Att leverera kvalitet och att bevisa kvalitet är inte samma arbete. Det första sker på golvet, i telefonen, i koden. Det andra sker efteråt: kontrollera, signalera avvikelser, korrigera, dokumentera att det stämmer. Den andra delen är där skillnaden nu uppstår. Inte för att AI skulle vara bättre på fackmässigt arbete, utan för att kontrollarbetet — den del som avgör om ett fel upptäcks innan kunden upptäcker det — delvis kan automatiseras.
För ett år sedan var kvalitetssäkring en fråga om stickprov och mänsklig uppmärksamhet. Den som hade mer kapacitet för kontroll fångade fler fel. Det stämmer fortfarande hos företag där det arbetet fortfarande helt ligger hos människor. Men där system löpande granskar varje transaktion, varje leverans eller varje kodrad i stället för ett stickprov, förskjuts normen. Inte för att människorna där är bättre, utan för att täckningen är större.
Bakom varje kvalitetspåstående finns en kedja av uppgifter. Inspektion: är denna produkt, denna leverans, denna rad klar enligt överenskommelse. Avvikelsedetektering: faller detta utanför normen, och hade någon sett det utan systemet. Återkoppling: når informationen i tid den som kan korrigera. Dokumentation: finns det ett spår som visar att det har granskats, inte bara att resultatet blev bra.
Dessa uppgifter faller isär i de tre kategorier som återkommer överallt. Avvikelsedetektering baserad på mönster i stora datamängder är ofta något ett system kan ta över, förutsatt att data är rena och kompletta. Bedömningen om en avvikelse är acceptabel inom en specifik kunds sammanhang förblir oftast en uppgift med mänsklig tillsyn: systemet signalerar, någon godkänner eller avvisar, med motivering. Och det verkliga fackmässiga omdömet — är detta arbete bra, inte bara enligt normen utan enligt uppdragsgivarens känsla — förblir mänskligt arbete. Ingen av dessa tre är organiserad likadant överallt, och det är precis därför jämförelsen mellan företag nu mäter något annat än för fem år sedan.
Om kontrollarbetet hos det ena företaget till stor del är automatiserat och hos det andra inte, jämför ni inte längre två företag med samma kvalitetsinsats och olika resultat. Ni jämför två olika typer av täckning. Företaget där varje rad granskas i stället för ett stickprov på fem procent hittar fel som det andra strukturellt missar — inte genom bättre arbete, utan genom mer observation.
Det förändrar vad ett kvalitetspåstående är värt. "Vi tillämpar sträng kvalitetskontroll" betydde tidigare: vi lägger människor på det. Nu kan det också betyda: hos oss missas nästan ingenting eftersom kontrollen inte beror på hur många kontrollanter som var tillgängliga den veckan. Det är ett annat löfte, och kunden som hör båda vet inte vilket av de två hen hör utan att fråga hur arbetet exakt är organiserat.
Förskjutningen syns också i vad som blir kvar för människor. Där detektering har tagits över förskjuts kvalitetsfunktionen till bedömning: är denna avvikelse ett problem, och vad gör vi med det. Det är ett annat arbete än att räkna och notera, och det kräver andra färdigheter. Företag där den förskjutningen ännu inte har genomförts lägger fortfarande det fackmässiga omdömet på samma personer som också gjorde räknandet — med mindre tid för bedömningen eftersom räknandet ännu inte har försvunnit.
Hastigheten med vilken detta arbete förskjuts beror inte på viljan att förnya. Den beror på om den underliggande datan är tillräckligt strukturerad för att granskas automatiskt, om kunden har en process som lätt kan följas digitalt, och om det redan är fastställt vad "bra" exakt betyder för just den produkten eller tjänsten. En produktionsprocess med fasta specifikationer lämpar sig lättare för automatiserad granskning än ett rådgivningsuppdrag där kvaliteten till stor del ligger i samtalet.
Det är också därför kvalitet sällan står för sig själv. Det försprång AI ger vid kvalitet hänger samman med hur ett företag har organiserat sin service efter försäljning, om störningar upptäcks lika snabbt som de löses, och med den tekniska kunskap som krävs för att värdera en signalerad avvikelse. Ett system som rapporterar tusen avvikelser per dag är inget försprång utan människor som vet vilka av dem som räknas.
Om en konkurrent redan delvis har överfört sitt kvalitetsarbete till ett system syns inte utifrån på slutresultatet. Det syns däremot på hur konkurrenten talar om det: i termer av täckning och genomloppstid, eller i termer av ansträngning och personalinsats. När ni själva för fram ett kvalitetspåstående som ni inte kan underbygga med en siffra är det värt att titta på hur ni underbygger ett påstående om er egen kvalitet innan en kund eller konkurrent gör det åt er. Och om det visar sig att ni ligger efter på denna dimension finns det ett tillvägagångssätt för frågan vad ni gör med ett underläge på en dimension som inte börjar med panik utan med bevis.
Den underliggande frågan — vilken del av kvalitetsarbetet i ert företag som verkligen kan tas över av AI, och vilken del som förblir mänskligt arbete — besvarar arbetsscanen från FTE TO AI per uppgift, inte på nivån för hela avdelningen.
Som ett första steg kan ni göra den kostnadsfria dimensionskontrollen: ni anger var ni tror att ni vinner, och ser vilka av dessa påståenden som kan försvaras med bevis. Den fullständiga benchmarken, med bevismatrisen för er bransch, är under uppbyggnad.