La garantie et la reprise des risques sont l'endroit où un fournisseur exprime sa propre estimation en argent. Une durée de garantie plus longue, une responsabilité plus étendue, une majoration de risque qui disparaît : ce sont des promesses sur ce qui ne va pas mal se passer. Pour le client, c'est généralement le dernier critère avant que la décision ne soit tranchée, précisément parce qu'il ne s'agit pas de fonctionnalité mais de ce qui se passe en cas de problème.
Le client ne remarque pas la différence sur un chiffre dans un devis, mais sur la manière dont ce chiffre paraît fiable. Une durée de garantie manifestement calculée a une allure différente d'une durée de garantie qui est "toujours proposée ainsi". Cette différence se ressent dans la conversation, même sans que le client puisse expliquer pourquoi.
Une durée de garantie ou une reprise de risque est le résultat d'une estimation : à quelle fréquence une panne survient-elle, combien coûte une réparation, combien de temps dure une réparation, quelle part des cas échappe à l'approche standard. Cette estimation s'appuie sur des données historiques concernant les pannes, l'entretien, les retours et les réclamations, et sur la question de savoir si quelqu'un consulte réellement ces données avant que le texte de garantie ne soit rédigé.
En pratique, cette consultation est souvent limitée. Les données existent, mais elles sont dispersées entre les journaux de service, les registres de réclamations et des tableaux Excel isolés. Les combiner et les tenir à jour prend du temps, si bien que la durée de garantie est souvent déterminée par ce qui fonctionnait déjà l'année précédente, ajusté selon une intuition sur la qualité actuelle du produit. Il ne s'agit pas de négligence ; c'est une question d'heures disponibles au regard de l'ampleur de la demande.
L'analyse des données de panne, de l'historique des réclamations et des schémas d'entretien est une tâche qui se prête bien à la reprise : il s'agit en grande partie de calcul sur des données structurées et semi-structurées. Là où cela se produit, la durée de garantie passe d'une hypothèse fixe, révisée annuellement, à un résultat qui peut être recalculé par ligne de produit, par segment de clientèle ou même par commande. Qui a mis en place ce processus peut proposer une majoration de risque plus précise : plus généreuse là où le risque est faible, plus prudente là où il est élevé, au lieu d'une moyenne trop large ou trop stricte dans les deux cas.
La décision finale reste un travail humain, et c'est aussi là qu'elle devrait rester : quelqu'un doit mettre en balance le résultat de l'analyse avec la marge commerciale et avec ce qui est contractuellement tenable. L'IA peut ici accomplir une partie du travail, avec un contrôle humain qui approuve ou rejette le résultat avec motivation. Ce qui change, c'est la rapidité et la précision avec lesquelles cette mise en balance peut être faite, pas la question de qui la fait finalement.
Ce déplacement ne se produit pas au même rythme partout. Les entreprises disposant d'un long historique de données de service structurées et de quelqu'un qui relie effectivement ces données au texte de garantie sont plus à même de reprendre ce travail que les entreprises où les mêmes données existent mais n'ont jamais été rassemblées. La différence ne réside donc pas dans l'intention de changer, mais dans le fait que les données sous-jacentes soient déjà en ordre ou non.
Dès qu'une partie du marché fonde ses durées de garantie sur des données de risque recalculées, ce qu'on entend par une garantie "avantageuse" change. Une durée de garantie fixe et généreuse qui était auparavant considérée comme fortement distinctive peut devenir un pari coûteux dès qu'un concurrent n'offre la même marge que là où les données le justifient, et se montre plus prudent ailleurs. Qui ne réajuste pas sa politique de garantie risque des garanties trop coûteuses là où le risque est faible, et des garanties trop restreintes là où le risque est élevé — exactement l'inverse de ce que recherche le client.
Cela touche parfois aussi des choix internes sur qui établit l'estimation de garantie et avec quels effectifs. Des exigences légales propres s'appliquent à ces choix, qui ne sont pas traitées ici ; cette page porte sur l'effet sur la comparaison entre fournisseurs, pas sur des décisions de personnel.
Cette dimension existe rarement isolément. Une garantie qui paraît bon marché se lit différemment à côté de la marge d'erreur avec laquelle un concurrent livre réellement, et une majoration de risque qui paraît faible se rapporte à comment l'IA change la concurrence sur les prix. Qui veut savoir si une promesse de garantie tient debout ou est surtout bien formulée peut le vérifier sur comment vérifier si un avantage distinctif existe réellement.
Savoir si la reprise des risques d'un concurrent repose sur des données recalculées ou sur une hypothèse de l'année précédente est difficile à voir de l'extérieur ; cela se trouve dans un texte de garantie, pas dans une allégation marketing. La question sous-jacente de savoir quel travail, dans votre propre organisation, peut réellement être repris par l'IA, reçoit une réponse tâche par tâche grâce au scan de travail de FTE TO AI.
Le contrôle de dimension gratuit constitue une première étape sans cette profondeur d'analyse : vous indiquez sur quoi vous pensez l'emporter, et voyez laquelle de ces affirmations peut être défendue avec des preuves. Le benchmark complet, avec la comparaison face à votre groupe de pairs sur toutes les dimensions, est en cours de construction.