Hva vi lærte da vi begynte å snakke med Big Four om AI

Muhammed Gider
3 min lesetid • 
Da vi tok i bruk AI i bankrelaterte arbeidsflyter hos Big Four, oppdaget vi at den virkelige flaskehalsen ikke var verktøyene, men den kognitive belastningen. Her er hva som endret seg da vi sluttet å utvikle for automatisering og begynte å utvikle for menneskelig dømmekraft i stor skala.

Da vi begynte å snakke med Big Four om AI, kom samtalene overraskende raskt til kjernen. Det var ingen lang innledning, ikke noe behov for å forklare hvorfor AI var viktig. Nesten umiddelbart begynte partnere og seniorkonsulenter å snakke om hva tiden deres faktisk gikk til. Ikke til beslutninger eller innsikt, men til forberedelser. Hente data fra ulike systemer. Avstemme tall. Sørge for at analysene fulgte interne standarder før noen i det hele tatt kunne begynne å tenke på hva resultatene betydde.

Det som slo oss, var at ingenting av dette arbeidet var av liten verdi. Det var nødvendig. Men det var også utmattende. Svært erfarne fagpersoner brukte en stor del av dagen bare på å komme dit at det egentlige tankearbeidet kunne begynne.

Etter hvert som samtalene fortsatte, kartla de mer enn flere dusin prosesser der AI kunne spille en rolle. Rapportering, etterlevelse av regelverk, finansielle kontroller, skatteanalyser, interne gjennomganger. På overflaten så det ut som et klassisk automatiseringsproblem. Det var det ikke.

De fleste av disse prosessene hadde allerede verktøy, maler og delvis automatisering på plass. Det som bremset alt, lå mellom trinnene. Bytte kontekst. Avstemme resultater. Bruke dømmekraft konsekvent på tvers av fragmentert informasjon. Den reelle kostnaden var ikke bare tid, men kognitiv belastning.

Det var da perspektivet endret seg.

I stedet for å spørre hvordan AI kunne gjøre arbeidet fra start til slutt, begynte vi å spørre hvordan AI kunne støtte menneskene som gjorde det. Hva om AI kunne ta seg av delene som tapper energi, uten å frata folk kontrollen? Hva om AI kunne lage strukturerte utkast, avdekke uoverensstemmelser og synliggjøre resonnementene sine, slik at ekspertene kunne konsentrere seg om faglige vurderinger fremfor forberedelser?

Da denne tilnærmingen ble tatt i bruk, ble effekten tydelig.

På tvers av teamene falt gjennomløpstiden for gjentakende analysearbeid med 80 til 90 prosent. Manuelle feil gikk kraftig ned, særlig i prosesser med mye avstemming. Like viktig var det at resultatene ble mer ensartede på tvers av team som tidligere hadde løst det samme arbeidet på litt ulike måter. I gjennomsnitt fikk konsulentene frigjort rundt 40 til 50 timer per måned, som nå kunne brukes på tankearbeid med høyere verdi.

Men den mest interessante endringen lå ikke i tallene.

Den lå i hvordan folk snakket om arbeidet sitt. Gjennomgangene ble roligere. Diskusjonene ble mer fokuserte. De erfarne fagpersonene som gjennomgikk arbeidet, brukte mindre tid på å kontrollere om alt var riktig, og mer tid på å diskutere hva resultatene faktisk betydde.

Over tid føltes systemet ikke lenger som et verktøy folk måtte bruke. Det begynte å føles som en felles måte å jobbe på, som i det stille tok opp i seg hvordan beslutninger ble tatt, og gjenspeilte dette i senere analyser.

Denne erfaringen styrket også noe vi lenge har trodd på. Fremskritt mot mer generell intelligens vil ikke komme fra systemer som prøver å erstatte eksperter på komplekse fagområder. De vil komme fra systemer som reduserer friksjonen rundt ekspertenes tankearbeid og forsterker det.

I disse oppdragene skapte AI verdi gjennom samarbeid, ikke ved å være autonom. AI tok ikke beslutninger for folk. AI hjalp dem med å ta bedre beslutninger, raskere.

Hvis det finnes en tidlig pekepinn på hvor AGI-lignende systemer først vil få betydning, er det her. Ikke gjennom full automatisering, men ved å støtte menneskelig dømmekraft i stor skala.

Det var dette skiftet, fra automatisering til større gjennomslagskraft, som gjorde forskjellen.

Bli med i Dvina

Registrer deg gratis og samle alle verktøyene dine i ett enkelt arbeidsområde.

Utforsk mer