Toen we voor het eerst met de Big Four over AI begonnen te praten, gingen die gesprekken verrassend snel. Er was geen lange introductie nodig, geen uitleg waarom AI ertoe deed. Vrijwel meteen begonnen partners en senior consultants te vertellen waar hun tijd daadwerkelijk naartoe ging. Niet naar besluitvorming of inzicht, maar naar voorbereiding. Data uit verschillende systemen halen. Cijfers op elkaar afstemmen. Zorgen dat analyses voldeden aan interne standaarden voordat iemand überhaupt kon beginnen na te denken over wat de resultaten betekenden.
Wat ons opviel, was dat geen van dit werk van lage waarde was. Het was noodzakelijk. Maar het was ook uitputtend. Zeer ervaren mensen besteedden een groot deel van hun dag alleen al aan het bereiken van een punt waarop het echte denkwerk kon beginnen.
Naarmate de gesprekken doorgingen, brachten ze meer dan tientallen processen in kaart waarin AI een rol kon spelen. Rapportage, compliance, financiële controles, belastinganalyse, interne reviews. Aan de oppervlakte leek het een klassiek automatiseringsprobleem. Dat was het niet.
Voor de meeste van deze processen bestonden al tools, templates en gedeeltelijke automatisering. Wat alles vertraagde, zat tussen de stappen in. Van context wisselen. Outputs met elkaar reconciliëren. Oordeel consequent toepassen op gefragmenteerde informatie. De echte kosten zaten niet alleen in tijd, maar in cognitieve belasting.
Dat was het moment waarop de denkkaders veranderden.
In plaats van te vragen hoe AI het werk van begin tot eind kon doen, begonnen we te vragen hoe het de mensen die het werk doen kon ondersteunen. Wat als AI de onderdelen kon overnemen die energie wegzuigen, zonder de controle weg te nemen? Wat als het gestructureerde concepten kon voorbereiden, inconsistenties zichtbaar kon maken en zijn redenering inzichtelijk kon maken, zodat experts zich konden richten op hun oordeel in plaats van op de voorbereiding?
Zodra deze aanpak live ging, werd de impact tastbaar.
Binnen teams daalden de doorlooptijden voor terugkerend analytisch werk met 80 tot 90 procent. Handmatige fouten, vooral in processen met veel reconciliatie, namen sterk af. Minstens zo belangrijk was dat outputs consistenter werden tussen teams die hetzelfde werk voorheen op net iets verschillende manieren aanpakten. Gemiddeld kregen consultants ongeveer 40 tot 50 uur per maand terug, die nu aan waardevoller denkwerk konden worden besteed.
Maar de interessantste verandering zat niet in de cijfers.
Die zat in de manier waarop mensen over hun werk spraken. Reviews werden rustiger. Discussies werden gerichter. Senior reviewers besteedden minder tijd aan controleren of alles klopte en meer tijd aan bespreken wat de resultaten daadwerkelijk betekenden.
Na verloop van tijd voelde het systeem niet langer als een tool die mensen moesten gebruiken. Het begon te voelen als een gedeelde manier van werken, die stilletjes opnam hoe beslissingen werden genomen en dat weerspiegelde in toekomstige analyses.
Deze ervaring bevestigde ook iets waar we al lange tijd in geloven. Vooruitgang richting meer algemene intelligentie zal niet komen van systemen die experts in complexe domeinen proberen te vervangen. Die zal komen van systemen die de frictie rond expertmatig denken verminderen en dat denken versterken.
In deze trajecten creëerde AI waarde niet door autonoom te zijn, maar door samen te werken. Het nam geen beslissingen voor mensen. Het hielp hen om sneller betere beslissingen te nemen.
Als er een vroeg signaal is van waar AGI-achtige systemen als eerste van belang zullen zijn, dan is het hier. Niet in volledige automatisering, maar in het op schaal ondersteunen van menselijk oordeel.
Die verschuiving, van automatisering naar hefboomwerking, maakte het verschil.
