Tekoälystä käytävän keskustelun ohjaajina ovat usein tekniset asiantuntijat sekä uutiset entistä paremmista malleista, alustoista ja kyvyistä. AI-ratkaisut ovat kuitenkin järjestelmäprojekteja muiden joukossa, ja niiden onnistuminen riippuu muustakin kuin teknisestä kyvykkyydestä. Käytännön arjessa ratkaisevaa on, miten tekoäly kytkeytyy työnkulkuun ja ihmisen työhön.
Tässä blogissa avaan, miltä AI-avusteinen tuottavuus näyttää käytännössä: mitä se vaatii prosesseilta, miten se muuttaa työtapoja ja miksi ihmisen rooli on edelleen keskeinen.
Mitä AI-avusteinen tuottavuus tarkoittaa?
Asiantuntijoiden tekoälykeskustelussa on usein negatiivinen pohjavire: pelko siitä, että koneet vievät ihmisten työt tai jäljelle jää vain rippeet mielekkyydestä. Tehokkuutta ja tuottavuutta korostavat tavoitteet vahvistavat mielikuvaa, ettei ihminen tulevaisuudessa riitä tai pärjää koneelle. Tuottavuus voi kuitenkin tarkoittaa myös ihmisen ja tekoälyn yhteistyötä, rinnakkaiseloa, jossa toinen katalysoi toista. Kun tekoäly tulee osaksi arkea, työn tekemisen tapa muuttuu. Perinteisesti ihmisen ja tekoälyn roolia mallinnetaan jatkumolla, jossa automaatiossa ihmisen työpanosta korvataan teknologialla ja augmentaatiossa tekoäly vahvistaa ihmisen kyvykkyyksiä.
Automaatiossa tekoäly pyrkii hoitamaan prosessin päästä päähän, ja ihminen astuu mukaan vain valvomaan tai ratkomaan poikkeuksia (”human-in-the-loop”). Automaatio nopeuttaa prosesseja ja siirtää osan vaiheista koneelle, mutta samalla se voi tehdä ihmisen työstä kognitiivisesti raskaampaa. Uudenlainen työnkulku vaatii selvittelyä ja kontekstin hahmottaminen vie aikaa.
Monelle asiantuntijalle houkuttelevampi lähtöasetelma onkin augmentointi, jossa ihmisen tekemä työ muodostaa lähtökohdan ja tekoäly käytetään kohdissa, joissa se tuo oikeanlaista tehoa ja näkökulmaa työhön (”AI-in-the-loop”). Tässä lähestymistavassa ihminen valitsee ja ohjaa. Ihmisen työnkulku pysyy omaehtoisena, asiayhteys säilyy ja joustoa syntyy erilaisista tavoista hyödyntää tekoälyä. Tämä voi nopeuttaa tehtäviä ja vähentää kuormitusta.
Ihmisen ja tekoälyn tuottavuuden yhteydessä on hyvä muistaa, että alansa ammattilaiseksi ei tulla ilman ajatustyön tekemistä ja oppimista. Jos tekoäly hoitaa kokonaan jonkin osa-alueen työstä, oppiminen ja kehittyminen voivat jäädä tapahtumatta. Pitkällä aikavälillä tämä heikentää sekä asiantuntijan omaa identiteettiä ja työn mielekkyyttä että organisaation tulevaisuuden kyvykkyyttä. Työn muokkaaminen roolien ulkopuolta tehokkuusnäkökulmalla voi näyttäytyä kontrollin menettämisenä ja osaamisen mitätöimisenä, jolloin tehostettuja tehtäviä vältellään ja pyritään muovaamaan omaehtoisesti uusiin suuntiin.
Prosessi- ja käyttäjäymmärrys ovat AI-hyötyjen perusta
Tekoälykeskustelu keskittyy usein teknisiin kykyihin, mutta organisaatioiden todelliset haasteet ovat yleensä muualla. Ero sen välillä, mitä ihmiset tekevät intuitiivisesti ja mitä kone tarvitsee eksplisiittisenä ohjeena voidakseen aikaansaada saman lopputuotoksen, on usein yllättävän iso.
AI-avusteinen tuottavuus vaatii vahvaa työnkulkujen ja prosessien ymmärtämistä. Tekoälyaika onkin tuonut mukanaan virkistävän paljon puhetta työnkulkujen merkityksestä, ja syystäkin. Jos prosessit ovat epäselviä, tekoälyratkaisuja on vaikea integroida tehokkaasti tai niin, etteivät ne tahattomasti riko arjessa esiintyvää variaatiota.
Kun halutaan tunnistaa, mitä tietoa työssä todella käytetään, ovat käyttäjätutkimus ja havainnointi kriittisiä tapoja selvittää työn sisältöä. Ne tekevät näkyväksi erilaisia ajattelutapoja, poikkeuksia ja työntekijöiden omia oikoreittejä, eli asioita, joita eivät näy prosessikaavioissa, mutta jotka voivat hyvinkin vaikuttaa AI-ratkaisun onnistumiseen.
Moni organisaatio on huomannut, että dokumentoidut prosessit ja todellinen arki eivät aina kohtaa. Ihmiset paikkaavat puutteita omilla ratkaisuillaan, kuten post-it-lapuilla tai pitämällä omia muistiinpanoja, jotka eivät näy virallisissa prosessikuvauksissa. Tekoäly ei voi hyödyntää näitä piilossa olevia käytäntöjä ja niiden sisällön roolia, ellei niitä tunnisteta. Siksi työnkulkujen avaaminen ja niiden pienempienkin osien kuvaaminen on välttämätöntä. Ennen kuin työnkulkua pilkotaan, kannattaa kysyä: pitäisikö tämä tehtävä ylipäätään antaa tekoälylle? Kaikki tehtävät eivät hyödy tekoälystä. Jotkut ovat tehokkaampia perinteisenä koodina, ja toisissa ihmisen rooli on kriittinen. Vaatiiko tehtävä matematiikkaa, sääntöpohjaista logiikkaa, tyylin sovittamista ja laadullista arviointia tai esimerkiksi riskiarvioita? Käytännössä tekoälyn roolia muokatessa tutkitaan organisaatioiden perinteisiä yhteistyön ja tiedon tuottamisen tapoja, tehtävien vaatiman tiedonkäsittelyn laatua, kulttuuria, tiimejä sekä kuinka ihmiset toimivat teknologian kanssa.
Työnkulkujen pilkkominen onkin ennen kaikkea oppimisprosessi ja työn parempi ymmärtäminen voikin jo itsessään johtaa parannuksiin. Kun ratkaisut suunnitellaan hyvän käyttäjäymmärryksen pohjalta, tekoäly sulautuu luontevasti osaksi arjen työnkulkuja eikä jää irralliseksi lisäkkeeksi tai jopa hidasteeksi. Hyvä suunnittelu ei ehkä näy, mutta yhdistää tekniset mahdollisuudet ja ihmisen käyttäytymisen tehokkaalla tavalla juuri kyseiseen organisaatioon sopivaksi.
Mitä organisaation pitää huomioida, jotta AI-tuottavuuden hyödyn saa irti?
Vanha konsulttiviisaus pätee tekoälyynkin: olematonta ei voi skaalata. Hyötyjen on ensin synnyttävä jossain, jotta ne voidaan monistaa muualle. Pienikin investointi on liikaa, jos lisäarvoa ei synny. Ajansäästön lisäksi on hyvä mitata esimerkiksi tarkkuutta, kustannuksia ja virheistä syntyviä seuraamuksia sekä huolehtia, ettei kriittisiä työnkulkuja rikota.
Kun hyödyt on todistettu, niiden monistaminen voi tuottaa merkittäviä parannuksia. Skaalaus ei kuitenkaan ole pelkkää teknologiaa, sillä se vaatii huolellista suunnittelua ja työnkulkujen sovittamista. Hyvät suunnitteluratkaisut, käytettävyys ja tekoälyn sulava upottaminen prosesseihin ovat yhtä tärkeitä kuin muissakin ohjelmistohankkeissa. Jos tekoäly rikkoo työtapoja, pienet hyödyt voivat haihtua. Organisaation oppiminen ja kokeilukulttuuri ovat avainasemassa. Onnistuneet tekoälyintegraatiot syntyvät usein iteratiivisesti, kun ensimmäisen vaiheen aikana opitaan lisää ja nähdään aidot vaikutukset. Näin skaalataan myös ihmisen ja tekoälyn tekemää yhteistyötä, ja tiedetään mitä oikeasti tapahtuu työn arjessa.
Ihmisen ja tekoälyn yhteistyöllä on merkittäviä tuottavuushyötyjä silloin, kun lopputulos on parempi kuin mihin kumpikaan pystyisi yksin. Tämä tila vaatii oppimista ja kokeiluja. Organisaation kannattaa kehittää tapoja arvioida tekoälyn roolia. Tehtiinkö päätöksiä sen avulla? Annettiinko palautetta? Onko työntekijöillä aikaa kokeilla? Tekoälyn integroituminen työnkulkuihin kertoo, että jotakin tapahtuu, mutta ei vielä sitä, toimiiko se. On seurattava, tuottaako tekoäly aitoa lisäarvoa vai näkyviä aktiviteetteja. Paras mittari onkin, onko lopputulos parempi kuin ennen.
Voisimmeko olla avuksi AI-avusteisen tuottavuuden rakentamisessa? Ota yhteyttä tai laita viestiä osoitteeseen: myynti@norrin.com!
.png?width=1200&name=Untitled%20(5).png)
