Що ми дізналися, коли почали говорити з Big Four про AI

Muhammed Gider
3 хв читання • 
Коли ми впровадили AI у банківські робочі процеси Big Four, то виявили, що справжньою перешкодою були не інструменти, а когнітивне навантаження. Ось що змінилося, коли ми перестали створювати рішення для автоматизації й почали розробляти їх для підтримки людських суджень у широкому масштабі.

Коли ми почали говорити з Big Four про AI, розмови напрочуд швидко перейшли до суті. Без довгих вступів і пояснень, чому AI важливий. Майже одразу партнери та старші консультанти заговорили про те, на що насправді витрачають свій час. Не на ухвалення рішень чи пошук нових висновків, а на підготовку. Збирання даних із різних систем. Узгодження цифр. Перевірку того, чи відповідає аналіз внутрішнім стандартам, — ще до того, як хтось узагалі почне обмірковувати, що означають результати.

Нас вразило, що жодна з цих задач не була малозначущою. Уся ця робота була необхідною. Але водночас — виснажливою. Люди з великим досвідом витрачали значну частину дня лише на те, щоб дістатися до моменту, коли можна нарешті почати по-справжньому думати.

У подальших розмовах вони окреслили понад кілька десятків процесів, у яких AI міг би відігравати роль. Звітність, комплаєнс, фінансовий контроль, податковий аналіз, внутрішні перевірки. На перший погляд, це виглядало як класичне завдання автоматизації. Але це було не так.

У більшості цих процесів уже були інструменти, шаблони й часткова автоматизація. Усе сповільнювалося між етапами. Перемикання між контекстами. Звіряння результатів. Послідовне застосування фахових суджень до розрізненої інформації. Справжня ціна полягала не лише у витраченому часі, а й у когнітивному навантаженні.

Саме тоді ми по-іншому поглянули на завдання.

Замість того щоб питати, як AI може виконати всю роботу від початку до кінця, ми почали питати, як він може підтримати людей, які її виконують. Що, якби AI міг брати на себе виснажливі частини роботи, залишаючи контроль за людьми? Що, якби він міг готувати структуровані чернетки, виявляти неузгодженості й показувати хід своїх міркувань, щоб експерти могли зосередитися на фаховій оцінці, а не на підготовці?

Щойно цей підхід запрацював на практиці, результати стали відчутними.

У різних командах час виконання повторюваної аналітичної роботи скоротився на 80 до 90 відсотків. Кількість помилок, спричинених ручною роботою, різко зменшилася, особливо в процесах, що потребували багато звіряння. Не менш важливо, що результати стали узгодженішими між командами, які раніше виконували ту саму роботу дещо по-різному. У середньому консультанти вивільнили близько 40 до 50 годин на місяць, які тепер могли присвятити розумовій роботі з більшою цінністю.

Але найцікавіша зміна була не в цифрах.

Змінилося те, як люди говорили про свою роботу. Перевірки стали спокійнішими. Обговорення — зосередженішими. Старші фахівці, які перевіряли роботу, витрачали менше часу на з’ясування, чи все правильно, і більше — на обговорення того, що насправді означають результати.

З часом система перестала сприйматися як інструмент, яким люди мусили користуватися. Вона стала сприйматися як спільний спосіб роботи: непомітно засвоювала, як ухвалюються рішення, і відображала це в подальшому аналізі.

Цей досвід також зміцнив наше давнє переконання. Прогрес на шляху до більш загального інтелекту забезпечать не системи, які намагаються замінити експертів у складних галузях. Його забезпечать системи, які усувають перешкоди для експертного мислення й посилюють його.

У цих проєктах AI створював цінність не завдяки автономності, а завдяки співпраці. Він не ухвалював рішення за людей. Він допомагав їм швидше ухвалювати кращі рішення.

Якщо вже є перші ознаки того, де системи, подібні до AGI, насамперед відіграватимуть важливу роль, то саме тут. Не в повній автоматизації, а в масштабній підтримці людських суджень.

Саме цей перехід — від автоматизації до розширення можливостей — став вирішальним.

Приєднуйтеся до Dvina

Зареєструйтеся безкоштовно й об’єднайте всі свої інструменти в одному простому робочому просторі.

Дізнатися більше