Monissa organisaatioissa pohditaan parhaillaan kuumeisesti, miten tekoälyn hyödyntämisessä päästään eteenpäin ja siirrytään niin sanotusta vaiheesta yksi vaiheeseen kaksi.

Vaiheessa yksi työntekijät ovat jo ottaneet yleiset tekoälytyökalut, kuten ChatGPT:n tai Microsoft 365 Copilotin, käyttöön omassa arjessaan. Tekoälyä käytetään yksilötasolla sähköpostien luonnosteluun, tekstien tiivistämiseen, ideointiin tai nopeaan tiedonhakuun. Tämä on erinomainen alku, mutta se on vasta kokeiluvaihe.

Kun organisaatiossa halutaan siirtyä vaiheeseen kaksi eli lähteä kehittämään rakenteellisia tekoälyratkaisuja, automatisoituja työnkulkuja ja autonomisia tekoälyagentteja, eteen tulee ensimmäinen ja kenties kriittisin kysymys: Mistä kehityskohteesta meidän kannattaa aloittaa?

Koko organisaation kaikkia prosesseja ei voi eikä kannata lähteä muuttamaan kerralla. Liian suuri kehityshanke tyssää usein monimutkaisuuteen, resurssipulaan tai muutosvastintaan. Menestyksen avain piilee siinä, miten ensimmäinen tekoälyn kehityskohde tunnistetaan, luokitellaan ja valitaan hallitusti.

Tässä artikkelissa käymme läpi selkeän ja käytännönläheisen toimintamallin ensimmäisen AI-kehityskohteen valintaan, selvitämme keskeisen terminologian, hyödynnämme Microsoftin nelikenttäkaaviota sekä luomme katsauksen siihen, mitä valinnan jälkeen tapahtuu.

Terminologia haltuun: Mitä ”mapping” tarkoittaa suomeksi?

Tekoäly- ja kehityshankkeissa törmätään jatkuvasti englanninkieliseen sanaan mapping (esimerkiksi use case mapping tai workflow mapping). Kun puhutaan kehittämisestä ja prosessien uudistamisesta, englanninkieliset lainasanat vilahtelevat puheessa usein. On kuitenkin hyödyllistä selkeyttää, mitä termillä tarkoitetaan täsmällisesti suomen kielessä:

  • Kartoitus tai kartoittaminen: Tällä tarkoitetaan nykytilan, ideoiden tai mahdollisuuksien laaja-alaista selvittämistä ja näkyväksi tekemistä organisaatiossa. Se vastaa kysymykseen: mitä meillä jo tehdään ja mitä tarpeita meillä on?
  • Luokittelu tai ryhmittely: Tietojen, prosessien tai käyttötapausten lajittelua tiettyjen ennalta määriteltyjen kategorioiden mukaisesti.
  • Sijoittelu nelikenttään: Visuaalista ja strategista prosessia, jossa käyttötapaukset asetetaan kaksiulotteiselle matriisille valittujen kriteerien perusteella.
  • Mäppäys tai mäppääminen: Tietotekniikassa ja projektinhallinnassa yleisesti käytetty sujuva ammattislangi, joka ilmaisee kahden eri asiatason yhdistämistä (esimerkiksi työvaiheen yhdistämistä tiettyyn tekoälyrooliin).

Tässä artikkelissa käytämme sujuvasti termejä käyttötapausten kartoitus, luokittelu ja mäppäys nelikenttään.

1. Kartoita nykytila työntekijöiden kyselyllä

Ensimmäisen kehityskohteen valintaa ei pidä tehdä arvailemalla johtoryhmän kokoushuoneessa tai lukemalla pelkästään teknologia-alustoja koskevia myyntiesitteitä. Paras tieto organisaatiosi todellisista tarpeista, pullonkauloista ja kytevästä tekoälypotentiaalista löytyy niiltä asiantuntijoilta ja työntekijöiltä, jotka tekevät työtä joka päivä.

Kehityskohteen etsiminen alkaa kevyellä organisaatiokyselyllä ja haastatteluilla. Kysy työntekijöiltä ja asiantuntijoilta seuraavat kolme kysymystä:

  1. Mihin ja miten käytätte jo tällä hetkellä tekoälyä arjessanne? (Tunnistetaan olemassa olevat kokeilut ja hiljainen osaaminen.)
  2. Mitkä rutiinitehtävät vievät eniten aikaa tai tuntuvat puuduttavilta? (Tunnistetaan automatisointipotentiaali.)
  3. Missä työvaiheissa tiedon haku, yhteenvetojen teko tai laadunvarmistus aiheuttaa eniten viiveitä? (Tunnistetaan liiketoiminnan suorituskykyrajat.)

Kyselyn ansiosta saat kasattua raaka-aineeksi valtaisan määrän todellisia käyttötapauksia (use cases). Tämän jälkeen alkaa seuraava vaihe: materiaalin organisointi ja analysointi.

2. Mäppää käyttötapaukset Microsoftin nelikenttään

Kun kyselyn vastaukset ja kokeilut on kerätty kasaan, ne luokitellaan ja mäpätään Microsoftin Work Trend Index -tutkimukseen pohjautuvaan nelikenttämalliin. Tämä kaavio auttaa organisaatiota hahmottamaan, millaisesta tekoälyn ja ihmisen työnjaosta kulloisessakin käyttötapauksessa on kyse.

Nelikenttä perustuu kahteen keskeiseen akseliin:

  • Pystyakseli (Tekoälyn autonomia): Vaihtelee alhaalta ylös asteikolla Agentti avustaa (Agent assistant) vs. Agentti työkaverina (Agent teammate).
  • Vaaka-akseli (Ihmisen rooli): Vaihtelee vasemmalta oikealle asteikolla Ihminen ohjaa (Human directing) vs. Ihminen valvoo (Human supervising).

Nelikentän neljä luokkaa ja käytännön esimerkit

Nelikentän neljä lohkoa kuvaavat erilaisia tekoälyn ja ihmisen yhteistyömuotoja. Voit sijoittaa organisaatiosi käyttötapaukset näihin luokkiin:

1. Delegointi (Delegation) – Vasen yläkulma

  • Akselit: Agentti työkaverina + Ihminen ohjaa (Human directing)
  • Kuvaus: Tehtävät, joissa tekoäly suorittaa kokonaisia työnkulkuja tai tehtäväkokonaisuuksia itsenäisesti ihmisen antaman ohjeistuksen ja raamien puitteissa.
  • Käytännön esimerkki: Kun verkkosivustolle julkaistaan uusi suomenkielinen blogikirjoitus, taustalla toimiva tekoälyagentti kääntää sen automaattisesti englanniksi, muotoilee tekstin ja julkaisee sen englanninkielisessä osiossa.

2. Yhteistyö (Collaboration) – Oikea yläkulma

  • Akselit: Agentti työkaverina + Ihminen valvoo (Human supervising)
  • Kuvaus: Tekoäly ja ihminen työskentelevät tiiviissä vuorovaikutuksessa rintarinnan. Tekoäly tekee raskaan luonnostelun tai analysoinnin, ja ihminen toimii sparraajana, ohjaajana ja laadun valvojana.
  • Käytännön esimerkki: AI-avusteinen asiantuntijahaastattelu blogikirjoitusta laadittaessa. Asiantuntija kertoo tekoälylle haluavansa laatia artikkelin tietystä teemasta noin 1 500 sanan laajuudessa. Tekoäly toimii haastattelijana, kysyy asiantuntijalta kysymyksen kerrallaan ja muodostaa keskustelun pohjalta jäsennellyn luonnoksen Word-pohjaan jatkotyöstöä varten.

3. Kysyminen (Asking) – Vasen alakulma

  • Akselit: Agentti avustaa + Ihminen ohjaa (Human directing)
  • Kuvaus: Nopeat ja täsmälliset kysymys-vastaus-tilanteet, joissa ihminen hakee tekoälyltä neuvoja, koodia tai ohjeita yksittäiseen pulmaan.
  • Käytännön esimerkki: Asiantuntija kysyy ChatGPT:ltä tai Copilotilta neuvoa monimutkaisen Excel-kaavan rakentamiseen tai etsii tietyn ohjelmiston asetusta.

4. Tutkiminen (Exploration) – Oikea alakulma

  • Akselit: Agentti avustaa + Ihminen valvoo (Human supervising)
  • Kuvaus: Tekoälyn käyttö tilannekuvan ylläpitoon, tiedon seurantaan, taustakartoituksiin ja tietomassojen yhteenvetoihin.
  • Käytännön esimerkki: Maanantaiaamuisin tekoäly kokoaa ja tiivistää sähköpostiin automaattisen yhteenvedon siitä, mitä oman toimialan (kuten infra-alan tai digitaalisen sääntelyn) tekoälyrintamalla on tapahtunut kuluneen viikon aikana.

3. Valitse ensimmäinen kehityskohde päätöksentekomatriisilla

Kun organisaatiosi kaikki tunnistetut käyttötapaukset on ryhmitelty Microsoftin nelikenttään, edessä on strateginen valinta: Mistä näistä lähdetään rakentamaan ensimmäistä varsinaista tekoälykehityskohdetta?

Tämän valinnan tueksi otetaan Vaikuttavuuden ja Toteutettavuuden -nelikenttä (Impact vs. Feasibility Matrix eli Value vs. Effort Matrix). Se on helppo ja visuaalinen päätöksentekomenetelmä.

Korkea ^
        |   [ STRATEGISET HANKKEET ]    |    [ HELPOT VOITOT / QUICK WINS ]
        |   Suuri vaikuttavuus          |    Suuri vaikuttavuus
        |   Haastava toteuttaa          |    KEVEIN TOTEUTTAA  <-- VALITSE TÄÄLTÄ!
VAIKUT- |-------------------------------+----------------------------------
TAVUUS  |   [ VÄLTETTÄVÄT PESÄKKEET ]   |    [ PIKKUTEHTÄVÄT / FILLERS ]
        |   Pieni vaikuttavuus          |    Pieni vaikuttavuus
        |   Haastava toteuttaa          |    Helppo toteuttaa
        +-------------------------------------------------------------------->
        Matala                     TOTEUTETTAVUUS / KEVEYS              Korkea

Ensimmäisen kehityskohteen kultainen sääntö

Katse suunnataan niihin tehtäviin, joissa tekoäly toimii avustajana tai tiimikaverina ja ihminen valvoo (Human supervising) – eli erityisesti Yhteistyö (Collaboration) -kentän käyttötapauksiin.

Valitse näistä vaihtoehdoista kevein mahdollinen käyttötapaus, joka sijoittuu päätöksentekomatriisissa Helpot voitot (Quick Wins) -lohkoon.

Miksi juuri kevein mahdollinen käyttötapaus?

Monet organisaatiot tekevät sen virheen, että ensimmäiseksi AI-hankkeeksi valitaan liiketoiminnan kriittisin ja monimutkaisin prosessi. Se johtaa helposti pitkiin kehityssykleihin, korkeisiin kustannuksiin ja turhautumiseen.

Keveimmän käyttötapauksen valinta kannattaa seuraavista syistä:

  1. Oppiminen ja kokemus: Tiimi opittelee tekoälykehittämisen, agenttipromptauksen ja rajapintojen periaatteet turvallisessa ympäristössä.
  2. Nopeat ja näkyvät tulokset: Kun ensimmäinen ratkaisu saadaan tuotantoon muutamassa viikossa, se osoittaa tekoälyn hyödyt välittömästi koko organisaatiolle.
  3. Matalampi riskitaso: Kun ihminen toimii hyväksyjänä ja valvojana (human-in-the-loop), vältytään mahdollisilta laatu- ja turvallisuusriskeiltä.

Mitä tapahtuu valinnan jälkeen? Seuraavat kolme askelta

Ensimmäisen kehityskohteen lukitseminen on tärkeä virstanpylväs, mutta se on vasta alku. Kun kevein kehityskohde on valittu ja siihen aletaan suunnitella agenttisia ominaisuuksia, kehitystyö jatkuu seuraavalla kolmella keskeisellä vaiheella:

1. Riskimatriisin laadinta

Ennen koodausta tai ratkaisun laajempaa hyödyntämistä kehityskohteelle laaditaan tiivis riskimatriisi. Siinä arvioidaan muun muassa tietoturvaan, liikesalaisuuksiin, tekijänoikeuksiin sekä tekoälyvirheisiin (hallusinaatioihin) liittyvät riskit ja määritellään keinot niiden hallitsemiseksi.

2. Budjetointi ja tekoälytalous

Tekoälykehittämisessä kustannusrakenne poikkeaa perinteisistä ohjelmistoista. On tärkeää ymmärtää uutta tekoälytaloutta: miten kehityskohteen jatkuvat kustannukset muodostuvat kielimallien tokeneista, alustakrediiteistä ja mahdollisista API-rajapintamaksuista käyttövolyymin kasvaessa.

3. Vaikuttavuuden mittaaminen

Kehityskohteelle asetetaan selkeät mittarit (KPI:t): Kuinka paljon säästämme asiantuntijoiden työaikaa? Kuinka paljon prosessin läpimenoaika nopeutuu? Paraneeko lopputuloksen laatu tai työntekijäkokemus? Mittaaminen takaa sen, että kokeilusta saadaan kättä pidempää näyttöä jatko-investointeja varten.

Yhteenveto

Siirtyminen tekoälyn hyödyntämisen vaiheesta 1 vaiheeseen 2 vaatii kokeilukulttuurin rinnalle selkeää rakenteellista otetta. Kun aloitat nykytilan kartoituksella työntekijöitä kuunnellen, luokittelet kokeilut Microsoftin nelikenttään ja valitset päätöksentekomatriisin avulla keveimmän mahdollisen yhteistyömäisen käyttötapauksen, takaat hankkeellesi parhaat mahdolliset lähtökohdat.

Ensimmäinen onnistunut tekoälykehityskohde raivaa tietä seuraaville ja osoittaa koko organisaatiolle, miten tekoälystä muotoillaan aitoa ja mitattavaa liiketoiminta-arvoa.

Katso lopuksi alla oleva video, jossa käyn nelikenttää läpi käytännön esimerkkien avulla. Peilaa samalla yhtä oman organisaatiosi työtehtävää malliin: mitä tekoäly tekisi ja mistä ihminen vastaisi?

Kun ensimmäinen kehityskohde on rajattu, sen toteuttamiselle tarvitaan myös realistinen budjetti. Aloituskustannusten lisäksi on arvioitava, mitä ratkaisun käyttö, ylläpito ja ihmisen tekemä tarkastus maksavat arjessa. Seuraavassa kirjoituksessa ”Tekoälyn todellinen hinta, osa 2” käyn läpi tekoälyprojektin budjetointia ja AI FinOpsia eli sitä, miten tekoälyn kustannuksia seurataan ja hallitaan käytön aikana.

Varaa maksuton läpikäynti

Aiheet

Tanja Karonen

Nexpert

Tanja Karonen on yrittäjä ja digitalisaation asiantuntija, jonka osaamiseen kuuluvat prosessien kehittäminen, projektinhallinta, laadunvarmistus ja tekoälyn hyödyntäminen liiketoiminnan kehittämisessä. Nexpertin kautta hän auttaa organisaatioita kehittämään prosessejaan, hallitsemaan tietoa ja ottamaan uusia teknologioita käyttöön käytännönläheisesti ja ihmislähtöisesti. Hänen taustansa kattaa myös julkishallinnon kehittämishankkeita, Lean-ajattelua ja digitaalista liiketoimintaa.

Tietoa Nexpertistä