När vi först började prata med Big Four om AI gick samtalen förvånansvärt snabbt framåt. Ingen lång introduktion behövdes, och vi behövde inte förklara varför AI var viktigt. Nästan direkt började delägare och seniora konsulter prata om vad deras tid faktiskt gick åt till. Inte till beslutsfattande eller insikter, utan till förberedelser. Att hämta data från olika system. Att få siffrorna att stämma överens. Att se till att analyserna följde interna standarder innan någon ens kunde börja fundera på vad resultaten betydde.
Det som slog oss var att inget av det här arbetet saknade värde. Det var nödvändigt. Men det var också utmattande. Mycket erfarna personer ägnade en stor del av dagen åt att bara försöka nå fram till den punkt där det verkliga tankearbetet 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 de här processerna hade redan verktyg, mallar och viss automatisering på plats. Det som bromsade allt fanns mellan stegen. Att växla mellan sammanhang. Att stämma av resultat. Att tillämpa omdöme konsekvent när informationen var utspridd. Den verkliga kostnaden var inte bara tid, utan kognitiv belastning.
Det var då perspektivet förändrades.
I stället för att fråga hur AI kunde utföra arbetet från början till slut började vi fråga hur AI kunde stödja dem som utförde det. Tänk om AI kunde ta hand om de delar som tog mest energi, utan att ta ifrån människor kontrollen? Tänk om AI kunde ta fram strukturerade utkast, synliggöra avvikelser och visa sina resonemang, så att experterna kunde fokusera på bedömningar i stället för förberedelser?
När det här arbetssättet togs i bruk blev effekten påtaglig.
I teamen minskade ledtiderna med 80 till 90 procent för återkommande analysarbete. Manuella fel minskade kraftigt, särskilt i processer med omfattande avstämningar. Lika viktigt var att resultaten blev mer enhetliga mellan team som tidigare hade tagit sig an samma arbete på lite olika sätt. I genomsnitt fick konsulterna tillbaka omkring 40 till 50 timmar per månad som nu kunde ägnas åt mer värdeskapande tankearbete.
Men den mest intressanta förändringen syntes inte i siffrorna.
Den märktes i hur människor pratade om sitt arbete. Granskningarna blev lugnare. Diskussionerna blev mer fokuserade. Seniora granskare lade mindre tid på att kontrollera att 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 till sig hur beslut fattades och lät det återspeglas i framtida analyser.
Den här erfarenheten stärkte också en övertygelse vi har haft länge. Framsteg mot mer generell intelligens kommer inte att komma från system som försöker ersätta experter inom komplexa områden. De kommer att komma från system som minskar friktionen kring experternas tänkande och förstärker det.
I de här uppdragen skapade AI värde inte genom att arbeta självständigt, utan genom att samarbeta. AI fattade inte beslut åt människor. AI hjälpte dem att fatta bättre beslut, snabbare.
Om det finns en tidig indikation på var AGI-liknande system först kommer att få betydelse, så är det här. Inte genom fullständig automatisering, utan genom att stödja mänskligt omdöme i stor skala.
Det var skiftet från automatisering till ökad utväxling som gjorde skillnaden.
