Kuinka onnistua tekoälyssä?

Hieman kulahtanut otsikko, mutta kokeillaan saisinko siihen hieman uutta kulmaa. Olen muuten ihan omin pikkukätösin kirjoittanut tämän artikkelin. Tekoäly oli tämän aikaa kahvitauolla.

Luin äskettäin tuoretta Harvard Business Review:n artikkelia «What Companies Succeeding with AI Do Differently» (kirjoittanut Bruce Lawler, Vijay D’Silva ja Vivek Arora). Se pisti pohtimaan myös oman AI- kokemukseni (17+ vuotta ja noin 100 projektia) kautta asiaa. Löytyykö vihdoinkin se lopullinen lista asioista, joissa onnistuminen mahdollistaa tekoälyssä onnistumisen? Graalin malja, josta hörppäämällä kaikki saadaan onnistumaan?

Artikkelissa käytiin läpi MIT:n ja McKinsey:n tekemää kyselytutkimusta (kaksi kierrosta, joista ensimmäinen vuonna 2021 ja toinen 2023 GenAI:n läpimurron jälkeen), jossa oli haastateltu yli sataa yritystä heidän tekoälyn hyödyntämisestään. Tutkimuksen tavoitteena oli tunnistaa seikkoja, jotka erottavat erinomaisia tuloksia tekoälyllä saavuttaneet organisaatiot muusta joukosta.

Vuoden 2021 kierroksella jyvät (huippusuoriutujat) erottuvat akanoista (ei niin hyvin suoriutuvat) edukseen viidellä eri alueella:

• AI- hallintamallit
• Käyttöönoton käytänteet
• Kumppanuudet
• Ihmiset ja osaaminen
• Datan saatavuus

Vuonna 2023 tehdyn toisen haastattelukierroksen päähavaintoina nousi esiin seuraavat kehityskulut:

• Ero jyvien ja akanoiden välillä on kasvanut huomattavasti – tekoälyllä kilpailevien organisaatioiden taloudellinen suorituskyky oli noussut 3.8 kertaiseksi verrattuna akanoihin. Oli luokkaa 2.5 vuonna 2021.
• Tekoälyllä kilpailevien organisaatioiden AI- hankkeiden takaisinmaksuajat ovat parantuneet huomattavasti ollen tyypillisesti 6-12 kuukauden välissä.
• Onnistumisen takaa löytyi yhtenä selittävänä tekijänä paremmat AI- hallintamallit, jotka auttavat organisaatioita löytämään heille parhaat käyttötapaukset – riittävä liiketoimintahyöty sekä toteuttamisen järkevä haasteellisuus. Toisena (luonnollisena) selityksenä oli käytettävissä olevan datan korkeampi laatu. Kolmantena elementtinä tunnistettiin käytettävissä oleva laajempi AI- valmisohjelmistojen ekosysteemi.

Mikä sitten on tämän tutkimuksen mukaan tekoälyssä onnistumisen anatomia? Tutkimus nostaa esiin neljä kriittistä menestystekijää:

1. Ylimmän johdon sitoutuminen AI- kehittämiseen

Vuoden 2023 kyselyssä yli kolmella neljäsosalla tekoälyn kehittämisestä vastaavilla johtajilla oli C-tason sponsori – useimmiten toimitusjohtaja tai hallitus. Tekoälyaloitteiden sijoitetun pääoman tuoton (ROI) määrittäminen on usein vaikeaa: Säästöt eivät välttämättä ole välittömiä, ja jotkut hyödyt, kuten työntekijöiden ajan vapauttaminen lisäarvoa tuottavampaan työhön, ovat epäsuoria. Vaatii johtajuutta päättää edetä ja ohjata resursseja hankkeisiin, joilla on suurin potentiaali, mutta takaisinmaksun laskeminen ei ole suoraviivaista.

2. Kumppaneiden verkosto

Sisäiset kyvykkyydet ovat välttämättömiä; Lähes 90 % vuoden 2023 kyselyn johtajista ilmoitti käyttävänsä sisäisiä resursseja tekoälyratkaisujen kehittämiseen. Mutta ne eivät useinkaan riitä: Kahdella kolmasosalla johtajista oli myös ulkopuolisia kumppaneita, tyypillisesti osaamisaukkojen täyttämiseksi ja kehityksen ja takaisinmaksun nopeuttamiseksi. Kyselyssä yllätti se, että kumppanuudet muuttuivat merkittävästi. Vuoden 2021 kyselyssä korkeakoulut ja startupit olivat yleisimmät kumppanit. Kaksi vuotta myöhemmin vastaajat nimesivät aihealueen konsultit ja teknologiatalot tärkeimmiksi kumppaneikseen. Tästä voisi päätellä, että tekoäly on kypsynyt tarpeeksi, jotta käytännön lähestymistapoja arvostetaan eniten.

Lisäksi nostettiin esiin tiedonjakamisen tärkeys. Sekä toimialan sisäiset verkostot että yli toimialojenkin menevät verkostot nähtiin tärkeinä kanavina kokemusten keräämiseen ennen kuin lähdetään itse tekemään isoja investointeja. Kaverille kilauttaminen on siis hyvä vaihtoehto.

3. Osastojen välinen yhteistoiminta

Tekoälyssä onnistuvissa organisaatioissa nähtiin sujuvaa yhteistyötä IT:n ja operatiivisen toiminnan välillä. Yksi yleinen lähestymistapa oli luoda "osaamiskeskus" (AI CoE), siilojen välinen sisäinen organisaatio, jossa työskentelee työntekijöitä, joilla on datatieteilyyn sopivia taitoja. Osaamiskeskus varmistaa, että tekoälyhankkeet toteutetaan tehokkaasti ja että ne tuottavat arvoa, samalla varmistaen tietosuojan/tietoturvan, tiedon laadun ja vaatimustenmukaisuuden. CoE- toiminnan kautta syntyy myös usein standardoituja prosesseja ja tätä kautta voidaan myös hallita tarvittavan osaamisen kehittämistä (koulutus ja rekrytoinnit).

Vaihtoehtoinen lähestymistapa on luoda liiketoimintayksiköiden sisään monialaisia tiimejä, jotka koostuvat datatieteilijöistä, -insinööreistä, arkkitehdeistä ja toiminnan osaajista.

Omana havaintona sanon, että AI CoE:n vetäjän tulisi raportoida suoraan organisaation CEOlle. Ei CIOlle. AI ei ole IT:tä.

4. Tiedon hallinta hallinnassa

Ilman dataa ei ole tekoälyä. Jotta yritykset voivat hyödyntää tekoälyä toiminnassaan, ne tarvitsevat laadukasta ja hyvin järjestettyjä dataa. Usein törmätään kuitenkin havaintoon, että analysoinnissa tarvittavaa dataa ei kerätä tai se on niin huonolaatuista ja huonosti hallittua, että siitä ei ole hyötyä. Tekoälyssä onnistuvat organisaatiot investoivat järjestelmiin ja datan hallinnan prosesseihin varmistaakseen, että näin ei tapahdu.

Syntyikö Graalin maljaa tai tuliko kokeneelle aihealueen konsultille yllätyksiä?

1. Ylimmän johdon sitoutuminen AI- kehittämiseen
2. Kumppaneiden verkosto
3. Osastojen välinen yhteistoiminta
4. Tiedon hallinta hallinnassa

Ei syntynyt eikä tullut.

Tutkimus nostaa esiin ehdottoman tärkeitä fokusalueita tekoälyssä onnistumisessa. Näissä onnistuminen luo jo melko hyvät onnistumisen edellytykset. Itse nostaisin kuitenkin listalle muutaman muunkin näkökulman.

Tekoälyssä onnistuminen edellyttää organisaationlaajuista perusymmärrystä tekoälystä. Puutteellinen perusymmärrys johtaa siihen, että lähdetään esimerkiksi tavoittelemaan liian kunnianhimoisia tavoitteita suhteessa omaan osaamistasoon – todennäköisyys epäonnistua on suuri. Puutteellinen perusymmärrys johtaa myös siihen, ettei tunnisteta käyttötapauksia tekoälylle. Kaikkien ei tarvitse olla tekoälyn syväosaajia, mutta perusymmärrys kannattaa hankkia.

Tekoälyratkaisujen kehittäminen on iteratiivinen prosessi. Etukäteen ei tiedä onko käytettävissä olevassa datassa selitysvoimaa suhteessa ratkaistavaan ongelmaan. Tähän kokeiluvaiheeseen on hyvä olla kustannustehokas kokeiluympäristö eli hiekkalaatikko. Hiekkalaatikko voi olla esim. AI PC tai pilviympäristöön rakennettu kokeiluympäristö. Tai jotain muuta. Pääasia, että hypoteeseja päästään testaamaan matalalla kynnyksellä. Onnistuneiden kokeilujen kääntäminen tuotannollisiksi ratkaisuiksi onkin sitten oman lukunsa – mikä on meille soveltuva arkkitehtuuri, miten vaikuttaa toimintatapoihin ja prosesseihin ja miten saadaan ihmiset mukaan? Tässäpä muuten hyvä blogin aihe.

Menevätkö tekoälyprojektit jotenkin itsestään maaliin? Eivät mene. Tekoälyprojektien johtaminen on oma taiteenlajinsa ja vaatii kokemusta. Vesiputousmallilla vedetty SAP- projekti CV:ssä ei tee kenestäkään hyvää tekoälyprojektien vetäjää. Scrum- menetelmällä vedetty SAP- projekti antaa jo hieman paremmat eväät AI- projektien vetämiseen. «AI ei ole IT:tä vaan AI on liiketoimintaa» - liiketoimintalähtöinen ajattelu, datan ymmärrys sekä iteratiivisen projektimallin osaaminen antaa jo melko hyvät onnistumisen edellytykset.

Oman listani viimeiseksi jätän kuitenkin sen tärkeimmän. Se saattaa olla tai on olematta mukana tutkimuksen kohdan 1 menestystekijässä (Ylimmän johdon sitoutuminen AI- kehittämiseen): Tavoitetilan määrittäminen ja kommunikointi muulle organisaatiolla – mitä haluamme saada datalla ja tekoälyllä aikaiseksi. Kun suunta on selvillä, niin voidaan koneet käynnistää.

Vamos!