Keskustelullinen käyttöliittymä – esimerkiksi chatti – houkuttelee, koska se kohottaa koneen roolia scifi-fantasioidemme tasolle: Jos sen kanssa voi keskustella luonnollisella kielellä mistä vain, laite tuntuu väistämättä fiksulta kumppanilta. Yritystekoälyn näkökulmasta chatti on kuitenkin vain pieni osa siitä muutoksesta, jonka tekoäly tuo työntekijän ja tietotekniikan väliseen suhteeseen.
Ensimmäinen yritysarkkitehtuuriin liittyvä iso tekoälykysymys on se, missä tekoäly ylipäätään sijaitsee? Syntyykö organisaation tietovaraston ympärille ”AI-kerros”, asettuuko tekoäly osaksi ERP:itä, vai sirpaloituuko se niihin kaikkiin pieniin sovelluksiin, joihin käyttäjät tarttuvat?
Todennäköisesti useimmissa yrityksissä nähdään näitä kaikkia muotoja. Käyttäjän näkökulmasta muutos tuntuu vaativalta, sillä tekoälyn uiminen arkityöhön vaatii uusia taitoja, uutta tapaa suhtautua tietotekniikkaan, mutta myös uutta suhtautumista ihmisen rooliin. Yhden sovelluksen käytön voi vielä opettaa, mutta mitä kun kaikki muuttuu?
Tehtäväkeskeisyys mullistaa koko sovelluskulttuurin
Eräs suurimmista lupauksista on aidon yrityksen laajuisen tehtäväkeskeisen käyttökokemuksen mahdollistaminen. Tehtäväkeskeisyys tarkoittaa sitä, että käyttäjä kertoo koneelle mitä haluaa tehdä sen sijaan, että hän etsisi sovelluksen, jolla hän tekee sen. Kaikki lähtee yksinkertaisista pyynnöistä:
- ”Avaa viime viikon myyntiraportti” löytää oikean HubSpot-näkymän tai Power BI -raportin.
- ”Tee matkalasku viime viikon Tukholman reissusta” tunnistaa oikeat kalenteritapahtumat, etsii tarvittavat kuitit sähköpostista, ja kasaa aineiston valmiiksi matkalaskun hyväksymistä varten.
- ”Varaa minulle 1:1-palaverit kaikkien Terva-projektin ohjausryhmäläisten kanssa” tietää keistä puhutaan, ja aloittaa kalenteriharjoituksen.
Tehtäväkeskeisyydessä on kaksi isoa rakennuspalikkaa: Ensinnäkin käyttäjä tarvitsee suoraan laitteella olevan tekoälykäyttöliittymän, jolle pyyntöjä voidaan esittää. Tällaista assistenttikokemusta hahmotellaan tällä hetkellä niin Windowsilla, iOS:llä kuin Androidillakin, joskaan mikään niistä ei ole vielä kovin valmis. Suurempi haaste on kuitenkin tämä toinen puuttuva osanen: Tekoälykäyttöliittymien sitominen yritys-IT:hen vaatii jonkinlaisen agenttikatalogin, jonka perusteella käyttöliittymiä tulkitaan. Katalogin tehtävänä on vastata esimerkiksi siihen kysymykseen, miten organisaatiossa matkalaskut tehdään tai mistä se myyntiraportti löytyy.
Ideaalitilanteessa käyttäjän ei edes tarvitsisi tuntea käytössä olevia sovelluksia, vaan tekoäly pystyisi käyttämään niitä kaikkia hänen puolestaan. Esimerkiksi myyntiraporttinäkymän voisi vain palauttaa ruudulle ilman, että varsinaista raporttisovellusta – vaikkapa Power BI:tä – koskaan edes näkyy. Monimutkaisemmissa tiedonsyötön tilanteissa, vaikkapa budjetoinnissa, käyttäjän hallinnan tunne ja tuottavuus kuitenkin vaatii erityissovellusten tuntemusta ja osaamista. Tällöinkin tekoälyn tehtävä voi kuitenkin olla tuottavuutta tukeva – esimerkiksi pyynnöllä ”Vie Antin eilen sähköpostissa lähettämät myyntiennusteet ensi vuoden budjettipohjaan”.
Personointi tuo puhtia perustapauksiinkin
Tietotekniikan käyttäminen pyytämällä on sitä innostavampaa, mitä enemmän pyynnöillä voidaan korottaa koneen kanssa toimimisen abstraktiotasoa. Kukaan ei kaipaa ratkaisua, jossa konetta voi kehottaa ”Kirjoita soluun G7 luku 412”. Arvoa syntyy, kun sekä sovellusympäristön että käyttäjän tunteva agentti pystyy suorittamaan monimutkaisia työvaiheita kerralla, hyödyntäen useiden eri lähteiden dataa.
Esimerkiksi pyyntö ”Rekisteröi minut Microsoftin Ignite-konferenssiin” on jo mielenkiintoisempi: Siinä agentti tarvitsee vain käyttäjän toiveen, ja osaa itse hoitaa tehtävän melko itsenäisesti. Nimet, osoitteet, ruokavaliot ym. ovat todennäköisesti jo agentin tiedossa. Luultavasti jokin varmistuskehote tarvitaan – esimerkiksi muodossa ”Rekisteröitymisen hinta on 2325 USD. Veloitetaanko tämä luottokortiltasi?”.
Käyttäjän ja tämän toimintaympäristön tuntevalla agentilla on kuitenkin mahdollisuus auttaa ketjussa pidemmällekin. Kun itse rekisteröityminen on tehty, luonteva jatkokysymys on vaikkapa ”Haluatko varata samalla lennot ja majoituksen? Matkajärjestelmän suosittelemat vaihtoehdot ovat X ja Y. Edellisenä vuonna olit hotellissa X.”
Hyödylliseen personointiin ei lopulta tarvita massiivista tietojoukkoa. Agentti oppii nopeasti käyttäjästään, mutta silloinkin kun tietoa ei ole, sitä voidaan helposti täydentää esimerkiksi organisaation yleisillä tavoilla, tai hotellisuositusten tapauksessa vaikkapa internetin hotelliarvosteluilla. GenAI-ratkaisujen vahvuus on juuri tällaisessa joustavuudessa. Käyttäjän kokemus alkaa muuttua melko pienelläkin personoinnilla: tietotekniikka vaikuttaa lomakkeen sijasta assistentilta.
Multimodaalisuus: Kone kurottaa tosielämään
Ihmisen ja tietotekniikan suhde on määrittynyt pitkälti näytön, näppäimistön, hiiren – ja viime aikoina myös kosketusnäytön – varaan. Näkö- ja kuuloaistien kautta välittyvät viestit ovat kuitenkin monissa työrooleissa kriittisiä. Generatiivinen tekoäly madaltaa ääni- ja kuvaviestinnän kustannuksia radikaalisti, jolloin käyttöliittymätekniikoiden kirjoa voidaan monipuolistaa missä tahansa sovelluksessa – eikä kyse ole vain puheohjauksesta.
Esimerkiksi puhelinasiakaspalvelun tehostamisessa tekoälyavustin voi olla muutakin kuin aspalle suunnattu chatbotti. Tekoäly voi myös suoraan kuunnella asiakkaan kanssa käytävää keskustelua, ja rakentaa puhelusta reaaliaikaista case-kuvausta, joka paitsi tuottaa tarvittavat asiakastietomerkinnät, myös tarjoaa asiakaspalvelijalle reaaliaikaisesti lisätietoa asiakkaasta, mahdollisista ratkaisuista ja toimintaohjeista.
Konenäkö puolestaan pystyy tulkitsemaan ympäristöä. Esimerkiksi asunnon tai toimistotilan kuntotarkastusta voidaan tehostaa kuvaamalla asunto videona. Iso osa puutteista voidaan tunnistaa automaattisesti suoraan kuvasta, ja esimerkiksi päälle puhumalla voidaan tuottaa visuaalisuuteen sidottuja tehtävämerkintöjä niistä asioista, joita konenäkö ei voi tunnistaa (”Tämä seinä pitäisi maalata meidän brändivihreällä.”).
Olemme lähestymässä myös tilannetta, jossa visuaalisen materiaalin täydentäminen ja tuotanto alkaa olemaan niin reaaliaikaista ja laadukasta, että se voi tukea työkäyttöä reaaliajassa. ”Miltä tämä seinä näyttäisi, jos siinä olisi meidän logomme maalattuna?”-taso alkaa hiljalleen olemaan mahdollisuuksien rajoissa esimerkiksi tilasuunnittelussa.
Olennaista on muistaa tarkastella tietotekniikan käytettävyyttä kaikkien aistien kannalta. Avokonttoreissa äänen käyttäminen voi olla ongelma, mutta käyttökohteita löytyy kenttätyöstä ja mistä tahansa, missä mobiililaitteet ovat olennaisia. Rakenteisen tiedon kirjaaminen sanelemalla on hyvä esimerkki tilanteesta, jossa käyttäjän hermoja säästää, kun ajatuksen voi purkaa vapaamuotoisena ajatuksena – on kyse sitten matkalaskun selitemerkinnöistä, lääkereseptin sanelusta tai vaikka siivouskohteen tilan raportoinnista.
Asynkronisuus muuttaa aikakäsityksemme
Nykytyöelämä vaatii ihmisaivoilta paljon. Tekoälyn yksi suurimpia tuottavuuslupauksia on, että se antaa ihmisten keskittyä tärkeimpään, kun yhä isompi osa rutiinitehtävistä voidaan automatisoida. Tässä ajattelussa tekoälyn on alettava muistuttaa enemmän assistenttia kuin työvälinettä. Ihmisen on oltava ohjaimissa, mutta avustajalle annettujen tehtävien laajuus ja monimutkaisuus kasvaa kykyjen kasvaessa.
Tehtävien monimutkaistuessa pitenee myös suoritusaika. Koneelta voi toivoa suorituskykyä, mutta määrättömän nopea se ei ole: esimerkiksi ”Etsi Helsingin halvin paikka painattaa 500 kpl T-paitoja” on useamman minuutin tutkimustehtävä tekoälyllekin. Jos tehtävään lisätään ihmiskomponentteja (”Kilpailuta asiakastyytyväisyyskyselyn tekeminen”) tai tarkoituksellisia vastausviiveitä (”Pyydä alaisiani arvioimaan johtamistani ja tee tuloksista yhteenveto”), vastaus saattaa valmistua vasta päivien tai viikkojen päästä.
Asynkronisuudessa on kyse siitä, että työ jätetään tarkoituksella taustalle, ja sen äärelle palataan, kun se on valmis – tai ainakin, kun ihmisen syöte on tarpeen. Tulevat tekoälyratkaisut tulevat nojaamaan asynkroniaan raskaasti: käyttäjän ei oletetakaan istuvan agentin käyttöliittymän äärellä, vaan virtuaalikollega hoitaa omia tehtäviään taustalla ja raportoi niistä tarpeen mukaan. Osa keskeytyksistä liittyy valmistuneisiin tehtäviin, osa taas on human-in-the-loop-ajatusmallin mukaisia varmistuksia: ”Onhan OK, että suunnittelen tuotantolinjan käyttökatkon viikolle 41?”
Muutos on vaativa, koska tietotyöläiset kärsivät jo tällä hetkellä erilaisten notifikaatioiden aiheuttamasta kuormituksesta. Agenttien hioutuessa tämä muutos kääntyy kuitenkin positiiviseksi: Tarpeettomat viestit jäävät pois, ja agentin lähettämä materiaali alkaa tuntua yhtä merkitykselliseltä kuin parhaan kollegankin. Mitä isommaksi yhden henkilön ohjaama agenttiarmeija muuttuu, sitä suurempi on myös notifikaatioiden määrä. Ohjaus- ja seurantavälineiden on kehityttävä agenttityön tehostumisen myötä, jotta ihmisistä ei tule kehityksen pullonkaulaa.
Mitä voin tehdä nyt heti?
Valtaosa tässä jutussa kuvatuista agenttiteknologioista on teoriassa olemassa, mutta käytännössä vielä niin keskeneräisiä tai vaikeita, että aidon koko yrityksen laajuisen ratkaisun toteuttaminen on haastavaa. Tulevan agenttitulevaisuuden voi kuitenkin huomioida monella pienellä valinnalla.
Tehtäväkeskeisyyteen voi valmistautua tekemällä yrityksen nykyisistä tekoälykyvyistä harkittuja ja vakiomuotoisia – ja luetteloimalla niitä nyt edes johonkin, vaikka Word-dokumenttiin – jolloin jonain päivänä ne on helpompi valjastaa koko yrityksen käyttöön. Ideaalitilanne olisi, että keskitetystä katalogista voitaisiin tarjota räätälöidyt toiminnot niin työpöytälaitteille kuin mobiiliinkin. Microsoftin, Googlen ja Applen kaltaisilla käyttöliittymien suuryrityksillä kestää usein pitkään löytää yhteinen näkemys, joten yhtenäisten laajennusten mahdollistumiseen kuluu varmasti vielä vuosia. Suppeampia toteutuksia voi kuitenkin tehdä vaikka omilla pienillä räätälöidyillä käyttöliittymillä – suinkaan kaikkea ei tarvitse viedä esimerkiksi Copilotin tai Sirin kaltaisille alustoille.
Puheen ja videon yhdistämistä käyttöliittymiin voi alkaa toteuttamaan jo nyt. Tässä aloittamisesta on monenlaista apua: ensinnäkin moniaistillisuus on suuri työtapojen muutos, ja vaatii usein harjoittelua ja kokeilemista (”Mitä tietoa meidän kannattaa koittaa kerätä puheesta?” / ”Kuinka hyvänlaatuisia kuvia pystymme todellisuudessa ottamaan talojen rakenteista?”). Kerätty aineisto – puhe tai kuvat – tulevat monesti myös tarpeeseen, jos lopulta päädytään kouluttamaan tai räätälöimään omaa tekoälymallia. Esimerkkidataa tarvitaan tällöin usein tuhansien näytteiden verran, jolloin on suureksi avuksi, jos keräämistyö on jo ehditty aloittaa.
Personoinnissa korostuu datan laatu: Käyttäjän palveleminen on sitä helpompaa, mitä laadukkaampaa ymmärrystä käyttäjistä, tehtävistä ja olosuhteista on. Datan jäsentäminen tukee sekä tekoälypäättelyn laatua että myös hyvää käyttökokemusta tulevina vuosina.
Prosessikehitystä voi lähestyä jo nyt AI mielessä: Mitkä osat mistäkin prosessista voidaan jatkossa siirtää AI:lle? Mitkä osat voidaan tekoälytehostaa? Missä tilanteessa ihminen tekee jatkossakin työn, mutta mahdollisesti aiempaa paremmalla informaatiolla? Tulokset kannattaa huomioida myös yritysarkkitehtuurissa: Modulaarinen sovellusrakenne luo paitsi joustavuutta AI-kehitykseen, myös mahdollistaa ihmisten ja koneiden välisen työnjakosauman joustavan sijoittelun sen mukaan, miten sekä organisaatio että teknologia kehittyy.
Haluatko sukeltaa syvemmälle? Lataa meidän Face of AI Whitepaper tai ota yhteyttä!
