Fejlmargin gjaldt i lang tid som et internt kvalitetsmål: hvor mange rettelser, hvor meget omarbejdning, hvor mange klager efter levering. Kunder så kun lidt af det, så længe de fejl, de mødte, forblev inden for en acceptabel bandbredde. Fejlmargin var noget en leverandør bedømte sig selv på, ikke noget en kunde stillede leverandører op imod hinanden på.
Det ændrer sig, så snart arbejdet bag fejlmargin flytter sig. At opspore afvigelser — et forkert indtastet beløb, et glemt trin i en proces, en inkonsistens mellem to dokumenter — er for en stor del kontrolarbejde: at tjekke noget mod et fast sæt regler eller mønstre. Det er præcis den type opgave, hvor AI kan tage en stor del over, med en medarbejder der bedømmer resultatet og med begrundelse godkender eller afviser det. Hvor det sker, falder fejlmargin ikke fordi mennesker er mere opmærksomme, men fordi der strukturelt er flere kontrolmomenter end tidligere muligt inden for samme bemanding.
Ikke alle virksomheder indfører denne kontrol på samme måde, og det forklarer, hvorfor én leverandør viser en markant lavere fejlmargin end en anden, selv om begge er aktive på samme marked.
Forskellen ligger på nogle få punkter:
En kunde ser sjældent fejlmargin som et tal. Han mærker det ved, hvor mange gange en faktura skal sendes tilbage, ved om en levering er korrekt i første forsøg, ved om en rapport kan bruges uden en korrektionsrunde. Ved en leverandør, hvor kontrol i stort omfang er flyttet til AI med menneskeligt tilsyn, er dette mønster anderledes: færre tilbagemeldingsrunder, mindre "vi justerer det lige", færre overraskelser efter levering.
Det er også grunden til, at fejlmargin er svær at gøre til et krav i en salgssamtale. "Vi arbejder præcist" siger en kunde ikke meget; det er årsagen til, at vage kvalitetsløfter i salgspitches ofte lyder ombytbare mellem leverandører. Sammenligningen bliver først konkret, når det er klart, hvilken del af kontrollen der faktisk er overtaget, og på hvilket grundlag.
Forskydningen i fejlmargin påvirker, hvordan en leverandør scorer på andre punkter. Mindre omarbejdning betyder ofte også kortere leveringstider, hvilket ændrer sammenligningen på leveringstid: se hvordan kortere leveringstider gennem automatiseret planlægning flytter normen i en branche. Færre fejl i udførelsen sparer også på eftersalgsarbejdet, hvilket spiller ind i, hvordan kunder bedømmer svarhastigheden og løsningsgraden af service efter salg. Og fordi mindre omarbejdning også betyder lavere omkostninger, påvirker fejlmargin indirekte hvordan automatisering ændrer rummet for skarpere priser. Den, der bedømmer fejlmargin isoleret, går glip af den sammenhæng.
Få virksomheder oplyser deres egen fejlprocent. Fejlmargin kan alligevel aflæses af indirekte signaler: hvor ofte en konkurrent kommer i nyhederne med rettelser, hvordan reviews taler om genoprettelsesarbejde, hvordan en tilbuds- eller leveringsproces er indrettet. For konkurrenter der ikke publicerer tal, findes en fremgangsmåde til at samle signaler om konkurrenter uden at de selv publicerer tal.
Hvor meget fejlmargin falder gennem AI-understøttet kontrol, afhænger af fejltypen, kvaliteten af de underliggende data og graden af menneskeligt tilsyn, som en organisation opretholder. Der findes ikke en fast procentsats, der gælder for hver branche eller hver virksomhed, og ingen kan garantere, at en opgave faktisk bliver overtaget. Hvad der kan bedømmes: hvilken del af kontrolarbejdet i en specifik virksomhed er egnet til overtagelse, og hvilken del forbliver menneskeligt arbejde.
Spørgsmålet om, hvilket arbejde i Deres egen organisation der reelt kan overtages af AI, besvarer FTE TO AI's arbejdsscan opgave for opgave. Til sammenligningen med Deres peer group findes den gratis dimensionscheck: De angiver, hvor De tror De vinder, og ser hvilke af disse påstande der kan forsvares med bevis. Det fulde benchmark, med scorer per dimension og en bevismatrix, er under udarbejdelse.