Et firma, der differentierede sig på kvalitet, gjorde det i lang tid via mennesker: flere kontrollører, flere stikprøver, mere erfaring, der genkendte afvigelser, inden kunden så dem. Den, der kunne have flere kvalitetsmedarbejdere, leverede strukturelt færre fejl. Den forbindelse kommer under pres, så snart en del af dette kontrolarbejde udføres af AI, for da er kvalitetsclaimet ikke længere knyttet til størrelsen af kontrolholdet.
Kvalitetsarbejde består ikke af én opgave, men af en kæde af trin, og disse trin forskydes ikke samtidigt.
Genkendelse af afvigelser i struktureret data — måleværdier, sensordata, gentagelige inspektioner — er den del, hvor AI allerede nu kan overtage opgaven. Mønstre, der tidligere krævede et trænet øje, kontrolleres af en model lige så konsekvent og betydeligt oftere, uden træthed mod slutningen af en vagt.
Bedømmelse af gråzoner — er denne afvigelse acceptabel, er denne klage berettiget, skal dette parti afvises — er den del, hvor AI stiller et forslag, og et menneske godkender eller afviser det med begrundelse. Her tæller ikke kun måleresultatet, men også konteksten: kundehistorik, kontraktbetingelser, sæsonpåvirkning. At afveje denne kontekst forbliver, for nu, noget der er under tilsyn.
At tage ansvar, når kvaliteten går fejl — at forklare en fejl til en kunde, bedømme en garantiklage, konfrontere en leverandør — forbliver menneskeligt arbejde. Ikke fordi en model ikke ville kunne formulere det, men fordi kunden her ønsker at have en person foran sig, som kan holdes ansvarlig.
Forskellen mellem virksomheder ligger ikke i ambition, men i den type kvalitetsarbejde, de har. En virksomhed med mange strukturerede, gentagelige kontroller — fastlagte specifikationer, digitale måledata, en klar standard — kan lade en større del af det første lag blive overtaget. En virksomhed, hvor kvalitet primært handler om bedømmelse af unikke situationer, skræddersyet arbejde eller subjektiv smag, holder en større del af arbejdet hos mennesker, med AI højst som et andet par øjne. Det er ikke en efterslæb, det er en anden art af arbejdet. Den, der knytter personalebeslutninger til denne forskydning, skal følge sine egne lovmæssige krav på dette område; det er ikke en del af denne sammenligning.
Så længe kvalitet primært var et spørgsmål om kontroltimer, kunne en mindre aktør ikke måle sig med en konkurrent, der havde ti kvalitetsmedarbejdere på gulvet. Hvis en betydelig del af denne kontrol udføres af AI, forskydes forskellen fra hvor meget kontrolkapacitet man har til hvor godt tilsynet med undtagelserne er organiseret. To virksomheder kan claime samme fejlmargin; forskellen ligger da i, hvem der beslutter hurtigere og bedre om det gråzonetilfælde, hvor modellen tvivler.
Det gør kvalitet som sammenligningspunkt sværere at vurdere på afstand, for et certifikat eller en tilfredshedsscore siger ikke noget om, hvilket trin der udføres af en maskine, og hvilket af et menneske med kendskab til konteksten. Den samme forskydning gør sig gældende på andre dimensioner: hvordan en konkurrent organiserer sin eftersalgsservice og klagebehandling afhænger af den samme slags tilsyn, og den, der vil vurdere kvalitet som claim, gør bedst i først at vide hvordan man scorer en konkurrent uden at gøre antagelser.
Et kvalitetsclaim er kun noget værd, hvis det kan spores til noget måleligt: fejlprocenter, returtal, genopretningstid ved afvigelser, eller måden en klage følges op på. Uden denne dokumentation er "vi står for kvalitet" en sætning, alle konkurrenter lige let kan bruge. Det samme gælder tilstødende claims — teknisk viden i teamet nævnes ofte i samme åndedrag som kvalitet, men er en separat dimension med sin egen bevisbyrde. Den, der vil vide, hvilken del af det eget kvalitetsarbejde der reelt kan overtages af AI, og hvilken del der fortsat kræver tilsyn, får et svar per opgave med arbejdsscanningen fra FTE TO AI.
For at vide, om en konkurrent står stærkere på kvalitet, er det ikke tilstrækkeligt at vide, hvad han claimer. Der er behov for bevis per dimension, vejet mod hvad der reelt afgør handler i dette marked — og det behandles på siden om hvordan De benchmarker Deres virksomhed mod konkurrenter.
Udpeg de kvalitetsclaims, De tror De vinder på, og undersøg hvilke af dem der kan forsvares med bevis, og hvilke der bygger på antagelser. Det er præcis, hvad den gratis dimensionscheck fra FTE TO AI gør: De angiver, hvad De tror De vinder på, og ser hvilke claims der holder. Den fulde konkurrencebenchmark, med bevismatrix over alle dimensioner, er under udarbejdelse.