A minőség biztosítása és a minőség bizonyítása nem ugyanaz a munka. Az első a padlón, a telefonon, a kódban zajlik. A második utána következik: ellenőrzés, eltérések jelzése, korrekció, annak dokumentálása, hogy rendben van. Ez a második rész az, ahol most a különbség keletkezik. Nem azért, mert az AI jobb lenne a szakmai munkában, hanem azért, mert az ellenőrző munka — az a rész, amely meghatározza, hogy egy hibát észrevesznek-e, mielőtt az ügyfél észrevenné — részben automatizálható.
Egy évvel ezelőtt a minőségbiztosítás a mintavétel és az emberi figyelem kérdése volt. Akinek nagyobb kapacitása volt az ellenőrzésre, több hibát fogott ki. Ez még most is igaz azoknál a vállalatoknál, ahol ez a munka még teljesen embereknél van. De ahol a rendszerek minden tranzakciót, minden szállítást vagy minden kódsort folyamatosan ellenőriznek egy minta helyett, ott elmozdul a norma. Nem azért, mert az ott dolgozó emberek jobbak, hanem azért, mert nagyobb a lefedettség.
Minden minőségi állítás mögött feladatok láncolata áll. Ellenőrzés: kész-e ez a termék, ez a szállítás, ez a sor a megállapodás szerint. Eltérés-detektálás: kilóg-e ez a normából, és látta volna-e valaki a rendszer nélkül. Visszacsatolás: eljut-e az információ időben ahhoz, aki tud korrigálni. Rögzítés: van-e nyom, amely bizonyítja, hogy ellenőrzés történt, nem csak azt, hogy jól alakult az eredmény.
Ezek a feladatok a mindenhol visszatérő három kategóriába oszlanak. A nagy adathalmazok mintáin alapuló eltérés-detektálás gyakran olyan dolog, amit egy rendszer átvehet, feltéve hogy az adat tiszta és teljes. Az, hogy egy eltérés elfogadható-e egy adott ügyfél kontextusában, jellemzően emberi felügyelet mellett végzett feladat marad: a rendszer jelez, valaki jóváhagy vagy elutasít, indokkal. És a valódi szakmai ítélet — jó-e ez a munka, nem csak a norma szerint, hanem a megrendelő megítélése szerint is — emberi munka marad. Ezek közül semelyik sincs mindenhol ugyanúgy berendezve, és pontosan ezért mér most a vállalatok közötti összehasonlítás valami mást, mint öt évvel ezelőtt.
Ha az ellenőrző munka az egyik vállalatnál nagyrészt automatizált, a másiknál nem, akkor már nem két vállalatot hasonlít össze ugyanazzal a minőségi erőfeszítéssel és eltérő eredménnyel. Két különböző fajta lefedettséget hasonlít össze. Az a vállalat, ahol minden sort ellenőriznek egy ötszázalékos minta helyett, olyan hibákat talál meg, amelyeket a másik szisztematikusan elmulaszt — nem jobb munka miatt, hanem több megfigyelés miatt.
Ez megváltoztatja, mit ér egy minőségi állítás. „Szigorú minőségellenőrzést alkalmazunk” korábban azt jelentette: embereket állítunk rá. Most jelenthet ezt is: nálunk gyakorlatilag semmi nem marad ki, mert az ellenőrzés nem attól függ, hány ellenőr állt rendelkezésre azon a héten. Ez egy másik ígéret, és az az ügyfél, aki mindkettőt hallja, kérdés nélkül nem tudja, melyiket hallja éppen, amíg nem kérdezi meg, pontosan hogyan van felépítve a munka.
Az elmozdulás abban is látható, mi marad az embereknek. Ahol a detektálást átvették, a minőségi funkció az értékelés felé mozdul: probléma-e ez az eltérés, és mit teszünk vele. Ez más munka, mint a számlálás és a jelölés, és más képességeket igényel. Azok a vállalatok, ahol ez az elmozdulás még nem történt meg, ezt a szakmai ítéletet még ugyanazokra az emberekre bízzák, akik a számlálást is végzik — kevesebb idővel az ítéletre, mert a számlálás még nem tűnt el.
Az, hogy milyen gyorsan mozdul el ez a munka, nem a megújulás szándékától függ. Attól függ, hogy az alapul szolgáló adat elég strukturált-e az automatikus ellenőrzéshez, hogy az ügyfélnek van-e olyan folyamata, amely könnyen digitálisan követhető, és hogy már rögzítve van-e, mit jelent pontosan a „jó” az adott termék vagy szolgáltatás esetében. Egy rögzített specifikációkkal rendelkező gyártási folyamat könnyebben alkalmas automatizált ellenőrzésre, mint egy tanácsadási folyamat, ahol a minőség nagyrészt a beszélgetésben rejlik.
Ez az egyik oka annak, hogy a minőség ritkán áll önmagában. Az AI által a minőségben elért előny összefügg azzal, hogyan alakította ki egy vállalat az értékesítés utáni szolgáltatását, azzal, hogy a meghibásodásokat ugyanolyan gyorsan észlelik-e, mint amilyen gyorsan megoldják, és azzal a műszaki tudással, amely szükséges egy jelzett eltérés valódi jelentőségének felméréséhez. Egy rendszer, amely napi ezer eltérést jelez, nem előny, ha nincsenek emberek, akik tudják, melyik számít közülük.
Az, hogy egy versenytárs a minőségi munkáját már részben átadta-e egy rendszernek, kívülről a végeredményen nem látható. Az azonban látható, hogyan beszél róla: lefedettségben és átfutási időben, vagy erőfeszítésben és emberi ráfordításban. Ha maga olyan minőségi állítást tesz, amelyet nem tud számmal alátámasztani, érdemes megnézni, hogyan támaszt alá egy állítást a saját minőségéről, mielőtt egy ügyfél vagy versenytárs teszi ezt meg helyette. És ha kiderül, hogy ezen a dimenzión hátrányban van, van egy megközelítés arra a kérdésre, mit tegyen egy dimenzión fennálló hátránnyal, amely nem pánikkal, hanem bizonyítékkal kezdődik.
Az alapkérdésre — hogy a minőségi munka mely része az Ön vállalatában valóban átvehető az AI által, és melyik rész marad emberi munka — az FTE TO AI munkaszkennje válaszol, feladatonként, nem a teljes osztály szintjén.
Első lépésként elvégezheti az ingyenes dimenzió-ellenőrzést: megnevezi, miben gondolja, hogy nyer, és láthatja, melyik állítás védhető bizonyítékkal. A teljes benchmark, az Ön szektorára szabott bizonyítási mátrixszal, jelenleg készül.