Margines błędu -- przestrzeń, którą organizacja wbudowuje między tym, co coś kosztuje, a tym, co jest naliczane, albo między szacunkiem a rzeczywistym wynikiem -- był długo wyznaczany przez osobę, która sporządzała kalkulację. Doświadczony kalkulator lub account manager wiedział, gdzie w ofercie leżą ryzyka, i wliczał na to odpowiedni margines. Ta wiedza znajdowała się w głowach, rozproszona wśród osób, które przez lata pracowały z danym portfolio produktowym lub typem klienta. Dwóch kalkulatorów w tej samej firmie dochodziło w efekcie do różnych marż przy porównywalnych zleceniach. Ta różnica nie była widoczna dla klienta, ale była widoczna w rachunku wyników.
Porównanie między konkurentami odbywało się więc na poziomie wyniku: kto mógł wycenić ostrzej bez generowania straty. Nie na poziomie pytania, jak ten margines był wyznaczany, ponieważ ta kalkulacja pozostawała poza polem widzenia.
Gdy margines błędu jest obliczany na podstawie danych historycznych -- odchyleń między kalkulacją a kalkulacją powykonawczą, czasów realizacji, wahań cen materiałów -- znaczną część tej pracy obliczeniowej może przejąć AI. Nie decyzję o ostatecznym marginesie, lecz pracę leżącą u jej podstaw: przeliczenie tysięcy zakończonych projektów pod kątem tego, gdzie odchylenia miały charakter systemowy, i zastosowanie tego wzorca do nowej oferty. W firmach, w których to się dzieje, kalkulacja jest bliższa rzeczywistym ryzykom niż w firmach, gdzie wciąż opiera się na doświadczeniu jednej osoby.
To zmienia porównanie w konkretny sposób. Organizacja, która opiera swój margines błędu na tysiącach punktów danych, może kalkulować ostrzej bez zwiększania ryzyka, podczas gdy konkurent, który polega na kunszcie kilku osób, musi zachować szerszy margines, aby pokryć tę samą niepewność. Ten pierwszy może więc złożyć niższą ofertę przy takim samym ryzyku, albo taką samą ofertę przy niższym ryzyku. Oba są przewagą konkurencyjną i oba są widoczne w wyniku, nie w procesie.
Zmianę można podzielić na trzy rodzaje pracy, które w praktyce przenikają się w niemal każdej firmie.
Przeliczanie historycznych odchyleń -- kalkulacja versus realizacja na przestrzeni setek lub tysięcy zleceń -- to praca, którą AI w wielu przypadkach może przejąć. To rozpoznawanie wzorców na uporządkowanych danych, a właśnie w tym ta technologia jest wyjątkowo silna.
Przekładanie tych wzorców na konkretną ofertę jest częściowo pracą wymagającą ludzkiego nadzoru. System może zaproponować oszacowanie ryzyka dla nowego projektu, ale osoba znająca klienta, rynek lub sytuację wyjątkową ocenia, czy to oszacowanie sprawdza się również w tym przypadku, i zatwierdza lub odrzuca margines, z podaniem przyczyny.
Decyzja o świadomym zejściu w konkretnej transakcji poniżej skalkulowanego marginesu -- ze względów strategicznych, aby zdobyć klienta, aby wejść na rynek -- pozostaje pracą ludzką. To nie jest zagadnienie obliczeniowe, lecz rozważenie ryzyka i ambicji, i ta odpowiedzialność się nie przesuwa.
Różnica między firmami nie leży w dostępie do AI, lecz w tym, jakie dane i jaka dyscyplina stoją za kalkulacją. Firma, która systematycznie rejestruje kalkulację powykonawczą -- co projekt naprawdę kosztował, gdzie powstało odchylenie, czy wynikało to z zakupów, planowania czy realizacji -- ma podstawę, na której model może się uczyć. Firma, która robi kalkulację powykonawczą ad hoc albo tylko przy dużych przekroczeniach, tej podstawy nie ma, niezależnie od tego, jaki budżet przeznaczy na AI. Zapóźnienie leży więc nie w technologii, lecz w tym, czy w ogóle zapisywano, co faktycznie się działo.
Sprawia to, że margines błędu jest wymiarem, w którym zmiana przebiega nierównomiernie między sektorami i między firmami w ramach tego samego sektora. Firma budowlana z piętnastoletnimi danymi z kalkulacji powykonawczej ma inny punkt wyjścia niż konkurent, który dopiero w ubiegłym roku zaczął to systematycznie rejestrować. Kto rozważa konsekwencje personalne w związku z tą zmianą, powinien zresztą uwzględnić, że obowiązują w tym zakresie odrębne wymogi prawne; ta strona dotyczy tego, co dzieje się z pracą, nie tego, co z tym robi pracodawca.
Margines błędu rzadko istnieje w izolacji. Ostrzejsza kalkulacja jest powiązana z przewagą, jaką AI daje w zakresie ceny, ponieważ niższy wymagany margines daje przestrzeń w ustalaniu cen. Ma też związek z przewagą, jaką AI daje w zakresie czasu dostawy, ponieważ część marginesu błędu wynika z niepewności planistycznej. Aby wiedzieć, czy pański sposób podejścia do marginesu błędu jest rzeczywiście lepszy niż u porównywalnych firm, trzeba najpierw ustalić, kim te porównywalne firmy są; właśnie dlatego jak tworzy się grupę porównawczą jest pytaniem pierwszym, nie ostatnim.
Na pytanie, jaką część tego konkretnego procesu kalkulacyjnego w tej konkretnej firmie AI może już przejąć, a jaka część czeka na dane z kalkulacji powykonawczej, których jeszcze nie ma, odpowiada, zadanie po zadaniu, skan pracy FTE TO AI.
Bezpłatny test wymiarów pozwala wskazać, na czym Pan/Pani sądzi, że wygrywa -- margines błędu, cena, czas dostawy czy coś innego -- i pokazuje, które z tych twierdzeń można obronić dowodami, a które jeszcze nie. Pełny benchmark, z matrycą dowodową i porównaniem w ramach Pańskiej grupy porównawczej, jest w budowie.