Metodik
Se vilka uppgifter och kostnadsantaganden som används, hur uppgifterna klassificeras, hur tillförlitliga huvuduppskattningarna är och vilka begränsningar resultatet har.
Vad du får
En Wagecard-rapport jämför den modellerade kostnaden för AI med marknadslönen, visar vad AI kan göra i varje uppgift och var en människa behöver kontrollera resultatet samt anger vilka antaganden och vilken metodversion som användes.
Inkluderar mänsklig granskning, omförsök och felkostnad.
Medianmarknadslön för vald region och erfarenhetsnivå.
Illustrativt exempel. Värdena förändras med yrkesroll, uppgifter, timmar, plats och erfarenhet.
Exponeringsuppskattning
En uppskattning från 0 till 100 av hur stor del av de valda uppgifterna som kan vara lönsam att utföra med AI. Läs den tillsammans med uppgiftsfördelningen och resultatets tillförlitlighet.
Operativ AI-kostnad
Den modellerade kostnaden för AI för det valda arbetet, inklusive granskningstid, omförsök, integration och förväntad felkostnad.
Uppgiftsmixen
Varje vald uppgift placeras i en av fyra klasser. Du ser var AI kan utföra arbetet, var det kan hjälpa en människa och var nyttan är för liten.
Underlag för beräkningen
Modellen kombinerar utdatakvalitet, granskningstid, tillförlitlighet, felkostnad, integrationsarbete, AI-driftkostnad och värdet av mänskligt sammanhang.
01
02
03
04
Detaljer och gränser
Öppna avsnitten du behöver för att granska uppgiftsklasser, tillförlitlighet, ekonomiska scenarier, övergångskostnader, antaganden, källor och versionshantering.
AI kan slutföra uppgiften med lite mänsklig granskning till en lägre modellerad kostnad.
AI kan göra mycket av uppgiften, men en människa måste fortfarande kontrollera resultatet, hantera undantag och förbli ansvarig för resultatet.
En människa leder uppgiften medan AI hjälper till med utkast, sökning, sammanfattning eller annat stödjande arbete.
En människa förblir central eftersom förtroende, reglering, ansvarsskyldighet eller relationer gör AI mindre användbar eller dyrare.
Förmågan visar om AI kan ge ett godtagbart resultat. Tillförlitligheten visar hur ofta det lyckas utan nya försök, rättelser eller hjälp från en människa. Wagecore använder båda eftersom kontrolltid och fel påverkar kostnaden.
I den nuvarande matrisen har 38 kombinationer av uppgift och modell en förmågepoäng på minst 75, medan 5 har en tillförlitlighet på minst 80. Den skillnaden är skälet till att kostnadsmodellen räknar med mänsklig granskning och omförsök.
En Wagecard-rapport visar timvägda uppskattningar av förmåga och tillförlitlighet för de valda uppgifterna samt skillnaden mellan dem. Den visar också hur stor del av arbetet som har förmåga ≥ 75 men tillförlitlighet < 80.
Skillnaden mellan förmåga och tillförlitlighet
Klarna sa senare att det tillför mer mänskligt stöd efter kvalitetsproblem i kundtjänsten.
Investeringsvyn beräknar tre vanliga finansiella mått utifrån lönen, övergångskostnaden, diskonteringsräntan och övriga antaganden i scenariot. Resultaten är scenarier, inte garanterad avkastning.
5 år
Diskonterade besparingar i scenariot minus den initiala övergångskostnaden. Ett positivt resultat innebär att scenariot skapar värde med den valda diskonteringsräntan.
Internränta
Den årliga avkastning som scenariot motsvarar. Jämför den med organisationens eget avkastningskrav innan du fattar ett beslut.
Tid
Den tid det tar för de modellerade samlade besparingarna att täcka övergångskostnaden enligt de valda antagandena.
Investeringsvyn visar ett femårsscenario och de antaganden som används. Diskonteringsräntan är som standard 10 % och kan ändras på Pro. Scenariot inkluderar inte optionsvärde, strategiskt omplaceringsvärde eller terminalvärde efter år 5.
Det finansiella scenariot uppskattar också hur svårt det är att förändra arbetssättet. Det påverkar övergångskostnaden men inte uppskattningen av vad AI klarar i uppgifterna eller hur de klassificeras.
Övergångskostnad
Scenariot använder olika antaganden om övergångskostnad för utkontrakterat och internt arbete. Granska och ersätt dem med organisationens faktiska kostnader innan du använder scenariot.
Hur AI:s förmåga kan utvecklas
Basscenariot håller den nuvarande uppskattningen av AI:s förmåga oförändrad. Ett valfritt scenario ökar andelen arbete som AI hanterar över tid, medan människokritiskt arbete förblir oförändrat. Båda resultaten beror på de antaganden som visas.
Arbetsupplägg hör hemma i det ekonomiska scenariot eftersom det beskriver organisationen, inte uppgiften. Uppgiftsuppskattningarna förblir oförändrade.
I den representativa modellen står mänsklig kontroll för merparten av den månatliga kostnaden för AI. Tokenanvändning, orkestrering, nya försök och integration utgör resten. Den totala timkostnaden för personen som kontrollerar resultatet påverkar därför beräkningen mycket.
Antagen timkostnad för kontroll
Standardvärdet utgår från medianlönen för amerikanskt kunskapsarbete och multiplicerar den med cirka 1,3 för arbetsgivaravgifter och indirekta kostnader. Ersätt värdet med organisationens faktiska totala timkostnad när den finns, eftersom den direkt påverkar den modellerade kostnaden för AI.
Tillförlitligheten för huvuduppskattningarna tar hänsyn till osäkerheten i det här antagandet och i förmågematrisen. Se kostnaden som en modellberäkning och kontrollera timkostnaden innan du använder resultatet.
Källorna visar varför en kostnadsberäkning för AI måste omfatta mer än modellens förmåga och tokenpriset. Tid för kontroll, misslyckade försök, integration och kostnaden för fel kan avgöra om en uppgift är värd att automatisera.
Nvidias VP of Applied Deep Learning
april 2026“För mitt team är kostnaden för beräkningskraft långt högre än kostnaden för de anställda.”
Fortune ↗MIT CSAIL
studie 2024“Med dagens kostnader är AI-automatisering ekonomiskt lönsam i bara 23 % av de yrkesroller där bildanalys är central.”
Studie ↗BCG
2025“Bara 5 % av företagen tar ut AI-värde i stor skala; omkring 60 % rapporterar inget påtagligt värde trots investeringarna.”
BCG ↗Klarna + Uber
2025–2026“Klarna lade senare till mer mänskligt stöd efter kvalitetsproblem. Uber sa att dess AI-kodningsbudget för 2026 användes på fyra månader.”
Wagecore använder underlaget för att modellera den aktuella ekonomin för arbetsuppgifterna. En demonstration av teknisk förmåga behandlas inte som bevis för att ett förändrat arbetssätt kommer att spara pengar.
En utvärderare använder samma dokumenterade bedömningskriterier i hela matrisen. Varje publicerad ändring får en metodversion så att en Wagecard-rapport kan ange vilket underlag som användes.
Dokumenterade indata och beräkningsformel
Den här sidan beskriver bedömningskriterierna, kostnadsmodellen och uppgiftsklasserna. Wagecard-rapporter sparar metodversionen och visar hur tillförlitliga huvuduppskattningarna är.
Bevisbaserade uppdateringar
Matrisen ändras när tillräckligt starkt nytt underlag klarar kvalitetskontrollerna. Varje publicerad ändring får en version; det finns inget fast uppdateringsschema.
Tillförlitlighet för kärnuppskattningar
Kvalitativ tillförlitlighet gäller de centrala modellberäkningarna. Den är ingen garanti och gäller inte varje värde som visas.
Konsekvent poängbedömning
Samma bedömningskriterier används för alla celler i uppgiftsmodellen. Versionsanteckningarna beskriver väsentliga ändringar.
Välj dina uppgifter och timmar. Se modellerad driftkostnad för AI, marknadslön, uppgiftsklassificeringar och tillförlitlighet för kärnuppskattningarna.