När vi först började prata med Big Four om AI gick samtalen förvånansvärt snabbt framåt. Det krävdes ingen lång introduktion, inget behov av att förklara varför AI spelade roll. Nästan omedelbart började partners och seniora konsulter prata om var deras tid faktiskt tog vägen. Inte till beslutsfattande eller insikter, utan till förberedelser. Att hämta data från olika system. Att få siffrorna att stämma överens. Att säkerställa att analyser följde interna standarder innan någon ens kunde börja fundera på vad resultaten betydde.
Det som slog oss var att inget av detta arbete hade lågt värde. Det var nödvändigt. Men det var också utmattande. Mycket erfarna personer lade en stor del av sin dag på att bara försöka komma till en punkt där det verkliga tänkandet kunde börja.
Allt eftersom samtalen fortsatte kartlade de mer än dussintals processer där AI kunde spela en roll. Rapportering, regelefterlevnad, finansiella kontroller, skatteanalys, interna granskningar. På ytan såg det ut som ett klassiskt automatiseringsproblem. Det var det inte.
De flesta av dessa processer hade redan verktyg, mallar och partiell automatisering på plats. Det som bromsade allt fanns mellan stegen. Att växla kontext. Att jämka samman utdata. Att tillämpa omdöme konsekvent över fragmenterad information. Den verkliga kostnaden var inte bara tid, utan kognitiv belastning.
Det var då inramningen förändrades.
I stället för att fråga hur AI kunde göra arbetet från början till slut började vi fråga hur det kunde stödja människorna som gjorde arbetet. Tänk om AI kunde ta hand om de delar som dränerar energi, utan att ta bort kontrollen? Tänk om det kunde förbereda strukturerade utkast, lyfta fram inkonsekvenser och göra sitt resonemang synligt, så att experter kunde fokusera på omdöme i stället för uppstart?
När det här angreppssättet väl gick live blev effekten påtaglig.
I olika team sjönk ledtiderna med 80 till 90 procent för återkommande analytiskt arbete. Manuella fel, särskilt i processer med mycket avstämning, minskade kraftigt. Lika viktigt var att resultaten blev mer konsekventa mellan team som tidigare brukade angripa samma arbete på lite olika sätt. I genomsnitt fick konsulter tillbaka omkring 40 till 50 timmar per månad som nu kunde läggas på tänkande med högre värde.
Men den mest intressanta förändringen syntes inte i siffrorna.
Den märktes i hur människor pratade om sitt arbete. Granskningar blev lugnare. Diskussioner blev mer fokuserade. Seniora granskare lade mindre tid på att kontrollera om allt var korrekt och mer tid på att diskutera vad resultaten faktiskt betydde.
Med tiden slutade systemet kännas som ett verktyg som människor var tvungna att använda. Det började kännas som ett gemensamt arbetssätt, som i det tysta tog upp hur beslut fattades och speglade det tillbaka i framtida analyser.
Den här erfarenheten förstärkte också något vi har trott under lång tid. Framsteg mot mer generell intelligens kommer inte från system som försöker ersätta experter i komplexa domäner. De kommer från system som minskar friktionen kring expertens tänkande och förstärker det.
I de här uppdragen skapade AI värde inte genom att vara autonomt, utan genom att vara samarbetsinriktat. Det fattade inte beslut åt människor. Det hjälpte dem att fatta bättre beslut, snabbare.
Om det finns en tidig signal om var AGI-liknande system först kommer att spela roll, så är det här. Inte i fullständig automatisering, utan i att stödja mänskligt omdöme i stor skala.
Det skiftet, från automatisering till hävstång, var det som gjorde skillnaden.
