01
Klaster możliwości
- Jakość wyniku
- Czy AI tworzy pracę nadającą się do użycia bez poprawek?
- Potrzeba nadzoru
- Minuty ludzkiej weryfikacji na jednostkę wyniku.
- Opóźnienie
- Czy działa dość szybko jak na rzeczywiste tempo zadania?
Metodyka · Otwarta, wersjonowana, miesięcznie
Jak budowana jest każda liczba.
Nie czytaj — zobacz. Zacznij od wyniku, a potem sprawdź, jak wyprowadzono każdą liczbę. Każda liczba pojawia się wraz ze swoją metodą i przedziałem ufności.
Najpierw zobacz
Jedna rola, wyceniona w całości.
Co daje metodyka, jeszcze przed jakąkolwiek teorią: Wagecard w realnym kształcie — wskaźnik zastępowalności wraz z przedziałem ufności, operacyjny koszt AI i czteroklasowa struktura zadań.
Analityk finansowy · USA poziom 2 · poziom średni
Terytorium wzmocnieniaEkonomiczna zastępowalność
44/ 100±6 pkt
0przedział 38–50 · wysoka pewność100
Operacyjny koszt AI
$3,100/mo
Z wliczonym nadzorem, ponowieniami i kosztem błędów.
Stawka rynkowa (p50)
$98k/yr
Mediana wynagrodzenia × miasto × poziom doświadczenia.
Rozkład zadań
Zastępowalne16%
Wzmocnione AI41%
Prowadzone przez człowieka + wsparte AI28%
Krytycznie ludzkie15%
/m/v8 · obliczane na żywo · próbka poglądowa
Liczba
Ekonomiczna zastępowalność w skali 0–100 — zawsze pokazywana z przedziałem ufności ±, nigdy jako goła liczba.
Operacyjny koszt AI
Ile naprawdę kosztuje obsługa roli przez AI, gdy uwzględnić nadzór, ponawiane próby i koszt błędów. To nie opłata licencyjna.
Struktura zadań
Każde zadanie trafia do jednej z czterech klas substytucji. Analizą jest cały ten układ — nie pojedynczy werdykt.
- Przedział ufności
- Operacyjny koszt AI
- Stawka rynkowa
- Cztery klasy zadań
Dziewięć osi
Co porusza liczbą.
Iloczyn ważony, a nie suma: możliwości bramkują, niezawodność mnoży, koszt błędu dzieli, przewaga człowieka tłumi.
02
Klaster niezawodności i ryzyka
- Niezawodność
- Wskaźnik eskalacji i ponawianych prób w warunkach zbliżonych do produkcyjnych.
- Ryzyko halucynacji
- Jak często AI z pełnym przekonaniem podaje błędne wyniki.
- Koszt błędu
- Dotkliwość finansowa, regulacyjna i wizerunkowa, gdy AI się myli.
03
Klaster ekonomiki operacyjnej
- Narzut integracji
- Przygotowanie kontekstu, monitoring i iterowanie promptów — w ujęciu zamortyzowanym.
- Dopasowanie ekonomiki jednostkowej
- Czy koszt AI na zadanie się broni przy stawce rynkowej dla danej roli?
04
Klaster przewagi człowieka
- Tłumik przewagi człowieka
- Wskaźnik złożony z nieredukowalnej wartości zadania na pięciu osiach: zaufanie, niejednoznaczność, odpowiedzialność, perswazja, kontekst.
Wejdź głębiej
Pełna metoda, gdy jej potrzebujesz.
Klasy, oś, która przesądza o użyciu produkcyjnym, analiza dla CFO i zewnętrzne dowody — domyślnie zwinięte, więc rozwijasz tylko to, czego potrzebujesz.
Cztery klasy substytucji — gdzie trafia każde zadanie
Wysoka substytucja
Zastępowalne
AI prowadzi zadanie od początku do końca przy minimalnym nadzorze człowieka. Wysoka opłacalność substytucji.
Terytorium wzmocnienia
Wzmocnione AI
AI wykonuje większość pracy; za decyzje i kontekst odpowiada człowiek.
Hybryda optymalna
Prowadzone przez człowieka, wsparte AI
Zadanie prowadzi człowiek; AI przyspiesza pracę narzędziami (szkice, wyszukiwanie, streszczanie).
Praca krytycznie ludzka
Krytycznie ludzkie
AI nie wnosi żadnej wartości netto (albo wartość ujemną) ze względu na zaufanie, regulacje, odpowiedzialność lub złożoność relacji.
Niezawodność — oś, która naprawdę przesądza o użyciu produkcyjnym
Możliwości to to, do czego sprowadza się większość publicznych ujęć substytucji przez AI: czy model w ogóle umie wykonać dane zadanie? Tę oś łatwiej zmierzyć, więc to ona dominuje w dyskusji. O użyciu produkcyjnym przesądza jednak niezawodność — czy model wykonuje zadanie poprawnie wystarczająco często, by człowiek mógł przestać pilnować każdego wyniku?
W całej macierzy możliwości wyprzedziły niezawodność: 31 komórek zadanie-model osiąga możliwości ≥ 75, ale tylko 5 osiąga niezawodność ≥ 80. To właśnie w tej luce wykłada się większość dzisiejszych wdrożeń AI bez nadzoru.
Każda Wagecard pokazuje trzy liczby dotyczące niezawodności: ważoną godzinami średnią możliwości w Twoich zadaniach, ważoną godzinami średnią niezawodność oraz lukę między nimi. Raportujemy też, jaki udział Twoich godzin pracy plasuje się w strefie „zdolne, ale zawodne” — możliwości ≥ 75 przy niezawodności < 80.
Luka możliwości
- 31
- komórek z możliwościami ≥ 75
- 5
- komórek z niezawodnością ≥ 80
Klarna wycofała wdrożenie AI obejmujące 700 ról, gdy CSAT spadł na złożonych zgłoszeniach. Możliwości były wystarczające; zabrakło niezawodności.
Jak czyta to CFO — NPV, IRR i okres zwrotu
Korporacyjne decyzje o wdrożeniu AI przechodzą przez trzy standardowe bramki finansowe. Liczymy wszystkie trzy dla każdej Wagecard z wprowadzoną pensją — traktując substytucję AI jak każdy inny projekt inwestycyjny.
NPV
5-letnie
Suma zdyskontowanych rocznych oszczędności pomniejszona o koszt wdrożenia w Roku 0. Dodatnie NPV oznacza, że wdrożenie tworzy wartość przy zadanej stopie dyskontowej.
IRR
Wewnętrzna stopa zwrotu
Roczny zwrot, jaki projekt wypracowuje na swoim kapitale, zestawiony z progową stopą firmy (WACC). IRR na poziomie 35% przy tanim kapitale to sygnał „rób to od razu”.
Okres zwrotu
Okres
Liczba lat, po których skumulowane oszczędności pokryją koszt wdrożenia. Test zdroworozsądkowy obok NPV/IRR — dodatnie NPV przy 6-letnim okresie zwrotu i tak może zostać odrzucone.
Pełny rozpisany przykład — każda liczba wraz ze swoją metodą — znajdziesz w widoku inwestycyjnym na każdej Wagecard. Stopa dyskontowa domyślnie wynosi 10% (typowy WACC dla średniego rynku) i na kontach Pro można ją tam regulować. Świadomie nie modelujemy wartości opcyjnej, wartości strategicznego przesunięcia zasobów ani wartości końcowej po Roku 5 — model jest skalibrowany tak, by pozostać konserwatywnym dla odczytu indywidualnego i średniorynkowego.
Walidacja zewnętrzna — teza potwierdzona niezależnie
To, że możliwości to nie to samo co opłacalność ekonomiczna — i że na prawdziwy koszt substytucji przez AI składają się nadzór, ponawiane próby, koszt błędów i narzut integracji — nie jest wyłącznie naszym twierdzeniem. Mówią to samo ci, którzy AI faktycznie wdrażają.
Nvidia, wiceprezes ds. Applied Deep Learning
kwiecień 2026“Dla mojego zespołu koszt mocy obliczeniowej daleko przewyższa koszty pracowników.”
Fortune ↗MIT CSAIL
badanie z 2024 roku“Przy obecnych strukturach kosztów automatyzacja AI jest opłacalna ekonomicznie tylko w 23% ról opartych głównie na widzeniu.”
Badanie ↗BCG
2025“Tylko 5% firm wychwytuje wartość z AI na skalę; ok. 60% raportuje brak istotnej wartości mimo poniesionych inwestycji.”
BCG ↗Klarna + Uber
2025–2026“Klarna wycofała wdrożenie AI obejmujące 700 ról, gdy spadł CSAT. Uber wyczerpał cały swój budżet AI na kodowanie w 2026 w cztery miesiące.”
To właśnie tę lukę wycenia Wagecore. Możliwości rosną. Opłacalność ekonomiczna nie — jeszcze nie i nie wszędzie tak samo. Nasza czteroklasowa taksonomia jest skalibrowana pod to, gdzie AI jest dziś tańsze operacyjnie, a nie gdzie mogłoby być w 2030 roku.
Ewaluator i wersjonowanie — jak macierz jest oceniana i odświeżana
Macierz v1 (działa) jest oceniana przez jednego skalibrowanego ewaluatora według przejrzystej rubryki. Rozszerzona metodyka ewaluatora pojawi się wraz z v1.5 w III kw. 2026. Metodyka jest otwarta i wersjonowana co miesiąc; plany płatne dodają głębię i szczegóły na poziomie roli.
Otwarta metodyka
Rubryka i formuła są publiczne, więc każdą liczbę można sprawdzić względem metody, która ją wytworzyła.
Wersjonowane co miesiąc
Macierz możliwości odświeża się w opublikowanym rytmie.
Przedział ufności przy każdej liczbie
Żadnych gołych wyników — każda liczba przychodzi ze swoim przedziałem ±.
Jeden skalibrowany ewaluator
v1 oceniana według jednej przejrzystej rubryki; v1.5 ją rozszerza.
Policz to dla własnej roli.
Wybierz rolę i zobacz operacyjny koszt AI, strukturę substytucji oraz miejsce, w którym wkracza warstwa przewagi człowieka. Dwie minuty, anonimowy podgląd.