At levere kvalitet og at bevise kvalitet er ikke det samme arbejde. Det første sker på gulvet, i telefonen, i koden. Det andet sker bagefter: kontrollere, signalere afvigelser, korrigere, dokumentere at det er i orden. Det er i den anden del, at forskellen nu opstår. Ikke fordi AI skulle være bedre til fagarbejdet, men fordi kontrolarbejdet — den del, der afgør om en fejl bliver opdaget før kunden opdager den — delvist kan automatiseres.
For et år siden var kvalitetssikring et spørgsmål om stikprøver og menneskelig opmærksomhed. Den der havde mere kapacitet til kontrol, fangede flere fejl. Det gælder stadig for virksomheder, hvor det arbejde stadig ligger fuldt hos mennesker. Men hvor systemer løbende afprøver hver transaktion, hver levering eller hver linje kode i stedet for en stikprøve, forskydes normen. Ikke fordi menneskerne der er bedre, men fordi dækningen er større.
Bag hver kvalitetspåstand ligger en kæde af opgaver. Inspektion: er dette produkt, denne levering, denne linje færdig som aftalt. Afvigelsesdetektion: falder dette uden for normen, og havde nogen set det uden systemet. Tilbagemelding: kommer informationen tidsnok til den, der kan justere. Dokumentation: er der et spor, der viser, at der er blevet afprøvet, ikke kun at resultatet gik godt.
Disse opgaver falder i de tre kategorier, der går igen alle steder. Afvigelsesdetektion baseret på mønstre i store datasæt er ofte noget, et system kan tage over, forudsat at dataene er rene og fuldstændige. Vurderingen af, om en afvigelse er acceptabel inden for konteksten af en bestemt kunde, forbliver som regel en opgave med menneskeligt tilsyn: systemet signalerer, en person godkender eller afviser, med begrundelse. Og den egentlige faglige vurdering — er dette arbejde godt, ikke kun efter normen men efter opdragsgiverens fornemmelse — forbliver menneskeligt arbejde. Ingen af disse tre er indrettet ens overalt, og det er præcis grunden til, at sammenligningen mellem virksomheder nu måler noget andet end for fem år siden.
Hvis kontrolarbejdet hos den ene virksomhed i store træk er automatiseret og hos den anden ikke, sammenligner De ikke længere to virksomheder med samme kvalitetsindsats og et forskelligt resultat. De sammenligner to forskellige slags dækning. Virksomheden hvor hver linje afprøves i stedet for en stikprøve på fem procent, finder fejl, som den anden strukturelt overser — ikke på grund af bedre arbejde, men på grund af mere observation.
Det ændrer, hvad en kvalitetspåstand er værd. "Vi anvender streng kvalitetskontrol" betød tidligere: vi bruger mennesker på det. Nu kan det også betyde: hos os bliver næsten intet overset, fordi kontrollen ikke afhænger af, hvor mange kontrollører der var til rådighed den uge. Det er et andet løfte, og den kunde, der hører begge, ved ikke, hvilket af de to han hører, uden at spørge, hvordan arbejdet præcis er indrettet.
Forskydningen ses også i det, der bliver tilbage for mennesker. Hvor detektion er taget over, forskydes kvalitetsfunktionen mod vurdering: er denne afvigelse et problem, og hvad gør vi ved det. Det er andet arbejde end at tælle og registrere, og det kræver andre færdigheder. Virksomheder hvor den forskydning endnu ikke er gennemført, bruger stadig den faglige vurdering på de samme mennesker, der også stod for tællingen — med mindre tid til vurderingen, fordi tællingen endnu ikke er faldet bort.
Hastigheden hvormed dette arbejde forskydes, afhænger ikke af viljen til at forny. Den afhænger af, om de underliggende data er strukturerede nok til at kunne afprøves automatisk, om kunden har en proces, der let kan følges digitalt, og om det allerede er fastlagt, hvad "godt" præcist betyder for det pågældende produkt eller den pågældende ydelse. En produktionsproces med fastlagte specifikationer er lettere at underlægge automatiseret afprøvning end et rådgivningsforløb, hvor kvalitet i høj grad ligger i samtalen.
Det er også grunden til, at kvalitet sjældent står alene. Det forspring, AI giver på kvalitet, hænger sammen med, hvordan en virksomhed har indrettet sin service efter salg, om driftsstop opdages lige så hurtigt som de løses, og med den tekniske viden, der er nødvendig for at kunne vurdere en signaleret afvigelse. Et system der melder tusind afvigelser om dagen, er intet forspring uden mennesker, der ved hvilken af dem der tæller.
Om en konkurrent allerede delvist har overdraget sit kvalitetsarbejde til et system, kan ikke ses udefra på slutresultatet. Det kan derimod ses på, hvordan han taler om det: i dækning og gennemløbstid, eller i indsats og brug af mennesker. Når De selv fremsætter en kvalitetspåstand, som De ikke kan underbygge med et tal, er det værd at se på hvordan De underbygger en påstand om Deres egen kvalitet, før en kunde eller konkurrent gør det for Dem. Og hvis det viser sig, at De halter bagefter på denne dimension, findes der en fremgangsmåde for spørgsmålet hvad De gør ved en efterslæb på en dimension, som ikke begynder med panik men med bevis.
Det underliggende spørgsmål — hvilken del af kvalitetsarbejdet i Deres virksomhed AI reelt kan tage over, og hvilken del der forbliver menneskeligt arbejde — besvarer arbejdsscanningen fra FTE TO AI opgave for opgave, ikke på niveau for hele afdelingen.
Som første skridt kan De tage den gratis dimensionstjek: De angiver, hvor De tror De vinder, og ser hvilke af disse påstande der kan forsvares med bevis. Den fulde benchmark, med bevismatricen for Deres branche, er under udarbejdelse.