AI குறித்து Big Four உடன் முதலில் பேசத் தொடங்கியபோது, அந்த உரையாடல்கள் ஆச்சரியமாகவே வேகமாக முன்னேறின. நீண்ட அறிமுகம் எதுவும் இல்லை; AI ஏன் முக்கியம் என்பதை விளக்க வேண்டிய அவசியமும் இல்லை. கிட்டத்தட்ட உடனே, partners மற்றும் senior consultants தங்களின் நேரம் உண்மையில் எதில் செல்கிறது என்பதைப் பற்றி பேசத் தொடங்கினர். முடிவெடுப்பதிலோ அல்லது insight-இலோ அல்ல, தயாரிப்பில்தான். பல்வேறு systems-லிருந்து data-ஐ எடுப்பது. எண்களை ஒத்திசைப்பது. யாரும் முடிவுகள் என்ன சொல்கின்றன என்று சிந்திக்கத் தொடங்குவதற்கும் முன், analyses உள்துறை standards-க்கு பொருந்துகின்றனவா என்பதை உறுதிப்படுத்துவது.
எங்களை கவர்ந்தது என்னவென்றால், இந்த வேலைகளில் எதுவும் குறைந்த மதிப்புடையவை அல்ல. அவை அவசியமானவை. ஆனால் அவை சோர்வூட்டுபவையும் ஆகும். மிகுந்த அனுபவமுள்ளவர்கள் கூட, உண்மையான சிந்தனை தொடங்கும் நிலைக்கு வருவதற்காகவே தங்கள் நாளின் பெரிய பகுதியை செலவழித்து வந்தனர்.
உரையாடல்கள் தொடர்ந்தபோது, AI பங்கு வகிக்கக்கூடிய பல டஜன் செயல்முறைகள் வரை அவை வரைபடமிட்டன. Reporting, compliance, financial controls, tax analysis, internal reviews. மேலோட்டமாகப் பார்த்தால், இது ஒரு வழக்கமான automation பிரச்சினை போலத் தோன்றியது. அது அப்படியில்லை.
இந்த செயல்முறைகளில் பெரும்பாலானவற்றில் ஏற்கனவே tools, templates, மற்றும் பகுதி automation இருந்தன. எல்லாவற்றையும் மந்தமாக்கியது படிகளுக்கிடையில் இருந்தது. Context-களை மாற்றுவது. Outputs-ஐ ஒப்பிசைப்பது. சிதறிய தகவல்களில் ஒரே மாதிரியான judgment-ஐப் பயன்படுத்துவது. உண்மையான செலவு நேரம் மட்டும் அல்ல; அது அறிவுசார் சுமை.
அந்த தருணத்தில்தான் அணுகுமுறை மாறியது.
AI வேலை முழுவதையும் தொடக்கம் முதல் முடிவு வரை எப்படி செய்ய முடியும் என்று கேட்பதற்குப் பதிலாக, அந்த வேலையைச் செய்பவர்களை அது எப்படி ஆதரிக்க முடியும் என்று கேட்கத் தொடங்கினோம். கட்டுப்பாட்டை பறிக்காமல், ஆற்றலை சுரண்டும் பகுதிகளை AI கையாள முடிந்தால்? Structured drafts-ஐ தயார் செய்து, முரண்பாடுகளை வெளிக்கொண்டு வந்து, தனது reasoning-ஐ தெளிவாகக் காட்டி, experts setup-ஐ விட judgment-இல் கவனம் செலுத்த உதவினால்?
இந்த அணுகுமுறை நடைமுறைக்கு வந்ததும், அதன் தாக்கம் கண்கூடாகத் தெரிந்தது.
அனைத்து அணிகளிலும், மீண்டும் மீண்டும் நடைபெறும் பகுப்பாய்வு பணிகளுக்கான cycle times 80 முதல் 90 சதவீதம் வரை குறைந்தன. குறிப்பாக reconciliation அதிகம் தேவைப்படும் செயல்முறைகளில், manual errors கணிசமாகக் குறைந்தன. அதே அளவு முக்கியமாக, முன்பு ஒரே வேலையை சற்றே வேறுபட்ட முறையில் அணுகிய அணிகளுக்கிடையில் outputs மேலும் ஒரே மாதிரியாகின. சராசரியாக, consultants மாதத்திற்கு சுமார் 40 முதல் 50 மணி நேரத்தை மீட்டெடுத்தனர்; அதை இப்போது அதிக மதிப்புள்ள சிந்தனைக்காக செலவிட முடிந்தது.
ஆனால் மிகவும் சுவாரஸ்யமான மாற்றம் எண்களில் இல்லை.
அது மக்கள் தங்கள் வேலையைப் பற்றி பேசும் முறையில்தான் இருந்தது. Reviews மேலும் அமைதியானதாகின. Discussions மேலும் துல்லியமான கவனத்துடன் நடந்தன. Senior reviewers எல்லாம் சரியாக உள்ளதா என்பதைச் சரிபார்ப்பதில் குறைந்த நேரம் செலவிட்டு, முடிவுகள் உண்மையில் என்ன அர்த்தம் தருகின்றன என்பதைப் பற்றி விவாதிப்பதில் அதிக நேரம் செலவிட்டனர்.
காலப்போக்கில், இந்த அமைப்பு மக்கள் பயன்படுத்த வேண்டிய ஒரு tool போலத் தோன்றுவதை நிறுத்தியது. முடிவுகள் எப்படிச் செய்யப்படுகின்றன என்பதை அமைதியாக உட்கொண்டு, அதை எதிர்கால analyses-இல் மீண்டும் பிரதிபலிக்கும் ஒரு பகிரப்பட்ட வேலைமுறையாக அது உணரப்படத் தொடங்கியது.
இந்த அனுபவம், நாங்கள் நீண்ட காலமாக நம்பி வந்த ஒரு விஷயத்தையும் மேலும் உறுதிப்படுத்தியது. மேலும் பொதுவான நுண்ணறிவை நோக்கிய முன்னேற்றம், சிக்கலான துறைகளில் experts-ஐ மாற்ற முயலும் systems-லிருந்து வராது. அது expert சிந்தனையைச் சுற்றியுள்ள friction-ஐக் குறைத்து, அதை பெருக்கிக் காட்டும் systems-லிருந்துதான் வரும்.
இந்த engagements-இல், AI மதிப்பை உருவாக்கியது autonomous ஆக இருந்ததனால் அல்ல; collaborative ஆக இருந்ததால்தான். அது மக்களுக்குப் பதிலாக முடிவெடுக்கவில்லை. அவர்கள் இன்னும் சிறந்த முடிவுகளை, இன்னும் வேகமாக எடுக்க உதவியது.
AGI-போன்ற அமைப்புகள் முதலில் எங்கு முக்கியத்துவம் பெறும் என்பதற்கான ஆரம்பச் சிக்னல் ஏதாவது இருந்தால், அது இங்குதான். முழுமையான தானியக்கத்தில் அல்ல; மனிதத் தீர்மானத்தை பெரிய அளவில் ஆதரிப்பதில்தான்.
தானியக்கத்திலிருந்து திறன்-பெருக்கத்துக்கான அந்த மாற்றம்தான் வித்தியாசத்தை உருவாக்கியது.
