Un cliente che è indeciso tra due fornitori, a un certo punto pone una domanda specifica. Funziona questo con quell'altra applicazione? Cosa succede con questo carico, questo protocollo, questa eccezione? La risposta in quel momento decide spesso più dell'offerta già presentata. La conoscenza tecnica nella maggior parte dei mercati b2b non è la conoscenza in sé, ma la velocità e la precisione con cui quella conoscenza arriva al momento giusto dalla persona giusta. Un fornitore che dà una risposta fondata entro un'ora vince contro un fornitore che ha bisogno di tre giorni, anche se la conoscenza di base è uguale in entrambe le parti.
Questo è il motivo per cui la conoscenza tecnica figura come dimensione in questo benchmark: non perché vince la mente più brillante, ma perché vince il tempo di ciclo tra conoscenza e risposta.
Dietro ogni risposta tecnica c'è una catena. Qualcuno riconosce la domanda, cerca la specifica o l'esperienza rilevante, la traduce nella situazione del cliente e verifica che la risposta sia corretta prima che venga inviata. In molte aziende quella catena passa attraverso un piccolo numero di persone che hanno la conoscenza in testa e non sono sempre disponibili. In altre aziende quella catena è documentata in documentazione, storico dei casi e regole decisionali che possono essere consultate anche da qualcun altro.
Questa differenza determina quanta parte del lavoro si può far assumere da un sistema. Ciò che esiste come testo documentato, un sistema può ricercarlo e riassumerlo. Ciò che si trova solo nella testa di un ingegnere senior, non può farlo, finché qualcuno non lo scrive.
Le tre categorie che ricorrono ovunque valgono anche qui senza eccezioni. Cercare e riassumere specifiche esistenti, manuali e risposte precedenti è un lavoro che un sistema può assumere, a condizione che la documentazione sottostante esista e sia mantenuta aggiornata. Tradurre una risposta generica nella situazione specifica di un cliente, inclusa la valutazione se un'eccezione si applica o no, è un lavoro in cui un sistema può fare una proposta ma un esperto approva o respinge con motivazione. Valutare una situazione per cui non esiste un precedente rimane lavoro umano.
Lo spostamento non sta nella conoscenza in sé, ma in chi già oggi svolge le prime due categorie con il supporto di un sistema e chi lo fa ancora completamente a mano. Un'azienda dove la prima domanda di un cliente riceve entro un quarto d'ora una risposta in bozza che un ingegnere deve solo controllare, compete a una velocità diversa rispetto a un'azienda dove la stessa domanda finisce in coda da un unico specialista. Non è una differenza di conoscenza. È una differenza in quanta parte del lavoro preparatorio è già stata assunta da un sistema.
La differenza raramente sta nella volontà di cambiare e più spesso nello stato delle informazioni sottostanti. Un sistema può rispondere velocemente e in modo affidabile solo se c'è qualcosa da consultare: documentazione strutturata, uno storico coerente di domande e risposte precedenti, regole decisionali chiare per i casi limite. Le aziende che mantengono queste informazioni da anni perché erano necessarie internamente per l'onboarding o il controllo qualità, hanno così casualmente anche la base pronta per l'accelerazione con l'AI. Le aziende dove quella conoscenza viene trasmessa soprattutto oralmente, hanno prima bisogno di un lavoro di documentazione prima che un sistema possa farne uso.
Questo non ha nulla a che fare con le dimensioni dell'azienda o con il numero di specialisti impiegati. Un piccolo team con una conoscenza ben documentata può reagire più velocemente di un grande reparto dove la conoscenza è frammentata in teste diverse. Questo la rende anche una dimensione su cui l'ordine nel mercato può cambiare, indipendentemente da chi storicamente aveva il nome tecnico più grande.
Il cliente non vede chi usa l'AI e chi no. Il cliente nota solo il risultato: quanto velocemente una domanda tecnica riceve una risposta concreta e corretta, e quanto è coerente quella risposta se la domanda viene posta una seconda volta a un altro referente. Un'azienda che si appoggia a uno specialista individuale ottiene risultati variabili, a seconda di chi è disponibile quel giorno. Un'azienda dove la risposta proviene da una base di conoscenza condivisa e ricercabile, ottiene risultati più stabili, con o senza l'intervento di un sistema.
Questa stabilità è misurabile insieme ad altri aspetti del confronto, come il tempo di risposta alle domande come vantaggio competitivo, il grado in cui i processi digitali sono già collegati tra loro, e cosa rivelano i testi delle offerte di lavoro di un concorrente su dove punta internamente. La conoscenza tecnica raramente si presenta isolata; vince o perde in combinazione con il resto del campo di gioco.
La domanda se in un'azienda l'AI assume già in parte la risposta alle domande, dice di per sé poco sulla qualità del personale sottostante e nulla su cosa un datore di lavoro dovrebbe fare con questo riguardo a funzioni individuali; per questo valgono requisiti legali propri che qui non vengono trattati. Ciò a cui invece si può rispondere: quale parte del traffico di domande tecniche in un'azienda specifica, data lo stato della documentazione, si lascia accelerare. Quella domanda viene risposta per compito con lo scan del lavoro di FTE TO AI.
Prima che il benchmark completo con punteggi tra pari sia disponibile, può verificare se l'affermazione che fa già oggi sulla conoscenza tecnica è sostenibile. Chi usa precisione o velocità come capacità distintiva, può verificare se la distinzione è anche dimostrabile e confrontarla con altri fattori concreti come le certificazioni come prova dimostrabile di qualità. Il controllo gratuito della dimensione le permette di indicare su cosa pensa di vincere, e mostra quali di queste affermazioni si possono difendere con prove. Il benchmark completo è in fase di sviluppo.