Isporučiti kvalitetu i dokazati kvalitetu nisu isti posao. Prvo se događa na terenu, na telefonu, u kodu. Drugo se događa poslije: provjeravanje, signaliziranje odstupanja, korigiranje, zapisivanje da je sve u redu. Taj drugi dio je mjesto gdje sada nastaje razlika. Ne jer bi AI bio bolji u stručnom radu, nego jer se kontrolni rad — dio koji određuje hoće li greška biti primijećena prije nego što je klijent primijeti — djelomično može automatizirati.
Prije godinu dana osiguranje kvalitete bilo je pitanje uzoraka i ljudske pažnje. Tko je imao više kapaciteta za kontrolu, uhvatio je više grešaka. To i danas vrijedi u poduzećima gdje taj posao u potpunosti leži na ljudima. Ali gdje sustavi kontinuirano provjeravaju svaku transakciju, svaku isporuku ili svaki red kôda umjesto uzorka, norma se pomiče. Ne jer su tamošnji ljudi bolji, nego jer je pokrivenost veća.
Iza svake tvrdnje o kvaliteti stoji lanac zadataka. Inspekcija: je li ovaj proizvod, ova isporuka, ovaj red dovršen kako je dogovoreno. Otkrivanje odstupanja: je li ovo izvan norme, i bi li to netko primijetio bez sustava. Povratna informacija: dolazi li informacija na vrijeme do osobe koja može reagirati. Zapisivanje: postoji li trag koji dokazuje da je provjera provedena, ne samo da je rezultat bio dobar.
Ovi zadaci raspadaju se u tri kategorije koje se pojavljuju svugdje. Otkrivanje odstupanja na temelju obrazaca u velikim skupovima podataka često je nešto što sustav može preuzeti, uz uvjet da su podaci čisti i potpuni. Procjena je li odstupanje prihvatljivo u kontekstu specifičnog klijenta ostaje uglavnom zadatak s ljudskim nadzorom: sustav signalizira, netko odobrava ili odbija, s razlogom. A prava stručna procjena — je li ovaj posao dobar, ne samo prema normi nego prema osjećaju naručitelja — ostaje ljudski rad. Nijedna od ove tri nije svugdje organizirana na isti način, i baš zato usporedba između poduzeća sada mjeri nešto drugo nego prije pet godina.
Ako je kontrolni rad u jednom poduzeću velikim dijelom automatiziran, a u drugom nije, ne uspoređujete više dva poduzeća s istim ulaganjem u kvalitetu i različitim rezultatom. Uspoređujete dvije različite vrste pokrivenosti. Poduzeće gdje se provjerava svaki red umjesto uzorka od pet posto, pronalazi greške koje drugo strukturno propušta — ne zbog boljeg rada, nego zbog veće opažljivosti.
To mijenja vrijednost tvrdnje o kvaliteti. "Primjenjujemo strogu kontrolu kvalitete" prije je značilo: ulažemo u to ljude. Sada može značiti i: kod nas se skoro ništa ne propušta jer kontrola ne ovisi o tome koliko je kontrolora bilo dostupno tog tjedna. To je drugačije obećanje, i klijent koji čuje obje tvrdnje ne zna koju od njih čuje bez da pita kako je posao točno organiziran.
Pomak je vidljiv i u onome što ostaje za ljude. Gdje je detekcija preuzeta, funkcija kvalitete pomiče se prema procjeni: je li ovo odstupanje problem i što s njim učiniti. To je drugačiji posao od brojanja i evidentiranja, i traži druge vještine. Poduzeća gdje se taj pomak još nije provelo, tu stručnu procjenu još povjeravaju istim ljudima koji su i brojali — s manje vremena za procjenu jer brojanje još nije otpalo.
Brzina kojom se ovaj rad pomiče ne ovisi o volji za inoviranjem. Ovisi o tome je li temeljni podatak dovoljno strukturiran za automatsku provjeru, ima li klijent proces koji se lako digitalno prati, i je li već utvrđeno što "dobro" točno znači za taj specifičan proizvod ili tu specifičnu uslugu. Proizvodni proces s fiksnim specifikacijama lakše se prilagođava automatiziranoj provjeri nego savjetodavni proces u kojem se kvaliteta velikim dijelom nalazi u razgovoru.
Zato kvaliteta rijetko stoji sama. Prednost koju AI donosi kod kvalitete povezana je s tim kako je poduzeće organiziralo svoju poslijeprodajnu uslugu, jesu li kvarovi otkriveni jednako brzo kao što su i riješeni, i s tehničkim znanjem koje je potrebno da bi se signalizirano odstupanje pravilno vrednovalo. Sustav koji javlja tisuću odstupanja dnevno nije prednost bez ljudi koji znaju koje od njih je bitno.
Je li konkurent svoj rad na kvaliteti već djelomično prenio na sustav, izvana se ne vidi iz konačnog rezultata. Vidi se, međutim, iz načina na koji o tome govori: u pokrivenosti i vremenu obrade, ili u ulaganju i angažiranju ljudi. Kada sami iznosite tvrdnju o kvaliteti koju ne možete potkrijepiti brojkom, vrijedi pogledati kako potkrijepiti tvrdnju o vlastitoj kvaliteti prije nego to za vas učini klijent ili konkurent. A ako se pokaže da zaostajete na ovoj dimenziji, postoji pristup pitanju što učiniti s zaostatkom na jednoj dimenziji koji ne počinje panikom, nego dokazima.
Temeljno pitanje — koji dio rada na kvaliteti u vašem poduzeću stvarno može preuzeti AI, a koji dio ostaje ljudski rad — odgovara radna skeniranja FTE TO AI po zadatku, ne na razini cijelog odjela.
Kao prvi korak možete napraviti besplatnu provjeru dimenzija: navedete gdje mislite da pobjeđujete, i vidite koja od tih tvrdnji se može braniti dokazima. Potpuni benchmark, s matricom dokaza za vaš sektor, u izradi je.