Osa 2: AI:n aikaansaama paine
FOMO eli Fear Of Missing Out, on nykyaikana yleistynyt ilmiö. Tai ainakin siitä puhutaan entistä enemmän julkisuudessa. Wikipedian mukaan FOMO tarkoittaa ahdistukseen johtavaa uskomusta, että muilla on hauskaa, etkä itse ole paikalla.
Ikävä juttu ihmiselle, mutta ikävä juttu myös yrityksille. FOMO -ajattelua voidaan nimittäin soveltaa nykyhetken kuumimpaan teemaan, AI -hypetykseen. AI on kaikkialla, ilman sitä yritykset eivät voi menestyä, tulevaisuutta ei ole. Jokaisen itseään kunnioittavan yrityksen ja ihmisen pitää pystyä olemaan AI-kehityksen kärkijoukoissa mukana, muuten peli on menetetty. Ja vain muilla on hauskaa.
Lohdutuksen sana: kaikki eivät ole kehityksen kärjessä, AI ei vielä ole kaiken pelastava taikasauva, AI:n synnyttämä liiketoiminnan arvonlisäys on vielä vähäistä suhteutettuna potentiaaliin, muutkin yritykset etsivät vielä punaista lankaa tekoälyn valjastamisessa oman liiketoimintansa tueksi. Oikeastaan ainoa AI:n avulla menestynyttä ja kannattavaa liiketoimintaa aikaansaanut porukka löytyy konsulteista, strategeista, valmentajista, jotka kertovat asiakkailleen, miten AI pelastaa näiden liiketoiminnan ja saa aikaan ihmeitä.
Perusasiat kuntoon
Alkuviikosta kuuntelin Eduhousen webinaarin tekoälystragian luomisesta, asiantuntijana oli tunnettu AI -asiantuntija Mikko Alasaarela. Hänellä oli mielenkiintoista kerrottavaa, erityisesti mieleeni jäi oppimisen merkitys tulevaisuuden kilpailuetuna. Alasaarela korosti, että AI:n kehitys on nopeaa, jolloin korostuu organisaation ja sen henkilöstön kyky oppia uutta mahdollisimman nopeasti. Tätä asiaa käsittelin jo kirjoituksessa Se joka uskaltaa, voittaa. Arie de Geusin lausahdus oppimisena ainoana pysyvänä kilpailuetuna on edelleen lähes 50 vuoden jälkeen erittäin ajankohtainen ja validi.
Toinen hyvä Alasaarelan huomio oli se, että tekoälystrategia ei voi olla irrallinen strategia. Mitä enemmän liiketoimintahyötyjä ja kilpailuetua yritys tavoittelee, sitä kiinteämmin tekoäly on oltava sidottu yrityksen liiketoimintastrategiaan.
Tosiasia on, että AI ei tee huonosti menestyvistä ja kannattavista yrityksistä menestyjiä ja voittajia tulevaisuuden koventuvassa kilpailussa. Menestyjiä ovat ne yritykset, joilla jo tällä hetkellä prosessit ja liiketoiminta ovat riittävän hyvässä kunnossa. Heillä on olemassa kyvykkyys uusien teknologioiden soveltamiseen liiketoiminnassaan kannattavasti ja tehokkaasti. Jos yrityksellä ei tätä kyvykkyyttä ole, hyvätkin tekoälyhankkeet jäävät yksittäisiksi ratkaisuiksi, joiden hyöty liiketoiminnalle jää vähäiseksi.
Mutta myöskään nykyisellä liiketoimintamallilla toteutetut prosessit eivät istu sellaisenaan AI -maailmaan, kuten olen aikaisemmin todennut. Asiasta on tehty paljon selvityksiä ja raportteja, yksi hyvä on PWC:n 2026 AI Business Predictions -raportti. Siinä kerrotaan samaa viestiä kuin muissa vastaavissa: sijoitetun pääoman tuotto AI -kehityksessä on ollut vaatimatonta. Tehokkuushyötyjä siellä, säästöjä täällä, pientä kapasiteettikasvua toisaalla. Tekoälyn käyttö vaikuttavana arvonlisäyksen ajurina on vaikeasti mitattavaa, lisäksi suuri arvonlisäysloikka odotuttaa vielä ilmestymistään.
Myös muut isot konsulttiyritykset McKinsey ja Gartner esimerkiksi tutkivat samaa asiaa. McKinseyn The AI transformation manifesto -raportissa on paljon hyviä havaintoja.
Jotta yritys olisi matkalla oikeasti AI -natiiviksi yritykseksi, on sen muotoiltava uudelleen tuotteet, palvelut, ydinprosessit sekä organisaatiorakenne. Nykyisiä viilaamalla ja tehostamalla hyödyt jäävät pieniksi. Siksi tekoälymuutos lähtee liiketoiminnan perusteista ja niiden siirtämisestä AI -aikaan. Ainakin seuraaviin kysymyksiin on löydettävä vastauksia:
- Kuka on asiakkaamme?
- Mitä asiakkaiden ongelmia ratkaisemme?
- Miten nämä ongelmat ratkaistaan?
- Millä markkinoilla toimimme?
- Keitä ovat kilpailijamme?
- Mitä kilpailukyvykkyyksiä, -kykyjä ja -etuja yrityksellämme on?
- Mikä on datamme laatu tällä hetkellä?
- Missä prosessikohdissa tekoäly tarjoaa eniten hyötyä?
- Miten käytämme tekoälyn säästämät työtunnit korkeamman arvon tehtäviin?
Kysymyksiä on paljon muitakin, nämä olivat esimerkkejä siitä, että tekoäly ei ole teknologia edellä toteutettava hanke, tekoälyn käyttöönotto tapahtuu aina liiketoiminnan tarpeista ja asiakasongelmista lähtien.
Inkrementaalinen kehitys vs koikkaloikka
Automaailmassa Rolls-Royce on ollut yli 100 vuotta laadun synonyymi. 1900 -luvun alussa yrityksen toinen perustaja Henry Royce perfektionistina uskoi, että mikä tahansa tuote voidaan tehdä paremmin kuin aiemmin. Roycen tavoite oli aina tehdä parhaita mahdollisia autoja, uudistaen koko ajan moottoria, alustaa yms. auton osia. Seurauksena oli jatkuvan kehittämisen malli, jossa tiettyä osaa kehitettiin maksimiin asti. Kun tämä piste saavutettiin, aloitettiin siitä uuden osan kehittäminen hyödyntäen vanhan osan oppeja mahdollisimman paljon.
Käytännössä tästä olisi mahdollista piirtää havaintokuva, jossa näkyy useita useita peräkkäisiä S -käyriä. Uusi käyrä alkaa aina siitä, mihin vanha päättyi. Tämä malli kuvastaa hyvin esimerkiksi tekoälyn käyttöönottoa yrityksissä. On luotava perusta, jonka pohjalta luodaan uutta.
Löydät esimerkit peräkkäisistä tekoälyn S-käyristä Työkalut -osiosta. Siellä on myös itsearviointilomake tekoälykehityksen aloittamiseksi.
Koikkaloikka -malli on iso projekti tai hanke, jolla tavoitellaa suurta muutosta nykyhetkeen. Kyseessä voi olla esimerkiksi tuotantoprosessin uudistus, täysin uuden ohjelmiston käyttöönotto esimerkiksi tilitoimistossa tms. merkittävä muutos, jolla on vaikutuksia koko organisaatiossa ja myös asiakaskunnassa.
Inkrementaalinen eli asteittainen kehitys on aina turvallisempi vaihtoehto. Siinä riskit säilyvät vähäisempinä kuin koikkaloikka -mallissa. Myös muutoksen hallittavuus on parempi inkrementaalisessa kehityksessä.
Siksi ne yritykset, jotka vasta opettelevat AI:n käyttöä osana liiketoimintaansa, ovat turvallisemmilla vesillä edetessään vaiheittain yhden ison kehitysloikan sijaan.
Tekoälyteknologian mahdollisuudet
Tekoälyn kehitystahti on niin huima, että perinteisen printtimedian on vaikea pysyä mukana. Aina silloin tällöin eteen tulee julkaisu tai kirja, joka on hyödyllistä lukea. Eräs tälläinen on Terhi Ahon ja Katariina Kovanen-Piipon kirja Kumppanina tekoäly: Uudista tapasi ajatella ja työskennellä. Kirja on julkaistu iäisyys sitten, eli lokakuussa 2025. Se on kuitenkin hyvää perusluettavaa niille, jotka eivät ole vielä kovin syvällisesti perehtyneet tekoälymaailmaan ja sen mahdollisuuksiin. Vaikka asiat ovat edenneet ja muuttuneet kirjan kirjoittamisen jälkeen kovasti, antaa se hyvää ajateltavaa, mitä asioita kannattaa niin henkilötasolla opetella ja perehtyä kuin myös yritystasolla huomioida.
Kirjassa esitelty hyödyllinen lista on erilaisten tekoälyteknologioiden luettelo:
- Koneoppiminen
- Syväoppiminen
- Luonnollisen kielen käsittely
- Konenäkö
- Robotiikka
- Generatiivinen tekoäly
On hyödyllistä ymmärtää, että maailmassa on muitakin tekoälyteknologioita Generatiivisen tekoälyn lisäksi, jonka ympärille suurin huomio keskittyy. Ja moni näistä on liiketoiminnassa edistynyt pidemmälle arvonluonnin apuna kuin Generatiivinen tekoäly. Esimerkiksi älypuhelimissa välttämättömiä teknologoita ovat sekä syväoppimiminen ja luonnollisen kielen käsittely. Netflix ja monet muut palvelut ovat rakentuneet taas koneoppimisen, käytännössä datasta algoritmien avulla tunnistettavien mallien ympärille. Taloushallinnossa monet ohjelmistot käyttävät robotiikkaa, tuotantolaitoksissa robotit ovat jo vuosikausia hoitaneet tuotantolinjoilla asennustehtäviä.
Ja tulevaisuus tuo mukanaan Generatiivisen tekoälyn jälkeen paljon uutta. Tällä hetkellä erityisesti Agenttinen AI saavuttaa lisää huomiota. Siinä missä Generatiivinen tekoäly keskittyy pääasiallisesti esimerkiksi sisällön tuotantoon, tiedonhakuun, yhteenvetojen ja raporttien tekemiseen, koodin luomiseen, Agenttinen AI keskittyy tehtävien suorittamiseen.
Agenttinen AI voi esimerkiksi laatia tarjouspyynnön, lähettää sen toimittajille, seurata ja vertailla vastauksia, ehdottaa valintaa, käynnistää hvyäksymiskierroksen ja luoda tilauksen.
Generatiivisen tekoälyn käytössä ihminen on aina aktiivinen osapuoli, Agenttinen AI toimii itse aktiivisesti, ihmisen rooli on toimia eräänlaisena AI -controllerina, toiminta rajoittuu kriittisten päätöksen tekemiseen. Lisäksi Agenttiselle AI:lle on ulkoistettu osa aikaisemmin ihmiselle kuuluvaa päätösvaltaa.
Toki Agenttisen AI:n laajempi käyttö on kaukana, matkalla on monta haastetta. Esimerkiksi käyttöoikeudet, päätösvallan määrittely, audit trail, tietoturva, ihmisen ja ohjelmiston roolijako, valvonta ylipäätään.
Generatiivista AI:ta voisi verrata assistenttiin, Agenttista AI:ta itsenäisesti toimivaan virtuaaliseen tiimijäseneen.
Tälläkin hetkeillä useihin kielimalleihin on mahdollista luoda agentteja, jotka tekevät määrättyjä tehtäviä ja näiden agenttien toiminta on mahdollista ketjuttaa prosessiksi. Mutta niissä ollaan vielä melko kaukana oikeasta Agenttisesta AI:sta.
Ja kuten olen useassa kirjoituksessa, myös tässä, todennut: Nykyisen prosessin optimointi tekoälyllä tulee olemaan ongelmallista. Mikäli vastuut eivät ole selkeät, data on huonolaatuista ja hajallaan eri paikoissa, päätöksenteko on epäselvää, strategia epäselvä jne, ei lopputulos voi olla hyvä.
Siksi aina kannattaa paneutua ensin perusasioihin, laittaa yrityksen prosessit, hallinto, oikeudet ja muut kuntoon, vaikka tekoälyn käyttöönotto tehtäisiinkin vaiheittaisesti. Ja vasta tämän jälkeen lähteä suunnittelemaan tekoälyhanketta tukemaan ja kehittämään liiketoimintaa.
Sitruunasta ei saa puristamalla appelsiinimehua, vaikka kuinka kovasti yrittäisi ja puristaisi kovaa. Silloin pitää vaihtaa appelsiiniin.
Ensi viikolla jatkan aiheen käsittelyä. Sitä ennen, älä anna FOMO:n iskeä kimppuusi, ainakaan tekoälymaailmassa.
Mukavia lukuhetkiä syyskuun alkuun!
Petri
