01
Capaciteitscluster
- Outputkwaliteit
- Levert AI werk dat as-is bruikbaar is?
- Toezichtsbehoefte
- Minuten menselijke review per eenheid output.
- Latentie
- Snel genoeg voor het reële tempo van de taak?
Lees het niet — zie het. Begin bij de uitkomst, open daarna hoe elk cijfer is afgeleid. Elk cijfer komt met zijn methode en een betrouwbaarheidsmarge.
Wat de methodologie oplevert, vóór enige theorie: een echte Wagecard — het vervangbaarheidscijfer met zijn betrouwbaarheidsmarge, de operationele AI-kosten en de takenmix in vier klassen.
Toezicht, herhalingen en foutkosten meegerekend.
Mediaanloon × stad × ervaringsband.
/m/v8 · live berekend · illustratieve steekproef
Het cijfer
Economische vervangbaarheid (ESE) op een schaal van 0–100 — altijd getoond met zijn ±-betrouwbaarheidsmarge, nooit een kale score.
Operationele AI-kosten
Wat het echt kost om de rol op AI te draaien zodra toezicht, herhalingen en foutkosten zijn ingeprijsd. Niet de licentieprijs.
De takenmix
Elke taak landt in een van vier substitutieklassen. De mix is de aflezing — niet één enkel oordeel.
Een gewogen product, geen som: capaciteit opent de poort, betrouwbaarheid vermenigvuldigt, foutkosten delen, mensvoordeel dempt.
01
02
03
04
De klassen, de as die productiegebruik bewaakt, de CFO-aflezing en het externe bewijs — standaard ingeklapt, zodat je alleen opent wat je nodig hebt.
AI draait de taak end-to-end met minimaal menselijk toezicht. Substitutiehaalbaarheid hoog.
AI doet het meeste werk; de mens neemt de beslissingen en bewaakt de context.
De mens leidt de taak; AI versnelt het werk met tools (concipiëren, zoeken, samenvatten).
AI levert geen netto waarde (of negatieve waarde) vanwege vertrouwen, regelgeving, verantwoording of relationele complexiteit.
Capaciteit is waar de meeste publieke AI-substitutiekaderingen toe vereenvoudigen: kan het model deze taak überhaupt aan? Dat is de makkelijkste as om te meten, dus domineert die het gesprek. De as die productiegebruik daadwerkelijk bewaakt, is betrouwbaarheid — doet het model de taak vaak genoeg correct dat een mens niet langer elke output hoeft te controleren?
Capaciteit is over de hele matrix vooruitgelopen op betrouwbaarheid: 31 taak-modelcellen scoren capaciteit ≥ 75, maar slechts 5 scoren betrouwbaarheid ≥ 80. In dat gat worden de meeste onbewaakte AI-uitrollen van vandaag teruggedraaid.
Elke Wagecard brengt drie betrouwbaarheidscijfers naar voren: urengewogen gemiddelde capaciteit over je taken, urengewogen gemiddelde betrouwbaarheid en het gat. We rapporteren ook het aandeel van je roluren in de zone “capabel maar onbetrouwbaar” — capaciteit ≥ 75 met betrouwbaarheid < 80.
Capaciteitsgat
Klarna draaide zijn AI-uitrol over 700 rollen terug toen de CSAT daalde op complexe tickets. De capaciteit was toereikend; de betrouwbaarheid niet.
Enterprise-beslissingen over AI-uitrol gaan door drie standaard financiële poorten. We berekenen alle drie voor elke Wagecard met een salarisinvoer — en behandelen AI-substitutie als elk ander kapitaalproject.
5-jaars
Som van verdisconteerde jaarlijkse besparingen minus de transitiekosten in jaar 0. Een positieve NPV betekent dat de uitrol waarde creëert bij de gegeven disconteringsvoet.
Interne rentevoet
Het jaarlijkse rendement dat het project op zijn kapitaal verdient, vergeleken met de drempelvoet van het bedrijf (WACC). Een IRR van 35% met goedkoop kapitaal betekent 'doe het nu.'
Periode
Jaren voordat de cumulatieve besparingen de transitiekosten terugverdienen. Een gezondheidscheck tegenover NPV/IRR — een positieve NPV met een terugverdientijd van 6 jaar kan alsnog worden afgewezen.
Een volledig uitgewerkt voorbeeld — elk cijfer met zijn methode — staat in de Investment view op elke Wagecard. De disconteringsvoet staat standaard op 10% (typische mid-market WACC) en is daar aanpasbaar op Pro-accounts. We modelleren bewust geen optiewaarde, strategische herinzetwaarde of restwaarde voorbij jaar 5 — het model is gekalibreerd om conservatief te zijn voor de aflezing van het individu en de mid-market.
Dat capaciteit geen economische haalbaarheid is — en dat de echte kosten van AI-substitutie zitten in toezicht, herhalingen, foutkosten en integratie-overhead — is niet alleen onze claim. De mensen die het uitrollen zeggen hetzelfde.
Nvidia VP of Applied Deep Learning
april 2026“Voor mijn team liggen de kosten van compute ver boven de kosten van de medewerkers.”
Fortune ↗MIT CSAIL
studie uit 2024“AI-automatisering is economisch haalbaar in slechts 23% van de visie-primaire rollen bij de huidige kostenstructuren.”
Studie ↗BCG
2025“Slechts 5% van de bedrijven realiseert AI-waarde op schaal; ~60% rapporteert geen materiële waarde ondanks de investering.”
BCG ↗Klarna + Uber
2025–2026“Klarna draaide een AI-uitrol over 700 rollen terug toen de CSAT daalde. Uber verbruikte zijn volledige AI-codeerbudget voor 2026 in vier maanden.”
Dit is het gat dat Wagecore prijst. De capaciteit stijgt. De economische haalbaarheid niet — nog niet, en niet uniform. Onze taxonomie met vier klassen is gekalibreerd op waar AI vandaag operationeel goedkoper is, niet op waar het in 2030 zou kunnen zijn.
Matrix v1 (live) wordt gescoord door één gekalibreerde evaluator tegen een transparante rubriek. Een uitgebreide evaluatormethodologie verschijnt met v1.5 in Q3 2026. De methodologie is open en maandelijks geversioneerd; betaalde plannen voegen diepte en detail op rolniveau toe.
Open methodologie
De rubriek en de formule zijn publiek, zodat elk cijfer kan worden gecontroleerd tegen de methode die het voortbracht.
Maandelijks geversioneerd
De capaciteitsmatrix ververst op een gepubliceerd ritme.
Betrouwbaarheidsmarge op elk cijfer
Geen kale scores — elk cijfer komt met zijn ±-interval.
Eén gekalibreerde evaluator
v1 gescoord tegen één transparante rubriek; v1.5 breidt die uit.
Kies een rol, zie de operationele AI-kosten, de substitutiemix en waar de mensvoordeellaag begint te tellen. Twee minuten, anonieme preview.