Kwaliteit leveren en kwaliteit bewijzen zijn niet hetzelfde werk. Het eerste gebeurt op de vloer, aan de telefoon, in de code. Het tweede gebeurt erna: controleren, afwijkingen signaleren, corrigeren, vastleggen dat het klopt. Dat tweede deel is waar het verschil nu ontstaat. Niet omdat AI beter zou zijn in vakwerk, maar omdat het controlewerk — het deel dat bepaalt of een fout wordt opgemerkt voordat de klant hem opmerkt — deels geautomatiseerd kan worden.
Een jaar geleden was kwaliteitsborging een kwestie van steekproeven en menselijke aandacht. Wie meer capaciteit had voor controle, ving meer fouten. Dat is nog steeds waar bij bedrijven waar dat werk nog volledig bij mensen ligt. Maar waar systemen elke transactie, elke levering of elke regel code doorlopend toetsen in plaats van een steekproef, verschuift de norm. Niet omdat de mensen daar beter zijn, maar omdat de dekking groter is.
Achter elke kwaliteitsclaim zit een keten van taken. Inspectie: is dit product, deze levering, deze regel af zoals afgesproken. Afwijkingsdetectie: valt dit buiten de norm, en had iemand dat gezien zonder het systeem. Terugkoppeling: komt de informatie op tijd bij degene die kan bijsturen. Vastlegging: is er een spoor dat aantoont dat er getoetst is, niet alleen dat het resultaat goed uitpakte.
Deze taken vallen uiteen in de drie categorieën die overal terugkomen. Afwijkingsdetectie op basis van patronen in grote datasets is vaak iets wat een systeem kan overnemen, mits de data schoon en volledig is. De beoordeling of een afwijking acceptabel is binnen de context van een specifieke klant blijft meestal een taak met menselijk toezicht: het systeem signaleert, iemand keurt goed of af, met reden. En het echte vakoordeel — is dit werk goed, niet alleen volgens de norm maar volgens het gevoel van de opdrachtgever — blijft mensenwerk. Geen van deze drie is overal hetzelfde ingericht, en dat is precies waarom de vergelijking tussen bedrijven nu iets anders meet dan vijf jaar geleden.
Als het controlewerk bij het ene bedrijf grotendeels geautomatiseerd is en bij het andere niet, vergelijkt u niet meer twee bedrijven met dezelfde kwaliteitsinspanning en een verschillende uitkomst. U vergelijkt twee verschillende soorten dekking. Het bedrijf waar elke regel wordt getoetst in plaats van een steekproef van vijf procent, vindt fouten die de ander structureel mist — niet door beter werk, maar door meer waarneming.
Dat verandert wat een kwaliteitsclaim waard is. "Wij hanteren strenge kwaliteitscontrole" betekende voorheen: wij besteden er mensen aan. Nu kan het ook betekenen: bij ons wordt vrijwel niets gemist omdat de controle niet afhankelijk is van hoeveel controleurs er die week beschikbaar waren. Dat is een andere belofte, en de klant die beide hoort, weet niet welke van de twee hij hoort zonder te vragen hoe het werk precies is ingericht.
De verschuiving is ook zichtbaar in wat overblijft voor mensen. Waar detectie is overgenomen, verschuift de kwaliteitsfunctie naar beoordelen: is deze afwijking een probleem, en wat doen we ermee. Dat is ander werk dan turven en tellen, en het vraagt andere vaardigheden. Bedrijven waar die verschuiving nog niet is doorgevoerd, besteden dat vakoordeel nog aan dezelfde mensen die ook het turven deden — met minder tijd voor het oordeel omdat het turven nog niet is weggevallen.
De snelheid waarmee dit werk verschuift, hangt niet af van de wil om te vernieuwen. Het hangt af van of de onderliggende data gestructureerd genoeg is om automatisch te toetsen, of de klant een proces heeft dat zich makkelijk digitaal laat volgen, en of er al vastligt wat "goed" precies betekent voor dat specifieke product of die specifieke dienst. Een productieproces met vaste specificaties leent zich makkelijker voor geautomatiseerde toetsing dan een adviestraject waarin kwaliteit grotendeels in het gesprek zit.
Dat is ook waarom kwaliteit zelden op zichzelf staat. De voorsprong die AI oplevert bij kwaliteit hangt samen met hoe een bedrijf zijn service na verkoop heeft ingericht, of storingen even snel worden opgemerkt als opgelost, en met de technische kennis die nodig is om een gesignaleerde afwijking op waarde te schatten. Een systeem dat duizend afwijkingen per dag meldt, is geen voorsprong zonder mensen die weten welke ervan telt.
Of een concurrent zijn kwaliteitswerk al deels heeft overgedragen aan een systeem, is van buiten niet te zien aan het eindresultaat. Het is wel te zien aan hoe hij erover praat: in dekking en doorlooptijd, of in inspanning en inzet van mensen. Wanneer u zelf een kwaliteitsclaim voert die u niet met een cijfer kunt onderbouwen, is het de moeite waard om te kijken hoe u een claim over uw eigen kwaliteit onderbouwt voordat een klant of concurrent dat voor u doet. En als blijkt dat u op deze dimensie achterstaat, is er een aanpak voor de vraag wat u doet met een achterstand op een dimensie die niet begint met paniek maar met bewijs.
De onderliggende vraag — welk deel van het kwaliteitswerk in uw bedrijf werkelijk door AI is over te nemen, en welk deel mensenwerk blijft — beantwoordt de werkscan van FTE TO AI per taak, niet op het niveau van de hele afdeling.
Als eerste stap kunt u de gratis dimensiecheck doen: u benoemt waarop u denkt te winnen, en ziet welke van die claims met bewijs te verdedigen is. De volledige benchmark, met de bewijsmatrix voor uw sector, is in aanbouw.