Miten tekoäly valjastetaan tehostamaan organisaation toimintatapoja?

Tekoäly ei ole itseisarvo

Tekoälyn hyödyntämistä organisaatioissa voidaan tarkastella karkeasti kolmen tason kautta. Yhdessä päässä jatkumoa ovat henkilökohtaista tuottavuutta parantavat käyttötavat: tekoälyä käytetään esimerkiksi kääntämiseen, raporttien tekemiseen tai esitysten rakentamiseen. Toisessa ääripäässä ovat suuret transformaatiot, joissa tekoäly voi muuttaa kokonaisia liiketoimintamalleja.

Näiden välissä on laaja alue, jossa tekoälyllä voidaan tehostaa ja uudistaa organisaation nykyisiä prosesseja ja toimintatapoja. Juuri siellä on paljon mahdollisuuksia konkreettisten liiketoimintahyötyjen löytämiseen. Samalla on kuitenkin tärkeää muistaa, ettei tekoäly ole ratkaisu jokaiseen ongelmaan.

Jos tietoa esimerkiksi halutaan siirtää järjestelmästä toiseen, perinteinen integraatio tai automaatio voi olla tekoälyä parempi ja luotettavampi ratkaisu. Tekoälyn ei siis pitäisi olla lähtökohta, vaan yksi mahdollinen väline liiketoiminnan ongelman ratkaisemiseen.

Mistä hyvät tekoälyn käyttökohteet löytyvät teollisuudessa?

Hyviä käyttökohteita löytyy usein prosesseista, joissa on paljon toistoa ja manuaalisia vaiheita. Yksi esimerkki on tilausten käsittely. Tietoa voi tulla puhelimitse, sähköpostilla, PDF-tiedostoina tai Excel-taulukoina, mutta lopulta kaikki pitäisi saada yhdenmukaiseen muotoon jatkokäsittelyä varten.

Ihmiselle jatkuva kontekstin vaihtaminen ja saman tiedon etsiminen eri lähteistä vie aikaa. Jos tällainen työ toistuu suurina volyymeina, pienikin yksittäisessä työvaiheessa saavutettava säästö voi muodostua merkittäväksi. Samalla voidaan vähentää manuaaliseen käsittelyyn liittyviä virheitä.

Käyttökohdetta ei silti kannata tarkastella vain yksittäisen tehtävän kautta. Olennaista on ymmärtää koko prosessi: mitä tapahtuu ennen tekoälyn hyödyntämistä, mitä sen aikana ja mitä sen jälkeen? Miten kokonaisuus istuu liiketoiminnan toimintatapoihin ja ihmisten arkeen.

Arvioi sekä potentiaalinen hyöty että toteutuksen vaiva

Mahdollisia käyttökohteita voidaan arvioida esimerkiksi kahden näkökulman kautta: kuinka paljon liiketoimintahyötyä ratkaisulla voidaan saavuttaa ja kuinka suuri vaiva sen toteuttamiseen liittyy. Hyötyä voidaan usein arvioida melko konkreettisesti. Kuinka paljon manuaalista työtä prosessissa tehdään? Kuinka usein tehtävä toistuu? Kuinka paljon aikaa siihen käytetään kuukaudessa?

Toteutuksen vaivassa puolestaan korostuvat erityisesti kaksi asiaa: data ja liiketoimintakonteksti. Jos tarvittava data on laadukasta ja helposti hyödynnettävissä, toteutuksessa päästään yleensä helpommin liikkeelle. Koneoppimiseen perustuvissa ratkaisuissa myös datan määrä on kriittinen tekijä.

Toinen kysymys on, kuinka selkeästi rajattu prosessin liiketoimintakonteksti on. On aivan eri asia rakentaa ratkaisu yhden tiimin selkeästi määriteltyyn toimintatapaan kuin prosessiin, joka kulkee läpi koko organisaation ja vaatii muutoksia useiden tiimien toimintaan. Siksi ensimmäistä tekoälyhanketta ei välttämättä kannata valita organisaation kaikkein monimutkaisimmasta prosessista. Rajatummasta käyttökohteesta voidaan saada kokemuksia, joiden avulla osaamista voidaan kasvattaa vaiheittain.

Mieti prosessi uudelleen – älä vain lisää tekoälyä nykyiseen

Tekoälyä ei kannata vain lisätä nykyiseen prosessiin sellaisenaan. Usein kannattaa ensin tarkastella koko toimintatapaa ja miettiä, miten prosessi voisi toimia tehokkaammin tekoälyä hyödyntäen.

Prosessi voidaan pilkkoa pienempiin osiin ja tarkastella, mikä tehtävä kuuluu ihmiselle ja mikä tekoälylle. Ihminen voi esimerkiksi tuottaa tai ylläpitää tarvittavaa dataa. Tekoäly voi käsitellä tietoa ja muodostaa sen pohjalta ehdotuksia. Sen jälkeen ihminen voi arvioida lopputulosta ja tehdä varsinaisen päätöksen.

Kaikissa tilanteissa tekoälyn ei siis tarvitse tehdä itsenäisiä päätöksiä. Sen tehtävänä voi olla myös tuottaa ihmiselle paremmat perusteet päätöksentekoa varten. Tässä arvioinnissa on syytä huomioida myös virheiden merkitys. Tekoälyratkaisut perustuvat todennäköisyyksiin, joten virheiden mahdollisuus on olemassa. Mitä suuremmat seuraukset virheellä on, sitä tärkeämpää on miettiä ihmisen rooli kontrollina.

Pilotista osaksi arkea

Onnistunut pilotti ei vielä tarkoita onnistunutta tekoälyhanketta. Kun ratkaisu viedään tuotantoon, organisaatiossa pitää tietää, miten uusi prosessi toimii käytännössä. Ihmisten täytyy ymmärtää oma roolinsa, miten tarvittava data syntyy ja missä vaiheissa tekoälyä käytetään.

Samalla uuden toimintamallin pitää tulla osaksi arkea. Tämä vaatii jalkautusta ja koulutusta sekä muutoksen johtamista ja koordinointia. Tekoälyhankkeet eivät tässä mielessä eroa olennaisesti muista digitalisaatiohankkeista: teknologia voidaan rakentaa toimivaksi, mutta arvo syntyy vasta silloin, kun ihmiset käyttävät sitä osana todellista prosessia.

Liikkeelle liiketoiminnasta, ei teknologiasta

Tekoälyn hyödyntämisen ei tarvitse alkaa suuresta transformaatiosta. Usein parempi tapa on tunnistaa rajattu liiketoiminnan ongelma, ymmärtää siihen liittyvä prosessi ja arvioida, missä kohdassa tekoälystä olisi aidosti hyötyä. Sen jälkeen voidaan varmistaa tarvittava data, määritellä ihmisen ja tekoälyn roolit ja edetä vaiheittain kohti tuotantokäyttöä.

Keskeinen kysymys ei siis ole, miten saisimme tekoälyä käyttöön, vaan missä liiketoimintamme prosessissa on ongelma, jonka ratkaisemisessa tekoäly voisi aidosti auttaa?

Teollisuuden konkreettisista tekoälyn käyttökohteista saat lisätietoa aiemmista webinaareistamme:

• Tekoäly teollisuuden asiakaskokemuksen ja myynnin kehittämisessä
• Miten tekoäly tehostaa teollisuuden aftersales-prosesseja?