當我們一開始和四大談論 AI 時，對話推進得出乎意料地快。沒有冗長的開場，也不需要解釋 AI 為什麼重要。幾乎立刻，合夥人和資深顧問就開始談起他們的時間實際上花在哪裡。不是花在決策或洞察上，而是花在準備工作上。從不同系統拉取資料、對齊數字、確保分析符合內部標準，之後人們才能真正開始思考結果代表什麼。
讓我們印象深刻的是，這些工作沒有一項是低價值的。它們都是必要的。但它們同時也令人疲憊。經驗非常豐富的人，每天有很大一部分時間都花在只是努力把事情推進到能開始真正思考的那個階段。
隨著對話持續進行，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、範本和部分自動化。真正拖慢一切的，是步驟與步驟之間的部分：情境切換、對齊不同輸出、在零散資訊之間一致地運用判斷。真正的成本不只是時間，而是認知負荷。
也就是在那時，問題的框架改變了。
我們不再問 AI 如何端到端完成工作，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，同時又不拿走控制權，會怎樣？如果它能先準備好結構化草稿、標示出不一致之處，並讓它的推理過程清楚可見，讓專家能把注意力放在判斷而不是前置準備上，會怎樣？
當這種做法正式上線後，影響很快就變得具體可見。
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，尤其是在大量需要對帳的流程中，明顯下降。同樣重要的是，過去以略有不同方式處理相同工作的團隊，如今產出的結果變得更加一致。平均而言，顧問每月重新拿回了大約 40 到 50 小時，現在可以用在更高價值的思考上。
但最有意思的改變，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。資深審查者花更少時間確認一切是否正確，而把更多時間用來討論結果實際上代表什麼。
隨著時間過去，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，安靜地吸收決策是如何做出的，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一件我們長期以來深信的事。通往更通用智慧的進展，不會來自那些試圖在複雜領域取代專家的系統。它會來自那些能降低專家思考周邊摩擦、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。它不替人做決定，而是幫助人們更快做出更好的決定。
如果說有哪個早期訊號能顯示類 AGI 系統會最先在哪裡發揮重要作用，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。
真正帶來差異的，正是這種從自動化轉向槓桿化的轉變。
