Fejlmargin -- det rum en organisation indbygger mellem hvad noget koster og hvad der bliver opkrævet, eller mellem et estimat og det faktiske resultat -- blev i lang tid bestemt af den person, der udarbejdede kalkulationen. En erfaren kalkulator eller account manager vidste, hvor risikoerne i et tilbud lå, og indregnede en margin for det. Den kundskab lå i hovederne, spredt ud over mennesker, der havde arbejdet med et produktsortiment eller en type kunde i årevis. To kalkulatorer i samme virksomhed endte derfor med forskellige margener ved sammenlignelige opgaver. Den forskel var ikke synlig for kunden, men den var synlig i resultatopgørelsen.
Sammenligningen mellem konkurrenter forløb derfor via resultatet: hvem kunne prissætte skarpest uden at give underskud. Ikke via spørgsmålet om, hvordan margin blev fastsat, fordi den beregning unddrog sig indblik.
Hvor fejlmargin beregnes på baggrund af historiske data -- afvigelser mellem kalkulation og efterkalkulation, gennemløbstider, materialeprisudsving -- kan en stor del af det beregningsarbejde overtages af AI. Ikke beslutningen om den endelige margin, men det underliggende arbejde: at gennemregne tusinder af afsluttede projekter for at se, hvor afvigelserne strukturelt lå, og anvende det mønster på et nyt tilbud. I virksomheder, hvor det sker, ligger kalkulationen tættere på de faktiske risici end i virksomheder, der stadig støtter sig på en enkelt persons erfaring.
Det ændrer sammenligningen på en bestemt måde. En organisation, der baserer sin fejlmargin på tusinder af datapunkter, kan kalkulere skarpere uden at risikoen stiger, mens en konkurrent, der er afhængig af nogle få personers håndværk, stadig må have en bredere margin for at dække samme usikkerhed. Den ene kan altså give et lavere bud ved samme risiko, eller give det samme bud ved lavere risiko. Begge er en konkurrencefordel, og begge er synlige i resultatet, ikke i processen.
Forskydningen kan opdeles i tre typer arbejde, og de går på tværs af hinanden i stort set alle virksomheder.
Gennemregningen af historiske afvigelser -- kalkulation versus realisering over hundreder eller tusinder af opgaver -- er arbejde, som AI i mange tilfælde kan overtage. Det er mønstergenkendelse på struktureret data, og det er præcis dér, denne teknologi er stærk.
At omsætte disse mønstre til et konkret tilbud er delvist arbejde med menneskeligt tilsyn. Et system kan levere en risikovurdering for et nyt projekt, men en person med kendskab til kunden, markedet eller undtagelsessituationen vurderer, om den vurdering også holder her, og godkender eller afviser margin, med begrundelse.
Beslutningen om i en specifik aftale bevidst at gå under den kalkulerede margin -- af strategiske årsager, for at vinde en kunde, for at komme ind på et marked -- forbliver menneskeligt arbejde. Det er ikke et beregningsspørgsmål, men en afvejning af risiko og ambition, og det ansvar forskydes ikke.
Forskellen mellem virksomheder ligger ikke i adgang til AI, men i hvilke data og hvilken disciplin der ligger bag en kalkulation. En virksomhed, der strukturelt registrerer efterkalkulation -- hvad et projekt reelt kostede, hvor afvigelsen opstod, om det skyldtes indkøb, planlægning eller udførelse -- har et fundament, hvorpå en model kan lære. En virksomhed, der udfører efterkalkulation ad hoc eller kun ved store overskridelser, har ikke dette fundament, uanset hvor meget budget den bruger på AI. Efterslæbet ligger da ikke i teknologien, men i spørgsmålet om, hvorvidt det overhovedet nogensinde er blevet registreret, hvad der faktisk skete.
Det gør fejlmargin til en dimension, hvor forskydningen forløber ulige mellem brancher og mellem virksomheder inden for samme branche. En entreprenør med femten års efterkalkulationsdata har et andet udgangspunkt end en konkurrent, der først begyndte med struktureret registrering sidste år. Den, der overvejer personalemæssige konsekvenser som følge af denne forskydning, bør for øvrigt være opmærksom på, at der gælder egne lovmæssige krav for det; denne side handler om, hvad der sker med arbejdet, ikke om, hvad en arbejdsgiver gør med det.
Fejlmargin står sjældent alene. En skarpere kalkulation hænger sammen med det forspring AI giver på pris, fordi en lavere nødvendig margin giver plads i prissætningen. Den berører også det forspring AI giver på leveringstid, fordi en del af fejlmargin stammer fra planlægningsusikkerhed. For at vide, om Deres fejlmargin-tilgang faktisk er bedre end sammenlignelige virksomheders, skal det først fastslås, hvem disse sammenlignelige virksomheder er; det er derfor hvordan en peer group sammensættes er det første spørgsmål, ikke det sidste.
Spørgsmålet om, hvilken del af denne specifikke kalkulationsproces i denne specifikke virksomhed allerede kan overtages af AI, og hvilken del venter på efterkalkulationsdata, der endnu ikke findes, besvares opgave for opgave med FTE TO AI's arbejdsscan.
Den gratis dimensionstjek giver Dem mulighed for at angive, hvor De tror, De vinder -- fejlmargin, pris, leveringstid eller noget andet -- og viser, hvilke af disse påstande der kan forsvares med beviser, og hvilke der endnu ikke kan. Den fulde benchmark, med bevismatrix og sammenligning inden for Deres peer group, er under udarbejdelse.