„Czy AI zabierze mi pracę?” to złe pytanie, a duża część publicznej debaty o AI i pracy myli się właśnie dlatego, że mimo wszystko na nie odpowiada. Jednostką analizy nie jest stanowisko. Są nią zadania. A zadania nie leżą wszystkie na tym samym spektrum zastępowalności — każde należy do jednej z czterech ekonomicznie odrębnych klas. Gdy dostrzeżesz te klasy, pytanie zmienia kształt: nie czy AI potrafi wykonać moją rolę, ale która część mojej roli mieści się w której klasie i co to oznacza dla kosztu, wynagrodzenia oraz tego, na co przeznaczyć kolejny rok kariery.
To kanoniczna taksonomia Wagecore. Każde zadanie w każdym Wagecard przypisujemy dokładnie do jednej z tych czterech klas, a nagłówkowa liczba ekspozycji na substytucję to ważona agregacja po nich. Framework opiera się na dekadzie literatury o ekonomii automatyzacji (Autor, Frey/Osborne, Brynjolfsson, Acemoglu) oraz na analizach powdrożeniowych AI z ostatnich trzech lat. Wkładem jest zobowiązanie się do małego, wzajemnie wykluczającego się podziału, na którym matematyka może się oprzeć.
Klasa 1: Zastępowalne
Zadanie jest zastępowalne, gdy AI wykonuje je od początku do końca przy minimalnym nadzorze człowieka, przy współczynniku audytu poniżej 10% i przy koszcie błędu na tyle niskim, że przypadki, w których się myli, nie unieważniają oszczędności z przypadków, w których trafia. Praca jest ograniczona, powtarzalna, ustrukturyzowana, a skutki pojedynczej pomyłki są tanie do naprawienia.
Konkretne przykłady: kierowanie przychodzącego zgłoszenia do wsparcia do właściwej kolejki, wyodrębnianie ustrukturyzowanych danych z faktur do ERP, OCR wraz z pierwszą klasyfikacją napływających formularzy, generowanie opisów produktu z numeru SKU i zdjęcia, streszczanie długiej transkrypcji spotkania do listy działań, transkrypcja audio. To zadania, w których wynik AI jest sprawdzany w momencie, gdy wytwarza sygnał na dalszym etapie (zgłoszenie trafiło do złej kolejki → człowiek je przenosi), a nie tygodnie później na sali sądowej.
Większość ról ma niezerowy udział pracy zastępowalnej. Nawet chirurdzy mają jej odrobinę: dyktowanie notatek klinicznych jest już zastępowalne w wielu gabinetach. Nawet terapeuci ją mają: umawianie wizyt, formularze przyjęcia, weryfikacja ubezpieczenia. Błędem jest zakładać, że zastępowalny udział roli to cała rola. Zwykle to 15–35% czasu pracownika wiedzy.
Klasa 2: Wspomagane przez AI
Zadanie jest wspomagane przez AI, gdy AI tworzy pierwszą wersję, człowiek odpowiada za ostatnie 20–30%, a to właśnie w tej ostatniej części tkwi wartość. AI wykonuje większość żmudnej pracy przy klawiaturze; człowiek wnosi osąd, kontekst i odpowiedzialność za to, co zostaje wysłane.
Konkretne przykłady: napisanie maila marketingowego (szkic AI, człowiek dopracowuje głos i dopasowanie do odbiorcy), sporządzenie przedsądowego wezwania (AI zbiera precedensy i strukturę, prawnik dokłada fakty konkretnej sprawy), wygenerowanie kodu funkcji (AI pisze rusztowanie, programista integruje z bazą kodu i obsługuje przypadki brzegowe), stworzenie slajdów na prezentację dla klienta (AI buduje układ, handlowiec edytuje pod pozycjonowanie), przygotowanie modelu finansowego (AI buduje szablon, analityk dostraja założenia).
To największa pojedyncza klasa dla większości pracowników wiedzy, zwykle 25–40% czasu. To także klasa o największym potencjale wzrostu, w miarę jak modele się poprawiają, a powierzchnia weryfikacji przez człowieka się kurczy. Ma jednak sufit: dopóki człowiek odpowiada za to, co zostaje wysłane, musi znać pracę na tyle dobrze, by wyłapać błędy AI — co oznacza, że człowiek wciąż pozostaje w pętli, wciąż musi otrzymywać wynagrodzenie i wciąż musi posiadać podstawową kompetencję. Wspomaganie przez AI to nie droga do zera etatów; to droga do dźwigni.
Klasa 3: Prowadzone przez człowieka, wspierane przez AI
Odwrotność wspomagania przez AI. Prowadzi człowiek; AI jest narzędziem — szybkie wyszukiwanie, streszczenie, uzupełnianie kodu, przywoływanie informacji. To człowiek myśli i podejmuje decyzje; AI skraca czas między pytaniem a istotną informacją. Gdybyś usunął AI, praca i tak zostałaby wykonana, tylko wolniej.
Konkretne przykłady: lekarz przeszukujący literaturę pod kątem podobnych przypadków przed postawieniem diagnozy, prawnik proszący AI o znalezienie w 300-stronicowej umowie klauzuli sprzecznej z zajmowanym stanowiskiem, inżynier pytający o składnię biblioteki, której ostatni raz używał trzy lata temu, nauczyciel generujący warianty kart pracy, by zróżnicować lekcję, architekt używający AI do wyrenderowania wariantu fasady, który już zaprojektował.
Role w pracy regulowanej, wysokiego ryzyka lub silnie relacyjnej mają tendencję do mocnego skupiania się tutaj: 30–50% czasu. AI nie podejmuje decyzji, nie ponosi odpowiedzialności i nie ma na to pozwolenia — czy to z mocy prawa (porada medyczna, prawna), czy to z fizyki samej pracy (sesja terapeutyczna, relacja z klientem, konflikt w zespole). To, co robi, to przyspiesza człowieka w tych częściach pracy, które są związane z informacją, a nie z osądem.
Klasa 4: Krytyczne dla człowieka
Zadanie jest krytyczne dla człowieka, gdy AI nie dostarcza wartości netto, a często dostarcza wartość ujemną, ponieważ wartość zadania tkwi w czymś, czego AI nie potrafi wytworzyć: zaufaniu, odpowiedzialności, tolerancji na niejednoznaczność, osądzie relacyjnym, perswazji pod presją, kontekstowym odczytaniu nieznanej sali. To nie są zadania, których AI jeszcze nie dogoniło. To zadania, w których sama wiarygodnie brzmiąca AI jest właśnie trybem awarii.
Konkretne przykłady: doświadczony handlowiec odczytujący utknięty deal i decydujący, czy eskalować, czy się wycofać, menedżer przekazujący trudną wiadomość członkowi zespołu, który jest w firmie od piętnastu lat, terapeuta trwający w ciszy, gdy klient się zbiera, członek zarządu weryfikujący deklarowaną przez CEO pewność względem tego, co zobaczył podczas lunchu, dziennikarz śledczy decydujący, któremu z dwóch sprzecznych źródeł uwierzyć, nauczyciel zauważający, że zwykle zaangażowany uczeń przycichł, i wybierający, czy poruszyć to teraz, czy na osobności później.
Praca krytyczna dla człowieka to ta, która się nie skaluje, i o to właśnie chodzi. To także miejsce, gdzie mieszka siła cenowa. Role, które w 40%+ są krytyczne dla człowieka, to role, w których wdrożenie AI czyni pracę bardziej wartościową na godzinę, a nie mniej — bo wspomaganie ścina czas o niższej dźwigni i koncentruje wynagrodzenie wokół nieredukowalnego rdzenia.
Większość ról to mieszanka, a nie pojedyncza klasa
Oto część, którą publiczna debata wciąż myli: bardzo niewiele ról jest w 100% w jednej klasie. Rzeczywisty tygodniowy czas inżyniera oprogramowania może wypaść mniej więcej tak: 20% zastępowalne (szablonowy kod, segregacja zgłoszeń), 35% wspomagane przez AI (wdrażanie funkcji pod recenzją), 30% prowadzone przez człowieka, wspierane przez AI (debugowanie zawiłych problemów produkcyjnych, decyzje architektoniczne), 15% krytyczne dla człowieka (negocjowanie zakresu z PM, mentoring juniora, przejście przez politycznie obciążoną recenzję kodu). Lider zespołu wsparcia klienta może wypaść tak: 30% zastępowalne (obsługa zgłoszeń pierwszego poziomu), 25% wspomagane przez AI (redagowanie makr i dokumentów polityki), 30% prowadzone przez człowieka + wspierane przez AI (obsługa eskalacji, których AI nie potrafi rozładować), 15% krytyczne dla człowieka (rozmowy 1:1 z członkami zespołu, mediacja konfliktów, rozmowy o wynikach).
Rozkład znaczy więcej niż jakakolwiek pojedyncza liczba. Rola, która jest w 80% zastępowalna, będzie się kurczyć cenowo, nawet jeśli jej przeciętne zadanie nie jest trywialne, bo ekonomia wdrożenia jest jasna. Rola, która jest w 50% krytyczna dla człowieka, zachowa siłę cenową, nawet jeśli reszta zostanie zautomatyzowana do zera — a średnie wynagrodzenie za pozostałą godzinę wzrośnie.
Dlaczego podział na cztery (a nie trzy albo sześć)
Wcześniejsze frameworki używały dwóch klas (zastąpione / niezastąpione) albo trzech (zastąpione / wspomagane / nienaruszone). Dwie to za grubo — zlewa wspomagane przez AI i krytyczne dla człowieka w „niezastąpione”, co ukrywa centralną prawdę, że wspomaganie może kumulować siłę cenową, podczas gdy praca zastępowalna ją ścina. Trzy jest bliżej, ale wrzuca najbardziej ekonomicznie odrębne przypadki — prowadzone przez człowieka, wspierane przez AI kontra krytyczne dla człowieka — do jednego wiadra. Zachowują się inaczej. Diagnoza jest prowadzona przez człowieka, wspierana przez AI (AI pomaga w przeglądzie literatury). Pacjent mówiący lekarzowi, że nie ufa małżonkowi, jest krytyczny dla człowieka (AI aktywnie tu przeszkadza).
Sześć lub więcej klas to przeuczenie. Krańcowa szczegółowość przestaje nieść treść ekonomiczną i staje się estetyczna. Cztery mapuje się czysto na wymiary, które faktycznie poruszają koszt na zadanie: kto wykonuje pracę, kto ponosi odpowiedzialność, jak często jest audytowana i ile kosztuje błąd.
Gdzie to zmienia sposób myślenia
Trzy praktyczne przesunięcia płyną z trzymania czterech klas w głowie:
Planowanie kariery dotyczy portfela, nie kategorii. Pytanie nie brzmi „czy moja rola jest bezpieczna” (co zakłada binarność). Brzmi „jak wygląda moja mieszanka klas i w które klasy chcę wrastać”. Pewnym ruchem jest przesuwanie czasu ku pracy krytycznej dla człowieka i prowadzonej przez człowieka + wspieranej przez AI, nawet w obrębie roli, która zaczęła na zastępowalnym końcu spektrum.
Projekt organizacji podąża za rozkładem. Zespół pracujący nad obciążeniem w 60% zastępowalnym skurczy się w liczbie etatów, ale zachowa lub zwiększy wynagrodzenie na pozostałe stanowisko. Zespół pracujący nad 60% pracy krytycznej dla człowieka wcale się nie skurczy i stanie się trudniejszy do obsadzenia, a nie łatwiejszy. Schemat organizacyjny 2028 wygląda inaczej niż 2024 nie dlatego, że łączna liczba etatów spadła o połowę, ale dlatego, że przesunęła się mieszanka w obrębie roli.
ROI z wdrożenia AI podąża za klasami. Zadania zastępowalne generują szybkie, dające się obronić ROI, gdy zostaną zautomatyzowane. Zadania wspomagane przez AI generują wzrost produktywności, a nie oszczędności etatowe — ROI jest realne, ale to opowieść o prędkości, nie o koszcie. Zadania prowadzone przez człowieka + wspierane przez AI generują niewielkie zyski na godzinę, które nie uzasadniają dedykowanego projektu wdrożeniowego. Zadania krytyczne dla człowieka mają ujemne ROI z wdrożenia — AI wprowadza błędy, które człowiek musi teraz sprzątać. To dyscyplina, którą pominęła większość nieudanych wdrożeń AI: wdrożyli je do zadań, które w istocie nie były w klasie 1.
Pełny obraz dla twojej roli
Wagecore wylicza rozkład na cztery klasy dla dowolnej roli, którą opiszesz. Kreator zajmuje około dwóch minut, a metodologia jest otwarta pod /methodology. Zobaczysz dokładnie, jak twoja praca dzieli się między klasy, jaki koszt operacyjny poniosłoby AI, by wykonać część zastępowalną, gdzie koncentruje się twoja ludzka przewaga oraz nagłówkowy wynik ekspozycji na substytucję wywiedziony z tej mieszanki. Nic z tego nie jest prognozą. To pomiar względem dzisiejszej macierzy zdolności, odświeżanej co miesiąc.
Jeśli to ujęcie okaże się przydatne, powiązana głębsza lektura o ekonomii operacyjnej to Dlaczego operacyjny koszt AI jest 3–10× tym, co pokazuje demo — zaczyna tam, gdzie ta się kończy, i przechodzi przez to, ile faktycznie kosztuje wdrożenie AI do zadania klasy 1 na produkcji.