Tekoälystä puhutaan usein kuin yhdestä tappavasta iskusta tietotyölle. Ensin meillä on nykyinen työelämä, sitten tulee LLM-malli ja sen johdosta valtaosa toimistotyöstä katoaa.

Ero kuulostaa pieneltä, mutta suomalaiselle yritykselle se on koko tekoälystrategian alku. Jos automatisoit väärän asian, saat nopeamman version vanhasta prosessista. Kun ymmärrät, missä työssä arvo syntyy, voit rakentaa uuden toimintatavan.

Evans vertaa nykyistä tekoälyhetkeä taulukkolaskennan syntyyn. Kun VisiCalc tuli markkinoille 1970-luvun lopulla, kirjanpitäjille ja talousihmisille se oli välitön järkytys. Työ, joka vei viikon, tapahtui yhtäkkiä sekunneissa.

Juristille tai toimittajalle sama työkalu oli kiinnostava, mutta työn kannalta sivuasia.

Näin kannattaa katsoa myös generatiivista tekoälyä. Ohjelmistokehittäjille Claude Code, Cursor ja muut koodityökalut voivat tuntua samalta kuin VisiCalc talousosastolle. Ennen ja jälkeen. Monessa muussa roolissa muutos tulee epätasaisemmin: osa tehtävistä nopeutuu, osa pysyy lähes ennallaan, osa muuttuu vasta, kun koko prosessi suunnitellaan uudelleen.

Sama tilasto näyttää olennaisen kitkan: vain 15 prosenttia yrityksistä oli dokumentoinut tekoälyohjelmien tai -järjestelmien käyttöön liittyviä ohjeita, käytäntöjä tai toimintatapoja. Käyttö leviää nopeammin kuin johtaminen.

Yrityksen ensimmäinen virhe on ajatella, että tämä on IT-hankinta. Toinen virhe on ajatella, että kyse on pelkästä tuottavuustyökalusta.

Tärkein erottelu on tehtävän ja työn välinen ero.

Tehtävä voi olla koodirivin kirjoittaminen, PowerPoint-esityksen tekeminen, asiakassähköpostin luonnostelu, raportin tiivistäminen tai tietyn tuotteen etsiminen. Tekoäly osuu näihin hyvin. Se on nopea, halpa ja monessa ensimmäisessä versiossa tarpeeksi hyvä.

Työ on usein muuta => Mitä kannattaa rakentaa? Kenelle tuote on? Miksi asiakas ostaisi sen? Miten organisaation sisäinen politiikka vaikuttaa päätökseen? Kuka hyväksyy muutoksen? Mikä on riski, jos tekoäly tekee virheen? Mitä jätetään tekemättä?

Tässä kohtaa moni tekoälyhanke menee vinoon.

Yritys katsoo prosessia ja kysyy: "Minkä vaiheen voimme automatisoida?" Parempi kysymys on: "Mikä tässä työssä on oikeasti vaikeaa?"

Otetaan esimerkiksi suomalainen B2B-myyntitiimi.

Tekoäly voi kirjoittaa ensimmäisen version tarjouksesta. Se voi tiivistää CRM-muistiinpanot, ehdottaa vastauksia asiakkaan kysymyksiin ja tehdä kilpailijavertailun. Kauppa ei silti synny siksi, että tarjous on kirjoitettu nopeasti. Kauppa syntyy, kun myyjä ymmärtää asiakkaan päätöksenteon, taloudellisen paineen, sisäiset vastustajat ja ostajan henkilökohtaisen riskin.

Sama koskee juridiikkaa. Tekoäly voi laatia sopimusluonnoksen ja etsiä puuttuvia ehtoja. Vastuunjako, neuvotteluasema, riskin hinnoittelu ja asiakkaan luottamus eivät kuitenkaan katoa malliin.

Sama koskee ohjelmistokehitystä. Tekoäly voi tehdä koodia. Vaikeampi kysymys on, mitä koodia kannattaa tehdä ja millainen järjestelmä kestää tuotantokäytön, tietoturvan, ylläpidon ja asiakkaan muuttuvat tarpeet.

Työmarkkinakeskustelu jää usein kiinni yhteen kysymykseen: montako työpaikkaa tekoäly poistaa?

Kun jokin halpenee, sitä tehdään usein enemmän. Excel ei poistanut investointipankkiireja, vaikka se automatisoi valtavan määrän laskentaa. Ohjelmistokirjastot, käyttöjärjestelmät ja kehitysympäristöt eivät poistaneet ohjelmoijia, vaikka ne kirjoittivat kehittäjien puolesta paljon sellaista, mikä ennen piti tehdä käsin.

Ne muuttivat tekemisen kohdetta.

Tämä ei tarkoita, etteikö työpaikkoja katoaisi. Kyllä niitä katoaa. Varsinkin tehtävissä, joissa työ koostuu lähes kokonaan toistettavasta digitaalisesta käsittelystä eli yksittäisistä tehtävistä. Yrityksen kannalta olennaisempi kysymys on, mihin vapautunut kapasiteetti siirtyy.

Jos säästetty aika muuttuu paremmaksi asiakastyöksi, nopeammaksi tuotekehitykseksi tai laadukkaammaksi päätöksenteoksi, tekoäly kasvattaa tekemistä. Jos säästö valuu vain henkilöstökustannusten leikkaamiseen, vaikutus jää kapeaksi. Usein myös lyhytnäköiseksi.

Evansin yksi käytännöllisimmistä huomioista koskee konsultteja ja forward-deployed engineer -rooleja. Yrityksillä ei yleensä ole viiden tai kymmenen ihmisen vapaata tiimiä odottamassa, että joku keksii uudistaa sisäiset työnkulut.

Tekoälyn käyttöönotto on projekti. Ensin pitää tunnistaa prosessit. Sitten pitää valita mallit ja työkalut. Sen jälkeen ne pitää yhdistää CRM:ään, ERP:iin, dokumentteihin, tietovarastoihin, asiakaspalveluun ja raportointiin. Lopuksi ihmiset pitää kouluttaa uuteen työtapaan.

Suomalaisessa keskisuuressa yrityksessä tämä näkyy yleensä näin:

Tässä on tyhjä tila. Se yritys, joka nimeää omistajan ja rakentaa järjestelmällisen toimintamallin, pääsee edelle. Muut jäävät kokeilukulttuuriin, jossa jokainen tekee pieniä parannuksia omassa nurkassaan.

Nappaa sitoumukseton etäkahvittelu aika niin jaan ideoitani ja ajatuksiani aiheesta.

Suhtaudun epäilevästi ajatukseen, että kaikki AI:n tuottama arvo jäisi malliyhtiöille. Evansin kätevänä vertauksensa on pilvi- ja teleinfra: teknologia voi olla valtavan monimutkaista ja silti matalan katteen infrastruktuuria, jos asiakkaalle ei lopulta ole väliä, minkä toimittajan päällä sovellus pyörii.

Tämä on suomalaiselle yritykselle tärkeä muistutus.

Tekoälystrategiaa ei kannata rakentaa sen varaan, että yksi malli voittaa kaiken. Mallit vaihtuvat, hinnat laskevat ja ominaisuudet kopioituvat. Se, mikä tänään tuntuu taialta, on ensi vuonna perusominaisuus.

Jos olet tilitoimisto, et voita sillä, että käytät "parasta mallia". Voitat, jos rakennat asiakkaan kirjanpidon, kassavirtaennusteen, verosuunnittelun ja neuvonnan ympärille palvelun, jota kilpailijan on vaikea kopioida.

Jos olet teollisuusyritys, malli ei ole ydinetu. Ydinetu on tuotantodata, laatujärjestelmä, huoltohistoria, toimitusketjun ymmärrys ja kyky viedä tekoäly osaksi työnjohtoa.

Jos olet ohjelmistoyritys, malli on rakennuspalikka. Arvo syntyy käyttöliittymästä, työnkulusta, asiakkaan ongelman ymmärtämisestä ja siitä, että ratkaisu on kiinni arjen järjestelmissä.

Tästä analyysi muuttuu tekemiseksi. Suomalainen yritys voi aloittaa tekoälytyön neljän laatikon mallilla. Eli aletaan hommiin!

Näitä ovat toistuvat, matalan riskin ja helposti tarkistettavat tehtävät.

Esimerkkejä:

Näissä kannattaa edetä nopeasti. Rajaa käyttötapaus, tee ohje, määritä tarkistusvastuu ja mittaa ajansäästö.

Näissä virheen hinta on korkeampi tai konteksti vaatii kokemusta.

Esimerkkejä:

Näissä tekoälyn rooli on analyytikko, ei päätöksentekijä. Ihminen hyväksyy, hylkää ja kantaa vastuun.

Näitä ei pidä kiirehtiä automaatiolistalle.

Esimerkkejä:

Tekoäly voi valmistella näitä. Se voi tehdä taustamuistion, ehdottaa kysymyksiä ja simuloida vaihtoehtoja. Työ on silti ihmisen.

Tähän kuuluvat korkean riskin päätökset, henkilötietojen herkkä käsittely, säädellyt prosessit ja tilanteet, joissa virhe voi aiheuttaa isoa vahinkoa.

Näissä yrityksen pitää ensin rakentaa hallintamalli: mitä dataa saa käyttää, mihin malli saa koskea, kuka hyväksyy tuotokset, miten lokit säilytetään ja miten virheet käsitellään.

Tekoälystrategia jää helposti kalvoihin. Tässä käytännön malli, jolla keskisuuri suomalainen yritys pääsee liikkeelle.

Kerää jokaisesta tiimistä 10-20 toistuvaa tehtävää. Älä kysy "mihin voisimme käyttää tekoälyä". Kysy:

Tuloksena syntyy tehtäväkartta.

Valitse yksi pilotti myynnistä tai asiakaspalvelusta, yksi hallinnosta ja yksi tuotannosta tai tuotekehityksestä.

Hyvä pilotti on pieni mutta toistuva. Esimerkiksi:

Pilotti epäonnistuu, jos siitä tulee "tutkitaan mahdollisuuksia" -hanke. Päätä etukäteen, mitä mitataan: aikaa, laatua, läpimenoaikaa, asiakastyytyväisyyttä vai virheiden määrää.

Tämä on se kohta, jossa moni yritys hyytyy. Demo toimii. Arki ei.

Kirjoita ohjeet. Määritä, mitä dataa saa käyttää. Päätä, kuka tarkistaa tekoälyn tuotoksen. Tee mallivastaukset ja kieltoesimerkit. Kouluta käyttäjät. Sovi, miten palautetta kerätään.

Kolmen kuukauden jälkeen jokaisesta pilotista pitää tehdä päätös:

Skaalaus tarkoittaa omistajaa, budjettia ja prosessimuutosta. Korjaus tarkoittaa rajattua muutosta. Lopettaminen on täysin hyväksyttävä tulos, jos siitä opittiin jotain.

Tekoäly on iso asia. Se ei silti poista tarvetta johtaa, valita ja ottaa vastuuta.

Suomalaiselle yritysjohdolle tästä seuraa viisi käytännön ohjetta.

Ensinnäkin: älä mittaa tekoälyn arvoa vain säästettyinä tunteina. Mittaa myös nopeampia päätöksiä, parempaa palvelua, lyhyempää läpimenoaikaa ja uusia mahdollisuuksia.

Toiseksi: älä jätä tekoälyä yksilöiden harrastukseksi. Jos jokainen työntekijä rakentaa omat kehotteensa ja käyttää omaa dataansa, tuottavuus paranee hetken mutta riskit kasvavat.

Kolmanneksi: rakenna sisäinen tekoälyomistajuus. Se voi olla pieni tiimi, mutta sillä pitää olla valta muuttaa prosesseja. Pelkkä työkalulisenssien jakaminen ei riitä.

Neljänneksi: suojele junioripolkua. Jos tekoäly tekee kaikki aloittelijoiden tehtävät, yritys säästää tänä vuonna ja menettää osaajat viiden vuoden päästä. Juniorien pitää oppia tekoälyn kanssa, ei jäädä sen alle.

Viidenneksi: älä rakastu malliin. Rakenna kyky vaihtaa mallia, pitää data omissa käsissä ja arvioida tuotoksia kriittisesti.

Tekoälyn vaikutus ei ole tasainen aalto, joka pyyhkii kaiken yli. Se on sarja pieniä mutta kertyviä muutoksia työn sisällä.

Jotkin tehtävät halpenevat. Jotkin katoavat. Jotkin lisääntyvät, koska niitä on yhtäkkiä varaa tehdä enemmän. Osa työstä muuttuu arvokkaammaksi juuri siksi, että sitä on vaikea automatisoida.

Yrityksellä ei ole varaa odottaa, että markkina kertoo lopputuloksen. Sen pitää itse selvittää, mikä sen työssä on tehtävää ja mikä työtä.

Tekoäly ei kysy, onko yrityksellä tekoälystrategia. Se muuttaa kustannuksia joka tapauksessa. Voittajia ovat ne, jotka huomaavat ajoissa, missä arvo syntyy.

Tekoäly voi olla voimakas työkalu, ja näiden aloittelijaystävällisten vaihtoehtojen avulla voit hyödyntää sitä omissa projekteissasi – olipa kyseessä sisällöntuotanto, ohjelmointi, markkinointi tai oppiminen.

Jos kaipaat koulutusta tekoäly-työkalujen käyttöön, nappaa tästä sitoumukseton etäkahvitteluaika ja jutellaan tarpeistasi 👇