Dostarczanie jakości i udowadnianie jakości to nie ta sama praca. Pierwsza odbywa się na hali produkcyjnej, przy telefonie, w kodzie. Druga odbywa się później: sprawdzanie, sygnalizowanie odchyleń, korygowanie, dokumentowanie, że wszystko jest w porządku. Ta druga część jest miejscem, w którym teraz powstaje różnica. Nie dlatego, że AI byłaby lepsza w fachowej pracy, ale dlatego że praca kontrolna — część, która decyduje, czy błąd zostanie zauważony zanim zauważy go klient — może zostać częściowo zautomatyzowana.
Rok temu zapewnienie jakości było kwestią kontroli wyrywkowych i ludzkiej uwagi. Kto miał więcej zasobów na kontrolę, wychwytywał więcej błędów. To wciąż jest prawdą w firmach, gdzie ta praca w całości leży jeszcze po stronie ludzi. Ale tam, gdzie systemy sprawdzają nieprzerwanie każdą transakcję, każdą dostawę czy każdą linię kodu, zamiast kontroli wyrywkowej, norma się przesuwa. Nie dlatego, że ludzie tam są lepsi, ale dlatego że zasięg kontroli jest większy.
Za każdym twierdzeniem o jakości stoi łańcuch zadań. Inspekcja: czy ten produkt, ta dostawa, ta linia kodu jest zgodna z ustaleniami. Wykrywanie odchyleń: czy to wykracza poza normę, i czy ktoś by to zauważył bez systemu. Sprzężenie zwrotne: czy informacja trafia na czas do osoby, która może skorygować kurs. Dokumentacja: czy istnieje ślad wykazujący, że kontrola się odbyła, a nie tylko że wynik wypadł dobrze.
Te zadania rozpadają się na trzy kategorie, które powracają wszędzie. Wykrywanie odchyleń na podstawie wzorców w dużych zbiorach danych to często coś, co system może przejąć, pod warunkiem że dane są czyste i kompletne. Ocena, czy odchylenie jest akceptowalne w kontekście konkretnego klienta, pozostaje zwykle zadaniem wymagającym ludzkiego nadzoru: system sygnalizuje, ktoś zatwierdza lub odrzuca, z podaniem powodu. A prawdziwy fachowy osąd — czy ta praca jest dobra, nie tylko według normy, ale według odczucia zamawiającego — pozostaje pracą ludzką. Żadna z tych trzech kategorii nie jest wszędzie ukształtowana tak samo, i to jest właśnie powód, dla którego porównanie między firmami mierzy obecnie coś innego niż pięć lat temu.
Jeśli praca kontrolna w jednej firmie jest w dużej mierze zautomatyzowana, a w drugiej nie, to nie porównuje Pan/Pani już dwóch firm z tym samym wysiłkiem jakościowym i różnym wynikiem. Porównuje Pan/Pani dwa różne rodzaje zasięgu kontroli. Firma, w której sprawdzana jest każda linia zamiast pięcioprocentowej próby, znajduje błędy, które druga firma strukturalnie przeoczy — nie dzięki lepszej pracy, ale dzięki większej obserwacji.
To zmienia wartość twierdzenia o jakości. „Stosujemy ścisłą kontrolę jakości” oznaczało wcześniej: przeznaczamy na to ludzi. Teraz może też oznaczać: u nas prawie nic nie zostaje przeoczone, bo kontrola nie zależy od liczby kontrolerów dostępnych w danym tygodniu. To jest inna obietnica, a klient, który słyszy obie wersje, nie wie, którą z nich słyszy, bez zapytania, jak dokładnie zorganizowana jest praca.
Przesunięcie widoczne jest też w tym, co zostaje dla ludzi. Tam, gdzie wykrywanie zostało przejęte, funkcja jakości przesuwa się w kierunku oceniania: czy to odchylenie jest problemem i co z nim zrobić. To inna praca niż liczenie i notowanie, i wymaga innych umiejętności. Firmy, w których to przesunięcie jeszcze nie zaszło, wciąż przeznaczają ten fachowy osąd tym samym ludziom, którzy zajmowali się liczeniem — z mniejszą ilością czasu na osąd, ponieważ liczenie jeszcze nie odpadło.
Tempo, w jakim ta praca się przesuwa, nie zależy od chęci innowacji. Zależy od tego, czy dane źródłowe są wystarczająco ustrukturyzowane, aby dało się je sprawdzać automatycznie, czy klient ma proces, który łatwo poddaje się cyfrowemu śledzeniu, i czy jest już ustalone, co dokładnie oznacza „dobre” dla tego konkretnego produktu czy usługi. Proces produkcyjny ze stałymi specyfikacjami łatwiej poddaje się zautomatyzowanej kontroli niż proces doradczy, w którym jakość w dużej mierze tkwi w rozmowie.
To jest też powód, dla którego jakość rzadko istnieje sama w sobie. Przewaga, jaką AI przynosi w zakresie jakości, wiąże się z tym, jak firma zorganizowała swój serwis powyprzedażowy, czy usterki są zauważane tak szybko, jak są rozwiązywane, a także z wiedzą techniczną potrzebną do oceny wartości zasygnalizowanego odchylenia. System zgłaszający tysiąc odchyleń dziennie nie jest przewagą bez ludzi, którzy wiedzą, które z nich się liczy.
Czy konkurent już częściowo przekazał swoją pracę jakościową systemowi, nie da się rozpoznać z zewnątrz na podstawie samego wyniku końcowego. Da się to natomiast rozpoznać po tym, jak o tym mówi: w kategoriach zasięgu i czasu realizacji, czy w kategoriach wysiłku i zaangażowania ludzi. Jeśli Pan/Pani sam(a) posługuje się twierdzeniem o jakości, którego nie może poprzeć liczbą, warto sprawdzić jak uzasadnić twierdzenie o własnej jakości, zanim zrobi to za Pana/Panią klient lub konkurent. A jeśli okaże się, że w tym wymiarze jest Pan/Pani w tyle, istnieje podejście do pytania co zrobić z zapóźnieniem w danym wymiarze, które nie zaczyna się od paniki, lecz od dowodów.
Na pytanie podstawowe — jaka część pracy jakościowej w Pana/Pani firmie jest faktycznie do przejęcia przez AI, a jaka część pozostaje pracą ludzką — odpowiada skan pracy FTE TO AI, analizowany zadanie po zadaniu, a nie na poziomie całego działu.
Jako pierwszy krok można wykonać bezpłatny test wymiarowy: Pan/Pani wskazuje, na czym uważa, że wygrywa, i sprawdza, które z tych twierdzeń można obronić dowodami. Pełny benchmark, z matrycą dowodową dla Pana/Pani sektora, jest w przygotowaniu.