Margines błędu był długo uważany za wewnętrzną miarę jakości: ile poprawek, ile pracy do przerobienia, ile skarg po dostawie. Klienci widzieli z tego niewiele, o ile błędy, na które natrafiali, pozostawały w akceptowalnym zakresie. Margines błędu był czymś, na czym dostawca oceniał samego siebie, a nie czymś, na czym klient porównywał dostawców między sobą.
To się zmienia, gdy przesuwa się praca stojąca za marginesem błędu. Wykrywanie odchyleń — błędnie wprowadzona kwota, zapomniany etap w procesie, niezgodność między dwoma dokumentami — to w dużej mierze praca kontrolna: sprawdzanie czegoś względem ustalonego zestawu reguł lub wzorców. To dokładnie ten typ zadania, który AI może w dużej części przejąć, przy czym pracownik ocenia wynik i z uzasadnieniem go akceptuje lub odrzuca. Tam, gdzie to się dzieje, margines błędu spada nie dlatego, że ludzie bardziej uważają, ale dlatego, że strukturalnie jest więcej momentów kontrolnych niż wcześniej było możliwe przy tej samej obsadzie.
Nie każda firma wdraża tę kontrolę w ten sam sposób, i to wyjaśnia, dlaczego jeden dostawca wykazuje wyraźnie niższy margines błędu niż inny, mimo że obaj działają na tym samym rynku.
Różnica leży w kilku miejscach:
Klient rzadko postrzega margines błędu jako liczbę. Odczuwa go w tym, ile razy faktura musi zostać odesłana, czy dostawa jest zgodna już przy pierwszym razie, czy raport jest użyteczny bez rundy poprawek. U dostawcy, gdzie kontrola w dużej mierze została przesunięta na AI z ludzkim nadzorem, ten wzorzec jest inny: mniej rund korekt, mniej „jeszcze to poprawimy”, mniej niespodzianek po dostawie.
To także powód, dla którego margines błędu trudno jest zgłaszać w rozmowie handlowej. „Pracujemy dokładnie” niewiele mówi klientowi; to właśnie powód, dla którego niejasne obietnice jakości w pitchach sprzedażowych często brzmią wymiennie między dostawcami. Porównanie staje się konkretne tylko wtedy, gdy jasne jest, jaka część kontroli została faktycznie przejęta i na jakiej podstawie.
Zmiana marginesu błędu wpływa na to, jak dostawca wypada w innych aspektach. Mniej pracy do przerobienia oznacza często także krótsze czasy realizacji, co zmienia porównanie pod względem terminu dostawy: zobacz, jak krótsze czasy realizacji dzięki zautomatyzowanemu planowaniu przesuwają normę w danym sektorze. Mniej błędów w realizacji przekłada się także na mniej pracy w obsłudze powdrożeniowej, co wpływa na to, jak klienci oceniają szybkość reakcji i skuteczność rozwiązywania problemów w obsłudze po sprzedaży. A ponieważ mniej pracy do przerobienia oznacza też mniej kosztów, margines błędu wpływa pośrednio na to, jak automatyzacja zmienia przestrzeń na ostrzejsze ceny. Kto ocenia margines błędu w izolacji, gubi tę współzależność.
Mało firm podaje własny wskaźnik błędów. Margines błędu można jednak odczytać z pośrednich sygnałów: jak często konkurent trafia do wiadomości w związku z korektami, jak recenzje mówią o naprawach, jak zaprojektowany jest proces ofertowania czy dostawy. Dla konkurentów, którzy nie publikują liczb, istnieje sposób, aby zbierać sygnały o konkurentach, którzy nie publikują własnych liczb.
O ile margines błędu spada dzięki kontroli wspieranej przez AI, zależy od typu błędu, jakości danych bazowych i poziomu ludzkiego nadzoru, który organizacja utrzymuje. Nie można wskazać jednego stałego wskaźnika procentowego obowiązującego dla każdego sektora czy każdej firmy, i nikt nie może zagwarantować, że dane zadanie zostanie faktycznie przejęte. Co jednak można ocenić: jaka część pracy kontrolnej w konkretnej firmie nadaje się do przejęcia, a jaka część pozostaje pracą ludzką.
Na pytanie, jaka praca w Państwa własnej organizacji rzeczywiście może zostać przejęta przez AI, odpowiada skan pracy FTE TO AI, zadanie po zadaniu. Do porównania z grupą porównawczą (peer group) służy bezpłatny test wymiarów: wskazują Państwo, w czym uważają się za lepszych, i sprawdzają, które z tych twierdzeń można obronić dowodami. Pełny benchmark, ze wskaźnikami per wymiar i matrycą dowodów, jest w budowie.