Kokybės teikimas ir kokybės įrodymas nėra tas pats darbas. Pirmasis vyksta gamybos aikštelėje, prie telefono, kode. Antrasis vyksta po to: tikrinama, fiksuojami nukrypimai, taisoma, dokumentuojama, kad viskas tvarkoje. Ta antroji dalis yra ta, kur šiuo metu atsiranda skirtumas. Ne todėl, kad AI būtų geresnis pačiame amato darbe, o todėl, kad kontrolės darbą — dalį, kuri nulemia, ar klaida pastebima anksčiau, nei ją pastebi klientas — galima iš dalies automatizuoti.
Prieš metus kokybės užtikrinimas buvo imčių ir žmogaus dėmesio klausimas. Kas turėjo daugiau kontrolės pajėgumų, pagavo daugiau klaidų. Tai vis tiek tiesa įmonėse, kur šis darbas dar visiškai priklauso žmonėms. Tačiau kai sistemos nuolat tikrina kiekvieną sandorį, kiekvieną pristatymą ar kiekvieną kodo eilutę vietoje imties, norma pasislenka. Ne todėl, kad tie žmonės būtų geresni, o todėl, kad aprėptis didesnė.
Už kiekvieno kokybės teiginio slypi užduočių grandinė. Inspekcija: ar šis produktas, šis pristatymas, šis kodas atitinka sutartus reikalavimus. Nukrypimų nustatymas: ar tai neatitinka normos, ir ar kas nors būtų tai pastebėjęs be sistemos. Grįžtamasis ryšys: ar informacija laiku pasiekia tą, kuris gali imtis pataisymų. Dokumentavimas: ar yra pėdsakas, rodantis, kad patikra buvo atlikta, o ne tik tai, kad rezultatas buvo geras.
Šios užduotys pasiskirsto į tris kategorijas, kurios kartojasi visur. Nukrypimų nustatymas, pagrįstas modeliais didelėse duomenų aibėse, dažnai yra tai, ką sistema gali perimti, jei duomenys yra švarūs ir išsamūs. Vertinimas, ar nukrypimas yra priimtinas konkretaus kliento kontekste, dažniausiai išlieka užduotimi su žmogiškuoju priežiūra: sistema signalizuoja, žmogus patvirtina arba atmeta, pagrįsdamas priežastimi. O tikrasis amato vertinimas — ar šis darbas yra geras, ne tik pagal normą, bet ir pagal užsakovo pojūtį — išlieka žmonių darbu. Nė viena iš šių trijų dalių niekur nėra sutvarkyta vienodai, ir tai tiksliai paaiškina, kodėl palyginimas tarp įmonių dabar matuoja kitką nei prieš penkerius metus.
Jei vienoje įmonėje kontrolės darbas didžia dalimi automatizuotas, o kitoje – ne, jūs nebelyginate dviejų įmonių su vienodomis kokybės pastangomis ir skirtingu rezultatu. Jūs lyginate dvi skirtingas aprėpties rūšis. Įmonė, kurioje tikrinama kiekviena eilutė, o ne penkių procentų imtis, randa klaidas, kurių kita įmonė sistemiškai nepastebi — ne dėl geresnio darbo, o dėl didesnio stebėjimo.
Tai keičia kokybės teiginio vertę. Anksčiau „mes taikome griežtą kokybės kontrolę“ reiškė: mes tam skiriame žmones. Dabar tai gali reikšti: pas mus praktiškai nieko nepraleidžiama, nes kontrolė nepriklauso nuo to, kiek kontrolierių buvo laisvi tą savaitę. Tai yra kitas pažadas, ir klientas, girdintis abu, negali žinoti, kurį iš dviejų jis girdi, jei nepasiteirauja, kaip tas darbas tiksliai organizuotas.
Šis pokytis matomas ir tame, kas lieka žmonėms. Kur aptikimas jau perimtas, kokybės funkcija pasislenka į vertinimą: ar šis nukrypimas yra problema, ir ką su juo daryti. Tai kitokis darbas nei skaičiavimas ir žymėjimas, ir jam reikia kitokių įgūdžių. Įmonės, kuriose šis pokytis dar neįvyko, tą amato vertinimą vis tiek priskiria tiems patiems žmonėms, kurie anksčiau skaičiavo ir žymėjo — su mažiau laiko vertinimui, nes skaičiavimas dar nebuvo pašalintas.
Šio darbo pokyčio greitis nepriklauso nuo noro atsinaujinti. Jis priklauso nuo to, ar pagrindiniai duomenys yra pakankamai struktūrizuoti, kad juos būtų galima automatiškai tikrinti, ar klientas turi procesą, kurį lengva stebėti skaitmeniniu būdu, ir ar jau nustatyta, ką tiksliai reiškia „gerai“ tam konkrečiam produktui ar paslaugai. Gamybos procesas su fiksuotomis specifikacijomis lengviau pritaikomas automatizuotai patikrai nei konsultacinis procesas, kuriame kokybė daugiausia atsispindi pokalbyje.
Todėl kokybė retai egzistuoja atskirai. Pranašumas, kurį AI suteikia kokybės srityje, yra susijęs su tuo, kaip įmonė organizavo savo aptarnavimą po pardavimo, ar gedimai pastebimi tokiu pat greičiu, kaip ir sprendžiami, ir su technine kompetencija, reikalinga įvertinti pastebėto nukrypimo svarbą. Sistema, kuri praneša apie tūkstantį nukrypimų per dieną, nesuteikia pranašumo, jei nėra žmonių, kurie žino, kuris iš jų yra svarbus.
Ar konkurentas savo kokybės darbą jau iš dalies perdavė sistemai, iš išorės pagal galutinį rezultatą nepastebėsite. Tačiau tai matoma pagal tai, kaip jis apie tai kalba: aprėptimi ir trukme, ar pastangomis ir žmonių įtraukimu. Kai jūs pats teikiate kokybės teiginį, kurio negalite pagrįsti skaičiumi, verta pasižiūrėti, kaip pagrįsti savo teiginį apie savo kokybę, kol tai už jus padarys klientas ar konkurentas. Ir jei paaiškėja, kad šioje dimensijoje atsiliekate, egzistuoja metodas klausimui ką daryti su atsilikimu vienoje dimensijoje, kuris nepradedamas panika, bet įrodymais.
Pagrindinis klausimas — kurią dalį kokybės darbo jūsų įmonėje AI realiai gali perimti, o kuri dalis išlieka žmonių darbu — atsakoma FTE TO AI darbo skenavimu, atliktu užduočių lygmeniu, o ne visos struktūros lygmeniu.
Kaip pirmą žingsnį galite atlikti nemokamą dimensijos patikrą: nurodote, kur, jūsų nuomone, laimite, ir sužinote, kurį iš šių teiginių galima apginti įrodymais. Visas etalonas, su jūsų sektoriaus įrodymų matrica, dar kuriamas.