Toen we voor het eerst met de Big Four over AI in gesprek gingen, kwamen de gesprekken verrassend snel op gang. Een lange introductie was niet nodig, net zomin als uitleg over waarom AI ertoe deed. Vrijwel meteen begonnen partners en senior consultants te vertellen waar hun tijd werkelijk naartoe ging. Niet naar besluitvorming of het opdoen van inzichten, maar naar voorbereiding. Gegevens uit verschillende systemen halen. Cijfers op elkaar afstemmen. Zorgen dat analyses aan interne standaarden voldeden voordat iemand überhaupt kon nadenken over wat de resultaten betekenden.
Wat ons opviel, was dat dit werk zeker niet waardeloos 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 het punt waarop het echte denkwerk kon beginnen.
Naarmate de gesprekken vorderden, brachten ze meer dan tientallen processen in kaart waarin AI een rol kon spelen. Rapportage, compliance, financiële controles, belastinganalyses, interne beoordelingen. Op het eerste gezicht leek het een klassiek automatiseringsprobleem. Dat was het niet.
Voor de meeste van deze processen waren er al tools, sjablonen en gedeeltelijke automatisering. Wat alles vertraagde, zat tussen de stappen in. Wisselen van context. Resultaten op elkaar afstemmen. Versnipperde informatie consequent beoordelen. De werkelijke kosten zaten niet alleen in tijd, maar ook in cognitieve belasting.
Toen veranderde onze kijk op het probleem.
In plaats van ons af te vragen hoe AI het werk van begin tot eind kon uitvoeren, vroegen we ons af hoe AI de mensen die dat werk deden kon ondersteunen. Wat als AI de onderdelen kon overnemen die energie kosten, zonder mensen de regie uit handen te nemen? Wat als AI gestructureerde concepten kon voorbereiden, inconsistenties kon blootleggen en de eigen redenering inzichtelijk kon maken, zodat experts zich op hun oordeel konden richten in plaats van op de voorbereiding?
Toen deze aanpak in gebruik werd genomen, werd het effect tastbaar.
Bij de verschillende teams daalden de doorlooptijden voor terugkerend analytisch werk met 80 tot 90 procent. Handmatige fouten namen sterk af, vooral in processen waarin veel gegevens op elkaar moesten worden afgestemd. Minstens zo belangrijk was dat de resultaten consistenter werden tussen teams die hetzelfde werk voorheen elk net iets anders aanpakten. Gemiddeld kregen consultants ongeveer 40 tot 50 uur per maand terug, die ze nu aan waardevoller denkwerk konden besteden.
Maar de interessantste verandering zat niet in de cijfers.
Die zat in de manier waarop mensen over hun werk spraken. Beoordelingen verliepen rustiger. Discussies werden gerichter. Senior beoordelaars besteedden minder tijd aan controleren of alles klopte en meer tijd aan bespreken wat de resultaten werkelijk betekenden.
Na verloop van tijd voelde het systeem niet langer als een tool die mensen moesten gebruiken. Het begon aan te voelen als een gedeelde manier van werken, die ongemerkt in zich opnam hoe beslissingen werden genomen en dat in toekomstige analyses weerspiegelde.
Deze ervaring bevestigde ook iets waar we al lang in geloven. Vooruitgang naar meer algemene intelligentie zal niet komen van systemen die experts in complexe vakgebieden proberen te vervangen. Die zal komen van systemen die belemmeringen rond het denkwerk van experts wegnemen en dat denkwerk versterken.
In deze trajecten creëerde AI waarde door samen te werken, niet door autonoom te zijn. AI nam geen beslissingen voor mensen. AI hielp hen sneller betere beslissingen te nemen.
Als er een vroeg signaal is van waar AGI-achtige systemen het eerst van betekenis zullen zijn, dan is het hier. Niet bij volledige automatisering, maar bij het op grote schaal ondersteunen van het menselijk oordeelsvermogen.
Die verschuiving, van automatisering naar het versterken van menselijke capaciteiten, maakte het verschil.
