Dodávat kvalitu a dokazovat kvalitu není stejná práce. První se odehrává na výrobní ploše, u telefonu, v kódu. Druhé se odehrává poté: kontrolovat, signalizovat odchylky, opravovat, zaznamenávat, že je vše v pořádku. Právě v této druhé části nyní vzniká rozdíl. Ne proto, že by AI byla lepší v odborné práci, ale proto, že kontrolní práci — část, která rozhoduje, zda je chyba zaznamenána dříve, než ji zaznamená klient — lze zčásti automatizovat.
Před rokem bylo zajištění kvality otázkou výběrových kontrol a lidské pozornosti. Kdo měl více kapacity na kontrolu, zachytil více chyb. To platí i nadále u firem, kde tato práce stále zcela leží na lidech. Ale kde systémy průběžně prověřují každou transakci, každou dodávku nebo každý řádek kódu místo výběrové kontroly, posouvá se norma. Ne proto, že by tam byli lidé lepší, ale proto, že je pokrytí větší.
Za každým tvrzením o kvalitě se skrývá řetězec úkolů. Inspekce: je tento výrobek, tato dodávka, tento řádek hotov podle dohody. Detekce odchylek: spadá to mimo normu, a všiml by si toho někdo bez systému. Zpětná vazba: dostane se informace včas k tomu, kdo může korigovat. Zaznamenání: existuje stopa, která dokládá, že se prověřovalo, nikoli pouze to, že výsledek dobře dopadl.
Tyto úkoly se rozpadají do tří kategorií, které se objevují všude. Detekce odchylek na základě vzorců ve velkých datových souborech je často něco, co může převzít systém, pokud jsou data čistá a úplná. Posouzení, zda je odchylka v kontextu konkrétního klienta akceptovatelná, zůstává většinou úkolem s lidským dohledem: systém upozorní, někdo schválí nebo zamítne, s odůvodněním. A skutečný odborný úsudek — je tato práce dobrá, nikoli jen podle normy, ale podle vnímání zadavatele — zůstává lidskou prací. Žádná z těchto tří kategorií není všude uspořádána stejně, a právě proto srovnání mezi firmami nyní měří něco jiného než před pěti lety.
Pokud je kontrolní práce u jedné firmy z velké části automatizovaná a u druhé nikoli, nesrovnáváte už dvě firmy se stejným úsilím o kvalitu a odlišným výsledkem. Srovnáváte dva odlišné druhy pokrytí. Firma, kde se prověřuje každý řádek místo pětiprocentní výběrové kontroly, nachází chyby, které druhá firma systematicky přehlíží — nikoli díky lepší práci, ale díky většímu množství sledování.
To mění hodnotu tvrzení o kvalitě. „Uplatňujeme striktní kontrolu kvality" dříve znamenalo: vynakládáme na to lidi. Nyní to může znamenat také: u nás se téměř nic nepřehlédne, protože kontrola nezávisí na tom, kolik kontrolorů bylo ten týden k dispozici. To je jiný slib, a klient, který slyší obojí, nepozná, který z těch dvou slyší, aniž by se zeptal, jak je práce přesně uspořádána.
Tento posun je vidět také v tom, co pro lidi zbývá. Kde detekci převzal systém, funkce kvality se posouvá k posuzování: je tato odchylka problémem, a co s ní uděláme. To je jiná práce než sčítání a evidování, a vyžaduje jiné dovednosti. Firmy, kde se tento posun ještě neprosadil, svěřují tento odborný úsudek stále stejným lidem, kteří dělali i to sčítání — s méně časem na úsudek, protože sčítání ještě nezmizelo.
Rychlost, s jakou se tato práce posouvá, nezávisí na vůli inovovat. Závisí na tom, zda jsou podkladová data dostatečně strukturovaná pro automatické prověřování, zda má klient proces, který se snadno digitálně sleduje, a zda je již stanoveno, co přesně znamená „dobré" pro daný konkrétní produkt nebo službu. Výrobní proces s pevnými specifikacemi se pro automatizované prověřování hodí snáze než poradenský proces, kde kvalita z velké části tkví v rozhovoru.
Proto kvalita málokdy stojí sama o sobě. Náskok, který AI přináší v kvalitě, souvisí s tím, jak firma uspořádala servis po prodeji, zda se poruchy zaznamenávají stejně rychle jako se řeší, a s technickými znalostmi, které jsou potřeba k odhadu hodnoty zaznamenané odchylky. Systém, který hlásí tisíc odchylek za den, není náskokem bez lidí, kteří vědí, která z nich se počítá.
Zda konkurent již zčásti předal svou práci na kvalitě systému, nelze z venku poznat na konečném výsledku. Lze to ale poznat na tom, jak o tom mluví: v pokrytí a průběžné době, nebo v úsilí a nasazení lidí. Pokud sami uplatňujete tvrzení o kvalitě, které nemůžete podložit číslem, stojí za to prozkoumat jak podložit tvrzení o vlastní kvalitě dříve, než to za vás udělá klient nebo konkurent. A pokud se ukáže, že v této dimenzi máte odstup, existuje přístup pro otázku co dělat s odstupem v určité dimenzi, který nezačíná panikou, ale důkazem.
Základní otázku — kterou část práce na kvalitě ve vaší firmě lze skutečně převést na AI, a která část zůstává lidskou prací — zodpovídá pracovní scan FTE TO AI podle jednotlivých úkolů, nikoli na úrovni celého oddělení.
Jako první krok můžete provést bezplatnou kontrolu dimenzí: pojmenujete, kde si myslíte, že vítězíte, a uvidíte, které z těchto tvrzení lze obhájit důkazem. Kompletní benchmark s maticí důkazů pro váš obor se připravuje.