מה למדנו כשהתחלנו לדבר עם ה-Big Four על AI

Muhammed Gider
3 דקות קריאה • 
כשהטמענו AI בתהליכי העבודה הבנקאיים של ה-Big Four, גילינו שצוואר הבקבוק האמיתי לא היה הכלים — אלא העומס הקוגניטיבי. זה מה שהשתנה כשהפסקנו לפתח פתרונות לאוטומציה והתחלנו לפתח פתרונות שתומכים בשיקול דעת אנושי בקנה מידה רחב.

כשהתחלנו לדבר עם ה-Big Four על AI, השיחות התקדמו במהירות מפתיעה. לא הייתה הקדמה ארוכה, ולא היה צורך להסביר למה AI חשוב. כמעט מיד, שותפים ויועצים בכירים התחילו לדבר על מה שבאמת גוזל את זמנם. לא קבלת החלטות או הפקת תובנות, אלא הכנה. שליפת נתונים ממערכות שונות. התאמת מספרים. בדיקה שהניתוחים עומדים בסטנדרטים הפנימיים, עוד לפני שמישהו בכלל יכול להתחיל לחשוב על משמעות התוצאות.

מה שהפתיע אותנו היה שאף אחת מהמשימות האלה לא הייתה חסרת ערך. הן היו הכרחיות. אבל הן גם היו מתישות. אנשים מנוסים מאוד השקיעו חלק גדול מהיום שלהם רק בניסיון להגיע לנקודה שבה אפשר להתחיל לחשוב באמת.

ככל שהשיחות נמשכו, הם מיפו למעלה מעשרות תהליכים שבהם AI יכול למלא תפקיד. דיווח, עמידה בדרישות רגולטוריות, בקרות פיננסיות, ניתוחי מס, בדיקות פנימיות. על פני השטח, זה נראה כמו בעיית אוטומציה קלאסית. אבל זו לא הייתה הבעיה.

ברוב התהליכים האלה כבר היו כלים, תבניות ואוטומציה חלקית. מה שהאט את הכול היה בין השלבים. מעבר בין הקשרים. התאמה בין תוצרים. הפעלת שיקול דעת באופן עקבי על בסיס מידע מפוזר. המחיר האמיתי לא היה רק הזמן, אלא העומס הקוגניטיבי.

בשלב הזה השתנתה צורת ההסתכלות שלנו.

במקום לשאול איך AI יכול לבצע את העבודה מקצה לקצה, התחלנו לשאול איך הוא יכול לתמוך באנשים שעושים אותה. מה אם AI יוכל לטפל בחלקים ששואבים אנרגיה, בלי לקחת מהם את השליטה? מה אם הוא יוכל להכין טיוטות מובנות, להצביע על חוסר עקביות ולהציג את ההיגיון שמאחורי התוצרים שלו, כדי שמומחים יוכלו להתמקד בשיקול דעת במקום בהכנה?

ברגע שהגישה הזו יושמה בפועל, ההשפעה נעשתה מוחשית.

בכל הצוותים, זמני הביצוע של עבודה אנליטית חוזרת התקצרו ב-80 עד 90 אחוזים. טעויות ידניות, במיוחד בתהליכים שדורשים התאמות רבות, פחתו בחדות. לא פחות חשוב, התוצרים נעשו עקביים יותר בין צוותים שבעבר ניגשו לאותה עבודה בדרכים מעט שונות. בממוצע, היועצים קיבלו בחזרה כ-40 עד 50 שעות בחודש, וכעת יכלו להקדיש אותן לחשיבה בעלת ערך גבוה יותר.

אבל השינוי המעניין ביותר לא היה במספרים.

הוא היה באופן שבו אנשים דיברו על העבודה שלהם. הבדיקות נעשו רגועות יותר. הדיונים נעשו ממוקדים יותר. הבודקים הבכירים השקיעו פחות זמן בבדיקה שהכול נכון, ויותר זמן בדיון על המשמעות האמיתית של התוצאות.

עם הזמן, המערכת הפסיקה להרגיש כמו כלי שאנשים חייבים להשתמש בו. היא התחילה להרגיש כמו דרך עבודה משותפת, שקולטת בשקט איך מתקבלות החלטות ומשקפת זאת בניתוחים עתידיים.

הניסיון הזה גם חיזק דבר שאנחנו מאמינים בו כבר זמן רב. ההתקדמות לעבר אינטליגנציה כללית יותר לא תגיע ממערכות שמנסות להחליף מומחים בתחומים מורכבים. היא תגיע ממערכות שמפחיתות את החיכוך סביב חשיבה של מומחים ומעצימות אותה.

בפרויקטים האלה, AI יצר ערך לא בזכות פעולה עצמאית, אלא בזכות שיתוף פעולה. הוא לא קיבל החלטות במקום אנשים. הוא עזר להם לקבל החלטות טובות יותר, מהר יותר.

אם יש סימן מוקדם לכך שמערכות דמויות AGI יהיו משמעותיות תחילה בתחום מסוים, זה כאן. לא באוטומציה מלאה, אלא בתמיכה בשיקול דעת אנושי בקנה מידה רחב.

המעבר הזה, מאוטומציה למינוף, הוא שעשה את ההבדל.

הצטרפו ל-Dvina

הירשמו בחינם ורכזו את כל הכלים שלכם במרחב עבודה אחד פשוט.

עוד תכנים לגלות