Felmarginal -- utrymmet som en organisation bygger in mellan vad något kostar och vad som faktureras, eller mellan en uppskattning och det verkliga utfallet -- bestämdes länge av den person som gjorde kalkylen. En erfaren kalkylator eller kontoansvarig visste var riskerna i en offert låg och räknade in en marginal för det. Den kunskapen fanns i huvuden, spridd över människor som under flera år arbetat med en produktportfölj eller en typ av kund. Två kalkylatorer på samma företag kom därför fram till olika marginaler vid jämförbara uppdrag. Den skillnaden var inte synlig för kunden, men väl i resultaträkningen.
Jämförelsen mellan konkurrenter gick därför via utfallet: vem kunde prissätta skarpast utan att gå med förlust. Inte via frågan om hur marginalen bestämdes, eftersom den beräkningen undandrog sig insyn.
Där felmarginal beräknas utifrån historisk data -- avvikelser mellan kalkyl och efterkalkyl, ledtider, materialprisfluktuationer -- kan en stor del av det beräkningsarbetet tas över av AI. Inte beslutet om den slutliga marginalen, men det underliggande arbetet: att räkna igenom tusentals avslutade projekt för att se var avvikelserna strukturellt låg, och tillämpa det mönstret på en ny offert. Hos företag där detta sker ligger kalkylen närmare de verkliga riskerna än hos företag som fortfarande stödjer sig på en enskild persons erfarenhet.
Det förändrar jämförelsen på ett specifikt sätt. En organisation som baserar sin felmarginal på tusentals datapunkter kan kalkylera skarpare utan att risken ökar, medan en konkurrent som förlitar sig på ett fåtal personers yrkeskunnande behöver behålla en bredare marginal för att täcka samma osäkerhet. Den ena kan därmed lägga ett lägre bud vid samma risk, eller samma bud vid lägre risk. Båda är ett konkurrensövertag, och båda är synliga i resultatet, inte i processen.
Förskjutningen kan delas in i tre typer av arbete, och de går in i varandra hos nästan alla företag.
Att räkna igenom historiska avvikelser -- kalkyl mot utfall över hundratals eller tusentals uppdrag -- är arbete som AI i många fall kan ta över. Det är mönsterigenkänning på strukturerad data, och det är precis där denna teknik är stark.
Att översätta dessa mönster till en konkret offert är delvis arbete med mänsklig tillsyn. Ett system kan ge en riskbedömning för ett nytt projekt, men någon med kunskap om kunden, marknaden eller undantagssituationen bedömer om den bedömningen även stämmer här och godkänner eller avslår marginalen, med motivering.
Beslutet att medvetet gå under den kalkylerade marginalen i en specifik affär -- av strategiska skäl, för att vinna en kund, för att komma in på en marknad -- förblir mänskligt arbete. Det är inget beräkningsproblem utan en avvägning om risk och ambition, och det ansvaret förskjuts inte.
Skillnaden mellan företag ligger inte i tillgång till AI, utan i vilken data och disciplin som finns bakom en kalkyl. Ett företag som strukturerat dokumenterar efterkalkyl -- vad ett projekt verkligen kostade, var avvikelsen uppstod, om det berodde på inköp, planering eller utförande -- har en grund som en modell kan lära av. Ett företag som gör efterkalkyl ad hoc eller bara vid stora överskridanden har inte den grunden, oavsett hur mycket budget det lägger på AI. Eftersläpningen ligger då inte i teknik utan i frågan om det över huvud taget dokumenterats vad som verkligen hände.
Det gör felmarginal till en dimension där förskjutningen sker ojämnt mellan sektorer och mellan företag inom samma sektor. En entreprenör med femton års efterkalkyldata har en annan utgångspunkt än en konkurrent som först förra året började dokumentera strukturerat. Den som överväger personalkonsekvenser till följd av denna förskjutning bör dessutom vara medveten om att egna lagkrav gäller för det; denna sida handlar om vad som händer med arbete, inte om vad en arbetsgivare gör med det.
Felmarginal står sällan för sig själv. En skarpare kalkyl hänger samman med det försprång AI ger vid pris, eftersom en lägre nödvändig marginal ger utrymme i prissättningen. Den berör också det försprång AI ger vid leveranstid, eftersom en del av felmarginalen härrör från planeringsosäkerhet. För att veta om er metod för felmarginal faktiskt är bättre än jämförbara företags, måste det först stå klart vilka dessa jämförbara företag är; det är därför hur en peer group sätts samman är den första frågan, inte den sista.
Frågan om vilken del av denna specifika kalkylprocess hos detta specifika företag redan kan tas över av AI, och vilken del väntar på efterkalkyldata som ännu inte finns, besvaras med FTE TO AI:s arbetsskanning per uppgift.
Den kostnadsfria dimensionskontrollen låter er ange på vad ni tror att ni vinner -- felmarginal, pris, leveranstid eller något annat -- och visar vilka av dessa påståenden som kan försvaras med bevis och vilka som ännu inte kan det. Den fullständiga benchmarken, med bevismatrisen och jämförelsen inom er peer group, är under uppbyggnad.