Roskaa sisään – roskaa ulos: tekoäly ei korjaa huonoa tietoa eikä huonoja prosesseja

Vieraskynä: Kirjoittaja on pitkän linjan yrityskehittäjä ja muutosjohtamisen ammattilainen, joka tarkastelee tekoälyn mahdollisuuksia toiminnan tehostamisessa.

Tekoäly muuttaa yritysten mahdollisuuksia käsitellä tietoa, johtaa toimintaa ja parantaa suorituskykyä. Samalla se nostaa esiin vanhan ongelman: kuinka luotettavaa yrityksen käyttämä tieto on? Mikro- ja pk-yrityksissä kysymys on erityisen tärkeä, sillä suuri osa liiketoiminnan kannalta arvokkaasta tiedosta on edelleen ihmisten kokemuksessa, hajanaisissa järjestelmissä tai kokonaan kirjaamatta.

Vanha totuus on ajankohtaisempi kuin koskaan

Tietotekniikassa on tunnettu jo 1950-luvulta lähtien periaate Garbage In, Garbage Out eli GIGO. Suomeksi se tarkoittaa: roskaa sisään, roskaa ulos.

Periaatteen mukaan virheellisestä tai puutteellisesta lähtötiedosta ei saada luotettavaa lopputulosta pelkästään sitä käsittelemällä. Tietokone voi laskea virheellisetkin luvut oikein, mutta lopputulos on silti väärä.

Tekoälyn aikakaudella tämä vanha totuus on saanut uuden merkityksen. Aikaisemmin tiedon puute usein pysäytti analyysin. Excel-taulukosta puuttui luku, tietoja jouduttiin selvittämään tai laskelmaa ei voitu tehdä loppuun. Nyt tekoäly pystyy muodostamaan uskottavan analyysin silloinkin, kun sen käytettävissä oleva tieto on puutteellista.

Tekoälyn vaarallisin ominaisuus ei välttämättä ole sen tietämättömyys vaan kyky esittää epävarmatkin johtopäätökset vakuuttavasti. Siksi yritysten on opittava kysymään paitsi mitä tekoäly vastaa, myös mihin tietoihin vastaus perustuu.

Tiedon käsittely ei ole enää suurin ongelma

Vielä muutama vuosikymmen sitten huomattava osa yritysten kehittämistyöstä kului tietojen keräämiseen ja yhdistämiseen. Tuotan­non, talouden ja prosessien analysointi edellytti paljon käsityötä. Taulukkolaskenta helpotti työtä, mutta jonkun piti edelleen hankkia luvut, tarkistaa niiden oikeellisuus ja rakentaa analyysit.

Nyt tekoäly voi tehdä suuren osan tästä työstä murto-osassa aikaisemmasta ajasta. Se pystyy käsittelemään suuria tietomääriä, vertailemaan tapahtumia, tunnistamaan riippuvuuksia ja tuottamaan uusia näkökulmia johtamisen tueksi.

Mutta yksi asia ei ole muuttunut: tekoäly ei automaattisesti tiedä, mitä yrityksessä todella tapahtuu. Yrityksen toiminnan ymmärtäminen edellyttää edelleen havaintoja, mittauksia, kokemusta ja oikein kirjattuja tapahtumia. Jos näitä ei ole, tekoälyllä ei ole luotettavaa perustaa johtopäätöksilleen. Tiedon käsittelyn sijasta keskeiseksi haasteeksi nouseekin tiedon syntyminen, laatu ja käyttökelpoisuus.

Yrityksessä voi olla paljon tietoa
mutta vähän käyttökelpoista dataa

Erityisesti omistajajohtoisissa mikro- ja pienyrityksissä merkittävä osa liiketoiminnan ymmärryksestä on yrittäjän ja työntekijöiden päässä. Ihmiset tietävät, miten työt käytännössä tehdään, missä syntyy viivästyksiä, mitkä tilanteet aiheuttavat ylimääräistä työtä ja miksi suunnitelmat eivät aina toteudu. Tämä hiljainen tieto on yritykselle arvokasta pääomaa. 

Ongelmana on, ettei se välttämättä ole muiden ihmisten, tietojärjestelmien tai tekoälyn käytettävissä. Yrityksellä voi siten olla runsaasti osaamista ja kokemusta, mutta vähän järjestelmällisesti kerättyä tietoa oman toimintansa todellisesta suorituskyvystä.

Kaikkea hiljaista tietoa ei tarvitse eikä voida muuttaa numeroiksi. Olennaista on tunnistaa, mikä osa siitä vaikuttaa päätöksentekoon ja mitä pitäisi tehdä näkyväksi. Työvaiheiden kuvaaminen, poikkeamien kirjaaminen, toteutuneiden aikojen seuraaminen ja päätösten perusteiden dokumentointi voivat muodostaa arvokkaan tietopohjan.

Yrityksen ei siis välttämättä tarvitse aloittaa tekoälykehitystään uudella tietojärjestelmällä. Joskus vaikuttavin ensimmäinen askel on oikeiden asioiden järjestelmällisen kirjaamisen aloittaminen.

Tietojärjestelmä ei takaa tiedon laatua

Teollisuus 4.0 -ajattelussa on korostettu digitalisaatiota, automaatiota ja järjestelmien välistä tiedonsiirtoa. Yrityksiin on hankittu toiminnanohjausjärjestelmiä, tuotannonohjausta ja raportointiratkaisuja. Niiden olemassaolo ei kuitenkaan tarkoita, että yrityksen toiminnasta olisi käytettävissä luotettava kokonaiskuva.

Tietoa voi olla paljon, mutta se voi olla hajallaan, ristiriitaista, vanhentunutta tai puutteellisesti kirjattua. Eri järjestelmissä saatetaan käyttää samoista asioista erilaisia käsitteitä tai samoja käsitteitä eri merkityksissä. Lisäksi tiedon laatuun vaikuttaa ihminen. Kirjaukset voivat jäädä tekemättä, tapahtumat kohdistua väärin tai tietojen päivittäminen unohtua.

Tiedon laatua voidaan arvioida neljästä näkökulmasta: täydellisyys, oikeellisuus, johdonmukaisuus ja ajantasaisuus. Täydellisyys kertoo, onko tarvittava tieto olemassa. Oikeellisuus kuvaa sen vastaavuutta todellisuuteen. Johdonmukaisuus tarkoittaa tietojen keskinäistä ristiriidattomuutta ja ajantasaisuus niiden käyttökelpoisuutta päätöksentekohetkellä. Näitä ominaisuuksia voidaan arvioida myös tekoälyn avulla.

Tekoäly voi parantaa itse tiedon laatua

Tekoälyä ei tarvitse käyttää ainoastaan liiketoiminnan analysointiin. Sen avulla voidaan tutkia myös analyysin perustana olevan tiedon luotettavuutta. Tekoäly voi tunnistaa puuttuvia kirjauksia, poikkeavia arvoja, päällekkäisyyksiä ja ristiriitoja eri tietolähteiden välillä. Se voi arvioida tiedon laatua sovittujen kriteerien perusteella ja auttaa kohdistamaan korjaustoimenpiteet merkittävimpiin puutteisiin. Tiedon laadulle voidaan muodostaa myös arvosana tai laatumittari, kun arviointiperusteet määritellään selkeästi. Tällainen arvio ei kuitenkaan yksin todista tiedon oikeellisuutta. Tekoäly voi havaita epäjohdonmukaisuuksia, mutta kaikkia virheitä ei voida tunnistaa ilman vertailua todellisiin tapahtumiin.

Tekoäly voi myös ehdottaa tietojen yhdistämistä, käsitteiden yhdenmukaistamista ja puuttuvien tietojen täydentämistä. Ehdotetut korjaukset on kuitenkin erotettava varmennetuista tosiasioista. Näin muodostuu kolmiportainen toimintamalli: ensin arvioidaan tiedon laatu, sitten parannetaan sen käyttökelpoisuutta ja vasta tämän jälkeen analysoidaan liiketoimintaa. Muuten yritys saattaa rakentaa entistä hienompaa analytiikkaa epäluotettavan tietopohjan varaan. 

Huono prosessi ei muutu hyväksi tekoälyllä

GIGO-periaate ei rajoitu tietoon. Se koskee myös yrityksen toimintaprosesseja. Jos toimintatavat ovat epäselviä, työvaiheet sisältävät turhaa odottamista, tietoja kirjataan moneen kertaan tai virheitä korjataan jatkuvasti, tekoäly ei itsestään poista ongelmia. Pahimmillaan se vain nopeuttaa huonosti suunniteltua toimintaa.

Automatisointi ei ole sama asia kuin toiminnan kehittäminen. Ennen automatisointia on ymmärrettävä, mikä työ todella tuottaa arvoa, mikä on toiminnan kannalta välttämätöntä ja mikä on tarpeetonta tekemistä. Yrityksen suorituskyky paranee, kun arvokkaan työn osuus kasvaa ja tarpeeton työ vähenee. Tekoäly voi auttaa tunnistamaan kehittämiskohteita ja toteuttamaan muutoksia, mutta prosessien tarkoituksenmukaisuuden arviointi edellyttää liiketoiminnan ymmärtämistä. Siksi tekoälyn käyttöönottoa ja prosessien kehittämistä ei pitäisi käsitellä toisistaan irrallisina hankkeina.

Ennen tekoälystrategiaa tarvitaan tietojohtamisen perusta

Monessa yrityksessä pohditaan parhaillaan, millaisia tekoälyratkaisuja pitäisi hankkia ja miten henkilöstöä pitäisi kouluttaa niiden käyttöön. Näitä kysymyksiä ennen pitäisi selvittää, mitä yrityksen johtamisessa todella tarvitaan.

Mitä meidän pitäisi tietää, jotta voisimme tehdä parempia päätöksiä? Mitä jo mittaamme? Mitä tietoa syntyy päivittäin mutta ei tallennu? Mihin tietoihin voimme luottaa?

Kaikkea mahdollista tietoa ei kannata kerätä. Tiedonkeruullakin on kustannuksensa, ja tarpeeton mittaaminen voi muuttua uudeksi hallinnolliseksi taakaksi. Tavoitteena ei ole mahdollisimman suuri tietomäärä vaan mahdollisimman hyvä päätöksenteko.

Hyvin rakennettu tekoälyratkaisu myös tunnistaa oman tietopohjansa rajat. Sen pitää pystyä ilmoittamaan, mitä tietoa puuttuu, mitkä johtopäätökset perustuvat oletuksiin ja milloin luotettavaa vastausta ei voida antaa. Joskus tekoälyn arvokkain vastaus on: en tiedä vielä.

Kokemus ja tekoäly täydentävät toisiaan

Yrityksen tiedon laadun ja toimintaprosessien kehittäminen kannattaa aloittaa nykytilanteen ymmärtämisestä. Ennen uusien järjestelmien hankintaa tai tekoälyn käyttöönottoa on selvitettävä, missä yrityksen toiminnassa syntyy arvoa, missä tietoa katoaa ja mitkä työvaiheet aiheuttavat tarpeettomia kustannuksia. Tämä edellyttää liiketoiminnan, talouden, prosessien ja teknologian tarkastelua kokonaisuutena. Pelkkä tekninen osaaminen ei riitä, sillä kehittämisen tavoitteena ei ole uusi tietojärjestelmä vaan yrityksen parempi suorituskyky.

Juuri tästä syystä minäkin, pitkän linjan liiketoiminnan kehittäjä, olen osakkaana Luotetut Oy:ssä. Näen tekoälyssä merkittäviä mahdollisuuksia yritysten suorituskyvyn parantamiseen, kun sen käyttö yhdistetään liiketoiminnan ymmärtämiseen ja käytännön kokemukseen.

Luotettujen auditointipalveluissa yhdistämme liiketoiminnan ja prosessien kehittämisen kokemuksen tekoälyn tarjoamiin mahdollisuuksiin. Auditoinnissa tarkastellaan yrityksen tiedon laatua, toimintaprosesseja, työn arvonmuodostusta ja tekoälyn hyödyntämiskohteita. Tuloksena tunnistamme ne kehittämiskohteet, joilla on suurin vaikutus yrityksen tuottavuuteen ja kannattavuuteen.

Auditointi ei luonnollisesti vielä paranna suorituskykyä. Sen perusteella pystymme määrittelemään konkreettiset kehittämistoimenpiteet, viemään ne käytäntöön ja seuraamaan niiden vaikutuksia. Tarkoitus ei ole, että hyvin perusteltukin analyysi jää raportiksi muiden joukkoon.

Erityisesti mikro- ja pk-yrityksissä on tärkeää, ettei kehittämisestä tehdä tarpeettoman raskasta. Kaikkea ei tarvitse eikä kannata muuttaa kerralla. Olennaista on tunnistaa oikeat asiat, kohdistaa rajalliset resurssit vaikuttavimpiin toimenpiteisiin ja varmistaa, että muutoksista syntyy todellista hyötyä.

Tekoäly nopeuttaa tiedon käsittelyä ja auttaa löytämään kehittämiskohteita, mutta liiketoiminnan ymmärtämistä ja käytännön muutosten toteuttamiskykyä se ei korvaa. Kokemus auttaa tunnistamaan, mitä ja miten kannattaa tehdä. Tekoäly voi auttaa tekemään sen aikaisempaa paremmin. Parhaat tulokset syntyvät, kun nämä kaksi yhdistetään.

Tekoäly muuttaa ihmisen tehtävää

Tekoälyn kehittyessä ihmisen ei enää tarvitse käyttää yhtä paljon aikaa tiedon mekaaniseen käsittelyyn. Sen sijaan korostuvat kyky määritellä tarvittava tieto, arvioida sen luotettavuutta ja ymmärtää analyysien merkitys. Kokemus ja liiketoiminnan tuntemus eivät menetä arvoaan. Päinvastoin niiden merkitys kasvaa, kun tietoa voidaan käsitellä aikaisempaa tehokkaammin.

Tekoäly voi tehdä yrityksen osaamisesta moninkertaisesti hyödyllisempää, mutta vain silloin, kun sillä on käytettävissään riittävän luotettava kuva todellisuudesta.

Yritysten kilpailukykyä ei tulevaisuudessa ratkaise pelkästään se, kuinka tehokkaasti ne käyttävät tekoälyä. Ratkaisevaa on, kuinka hyvin ne tuntevat oman toimintansa, kuinka luotettavaa tietoa ne siitä tuottavat ja kuinka määrätietoisesti ne muuttavat tiedon paremmiksi päätöksiksi.