Firmojen tietotyöhenkilöstö keskimäärin pelkää tekoälyä, ja pelko tulee vain kasvamaan ajan mukana. Samasta pelon ilmapiiristä johtuen AI -porukalle ei kehdata edes asettaa oikeasti mitattavia tavoitteita. Tekoälystä on vaikea käydä relevanttia ja avointa keskustelua johdon kanssa; ei tunnu löytyvän näkyvyyttä oman organisaation tekoälyfiiliksiin, vaikka AI:n pelkääminen kramppaa merkittävällä tasolla porukan työkykyä. Ei tarvitse edes miettiä innovaatioita tai uusiutumiskykyä, vaan ihan perustekemisen tasolta löytyy jo paljon yskimistä jolle ei keskimäärin osata tehdä mitään. Vielä nyt yritysten ei ole pakko valita isoja koneoppimisinvestointejaan, mutta henkilöstöinvestointien tarkistamiseen on jo kiire.

Henkilöstöllä ei keskimäärin voi olla realistista käsitystä oman työnsä tulevaisuudesta, kun suurimmalla osalla aiheeseen perehtyneistäkään ei sitä ole. Kun yhdessä pelätään, niin organisaatiotasolla työtavat ja kulttuuri muuttuvat heikompaan suuntaan kenenkään edes tiedostamatta asiaa.

Yrityksen operatiivisten prosessien läpikäynti AI -näkökulmasta on vaativa harjoitus organisaatiolle, mutta se kannattaa koska tekoälyssä piilee pohjaton rahareikä. Hyvin samankaltaisiin perusprosesseihin – jotka edustavat valtaosaa useimpien yritysten prosesseista – tehdyillä AI -investoinneilla kun pysytään ainoastaan kilpailijoiden perässä. Isossa kuvassa raakadata kertaa 10x on ainoa merkittävä erottelija. Kilpailijoita parempien tulosten saavuttaminen vaatisi huomattavaa, jopa alkuperäisiä henkilöstökustannuksia korkeampaa rahankäyttöä. Koneoppimisella kisaaminen tulee siis tällä alueella olemaan ajan ja rahan hukkaa. Parempi investoida viimeisenä, kun vouhottajat ovat jo maksaneet oppirahat ja kehityskulut toimittajille. Pelkän odottelun sijaan kannattaisi kuitenkin katsoa henkilöstöä, johon esitän alla metodia.

Tekoälyn kolme koria

1 Henkilöstökori

Prosessit joissa voidaan olla kilpailijoita parempia vain henkilöstön voimin. Nämä prosessit viestitään tässä muodossa henkilöstölle, ja niihin investoidaan, ja ne luovat uskoa ja poistavat pelkoa.

2 Reaktiivisen koneoppimisen kori

Prosessit, joissa kilpailijoiden kanssa suunnilleen yhteneväiset datat ja kalusto. Oman ratkaisun kehittäminen on aina kallista, mietittävä mitä oikeasti saavutetaan investoinnilla. Pääosin odota ja seuraa muita -lähestyminen.

3 Proaktiivinen koneoppiminen

Prosessit, data ja osaaminen joita ei muilla ole. Omiin ratkaisuihin investoimalla voidaan päästä muutama vuosi edelle kilpailijoista.

Tuollaisen jaottelun tekeminen on toki erittäin vaativa harjoitus ja edellyttää kohtalaisen vahvaa, jopa umpimähkäistä ennustamista. Toisaalta jos onnistuu edes kohtalaisesti edes ensimmäisen korin muodostuksessa ja toimii sen pohjalta, saavuttaa jo välittömiä tuloksia. Muiden korien sisältöä voi sitten ruveta tarkistamaan esimerkiksi kerran kvartaalissa.

Solidabikseen kannattaa olla yhteydessä, jos kokee tässä esitetyn resonoivan oman henkilöstön kanssa. Tulemme mielellämme sparraamaan aiheesta ja meiltä löytyy myös valmiita ratkaisumalleja.

Kirjoittaja: Antti Kirves, Solidabis OY

Antti on alun perin rahoituksen KTM Aalto-yliopistolta, mutta ei ole tuntenut suurta vetoa pankkihommia kohtaan. Teknologia on vienyt miehen mukanaan ja perusluonteeltaan sangen avoin Antti on nykyään myös multisertifioitu introvertti koodari. Monipuolisen taustansa ansiosta Antti osaa huomioida bisneshyödyt ja katsella asioita vähän laajemminkin, kuin mitä läppärin näytölle kerralla mahtuu. Solidabiksella Antti työskentelee bisnestä tukevien hankkeiden parissa erityisesti prosessikehityksen, automaation ja ohjelmistorobotiikan parissa.

Yhteydenottolomake

  • Kenttä on validointitarkoituksiin ja tulee jättää koskemattomaksi.