Laadun toimittaminen ja laadun todistaminen eivät ole samaa työtä. Ensimmäinen tapahtuu lattialla, puhelimessa, koodissa. Toinen tapahtuu sen jälkeen: tarkistaminen, poikkeamien havaitseminen, korjaaminen, sen kirjaaminen, että asia on kunnossa. Tämä toinen osa on se, missä ero nyt syntyy. Ei siksi, että AI olisi parempi ammattitaidossa, vaan koska valvontatyö — se osa, joka määrittää havaitaanko virhe ennen kuin asiakas havaitsee sen — voidaan osittain automatisoida.
Vuosi sitten laadunvarmistus oli kysymys otannoista ja ihmisen tarkkaavaisuudesta. Se, jolla oli enemmän kapasiteettia valvontaan, havaitsi enemmän virheitä. Tämä pätee yhä yrityksissä, joissa se työ on edelleen kokonaan ihmisten vastuulla. Mutta kun järjestelmät tarkistavat jatkuvasti joka liiketoimen, jokaisen toimituksen tai jokaisen koodirivin otannan sijaan, normi siirtyy. Ei siksi, että ihmiset olisivat parempia, vaan koska kattavuus on suurempi.
Jokaisen laatuväitteen takana on tehtävien ketju. Tarkastus: on tämä tuote, tämä toimitus, tämä rivi valmis sovitulla tavalla. Poikkeamien havaitseminen: jääkö tämä normin ulkopuolelle, ja olisiko joku huomannut sen ilman järjestelmää. Palaute: saavuttaako tieto ajoissa henkilön, joka voi korjata suuntaa. Kirjaaminen: on olemassa jälki, joka osoittaa, että tarkistus on tehty, ei vain että tulos osui hyvin kohdalleen.
Nämä tehtävät jakautuvat kolmeen kategoriaan, jotka toistuvat kaikkialla. Poikkeamien havaitseminen suurten datajoukkojen kuvioiden perusteella on usein jotain, jonka järjestelmä voi ottaa haltuunsa, kunhan data on puhdasta ja täydellistä. Arvio siitä, onko poikkeama hyväksyttävä tietyn asiakkaan kontekstissa, säilyy useimmiten tehtävänä, jossa on inhimillinen valvonta: järjestelmä havaitsee, joku hyväksyy tai hylkää, syyn kanssa. Ja varsinainen ammattitaidon arvio — onko tämä työ hyvää, ei vain normin mukaan vaan tilaajan tuntuman mukaan — pysyy ihmistyönä. Mikään näistä kolmesta ei ole kaikkialla samalla tavalla järjestetty, ja juuri tästä syystä yritysten välinen vertailu mittaa nyt hieman eri asiaa kuin viisi vuotta sitten.
Jos valvontatyö on yhdessä yrityksessä pitkälti automatisoitu ja toisessa ei, ette enää vertaile kahta yritystä, joilla on sama laatupanostus ja erilainen lopputulos. Vertailette kahta erilaista kattavuuden lajia. Yritys, jossa joka rivi tarkistetaan viiden prosentin otannan sijaan, löytää virheitä, jotka toinen jättää rakenteellisesti huomaamatta — ei parempaa työtä tehden, vaan enemmän havainnoiden.
Tämä muuttaa laatuväitteen arvon. "Meillä on tiukka laadunvalvonta" tarkoitti aiemmin: käytämme siihen ihmisiä. Nyt se voi tarkoittaa myös: meillä ei jää käytännössä mitään huomaamatta, koska valvonta ei riipu siitä, montako tarkastajaa oli sinä viikkona käytettävissä. Se on eri lupaus, ja asiakas, joka kuulee molemmat, ei tiedä kumman hän kuulee kysymättä, miten työ on tarkalleen järjestetty.
Siirtymä näkyy myös siinä, mitä ihmisille jää. Kun havaitseminen on siirtynyt järjestelmälle, laatufunktio siirtyy arviointiin: on tämä poikkeama ongelma, ja mitä sille tehdään. Se on eri työtä kuin merkkien laskeminen, ja se vaatii eri taitoja. Yrityksissä, joissa tätä siirtymää ei ole vielä tehty, tämä ammattitaidon arvio kuormittaa yhä samoja ihmisiä, jotka tekivät myös laskemistyön — vähemmällä ajalla arvioinnille, koska laskeminen ei ole vielä poistunut.
Nopeus, jolla tämä työ siirtyy, ei riipu uudistushalusta. Se riippuu siitä, on taustadata riittävän jäsenneltyä automaattista tarkistamista varten, on asiakkaalla prosessi, jota on helppo seurata digitaalisesti, ja on jo ennalta määritelty, mitä "hyvä" tarkalleen tarkoittaa kyseiselle tuotteelle tai palvelulle. Tuotantoprosessi, jossa on kiinteät spesifikaatiot, soveltuu helpommin automatisoituun tarkistamiseen kuin konsultointiprosessi, jossa laatu on pääosin keskustelussa.
Juuri tästä syystä laatu harvoin on erillinen asia. Etumatka, jonka AI tuo laadussa, liittyy siihen, miten yritys on järjestänyt myynnin jälkeisen palvelunsa, havaitaanko häiriöt yhtä nopeasti kuin ne ratkaistaan, ja tekniseen osaamiseen, jota tarvitaan havaitun poikkeaman arvon määrittämiseen. Järjestelmä, joka ilmoittaa tuhat poikkeamaa päivässä, ei ole etumatka ilman ihmisiä, jotka tietävät, mikä niistä on merkityksellinen.
Sitä, onko kilpailija jo osittain siirtänyt laatutyönsä järjestelmälle, ei näe ulkopuolelta lopputuloksesta. Sen näkee kuitenkin siitä, miten hän puhuu asiasta: kattavuuden ja läpimenoajan termein, tai panostuksen ja henkilöresurssien termein. Kun esitätte itse laatuväitteen, jota ette voi tukea luvulla, kannattaa tarkastella, miten oman laadun väite perustellaan, ennen kuin asiakas tai kilpailija tekee sen puolestanne. Ja jos käy ilmi, että olette jäljessä tällä ulottuvuudella, on olemassa lähestymistapa kysymykseen mitä tehdä ulottuvuudella olevalle jälkeenjääneisyydelle, joka ei ala paniikista vaan todisteista.
Taustalla olevaan kysymykseen — mikä osa yrityksenne laatutyöstä on todella siirrettävissä AI:lle, ja mikä osa pysyy ihmistyönä — vastaa FTE TO AI:n työskennelyskannaus tehtäväkohtaisesti, ei koko osaston tasolla.
Ensimmäisenä askeleena voitte tehdä maksuttoman ulottuvuustarkistuksen: nimeätte, missä uskotte voittavanne, ja näette, mikä näistä väitteistä on puolustettavissa todisteilla. Täydellinen benchmark, jossa on toimialaanne varten laadittu todistematriisi, on rakenteilla.