Un'azienda che si distingueva sulla qualità lo faceva per molto tempo attraverso le persone: più controllori, più campionature, più esperienza in grado di riconoscere le anomalie prima che il cliente le vedesse. Chi poteva permettersi più lavoro di controllo qualità, forniva strutturalmente meno errori. Questo legame è sotto pressione non appena parte di quel lavoro di controllo viene svolto dall'IA, perché a quel punto la dichiarazione di qualità non è più legata alle dimensioni del team di controllo.
Il lavoro di qualità non consiste in un unico compito ma in una catena di passaggi, e questi passaggi non si spostano contemporaneamente.
Il riconoscimento di anomalie in dati strutturati — valori di misurazione, dati di sensori, ispezioni ripetibili — è la parte in cui l'IA è già oggi in grado di subentrare nel compito. Pattern che prima richiedevano un occhio allenato vengono controllati da un modello con la stessa costanza e in misura considerevolmente maggiore, senza la stanchezza che si accumula verso la fine di un turno.
La valutazione dei casi limite — questa anomalia è accettabile, questo reclamo è fondato, questo lotto va scartato — è la parte in cui l'IA formula una proposta e una persona approva o respinge motivando la decisione. Qui conta non solo il risultato della misurazione ma anche il contesto: la storia del cliente, le condizioni contrattuali, l'influenza stagionale. Pesare quel contesto resta, per ora, qualcosa su cui è necessario il controllo umano.
Assumersi la responsabilità quando la qualità va storta — spiegare un errore a un cliente, valutare una richiesta in garanzia, richiamare un fornitore — resta lavoro umano. Non perché un modello non sappia formularlo, ma perché in questo caso il cliente vuole avere davanti a sé una persona a cui poter chiedere conto.
La differenza tra le aziende non sta nell'ambizione ma nel tipo di lavoro di qualità che svolgono. Un'azienda con molti controlli strutturati e ripetibili — specifiche fisse, dati di misurazione digitali, una norma chiara — può far subentrare l'IA in una parte maggiore del primo livello. Un'azienda dove la qualità riguarda soprattutto la valutazione di situazioni uniche, personalizzazioni o gusto soggettivo, mantiene una parte maggiore del lavoro alle persone, con l'IA al massimo come secondo paio di occhi. Non è un ritardo, è una diversa natura del lavoro. Chi collega decisioni sul personale a questo spostamento deve attenersi ai propri requisiti legali in materia; questo non fa parte del presente confronto.
Finché la qualità era soprattutto una questione di ore di controllo, un'azienda più piccola non poteva competere con un concorrente che aveva dieci addetti alla qualità sul campo. Se una parte sostanziale di quel controllo viene svolta dall'IA, la distinzione si sposta da quanta capacità di controllo qualcuno ha, a quanto bene è organizzato il controllo umano sulle eccezioni. Due aziende possono dichiarare lo stesso margine di errore; la differenza sta allora in chi decide più rapidamente e meglio sul caso limite in cui il modello ha dei dubbi.
Questo rende la qualità come punto di confronto più difficile da verificare a distanza, perché un certificato o un punteggio di soddisfazione non dice nulla su quale passaggio viene svolto da una macchina e quale da una persona con conoscenza del contesto. Lo stesso spostamento avviene su altre dimensioni: il modo in cui un concorrente organizza l'assistenza post-vendita e la gestione dei reclami dipende dallo stesso tipo di controllo, e chi vuole valutare la qualità come dichiarazione fa bene a sapere prima come valutare un concorrente senza fare supposizioni.
Una dichiarazione di qualità vale qualcosa solo se è riconducibile a qualcosa di misurabile: percentuali di errore, tassi di resi, tempi di ripristino in caso di anomalie, o il modo in cui viene gestito un reclamo. Senza questa base, "puntiamo sulla qualità" è una frase che qualsiasi concorrente può usare con altrettanta facilità. Questo vale anche per dichiarazioni correlate — la competenza tecnica nel team viene spesso menzionata insieme alla qualità, ma è una dimensione separata con un proprio onere della prova. Chi vuole sapere quale parte del proprio lavoro di qualità può effettivamente essere svolta dall'IA, e quale parte continuerà a richiedere controllo umano, trova una risposta per singolo compito con la scansione del lavoro di FTE TO AI.
Per sapere se un concorrente è più forte sulla qualità, non basta sapere cosa dichiara. È necessaria una prova per dimensione, pesata rispetto a ciò che in questo mercato decide effettivamente gli accordi — e questo viene trattato nella pagina su come confrontare la propria azienda con i concorrenti.
Individui le dichiarazioni di qualità su cui pensa di prevalere, e verifichi quali di queste sono difendibili con prove e quali si basano su supposizioni. Questo è esattamente ciò che fa la verifica gratuita per dimensione di FTE TO AI: indica su cosa pensa di prevalere, e vede quali dichiarazioni resistono. Il benchmark competitivo completo, con matrice delle prove su tutte le dimensioni, è in fase di sviluppo.