Marja de eroare -- spațiul pe care o organizație îl construiește între ceea ce costă ceva și ceea ce se facturează, sau între o estimare și rezultatul real -- a fost multă vreme determinată de persoana care făcea calculația. Un calculator sau un account manager cu experiență știa unde se aflau riscurile într-o ofertă și calcula o marjă pentru acestea. Această cunoaștere se afla în mințile oamenilor, răspândită printre cei care lucraseră ani de zile cu un anumit portofoliu de produse sau un anumit tip de client. Doi calculatori din aceeași companie ajungeau astfel la marje diferite pentru comenzi comparabile. Această diferență nu era vizibilă pentru client, dar era vizibilă în contul de profit și pierdere.
Compararea între concurenți se făcea deci prin rezultat: cine putea stabili prețuri mai competitive fără a înregistra pierderi. Nu prin întrebarea cum era determinată acea marjă, deoarece acel calcul rămânea ascuns privirii.
Acolo unde marja de eroare este calculată pe baza datelor istorice -- diferențe între calculație și calculația ulterioară, timpi de execuție, fluctuații ale prețurilor materialelor -- o mare parte din acest efort de calcul poate fi preluată de AI. Nu decizia privind marja finală, ci munca de bază: recalcularea a mii de proiecte finalizate pentru a identifica unde apăreau structural abaterile, și aplicarea acestui tipar la o ofertă nouă. La companiile unde se întâmplă acest lucru, calculația se apropie mai mult de riscurile reale decât la companiile care încă se bazează pe experiența unui individ.
Acest lucru schimbă comparația într-un mod specific. O organizație care își bazează marja de eroare pe mii de puncte de date poate calcula mai competitiv fără ca riscul să crească, în timp ce un concurent care se bazează pe măiestria câtorva persoane trebuie să păstreze o marjă mai largă pentru a acoperi aceeași incertitudine. Prima poate astfel oferta mai jos la risc egal, sau oferta la fel la risc mai mic. Ambele sunt un avantaj competitiv, și ambele sunt vizibile în rezultat, nu în proces.
Schimbarea poate fi împărțită în trei tipuri de muncă, iar acestea se suprapun la aproape fiecare companie.
Recalcularea abaterilor istorice -- calculație versus realizare pe sute sau mii de comenzi -- este o muncă pe care AI o poate prelua în multe cazuri. Este recunoaștere de tipare pe date structurate, și exact aici este puternică această tehnologie.
Traducerea acestor tipare într-o ofertă concretă este parțial muncă cu supraveghere umană. Un sistem poate oferi o estimare de risc pentru un proiect nou, dar cineva cu cunoștințe despre client, piață sau situația de excepție evaluează dacă acea estimare este corectă și în acest caz și aprobă sau respinge marja, cu motivație.
Decizia de a merge conștient sub marja calculată într-o anumită tranzacție -- din motive strategice, pentru a câștiga un client, pentru a intra pe o piață -- rămâne muncă umană. Aceasta nu este o problemă de calcul, ci o evaluare privind riscul și ambiția, iar această responsabilitate nu se transferă.
Diferența dintre companii nu constă în accesul la AI, ci în datele și disciplina care se află în spatele unei calculații. O companie care înregistrează sistematic calculația ulterioară -- cât a costat cu adevărat un proiect, unde a apărut abaterea, dacă aceasta s-a datorat achizițiilor, planificării sau execuției -- are o bază pe care un model poate învăța. O companie care face calculația ulterioară ad-hoc sau doar în cazul depășirilor majore nu are această bază, indiferent cât de mult buget cheltuiește pe AI. Decalajul nu constă atunci în tehnologie, ci în întrebarea dacă s-a înregistrat vreodată ce s-a întâmplat cu adevărat.
Acest lucru face din marja de eroare o dimensiune pe care schimbarea se produce inegal între sectoare și între companii din cadrul aceluiași sector. Un antreprenor cu cincisprezece ani de date de calculație ulterioară are un punct de plecare diferit față de un concurent care a început abia anul trecut să înregistreze structurat. Cine ia în considerare consecințe pentru personal ca urmare a acestei schimbări trebuie să realizeze, de altfel, că pentru aceasta se aplică cerințe legale proprii; această pagină tratează ce se întâmplă cu munca, nu ce face un angajator cu aceasta.
Marja de eroare rareori stă izolată. O calculație mai competitivă este legată de avantajul pe care AI îl oferă la preț, deoarece o marjă necesară mai mică oferă spațiu în stabilirea prețului. Se leagă și de avantajul pe care AI îl oferă la termenul de livrare, deoarece o parte din marja de eroare provine din incertitudinea planificării. Pentru a ști dacă abordarea dumneavoastră privind marja de eroare este într-adevăr mai bună decât cea a companiilor comparabile, trebuie mai întâi stabilit cine sunt acele companii comparabile; de aceea cum se constituie un peer group este prima întrebare, nu ultima.
Întrebarea ce parte din acest proces specific de calculație poate fi deja preluată de AI la această companie specifică, și ce parte așteaptă date de calculație ulterioară care încă nu există, primește răspuns per sarcină prin scanul de lucru al FTE TO AI.
Verificarea gratuită a dimensiunilor vă permite să numiți pe ce credeți că câștigați -- marja de eroare, prețul, termenul de livrare sau altceva -- și arată care dintre aceste afirmații poate fi susținută cu dovezi și care nu încă. Benchmark-ul complet, cu matricea de dovezi și comparația în cadrul peer group-ului dumneavoastră, este în construcție.