Όταν αρχίσαμε για πρώτη φορά να μιλάμε με τους Big Four για την AI, οι συζητήσεις προχώρησαν εκπληκτικά γρήγορα. Δεν υπήρξε μακρά εισαγωγή, ούτε χρειάστηκε να εξηγήσουμε γιατί η AI είχε σημασία. Σχεδόν αμέσως, εταίροι και ανώτεροι σύμβουλοι άρχισαν να μιλούν για το πού πήγαινε πραγματικά ο χρόνος τους. Όχι στη λήψη αποφάσεων ή στην εξαγωγή συμπερασμάτων, αλλά στην προετοιμασία. Στην άντληση δεδομένων από διαφορετικά συστήματα. Στην ευθυγράμμιση αριθμών. Στο να διασφαλίζουν ότι οι αναλύσεις ταίριαζαν με τα εσωτερικά πρότυπα πριν καν μπορέσει κάποιος να αρχίσει να σκέφτεται τι σήμαιναν τα αποτελέσματα.
Αυτό που μας εντυπωσίασε ήταν ότι καμία από αυτές τις εργασίες δεν είχε χαμηλή αξία. Ήταν απαραίτητες. Αλλά ήταν και εξαντλητικές. Άνθρωποι με πολύ μεγάλη εμπειρία περνούσαν μεγάλο μέρος της ημέρας τους απλώς προσπαθώντας να φτάσουν σε ένα σημείο όπου θα μπορούσε να αρχίσει η πραγματική σκέψη.
Καθώς οι συζητήσεις συνεχίζονταν, χαρτογράφησαν περισσότερες από δεκάδες διαδικασίες όπου η AI θα μπορούσε να παίξει ρόλο. Αναφορές, συμμόρφωση, χρηματοοικονομικοί έλεγχοι, φορολογική ανάλυση, εσωτερικές αξιολογήσεις. Επιφανειακά, έμοιαζε με ένα κλασικό πρόβλημα αυτοματοποίησης. Δεν ήταν.
Οι περισσότερες από αυτές τις διαδικασίες είχαν ήδη εργαλεία, πρότυπα και μερική αυτοματοποίηση. Αυτό που επιβράδυνε τα πάντα βρισκόταν ανάμεσα στα βήματα. Η εναλλαγή πλαισίου. Η συμφιλίωση αποτελεσμάτων. Η συνεπής εφαρμογή κρίσης πάνω σε κατακερματισμένες πληροφορίες. Το πραγματικό κόστος δεν ήταν μόνο ο χρόνος· ήταν το γνωστικό φορτίο.
Τότε ήταν που άλλαξε το πλαίσιο σκέψης.
Αντί να ρωτάμε πώς η AI θα μπορούσε να κάνει τη δουλειά από άκρη σε άκρη, αρχίσαμε να ρωτάμε πώς θα μπορούσε να υποστηρίξει τους ανθρώπους που κάνουν τη δουλειά. Τι θα γινόταν αν η AI μπορούσε να αναλάβει τα μέρη που εξαντλούν την ενέργεια, χωρίς να αφαιρεί τον έλεγχο; Τι θα γινόταν αν μπορούσε να προετοιμάζει δομημένα προσχέδια, να αναδεικνύει ασυνέπειες και να καθιστά ορατό το σκεπτικό της, ώστε οι ειδικοί να επικεντρώνονται στην κρίση και όχι στην προετοιμασία;
Μόλις αυτή η προσέγγιση τέθηκε σε λειτουργία, ο αντίκτυπος έγινε απτός.
Σε όλες τις ομάδες, οι χρόνοι ολοκλήρωσης μειώθηκαν κατά 80 έως 90 τοις εκατό για επαναλαμβανόμενη αναλυτική εργασία. Τα χειροκίνητα σφάλματα, ειδικά σε διαδικασίες με έντονη ανάγκη συμφιλίωσης, μειώθηκαν απότομα. Εξίσου σημαντικό, τα παραδοτέα έγιναν πιο συνεπή μεταξύ ομάδων που παλαιότερα προσέγγιζαν την ίδια εργασία με ελαφρώς διαφορετικούς τρόπους. Κατά μέσο όρο, οι σύμβουλοι ανέκτησαν περίπου 40 έως 50 ώρες τον μήνα, οι οποίες μπορούσαν πλέον να αφιερωθούν σε σκέψη υψηλότερης αξίας.
Αλλά η πιο ενδιαφέρουσα αλλαγή δεν ήταν στους αριθμούς.
Ήταν στον τρόπο με τον οποίο οι άνθρωποι μιλούσαν για τη δουλειά τους. Οι αξιολογήσεις έγιναν πιο ήρεμες. Οι συζητήσεις έγιναν πιο εστιασμένες. Οι ανώτεροι αξιολογητές αφιέρωναν λιγότερο χρόνο στο να ελέγχουν αν όλα ήταν σωστά και περισσότερο χρόνο στο να συζητούν τι πραγματικά σήμαιναν τα αποτελέσματα.
Με τον καιρό, το σύστημα έπαψε να μοιάζει με εργαλείο που οι άνθρωποι έπρεπε να χρησιμοποιούν. Άρχισε να μοιάζει με έναν κοινό τρόπο εργασίας, που απορροφούσε αθόρυβα το πώς λαμβάνονταν οι αποφάσεις και το αντανακλούσε αυτό σε μελλοντικές αναλύσεις.
Αυτή η εμπειρία ενίσχυσε επίσης κάτι που πιστεύουμε εδώ και πολύ καιρό. Η πρόοδος προς μια πιο γενική νοημοσύνη δεν θα προέλθει από συστήματα που προσπαθούν να αντικαταστήσουν ειδικούς σε σύνθετα πεδία. Θα προέλθει από συστήματα που μειώνουν την τριβή γύρω από τη σκέψη των ειδικών και την ενισχύουν.
Σε αυτές τις συνεργασίες, η AI δημιούργησε αξία όχι επειδή ήταν αυτόνομη, αλλά επειδή ήταν συνεργατική. Δεν έπαιρνε αποφάσεις για τους ανθρώπους. Τους βοηθούσε να παίρνουν καλύτερες αποφάσεις, πιο γρήγορα.
Αν υπάρχει ένα πρώιμο σημάδι για το πού θα έχουν πρώτα σημασία τα συστήματα τύπου AGI, είναι εδώ. Όχι στην πλήρη αυτοματοποίηση, αλλά στην υποστήριξη της ανθρώπινης κρίσης σε κλίμακα.
Αυτή η μετατόπιση, από την αυτοματοποίηση στη μόχλευση, είναι αυτό που έκανε τη διαφορά.
