Da vi begyndte at tale med Big Four om AI, kom samtalerne overraskende hurtigt til sagen. Der var ingen lang introduktion og intet behov for at forklare, hvorfor AI var vigtigt. Næsten med det samme begyndte partnere og seniorkonsulenter at tale om, hvad deres tid faktisk gik med. Ikke med at træffe beslutninger eller skabe indsigt, men med forberedelse. At hente data fra forskellige systemer. At afstemme tal. At sikre, at analyserne 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. Folk med stor erfaring brugte en stor del af dagen på blot at nå frem til det punkt, hvor det egentlige tankearbejde kunne begynde.
Efterhånden som samtalerne fortsatte, kortlagde de snesevis af processer og mere til, hvor AI kunne spille en rolle. Rapportering, compliance, finansielle kontroller, skatteanalyser, interne gennemgange. Umiddelbart 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 resultater. At bruge sin dømmekraft konsekvent på tværs af spredte oplysninger. Den reelle omkostning var ikke kun tid, men kognitiv belastning.
Det var dér, vi begyndte at se anderledes på problemet.
I stedet for at spørge, hvordan AI kunne udføre arbejdet fra start til slut, begyndte vi at spørge, hvordan AI kunne støtte de mennesker, der udførte det. Hvad nu, hvis AI kunne håndtere de dele, der dræner energi, uden at tage kontrollen fra folk? Hvad nu, hvis AI kunne udarbejde strukturerede udkast, fremhæve uoverensstemmelser og vise sine ræsonnementer, så eksperterne kunne fokusere på at bruge deres dømmekraft frem for på forberedelserne?
Da tilgangen blev taget i brug, blev effekten håndgribelig.
På tværs af teams faldt gennemløbstiderne med 80 til 90 procent for tilbagevendende analysearbejde. Manuelle fejl faldt markant, især i processer med meget afstemningsarbejde. Lige så vigtigt var det, at resultaterne blev mere ensartede på tværs af teams, der tidligere havde grebet det samme arbejde an på lidt forskellige måder. I gennemsnit fik konsulenterne omkring 40 til 50 timer om måneden tilbage, som nu kunne bruges på tankearbejde med større værdi.
Men den mest interessante ændring lå ikke i tallene.
Den lå i måden, folk talte om deres arbejde på. Gennemgangene blev roligere. Diskussionerne blev mere fokuserede. De erfarne fagfolk, der gennemgik arbejdet, 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 tog til sig, hvordan beslutninger blev truffet, og lod det afspejle sig i fremtidige analyser.
Denne erfaring styrkede også en overbevisning, vi har haft længe. Fremskridt mod mere generel intelligens vil ikke komme fra systemer, der forsøger at erstatte eksperter på komplekse fagområder. De vil komme fra systemer, der fjerner hindringer for eksperternes tankearbejde og forstærker det.
I disse samarbejder skabte AI ikke værdi ved at arbejde selvstændigt, men ved at samarbejde. AI traf ikke beslutninger for folk. AI hjalp dem med at træffe bedre beslutninger, hurtigere.
Hvis der er et tidligt tegn på, hvor AGI-lignende systemer først vil få betydning, er det her. Ikke gennem fuld automatisering, men ved at understøtte menneskelig dømmekraft i stor skala.
Det var skiftet fra automatisering til forstærkning, der gjorde forskellen.
