A margem de erro -- o espaço que uma organização incorpora entre o que algo custa e o que é cobrado, ou entre uma estimativa e o resultado real -- foi durante muito tempo determinada pela pessoa que fazia o cálculo. Um calculista ou gestor de contas experiente sabia onde estavam os riscos numa proposta e incluía uma margem para isso. Esse conhecimento estava nas cabeças, distribuído por pessoas que tinham trabalhado durante anos com uma determinada carteira de produtos ou tipo de cliente. Dois calculistas na mesma empresa chegavam, por isso, a margens diferentes em encomendas comparáveis. Essa diferença não era visível para o cliente, mas era-o na demonstração de resultados.
A comparação entre concorrentes fazia-se, portanto, através do resultado: quem conseguia praticar preços mais competitivos sem gerar perdas. Não através da questão de como essa margem era determinada, uma vez que esse cálculo permanecia fora de vista.
Onde a margem de erro é calculada com base em dados históricos -- desvios entre o cálculo inicial e o cálculo posterior, prazos de execução, flutuações de preços de materiais -- uma grande parte desse trabalho de cálculo pode ser assumida pela IA. Não a decisão sobre a margem final, mas o trabalho subjacente: processar milhares de projetos concluídos para identificar onde os desvios ocorriam de forma estrutural, e aplicar esse padrão a uma nova proposta. Nas empresas onde isto acontece, o cálculo aproxima-se mais dos riscos reais do que nas empresas onde ainda se apoia na experiência de um indivíduo.
Isso altera a comparação de uma forma específica. Uma organização que baseia a sua margem de erro em milhares de pontos de dados pode calcular de forma mais competitiva sem que o risco aumente, enquanto um concorrente que depende do saber-fazer de algumas pessoas continua a precisar de uma margem mais ampla para cobrir a mesma incerteza. A primeira pode, assim, apresentar uma proposta mais baixa com o mesmo risco, ou a mesma proposta com um risco menor. Ambas constituem uma vantagem concorrencial, e ambas são visíveis no resultado, não no processo.
A mudança pode dividir-se em três tipos de trabalho, que se interligam em praticamente todas as empresas.
Processar os desvios históricos -- cálculo previsto versus realização, em centenas ou milhares de encomendas -- é trabalho que a IA pode, em muitos casos, assumir. É reconhecimento de padrões em dados estruturados, e é precisamente nisso que esta tecnologia é forte.
Traduzir esses padrões numa proposta concreta é, em parte, trabalho com supervisão humana. Um sistema pode fornecer uma estimativa de risco para um novo projeto, mas alguém com conhecimento do cliente, do mercado ou da situação excecional avalia se essa estimativa também se aplica neste caso e aprova ou rejeita a margem, com justificação.
A decisão de, numa determinada negociação, ficar deliberadamente abaixo da margem calculada -- por razões estratégicas, para conquistar um cliente, para entrar num mercado -- continua a ser trabalho humano. Não é uma questão de cálculo, mas uma ponderação sobre risco e ambição, e essa responsabilidade não se desloca.
A diferença entre empresas não está no acesso à IA, mas naquilo que existe em termos de dados e disciplina por detrás de um cálculo. Uma empresa que regista de forma estrutural o cálculo posterior -- o que um projeto custou realmente, onde surgiu o desvio, se isso se deveu a compras, planeamento ou execução -- tem uma base sobre a qual um modelo pode aprender. Uma empresa que faz o cálculo posterior de forma ad hoc ou apenas em caso de grandes derrapagens não tem essa base, independentemente do orçamento que dedique à IA. O atraso não está, então, na tecnologia, mas na questão de saber se algum dia se registou o que realmente aconteceu.
Isso faz da margem de erro uma dimensão em que a mudança ocorre de forma desigual entre setores e entre empresas do mesmo setor. Um construtor com quinze anos de dados de cálculo posterior tem um ponto de partida diferente de um concorrente que só começou a registar de forma estruturada no ano passado. Quem considerar consequências para o pessoal em resultado desta mudança deve, de resto, ter em conta que se aplicam a esse respeito requisitos legais próprios; esta página trata do que acontece ao trabalho, não do que um empregador faz com isso.
A margem de erro raramente existe isoladamente. Um cálculo mais competitivo está relacionado com a vantagem que a IA proporciona em termos de preço, uma vez que uma margem necessária mais baixa dá espaço na definição de preços. Também está relacionada com a vantagem que a IA proporciona em termos de prazo de entrega, uma vez que parte da margem de erro resulta da incerteza no planeamento. Para saber se a sua abordagem à margem de erro é efetivamente melhor do que a de empresas comparáveis, é preciso primeiro determinar quem são essas empresas comparáveis; é por isso que como se compõe um peer group é a primeira pergunta, não a última.
A questão de saber que parte deste processo de cálculo específico, nesta empresa específica, já pode ser assumida pela IA, e que parte aguarda dados de cálculo posterior que ainda não existem, é respondida por tarefa através da análise de trabalho da FTE TO AI.
A verificação de dimensão gratuita permite-lhe identificar em que julga estar a ganhar -- margem de erro, preço, prazo de entrega ou outra coisa -- e mostra qual dessas afirmações pode ser defendida com provas e qual ainda não. O benchmark completo, com a matriz de evidências e a comparação dentro do seu peer group, está em construção.