Nem toda empresa precisa liderar em todas as dimensões. Um fornecedor que entrega mais lentamente mas aconselha com mais precisão pode permitir-se essa desvantagem no prazo de entrega, desde que o cliente valorize mais o aconselhamento do que o tempo de espera. A questão não é se vence em todas as dimensões. A questão é se sabe qual o peso que cada dimensão tem efetivamente na decisão de compra, e se esse peso se mantém.
É aqui que a situação se complica. Os pesos não são características fixas de um mercado. Deslocam-se assim que o trabalho por detrás de uma dimensão muda de natureza.
Uma dimensão pesa muito quando é escassa: poucos fornecedores conseguem entregá-la bem, e a diferença é percetível para o cliente. O prazo de entrega pesava muito durante muito tempo porque o planeamento era trabalho humano e os erros eram dispendiosos. Assim que uma tarefa passa a ser feita em grande parte pela IA, com ou sem supervisão, parte dessa escassez desaparece. O que antes era uma capacidade distintiva torna-se uma característica básica que a maioria das partes iguala dentro de um período previsível.
Isso não significa que a dimensão se torne irrelevante. Significa que o peso que lhe atribui hoje se baseia numa escassez que pode estar a desaparecer. Um benchmark que não tenha isso em conta pondera com pressupostos desatualizados.
O trabalho por detrás de uma dimensão divide-se em partes: tarefas que a IA consegue realizar de forma autónoma, tarefas que a IA realiza com supervisão humana, e tarefas que continuam a ser trabalho humano. Esta divisão determina se um peso é estável ou está a deslocar-se.
Onde uma tarefa é assumida quase por completo pela IA, o peso dessa dimensão desce geralmente, porque a maioria dos concorrentes consegue acompanhar dentro de um prazo comparável. Onde a supervisão continua a ser necessária, a diferença entre empresas permanece maior e mais duradoura, porque a qualidade dessa supervisão é em si uma competência que nem todos desenvolvem à mesma velocidade. Onde o trabalho continua a ser humano, pouco muda a curto prazo no que respeita ao peso, embora a própria escassez subjacente de profissionais especializados possa começar a deslocar-se.
Esta divisão varia por empresa e por setor, e também entre empresas dentro do mesmo setor. Uma empresa já organizou a assunção de uma tarefa com controlos funcionais; outra ainda está a começar com uma montagem experimental. Essa diferença é mensurável, não é conjetura, e é precisamente o que encontra ao avaliar a maturidade em IA de um concorrente do exterior.
Um peso num benchmark é uma estimativa, não uma medição da própria decisão de compra. A estimativa apoia-se em sinais: o que os compradores no mercado dizem valorizar, como os negócios são ganhos e perdidos, como as dimensões se deslocaram no período recente. Isso é útil, mas não é garantia de que a mesma ponderação ainda seja válida dentro de um ano, e não diz nada sobre um negócio individual com condições específicas.
O resultado também não diz nada quando a base de evidência é ténue: se uma pontuação numa dimensão se apoia numa única afirmação sem fundamentação, ou em informação desatualizada sobre um concorrente, então a ponderação é tão boa quanto os dados em que se baseia. Por isso, cada pontuação vem acompanhada de uma matriz de evidência: pode verificar em que se baseia uma pontuação e avaliar por si próprio se essa evidência é suficiente para a sua situação. Onde a evidência é fraca, a pontuação deve ser lida como indicação, não como facto estabelecido.
Se uma dimensão pesa pouco e a sua posição nela é fraca, a questão não é automaticamente como resolver isso. Por vezes, o caminho certo é reconhecer a fraqueza e reforçar a pontuação numa dimensão com maior peso; por vezes, vale a pena recuperar terreno de qualquer forma, porque o peso dessa dimensão aumenta à medida que mais concorrentes deixam a tarefa subjacente a cargo da IA. O que justifica abordar um atraso e o que se pode deixar em aberto depende de para onde o peso se está a deslocar, e essa é uma questão diferente de o que fazer com um atraso numa dimensão.
O mesmo se aplica ao contrário, para uma dimensão em que atualmente está forte: se o trabalho subjacente se tornar em grande parte assumível pela IA, a questão é o que fazer quando o seu ponto mais forte se torna comum devido à IA, e por quanto tempo essa vantagem ainda faz diferença é uma questão a responder separadamente através de quanto tempo dura uma vantagem em IA.
Que trabalho na sua própria empresa é realmente assumível pela IA, e que parte continua a exigir supervisão, é uma questão por tarefa, não por função ou departamento; o scan de trabalho da FTE TO AI responde a essa questão a esse nível.
A ponderação de uma dimensão não é, portanto, um dado fixo, e uma pontuação sem evidência não é uma pontuação em que se possa apoiar. O que pode fazer é colocar lado a lado as afirmações em que pensa que vence e verificar quais delas são efetivamente defensáveis com evidência. É isso que a verificação de dimensão gratuita faz. Indica onde pensa que vence, e vê quais dessas afirmações se mantêm, da mesma forma que em fundamentar uma afirmação sobre a sua própria qualidade. O benchmark completo, com a matriz de evidência completa sobre o seu grupo de referência, está em construção.