Monessa yrityksessä AI ja sen hyödyntäminen on arkipäivää. Hyödyt esimerkiksi ohjelmistokehittämisessä ja asiakaspalvelussa näyttäisivätkin olevan kiistattomia.
Käydessämme keskusteluja eri toimialoilla toimivien eri kokoisten yritysten johdon kanssa, on käynyt ilmi, että monissa yrityksissä ollaan vielä hyvin matalalla kypsyystasolla ihan perusasioiden kanssa. Pyrimmekin tässä kirjoituksessa antamaan tällaisessa tilanteessa oleville yrityksille kättä pidempää ensiaskeleiden ottamiseksi AI:n hyödyntämisessä.
Miten asiaa pitäisi lähestyä?
AI:n hyödyntämistä pohtiessa yleinen virhe on ajatella sitä vain teknologiaprojektina. Todellisuudessa kyse on yrityksen AI-kyvykkyyden vaiheittaisesta rakentamisesta. Kyvykkyys koostuu aina osaamisesta, toimintatavasta, tiedosta sekä teknisistä ratkaisuista. Yrityksen AI-kyvykkyyden kasvattamiseksi on kehitettävä kaikkia näitä osa-alueita.
Karkeasti jaotellen AI-kyvykkyyden hyötyjen voidaan nähdä ilmenevän yrityksissä kolmella tasolla:
- Yksilön työ
- Yrityksen prosessit
- Ekosysteemi ja verkostot
AI:n jäsentäminen kyvykkyytenä ja tarkastelu yllä olevista kolmesta näkökulmasta auttaa jäsentämään kokonaisuutta ja antaa eväitä matkalle kohti systemaattista arvonluontia.
Kyvykkyyslähtöisen kehittämisen periaatteita olen käsitellyt aiemmassa kirjoituksessani. Tässä kirjoituksessa keskitymme tarkastelemaan esitettyjä kolmea hyödyntämisnäkökulmaa.
1. Yksilön työ: nopeimmin saatavilla olevat hyödyt
AI:n hyödyntämisen luonnollisin lähtöpiste on yksilön oma arki. AI on tässä kontekstissa ennen kaikkea ajattelun ja tiedon käsittelyn kiihdytin.
AI tiedonhaun nopeuttajana
Asiantuntijatyössä suuri osa ajasta kuluu tiedon etsimiseen, lukemiseen ja tiivistämiseen. AI ei korvaa asiantuntijaa, mutta se tehostaa asiantuntijatyötä esimerkiksi auttamalla tiivistämään suuria tietomääriä, vertailemaan vaihtoehtoja, selkeyttämään monimutkaisia kokonaisuuksia eri näkökulmista sekä jäsentämään hajanaista tietoa selkeäksi kokonaisuudeksi.
AI ajattelun sparraajana
AI toimii parhaimmillaan “toisina aivoina”. Moni yllättyy siitä, kuinka paljon omaa ajattelu tehostuu, kun sitä peilaa AI:n avulla. Esimerkkejä tästä ovat ideoiden pallottelu, tuotoksen rakenteen luonnostelu, omien argumenttien testaaminen ja vastanäkemysten tuottaminen sekä erilaisten hypoteesien haastaminen.
AI rutiinityön poistajana
Sähköpostien ja dokumenttien luonnostelu, muistioiden tiivistys ja dokumenttien muokkaus eivät useinkaan ole asiantuntijatyön tuottavinta osaa.
Jos AI hoitaa ensimmäisen version, asiantuntija voi keskittyä priorisointiin, päätöksentekoon ja vuorovaikutukseen.
Esimerkki: Me Reflectorilla olemme tunnistaneet omassa työssämme jo kymmeniä kohtia, joissa yksittäisen asiantuntijan työtä voidaan AI:n avulla helpottaa. Olemme koostaneet näitä hyviä käytänteitä tietämyskirjastoomme ja jakaneet niitä myös asiakkaidemme kanssa.
Miten liikkeelle?
- Tunnistakaa organisaatiostasi henkilöt, jotka ovat jo kokeilleet AI:ta työssä ja pyytäkää heitä kertomaan kokemuksia ja käyttövinkkejä muille.
- Keskustelkaa asiantuntijoidenne kanssa yhdessä, missä kohtaa työpäivää toistamme samaa ajattelua ja teemme rutiininomaisia, toistuvia työtehtäviä.
- Jakakaa hyväksi todettuja käytänteitä ja koostakaa niitä esim. ”AI-playbookiin”.
- Muistakaa linjata alusta alkaen myös eettiset ja tietoturvaan liittyvät periaatteet ja kouluttakaa henkilöstöä siitä, mihin AI:ta voi käyttää ja mihin ei.
- On hyvä ymmärtää esimerkiksi ilmaisten työkalujen vs. Microsoft CoPilotin käytön erot ja konteksti: ilmaiset työkalut saattavat käyttää syötettyä luottamuksellista materiaalia kielimallin opettamiseen, jolloin tieto vuotaa julkiseen käyttöön.
- Seuratkaa yksilötason kehittymistä säännöllisellä maturiteettikyselyllä. Näin saatte tietoa siitä, miten yksilöiden osaaminen kehittyy. Hyödyntäkää tässä esimerkiksi Reflectorin AI-kypsyystason arviointimallia. Ota yhteyttä, niin kerron tästä mielelläni lisää.
2. Yrityksen taso: prosessien uudelleenajattelu
Kun asiantuntijat hyödyntävät AI:ta, syntyy paikallista tehokkuutta. Todellinen vaikutus saavutetaan kuitenkin vasta, kun tarkastellaan työnkulkuja ja prosesseja. Tässä kohtaa monet organisaatiot tekevät virheen “liimaamalla AI:n” vanhaan prosessiin. Sen sijaan parempi lähtökohta on kysyä: ”Jos rakentaisimme tämän prosessin tänään alusta AI:n kanssa, miltä se näyttäisi?”
Standardoi ennen automaatiota
AI ei korjaa sekavaa prosessia, eikä se korjaa huonolaatuista dataa. Ennen käyttöönottoa (esim. AI-agentit) on hyvä varmistaa, että prosessi on kuvattu ja ymmärretty, vastuut ovat selkeät, data on jäsennelty, hyvälaatuista ja saatavilla ja että tavoitteet parannukselle on asetettu ja ne ovat myös mitattavissa.
Ilman selkeitä tavoitteita AI voi tuottaa epäjohdonmukaisia tuloksia. Esimerkkejä tavoiteltavista hyödyistä ovat ajansäästö, läpimenoajan lyheneminen, virheiden väheneminen sekä asiakastyytyväisyyden ja liikevaihdon kasvu.
Kun vaikutus tehdään näkyväksi, AI muuttuu kokeilusta strategiseksi.
Tunnista korkean volyymin kohdat
Suurin hyöty syntyy toistuvissa ja skaalautuvissa vaiheissa. Kun volyymi on suuri, pienikin tehostuminen kertautuu merkittäväksi. Tyypillisiä esimerkkejä tästä ovat esimerkiksi asiakaspalveluprosessit, tarjousten ja sopimusten laadinta, raportointi, dokumenttien vastaanotto ja käsittely sekä ennustaminen ja analytiikka. Huomioi kuitenkin se, että asiakkaihin ulottuvat prosessit vaativat erityishuomiota mm. AI-ratkaisujen luotettavuuden ja tietoturvan näkökulmasta.
Ota ihminen osaksi silmukkaa
Parhaat ratkaisut eivät korvaa ihmistä, vaan vahvistavat häntä. On hyvä ymmärtää, että AI ei ole täysin autonominen ratkaisu, vaan ihmisellä on keskeinen rooli tässä (Human-In-The-Loop -malli). Ratkaisut, joissa AI ehdottaa, ihminen arvioi ja AI oppii palautteesta, tuottavat pitkällä jänteellä parhaat tulokset ja mahdollistavat myös tehokkaamman riskien hallinnan.
Esimerkki: Olemme kehittäneet Reflectorilla myyntiprosessimme tueksi AI-avusteisen tietämyksen hallintaratkaisun, joka keskustelevasti auttaa konsulttejamme kollegoiden osaamisen, tehdyistä asiakasprojekteista saatujen kokemusten sekä oman tarjoamamme ja työkalujemme jäsentämisessä.
Miten liikkeelle?
- Prosessilähtöisyys: Kerätkää yhteen tietyn liiketoiminta-alueen avainhenkilöt. Hyödyntäkää olemassa olevia prosessikuvauksia tai mallintakaa prosessi kevyesti ymmärtääksenne nykytilanteen ja sen haasteet. Pohtikaa yhdessä, miltä prosessi voisi näyttää, jos se nyt suunnitteltaisiin huomioiden AI:n mahdollisuudet. Jos ideat rajoittuvat vain nykytilan ongelmakohtien ratkaisuun, kannattaa mielessä pitää myös perinteisemmän tietojenkäsittelyn mahdollisuudet.
- Data-lähtöisyys: Käyttäkää organisaation datamallia tai jos sitä ei ole, tunnistakaa organisaation keskeiset datajoukot edes kevyesti. Pohtikaa, millaista arvoa datalla voitaisiin tuottaa, jos sitä hyödynnettäisiin laajemmin. Jos data olisi AI:n tukemana paremmin hyödynnettävissä, minkä prosessivaiheiden suorittamisessa sitä voisi hyödyntää tai mitä lisäarvoa vaiheeseen voisi tuottaa?
3. Ekosysteemin taso: kilpailuetua verkostossa
Ekosysteemitasolla organisaatiot, asiakkaat, kumppanit, teknologia ja data kytkeytyvät toisiinsa luoden arvoa. Ekosysteeminäkökulma vaatiikin usein ajattelutavan muutosta.
AI ei ole enää vain työkalu organisaation oman tehokkuuden parantamiseen. Se on mahdollisuus rakentaa uusia tapoja tehdä yhteistyötä, jakaa tietoa ja luoda arvoa yhdessä. Yksittäinen toimija ei enää ratkaise menestystä. Ratkaisevaa on se, kuinka hyvin koko verkosto toimii yhteen.
Ekosysteemissä oppiminen kertautuu. Kun yksi toimija parantaa vaikkapa ennustemallia, kehittää tehokkaamman prosessin tai löytää uuden datalähteen, koko verkosto voi hyötyä, jos rakenteet mahdollistavat tiedon jakamisen. Tämä vaatii luottamusta, pelisääntöjä ja selkeitä datan hallintamalleja.
AI siirtää kilpailun tasoa
Perinteisesti yritykset ovat kilpailleet tuotteilla, hinnalla tai brändillä. AI:n aikakaudella kilpailu siirtyy datan laatuun ja sen saatavuuteen, kykyyn oppia nopeammin kuin muut, yhteistyön sujuvuuteen sekä ekosysteemin kokonaistehokkuuteen.
Arvo syntyy rajapinnoissa
Suurimmat mahdollisuudet eivät välttämättä ole organisaation sisällä, vaan sen rajapinnoissa esimerkiksi asiakkaan ja palveluntarjoajan välillä, toimitusketjun eri vaiheiden välillä, julkisen ja yksityisen sektorin välillä tai datan tuottajien ja hyödyntäjien välillä.
AI voi toimia “tulkkina” eri toimijoiden välillä: se yhdistää dataa, tunnistaa riippuvuuksia ja tuo näkyväksi asioita, joita yksittäinen organisaatio ei näe.
Miten liikkeelle?
Yksittäisten hyödyntämiskohteiden tunnistamisen sijaan ekosysteemitasolla strateginen kysymys kuuluukin:
- Ymmärrämmekö, mikä on meidän roolimme toimintaympäristön AI-vetoisessa ekosysteemissä?
- Olemmeko datan tuottaja vai hyödyntäjä, analytiikan kehittäjä, palvelun tarjoaja vai verkoston yhdistäjä?
Ne organisaatiot, jotka ymmärtävät tämän ajoissa, eivät ainoastaan paranna omaa toimintaansa, vaan vaikuttavat koko toimintaympäristön kehityssuuntaan ja vastavuoroisesti hyötyvät muiden toimijoiden kehittymisestä.
Esimerkki: Raaka-ainetoimittajat, tuotteen valmistaja, logistiikkakumppanit ja jälleenmyyjät jakavat omat tietonsa toimitusketjusta avoimesti. Yrityskohtaisten osaoptimointien sijaan AI auttaa optimoimaan toimitusketjua kokonaisuutena hyödyttäen kaikkia toimijoita.
Yhteenveto
Kyse on lopulta valinnoista ja suunnasta. Rakennetaanko AI:ta vain sisäisen tehokkuuden parantamiseksi vai nostetaanko kunnianhimon tasoa markkinan ja liiketoimintamallien uudelleenmuotoiluun? Jälkimmäinen tulee erottamaan seuraajat suunnannäyttäjistä.
AI-kehittämisessä tärkeintä ei ole teknologia. Tärkeintä on systemaattinen eteneminen.
- Kehitä omalle organisaatiollenne yhteiset käytänteet AI:n hyödyntämiskohteiden tunnistamiseen ja priorisointiin.
- Älä ajattele AI:ta yksittäisenä projektina, vaan organisaation laajuisen kyvykkyyden kehittämisenä, kaikki sen näkökulmat huomioiden.
- Aloita yksilöstä ja skaalaa prosesseihin tietoturva ja -suoja huomioiden.
- Aseta tavoitteet ja mittaa hyötyjä.
- Lähde liikkeelle pienesti, mutta ajattele isosti. Mieti myös yrityksesi roolia osana laajempaa ekosysteemiä.
