Firma, która wyróżniała się jakością, robiła to przez długi czas za pomocą ludzi: więcej kontrolerów, więcej prób losowych, więcej doświadczenia, które rozpoznawało odchylenia zanim klient je zauważył. Kto mógł sobie pozwolić na więcej pracy związanej z jakością, dostarczał strukturalnie mniej błędów. Ten związek jest pod presją, gdy część tej pracy kontrolnej wykonuje AI, ponieważ deklaracja jakości nie jest już powiązana z wielkością zespołu kontrolnego.
Praca związana z jakością nie składa się z jednego zadania, ale z łańcucha kroków, i te kroki nie przesuwają się jednocześnie.
Rozpoznawanie odchyleń w ustrukturyzowanych danych — wartości pomiarowe, dane z czujników, powtarzalne inspekcje — to część, którą AI może już teraz przejąć. Wzorce, które wcześniej wymagały wyćwiczonego oka, są przez model kontrolowane równie konsekwentnie i znacznie częściej, bez zmęczenia pod koniec zmiany.
Ocena przypadków granicznych — czy to odchylenie jest akceptowalne, czy ta reklamacja jest uzasadniona, czy tę partię należy odrzucić — to część, w której AI przedstawia propozycję, a człowiek zatwierdza lub odrzuca ją z uzasadnieniem. Tutaj liczy się nie tylko wynik pomiaru, ale także kontekst: historia klienta, warunki umowy, wpływ sezonowości. Ważenie tego kontekstu pozostaje, przynajmniej na razie, czymś, nad czym sprawowany jest nadzór.
Branie odpowiedzialności, gdy jakość zawodzi — wyjaśnienie błędu klientowi, ocena roszczenia gwarancyjnego, zwrócenie się do dostawcy — pozostaje pracą ludzką. Nie dlatego, że model nie mógłby tego sformułować, ale dlatego, że klient chce mieć tu przed sobą osobę, do której może się zwrócić.
Różnica między firmami nie leży w ambicji, lecz w rodzaju pracy związanej z jakością, jaką wykonują. Firma z wieloma ustrukturyzowanymi, powtarzalnymi kontrolami — stałe specyfikacje, cyfrowe dane pomiarowe, jasna norma — może przekazać AI większą część pierwszej warstwy. Firma, w której jakość opiera się głównie na ocenie unikalnych sytuacji, pracy na zamówienie lub subiektywnego gustu, zachowuje większą część pracy przy ludziach, z AI co najwyżej jako drugą parą oczu. To nie jest zapóźnienie, to inny charakter pracy. Kto łączy decyzje personalne z tym przesunięciem, musi przestrzegać własnych wymogów prawnych, które w tym zakresie obowiązują; to nie jest część tego porównania.
Gdy jakość była głównie kwestią godzin kontroli, mniejszy podmiot nie mógł się mierzyć z konkurentem, który miał dziesięciu pracowników jakości na hali. Gdy istotna część tej kontroli jest wykonywana przez AI, rozróżnienie przesuwa się od tego, ile potencjału kontrolnego kto ma, do tego, jak dobrze jest zorganizowany nadzór nad wyjątkami. Dwie firmy mogą deklarować tę samą marżę błędu; różnica leży wtedy w tym, kto szybciej i lepiej podejmuje decyzję w przypadku granicznym, w którym model ma wątpliwości.
To sprawia, że jakość jako punkt porównania jest trudniejsza do zweryfikowania na odległość, ponieważ certyfikat czy wskaźnik satysfakcji nic nie mówi o tym, który krok wykonuje maszyna, a który człowiek znający kontekst. To samo przesunięcie dotyczy innych wymiarów: sposób, w jaki konkurent organizuje obsługę posprzedażną i rozpatrywanie reklamacji, zależy od tego samego rodzaju nadzoru, a kto chce oceniać jakość jako deklarację, dobrze zrobi, jeśli najpierw dowie się, jak ocenić konkurenta bez założeń.
Deklaracja jakości ma wartość tylko wtedy, gdy można ją sprowadzić do czegoś mierzalnego: wskaźników błędów, wskaźników zwrotów, czasu naprawy w przypadku odchyleń, lub sposobu, w jaki reklamacja jest rozpatrywana. Bez tego uzasadnienia „stawiamy na jakość” to zdanie, którym każdy konkurent posługuje się z równą łatwością. To samo dotyczy sąsiadujących deklaracji — wiedza techniczna w zespole jest często wymieniana w jednym zdaniu z jakością, ale to odrębny wymiar z własnym ciężarem dowodu. Kto chce wiedzieć, jaką część własnej pracy związanej z jakością można faktycznie przekazać AI, a jaka część wciąż wymaga nadzoru, otrzyma na to odpowiedź dla każdego zadania w skanie pracy FTE TO AI.
Aby wiedzieć, czy konkurent stoi mocniej pod względem jakości, nie wystarczy znać jego deklaracje. Potrzebny jest dowód dla każdego wymiaru, zważony wobec tego, co na tym rynku faktycznie decyduje o transakcjach — a to jest omówione na stronie o tym, jak porównać swoją firmę z konkurentami.
Określcie deklaracje jakości, na których Państwo zakładają wygraną, i sprawdźcie, które z nich można obronić dowodem, a które oparte są na założeniu. To właśnie robi bezpłatny test wymiarów FTE TO AI: wskazujecie Państwo, na czym zakładacie wygraną, i sprawdzacie, które deklaracje się utrzymują. Pełny benchmark konkurencyjny, z matrycą dowodową dla wszystkich wymiarów, jest w budowie.