Felmarginal gällde länge som ett internt kvalitetsmått: hur många korrigeringar, hur mycket omarbete, hur många klagomål efter leverans. Kunder såg lite av detta, så länge de fel de stötte på höll sig inom en acceptabel bandbredd. Felmarginal var något en leverantör bedömde sig själv på, inte något en kund lade leverantörer bredvid varandra för att jämföra.
Det förändras så snart arbetet bakom felmarginal skiftar. Att upptäcka avvikelser — ett felaktigt inmatat belopp, ett bortglömt steg i en process, en inkonsekvens mellan två dokument — är till stor del kontrollarbete: att kontrollera något mot en fast uppsättning regler eller mönster. Det är precis den typen av uppgift som AI kan ta över en stor del av, med en medarbetare som bedömer resultatet och med motivering godkänner eller avvisar det. Där detta sker sänks felmarginalen inte därför att människor är mer uppmärksamma, utan därför att det strukturellt finns fler kontrolltillfällen än tidigare var möjligt inom samma bemanning.
Inte alla företag använder denna kontroll på samma sätt, och det förklarar varför en leverantör visar en märkbart lägre felmarginal än en annan trots att båda är verksamma på samma marknad.
Skillnaden ligger på ett par punkter:
En kund ser sällan felmarginal som en siffra. Han märker det genom hur många gånger en faktura måste skickas tillbaka, om en leverans är korrekt första gången, om en rapport är användbar utan korrigeringsomgång. Hos en leverantör där kontrollen till stor del har flyttats till AI med mänsklig tillsyn ser mönstret annorlunda ut: färre återkopplingsomgångar, färre "vi justerar det lite till", färre överraskningar efter leverans.
Det är också varför felmarginal är svår att göra anspråk på i ett säljsamtal. "Vi arbetar noggrant" säger en kund lite; det är anledningen till att vaga kvalitetslöften i säljpitcher ofta låter utbytbara mellan leverantörer. Jämförelsen blir konkret först när det är klart vilken del av kontrollen som faktiskt har tagits över, och på vilken grund.
Förskjutningen i felmarginal påverkar hur en leverantör presterar på andra punkter. Mindre omarbete innebär ofta också kortare ledtider, vilket förändrar jämförelsen på leveranstid: se hur kortare ledtider genom automatiserad planering förskjuter normen i en sektor. Färre fel i utförandet minskar också efterarbetet, vilket spelar in i hur kunder bedömer svarshastighet och lösningsgrad för service efter försäljning. Och eftersom mindre omarbete också innebär lägre kostnader, påverkar felmarginal indirekt hur automatisering förändrar utrymmet för skarpare priser. Den som bedömer felmarginal separat missar det sambandet.
Få företag rapporterar sin egen felfrekvens. Felmarginal kan trots det utläsas ur indirekta signaler: hur ofta en konkurrent förekommer i nyheterna med korrigeringar, hur recensioner talar om reparationsarbete, hur en offert- eller leveransprocess är utformad. För konkurrenter som inte publicerar siffror finns ett tillvägagångssätt för att samla signaler om konkurrenter utan att de själva publicerar siffror.
Hur mycket felmarginalen sänks genom AI-stödd kontroll beror på typen av fel, kvaliteten på den underliggande datan och graden av mänsklig tillsyn som en organisation upprätthåller. Det går inte att ange en fast procentsats som gäller för varje sektor eller företag, och ingen kan garantera att en uppgift faktiskt tas över. Vad som kan bedömas: vilken del av kontrollarbetet i ett specifikt företag lämpar sig för överföring, och vilken del som förblir mänskligt arbete.
Frågan om vilket arbete i er egen organisation som verkligen kan tas över av AI besvaras av FTE TO AI:s arbetsanalys per uppgift. För jämförelsen med er peer group finns den kostnadsfria dimensionskontrollen: ni anger på vad ni tror att ni vinner, och ser vilka av dessa anspråk som kan försvaras med bevis. Den fullständiga benchmarken, med poäng per dimension och en bevismatris, är under uppbyggnad.