Da vi første gang begyndte at tale med Big Four om AI, gik samtalerne overraskende hurtigt. Der var ingen lang introduktion, intet behov for at forklare, hvorfor AI var vigtigt. Næsten med det samme begyndte partnere og seniorkonsulenter at tale om, hvor deres tid faktisk blev brugt. Ikke på beslutningstagning eller indsigt, men på forberedelse. At hente data fra forskellige systemer. At afstemme tal. At sikre, at analyser levede op til interne standarder, før nogen overhovedet kunne begynde at tænke over, hvad resultaterne betød.
Det, der slog os, var, at intet af dette arbejde havde lav værdi. Det var nødvendigt. Men det var også udmattende. Meget erfarne mennesker brugte en stor del af deres dag på blot at forsøge at nå frem til et punkt, hvor det egentlige tanke- og analysearbejde kunne begynde.
Efterhånden som samtalerne fortsatte, tegnede der sig mere end dusinvis af processer, hvor AI kunne spille en rolle. Rapportering, compliance, finansielle kontroller, skatteanalyser, interne reviews. På overfladen lignede det et klassisk automatiseringsproblem. Det var det ikke.
De fleste af disse processer havde allerede værktøjer, skabeloner og delvis automatisering på plads. Det, der bremsede det hele, lå mellem trinnene. At skifte kontekst. At afstemme output. At anvende dømmekraft konsekvent på tværs af fragmenteret information. Den reelle omkostning var ikke kun tid, men kognitiv belastning.
Det var dér, indramningen ændrede sig.
I stedet for at spørge, hvordan AI kunne udføre arbejdet fra ende til anden, begyndte vi at spørge, hvordan det kunne støtte de mennesker, der udførte arbejdet. Hvad nu, hvis AI kunne håndtere de dele, der dræner energi, uden at tage kontrollen væk? Hvad nu, hvis det kunne forberede strukturerede udkast, fremhæve uoverensstemmelser og gøre sin ræsonnering synlig, så eksperter kunne fokusere på dømmekraft frem for opsætning?
Da denne tilgang først gik live, blev effekten håndgribelig.
På tværs af teams faldt gennemløbstiderne med 80 til 90 procent for tilbagevendende analytisk arbejde. Manuelle fejl, især i processer med meget afstemningsarbejde, faldt markant. Lige så vigtigt blev output mere konsistent på tværs af teams, som tidligere greb det samme arbejde an på lidt forskellige måder. I gennemsnit fik konsulenter omkring 40 til 50 timer om måneden tilbage, som nu kunne bruges på tænkning med højere værdi.
Men den mest interessante ændring lå ikke i tallene.
Den lå i, hvordan folk talte om deres arbejde. Reviews blev roligere. Diskussioner blev mere fokuserede. Senior reviewers brugte mindre tid på at kontrollere, om alt var korrekt, og mere tid på at drøfte, hvad resultaterne faktisk betød.
Med tiden holdt systemet op med at føles som et værktøj, folk var nødt til at bruge. Det begyndte at føles som en fælles måde at arbejde på, der stille og roligt absorberede, hvordan beslutninger blev truffet, og afspejlede det tilbage i fremtidige analyser.
Denne erfaring bekræftede også noget, vi har troet på længe. Fremskridt mod mere generel intelligens vil ikke komme fra systemer, der forsøger at erstatte eksperter i komplekse domæner. Det vil komme fra systemer, der reducerer friktionen omkring ekspertbaseret tænkning og forstærker den.
I disse samarbejder skabte AI værdi ikke ved at være autonom, men ved at være samarbejdende. Det traf ikke beslutninger for mennesker. Det hjalp dem med at træffe bedre beslutninger, hurtigere.
Hvis der er et tidligt signal om, hvor AGI-lignende systemer først vil få betydning, så er det her. Ikke i fuld automatisering, men i at understøtte menneskelig dømmekraft i stor skala.
Det skifte, fra automatisering til løftestang, var det, der gjorde forskellen.
