Dobavljati kakovost in dokazovati kakovost ni isto delo. Prvo se dogaja na terenu, po telefonu, v kodi. Drugo se dogaja pozneje: preverjanje, zaznavanje odstopanj, popravljanje, dokumentiranje, da je stvar v redu. Ta drugi del je zdaj tisti, kjer nastaja razlika. Ne zato, ker bi bila AI boljša v strokovnem delu, temveč zato, ker je nadzorno delo — tisti del, ki določa, ali bo napaka opažena, preden jo opazi stranka — mogoče delno avtomatizirati.
Pred letom dni je bilo zagotavljanje kakovosti stvar vzorčnih preverjanj in človeške pozornosti. Kdor je imel več zmogljivosti za nadzor, je ujel več napak. To še vedno drži pri podjetjih, kjer to delo v celoti opravljajo ljudje. Toda kjer sistemi neprekinjeno preverjajo vsako transakcijo, vsako dobavo ali vsako vrstico kode namesto vzorca, se norma premika. Ne zato, ker bi bili tamkajšnji ljudje boljši, temveč zato, ker je pokritost večja.
Za vsako trditvijo o kakovosti stoji veriga nalog. Inšpekcija: ali je ta izdelek, ta dobava, ta vrstica dokončana, kot je bilo dogovorjeno. Zaznavanje odstopanj: ali to odstopa od norme in ali bi to nekdo opazil brez sistema. Povratna informacija: ali informacija pravočasno pride do osebe, ki lahko ukrepa. Dokumentiranje: ali obstaja sled, ki dokazuje, da je bilo preverjeno, ne le, da je bil rezultat dober.
Te naloge se razdelijo v tri kategorije, ki se pojavljajo povsod. Zaznavanje odstopanj na podlagi vzorcev v velikih naborih podatkov je pogosto nekaj, kar lahko prevzame sistem, če so podatki čisti in popolni. Presoja, ali je odstopanje sprejemljivo v kontekstu določene stranke, ostaja večinoma naloga s človeškim nadzorom: sistem opozori, oseba odobri ali zavrne, z obrazložitvijo. In pravo strokovno presojo — ali je to delo dobro, ne le po normi, ampak po občutku naročnika — ostaja delo ljudi. Nobena od teh treh ni povsod urejena enako, in prav zato primerjava med podjetji zdaj meri nekaj drugega kot pred petimi leti.
Če je nadzorno delo pri enem podjetju v veliki meri avtomatizirano, pri drugem pa ne, ne primerjate več dveh podjetij z enakim naporom za kakovost in različnim izidom. Primerjate dve različni vrsti pokritosti. Podjetje, kjer se preverja vsaka vrstica namesto vzorca, najde napake, ki jih drugo sistematično zgreši — ne zaradi boljšega dela, temveč zaradi večjega opazovanja.
To spreminja vrednost trditve o kakovosti. "Uporabljamo strog nadzor kakovosti" je prej pomenilo: za to namenjamo ljudi. Zdaj lahko pomeni tudi: pri nas se skoraj nič ne spregleda, ker nadzor ni odvisen od tega, koliko kontrolorjev je bilo na voljo tisti teden. To je druga obljuba, in stranka, ki sliši oboje, ne ve, katero od dveh sliši, ne da bi vprašala, kako je delo natančno urejeno.
Premik je viden tudi v tem, kaj ostane za ljudi. Kjer je zaznavanje prevzet sistem, se funkcija kakovosti premakne k presoji: ali je to odstopanje problem in kaj z njim narediti. To je drugačno delo od preštevanja in beleženja ter zahteva drugačne veščine. Podjetja, kjer ta premik še ni izveden, to strokovno presojo še vedno namenjajo istim ljudem, ki so opravljali tudi preštevanje — z manj časa za presojo, ker preštevanje še ni odpadlo.
Hitrost, s katero se to delo premika, ni odvisna od volje do inovacij. Odvisna je od tega, ali so osnovni podatki dovolj strukturirani za samodejno preverjanje, ali ima stranka proces, ki ga je mogoče enostavno digitalno spremljati, in ali je že določeno, kaj "dobro" natančno pomeni za ta določen izdelek ali storitev. Proizvodni proces z določenimi specifikacijami se lažje ponuja za avtomatizirano preverjanje kot svetovalni proces, kjer kakovost v veliki meri leži v pogovoru.
Zato kakovost tudi redko stoji sama zase. Prednost, ki jo AI prinaša pri kakovosti, je povezana s tem, kako je podjetje uredilo poprodajno storitev, ali so motnje opažene enako hitro, kot so odpravljene, ter s tehničnim znanjem, potrebnim za pravilno vrednotenje zaznanega odstopanja. Sistem, ki dnevno prijavi tisoč odstopanj, ni prednost brez ljudi, ki vedo, katero od njih šteje.
Ali je konkurent svoje delo na področju kakovosti že delno prenesel na sistem, od zunaj ni razvidno iz končnega rezultata. Je pa razvidno iz tega, kako o tem govori: v smislu pokritosti in časa izvedbe, ali v smislu napora in vpletenosti ljudi. Kadar sami zagovarjate trditev o kakovosti, ki je ne morete podpreti s številko, se splača pogledati, kako podpreti trditev o lastni kakovosti, preden to namesto vas naredi stranka ali konkurent. In če se izkaže, da na tej dimenziji zaostajate, obstaja pristop za vprašanje, kaj storiti z zaostankom na neki dimenziji, ki se ne začne s paniko, temveč z dokazi.
Na temeljno vprašanje — kateri del dela na področju kakovosti v vašem podjetju je resnično mogoče prenesti na AI in kateri del ostaja delo ljudi — odgovarja delovni pregled FTE TO AI po posamezni nalogi, ne na ravni celotnega oddelka.
Kot prvi korak lahko opravite brezplačno preverjanje dimenzij: navedete, kje menite, da zmagujete, in vidite, katero od teh trditev je mogoče braniti z dokazi. Celotni primerjalni standard, z matriko dokazov za vaš sektor, je v izdelavi.