Kavakin tekoälyjohtaja Alejandro Maza kertoi 10. elokuuta 2026 julkaistussa a16z:n videossa, että yhden asiakaskohtaisen agentin oppima korjaus voidaan siirtää yön aikana noin 200 000 muulle agentille.

Latinalaisessa Amerikassa toimiva käytettyjen autojen kauppias rakensi ensin yhteisen tietomallin, joka kattoi auton oston, tarkastuksen, kunnostuksen, myynnin, rahoituksen, takuun ja logistiikan. Vasta tämän päälle tulivat nykyiset tekoälyagentit.

Kavakin perustajan Carlos García Ottatin mukaan agentit ovat nyt mukana yli 95 prosentissa yhtiön asiakasvuorovaikutuksista. Luku on yhtiön johdon oma arvio, ei riippumattomasti auditoitu mittaus. Sekään ei tarkoita, että lähes kaikki Kavakin työ olisi agenttien hoidossa.

Rajaus paljastaa Kavakin tapauksesta olennaisen. Kavakin lähtökohtana oli järjestelmä, joka tietää, mitä asiakkaalle, autolle, hakemukselle ja työmääräykselle tapahtuu seuraavaksi.

Kavak ei ole tavallinen automarkkinapaikka. Se ostaa autot itse, tarkastaa ja kunnostaa ne, myy ne kuluttajille, tarjoaa rahoitusta ja takuita sekä järjestää logistiikkaa.

García Ottati jakaa kokonaisuuden neljään liiketoiminta-alueeseen:

Kun nämä toiminnot kuuluvat samalle yritykselle, jokainen vaihe voi tuottaa seuraavaa vaihetta hyödyttävää tietoa. Ostohinta voidaan suhteuttaa myöhempään kunnostuskustannukseen. Tarkastus voidaan yhdistää takuuvikoihin. Asiakkaan rahoitushakemus voidaan suhteuttaa auton arvoon. Myyntitilanne voidaan välittää logistiikalle ilman käsin tehtyä tiedonsiirtoa.

Kavakin perustajan mukaan yhtiö alkoi kehittää järjestelmää jo vuonna 2017. Hän puhuu yrityksen ontologiasta ja yhteisestä datan valtatiestä. Käytännössä Kavak määritteli, mitä asiakas, auto, hakemus, tarkastus, maksu ja takuutapaus tarkoittavat eri järjestelmissä.

Tämä kuulostaa tekniseltä, mutta ajatus on arkinen. Agentti ei pysty viemään työtä loppuun, jos se ei tiedä asian nykytilaa tai sallittua seuraavaa vaihetta.

AI-Sanomien kuuden kerroksen agenttiarkkitehtuuriopas lähtee samasta periaatteesta: data ja työkalut muodostavat perustan, jolle malli ja orkestrointi rakennetaan.

Kavak kokeili vuoden 2022 lopulla ja 2023 alussa työntekijäkohtaisia tekoälyavustajia. Ajatus oli monille yrityksille tuttu: annetaan työntekijälle työkalu, joka auttaa kirjoittamaan, etsimään tietoa ja tekemään päätöksiä.

Käyttö jäi García Ottatin mukaan heikoksi. Työntekijän piti muistaa avata avustaja, antaa sille oikea konteksti ja muuttaa omaa työskentelyään. Hyöty riippui jokaisen omasta aktiivisuudesta.

Kavak vaihtoi lähestymistapaa. Se alkoi rakentaa agentteja hoitamaan kokonaisia asiakaspolkuja yksittäisten työntekijöiden avustamisen sijasta.

Ensimmäisiin kohteisiin kuuluivat vaikeat prosessit: luotonanto ja asiakkaan tukeminen auton rikkoutuessa. Agentti sai tehtävän, tarvittavat tiedot ja työkalut. Orkestroija arvioi tapauksen monimutkaisuutta ja ohjasi vaikeat tilanteet ihmiselle.

Haastattelussa García Ottati kertoo yhden myyntipolun agentin saavuttaneen 1,5-kertaisen tuloksen parhaaseen työntekijään verrattuna.

Työnkulun muutos on lukua olennaisempi. Aiempi avustaja odotti työntekijän kehotetta. Uudessa mallissa prosessin tapahtuma käynnisti agentin automaattisesti. Sama ajatus on loop engineeringin ytimessä: toimiva agenttisilmukka tarvitsee herätteen, tavoitteen, lähteet, tarkistuksen ja pysäytysehdon.

García Ottati sanoi helmikuussa 2026 agenttien olevan mukana 90–95 prosentissa asiakasvuorovaikutuksista. Koko haastattelusta käy ilmi rajaus, joka lyhyistä somepäivityksistä helposti katoaa.

Luku koskee asiakaskohtaamisia. Kavakin taustaprosesseissa on edelleen tavallisia ohjelmistoja ja perinteisempiä koneoppimismalleja. Esimerkiksi hinnoittelussa ja laskutuksessa ei haastattelun mukaan hyödynnetty agentteja yhtä laajasti.

Myös 200 000 agentin luku tarvitsee saman rajauksen. Se voi tarkoittaa suurta määrää asiakas- tai tehtäväkohtaisia agentteja, ei 200 000 toisistaan riippumatonta digitaalista työntekijää. Kavak ei ole avannut laskentatapaa julkisesti. He tosin mainitsevat, että jokainen asiakas saa oman virtuaalitietokoneen minkä sisällä on asiakkaalle räätälöity AI-agentti. Tämän agentin tavoitteena on maksimoida asiakkaan ns. life-time-value.

Haastattelun ja muun lähdeaineiston perusteella voidaan hahmotella seuraava työnjako. Luettelo on AI-Sanomien synteesi, ei Kavakin julkaisema arkkitehtuurikuvaus:

Kuvaus ei vastaa täysin autonomista yritystä. Luottopäätökset, autojen turvallisuus ja asiakkaiden suuret rahalliset sitoumukset vaativat rajat, lokituksen ja ihmisen hyväksynnän. AI-agentin turvallisuusopas käy läpi samat tuotantokäytön periaatteet oikeuksista pysäytysmekanismeihin.

Kavakin rahoituksesta löytyy kaksi erillistä julkista kokonaisuutta. Kavak Crédito palvelee autonostajia, kun taas Kuna on Kavak Aliados -jälleenmyyjäverkostossa tarjottu autoluottopalvelu. Niiden lukuja ei pidä yhdistää yhdeksi käsittelyajaksi.

Kavak kertoi marraskuussa 2025, että seitsemän kymmenestä Meses-tuotteen hakijasta sai ennakkohyväksynnän. Yhtiön mukaan 40 prosentilla asiakkaista ei ollut aiempaa luottohistoriaa. Palvelu on tarkoitettu myös ihmisille, joille perinteinen luottopisteytys antaa vähän tietoa.

Kuna puolestaan mainostaa vastausta tai hyväksyntää alle kahdessa minuutissa. Sivun mukaan neljä viidestä hakemuksesta hyväksytään, ja palvelu on myöntänyt yli 60 000 autoluottoa.

Käytetyn auton kaupassa tieto jakautuu epätasaisesti. Myyjä tuntee auton historian paremmin kuin ostaja. Ostaja ei tiedä varmasti auton kuntoa. Rahoittajan pitää arvioida sekä asiakkaan maksukykyä että vakuutena olevan auton arvoa.

El Universalin haastattelun mukaan Kavakin algoritmi käyttää julkista markkinadataa osto- ja myyntihintojen määrittämiseen. AWS:n asiakastarinassa Kavakin datajohtaja kuvaa koneoppimisen käyttöä hinnoittelussa, suosituksissa, luottopisteytyksessä ja tarkastettavien osien priorisoinnissa.

Jokainen ostettu ja myyty auto voi kasvattaa aineistoa. Kavak voi saada tietoa siitä, paljonko tietyn mallin kunnostus maksoi, kuinka nopeasti auto meni kaupaksi, millä hinnalla kauppa syntyi ja ilmenikö takuuaikana vikoja.

Tämä voi pienentää epävarmuutta. Julkiset lähteet eivät silti kerro hinnoittelumallien tarkkuutta tai sitä, kuinka paljon järjestelmä on vähentänyt petoksia ja tappioita. Siksi Kavakia ei voi lähteiden perusteella pitää todistettuna petostorjunnan menestystarinana.

Kavakin omistama kunnostusprosessi antaa yhtiölle mahdollisuuden oppia auton koko elinkaaresta.

Jos tarkastus ei löydä vikaa ennen myyntiä ja auto palaa takuuhuoltoon, tieto voidaan kytkeä takaisin tarkastus- ja hinnoitteluprosessiin. Toistuva vika voi vaikuttaa siihen, mitä seuraavasta samanlaisesta autosta tarjotaan ja mitä siitä tarkastetaan ennen myyntiä.

Julkisessa aineistossa on myös vastanäyttöä. Quatro Rodas raportoi vuonna 2023 brasilialaisasiakkaiden takuulaskuista ja kuukausia kestäneistä huolloista. Kavak tunnisti osan ongelmista ja kertoi toimintojen uudelleenjärjestelystä.

Raportti ei välttämättä kuvaa nykyistä toimintaa toisessa maassa. Se muistuttaa kuitenkin, että hyvä tietomalli ei korvaa korjaamon kapasiteettia, varaosia tai toimivaa asiakaspalvelua.

Väitettä mekaanikkoja valmentavasta tekoälystä ei voitu vahvistaa. Myöskään tekoälyn aiheuttamasta takuuvaatimusten vähenemisestä ei löytynyt riittävää julkista näyttöä.

Kavak käyttää generatiivista tekoälyä myös markkinoinnissa. Smartlyn asiakastarinan mukaan Kavak otti Scene Generation -työkalun käyttöön ensin Chilessä ja laajensi käytön Meksikoon.

Työkalu vaihtaa auton ympärille tekoälyllä luotuja taustoja. Samasta autokuvasta voidaan tehdä eri paikkoihin, yleisöihin ja mainoskanaviin sopivia versioita ilman erillisiä kuvauksia kutakin versiota varten.

Esimerkki osoittaa silti järkevän työnjaon. Generatiivinen tekoäly tuottaa hallittuja variaatioita, ja kampanjadata kertoo, mitkä versiot toimivat. AI-Sanomien tekoäly markkinoinnissa -opas auttaa suunnittelemaan vastaavan pilotin työnkulun ja valitsemaan sille mittarit.

Kavak ei ole julkaissut valmista viisikerroksista arkkitehtuurikaaviota. Seuraava malli on koottu tämän artikkelin lähteistä.

Kerrokset auttavat myös valitsemaan oikean tekniikan. Hintamallin ei tarvitse keskustella asiakkaan kanssa. Asiakaspalveluagentin ei pidä keksiä luottopäätöstä. Orkestroijan tehtävä on siirtää tietoa ja vastuuta oikeaan paikkaan, ei korvata jokaista järjestelmää yhdellä kielimallilla.

Kavakin vahvin näyttö koskee tätä rakennetta. Taloudellisista tuloksista löytyy pääosin yhtiön ja teknologiatoimittajien omia lukuja. a16z on lisäksi Kavakin sijoittaja. Siksi tapausta kannattaa käyttää suunnittelumallina, ei todisteena siitä, että sama rakenne tuottaa automaattisesti saman tuloksen toisessa yrityksessä.

Suomalaisyritysten tekoälyn käyttö on levinnyt nopeammin kuin yhteisiä strategioita ja ohjeita on laadittu. Tätä kuilua avaa tarkemmin AI-Sanomien katsaus tekoälyn käytöstä suomalaisissa yrityksissä.

Kavakin tapauksesta voi johtaa kuuden kohdan etenemismallin.

Rajaa prosessi, jolla on selvä alku ja loppu. Esimerkiksi tarjouspyyntö alkaa asiakkaan yhteydenotosta ja päättyy hyväksyttyyn tarjoukseen, hylkäykseen tai siirtoon ihmiselle.

Määrittele, mitä asiakas, tuote, tapaus, hyväksyntä ja poikkeus tarkoittavat eri järjestelmissä. Agentti tarvitsee yhteisen kielen ennen kuin se voi toimia niiden välillä.

Keskustelu ei vielä muuta prosessia. Agentin pitää pystyä hakemaan ajantasainen tieto, tekemään rajattu toimi ja kirjaamaan tulos takaisin järjestelmään.

Määritä euromääräiset, juridiset ja asiakassuhteeseen liittyvät rajat. Mitä vakavampia seuraukset voivat olla, sitä herkemmin tapaus siirtyy ihmiselle.

Nopea läpimenoaika ei riitä. Seuraa myös oikaisuja, palautuksia, reklamaatioita, asiakastyytyväisyyttä ja myöhemmin syntyviä kustannuksia. Kavakin takuudata havainnollistaa, miksi prosessin loppupään tapahtumat pitää kytkeä alkuvaiheen päätöksiin.

Kavak uudisti samaan aikaan organisaatiotaan, leikkasi kustannuksia ja henkilöstöä, kehitti rahoitusta ja sopeutui käytettyjen autojen markkinaan. Tulosten vertailu ennen muutosta ja sen jälkeen ei kerro, kuinka suuri osa tuloksesta syntyi agenteista.

Ensimmäisen työnkulun voi rajata tällä minipohjalla:

Jos kohtia ei pysty täyttämään ilman arvauksia, organisaatio tarvitsee ensin prosessityötä. Agentin rakentaminen voi odottaa.

Kavakista saa helposti rakennettua kertomuksen digitaalisesta työvoimasta, joka hoitaa yritystä lähes itsenäisesti. Julkiset lähteet tukevat varovaisempaa ja käytännöllisempää tulkintaa.

Yhtiö rakensi vuosien ajan yhteistä dataa, prosessien tiloja ja järjestelmäkytkentöjä. Kun kielimallit kypsyivät, agentit saivat valmiin ympäristön, jossa toimia. Ihmiset jäivät käsittelemään vaikeita ja riskialttiita tapauksia. Perinteinen koneoppiminen jatkoi tehtävissä, joihin se sopi paremmin.

Jos suomalainen yritys aloittaa tavoittelemalla näyttävää agenttimäärää, se aloittaa väärästä päästä. Kopioitava osa on toimintakerros: yhteiset käsitteet, rajatut työkalut, selkeät pysäytysehdot ja palaute, joka kertoo päätöksen todellisen laadun.

Lisää tekoälyoppaita ja -uutisia: aisanomat.fi