Dodávať kvalitu a dokazovať kvalitu nie je tá istá práca. Prvé sa odohráva na hale, pri telefóne, v kóde. Druhé sa odohráva potom: kontrolovať, signalizovať odchýlky, opravovať, zaznamenávať, že to sedí. Práve v tej druhej časti teraz vzniká rozdiel. Nie preto, že by AI bola lepšia v odbornej práci, ale preto, že kontrolná práca — časť, ktorá určuje, či bude chyba zachytená skôr, než si ju všimne klient — sa dá čiastočne automatizovať.
Ešte rok dozadu bolo zabezpečenie kvality otázkou výberových kontrol a ľudskej pozornosti. Kto mal viac kapacity na kontrolu, zachytil viac chýb. To stále platí v podnikoch, kde je táto práca ešte úplne v rukách ľudí. Ale kde systémy priebežne preverujú každú transakciu, každú dodávku či každý riadok kódu namiesto výberovej kontroly, posúva sa norma. Nie preto, že by tam boli ľudia lepší, ale preto, že pokrytie je väčšie.
Za každým tvrdením o kvalite stojí reťaz úloh. Inšpekcia: je tento produkt, táto dodávka, tento riadok hotový tak, ako bolo dohodnuté. Detekcia odchýlok: vymyká sa toto z normy, a všimol by si to niekto bez systému. Spätná väzba: dostane sa informácia včas k tomu, kto môže zasiahnuť. Zaznamenávanie: existuje stopa, ktorá dokazuje, že sa preverovalo, nielen že výsledok dobre vyšiel.
Tieto úlohy sa rozpadajú na tri kategórie, ktoré sa objavujú všade. Detekcia odchýlok na základe vzorov vo veľkých súboroch dát je často niečo, čo môže prevziať systém, pokiaľ sú dáta čisté a úplné. Posúdenie, či je odchýlka akceptovateľná v kontexte konkrétneho klienta, zostáva väčšinou úlohou s ľudským dohľadom: systém signalizuje, niekto schváli alebo zamietne, s odôvodnením. A skutočný odborný úsudok — je táto práca dobrá, nielen podľa normy, ale podľa pocitu zadávateľa — zostáva prácou pre ľudí. Žiadna z týchto troch nie je usporiadaná všade rovnako, a to je presne dôvod, prečo porovnanie medzi podnikmi teraz meria niečo iné než pred piatimi rokmi.
Ak je kontrolná práca v jednom podniku z veľkej časti automatizovaná a v druhom nie, neporovnávate už dva podniky s rovnakým úsilím o kvalitu a rozdielnym výsledkom. Porovnávate dva rôzne druhy pokrytia. Podnik, kde sa preveruje každý riadok namiesto výberovej vzorky, nájde chyby, ktoré ten druhý systematicky prehliada — nie kvôli lepšej práci, ale kvôli väčšiemu pozorovaniu.
To mení hodnotu tvrdenia o kvalite. „Uplatňujeme prísnu kontrolu kvality" znamenalo predtým: venujeme na to ľudí. Teraz to môže znamenať aj: u nás sa takmer nič neprehliadne, pretože kontrola nezávisí od toho, koľko kontrolórov bolo ten týždeň k dispozícii. To je iný sľub, a klient, ktorý počuje oboje, nevie, ktorý z nich počuje, bez toho, aby sa spýtal, ako je práca presne usporiadaná.
Posun je viditeľný aj v tom, čo zostáva pre ľudí. Kde detekciu prevzal systém, funkcia kvality sa posúva k posudzovaniu: je táto odchýlka problém, a čo s ňou spravíme. To je iná práca než čiarkovanie a počítanie, a vyžaduje iné schopnosti. Podniky, kde sa tento posun ešte neuskutočnil, zverujú tento odborný úsudok stále tým istým ľuďom, ktorí robili aj čiarkovanie — s menším časom na úsudok, pretože čiarkovanie ešte neodpadlo.
Rýchlosť, s akou sa táto práca posúva, nezávisí od vôle inovovať. Závisí od toho, či sú podkladové dáta dostatočne štruktúrované na automatické preverovanie, či má klient proces, ktorý sa dá ľahko digitálne sledovať, a či je už zaznamenané, čo presne znamená „dobré" pre konkrétny produkt alebo konkrétnu službu. Výrobný proces s pevnými špecifikáciami sa hodí na automatizované preverovanie ľahšie než poradenský proces, kde kvalita spočíva najmä v rozhovore.
Preto kvalita málokedy stojí sama osebe. Náskok, ktorý AI prináša v kvalite, súvisí s tým, ako je podnik usporiadal svoj servis po predaji, či sa poruchy odhalia rovnako rýchlo ako vyriešia, a s technickými znalosťami, ktoré sú potrebné na správne ohodnotenie signalizovanej odchýlky. Systém, ktorý denne nahlási tisíc odchýlok, nie je náskokom bez ľudí, ktorí vedia, ktorá z nich sa počíta.
Or konkurent už časť svojej kvalitnej práce previedol na systém, sa z konečného výsledku zvonku nedá vidieť. Dá sa to však vidieť z toho, ako o tom hovorí: v pokrytí a priebežnom čase, alebo v úsilí a nasadení ľudí. Keď vy sami uplatňujete tvrdenie o kvalite, ktoré nedokážete podložiť číslom, oplatí sa pozrieť sa, ako podložiť tvrdenie o vlastnej kvalite, skôr než to za vás urobí klient alebo konkurent. A ak sa ukáže, že v tejto dimenzii máte odstup, existuje postup na otázku čo robiť s odstupom v jednej dimenzii, ktorý nezačína panikou, ale dôkazom.
Základnú otázku — akú časť kvalitnej práce vo vašom podniku skutočne môže prevziať AI a akú časť zostáva prácou pre ľudí — zodpovedá pracovná analýza FTE TO AI po jednotlivých úlohách, nie na úrovni celého oddelenia.
Ako prvý krok môžete urobiť bezplatnú kontrolu dimenzií: uvedieate, na čom si myslíte, že vyhrávate, a uvidíte, ktoré z týchto tvrdení sa dá obhájiť dôkazom. Kompletný benchmark s maticou dôkazov pre váš sektor sa pripravuje.