Livrer de la qualité et prouver la qualité ne sont pas le même travail. Le premier se produit sur le terrain, au téléphone, dans le code. Le second se produit après : contrôler, signaler les écarts, corriger, consigner que tout est conforme. C'est dans cette seconde partie que la différence apparaît aujourd'hui. Non pas parce que l'IA serait meilleure dans le travail de métier, mais parce que le travail de contrôle — la partie qui détermine si une erreur est repérée avant que le client ne la repère — peut être en partie automatisé.
Il y a un an, l'assurance qualité était une question d'échantillonnage et d'attention humaine. Qui disposait de plus de capacité pour le contrôle détectait davantage d'erreurs. Cela reste vrai dans les entreprises où ce travail repose encore entièrement sur des personnes. Mais là où des systèmes vérifient en continu chaque transaction, chaque livraison ou chaque ligne de code au lieu d'un échantillon, la norme se déplace. Non pas parce que les personnes y sont meilleures, mais parce que la couverture y est plus large.
Derrière chaque revendication de qualité se trouve une chaîne de tâches. Inspection : ce produit, cette livraison, cette ligne est-elle conforme à ce qui a été convenu. Détection d'écart : ceci sort-il de la norme, et quelqu'un l'aurait-il vu sans le système. Retour d'information : l'information parvient-elle à temps à celui qui peut corriger. Consignation : existe-t-il une trace démontrant qu'un contrôle a eu lieu, et pas seulement que le résultat s'est bien passé.
Ces tâches se répartissent dans les trois catégories que l'on retrouve partout. La détection d'écarts basée sur des modèles dans de grands ensembles de données est souvent quelque chose qu'un système peut reprendre, à condition que les données soient propres et complètes. L'évaluation de savoir si un écart est acceptable dans le contexte d'un client spécifique reste généralement une tâche relevant du contrôle humain : le système signale, une personne approuve ou rejette, avec justification. Et le véritable jugement de métier — ce travail est-il bon, non seulement selon la norme mais selon le ressenti du donneur d'ordre — reste un travail humain. Aucune de ces trois catégories n'est organisée de la même façon partout, et c'est précisément pourquoi la comparaison entre entreprises mesure aujourd'hui autre chose qu'il y a cinq ans.
Si le travail de contrôle est largement automatisé chez l'une des entreprises et non chez l'autre, vous ne comparez plus deux entreprises avec le même effort qualité et un résultat différent. Vous comparez deux types de couverture différents. L'entreprise où chaque ligne est vérifiée au lieu d'un échantillon de cinq pour cent trouve des erreurs que l'autre manque structurellement — non pas grâce à un meilleur travail, mais grâce à une observation plus large.
Cela change la valeur d'une revendication de qualité. « Nous appliquons un contrôle qualité strict » signifiait autrefois : nous y consacrons du personnel. Aujourd'hui, cela peut aussi signifier : chez nous, presque rien n'échappe au contrôle car celui-ci ne dépend pas du nombre de contrôleurs disponibles cette semaine-là. C'est une promesse différente, et le client qui entend l'une ou l'autre ne sait pas laquelle il entend sans demander comment le travail est précisément organisé.
Ce changement se voit aussi dans ce qui reste pour les personnes. Là où la détection a été reprise par un système, la fonction qualité se déplace vers l'évaluation : cet écart est-il un problème, et qu'en faisons-nous. C'est un travail différent du pointage et du comptage, et il demande d'autres compétences. Les entreprises où ce changement n'a pas encore été mis en œuvre confient encore ce jugement de métier aux mêmes personnes qui faisaient aussi le pointage — avec moins de temps pour le jugement puisque le pointage n'a pas encore disparu.
La vitesse à laquelle ce travail se déplace ne dépend pas de la volonté d'innover. Elle dépend de la question de savoir si les données sous-jacentes sont suffisamment structurées pour être vérifiées automatiquement, si le client dispose d'un processus qui se prête facilement à un suivi numérique, et si ce que signifie précisément « bon » pour ce produit ou ce service spécifique est déjà défini. Un processus de production aux spécifications fixes se prête plus facilement à une vérification automatisée qu'une mission de conseil où la qualité réside en grande partie dans la conversation.
C'est aussi pourquoi la qualité n'est presque jamais isolée. L'avance que l'IA procure en matière de qualité est liée à la manière dont une entreprise a organisé son service après-vente, à la rapidité avec laquelle les pannes sont repérées autant que résolues, et aux connaissances techniques nécessaires pour évaluer à sa juste valeur un écart signalé. Un système qui signale mille écarts par jour n'est pas une avance sans des personnes qui savent lequel compte réellement.
Qu'un concurrent ait déjà transféré une partie de son travail qualité à un système ne se voit pas de l'extérieur au résultat final. Cela se voit en revanche dans la façon dont il en parle : en termes de couverture et de délai, ou en termes d'effort et de mobilisation de personnel. Lorsque vous portez vous-même une revendication de qualité que vous ne pouvez pas étayer par un chiffre, il vaut la peine de regarder comment étayer une revendication sur votre propre qualité avant qu'un client ou un concurrent ne le fasse pour vous. Et s'il s'avère que vous êtes en retard sur cette dimension, il existe une méthode pour la question que faire face à un retard sur une dimension qui ne commence pas par la panique mais par la preuve.
La question sous-jacente — quelle partie du travail qualité de votre entreprise peut réellement être reprise par l'IA, et quelle partie reste un travail humain — trouve sa réponse dans le scan de travail de FTE TO AI, tâche par tâche, et non au niveau de tout un service.
Comme première étape, vous pouvez effectuer le contrôle de dimension gratuit : vous formulez sur quoi vous pensez l'emporter, et vous voyez laquelle de ces revendications peut être défendue par des preuves. Le benchmark complet, avec la matrice de preuves pour votre secteur, est en cours de construction.