Generatiivisen tekoälyn mahdollisuudet ja sudenkuopat pk-yritysten näkökulmasta

Tiivistelmä

Vuonna 2023 generatiivinen tekoäly, eli lyhyemmin GenAI (Generative AI), saapui toden teolla tutkijoiden ja suurten teknologiayritysten etuoikeudesta kaikkien organisaatioiden ulottuville. Tuloksena oli valtava määrä uusia ideoita, tekoälyä hyödyntäviä startup-yrityksiä ja erilaisia tekoälypalveluita. Samalla myös pienten ja keskisuurten yritysten (pk-yritykset) toimintaympäristö muuttui peruuttamattomasti erityisesti tietotyön ja luovan työn osalta. Yritysten pitää löytää tapa, jolla integroida GenAI liiketoimintaansa, mikäli ne haluavat pysyä kilpailukykyisenä.

Tässä artikkelissa käymme läpi generatiivisen tekoälyn erityispiirteitä, kuten mitkä ovat sen keskeiset erot toiminnan ja käyttötapausten osalta ennalta määriteltyjä sääntöjä ja malleja noudattavaan ”perinteiseen” tekoälyyn verrattuna, ja mitä haasteita käyttöönottoon liittyy. Erityisesti katsomme asiaa pk-yritysten näkökulmasta ja mitä niiden pitäisi huomioida esimerkiksi teknisen toteutuksen näkökulmasta. Kirjoitus on osa Tekoälykäs PK-yritys -hanketta, jonka tarkoitus on edistää pk-yritysten ja niiden työntekijöiden tekoälyn käyttöönottoa.

Tekoälymuutos on vahvasti strateginen ja työkulttuurillinen muutos

Perinteisempään, ennustavaan ja toiminnaltaan rajatumpaan tekoälyyn verrattuna – kuten luokitteluun ja ryhmittelyyn – GenAI pystyy tuottamaan uutta sisältöä, tulkitsemaan ja generoimaan monimutkaista dataa ja olemaan käyttäjien kanssa vuorovaikutuksessa lähes reaaliajassa. Tämä on mahdollista, koska GenAI:t perustuvat massiivisiin ja monipuolisesti koulutettuihin neuroverkkomalleihin eli niin kutsuttuihin pohjamalleihin, kuten GPT-4, Gemini ja Dall-E, joita ei tarvitse itse kouluttaa. Pohjamallien ansiosta GenAI:n hyödyntäminen ei välttämättä vaadi enää aikaisemmin tekoälyn kouluttamisen alkuvaiheeseen tyypillisesti kuulunutta datan keruuta ja jalostamista, jota omien koulutettujen tekoälymallien hyödyntäminen vaatii. Pohjamalleja voi alkaa käyttää myös sellaisenaan, kunhan ymmärtää syötesuunnittelun perusteet ja noudattaa varovaisuutta arkaluontoisen tiedon suhteen.

Pohjamallien päälle rakennetut helppokäyttöiset verkkosovellukset ja ns. plug-in komponentit eri ohjelmistoissa tekevät mahdolliseksi sen, että jokainen tietokonetta käyttävä työntekijä voi hyödyntää työssään tekoälyä. Yrityksen näkökulmasta kenties merkittävin muutos on se, että GenAI:ta hyödynnettäessä kyse ei ole pelkästään teknisestä, vaan myös vahvasti strategisesta ja työkulttuurillisesta muutoksesta, joka koskettaa yritystä laajemmin ja useampaa työntekijää ja työroolia. Esimerkiksi tyypillisessä ohjelmistoyrityksessä niin ohjelmoija, viestintävastaava kuin yritysjohtokin voivat kaikki hyödyntää työssään ChatGPT-palvelua tai jotain muuta suurta generatiivista kielimallia, vaikka heidän työnkuvansa poikkeavat vahvasti toisistaan.

Kilpailuedun saavuttaminen vaatii ketteryyttä ja kykyä innovoida

GenAI suuntaa tekoälyn hyödyntämistä automaatiosta kohti innovaatioita ja uuden luomista. Sen vaikutus on huomattavin asiakaspalvelun kaltaisilla, nopeasti digitaalistuvilla markkinoilla, joilla se mahdollistaa erilaisten räätälöityjen ratkaisujen tuottamisen asiakkaille. Tyypillisimpiä esimerkkejä ovat älykkäät chat-palvelut tai -botit sekä erilaiset virtuaaliassistentit, jotka parantavat asiakaskokemusta tarjoamalla tukea vuorokauden ympäri.

Pilvessä toimivat helppokäyttöiset työkalut, kuten esimerkiksi ChatGPT (chat.openai.com), Poe (poe.com) ja Adoben Firefly (firefly.adobe.com), ovat jo sellaisenaan suoraan sovellettavissa liiketoimintaan. Haasteet tulevat yleensä eteen vasta siinä vaiheessa, kun GenAI:sta halutaan saada kilpailuetua ja mukauttaa malleja yrityksen yksilöllisiin tarpeisiin, kuten esimerkiksi oman ainutlaatuisen datan ja tietopääoman hyödyntämiseen. Kilpailuedun saavuttamisessa yrityksen ketteryys ja kyky innovoida ovat avainasemassa.

Suomessa ja koko maailmassa on parhaillaan meneillään GenAI:hin liittyvä hype-vaihe. Sen tyypillinen piirre on, että kaikki ongelmat ja tehtävät pyritään määrittelemään uudestaan tekoälyongelmiksi. Eli ensimmäisenä kysytään aina, voisiko tekoäly ratkaista ongelman X. Tämä on osaltaan johtanut siihen, että etenkin startup-yritysten määrä on räjähtänyt käsiin (Iansiti & Lakhani 2020). Pienissä ja keskisuurissa yrityksissä tämä on puolestaan näkynyt omaan liiketoimintaan sovellettavissa olevien tekoälytuotteiden ja -palveluiden määrän huomattavana kasvuna.

Tekoälytuotteiden ja -palveluiden osalta yritysten kannattaisi kuitenkin pitää pää kylmänä, sillä useimmat hienolta näyttävät tekoälypalvelut on usein rakennettu samojen pohjamallien päälle (yleensä GPT-3.5 tai -4), eikä palveluiden tietoturvan tasosta tai niiden pitkäkestoisesti jatkuvuudesta vuosiksi eteenpäin ole yleensä takeita. Tämä korostaa tuttujen kumppaniverkostojen merkitystä. Siksi yritysten kannattaisikin aina ensimmäisenä kartoittaa, voisiko uutta GenAI-ratkaisua lähteä kehittämään tutun ja turvalliseksi todetun IT-kumppanin kanssa.

Keskiössä tietotyö, sisällöntuotanto ja innovatiivinen suunnittelu

Tekoälyn käyttö kiinnostaa tällä hetkellä myös tutkijoita. Kyselyiden mukaan vuonna 2023 kolmasosa kaikista yrityksistä käytti GenAI-sovelluksia säännöllisesti ainakin yhteen toimintoon ja jopa 60 % tekoälyä aikaisemmin hyödyntäneistä yrityksistä kertoi käyttävänsä myös GenAI:ta. Tällä hetkellä vaikuttaa, että yrityksen koolla on merkitystä, mitä tulee uusien teknologioiden hyödyntämisen. GenAI:n hyödyntäminen on vähäistä erityisesti pienyritysten omistajien joukossa, joissa on alle 51 työntekijää. Kyselyt osoittivat, että vain 38 % pienyritysten omistajista oli kokeillut GenAI:ta ja 11 % hyödyntänyt sitä varsinaiseen liiketoimintaan (Bhattacharyya 2023). Ero oli huomattava erityisesti pohjoismaissa, joissa suurista yrityksistä jopa 77 % ilmoitti käyttäneensä generatiivista tekoälyä vuoden 2023 aikana. Euroopan suurimman yksityisen tekoälylaboratorio Silo.ai:n mukaan käyttö selittyi lähes kokonaan (71 %) suurten kielimallien kautta (Silo AI 2024).

Tutkimusten mukaan noin 75 % GenAI:n arvosta tulee neljältä eri osa-alueelta: asiakaspalvelun toiminnot, markkinointi ja myynti, ohjelmistotuotanto ja TKI-toiminta (Chui ym. 2023). GenAI rooli erityisesti sisällöntuotannossa kasvattaa vahvasti suosiotaan pk-yritysten keskuudessa, kun yhä suurempi osa yrityksistä hyödyntää tekoälyä viestintänsä ja esimerkiksi kuvituksensa tukena rajakustannuksista säästääkseen. Tyyppiesimerkkinä tästä toimii asiakkaille personoidut sisällöt, joita hyödynnetään etenkin myynnissä ja markkinoinnissa. Käyttö on yleistynyt niin nopeaa, että saksalaisen Statistan mukaan vain 17 % amerikkalaisista markkinointialan ammattilaisista ilmoitti, etteivät he hyödynnä GenAI-työkaluja työssään (Dencheva 2023). Tällä hetkellä GenAI:sta hyötyvät eniten tietotyöläiset, joiden työnkuva liittyy jollakin tavalla tekstiin ja/tai kuviin. Tietotyöläisen näkökulmasta tarjolla on useita valmiita toimisto-ohjelmien tekoälyintegraatioita, kuten esimerkiksi Microsoftin Copilot 365 MS Office -tuotteille ja Bard Googlen vastaaville tuotteille.

GenAI muovaa myös tuotesuunnittelun maailmaa, jossa se on mahdollistanut kokonaan uudenlaisia tapoja työskennellä sekä entistä innovatiivisempia keinoja toteuttaa suunnittelua ja erilaisia mallinnuksia. Tekoälyn murroksen myötä suunnittelijat, kuten esimerkiksi insinöörit, voivat syöttää suunnittelutavoitteensa ja parametrit, kuten tuotteen suorituskyvyn, tilavaatimukset, materiaalit, valmistusmenetelmät ja kustannusrajoitukset suoraan generatiiviseen suunnitteluohjelmistoon, jonka jälkeen ohjelmisto tutkii mahdollisia ratkaisuja, luoden samalla vaihtoehtoisia suunnitelmia, joita suunnittelijat voivat punnita ja laittaa käytäntöön.

GenAI eroaa perinteisistä, ennustavista tekoälymalleista myös siten, että perinteiset mallit ovat kehitetty vain tiettyä, tarkasti rajattua tarkoitusta varten, jonka vuoksi myös mallien käyttäjäryhmät ovat rajattuja. Hyvänä esimerkkinä tästä toimii taloushallinon työntekijä, joka käyttää automaattista laskuntunnistusmallia (ks. Snowfox.AI:n tapaus; Ruohonen ym. 2022). GenAI-mallien kanssa ei kuitenkaan ole näin. Esimerkiksi huippusuosittu ChatGPT taipuu useisiin eri työtehtäviin, joissa luodaan tai muokataan tekstiä, ja siitä saatava hyöty vaihtelee vahvasti työtehtävän mukaan.

Toisaalta kaikesta generatiivisen tekoälyn ympärillä pyörivästä hypestä huolimatta on silti aiheellista muistaa, että perinteisen, ei-generatiivisen tekoälyn taloudellinen painoarvo on edelleen noin 80 % kaikesta tekoälyn ja edistyneen analytiikan vaikutuksesta (Chui ym. 2023). Käytännössä tämä tarkoittaa sitä, että maailma pyörii yhä perinteisen tekoälyn avulla, eikä ole kovinkaan todennäköistä, että GenAI tulisi ainakaan vielä lähiaikoina korvaamaan perinteisemmän tekoälyn tarvetta yrityksissä.

Haasteet ja erityispiirteet generatiivisen tekoälyn käytössä ja integroinnissa

Generatiivisen tekoälyn integrointi pk-yritysten toimintoihin voi tuoda mukanaan täysin uudenlaisia haasteita, jos sitä vertaa perinteisiin tekoälyratkaisuihin. Syitä tähän on useita. Yksi yleisimmistä on sen kyvykkyyden yliarviointi, mikä johtuu GenAI:n toimintaan liittyvistä väärinkäsityksistä ja sen toimintaperiaatteiden vähäisestä ymmärryksestä. Yritykset voivat olettaa tekoälyjärjestelmien toimivan ihmismäisellä ymmärryksellä ja päätöksentekokyvyllä, joka voi helposti johtaa pettymyksiin. On totta, että GenAI-mallit ovat taitavia luomaan tekstiä ja kuvia, mutta ne eivät välttämättä tunnista oikeaa kontekstia, jolloin ne saattavat tuottaa virheellistä tietoa. Sen tähden GenAI:n käyttö tuotannossa vaatiikin aivan erityistä valvontaa ja tarkkuutta.

GenAI:n käyttö tapahtuu, ainakin vielä toistaiseksi, syötesuunnittelun kautta. Käytännössä tämä tarkoittaa sitä, että käyttäjän tulee osata sanoittaa ongelma oikealla tavalla parhaan lopputuloksen saamiseksi (esim. teksti, kuva tai koodi). Syötesuunnittelu on yksi suurimmista käytännön eroista perinteisiin tekoälymalleihin verrattuna, joissa sitä ei ole lainkaan, vaan syötteet ovat aina tietynlaisia ja tarkasti koodin kautta määriteltyjä. Tehokas syötesuunnittelu on taito, joka vaatii harjoittelua, yritystä, erehdystä ja malleihin liittyvien parametrien säätämistä. Toisaalta GenAI:n kehittyessä myös syötesuunnittelua pitää muuttaa (kts. esimerkiksi englanninkielinen Prompt Engineering Guide). Boolen logiikan ymmärtäminen voi auttaa syötesuunnittelussa.

GenAI:n neuroverkot, kuten aikaisemmin mainitut pohjamallit, ovat opetettu yleistämään ja soveltamaan valtavaa tietomassaa, mutta ne eivät tunne tarkasti pk-yrityksen liiketoimintaa, toimintatapoja, työpaikkakulttuuria, asiakkaita tai edes tyyliä, visuaalista ilmettä tai brändiä. Jotta generatiivisesta tekoälystä saataisiin sen todellinen hyöty irti juuri omaan liiketoimintaan, tällaista yrityskohtaista uniikkia tietoa on saatettava mallin käytettäväksi (Bhattacharyya 2023). Mikäli mallia pyydetään generoimaan tuloksia joltakin hyvin uniikilta alueelta, joka ei ole yleistä tietoa, tuloksena on todennäköisesti täyttä puppua eli nk. mallin hallusinaatioita.

Yksinkertaisimmillaan tietoa voidaan tuoda syötesuunnittelun kautta esimerkiksi osana chatbotille annettavaa kysymystä, mutta huomattavasti parempi ratkaisu on hyödyntää ns. RAG-tekniikkaa (eng. Retrieval Augmented Generation) tai mallien hienosäätämistä yrityksen omalla datalla. Kumpainenkin ratkaisu tuli mahdolliseksi vuoden 2023 aikana ja tätä nykyä ne ovat jo yleiskäytössä. Käytännössä tätä voisi hyödyntää esimerkiksi siten, että paikallinen terveydenhuollon yritys voisi halutessaan käyttää potilastietoja hienosäätääkseen generatiivista tekoälymallia henkilökohtaiseen terveysneuvontaan ja kasvattaa tällä tavoin tehokkuuttaan ja parantaa yleistä asiakaskokemusta. Vastaavasti esimerkiksi komponentteja valmistava yritys voisi syöttää tuotteidensa tekniset tiedot mallin tietokantaan ja tuottaa asiakkaille tarkkoja vastauksia tuotteistaan chatbotin muodossa.

Toisaalta, kun ottaa huomioon pk-yritysten rajalliset resurssit ja mahdollisuudet kehittää liiketoimintaansa, niin täysin omien GenAI-mallien kouluttaminen tai edes niiden pyörittäminen omilla palvelemilla ei yleensä ole kannattavaa. Pilvipohjaisten tekoälypalvelujen myötä myös pk-yritykset voivat kuitenkin päästä helposti käsiksi uusimpiin malleihin. Käyttöönotto tapahtuu pk-yrityksissä helpoiten API-palveluiden (eng. application programming interface) kautta. Esimerkkejä tunnetuista API-palveluiden tuottajista ovat mm. OpenAI, Stability AI, Poe ja Cohere, jonka lisäksi mallien hienosäätämistä voi tehdä esim. MosaicML- tai Huggingface-palvelun kautta. Pk-yritys voi hyödyntää API-palveluita esimerkiksi verkkokaupan pyörittämisessä tuotekuvausten, asiakasvastausten ja jopa räätälöidyn markkinointisisällön luomiseen ilman oman tekoälymallin kehittämiseen ja kouluttamiseen liittyviä kustannuksia ja haasteita. Riittää, kun API-kutsut vain liitetään osaksi verkkokaupan koodia.

Perinteisemmät suuret teknologiayhtiöt, kuten Google Cloud AI, Amazon Web Services (AWS) ja Microsoft Azure tarjoavat GenAI-palveluita osana muita liiketoimintojaan. Useimmat kaupalliset GenAI-ratkaisut toimivat kuitenkin osana laajempaa palveluiden toimittajien ja kehittäjien ekosysteemiä (esim. AWS ja Hugginface), joiden alustat tarjoavat API- ja laskentapalveluita, tallennustilaa ja eri kehittäjien kaupallisia ja avoimia malleja (Marr 2023).

Luotettavat kumppaniverkostot ovat avainasemassa

GenAI-mallit ovat usein huomattavasti monimutkaisempia kuin useimmat perinteiset tekoälymallit. Lisäksi ne vaativat enemmän laskentaresursseja. Tästä syystä teknisten yhteistyökumppanien löytäminen on merkittävässä roolissa, mikäli yrityksellä itsellään ei ole riittävää teknistä osaamista. GenAI:n onnistunut integrointi tuotantoon ja osaksi liiketoimintaa voi olla paitsi kallista myös aikaa vievää ja riippuvaista tekoäly- ja pilvipalveluasiantuntijoiden saatavuudesta. Sen vuoksi luotettavat kumppaniverkostot, kuten esimerkiksi konsultit, tuotetoimittajat ja jälleenmyyjät, ovat usein avainasemassa, mitä tulee onnistuneeseen integraatioon. Yhteistyökumppaneiden on kuitenkin ymmärrettävä GenAI:n erityispiirteet, jotka liittyvät niiden rajoitteisiin, laskennallisiin kuluihin sekä eettisiin ja lakiteknisiin kysymyksiin, jotka muovautuvat kaiken aikaa.

Yrityksen näkökulmasta GenAI:n suurimpiin haasteisiin kuuluu malleihin liittyvien uudenlaisten riskien ymmärtäminen. GenAI-mallien tekemien virheiden tunnistaminen ja niiden ymmärtäminen on viimeisimpien tutkimusten mukaan yritysten suurin yksittäinen huolenaihe, joka tulee jopa ennen tietoturvaan ja lakiteknisiin asioihin liittyviä huolia (Chui ym. 2023). Tämä johtuu siitä, että GenAI:n tekemät virheet ovat erityisen haastavia tunnistaa ja mitata määrällisesti. Tekstin tai kuvan paremmuus riippuu vastaanottajasta ja kontekstista, eikä ole helposti numeerisesti mitattavissa toisin kuin vaikkapa luokittelumallin osumatarkkuus. Samaan aikaan tekstiä tuottavan tekoälymallin tarkkuuden vaatimukset ovat hyvin erilaisia, jos verrataan keskenään esimerkiksi yrityksen sisäistä raportointia, jossa pienet virheet eivät kenties haittaa ja ulospäin lähtevää virallista pörssiyhtiön yleisötiedotetta, jossa on nollatoleranssi virheille.

Myös GenAI-mallien tulosten läpinäkyvyys on yritysten kannalta huomattava ongelma, koska mallit eivät pysty selittämään, miten saadut tulokset ovat syntyneet ja mistä tiedot ovat peräisin. Läpinäkyvyyden puutteen haasteet korostuvat etenkin kriittisissä sovelluksissa, kuten esimerkiksi luottoluokituksissa tai asiakassegmentoinneissa, joissa tekoälyn päätösten ymmärtäminen on olennaista asiakkaiden luottamuksen ja sääntelyn kannalta. Kyse on ennen kaikkea tutkimusongelmista, joihin ei ainakaan vielä toistaiseksi ole olemassa valmiita kaupallisia ratkaisuja. Yritysten onkin tiedostettava puutteet jo käyttötapauksia pohdittaessa.

Datalähtöisyys on keskeisessä osassa kaiken edistyneen data-analytiikan käyttöönotossa (Iansiti & Lakhani 2020). Tämä pätee niin perinteiseen kuin generatiiviseenkin tekoälyyn (AlEidan & Amezaga 2023). On totta, etteivät GenAI-mallit välttämättä vaadi suuria datamassoja tai omien mallien koulutusta, mutta vähintäänkin käytettyjen syötteiden ja tulosten sujuva käsittely vaatii datan hallintaa. Jos yrityksen data on jo valmiiksi hyvin organisoitua ja helposti käytettävissä, niin myös GenAI-työkalujen käyttäminen on huomattavasti helpompaa.

RAG-järjestelmiä (eng. retrieval-augmented generation) tai mallien hienosäätöjä rakennettaessa datan määrä on ratkaiseva. Suuriin yrityksiin verrattuna pk-yrityksillä ei normaalisti ole yhtä paljon dataa käytössään, jolloin ongelmana voi olla datavääristymät, mikäli data ei ole edustava otos tarvittavasta kohderyhmästä. Liian pienellä tai huonolaatuisella datalla voidaan päätyä virheellisiin tuloksiin ja pahimmassa tapauksessa voidaan rikkoa jopa Euroopan unionin tekoälylle asettamia eettisiä ja lainsäädännöllisiä periaatteita. Tällaisissa tapauksissa pk-yritysten kannalta voi olla hyödyllisintä harkinta lisädatan hankkimista ostopalveluna tai vaihtoehtoisesti pohtia tekoälylle sellaista käyttötarkoitusta, jossa datan määrä ei muodostu ongelmaksi (Bhattacharyya 2023).

Generatiivinen tekoäly osana yrityksen strategiaa

Avoimen lähdekoodin GenAI-mallit ovat tulleet ryminällä markkinoille ja tänä päivänä erilaisia vaihtoehtoja on jo runsaasti saatavilla (esim. Hugginface-ekosysteemi). Avoin lähdekoodi mahdollistaa sen, että mallia voidaan pyörittää myös omissa tietojärjestelmissä, mutta niiden on huomioitava erilaisia kustannuseriä, kuten esimerkiksi käyttöönoton, ylläpidon ja valvonnan vaatima työaika. Pk-yrityksen näkökulmasta avoimen lähdekoodin ratkaisuja puoltaa niiden ilmainen saatavuus, avoimuus ja ennen kaikkea kontrolloitavuus. Vastaan taas hankaavat tekijät, kuten esimerkiksi tekniset haasteet sekä työ- ja laskentaresurssien tapaisten epäsuorien kustannusten arviointi.

Useimmilla PK-yrityksillä ei ole riittävää tietoteknistä osaamista ja aikaa kehittää omaa ratkaisua avoimien GenAI-mallien päälle, jonka vuoksi valmiin palvelun hankkiminen on yleensä suositeltavaa, vaikka se tuottaakin suoria kuluja esim. API-kutsujen tai -lisenssien muodossa. PK-yritysten olisi ainakin alussa suositeltavaa keskittyä varsinaisen tekoälypalvelun tai AI-tuotteen ideointiin, eikä teknisten yksityiskohtien hiomiseen. Kun tekoälyn käyttötapaus ja arvo on varmistettu, ratkaisun kehittäminen avoimeen lähdekoodiin pohjautuvien mallien avulla on vähemmän riskialtista.

Valmiiden kaupallisten palveluiden tyypillisin ongelma on se, että myös kilpailijat voivat käyttää samoja palveluita. Siinä mielessä valmiiden GenAI-palveluiden käyttö ei itsessään tuokaan yritykselle kilpailuetua muihin verrattuna, ellei yritys löydä poikkeuksellisin innovatiivisia tapoja hyödyntää niitä. Sen tähden tekoälyn tulisikin olla osa laajempaa yrityksen strategiaa, joka huomioi niin markkinadynamiikan, henkilöstön osaamisen kuin teknologisen infrastruktuurinkin.

Pk-yrityksen näkökulmasta on tärkeää harkita tarkoin, minkälainen rooli generatiivisella tekoälyllä on kilpailustrategiassa ja miten se vaikuttaa muuhun toimintaympäristöön. Tekoäly voi olla vain yksi huolellisesti integroitava osa yrityksen laajempaa strategiaa, jossa GenAI:ta hyödynnetään innovatiivisesti niche-markkinasegmentteihin keskittyen. Tuolloin generatiivista tekoälyä voidaan käyttää täyttämään erityisiä asiakastarpeita tavoilla, joita kilpailijat eivät ehkä ole vielä hyödyntäneet omissa liiketoiminnoissaan. Tällainen strategia voi tehdä yrityksestä edelläkävijän ja tuottaa huomattavaa kilpailuetua, eikä pelkästään auttaa pysymään muiden tahdissa (Soni 2023).

Vuoden 2024 alussa voidaan jo olettaa, että helppokäyttöisten GenAI-sovellusten ansiosta (esim. ChatGPT) valtaosa tietotyöntekijöistä on jo kokeillut jotakin generatiiviseen tekoälyyn pohjautuvaa sovellusta itsenäisesti joko töissä tai vapaa-ajallaan. Kysymys onkin, miten tällaisista pienimuotoisista ja omatoimisista kokeiluista voidaan päästä koko yrityksen kattavalle tasolle, jossa jokainen työntekijä hyödyntäisi tavalla tai toisella tekoälyä tehtävissään.

Tekoälyn hyödyntäminen yrityksessä voidaan jakaa karkeasti seuraavasti (mukailtu Anderson 2023).

• Yksilötaso: Yksittäiset työntekijät kokeilevat/pilotoivat tekoälyä omassa työssään pienimuotoisesti ja saavat siitä hyötyä itselleen.
• Tiimitaso: Yksittäiset työryhmät/tiimit ottavat tekoälyratkaisuja käyttöönsä ja integroivat osaksi omia työskentelyprosessejaan. Koko tiimin työn tehokkuus kasvaa.
• Yritystaso: Tekoäly on integroitu osaksi työtä koko yrityksen tasolla eri työvaiheissa ja päätöksenteossa. Tekoäly vaikuttaa strategiseen päätöksentekoon ja yrityksen tulokseen.

Edellä mainittujen tasojen välillä on kynnykset, joiden ylittäminen voi olla haastavaa. Ensimmäinen taso GenAI:n tapauksessa on helppo saavuttaa, koska kuka tahansa voi käyttää verkossa olevia valmiita työkaluja, mutta kun siirrytään yksilötasolta tiimien tasolle, niin tarvitaan yhtenäistä koordinaatiota, yhteisiä toimintatapoja ja sekä tiimien ja yrityksen sisäisiä standardeja. Ensimmäinen askel GenAI:n integroimisessa yritystasolle on päättää, mihin tekoälyä voidaan ja mihin sitä ei voida käyttää yrityksen toiminnassa; eli päättää yhteiset pelisäännöt ja suuntaviivat.

Toisen ja erityisesti kolmannen vaiheen kynnyksenä on myös esiopetettujen pohjamallien rajoitukset. Jos malleja ei ole opetettu yrityksen omalla datalla, niin niiden suorituskyky ei välttämättä riitä kriittisten päätösten tukemiseen. Tuolloin riskit virheellisistä ja vääristyneistä tuloksista ovat selvästi suuremmat kuin yksittäisen työntekijän pienimuotoisissa kokeiluissa. Mikäli yritys on jo lähtövaiheessaan datavetoinen, niin sen on huomattavasti helpompaa saavuttaa myös korkein taso GenAI:n käyttöönotossa, jolloin tekoäly alkaa vaikuttamaan kaikkeen strategiseen päätöksentekoon ja jopa yrityksen tulokseen.

Yhteenveto

Generoivaan tekoälyyn liittyvä muutos on vaikutuksiltaan laajempi kuin perinteisemmällä ennustavalla tekoälyllä, koska se koskettaa useampia työtehtäviä ja työntekijöitä. Tilanne on monella tapaa analoginen siihen, kun tietokoneet alkoivat siirtymään konesaleista työntekijöiden työpöydille 1980-luvulla, jonka myötä ne eivät olleet enää vain harvojen konesalien tietokoneasiantuntijoiden saavutettavissa. Erityisesti tietotyössä GenAI:n hyödyntäminen on olennaista kilpailukyvyn säilyttämiseksi: valmiita GenAI-työkaluja on kaikkien saatavilla, jolloin on perusteltua olettaa, että myös yrityksen kilpailijat hyödyntävät niitä tietotyön tekemiseen ja liiketoimintaan muutenkin.

Generatiivista tekoälystä on moneen, mutta pk-yrityksen kannalta on kuitenkin tärkeää asettaa realistiset odotukset saavutettavissa oleville hyödyille ja oltava tietoinen mallien rajoituksista. Strateginen suunnittelu ja uniikit räätälöidyt palvelut, jotka vastaavat erityisiin liiketoimintatarpeisiin, ovat ratkaisevia kilpailussa ja kilpailuedun saavuttamisessa. Tällä hetkellä on mahdotonta ennustaa, millaiseksi GenAI:n pelikenttä muodostuu. Paljon on kiinni siitä, miten innovatiivisia käyttötapauksia yrityksissä keksitään ja missä mallien rajat tulevat vastaan.

Editointi: Marianne Wegmüller

Kuva: Shutterstock