Marža pogreške -- prostor koji organizacija ugrađuje između toga što nešto košta i što se naplaćuje, ili između procjene i stvarnog ishoda -- dugo je bila određena osobom koja je radila kalkulaciju. Iskusan kalkulant ili voditelj računa znao je gdje se u ponudi krije rizik i za to je uračunavao maržu. To znanje bilo je u glavama, raspodijeljeno među ljudima koji su godinama radili s određenim portfeljem proizvoda ili tipom klijenta. Dva kalkulanta u istoj tvrtki tako su dolazila do različitih marži za slične poslove. Ta razlika nije bila vidljiva klijentu, ali je bila vidljiva u računu dobiti i gubitka.
Usporedba između konkurenata odvijala se, dakle, putem ishoda: tko je mogao ponuditi oštriju cijenu bez gubitka. Ne putem pitanja kako je ta marža određena, jer se taj izračun odvijao izvan pogleda.
Gdje se marža pogreške izračunava na temelju povijesnih podataka -- odstupanja između kalkulacije i naknadne kalkulacije, rokova izvršenja, oscilacija cijena materijala -- veliki dio tog računskog posla može preuzeti AI. Ne odluku o konačnoj marži, nego temeljni posao: preračunavanje tisuća završenih projekata kako bi se utvrdilo gdje su odstupanja bila strukturna, i primjena tog obrasca na novu ponudu. U tvrtkama gdje se to događa, kalkulacija je bliža stvarnim rizicima nego u tvrtkama koje se još oslanjaju na iskustvo pojedinca.
To na specifičan način mijenja usporedbu. Organizacija koja svoju maržu pogreške temelji na tisućama podatkovnih točaka može oštrije kalkulirati bez povećanja rizika, dok konkurent koji se oslanja na vještinu nekolicine ljudi mora zadržati širu maržu da bi pokrio istu neizvjesnost. Jedan tako može ponuditi nižu cijenu pri jednakom riziku, ili istu cijenu pri nižem riziku. Oboje je konkurentska prednost, i oboje je vidljivo u rezultatu, ne u procesu.
Promjena se može podijeliti na tri vrste posla, a ti se preklapaju u praktički svakoj tvrtki.
Preračunavanje povijesnih odstupanja -- kalkulacija naspram realizacije kroz stotine ili tisuće poslova -- posao je koji AI u mnogim slučajevima može preuzeti. To je prepoznavanje obrasca na strukturiranim podacima, a to je upravo područje u kojem je ova tehnologija snažna.
Prevođenje tih obrazaca u konkretnu ponudu djelomično je posao s ljudskim nadzorom. Sustav može ponuditi procjenu rizika za novi projekt, ali osoba s poznavanjem klijenta, tržišta ili izvanredne situacije procjenjuje odgovara li ta procjena i u ovom slučaju, te odobrava ili odbija maržu, s razlogom.
Odluka da se u određenom poslu svjesno ide ispod izračunate marže -- iz strateških razloga, da bi se privukao klijent, da bi se ušlo na tržište -- ostaje ljudski posao. To nije računsko pitanje nego procjena rizika i ambicije, i ta odgovornost se ne mijenja.
Razlika između tvrtki nije u pristupu AI-u, nego u tome koliko podataka i discipline stoji iza kalkulacije. Tvrtka koja strukturno bilježi naknadnu kalkulaciju -- što je projekt stvarno koštao, gdje je nastalo odstupanje, je li to bilo zbog nabave, planiranja ili izvedbe -- ima temelj na kojem model može učiti. Tvrtka koja naknadnu kalkulaciju radi ad hoc ili samo kod velikih prekoračenja, nema taj temelj, koliko god budžeta uložila u AI. Zaostatak tada nije u tehnologiji nego u pitanju je li ikada zabilježeno što se stvarno dogodilo.
To maržu pogreške čini dimenzijom na kojoj se promjena odvija neravnomjerno između sektora i između tvrtki unutar istog sektora. Izvođač s petnaest godina podataka o naknadnoj kalkulaciji ima drugačiju polaznu točku od konkurenta koji je tek prošle godine počeo strukturirano bilježiti. Onaj koji razmatra posljedice za osoblje na temelju ove promjene, mora uostalom biti svjestan da za to vrijede vlastiti pravni zahtjevi; ova stranica govori o tome što se događa s poslom, ne o tome što s tim radi poslodavac.
Marža pogreške rijetko stoji sama. Oštrija kalkulacija povezana je s prednošću koju AI donosi kod cijene, jer niža potrebna marža daje prostor u određivanju cijene. Također se dotiče prednosti koju AI donosi kod roka isporuke, jer dio marže pogreške proizlazi iz neizvjesnosti u planiranju. Da bi se znalo je li vaš pristup marži pogreške stvarno bolji od pristupa usporedivih tvrtki, prvo treba utvrditi tko su te usporedive tvrtke; zato je kako se sastavlja peer grupa prvo pitanje, a ne posljednje.
Pitanje koji dio ovog specifičnog procesa kalkulacije u ovoj specifičnoj tvrtki AI već može preuzeti, i koji dio čeka na podatke o naknadnoj kalkulaciji koji još ne postoje, odgovara se skenom rada tvrtke FTE TO AI po zadatku.
Besplatna provjera dimenzija omogućuje vam da odredite na čemu mislite da pobjeđujete -- marža pogreške, cijena, rok isporuke ili nešto drugo -- i pokazuje koje se od tih tvrdnji mogu braniti dokazima, a koje još ne. Potpuni benchmark, s matricom dokaza i usporedbom unutar vaše peer grupe, u izradi je.