Edellisessä kirjoituksessani käsittelin AI-projektin suunnittelua ja toteutusta. Linjani on hyvin suoraviivainen: pidä projekti pienenä, iteroi nopeasti ja laita koodi versionhallintaan. Lisäksi, lähde siitä mitä jo tiedät, niin voit saada omaksesi pysyvän oppimistuloksen AI:sta. Ex-opettajana voin kertoa, että pysyvää oppimista tapahtuu pääasiassa vain silloin kun opittava asia liitetään monipuolisesti jo tunnetuihin seikkoihin.

Voin kuvitella, että AI-advisor, AI-transformaation katalyytti tai AI-governance-ihminen kakistelisi kirjoittamaani kovasti.

— Tässähän vedetään mutkat suoriksi! Missä on hallintamalli? Missä on riskiarviointi? Missä on CoE:n hyväksyntä?

Olen minäkin kakistellut. Ehkä noin vuoden ajan olen ihmetellyt näitä: AI-advisory ja AI-governance.

— Mitä nämä ovat? Tarvitaanko niitä johonkin?

Päätin ottaa selvää mitä ne ovat, miksi ne ovat ja tarvitaanko niitä.

AI-native vs AI-enabled

Ounastelin, että nämä uudet AI-"jutut" liittyvät siihen, että AI on nyt vuonna 2026 joka paikassa ja kaikkien huulilla. Ja että olin itse kasvanut erilaisessa AI-ympäristössä.

Ennen vuotta 2022/2023 tilanne oli aivan toisenlainen. Yritykset, jotka työskentelivät tekoälyn parissa, olivat pääasiassa yrityksiä, jotka rakensivat tekoälyjärjestelmiä. Tekoäly oli niiden päätuote ja pääasia. Valtaosa yrityksistä ei ollut millään tavalla tekemisissä tekoälyn kanssa. Jotkin niistä olivat edellä mainittujen tekoäly-yritysten asiakkaita mutta käytännössä melkein kaikki olivat autuaan tietämättömiä tekoälystä.

Ja nyt kaikki tekevät jotakin tekoälyn parissa. Ohjelmistokehityksessä AI-avusteisuus läpäisee koko kenttää ja usein myös ratkaisee koodarien kilpailukyvyn. Copilotia otetaan kiihtyvää tahtia käyttöön yrityksissä ja se avustaa työntekijöitä monipuolisesti erilaisissa hallinto- ja sisällöntuotantotehtävissä. RAG-ratkaisuja tehdään paljon: kielimalli istutetaan intran dokumenttien ja käyttäjän väliin siinä toivossa että intrasta vihdoinkin löytyisi jotakin hyödyllistä ja selkokielistä. Rohkeimmat ryhtyvät tekemään jotakin agenttimaista.

Tekoälyä rakentavat ja tekoälyä soveltavat yritykset eroavat on merkittävästi. Niille on omat terminsä: AI-native- ja AI-enabled-yritys.

AI-native-yritys on rakennettu tekoälyn ympärille alusta asti. Tekoäly ei ole lisäosa vaan osa ydinliiketoimintamallia. Tällaisilla yrityksillä on tyypillisesti omat mallit, omat dataputket ja tutkimusvetoinen kulttuuri. OpenAI ja Anthropic ovat ilmeisiä esimerkkejä ja samaan kategoriaan kuuluvat myös pienemmät yritykset, joilla on oma tekoälytuote.

AI-enabled-yritys on perinteinen organisaatio, joka liittää tekoälyn olemassa oleviin prosesseihinsa. Liiketoimintamalli ei olemuksellisesti liity tekoälyyn – tekoäly tukee sitä mutta ei määrittele sitä. Nykyinen aalto – Copilot käyttöön, RAG intralle, chatbot asiakaspalveluun – on AI-enabled-toimintaa.

AI-natiivilla yrityksellä (joka on todennäköisesti "startup") on oma viitekehyksensä. Liiketoiminnan ytimen, tekoälytuotteen kehittämisessä ja optimoinnissa käytetään datatieteen, koneoppimisen ja data-arkkitehtuurin menetelmiä: dataa analysoidaan tilastollisesti perustelluilla menetelmillä, malleja evaluoidaan metriikoilla, kokeita seurataan systemaattisesti, iteraatiosyklit pidetään nopeina ja tuotantoon viedään MLOps-käytäntöjen kautta. Se on kurinalaista mutta sitä ei kutsuta "governanceksi" vaan normaaliksi tuotekehitykseksi.

Mutta suurelle ja pitkään toimineelle yritykselle, joka tuo tekoälyä olemassa olevaan toimintaansa, tilanne on toinen. Siellä on vuosien varrella kertyneitä järjestelmiä, sidottuja kustannuksia, organisaatiosiiloja, komplianssivaatimuksia, monimutkaisia hankintaprosesseja ja satoja tai tuhansia työntekijöitä, joiden työtavat muuttuvat. Tekoäly ei tule tyhjälle pöydälle vaan keskelle elävää ja monimutkaista organisaatiota.

Kun suuri organisaatio ottaa tekoälyn käyttöön, syntyy nopeasti tulenarkoja tilanteita. Työntekijä käyttää ChatGPT:n ilmaisversiota asiakasreklamaation muotoiluun — ja syöttää samalla asiakkaan nimen, tilausnumeron ja valituksen sisällön palveluun, jonka data voi päätyä mallin koulutusaineistoon ja vuotaa edelleen julki. Markkinointitiimi generoi tekoälyllä kuvia kampanjaan tarkistamatta, millaiset käyttöoikeudet generoituun materiaaliin on. Asiakaspalvelutiimi päätti tehostaa työtään ja tilasi ulkopuolelta tekoälybotin, joka sitten antoikin väärää tietoa ja asiakas teki sen perusteella vahingollisen päätöksen.

AI-governance ja AI-Advisory

Nämä eivät ole hypoteettisia skenaarioita vaan arkea, joka alkaa heti kun tekoäly tulee organisaatioon. Isossa organisaatiossa on käytännössä pakko linjata AI-governance: jos sitä ei tehdä, tekoäly hiipii mukaan toimintaan pyytämättä ja ikäviä asioita seuraa. AI-governance on rakenne, joka vastaa näihin tilanteisiin: se määrittelee pelisäännöt, vastuut ja rajat sille, miten tekoälyä saa ja kannattaa käyttää. Se on paljolti myös prosessien rakentamista tekoälyä ajatellen.

Tähän liittyy myös AI-advisory: konsulttiyhtiöiden palvelu yrityksille, jotka hakevat suuntaansa tekoälyn kanssa tai painivat sen tuomien ongelmien parissa. AI-advisory auttaa yritystä hahmottamaan mitä kannattaa tehdä, mistä aloittaa ja miten välttää sudenkuopat — ja usein juuri governancen ja CoE:n rakentaminen on sen konkreettinen tuotos.

Tahtoisin mainita myös AI Center of Excellencen, jollaista olen myös ollut perustamassa. Kuvittele sama suuri organisaatio: eri osastoilla on omat AI-kokeilunsa, mutta kukaan ei tiedä mitä muualla tehdään. Markkinointi kokeilee yhtä LLM-palvelua, asiakaspalvelu toista, tuotekehitys kolmatta. Jokainen tiimi ratkoo samoja ongelmia erikseen — miten data saadaan mallille, miten tuloksia arvioidaan, miten ratkaisu viedään tuotantoon. Pahimmillaan ostetaan päällekkäisiä lisenssejä ja rakennetaan samoja integraatioita rinnakkain. AI Center of Excellence on keskitetty tiimi, joka kokoaa tämän yhteen: se kartoittaa mitä yrityksessä jo tehdään, jakaa opittua osastojen välillä, standardoi työkaluja ja auttaa liiketoimintayksiköitä viemään kokeiluja eteenpäin. Kyse ei ole siitä, että yksi tiimi tekisi kaiken tekoälyn — vaan siitä, että joku pitää kokonaiskuvaa yllä, estää päällekkäistä työtä ja toimii talon sisäisenä asiantuntijana kun osastoilla herää kysymyksiä tekoälyn käytöstä.

Täytyy sanoa, että tämä selvitystyö ja siitä kirjoittaminen on laajentanut ymmärrystäni. Toivottavasti tästä on ollut hyötyä myös sinulle.

Entäs AI-transformaatio?

Sitten on vielä AI-transformaatio. Se tarkoittaa organisaation siirtymistä AI-enabled-tilasta kohti AI-first-tilaa – tilannetta, jossa tekoäly on niin syvällä toiminnassa, että se muuttaa työn tekemisen tapaa perustavanlaatuisesti.

En tiedä onko AI-transformaatio todellinen asia. Ehkä se on väistämätön prosessi, jossa tekoälystä tulee tietotekniikan kaltainen perusmenestystekijä. Mutta joka tapauksessa sen eteneminen riippuu yrityksen kyvystä laittaa tekoäly oman toimialansa ja oman osaamisensa palvelukseen. Vakuutusyhtiö, joka ymmärtää vakuuttamisen syvällisesti, osaa myös arvioida missä tekoäly tuottaa sille eniten arvoa. Sääpalvelu, jossa ymmärretään meteorologiaa, osaa vaatia tekoälyratkaisulta oikeita asioita. Yritys joka ei tunne omaa toimialaansa, ei osaa ohjata tekoälyäkään.

Ja tässä palaan siihen mistä aloitin: tekoälyn oppiminen kannattaa rakentaa sen päälle, mitä organisaatio jo tekee ja osaa.

Jos tämä herätti ajatuksia, ota yhteyttä!