Napaka pri izračunu -- prostor, ki ga organizacija vgradi med tem, kaj nekaj stane, in tem, kaj se zaračuna, ali med oceno in dejanskim izidom -- je bila dolgo določena s strani osebe, ki je pripravila kalkulacijo. Izkušen kalkulant ali vodja projekta je vedel, kje v ponudbi tičijo tveganja, in za to je vračunal maržo. To znanje je bilo v glavah, razpršeno med ljudmi, ki so leta delali z določenim portfeljem izdelkov ali vrsto stranke. Dva kalkulanta pri istem podjetju sta zato pri primerljivih naročilih prišla do različnih marž. Ta razlika ni bila vidna stranki, je pa bila vidna v izkazu poslovnega izida.
Primerjava med konkurenti je zato potekala prek izida: kdo lahko postavi ostrejšo ceno, ne da bi ustvaril izgubo. Ne prek vprašanja, kako je bila ta marža določena, ker se ta izračun ni videl.
Kjer se napaka pri izračunu izračunava na podlagi zgodovinskih podatkov -- odstopanj med kalkulacijo in naknadno kalkulacijo, časov izvedbe, nihanj cen materiala -- lahko velik del tega računskega dela prevzame AI. Ne odločitev o dokončni marži, temveč osnovno delo: preračunavanje tisočev zaključenih projektov, da se ugotovi, kje so odstopanja strukturno nastajala, in uporaba tega vzorca na novi ponudbi. Pri podjetjih, kjer se to dogaja, je kalkulacija bližje dejanskim tveganjem kot pri podjetjih, kjer še vedno temelji na izkušnjah posameznika.
To na poseben način spremeni primerjavo. Organizacija, ki svojo napako pri izračunu utemeljuje na tisočih podatkovnih točkah, lahko izračuna ostreje, ne da bi se tveganje povečalo, medtem ko konkurent, ki zaupa spretnosti nekaj ljudi, mora ohraniti širšo maržo, da pokrije enako negotovost. Prvi lahko torej ponudi nižjo ceno pri enakem tveganju ali enako ceno pri nižjem tveganju. Oboje je konkurenčna prednost, in oboje je vidno v rezultatu, ne v procesu.
Premik lahko razdelimo na tri vrste dela, ki se pri skoraj vsakem podjetju prepletajo.
Preračunavanje zgodovinskih odstopanj -- kalkulacije v primerjavi z dejansko realizacijo pri stotinah ali tisočih naročil -- je delo, ki ga AI v mnogih primerih lahko prevzame. Gre za prepoznavanje vzorcev v strukturiranih podatkih, kar je natanko področje, kjer je ta tehnologija močna.
Prevajanje teh vzorcev v konkretno ponudbo je delno delo pod človeškim nadzorom. Sistem lahko ponudi oceno tveganja za nov projekt, vendar nekdo s poznavanjem stranke, trga ali izjemne situacije presodi, ali ta ocena tudi tukaj drži, ter maržo z razlogom odobri ali zavrne.
Odločitev, da se pri določenem poslu zavestno gre pod izračunano maržo -- iz strateških razlogov, da se pridobi stranko, da se vstopi na trg -- ostaja delo ljudi. To ni računski problem, temveč tehtanje tveganja in ambicije, in ta odgovornost se ne premika.
Razlika med podjetji ni v dostopu do AI, temveč v tem, koliko podatkov in discipline stoji za kalkulacijo. Podjetje, ki sistematično beleži naknadno kalkulacijo -- koliko je projekt res stal, kje je nastalo odstopanje, ali je bilo to posledica nabave, načrtovanja ali izvedbe -- ima podlago, na kateri se lahko model uči. Podjetje, ki naknadno kalkulacijo izvaja priložnostno ali le pri velikih prekoračitvah, te podlage nima, ne glede na to, koliko sredstev nameni AI. Zaostanek torej ni v tehnologiji, temveč v vprašanju, ali je bilo kdaj zabeleženo, kaj se je dejansko zgodilo.
To napako pri izračunu spremeni v dimenzijo, kjer premik poteka neenakomerno med panogami in med podjetji znotraj iste panoge. Izvajalec s petnajstimi leti podatkov o naknadni kalkulaciji ima drugačno izhodišče kot konkurent, ki je šele lani začel s strukturiranim beleženjem. Kdor razmišlja o kadrovskih posledicah zaradi tega premika, se mora sicer zavedati, da zanje veljajo lastne zakonske zahteve; ta stran govori o tem, kaj se dogaja z delom, ne o tem, kaj delodajalec s tem počne.
Napaka pri izračunu redko stoji sama zase. Ostrejša kalkulacija je povezana z prednostjo, ki jo AI prinaša pri ceni, ker nižja potrebna marža daje prostor pri določanju cene. Prav tako se dotika prednosti, ki jo AI prinaša pri dobavnem roku, ker del napake pri izračunu izhaja iz negotovosti pri načrtovanju. Da bi vedeli, ali je vaš pristop k napaki pri izračunu res boljši od pristopa primerljivih podjetij, mora najprej biti jasno, kdo so ta primerljiva podjetja; zato je kako se sestavi primerjalna skupina prvo vprašanje, ne zadnje.
Na vprašanje, kateri del tega specifičnega kalkulacijskega procesa pri tem specifičnem podjetju je AI že mogoče prevzeti in kateri del čaka na podatke naknadne kalkulacije, ki jih še ni, odgovori delovni sken podjetja FTE TO AI, po posameznih nalogah.
Brezplačni pregled dimenzij vam omogoča, da opredelite, na čem menite, da zmagujete -- napaka pri izračunu, cena, dobavni rok ali kaj drugega -- in pokaže, katere od teh trditev je mogoče podpreti z dokazi in katere še ne. Popolna primerjalna analiza, z matriko dokazov in primerjavo znotraj vaše primerjalne skupine, je v pripravi.