El margen de error -- el espacio que una organización incorpora entre lo que algo cuesta y lo que se cobra, o entre una estimación y el resultado real -- estuvo durante mucho tiempo determinado por la persona que hacía el cálculo. Un calculador o gestor de cuentas experimentado sabía dónde estaban los riesgos en una oferta y calculaba un margen para ello. Ese conocimiento residía en las cabezas, repartido entre personas que llevaban años trabajando con una cartera de productos o un tipo de cliente. Dos calculadores en la misma empresa llegaban así a márgenes distintos en encargos comparables. Esa diferencia no era visible para el cliente, pero sí para la cuenta de resultados.
La comparación entre competidores transcurría, por tanto, a través del resultado: quién podía fijar precios más ajustados sin generar pérdidas. No a través de la pregunta de cómo se determinaba ese margen, porque ese cálculo permanecía fuera de la vista.
Allí donde el margen de error se calcula a partir de datos históricos -- desviaciones entre el cálculo previo y el cálculo posterior, plazos de ejecución, fluctuaciones en los precios de materiales -- una gran parte de ese trabajo de cálculo puede ser asumida por la IA. No la decisión sobre el margen final, sino el trabajo subyacente: analizar miles de proyectos finalizados para ver dónde se produjeron las desviaciones de forma estructural, y aplicar ese patrón a una nueva oferta. En las empresas donde esto ocurre, el cálculo se acerca más a los riesgos reales que en las empresas donde todavía se apoya en la experiencia de una persona.
Eso cambia la comparación de una manera específica. Una organización que basa su margen de error en miles de puntos de datos puede calcular de forma más ajustada sin que aumente el riesgo, mientras que un competidor que confía en la pericia de unas pocas personas sigue necesitando un margen más amplio para cubrir la misma incertidumbre. Uno puede así presentar una oferta más baja con el mismo riesgo, o la misma oferta con menor riesgo. Ambas son una ventaja competitiva, y ambas son visibles en el resultado, no en el proceso.
La transformación se puede dividir en tres tipos de trabajo, que se entrelazan en prácticamente todas las empresas.
El análisis de las desviaciones históricas -- cálculo previo frente a realización a lo largo de cientos o miles de encargos -- es trabajo que la IA puede asumir en muchos casos. Es reconocimiento de patrones sobre datos estructurados, y precisamente en eso destaca esta tecnología.
Traducir esos patrones a una oferta concreta es en parte trabajo con supervisión humana. Un sistema puede proponer una estimación de riesgo para un proyecto nuevo, pero alguien con conocimiento del cliente, del mercado o de la situación excepcional evalúa si esa estimación también es correcta aquí, y aprueba o rechaza el margen, con motivo.
La decisión de situarse deliberadamente por debajo del margen calculado en un trato concreto -- por razones estratégicas, para captar a un cliente, para entrar en un mercado -- sigue siendo trabajo humano. No es una cuestión de cálculo, sino una ponderación sobre riesgo y ambición, y esa responsabilidad no se traslada.
La diferencia entre empresas no reside en el acceso a la IA, sino en los datos y la disciplina que hay detrás de un cálculo. Una empresa que registra de forma estructural el cálculo posterior -- lo que realmente costó un proyecto, dónde se produjo la desviación, si se debió a compras, planificación o ejecución -- tiene una base sobre la que un modelo puede aprender. Una empresa que hace el cálculo posterior de forma puntual o solo en caso de grandes desviaciones no tiene esa base, por mucho presupuesto que destine a la IA. El retraso no está entonces en la tecnología, sino en si alguna vez se registró lo que realmente ocurrió.
Eso convierte el margen de error en una dimensión en la que la transformación avanza de forma desigual entre sectores y entre empresas dentro del mismo sector. Un contratista con quince años de datos de cálculo posterior tiene un punto de partida distinto al de un competidor que empezó a registrar de forma estructurada apenas el año pasado. Quien contemple consecuencias para el personal a raíz de esta transformación debe tener en cuenta, además, que existen requisitos legales propios para ello; esta página trata sobre qué ocurre con el trabajo, no sobre qué hace un empleador al respecto.
El margen de error rara vez existe de forma aislada. Un cálculo más ajustado está relacionado con la ventaja que ofrece la IA en precio, porque un margen necesario menor da margen en la fijación de precios. También se relaciona con la ventaja que ofrece la IA en plazo de entrega, porque parte del margen de error proviene de la incertidumbre en la planificación. Para saber si su enfoque del margen de error es realmente mejor que el de empresas comparables, primero hay que determinar quiénes son esas empresas comparables; por eso cómo se compone un grupo de referencia es la primera pregunta, no la última.
La pregunta de qué parte de este proceso de cálculo específico en esta empresa concreta ya puede ser asumida por la IA, y qué parte espera aún datos de cálculo posterior que todavía no existen, se responde por tarea con el escáner de trabajo de FTE TO AI.
La verificación de dimensiones gratuita le permite señalar en qué cree que gana -- margen de error, precio, plazo de entrega u otra cosa -- y muestra cuáles de esas afirmaciones pueden defenderse con pruebas y cuáles todavía no. El benchmark completo, con la matriz de evidencias y la comparación dentro de su grupo de referencia, está en construcción.