Когда мы впервые начали говорить с Big Four об ИИ, разговоры пошли удивительно быстро. Не было долгого вступления, не нужно было объяснять, почему ИИ важен. Почти сразу партнеры и старшие консультанты начали говорить о том, на что на самом деле уходит их время. Не на принятие решений и не на инсайты, а на подготовку. Сбор данных из разных систем. Сверка цифр. Проверка того, что анализы соответствуют внутренним стандартам, прежде чем вообще можно будет начать думать о том, что означают результаты.
Что нас поразило, так это то, что вся эта работа не была низкоценной. Она была необходимой. Но при этом — изматывающей. Очень опытные специалисты тратили значительную часть дня просто на то, чтобы дойти до точки, где может начаться настоящее мышление.
По мере продолжения разговоров стало ясно, что существует не один десяток процессов, в которых ИИ мог бы сыграть роль. Отчетность, комплаенс, финансовый контроль, налоговый анализ, внутренние проверки. На поверхности это выглядело как классическая задача автоматизации. Но это было не так.
У большинства этих процессов уже были инструменты, шаблоны и частичная автоматизация. То, что все тормозило, находилось между этапами. Переключение контекста. Сведение результатов. Последовательное применение суждения к фрагментированной информации. Настоящая цена заключалась не только во времени — это была когнитивная нагрузка.
Именно тогда изменилась сама постановка вопроса.
Вместо того чтобы спрашивать, как ИИ может выполнять работу от начала до конца, мы начали спрашивать, как он может поддерживать людей, которые эту работу делают. Что, если ИИ сможет взять на себя те части, которые истощают силы, не отнимая при этом контроль? Что, если он сможет готовить структурированные черновики, выявлять несоответствия и делать свою логику прозрачной, чтобы эксперты могли сосредоточиться на суждении, а не на подготовке?
Когда этот подход начал работать вживую, эффект стал ощутимым.
Во всех командах время цикла для повторяющейся аналитической работы сократилось на 80–90 процентов. Количество ручных ошибок, особенно в процессах с большим объемом сверок, резко снизилось. Не менее важно и то, что результаты стали более единообразными в командах, которые раньше выполняли одну и ту же работу немного по-разному. В среднем консультанты вернули себе около 40–50 часов в месяц, которые теперь можно было тратить на более ценную интеллектуальную работу.
Но самое интересное изменение было не в цифрах.
Оно проявилось в том, как люди стали говорить о своей работе. Проверки стали спокойнее. Обсуждения — более сфокусированными. Старшие ревьюеры тратили меньше времени на проверку того, все ли правильно, и больше — на обсуждение того, что результаты на самом деле означают.
Со временем система перестала ощущаться как инструмент, которым люди вынуждены пользоваться. Она начала восприниматься как общий способ работы, который незаметно впитывает то, как принимаются решения, и отражает это в будущих анализах.
Этот опыт также укрепил то, во что мы давно верили. Прогресс на пути к более общему интеллекту придет не от систем, которые пытаются заменить экспертов в сложных областях. Он придет от систем, которые уменьшают трение вокруг экспертного мышления и усиливают его.
В этих проектах ИИ создавал ценность не потому, что был автономным, а потому, что был совместным. Он не принимал решения за людей. Он помогал им принимать лучшие решения — быстрее.
Если и есть ранний сигнал того, где системы уровня AGI впервые окажутся по-настоящему важны, то он именно здесь. Не в полной автоматизации, а в поддержке человеческого суждения в масштабе.
Именно этот сдвиг — от автоматизации к усилению возможностей — и стал решающим.
