Kvaliteedi tootmine ja kvaliteedi tõestamine ei ole sama töö. Esimene toimub töökojas, telefonis, koodis. Teine toimub pärast: kontrollimine, kõrvalekallete märkamine, korrigeerimine, kirjapanek, et kõik on korras. Just see teine osa on see, kus vahe praegu tekib. Mitte sellepärast, et AI oleks paremini valminud oskustöös, vaid sellepärast, et kontrollitöö — see osa, mis otsustab, kas viga märgatakse enne, kui klient selle märkab — on osaliselt automatiseeritav.
Aasta tagasi oli kvaliteedi tagamine küsimus valikuuringutest ja inimliku tähelepanust. Kellel oli rohkem kontrollimiseks kasutatavat aega, see leidis rohkem vigu. See on endiselt tõsi ettevõtetes, kus see töö on veel täielikult inimeste käes. Kuid kus süsteemid kontrollivad pidevalt igat tehingut, igat tarnet või igat koodirida, mitte valimit, seal nihkub norm. Mitte sellepärast, et inimesed oleksid seal paremad, vaid sellepärast, et katvus on suurem.
Iga kvaliteedinõude taga on ülesannete ahel. Kontroll: kas see toode, see tarne, see rida on valmis nii, kui kokku lepitud. Kõrvalekaldete tuvastamine: kas see väljub normist, ja oleks keegi seda ilma süsteemita näinud. Tagasiside: jõuab teave õigel ajal selleni, kes saab sekkuda. Dokumenteerimine: on olemas jälg, mis tõendab, et kontrollitud on, mitte üksnes seda, et tulemus tuli hea.
Need ülesanded jagunevad kolme kategooriasse, mis ikka ja jälle esile kerkivad. Kõrvalekallete tuvastamine suurte andmestike mustrite põhjal on tihti asi, mida süsteem võib üle võtta, tingimusel et andmed on puhtad ja täielikud. Otsus selle kohta, kas kõrvalekalle on konkreetse kliendi kontekstis vastuvõetav, jääb enamasti ülesandeks, mille juures on vajalik inimlik järelevalve: süsteem annab märku, keegi kiidab heaks või lükkab tagasi, koos põhjendusega. Ja tegelik oskustöö hinnang — kas see töö on hea, mitte ainult normi järgi, vaid tellija tunnetuse järgi — jääb inimtööks. Neist kolmest ei ole ükski kõikjal ühtviisi korraldatud, ja just see on põhjus, miks ettevõtete vaheline võrdlus mõõdab praegu midagi teistsugust kui viis aastat tagasi.
Kui ühes ettevõttes on kontrollitöö suures osas automatiseeritud ja teises ei ole, ei võrdle te enam kahte ettevõtet, kellel on sama kvaliteediprogramm, kuid erinev tulemus. Te võrdlete kahte erinevat katvuse liiki. Ettevõte, kus kontrollitakse igat rida viie protsendi valimi asemel, leiab vigu, mida teine pidevalt vahele jätab — mitte parema töö tõttu, vaid suurema jälgimise tõttu.
See muudab kvaliteedinõude väärtust. „Meil on range kvaliteedikontroll" tähendas varem: me kulutame sellele inimesi. Nüüd võib see tähendada ka: meil ei jää peaaegu mitte midagi vahele, kuna kontroll ei sõltu sellest, kui palju kontrollijaid sel nädalal saadaval oli. See on teistsugune lubadus, ja klient, kes kuuleb mõlemat, ei tea, kummale lubadusele ta täpselt vastab, ilma et küsiks, kuidas töö täpselt on korraldatud.
Nihe on nähtav ka selles, mis inimeste jaoks alles jääb. Kus tuvastamine on üle võetud, nihkub kvaliteedifunktsioon hindamise poole: kas see kõrvalekalle on probleem, ja mida sellega ette võtta. See on erinev töö kui märkimine ja loendamine, ja see nõuab teistsuguseid oskusi. Ettevõtted, kus see nihe ei ole veel toimunud, kulutavad seda oskustöö hinnangut endiselt samadele inimestele, kes ka märkisid ja loendasid — vähema ajaga hindamise jaoks, kuna märkimine ei ole veel ära langenud.
Kiirus, millega see töö nihkub, ei sõltu uuendustahtest. See sõltub sellest, kas aluseks olevad andmed on piisavalt struktureeritud, et neid automaatselt kontrollida, kas kliendil on protsess, mida on lihtne digitaalselt jälgida, ja kas juba on kindlaks määratud, mida „hea" täpselt tähendab selle konkreetse toote või teenuse jaoks. Fikseeritud spetsifikatsioonidega tootmisprotsess sobib automatiseeritud kontrolliks lihtsamini kui nõustamisprotsess, kus kvaliteet peitub suures osas vestluses.
Seepärast ei ole kvaliteet ka harva üksinda seisev tegur. AI toodud eelis kvaliteedis on seotud sellega, kuidas ettevõte on korraldanud müügijärgse teeninduse, kas rikked märgatakse ja lahendatakse ühtviisi kiiresti, ning tehniliste teadmistega, mida vajatakse tuvastatud kõrvalekalde väärtuse hindamiseks. Süsteem, mis teatab tuhandest kõrvalekaldest päevas, ei ole eelis ilma inimesteta, kes teavad, milline neist on tähtis.
Kas konkurent on oma kvaliteeditöö juba osaliselt süsteemile üle andnud, ei ole väljast lõpptulemuse põhjal näha. Küll aga on see näha sellest, kuidas ta sellest räägib: katvuses ja läbimisajas, või pingutuses ja inimeste kaasamises. Kui kannate ise kvaliteedinõuet, mida ei saa arvuga põhjendada, on kasulik uurida, kuidas põhjendada väidet oma kvaliteedi kohta, enne kui klient või konkurent teeb seda teie eest. Ja kui selgub, et te olete sellel mõõtmel maas, on olemas lähenemine küsimusele, mida ette võtta mahajäämusega ühel mõõtmel, mis ei alga paanikaga, vaid tõenditega.
Aluseks olevale küsimusele — milline osa kvaliteeditööst teie ettevõttes on tegelikult AI-le üle antav ja milline osa jääb inimtööks — vastab FTE TO AI töö-skaneering ülesande tasandil, mitte terve osakonna tasandil.
Esimese sammuna võite läbida tasuta dimensioonikontrolli: nimetate, mille arvelt arvate võitvat, ja näete, milline neist väidetest on tõenditega kaitstav. Täielik võrdlusalus koos tõendusmaatriksiga teie sektori jaoks on ehitamisel.