AI FOMO – 2020-luvun yrityspäättäjien viheliäinen vitsaus
Tekoälyn kehitys etenee huimaa vauhtia, ja monen mielessä kalvaa ajatus: hyödynnetäänkö AI:n mahdollisuuksia tehokkaammin muualla? Efiman Senior Advisor Jani Lahtinen pureutuu tähän ilmiöön – onko AI FOMO:lle syytä, ja mikä olisi paras resepti pelkoon jäädä paitsi tekoälyn hyödyistä?
FOMO, Fear of missing out = pelko siitä, että jää jostakin paitsi, tai että ei ole perillä jostakin ilmiöstä tai tapahtumasta
Helposti hurmaantuvana tekniikkanörttinä tunnistan usein säntäileväni uusien lelujen perässä kuin lapsi jouluaattona – sekä piilevän kateuden siitä, että naapurin Janilla saattaa olla vielä jännemmät lelut kuin tällä Janilla. Tekoälykenttä on kehittynyt erityisesti viimeisen vuoden aikana uskomattomalla nopeudella. Monen mieltä kalvaa ehkä ajatus, että kilpailijoilla on nyt varmasti paremmat ja hienommat AI-välineet kuin meillä. ”Siellä ne nyt tiristävät toimitusketjusta viimeisetkin säästettävissä olevat sentin puolikkaat, kun me täällä vasta pohditaan, että mitä näille kymmenille eri Exceleille tekisi. Tehkää nyt joku jotain! Ollaan kortistossa koko porukka vuoden päästä tällä menolla!”
Tekoälyn on povattu, luvattu ja peloteltu muuttavan maailmaa ja työelämää nopeasti ja peruuttamattomasti. Kuitenkin Gartnerin 2024 tekoälyn hypekäyrän (AI Hype Cycle) mukaan nyt ollaan vasta ensimmäisen kolmanneksen kohdalla, pudotuksessa kohti pettymysten aallonpohjaa (Trough of Disillusionment). Arvion mukaan kestää vielä 2–5 vuotta ennen kuin loikoillaan tuottavuuden vehreillä tasangoilla. Hätää ei siis ole, mukaan ehtii hyvin ja voi jopa hetken odottaakin, jotta markkinasta karsiutuu heikompia teknologioita pois. Mutta jos menohaluja olisi, mistä pitäisi aloittaa?
Perusasioista. Niistä on aina hyvä aloittaa. Pohdi missä kunnossa datasi on. Kuinka paljon hyvälaatuista rakenteellista dataa, kuten perustietueita ja transaktioita, teillä on? Entä rakenteetonta tai jopa proosallista dataa? Kuten monimutkaisia sopimuksia, tai onko myyntiriveillä syyllistytty käyttämään paljon ”kaatokoodi + vapaa teksti -kuvaus myydystä tuotteesta” -tyyppisiä oikoteitä? Ensimmäisten ideoiden joukossa tulee helposti mieleen, voisiko AI ratkaista vuosien varrella mädäntyneen liikekumppani- tai tuoterekisterin perustiedot? Eipä oikein. Tähän pätee sama kultainen sääntö kuin järjestelmähankkeisiin yleisesti: roskaa sisään, roskaa ulos.
Entä yrityksen arkkitehtuuri kokonaisuutena ja nykyisten järjestelmien rajapinnat? Minkälaiset ovat mahdollisuudet yhdistää useita tietolähteitä AI:n käyttöön? Mihin ”kohtaan” yrityksen arkkitehtuuria AI-työkalu halutaan tai tarvitaan? Tietyn tyyppinen ratkaisu voi toimia tehokkaimmin taustapalveluna sisäisessä käytössä, kun taas asiakasrajapintaan vaaditaan erilaista toteutustapaa ja muokattavuutta. Nykyiset ratkaisut ja uudet kehitysideat voi luokitella esimerkiksi arkkitehtuurikerroksittain. Yksi hyvistä menetelmistä aihioiden jäsentelyyn on Gartnerin Pace Layering, joka jaottelee ratkaisut kolmeen kerrokseen: innovaatio-, erottautumis- ja kirjausjärjestelmien kerrokseen. Joka kerroksessa tarvitaan erilaista muutos- ja kehitysnopeutta ja siten myös erilaista teknistä ratkaisukokonaisuutta.
.png?width=3023&height=1740&name=Blogien%20kuvituskuvat%20(2).png)
Tekoälyn sovellusideoita voi jäsennellä arkkitehtuurikerroksittain, mukaillen Gartnerin Pace Layering -mallia
Entä mihin tekoälyn käyttöönotolla lopulta pyritte – suurempaan lisäarvoon vai kustannusten viilaukseen? Haluatteko tuottaa parempia ostokokemuksia ja sitä kautta saavuttaa myynnin ja asiakasuskollisuuden kasvua? Vai onko tavoitteena oman toiminnan tehostaminen ja kulujen optimointi? Onko ideasta rakennettavissa uskottava business case?
Kannattaa uhrata ajatusta myös jalkautukselle ja muutosjohtamiselle: millä todennäköisyydellä teknisesti upeasti toteutettu ratkaisu voi jäädä vajaakäytölle alkuinnostuksen jälkeen? Kuinka varmistatte, että tekoälystä tulee luonteva osa arkea?
Entä mistä löytyvät ne liiketoimintaprosessien kipupisteet, joihin tekoälystä voisi olla eniten apua? Jos AI on uusi työkalu, kannattaa keskittyä matalalla roikkuviin hedelmiin: selkeisiin, helposti ymmärrettäviin käyttötapauksiin, joissa on oikeasti järkeä. Vaikka sellaisiin, jotka helpottavat arkisia, hitaita tai ikäviä työtehtäviä, kuten tiedon etsiminen valtavasta määrästä dokumentaatiota tai asioiden manuaalinen kirjaaminen. Lopuksi pysähdy vielä hetkeksi ja harkitse, tarvitaanko käyttötapaukseen itse asiassa tekoälyä, vai riittääkö vaikka perinteinen automaatio saman hyödyn saavuttamiseksi. Liiketoimintaongelmia ei ole ennenkään ratkottu teknologia, vaan tarve edellä – tekoälyn hohto silmissä moni saattaa unohtaa tämän perusperiaatteen.
Summa summarum – ei, et ole ollenkaan myöhässä AI:n kanssa, eikä tarvitse erityisesti hätäilläkään. Tärkeämpää on suunnitella huolellisesti, mistä ja miten aloittaa. Eihän kukaan toivo, että tekoälyhankkeelle käy kuten alkuvuonna hankituille salikortille; siitä puhutaan paljon ja vähän vertaillaankin. Monilla on myös oma sellainen, mutta vain harvat käyttävät sitä koko rahan edestä. ????
----
Autamme avoimissa kysymyksissä – varaa tekoälysparraus asiantuntijoidemme kanssa
Parhaat hyödyt tekoälylle tunnistetaan yhdessä asiakkaan kanssa: ymmärtämällä asiakkaan liiketoimintahaasteita syvällisesti ja muotoilemalla niihin tarkoituksenmukaisia ratkaisuja. Tällä reseptillä olemme päässeet useiden asiakkaidemme kanssa tekoälystä tekoihin.
Efima tarjoaa maksuttomia tekoälysparrauksia yrityksille, jotka kaipaavat tukea ensimmäisiin tekoälyhankkeisiinsa ja keskustekukumppania mieltä askarruttaviin kysymyksiin. Sparraukset on suunnattu suurten ja keskisuurten yritysten liiketoiminnan, talouden ja tietohallinnon päättäjille sekä asiantuntijoille.
Kirjoittaja
Jani Lahtinen
Senior Advisort
Efima Oyj
Kirjoitus on julkaistu aiemmin Efiman sivuilla.
Efima - Asiantuntijat ja yhteyshenkilöt
Efima - Muita referenssejä
Tilaaja suosittelee!
Efima - Muita bloggauksia
ite wikin yrityshaku »
Kaikki it-alan työpaikat »
ite wikin referenssihaku »
Kaikki it-alan tapahtumat »
ite wikin julkaisuhaku »
