Moni tekoälyhanke jää ilman odotettua liiketoiminta-arvoa, vaikka teknologia olisi kunnossa. Ratkaisevat päätökset tehdään usein jo ennen ensimmäistä pilottia.
Kymmeniä tekoälyideoita pöydällä, mutta hankala päättää, mihin niistä tarttua ensin ja miten lähteä liikkeelle. Resurssien jakaminen nopeiden kokeilujen ja suurten hankkeiden välillä on haastavaa ja on vaikea tunnistaa, missä ulkopuolinen apu olisi arvokkainta.
Kuulostaako tutulta?
Harva enää kysyy, kannattaako tekoälyä hyödyntää. Sen sijaan moni pohtii, mihin sitä juuri nyt kannattaa käyttää ja miten lähteä käytännössä liikkeelle.
Samalla paine tekoälyn lupausten lunastamiseen lisääntyy monesta suunnasta: johto odottaa mitattavia tuloksia, tiimit odottavat suuntaa ja ohjeistusta, kilpailijatkin näyttävät jo tehneen tekoälyloikan.
Onneksi ei ole liian myöhäistä aloittaa. Perinteisempi tekoäly, kuten koneoppiminen, on ollut käytössä jo vuosikymmenet ja on edelleen erittäin ajankohtaista esimerkiksi datan luokittelussa ja ennusteiden laatimisessa. Generatiiviset tekoälymallit ovat olleet yleisesti saatavilla vasta muutaman vuoden ja kehittyvät yhä kiihtyvällä tahdilla. Tulevaisuuden tekoälyteknologiat voivatkin avata täysin uusia mahdollisuuksia, joita emme vielä osaa edes kuvitella. Eivätkä kilpailijatkaan välttämättä ole vielä niin pitkällä kuin ulospäin vaikuttaa. Ehdit siis vielä hyvin mukaan tekoälykehitykseen!
Tekoälyteknologia on kaikille saatavilla, mallit ovat riittävän kypsiä yrityskäyttöön ja työkaluja on tarjolla enemmän kuin koskaan. Kysymys kuuluukin: miksi organisaatiot, joilla on käytössään samat teknologiat, päätyvät niin erilaisiin lopputuloksiin?
MIT:n heinäkuussa 2025 julkaisema State of AI in Business -raportti paljastaa: vaikka generatiiviseen tekoälyyn oli jo investoitu kymmeniä miljardeja, vain viisi prosenttia organisaatioista sai siitä mitattavaa liiketoimintahyötyä. Ero ei selity mallien laadulla tai sääntelyllä, vaan organisaation lähestymistavalla tekoälymurrokseen.
Ratkaiseva ero ei synny toteutusvaiheessa, vaan paljon aiemmin: siinä, miten organisaatio päättää, mihin tekoälyä kannattaa ylipäätään suunnata ja miten sitä johdetaan.
Käytännön kokemusten ja MIT:n tutkimuksen perusteella kolme haastetta nousee esiin yhä uudelleen. Näitä välttämällä onnistut varmemmin.
Aloitetaan teknologiasta ("mihin voisimme käyttää tekoälyä") sen sijaan, että lähdettäisiin liikkeelle liiketoimintaongelmasta ("mikä meillä oikeasti maksaa eniten tai hidastaa meitä eniten"). Lisäksi jos tekoälyn mahdollisuuksia ja haasteita ei ymmärretä kunnolla, valitaan sopimattomia käyttökohteita, joissa liiketoimintahyöty jää vähäiseksi. Lopputuloksena hanke hiipuu, koska ratkaisulle ei synny riittävästi arvoa eikä sitoutuneita käyttäjiä.
Tämä näkyy MIT:n raportin mukaan myös siinä, mihin tekoälyinvestoinnit yleisimmin kohdistuvat. Suuri osa tekoälybudjeteista kohdistuu myyntiin ja markkinointiin, koska niiden tulokset ovat helpoimmin mitattavissa ja näkyvimpiä johdolle. Silti osa dokumentoiduista, dramaattisimmista kustannussäästöistä on syntynyt taustatoimintojen automaatiosta — usein nopeammalla takaisinmaksuajalla ja selkeämmillä säästöillä kuin asiakasrajapinnan hankkeista. Suurimmat hyödyt eivät siis aina synny näkyvimmistä käyttökohteista. Parhaiden kohteiden tunnistaminen vaatii työtä.
Ajaudutaan kokeilemaan montaa asiaa yhtä aikaa ilman yhteistä suuntaa. Mikään ei etene tarpeeksi pitkälle ja hankkeet jäävät irrallisiksi kokeiluiksi, jolloin niistä ei myöskään saada jatkuvaa hyötyä irti. Rajalliset resurssit pirstaloituvat ja organisaatiossa turhaudutaan hitaaseen etenemiseen.
Ilmiö on tunnistettu myös MIT:n raportissa: Suuryritykset johtivat pilottien määrässä ja kohdensivat niihin enemmän henkilöstöä, mutta niiden hankkeet etenivät harvemmin pilotista skaalaukseen kuin muilla. Keskisuuret yritykset sen sijaan etenivät tehokkaammin: parhaat suoriutujat etenivät pilotista käyttöönottoon kolmessa kuukaudessa, kun suuryrityksillä tämä kesti yhdeksän kuukautta tai pidempään.
Hyvätkin ideat hiipuvat, koska kukaan ei ole vastuussa niiden viemisestä eteenpäin. Tekoälyratkaisut vaativat jatkuvaa monitorointia ja ylläpitoa, jotta ne säilyvät ajankohtaisina ja vastaavat käyttäjien tarpeisiin; tarvitaan nimetty omistaja varmistamaan riittävät resurssit ja hankkeen eteneminen sekä jatkuva kehittäminen.
Omistajuuteen liittyy myös kysymys siitä, tehdäänkö työ itse vai kumppanin kanssa. MIT:n raportin mukaan oppivat ja mukautuvat tekoälytyökalut — kuten agenttipohjaiset työnkulut — etenivät ulkoisen kumppanin kanssa käyttöönottoon kahdessa kolmasosassa tapauksista, kun sisäisesti rakennetuilla ratkaisuilla vastaava osuus jäi kolmannekseen. Käyttöaste oli ulkoisesti toteutetuissa ratkaisuissa myös suurempi sisäisiin verrattuna. Tämä ei silti tarkoita, että kaikki kannattaisi ulkoistaa. Toteutuspäätös (sisäinen, ulkoinen vai molempia) ansaitsee kuitenkin yhtä paljon huomiota kuin itse käyttötapauksen valinta.
Organisaatiot, jotka saavat tekoälystä aitoa liiketoiminta-arvoa, eivät yritä ratkaista kaikkea kerralla. Ne tekevät tietoisen valinnan: tunnistavat ensin ne harvat liiketoimintakysymykset, joihin panostus todella kannattaa, ja vasta sen jälkeen miettivät teknologiaa. Teknologioiden alati muuttuessa tämä on myös kestävämpi lähestymistapa tulevaisuutta ajatellen kuin teknologiavetoinen.
Joskus tekoäly ei ole oikea ratkaisu liiketoimintakysymykseen, ja sekin on hyvä tunnistaa ja hyväksyä. Tekoälyllä on omat hyötynsä, mutta se ei ratkaise kaikkea, esimerkiksi hetkessä taio puutteellista dataa kuntoon tai keksi kilpailijat päihittävää strategiaa – näissäkin se voi toki olla merkittävänä apuna.
Näillä käytännössä toimiviksi havaituilla askelmerkeillä onnistut tärkeimpien tekoälykäyttötapausten valinnassa:
Webinaarissa Niina Haiminen ja Pekka Mikkola vievät kirjoituksen aiheen askelta pidemmälle. Miten tunnistaa lupaavimmat tekoälyn mahdollisuudet liiketoiminnassa? Miten tähdätä aidosti merkittävään muutokseen?