Chybová marže -- prostor, který organizace vytváří mezi tím, co něco stojí, a tím, co se účtuje, nebo mezi odhadem a skutečným výsledkem -- byla dlouho určována člověkem, který kalkulaci vytvářel. Zkušený kalkulant nebo account manager věděl, kde v nabídce leží rizika, a na to si počítal marži. Tyto znalosti byly uložené v hlavách, rozptýlené mezi lidmi, kteří léta pracovali s určitým produktovým portfoliem nebo typem zákazníka. Dva kalkulanti ve stejné firmě proto u srovnatelných zakázek dospěli k odlišným maržím. Tento rozdíl nebyl viditelný pro zákazníka, ale byl viditelný ve výsledovce.
Srovnání mezi konkurenty tedy probíhalo prostřednictvím výsledku: kdo dokázal nabídnout ostřejší cenu, aniž by prodělal. Ne prostřednictvím otázky, jak byla tato marže určena, protože tento výpočet se odehrával mimo dohled.
Tam, kde se chybová marže počítá na základě historických dat -- odchylek mezi kalkulací a následnou kalkulací, dob realizace, výkyvů cen materiálu -- může velkou část této výpočetní práce převzít AI. Nikoli rozhodnutí o konečné marži, ale podkladovou práci: propočítat tisíce dokončených projektů, kde odchylky strukturálně vznikaly, a tento vzorec aplikovat na novou nabídku. U firem, kde se to děje, je kalkulace blíže skutečným rizikům než u firem, které se stále opírají o zkušenost jednotlivce.
To mění srovnání specifickým způsobem. Organizace, která svou chybovou marži zakládá na tisících datových bodů, může kalkulovat ostřeji, aniž by se zvýšilo riziko, zatímco konkurent, který se spoléhá na řemeslnou zkušenost několika lidí, musí i nadále udržovat širší marži, aby pokryl stejnou nejistotu. Ten první tedy může nabídnout nižší cenu při stejném riziku, nebo stejnou cenu při nižším riziku. Obojí je konkurenční výhoda a obojí je viditelné ve výsledku, nikoli v procesu.
Tento posun lze rozdělit na tři druhy práce a ty se u prakticky každé firmy vzájemně prolínají.
Propočítávání historických odchylek -- kalkulace versus realizace u stovek nebo tisíců zakázek -- je práce, kterou AI v mnoha případech dokáže převzít. Jde o rozpoznávání vzorců ve strukturovaných datech, a to je přesně to, v čem je tato technologie silná.
Převedení těchto vzorců do konkrétní nabídky je zčásti práce s lidským dohledem. Systém může nabídnout odhad rizika pro nový projekt, ale někdo se znalostí zákazníka, trhu nebo výjimečné situace posoudí, zda tento odhad platí i zde, a marži schválí nebo zamítne, s odůvodněním.
Rozhodnutí vědomě jít v konkrétní zakázce pod vypočtenou marži -- ze strategických důvodů, kvůli získání zákazníka, kvůli vstupu na trh -- zůstává prací pro člověka. Nejde o výpočetní otázku, ale o zvážení rizika a ambice, a tato odpovědnost se neposouvá.
Rozdíl mezi firmami nespočívá v přístupu k AI, ale v tom, jaká data a jaká disciplína stojí za kalkulací. Firma, která strukturálně zaznamenává následnou kalkulaci -- co projekt skutečně stál, kde odchylka vznikla, zda šlo o nákup, plánování nebo realizaci -- má základ, na kterém se model může učit. Firma, která dělá následnou kalkulaci ad hoc nebo jen při velkých překročeních, tento základ nemá, ať investuje do AI jakýkoli rozpočet. Zpoždění pak neleží v technologii, ale v otázce, zda se vůbec někdy zaznamenávalo, co se skutečně stalo.
To dělá z chybové marže dimenzi, na které tento posun probíhá nerovnoměrně mezi odvětvími i mezi firmami v rámci stejného odvětví. Stavební firma s patnácti lety dat z následné kalkulace má jiný výchozí bod než konkurent, který se strukturovaným zaznamenáváním začal teprve loni. Kdo v souvislosti s tímto posunem zvažuje personální dopady, měl by si mimochodem uvědomit, že se na to vztahují vlastní zákonné požadavky; tato stránka pojednává o tom, co se děje s prací, ne o tom, co s tím dělá zaměstnavatel.
Chybová marže zřídka stojí sama o sobě. Přesnější kalkulace souvisí s náskokem, který AI přináší v ceně, protože nižší potřebná marže dává prostor v cenotvorbě. Souvisí také s náskokem, který AI přináší v dodací lhůtě, protože část chybové marže pramení z nejistoty v plánování. Abyste zjistili, zda je váš přístup k chybové marži skutečně lepší než u srovnatelných firem, musí být nejprve jasné, kdo jsou tyto srovnatelné firmy; proto je jak se sestavuje peer group první otázkou, ne poslední.
Otázku, kterou část tohoto konkrétního kalkulačního procesu lze v této konkrétní firmě již nyní převést na AI a která část čeká na data z následné kalkulace, jež ještě neexistují, zodpoví pracovní scan FTE TO AI pro každý úkol zvlášť.
Bezplatná kontrola dimenzí vám umožní pojmenovat, na čem si myslíte, že vyhráváte -- chybová marže, cena, dodací lhůta nebo něco jiného -- a ukáže, které z těchto tvrzení lze obhájit důkazy a které zatím ne. Kompletní benchmark, s maticí důkazů a srovnáním v rámci vaší peer group, se připravuje.