Garantia e assunção de risco são a promessa que um fornecedor faz sobre o que acontece quando algo corre mal. Qual é o prazo de garantia, o que fica excluído, quem assume o risco no caso de uma reclamação, e com que rapidez essa reclamação é tratada. Para um cliente, esta é muitas vezes a regra decisiva numa proposta, precisamente porque o resto da oferta em termos de preço e prazo de entrega já é comparável. Quem se atreve a ser mais generoso do que os outros nesta matéria, ganha negócios que, nas restantes dimensões, estão equiparados.
A razão pela qual nem todos se atrevem a ser igualmente generosos está no trabalho por trás dessa promessa. Um prazo de garantia não é uma escolha de marketing, é uma estimativa de risco. Alguém tem de calcular com que frequência um produto ou serviço falha, quanto custa em média uma reclamação, e quanto espaço existe na margem para suportar isso. Tradicionalmente, esse trabalho assentava em experiência e amostragens: um gestor de risco que analisa as reclamações do ano anterior e, com base nisso, aconselha um prazo. Mais lento do que o mercado exige, e com uma margem mais cautelosa do que ajustada.
Por trás de cada condição de garantia existe uma cadeia de tarefas. Recolher e categorizar o histórico de reclamações. Reconhecer padrões de falha por produto, por segmento de cliente, por condição de utilização. Calcular o custo da assunção de risco para determinar o que uma garantia mais generosa realmente custa. E, por fim, traduzir a condição num texto que seja juridicamente sustentável e comercialmente atrativo.
Este é exatamente o tipo de trabalho onde as três categorias de assunção por IA se sobrepõem. Vasculhar dados de reclamações e reconhecer padrões neles é trabalho que um sistema já pode, hoje, assumir em grande medida, desde que os dados existam e sejam fornecidos de forma estruturada. Traduzir esses padrões num orçamento de risco concreto por linha de produto costuma exigir supervisão: um modelo apresenta uma proposta, um gestor de risco aprova ou ajusta, com fundamento. E determinar que risco uma organização está disposta a assumir para além do resultado do cálculo continua a ser trabalho humano, porque é uma escolha sobre estratégia e reputação, não sobre probabilidade.
A diferença não está no prazo de garantia em si, mas em como este é estabelecido e com que rapidez é aplicado. Um fornecedor que consegue calcular padrões de reclamações por linha de produto ou até por cliente pode diferenciar: garantia mais generosa onde o risco é baixo, condições mais rígidas onde o risco é elevado, em vez de um único prazo para tudo. Um cliente nota isso diretamente na proposta, e é exatamente o tipo de diferença que já se torna visível em como a IA muda a concorrência na velocidade das propostas, onde ocorre a mesma transição de estimativa manual para proposta calculada.
Uma segunda diferença percetível está no tratamento de uma reclamação em si. Enquanto a estimativa de risco acontece antecipadamente, a avaliação de danos acontece a posteriori, e também esse processo está a mudar: a triagem inicial e a constituição do dossiê podem ser assumidas por um sistema, enquanto a decisão final de atribuição permanece com um colaborador. Um cliente que sabe em dias, em vez de semanas, qual é a sua situação, experimenta isso como parte da mesma garantia, ainda que formalmente seja um processo diferente.
Se uma organização já aproveita esta transição não depende do setor, mas de três fatores: se dispõe de dados de reclamações num formato que um sistema consegue ler, se existe um gestor de risco disposto a aceitar uma proposta de modelo como ponto de partida em vez de a ver como uma ameaça, e se a margem no produto é suficientemente ampla para experimentar com garantias mais precisas. Uma empresa cujos dossiês de reclamações ainda estão em papel ou em folhas de cálculo dispersas pode ter a mesma ambição que o líder do peer group e, ainda assim, estar anos atrasada, simplesmente porque falta a base.
Isto também afeta a forma como os riscos são precificados, e, com isso, diretamente a questão de que vantagem a IA proporciona no preço: uma estimativa de risco mais precisa possibilita um preço mais ajustado sem colocar a margem sob pressão. Quem não reivindica aqui uma vantagem enquanto os concorrentes já o fazem, perde sem que isso seja imediatamente visível, da mesma forma que é descrito em por que as empresas perdem cada vez mais no preço.
Cabe aqui uma ressalva. Quando a estimativa de risco toca em decisões relativas a pessoal, por exemplo quando são necessárias menos pessoas para a avaliação de reclamações, aplicam-se requisitos legais próprios. Isso não faz parte desta comparação e não é aqui avaliado.
A questão subjacente não é se a garantia constitui um argumento de venda forte, isso já é sabido. A questão é que parte do trabalho por trás disso já foi transferida, na sua organização, para um sistema com supervisão, e que parte ainda funciona inteiramente com base em experiência e amostragem. Essa mesma questão surge após uma fusão ou aquisição, onde duas políticas de garantia têm de ser comparadas entre si, algo que é tratado em como comparar a sua posição após uma aquisição.
Que trabalho na sua empresa pode realmente ser assumido pela IA varia por tarefa e por linha de produto, e é exatamente isso que a análise de trabalho da FTE TO AI mapeia, tarefa a tarefa.
Identifique onde pensa ganhar em garantia e assunção de risco: é o prazo, a cobertura, a velocidade de tratamento de uma reclamação. A verificação gratuita da dimensão mostra quais dessas afirmações podem ser defendidas com provas face ao seu peer group. O benchmark completo está em construção.