Τι μάθαμε όταν αρχίσαμε να συζητάμε με τους Big Four για την τεχνητή νοημοσύνη

Muhammed Gider
4 λεπ. ανάγνωσης • 
Όταν εφαρμόσαμε την τεχνητή νοημοσύνη σε τραπεζικές ροές εργασίας των Big Four, ανακαλύψαμε ότι το πραγματικό εμπόδιο δεν ήταν τα εργαλεία, αλλά το γνωστικό φορτίο. Δείτε τι άλλαξε όταν σταματήσαμε να σχεδιάζουμε με στόχο την αυτοματοποίηση και αρχίσαμε να σχεδιάζουμε για να υποστηρίξουμε την ανθρώπινη κρίση σε μεγάλη κλίμακα.

Όταν αρχίσαμε να συζητάμε με τους Big Four για την τεχνητή νοημοσύνη, οι συζητήσεις προχώρησαν εκπληκτικά γρήγορα. Δεν υπήρχαν μακροσκελείς εισαγωγές, ούτε χρειαζόταν να εξηγήσουμε γιατί η τεχνητή νοημοσύνη είχε σημασία. Σχεδόν αμέσως, εταίροι και ανώτεροι σύμβουλοι άρχισαν να μιλούν για το πού αφιέρωναν πραγματικά τον χρόνο τους. Όχι στη λήψη αποφάσεων ή στην εξαγωγή συμπερασμάτων, αλλά στην προετοιμασία. Στην άντληση δεδομένων από διαφορετικά συστήματα. Στη διασταύρωση των αριθμών. Στη διασφάλιση ότι οι αναλύσεις πληρούσαν τα εσωτερικά πρότυπα, προτού καν μπορέσει κάποιος να αρχίσει να σκέφτεται τι σήμαιναν τα αποτελέσματα.

Αυτό που μας έκανε εντύπωση ήταν ότι καμία από αυτές τις εργασίες δεν είχε μικρή αξία. Ήταν απαραίτητες. Ήταν όμως και εξαντλητικές. Άνθρωποι με μεγάλη εμπειρία αφιέρωναν μεγάλο μέρος της ημέρας τους απλώς για να φτάσουν στο σημείο όπου θα μπορούσε να αρχίσει η ουσιαστική σκέψη.

Καθώς οι συζητήσεις συνεχίζονταν, χαρτογράφησαν δεκάδες και πλέον διαδικασίες στις οποίες η τεχνητή νοημοσύνη θα μπορούσε να παίξει ρόλο. Σύνταξη αναφορών, συμμόρφωση, χρηματοοικονομικοί έλεγχοι, φορολογική ανάλυση, εσωτερικές αξιολογήσεις. Με μια πρώτη ματιά, έμοιαζε με ένα κλασικό πρόβλημα αυτοματοποίησης. Δεν ήταν.

Οι περισσότερες από αυτές τις διαδικασίες διέθεταν ήδη εργαλεία, πρότυπα και μερική αυτοματοποίηση. Αυτό που επιβράδυνε τα πάντα βρισκόταν ανάμεσα στα βήματα. Η μετάβαση από το ένα πλαίσιο εργασίας στο άλλο. Η διασταύρωση των αποτελεσμάτων. Η συνεπής άσκηση κρίσης με βάση κατακερματισμένες πληροφορίες. Το πραγματικό κόστος δεν ήταν μόνο ο χρόνος, αλλά και το γνωστικό φορτίο.

Τότε άλλαξε ο τρόπος με τον οποίο βλέπαμε το ζήτημα.

Αντί να ρωτάμε πώς η τεχνητή νοημοσύνη θα μπορούσε να κάνει τη δουλειά από την αρχή ως το τέλος, αρχίσαμε να ρωτάμε πώς θα μπορούσε να υποστηρίξει τους ανθρώπους που την κάνουν. Τι θα γινόταν αν μπορούσε να αναλάβει τα κομμάτια που εξαντλούν την ενέργειά τους, χωρίς να τους στερεί τον έλεγχο; Τι θα γινόταν αν μπορούσε να ετοιμάζει δομημένα προσχέδια, να αναδεικνύει ασυνέπειες και να κάνει το σκεπτικό της ορατό, ώστε οι ειδικοί να εστιάζουν στην κρίση τους και όχι στην προετοιμασία;

Μόλις αυτή η προσέγγιση εφαρμόστηκε στην πράξη, ο αντίκτυπος έγινε απτός.

Σε όλες τις ομάδες, ο χρόνος ολοκλήρωσης των επαναλαμβανόμενων αναλυτικών εργασιών μειώθηκε κατά 80 έως 90 τοις εκατό. Τα λάθη από χειροκίνητες ενέργειες, ιδιαίτερα σε διαδικασίες που απαιτούσαν εκτεταμένη διασταύρωση στοιχείων, μειώθηκαν δραστικά. Εξίσου σημαντικό ήταν ότι τα παραδοτέα απέκτησαν μεγαλύτερη συνέπεια μεταξύ ομάδων που προηγουμένως προσέγγιζαν την ίδια εργασία με ελαφρώς διαφορετικούς τρόπους. Κατά μέσο όρο, οι σύμβουλοι κέρδισαν περίπου 40 έως 50 ώρες τον μήνα, τις οποίες μπορούσαν πλέον να αφιερώσουν σε σκέψη μεγαλύτερης αξίας.

Όμως η πιο ενδιαφέρουσα αλλαγή δεν φάνηκε στους αριθμούς.

Φάνηκε στον τρόπο με τον οποίο οι άνθρωποι μιλούσαν για τη δουλειά τους. Οι αξιολογήσεις γίνονταν σε πιο ήρεμο κλίμα. Οι συζητήσεις ήταν πιο εστιασμένες. Οι ανώτεροι αξιολογητές αφιέρωναν λιγότερο χρόνο στον έλεγχο του αν όλα ήταν σωστά και περισσότερο στη συζήτηση για το τι σήμαιναν πραγματικά τα αποτελέσματα.

Με τον καιρό, το σύστημα έπαψε να μοιάζει με ένα εργαλείο που οι άνθρωποι ήταν υποχρεωμένοι να χρησιμοποιούν. Άρχισε να μοιάζει με έναν κοινό τρόπο εργασίας, αφομοιώνοντας αθόρυβα τον τρόπο με τον οποίο λαμβάνονταν οι αποφάσεις και αποτυπώνοντάς τον στις μελλοντικές αναλύσεις.

Αυτή η εμπειρία ενίσχυσε και κάτι που πιστεύουμε εδώ και πολύ καιρό. Η πρόοδος προς μια πιο γενική νοημοσύνη δεν θα προέλθει από συστήματα που προσπαθούν να αντικαταστήσουν τους ειδικούς σε σύνθετους τομείς. Θα προέλθει από συστήματα που μειώνουν τα εμπόδια στη σκέψη των ειδικών και την ενισχύουν.

Σε αυτές τις συνεργασίες, η τεχνητή νοημοσύνη δημιούργησε αξία όχι λειτουργώντας αυτόνομα, αλλά λειτουργώντας συνεργατικά. Δεν έπαιρνε αποφάσεις για λογαριασμό των ανθρώπων. Τους βοηθούσε να παίρνουν καλύτερες αποφάσεις, πιο γρήγορα.

Αν υπάρχει μια πρώτη ένδειξη για το πού θα έχουν πρώτα ουσιαστικό αντίκτυπο τα συστήματα τύπου AGI, είναι εδώ. Όχι στην πλήρη αυτοματοποίηση, αλλά στην υποστήριξη της ανθρώπινης κρίσης σε μεγάλη κλίμακα.

Αυτή η μετατόπιση, από την αυτοματοποίηση στην ενίσχυση των δυνατοτήτων, ήταν που έκανε τη διαφορά.

Εγγραφείτε στο Dvina

Εγγραφείτε δωρεάν και συγκεντρώστε όλα τα εργαλεία σας σε έναν απλό χώρο εργασίας.

Ανακαλύψτε περισσότερα