جب ہم نے پہلی بار AI کے بارے میں Big Four سے بات کرنا شروع کی، تو گفتگو حیرت انگیز طور پر بہت تیزی سے آگے بڑھی۔ نہ کسی طویل تعارف کی ضرورت پڑی، نہ یہ سمجھانے کی کہ AI کیوں اہم ہے۔ تقریباً فوراً ہی، پارٹنرز اور سینئر کنسلٹنٹس اس بارے میں بات کرنے لگے کہ ان کا وقت حقیقت میں کہاں صرف ہو رہا تھا۔ فیصلہ سازی یا بصیرت پر نہیں، بلکہ تیاری پر۔ مختلف سسٹمز سے ڈیٹا نکالنے میں۔ نمبروں کو ہم آہنگ کرنے میں۔ یہ یقینی بنانے میں کہ تجزیے داخلی معیارات سے مطابقت رکھتے ہوں، اس سے پہلے کہ کوئی یہ سوچنا بھی شروع کر سکے کہ نتائج کا مطلب کیا ہے۔
جس بات نے ہمیں متاثر کیا، وہ یہ تھی کہ اس میں سے کوئی بھی کام کم قدر کا نہیں تھا۔ یہ ضروری تھا۔ لیکن یہ تھکا دینے والا بھی تھا۔ بہت تجربہ کار لوگ اپنے دن کا ایک بڑا حصہ صرف اس مقام تک پہنچنے کی کوشش میں گزار رہے تھے جہاں اصل سوچ بچار شروع ہو سکے۔
جیسے جیسے گفتگو آگے بڑھتی گئی، اس نے درجنوں سے زیادہ ایسے عمل واضح کیے جہاں AI کردار ادا کر سکتا تھا۔ رپورٹنگ، کمپلائنس، مالیاتی کنٹرولز، ٹیکس تجزیہ، داخلی جائزے۔ سطحی طور پر یہ ایک روایتی آٹومیشن مسئلہ لگتا تھا۔ ایسا نہیں تھا۔
ان میں سے زیادہ تر عمل میں پہلے ہی ٹولز، ٹیمپلیٹس، اور جزوی آٹومیشن موجود تھی۔ جو چیز ہر چیز کو سست کر رہی تھی، وہ مراحل کے درمیان موجود تھی۔ کانٹیکسٹ بدلنا۔ آؤٹ پٹس کا باہمی تطبیق کرنا۔ بکھری ہوئی معلومات کے درمیان یکساں انداز میں فیصلہ سازی کا اطلاق کرنا۔ اصل لاگت صرف وقت نہیں تھی، بلکہ ذہنی بوجھ تھا۔
یہیں سے زاویۂ نظر بدل گیا۔
یہ پوچھنے کے بجائے کہ AI کام کو ابتدا سے انتہا تک کیسے انجام دے سکتا ہے، ہم نے یہ پوچھنا شروع کیا کہ یہ کام کرنے والے لوگوں کی مدد کیسے کر سکتا ہے۔ اگر AI ان حصوں کو سنبھال لے جو توانائی نچوڑ لیتے ہیں، مگر اختیار چھینے بغیر، تو کیا ہو؟ اگر یہ منظم مسودے تیار کر دے، عدم مطابقت کو نمایاں کرے، اور اپنی استدلالی بنیاد کو واضح کر دے، تاکہ ماہرین سیٹ اپ کے بجائے فیصلہ سازی پر توجہ دے سکیں، تو کیا ہو؟
جب یہ طریقۂ کار عملی طور پر نافذ ہوا، تو اس کا اثر واضح طور پر محسوس ہونے لگا۔
ٹیموں میں، بار بار ہونے والے تجزیاتی کام کے لیے سائیکل ٹائم 80 سے 90 فیصد تک کم ہو گیا۔ دستی غلطیاں، خاص طور پر ان عملوں میں جہاں ریکنسلی ایشن زیادہ تھی، نمایاں طور پر کم ہو گئیں۔ اتنا ہی اہم یہ تھا کہ ان ٹیموں کے درمیان آؤٹ پٹس زیادہ یکساں ہو گئے جو پہلے ایک ہی کام کو قدرے مختلف طریقوں سے انجام دیتی تھیں۔ اوسطاً، کنسلٹنٹس کو ہر ماہ تقریباً 40 سے 50 گھنٹے واپس ملے، جو اب زیادہ قدر والے غور و فکر پر صرف کیے جا سکتے تھے۔
لیکن سب سے دلچسپ تبدیلی اعداد و شمار میں نہیں تھی۔
وہ اس بات میں تھی کہ لوگ اپنے کام کے بارے میں کیسے بات کرتے تھے۔ جائزے زیادہ پُرسکون ہو گئے۔ گفتگو زیادہ مرکوز ہو گئی۔ سینئر ریویورز نے یہ جانچنے میں کم وقت صرف کرنا شروع کیا کہ آیا سب کچھ درست ہے، اور اس پر زیادہ وقت لگانا شروع کیا کہ نتائج کا اصل مطلب کیا ہے۔
وقت کے ساتھ، یہ نظام ایک ایسے ٹول کی طرح محسوس ہونا بند ہو گیا جسے لوگوں کو استعمال کرنا پڑتا ہو۔ یہ کام کرنے کے ایک مشترک طریقے کی طرح محسوس ہونے لگا، جو خاموشی سے اس بات کو جذب کر رہا تھا کہ فیصلے کیسے کیے جاتے ہیں، اور آئندہ تجزیوں میں اسی کو منعکس کر رہا تھا۔
اس تجربے نے ایک اور بات کو بھی مضبوط کیا جس پر ہم طویل عرصے سے یقین رکھتے آئے ہیں۔ زیادہ عمومی ذہانت کی طرف پیش رفت ان نظاموں سے نہیں آئے گی جو پیچیدہ شعبوں میں ماہرین کی جگہ لینے کی کوشش کرتے ہیں۔ یہ ان نظاموں سے آئے گی جو ماہرانہ سوچ کے گرد رگڑ کو کم کریں اور اسے تقویت دیں۔
ان engagements میں، AI نے قدر اس لیے پیدا نہیں کی کہ وہ خودمختار تھا، بلکہ اس لیے کہ وہ اشتراکی تھا۔ اس نے لوگوں کے لیے فیصلے نہیں کیے۔ اس نے انہیں بہتر فیصلے کرنے میں، اور زیادہ تیزی سے، مدد دی۔
اگر اس بات کا کوئی ابتدائی اشارہ ہے کہ AGI جیسے نظام سب سے پہلے کہاں اہم ثابت ہوں گے، تو وہ یہی ہے۔ مکمل خودکاری میں نہیں، بلکہ بڑے پیمانے پر انسانی فیصلہ سازی کی معاونت میں۔
خودکاری سے leverage کی طرف یہی تبدیلی تھی جس نے اصل فرق پیدا کیا۔
