Kun aloimme ensimmäisen kerran puhua Big Fourin kanssa tekoälystä, keskustelut etenivät yllättävän nopeasti. Pitkiä johdantoja ei tarvittu, eikä ollut tarpeen selittää, miksi tekoäly oli tärkeää. Lähes heti partnerit ja seniorikonsultit alkoivat puhua siitä, mihin heidän aikansa todellisuudessa kului. Ei päätöksentekoon tai oivalluksiin, vaan valmisteluun. Datan vetämiseen eri järjestelmistä. Lukujen yhteensovittamiseen. Sen varmistamiseen, että analyysit vastasivat sisäisiä standardeja ennen kuin kukaan pystyi edes aloittamaan pohtimaan, mitä tulokset tarkoittivat.
Meihin teki vaikutuksen se, ettei mikään tästä työstä ollut vähäarvoista. Se oli välttämätöntä. Mutta se oli myös uuvuttavaa. Erittäin kokeneet ihmiset käyttivät suuren osan päivästään vain päästäkseen pisteeseen, jossa varsinainen ajattelu saattoi alkaa.
Keskustelujen jatkuessa niissä hahmottui yli kymmeniä prosesseja, joissa tekoälyllä voisi olla rooli. Raportointi, compliance, taloudelliset kontrollit, veroanalyysi, sisäiset tarkastukset. Pinnalta katsottuna kyse näytti klassiselta automaatio-ongelmalta. Ei ollut.
Useimmissa näistä prosesseista oli jo käytössä työkaluja, malleja ja osittaista automaatiota. Se, mikä hidasti kaikkea, eli vaiheiden välissä. Kontekstin vaihtaminen. Tuotosten yhteensovittaminen. Arviointikyvyn johdonmukainen soveltaminen pirstaleisen tiedon yli. Todellinen kustannus ei ollut pelkästään aika, vaan kognitiivinen kuormitus.
Siinä vaiheessa kehystys muuttui.
Sen sijaan, että olisimme kysyneet, miten tekoäly voisi tehdä työn alusta loppuun, aloimme kysyä, miten se voisi tukea työn tekijöitä. Entä jos tekoäly voisi hoitaa ne osat, jotka kuluttavat energiaa, viemättä ihmisiltä kontrollia? Entä jos se voisi valmistella jäsenneltyjä luonnoksia, nostaa esiin epäjohdonmukaisuuksia ja tehdä päättelynsä näkyväksi, jotta asiantuntijat voisivat keskittyä arviointiin valmistelun sijaan?
Kun tämä lähestymistapa otettiin käyttöön, vaikutus muuttui konkreettiseksi.
Tiimien välillä toistuvan analyyttisen työn läpimenoajat lyhenivät 80–90 prosenttia. Manuaaliset virheet, erityisesti täsmäytyspainotteisissa prosesseissa, vähenivät jyrkästi. Yhtä tärkeää oli se, että tuotoksista tuli johdonmukaisempia eri tiimien välillä, jotka olivat aiemmin lähestyneet samaa työtä hieman eri tavoin. Keskimäärin konsultit saivat takaisin noin 40–50 tuntia kuukaudessa, jotka voitiin nyt käyttää korkeamman arvon ajatteluun.
Mutta kiinnostavin muutos ei näkynyt luvuissa.
Se näkyi siinä, miten ihmiset puhuivat työstään. Tarkasteluista tuli rauhallisempia. Keskusteluista tuli fokusoituneempia. Senioritarkastajat käyttivät vähemmän aikaa sen tarkistamiseen, oliko kaikki oikein, ja enemmän aikaa siihen, mitä tulokset oikeastaan tarkoittivat.
Ajan myötä järjestelmä ei enää tuntunut työkalulta, jota ihmisten piti käyttää. Se alkoi tuntua yhteiseltä toimintatavalta, joka hiljaisesti omaksui, miten päätöksiä tehtiin, ja heijasti sitä takaisin tulevissa analyyseissä.
Tämä kokemus vahvisti myös jotain, mihin olemme uskoneet pitkään. Edistys kohti yleisempää älykkyyttä ei synny järjestelmistä, jotka yrittävät korvata asiantuntijat monimutkaisilla aloilla. Se syntyy järjestelmistä, jotka vähentävät kitkaa asiantuntija-ajattelun ympäriltä ja vahvistavat sitä.
Näissä toimeksiannoissa tekoäly loi arvoa ei olemalla autonominen, vaan olemalla yhteistyökykyinen. Se ei tehnyt päätöksiä ihmisten puolesta. Se auttoi heitä tekemään parempia päätöksiä nopeammin.
Jos on olemassa varhainen merkki siitä, missä AGI:n kaltaiset järjestelmät alkavat ensimmäisenä olla merkityksellisiä, se on tässä. Ei täydellisessä automaatiossa, vaan ihmisen harkinnan tukemisessa laajassa mittakaavassa.
Juuri tämä siirtymä automaatiosta vipuvaikutukseen teki eron.
