beslist welke van twee tegenstrijdige bronnen te geloven, een docent die opmerkt dat een normaal betrokken leerling stil is geworden en kiest of hij het nu of later onder vier ogen aankaart.
Mensessentieel werk is dat wat niet schaalt, en dat is juist het punt. Het is ook waar prijszettingsmacht zit. Rollen die voor 40% of meer mensessentieel zijn, zijn de rollen waarin AI-inzet het werk per uur waardevoller maakt, niet minder waard — omdat de versterking de tijd met lagere hefboomwerking wegschraapt en de beloning concentreert op de niet te reduceren kern.
De meeste rollen zijn een mix, geen enkele klasse
Hier is het deel dat het publieke debat steeds verkeerd blijft begrijpen: heel weinig rollen zitten voor 100% in één enkele klasse. De feitelijke weektijd van een softwareontwikkelaar zou ruwweg kunnen uitkomen op 20% vervangbaar (boilerplate, tickettriage), 35% AI-versterkt (feature-implementatie onder review), 30% mensgestuurd, AI-ondersteund (het debuggen van lastige productieproblemen, architectuurbeslissingen), 15% mensessentieel (scope onderhandelen met een PM, een junior begeleiden, een politiek gevoelige code-review navigeren). Een teamlead klantsupport zou kunnen uitkomen op 30% vervangbaar (tier-1-tickets afhandelen), 25% AI-versterkt (macro's en beleidsdocumenten opstellen), 30% mensgestuurd, AI-ondersteund (escalaties afhandelen die de AI niet kan ontmijnen), 15% mensessentieel (1-op-1's met teamleden, conflictbemiddeling, functioneringsgesprekken).
De verdeling telt zwaarder dan welk afzonderlijk cijfer dan ook. Een rol die voor 80% vervangbaar is, komt onder prijsdruk te staan, zelfs als de gemiddelde taak niet triviaal is, omdat de inzet-economie helder is. Een rol die voor 50% mensessentieel is, behoudt prijszettingsmacht, zelfs als de rest naar nul wordt geautomatiseerd — en de gemiddelde beloning per resterend uur gaat omhoog.
Waarom de vierdeling (en niet drie of zes)
Eerdere raamwerken gebruikten twee klassen (vervangen / niet vervangen) of drie (vervangen / versterkt / onaangetast). Twee is te grof — het klontert AI-versterkt en mensessentieel samen tot „niet vervangen", wat de centrale waarheid verbergt dat versterking prijszettingsmacht kan opstapelen terwijl vervangbaar werk die wegstript. Drie komt dichterbij maar vouwt de economisch meest verschillende gevallen — mensgestuurd, AI-ondersteund versus mensessentieel — samen in één emmer. Ze gedragen zich anders. Een diagnose is mensgestuurd, AI-ondersteund (de AI helpt bij het literatuuronderzoek). Een patiënt die zijn arts vertelt dat hij zijn partner niet vertrouwt, is mensessentieel (de AI staat actief in de weg).
Zes of meer klassen is overfitting. De marginale fijnkorreligheid draagt geen economische inhoud meer en wordt esthetisch. Vier brengt netjes de dimensies in kaart die de kosten per taak daadwerkelijk bewegen: wie doet het werk, wie draagt de verantwoordelijkheid, hoe vaak wordt het gecontroleerd en wat kost de fout.
Waar dit je denken verandert
Drie praktische verschuivingen komen voort uit het vasthouden van de vier klassen:
Loopbaanplanning gaat over portefeuille, niet over categorie. De vraag is niet „is mijn rol veilig" (wat binariteit veronderstelt). Ze is „hoe ziet mijn klassenmix eruit, en in welke klassen wil ik doorgroeien." De betrouwbare zet is om tijd te verschuiven richting mensessentieel en mensgestuurd, AI-ondersteund werk, zelfs binnen een rol die aan het vervangbare eind van het spectrum begon.
Organisatieontwerp volgt de verdeling. Een team dat werkt tegen een werklast die voor 60% vervangbaar is, krimpt in personeelsomvang maar behoudt of vergroot de beloning per resterende plek. Een team dat werkt tegen 60% mensessentieel werk krimpt helemaal niet en wordt moeilijker te bemensen, niet makkelijker. Het organigram van 2028 ziet er anders uit dan dat van 2024, niet omdat de totale personeelsomvang halveerde maar omdat de mix per rol verschoof.
De ROI van AI-inzet volgt de klassen. Vervangbare taken leveren snelle, verdedigbare ROI op wanneer ze worden geautomatiseerd. AI-versterkte taken leveren productiviteitswinst op, geen personeelsbesparing — de ROI is echt maar het is een snelheidsverhaal, geen kostenverhaal. Mensgestuurde, AI-ondersteunde taken leveren kleine winst per uur op die geen apart inzetproject rechtvaardigt. Mensessentiële taken hebben een negatieve inzet-ROI — de AI schuift fouten binnen die de mens nu moet opruimen. Dit is de discipline die de meeste mislukte AI-uitrollen oversloegen: ze zetten AI in tegen taken die in werkelijkheid niet in klasse 1 zaten.
Het volledige beeld voor jouw rol
Wagecore berekent de vierklassenverdeling voor elke rol die je beschrijft. De wizard duurt ongeveer twee minuten en de methodologie is open in te zien op /methodology. Je ziet precies hoe je werk zich over de klassen verdeelt, welke operationele kosten AI zou dragen om het vervangbare deel te doen, waar je menselijke voordeel zich concentreert, en het centrale cijfer voor substitutieblootstelling dat uit de mix wordt afgeleid. Niets ervan is voorspelling. Het is meting tegen de huidige capaciteitenmatrix, maandelijks ververst.
Als de framing hier nuttig is, is de verwante, diepere lectuur over de operationele economie Waarom operationele AI-kosten 3 tot 10 keer zijn wat de demo laat zien — het pakt op waar dit stuk ophoudt en loopt door wat het daadwerkelijk kost om AI in de productie tegen een klasse 1-taak in te zetten.