Quando dois concorrentes utilizam a mesma aplicação de IA para orçamentos, prazos de entrega ou contacto com clientes, desaparece a diferença que essa dimensão outrora provocava. O que antes era uma vantagem por ser escasso — um planeamento rápido, um orçamento preciso, um serviço de apoio disponível 24 horas por dia — passa a ser uma condição básica a partir do momento em que a tarefa subjacente é assumida pela IA. Não porque a dimensão se torne irrelevante para o cliente, mas porque todos obtêm a mesma pontuação nela.
A questão não é, portanto, se a IA torna as dimensões sem valor. Isso já está a acontecer, tarefa a tarefa, na empresa que está hoje a analisar. A questão é quais dimensões estão em causa, e quais ganham precisamente valor por serem as únicas em que ainda é possível fazer diferença.
A velocidade com que uma dimensão se esvazia depende de quanto do trabalho subjacente a IA pode assumir, e de quanto disso continua a exigir supervisão humana. Uma dimensão de planeamento que pode funcionar totalmente com IA esvazia-se mais rapidamente do que uma dimensão de aconselhamento em que um especialista ainda avalia e corrige o resultado. E o trabalho que continua a ser trabalho humano — negociação, resolução de excepções, construção de confiança — continua a ser uma dimensão distintiva, precisamente porque não se deixa copiar com o mesmo software.
Isto também explica por que uma empresa já verifica que uma dimensão já não gera nada, enquanto outra ainda reivindica vantagem em algo que noutro lugar já é lugar-comum. Não está no sector, está no que já foi assumido em cada empresa. Quem vê como um novo concorrente sem pessoal constrói uma posição no mercado, vê muitas vezes que esse concorrente ignora precisamente as dimensões que, nos operadores existentes, ainda exigem ocupação, e começa de imediato com IA nas dimensões em que os operadores estabelecidos ainda pensam estar a ganhar.
O benchmark avalia a sua posição e a do seu grupo de referência nas dimensões que, no seu mercado, decidem os negócios. Cada pontuação é rastreável até uma matriz de evidências: observações, não pressupostos. Esse é o núcleo do método, e também o seu limite.
O método determina se uma dimensão é, neste momento, distintiva dentro do grupo comparado. Não determina se isso ainda será assim dentro de um ano. Se os concorrentes no seu mercado ainda trabalham, na sua maioria, manualmente numa dimensão, essa dimensão pode esvaziar-se amanhã a partir do momento em que um deles utilize IA para o trabalho subjacente. A pontuação é uma fotografia, não uma garantia da validade dessa fotografia. É também por isso que a repetição é necessária: com que frequência uma comparação com concorrentes deve ser refeita depende da velocidade com que a IA assume o trabalho subjacente às dimensões medidas no seu sector, não de um calendário fixo.
Há ainda um outro limite. Uma dimensão pode obter uma pontuação baixa na matriz de evidências sem que isso diga nada sobre a qualidade do trabalho subjacente. Significa que não existe evidência externamente observável suficiente para fundamentar uma afirmação. Isso é um problema diferente de uma execução fraca, e exige uma abordagem diferente: como fundamentar uma afirmação sobre a sua própria qualidade trata de recolher evidências, não de melhorar o trabalho em si.
Os responsáveis comerciais perdem frequentemente negócios não porque uma dimensão seja fraca, mas porque uma afirmação sobre essa dimensão já não se sustenta, enquanto o discurso de vendas se manteve inalterado. "Somos mais rápidos" era verdade quando a rapidez dependia de ocupação. A partir do momento em que um concorrente faz funcionar o planeamento com IA, com um colaborador que apenas avalia excepções, essa mesma afirmação já não é verdadeira, mesmo que nada tenha mudado no que a sua empresa faz.
O teste de afirmações confronta cada reivindicação de vantagem com a evidência disponível para o grupo de referência. Isso evita que uma comparação seja construída sobre um pressuposto que ainda vive internamente mas que externamente já está desatualizado. A resposta a em que ainda se pode competir quando a IA faz o trabalho de execução varia, por isso, de empresa para empresa, e muda a partir do momento em que algo se altera no grupo de referência.
Se uma dimensão se torna sem valor porque todo o mercado obtém nela a mesma pontuação, a primeira questão não é como voltar a ganhar nela. Muitas vezes isso já não é possível, e a energia é melhor investida numa dimensão que ainda seja distintiva. O que fazer com um atraso numa dimensão depende de a dimensão ainda ser passível de movimento, ou de o mercado já ter crescido para além dela.
Isto toca inevitavelmente na questão de que trabalho, na sua própria empresa, já pode ser assumido pela IA e que trabalho continua a ser trabalho humano. Essa questão é respondida, tarefa a tarefa, pelo scan de trabalho da FTE TO AI. Onde um resultado toque em decisões de pessoal, aplicam-se aí requisitos legais próprios; o scan e o benchmark fornecem factos sobre o trabalho, não fundamentação para essas decisões.
Identifique as duas ou três dimensões em que pensa estar a ganhar. Verifique, para cada uma, se esse ganho ainda se apoia em algo escasso, ou em algo que atualmente já acontece em todo o lado à mesma velocidade. A verificação gratuita de dimensão mostra quais dessas afirmações são, neste momento, defensáveis com evidência dentro do seu grupo de referência. O benchmark completo, com a matriz de evidências completa por dimensão, está em construção.