Tiimin jokaisella jäsenellä on hieno tekoälylisenssi. Muutama tiimiläisistä saa sillä paljon aikaan. Silti asiakkaan tarjous odottaa hyväksyntää yhtä kauan kuin ennen, raporttien korjauskierrokset jatkuvat ja kiire näyttää tutulta. Isossa kuvassa muutosta ei ole tapahtunut.

Tällaisessa tilanteessa kannattaa katsoa, miten työ kulkee ihmiseltä toiselle. Nopeasti valmistunut luonnos voi jäädä odottamaan seuraavaa hyväksyntää. Hyvä kokeilu voi jäädä yhden osaajan tietokoneelle. Uusi työväline voi myös muuttaa työntekijän vastuuta tavalla, josta kukaan ei ole keskustellut.

Tekoälyn muutosjohtaminen tarkoittaa näiden asioiden ratkaisemista: ihmisillä on aikaa oppia, yhteistä työtä muutetaan, vastuut sovitaan ja tuloksia seurataan. Tekniikan pitää silti toimia. Huono lähtöaineisto, väärät käyttöoikeudet tai tehtävään sopimaton malli voivat estää onnistumisen aivan yhtä varmasti kuin epäselvä työnjako.

Tämä opas auttaa esihenkilöä, tiiminvetäjää ja yrittäjää viemään yhden rajatun työnkulun kokeilusta yhteiseksi käytännöksi. Alussa käymme läpi viisi osa-aluetta ja niiden tutkimuspohjan. Plus-osassa rakennamme niistä 30 päivän kokeilun, jossa tarjousluonnoksen tekeminen toimii läpi kulkevana esimerkkinä. Työpohjat sopivat myös raportointiin, asiakaspalveluun ja muihin toistuviin tietotyön tehtäviin.

Lisenssimaksu näkyy laskulla. Harjoitteluun, lähtöaineiston kunnostamiseen ja yhteisen työohjeen tekemiseen käytetty aika näkyy usein vain täytenä kalenterina. Jos tälle työlle ei varata tilaa, käyttöönotto jää helposti innokkaimpien työntekijöiden ylimääräiseksi tehtäväksi.

BCG:n 10–20–70-ohjenuora auttaa tarkastelemaan painotusta. Siinä kymmenen prosenttia kehityspanoksista kohdistuu algoritmeihin, kaksikymmentä dataan ja teknologiaan sekä seitsemänkymmentä ihmisiin, prosesseihin ja kulttuurin muutokseen. Kyse on ponnistelujen suuntaamista koskevasta periaatteesta. Se ei tarkoita, että tutkimuksessa olisi mitattu täsmälleen 70 prosentin osuus tekoälyn tuottamasta arvosta. Se ei myöskään määrää jokaisen yrityksen eurobudjettia. BCG:n alkuperäinen kuvaus.

Pk-yrityksessä olennainen päätös voi olla hyvin arkinen: mistä tehtävästä työntekijä vapautetaan silloin, kun hän harjoittelee? OECD:n seitsemässä maassa tekemä pk-yrityskysely kuvaa koulutuksen esteiksi muun muassa ajan ja resurssien puutetta. Suomi ei ollut kyselyn maissa mukana, mutta kysymys oppimisajan järjestämisestä osuu suoraan pienen tiimin arkeen. OECD: Generative AI and the SME Workforce.

Budjettiin kuuluvat siksi myös prosessin omistajan työ, lähituki, tarkistaminen ja ylläpito. Ulkopuolinen koulutus voi auttaa, mutta sen jälkeen jonkun pitää sovittaa opittu oman työn lähtöaineistoon, laatuvaatimuksiin ja päätöksiin.

Älä rakenna budjettia automaattisella kertoimella, jossa koulutus maksaisi aina viisi tai kymmenen kertaa lisenssit. Laske tarvittava työ. Pieni valmis palvelu ja laaja järjestelmäintegraatio tarvitsevat erilaista panostusta. Molemmissa pitää nimetä ihminen, joka vastaa siitä, että kokeilu todella etenee.

Jos tavoite ja omistaja ovat vielä avoimia, AI-Sanomien tekoälystrategia pk-yritykselle auttaa kokoamaan käyttötapaukset, vastuut ja mittarit yhdeksi suunnitelmaksi.

Tekoälyllä voi nopeuttaa yksittäistä työvaihetta ja silti säilyttää prosessin suurimman ongelman. Tarjousluonnos syntyy nopeasti, mutta hinnasto on vanhentunut. Raportin teksti valmistuu, mutta luvut pitää poimia kolmesta järjestelmästä. Asiakasvastaus on sujuva, mutta kukaan ei tiedä, kuka saa luvata hyvityksen.

McKinseyn maaliskuussa 2025 julkaisemassa tutkimuksessa työnkulkujen uudelleensuunnittelulla oli 25 tutkitusta organisaatiotekijästä vahvin yhteys vastaajien ilmoittamiin generatiivisen tekoälyn vaikutuksiin liikevoitossa. Kyse oli heinäkuussa 2024 kerätystä kyselyaineistosta ja yhteyksien analyysistä. Tulos ei todista, että prosessin uudistaminen yksin aiheutti paremman tuloksen. Se antaa silti hyvän syyn tutkia koko työnkulkua. McKinseyn tutkimus ja menetelmä.

Lähde liikkeelle asiakkaan tai työn seuraavan vastaanottajan tarpeesta. Miltä hyväksytty lopputulos näyttää? Mitkä tiedot se vaatii? Mitä vaiheita tarvitaan edelleen ja mitä tehdään vain vanhasta tottumuksesta?

Tekoäly voi esimerkiksi koota tarjouspyynnön tiedot ja luonnostella vastauksen. Samalla voidaan poistaa saman tiedon kopiointi useaan muistioon. Ihmiselle jäävät asiakkaan tilanteen tulkinta, hinnan ja toimituslupauksen tarkistaminen sekä päätös tarjouksen lähettämisestä. Jos tietoa puuttuu, työnkulku palautuu selvitykseen.

Suunnittele tekoälyä hyödyntävä prosessi nykyisten mahdollisuuksien pohjalta. Kaikkea ei kuitenkaan tarvitse automatisoida eikä toimivaa käytäntöä purkaa vain uudistamisen vuoksi. Säilytä vaiheet, jotka ehkäisevät todellisia virheitä tai tuottavat asiakkaalle arvoa.

Rakenna ohje osista, joita pystyy muuttamaan erikseen: lähtöaineisto, tekoälyn tehtävä, tarkistus ja hyväksyntä. Mallin tai työkalun vaihtuessa testaat muuttuneen osan ja sen vaikutuksen kokonaisuuteen. Työn tavoitteen ja vastuun ei tarvitse vaihtua jokaisen tuoteuutisen mukana.

Yhteisen toimintatavan kuvaamiseen sopii SPDD-kehoteoppaan ajatus kehotteesta ylläpidettävänä työohjeena. Hyvä tulos pitää voida toistaa myös silloin, kun alkuperäinen tekijä on lomalla.

Työntekijälle muutos voi tarkoittaa paljon enemmän kuin uuden käyttöliittymän opettelua. Jos hänet on vuosia tunnettu parhaana raportinkirjoittajana, ensimmäisen luonnoksen siirtäminen tekoälylle voi herättää kysymyksen oman osaamisen arvosta. Pelkkä ohje käyttää työkalua enemmän jättää tämän kysymyksen ratkaisematta.

Poisoppiminen tarkoittaa tässä tarpeettomasta rutiinista luopumista. Toimialaosaamista tarvitaan edelleen oikean ongelman määrittelyyn, poikkeusten tunnistamiseen ja lopputuloksen arviointiin. Taitojen kehittäminen on hyödyllistä, kun se kytkeytyy muuttuvaan työhön. Pelkkä uusi työkalu vanhan tehtävälistan päälle voi jäädä vajaaksi.

Tutkimuskaan ei tue yhtä kaikille sopivaa oppimispolkua. Vuonna 2025 julkaistussa, 5 172 asiakaspalvelijaa käsitelleessä tutkimuksessa tekoälyapu paransi tuottavuutta keskimäärin, mutta hyödyt vaihtelivat kokemuksen ja aikaisemman suoriutumisen mukaan. Vähemmän kokeneet hyötyivät enemmän. Kyse oli tietystä asiakaspalveluympäristöstä, ei kaikkia ammatteja tai ikäryhmiä koskevasta säännöstä. Brynjolfsson, Li ja Raymond: Generative AI at Work.

Valmis työsuoritus ja oppiminen ovat myös eri asioita. Anthropicin pienessä satunnaistetussa ohjelmointikokeessa tekoälyapua saaneiden välittömän osaamistestin keskiarvo oli 50 prosenttia ja vertailuryhmän 67 prosenttia. Koe koski uuden ohjelmointikirjaston opiskelua, ja siinä oli 52 osallistujaa. Se ei osoita, että tekoäly heikentäisi kaikkien osaamista, mutta muistuttaa arvioimaan oppimista erikseen valmistuneesta tehtävästä. Tutkimuksen kuvaus ja rajaukset.

Hyvä harjoitus sisältää siksi myös selittämistä: miksi tämä vastaus on hyväksyttävä, mistä sen tiedot tulevat ja missä tilanteessa se olisi väärä? Uutta taitoa opeteltaessa kannattaa välillä tehdä vastaava pieni tehtävä ilman valmista tekoälyvastausta.

Työajalle ei tarvita mielivaltaista tekoälykiintiötä. Paul Leonardin ja Tsedal Neeleyn digitaalisen ajattelun 30 prosentin sääntö tarkoittaa riittävää ymmärrystä teknisistä aiheista. Se ei tarkoita, että kolmannes työpäivästä pitäisi käyttää tekoälyn kanssa. Neeleyn oma selitys.

Koulutuspäivä voi antaa hyvän alun. Seuraavat kysymykset syntyvät usein vasta omassa työssä: saanko käyttää tätä aineistoa, miksi vastaus meni väärin ja miten kollegan onnistunut kokeilu sopii minun tehtävääni?

Viikoittainen harjoittelu tuo nämä kysymykset näkyviin. Käsiteltävä asia voi olla yksi onnistunut työnkulku, yksi virhe ja yksi seuraava kokeilu. Tarkoitus on parantaa omaa työtä. Kaikkia uusia malleja tai ominaisuuksia ei tarvitse käydä läpi.

Gallupin helmikuussa 2026 keräämässä yhdysvaltalaisessa aineistossa työntekijät arvioivat väitettä, jonka mukaan tekoäly oli muuttanut työn tekemistä heidän organisaatiossaan. Täysin samaa mieltä olleiden osuus oli 9,3-kertainen niiden joukossa, jotka olivat täysin samaa mieltä myös esihenkilön aktiivista tekoälytukea koskevasta väitteestä. Vertailuryhmänä olivat muut vastaajat. Vertailu koski organisaatioita, joissa tekoälytyökaluja oli tarjolla. Luku kuvaa koettua tukea ja koettua muutosta, ei yhdeksänkertaista tuottavuutta tai todistettua syy-seuraussuhdetta. Gallupin tutkimus.

Esihenkilön tuki näkyy käytännössä kalenterissa, omassa esimerkissä ja esteiden poistamisessa. Johtaja voi tuoda harjoitukseen oman keskeneräisen tehtävänsä ja näyttää myös sen, miten hän tarkistaa tekoälyn vastauksen. Silloin keskustelu ei jää työntekijöiden käyttömääriin.

Modernan aiempi käyttöönotto tarjoaa yhden esimerkin yhteisestä oppimisesta. OpenAI:n asiakaskuvauksen mukaan yritys muodosti sisäisen tekoälytukijoiden ryhmän, järjesti kyselytunteja ja ylläpiti foorumia, jolla oli 2 000 viikoittaista aktiivista osallistujaa. mChatin oli ottanut käyttöön yli 80 prosenttia henkilöstöstä. Luvut ovat yrityksen ilmoittamia ja peräisin toimittajan asiakaskuvauksesta. Ne eivät osoita koulutuksen erillistä tulosvaikutusta. Modernan toimintatavat.

Kirjautumiset kertovat työkalun käytöstä. Yrityksen kannalta on olennaista, syntyykö hyväksyttävä lopputulos sujuvammin ja muuttuuko mahdollinen ajansäästö hyödyksi.

BBVA kertoi marraskuussa 2024, että 83 prosenttia ensimmäisistä 3 000 lisenssinsaajasta käytti ChatGPT Enterprisea viikoittain noin viisi kuukautta käyttöönoton jälkeen. Käyttäjäryhmän rajaus on olennainen: kyse ei ollut 83 prosentista koko pankin henkilöstöä. Erillisessä vuoden 2025 asiakaskuvauksessa kerrotaan 250 johtajan koulutuksesta. Näistä ei voi päätellä, että juuri tämä koulutus aiheutti aiemman käyttäjäryhmän käyttöasteen. BBVA:n vuoden 2024 julkaisu ja johtajakoulutuksen kuvaus.

Pidä omassakin seurannassa erillään kolme tasoa. Ensimmäinen kertoo, onko yhteinen toimintatapa käytössä ja pystyykö toinen ihminen toistamaan sen. Toinen kertoo työn laadusta ja sen valmistumiseen kuluvasta kokonaisajasta. Kolmas kertoo toteutuneesta hyödystä, kuten puretusta työjonosta, paremmasta palvelusta tai vähentyneestä ylityöstä.

Myös tutkimus erottaa yksilön tehtävät yhteisistä rutiineista. NBER:n vuonna 2025 julkaisemassa kuuden kuukauden kenttäkokeessa seurattiin tekoälytyökalun saaneiden työntekijöiden ajankäyttöä. Kokeen jälkipuoliskolla eli kuukausina 4–6 heidän sähköpostiin käyttämänsä aika oli keskimäärin 1,4 tuntia viikossa pienempi kuin vertailuryhmällä. Kokousajassa ei havaittu merkitsevää muutosta. Koe kattoi 7 137 työntekijää 66 yrityksessä, mutta ei mitannut yrityksen rahallista tulosta. Dillon ym.: Shifting Work Patterns with Generative AI.

Esihenkilön tehtävä on sopia, mitä työntekijältä odotetaan muuttuneessa työssä. Arvioinnissa voi näkyä esimerkiksi yhteisen ohjeen parantaminen, virheen tunnistaminen tai kollegan auttaminen. Tekoälykeskustelujen määrä tai pituus ei yksin osoita hyvää työtä. Myös perusteltu päätös olla käyttämättä tekoälyä voi olla oikea ratkaisu.

Kun aikaa vapautuu, sopikaa sille käyttökohde yhdessä. Jos kapasiteetti käytetään asiakastyöhön, seuratkaa, toteutuuko asiakastyö. Jos tavoitteena on vähentää kiirettä, kysykää myös työn kuormituksesta. Pelkkä laskennallinen tuntisäästö ei vielä pienennä palkkakuluja.

Seuraava toteutusmalli on AI-Sanomien käytännön sovellus. Aikataulu, työpohjat ja esimerkkiluvut eivät ole tutkimuksissa osoitettu onnistumiskaava. Neljässä viikossa tavoitteena on saada yhdestä työnkulusta päätöksentekoon riittävää tietoa. Koko organisaation muutos vie oman aikansa.