La marge d'erreur -- l'espace qu'une organisation intègre entre ce que coûte quelque chose et ce qui est facturé, ou entre une estimation et le résultat réel -- était pendant longtemps déterminée par la personne qui faisait le calcul. Un calculateur ou un gestionnaire de comptes expérimenté savait où se situaient les risques dans un devis et intégrait une marge en conséquence. Ce savoir résidait dans les têtes, réparti entre des personnes ayant travaillé pendant des années avec un portefeuille de produits ou un type de client donné. Deux calculateurs au sein d'une même entreprise arrivaient ainsi à des marges différentes pour des missions comparables. Cette différence n'était pas visible pour le client, mais bien pour le compte de résultat.
La comparaison entre concurrents passait donc par le résultat : qui pouvait proposer un prix plus serré sans essuyer de perte. Pas par la question de savoir comment cette marge était déterminée, car ce calcul restait invisible.
Là où la marge d'erreur est calculée sur la base de données historiques -- écarts entre calcul et calcul a posteriori, délais d'exécution, fluctuations des prix des matériaux -- une grande partie de ce travail de calcul peut être reprise par l'IA. Pas la décision sur la marge finale, mais le travail sous-jacent : passer en revue des milliers de projets terminés pour identifier où les écarts se situaient structurellement, et appliquer ce schéma à un nouveau devis. Dans les entreprises où cela se produit, le calcul se rapproche davantage des risques réels que dans les entreprises qui reposent encore sur l'expérience d'un individu.
Cela modifie la comparaison d'une manière spécifique. Une organisation qui fonde sa marge d'erreur sur des milliers de points de données peut calculer plus serré sans que le risque n'augmente, tandis qu'un concurrent qui s'appuie sur le savoir-faire de quelques personnes doit conserver une marge plus large pour couvrir la même incertitude. L'un peut donc soumissionner plus bas à risque égal, ou soumissionner au même niveau à risque plus faible. Les deux constituent un avantage concurrentiel, et les deux sont visibles dans le résultat, pas dans le processus.
Ce glissement se divise en trois types de travail, qui s'entremêlent dans presque toutes les entreprises.
Le calcul des écarts historiques -- calcul versus réalisation sur des centaines ou des milliers de missions -- est un travail que l'IA peut reprendre dans de nombreux cas. Il s'agit de reconnaissance de schémas sur des données structurées, exactement ce dans quoi cette technologie excelle.
La traduction de ces schémas en un devis concret relève en partie d'un travail sous contrôle humain. Un système peut proposer une estimation de risque pour un nouveau projet, mais une personne connaissant le client, le marché ou la situation exceptionnelle évalue si cette estimation est également correcte ici, et approuve ou rejette la marge, avec justification.
La décision de descendre délibérément en dessous de la marge calculée dans une transaction spécifique -- pour des raisons stratégiques, pour décrocher un client, pour entrer sur un marché -- reste un travail humain. Ce n'est pas une question de calcul mais un arbitrage sur le risque et l'ambition, et cette responsabilité ne se déplace pas.
La différence entre les entreprises ne réside pas dans l'accès à l'IA, mais dans les données et la discipline qui se trouvent derrière un calcul. Une entreprise qui consigne systématiquement le calcul a posteriori -- ce qu'un projet a réellement coûté, où l'écart s'est produit, si c'était lié aux achats, à la planification ou à l'exécution -- dispose d'une base sur laquelle un modèle peut apprendre. Une entreprise qui ne fait ce calcul a posteriori qu'occasionnellement ou seulement en cas de dépassements importants ne dispose pas de cette base, quel que soit le budget consacré à l'IA. Le retard ne se situe alors pas dans la technologie mais dans la question de savoir si ce qui s'est réellement passé a un jour été consigné.
Cela fait de la marge d'erreur une dimension où le glissement se produit de manière inégale entre les secteurs et entre les entreprises d'un même secteur. Un entrepreneur disposant de quinze ans de données de calcul a posteriori part d'un point différent d'un concurrent qui n'a commencé à consigner de manière structurée que l'année dernière. Qui envisage des conséquences pour le personnel à la suite de ce glissement doit d'ailleurs prendre conscience que des exigences légales propres s'appliquent à cela ; cette page traite de ce qui advient du travail, pas de ce qu'un employeur en fait.
La marge d'erreur n'existe rarement isolément. Un calcul plus serré est lié à l'avance que procure l'IA sur le prix, car une marge nécessaire plus faible offre une marge de manœuvre dans la tarification. Elle touche également à l'avance que procure l'IA sur le délai de livraison, car une partie de la marge d'erreur découle de l'incertitude de planification. Pour savoir si votre approche de la marge d'erreur est effectivement meilleure que celle d'entreprises comparables, il faut d'abord établir qui sont ces entreprises comparables ; c'est pourquoi comment un peer group est constitué est la première question, pas la dernière.
La question de savoir quelle partie de ce processus de calcul spécifique, dans cette entreprise spécifique, peut déjà être reprise par l'IA, et quelle partie attend des données de calcul a posteriori qui n'existent pas encore, trouve une réponse tâche par tâche avec le scan de travail de FTE TO AI.
Le contrôle de dimension gratuit vous permet de nommer sur quoi vous pensez l'emporter -- marge d'erreur, prix, délai de livraison ou autre chose -- et montre laquelle de ces affirmations peut être défendue par des preuves et laquelle ne le peut pas encore. Le benchmark complet, avec la matrice de preuves et la comparaison au sein de votre peer group, est en cours de construction.