Kvalitātes nodrošināšana un kvalitātes pierādīšana nav viens un tas pats darbs. Pirmais notiek ražotnē, pie telefona, kodā. Otrais notiek pēc tam: pārbaudīt, atklāt novirzes, koriģēt, fiksēt, ka viss atbilst. Šī otrā daļa ir tā, kur atšķirība tagad rodas. Ne tāpēc, ka AI būtu labāka amata prasmēs, bet tāpēc, ka kontroles darbu — daļu, kas nosaka, vai kļūda tiek pamanīta pirms klients to pamana — daļēji var automatizēt.
Gadu atpakaļ kvalitātes nodrošināšana bija izlases pārbaužu un cilvēku uzmanības jautājums. Kam bija vairāk kapacitātes pārbaudēm, tas pamanīja vairāk kļūdu. Tas joprojām attiecas uz uzņēmumiem, kur šis darbs vēl pilnībā ir cilvēku rokās. Bet tur, kur sistēmas nepārtraukti pārbauda katru darījumu, katru piegādi vai katru koda rindiņu, nevis izlasi, norma pārbīdās. Ne tāpēc, ka tur cilvēki būtu labāki, bet tāpēc, ka pārklājums ir plašāks.
Aiz katra apgalvojuma par kvalitāti stāv uzdevumu ķēde. Inspekcija: vai šis produkts, šī piegāde, šī rindiņa atbilst norunātajam. Noviržu atklāšana: vai tas iziet ārpus normas, un vai kāds to būtu pamanījis bez sistēmas. Atgriezeniskā saite: vai informācija savlaicīgi nonāk pie tā, kurš var koriģēt. Fiksācija: vai pastāv pēdas, kas pierāda, ka pārbaude notikusi, nevis tikai to, ka rezultāts izdevās labi.
Šie uzdevumi sadalās trīs kategorijās, kas atkārtojas visur. Novirzes atklāšana, balstoties uz modeļiem lielās datu kopās, bieži vien ir kaut kas, ko var pārņemt sistēma, ja dati ir tīri un pilnīgi. Vērtējums, vai novirze ir pieņemama konkrēta klienta kontekstā, parasti paliek uzdevums ar cilvēka uzraudzību: sistēma signalizē, kāds apstiprina vai noraida, ar pamatojumu. Un patiesais amata vērtējums — vai šis darbs ir labs, ne tikai pēc normas, bet pēc pasūtītāja izjūtas — paliek cilvēku darbs. Neviena no šīm trim kategorijām nav visur iekārtota vienādi, un tieši tāpēc salīdzinājums starp uzņēmumiem tagad mēra kaut ko citu nekā pirms pieciem gadiem.
Ja vienā uzņēmumā kontroles darbs lielākoties ir automatizēts, bet otrā nav, jūs vairs nesalīdzināt divus uzņēmumus ar vienādu kvalitātes piepūli un atšķirīgu rezultātu. Jūs salīdzināt divus dažādus pārklājuma veidus. Uzņēmums, kur tiek pārbaudīta katra rindiņa, nevis piecu procentu izlase, atrod kļūdas, ko otrs sistemātiski palaiž garām — ne labāka darba dēļ, bet plašākas novērošanas dēļ.
Tas maina to, ko vērts ir apgalvojums par kvalitāti. "Mums ir stingra kvalitātes kontrole" iepriekš nozīmēja: mēs tam veltām cilvēkus. Tagad tas var nozīmēt arī: pie mums gandrīz nekas netiek palaists garām, jo kontrole nav atkarīga no tā, cik kontrolieru tajā nedēļā bija pieejami. Tas ir cits solījums, un klients, kurš dzird abus, nezina, kuru no diviem viņš dzird, ja nepajautā, kā darbs patiesībā ir iekārtots.
Pārbīde ir redzama arī tajā, kas paliek cilvēkiem. Kur atklāšana ir pārņemta, kvalitātes funkcija pārceļas uz vērtēšanu: vai šī novirze ir problēma un ko ar to darīt. Tas ir cits darbs nekā skaitīšana un atzīmēšana, un tas prasa citas prasmes. Uzņēmumi, kur šī pārbīde vēl nav notikusi, joprojām uztic šo amata vērtējumu tiem pašiem cilvēkiem, kas veica arī skaitīšanu — ar mazāk laika vērtējumam, jo skaitīšana vēl nav zudusi.
Ātrums, ar kādu šis darbs pārbīdās, nav atkarīgs no vēlmes ieviest jauninājumus. Tas ir atkarīgs no tā, vai pamatā esošie dati ir pietiekami strukturēti, lai tos varētu automātiski pārbaudīt, vai klientam ir process, kuru var viegli digitāli izsekot, un vai jau ir noteikts, ko tieši nozīmē "labs" konkrētajam produktam vai pakalpojumam. Ražošanas process ar fiksētām specifikācijām vieglāk piemērojas automatizētai pārbaudei nekā konsultāciju process, kurā kvalitāte lielākoties ir sarunā.
Tas ir arī iemesls, kāpēc kvalitāte reti pastāv atsevišķi. Priekšrocība, ko AI dod kvalitātes jomā, ir saistīta ar to, kā uzņēmums ir iekārtojis savu pēcpārdošanas servisu, vai traucējumi tiek pamanīti tikpat ātri, cik atrisināti, un ar tehniskajām zināšanām, kas nepieciešamas, lai novērtētu konstatētas novirzes vērtību. Sistēma, kas dienā ziņo par tūkstoš novirzēm, nedod nekādu priekšrocību bez cilvēkiem, kuri zina, kura no tām ir svarīga.
Vai konkurents jau daļēji ir nodevis savu kvalitātes darbu sistēmai, no ārpuses pēc gala rezultāta nav redzams. Taču to var redzēt tam, kā viņš par to runā: pārklājuma un caurlaides laika izteiksmē vai piepūles un cilvēkresursu izteiksmē. Ja jūs paši izsakāt apgalvojumu par kvalitāti, ko nevarat pamatot ar skaitli, ir vērts apskatīt, kā pamatot apgalvojumu par savu kvalitāti, pirms to jūsu vietā izdara klients vai konkurents. Un ja izrādās, ka šajā dimensijā jums ir atpalicība, pastāv pieeja jautājumam ko darīt ar atpalicību kādā dimensijā, kas nesākas ar paniku, bet ar pierādījumiem.
Uz pamatjautājumu — kuru daļu no kvalitātes darba jūsu uzņēmumā AI patiešām var pārņemt un kura daļa paliek cilvēku darbs — atbild FTE TO AI darba skenēšana katra uzdevuma līmenī, nevis visas nodaļas līmenī.
Kā pirmo soli varat veikt bezmaksas dimensiju pārbaudi: jūs nosaucat, kur, jūsuprāt, uzvarat, un redzat, kurus no šiem apgalvojumiem var aizstāvēt ar pierādījumiem. Pilnā salīdzinošā vērtēšana (benchmark) ar pierādījumu matricu jūsu nozarei ir izstrādes procesā.