當我們最初開始與四大談論 AI 時，對話推進得出奇地快。沒有冗長的開場，也不需要解釋為甚麼 AI 很重要。幾乎一開始，合夥人和高級顧問就開始談論他們的時間實際上花在哪裏。不是花在決策或洞察上，而是花在準備工作上。從不同系統提取數據、對齊數字、確保分析符合內部標準，然後人們才有可能開始思考結果究竟意味著甚麼。
令我們印象深刻的是，這些工作沒有一項是低價值的。它們都是必要的。但同時也令人筋疲力盡。經驗非常豐富的人，每天都要花上很大一部分時間，只是為了走到真正思考可以開始的那一步。
隨著對話持續深入，他們梳理出了數十個以上 AI 可以發揮作用的流程。報告、合規、財務控制、稅務分析、內部審查。表面上看，這像是一個典型的自動化問題。 其實不是。
這些流程中的大多數，其實早已有工具、模板和部分自動化。真正拖慢一切的，是步驟與步驟之間的部分：切換語境、對齊輸出結果、在碎片化資訊之上持續一致地運用判斷。真正的成本不只是時間，而是認知負荷。
也就是在那一刻，我們改變了問題的框架。
我們不再問 AI 如何端到端完成整項工作，而是開始問，它如何支援正在做這些工作的人。如果 AI 能處理那些消耗精力的部分，同時又不奪走控制權，會怎樣？如果它能準備結構化草稿、指出不一致之處，並讓自己的推理過程清晰可見，讓專家把注意力放在判斷而不是前置準備上，會怎樣？
當這種方法正式上線後，影響很快變得具體可見。
在各個團隊中，重複性分析工作的週期時間縮短了 80 到 90 percent。人工錯誤，尤其是在大量對賬流程中，明顯下降。同樣重要的是，過去以略有不同方式處理同類工作的團隊，如今輸出結果變得更加一致。平均而言，顧問每月重新獲得了大約 40 到 50 小時，現在可以投入到更高價值的思考之中。
但最有意思的變化，並不在數字上。
而是在於人們談論自己工作的方式。審查變得更從容，討論變得更聚焦。高級審查者花更少時間檢查一切是否正確，花更多時間討論結果實際上意味著甚麼。
隨著時間推移，這套系統不再像是一個人們不得不用的工具。它開始更像是一種共享的工作方式，悄悄吸收決策是如何作出的，並在之後的分析中把這些方式反映回來。
這段經驗也再次印證了我們長久以來的一個信念。通往更通用智能的進展，不會來自那些試圖在複雜領域取代專家的系統。它會來自那些能減少專家思考周邊摩擦，並將其放大的系統。
在這些合作中，AI 創造價值的方式，不是靠自主運作，而是靠協作。它沒有替人作決定，而是幫助他們更快作出更好的決定。
如果有一個關於類 AGI 系統最先會在哪裡發揮重要作用的早期訊號，那就是這裡。不是在於全面自動化，而是在大規模情境下支援人類判斷。
這種轉變——從自動化走向槓桿效應——正是帶來差異的關鍵。
