Teknologia tasa-arvoistuessa kilpailuetu pitää löytää muualta. Teknologisia pullonkauloja on enää todella vähän, joten voittajia ovat ne, jotka osaavat tunnistaa ja toteuttaa hyödyllisimmät datan ja teknologian käyttökohteet. Tämä edellyttää hyvässä kunnossa olevaa AI-valmista dataa, hyvää digiosaamista sekä tekoälyn ja datan lukutaitoa.
Betoni hidas – bitti nopea
Yritysten toimintaympäristöissä on käynnissä valtavasti yhtäaikaisia, toisiinsa vaikuttavia muutoksia. Sääntely kiristyy, liiketoiminnan tahti kiihtyy, kyberturvan merkitys kasvaa ja teknologia etenee nopeasti. Esimerkiksi energia-alalla tämä murros on todella näkyvää. Tämän päivän energiajärjestelmä on jo täysin erilainen kuin kymmenen vuotta sitten. Muutoksessa iso merkitys on datalla ja digitalisaatiolla. Fyysinen kapasiteetti on hidasta ja kallista rakentaa, mutta digitaalinen maailma liikkuu nopeasti ja skaalautuu.
Digitalisaatiota voi jäsentää kolmen tekijän kautta: teknologia, data ja osaaminen. Teknologia on viime aikoina tasa-arvoistunut. Jokaisella yrityksellä, pienellä tai isolla, on mahdollisuus ottaa käyttöönsä uudet kielimallit, pilvipalvelut ja data-alustat. Vaikka erikoisratkaisuja on, useimpien tarpeisiin “riittävän hyvä” teknologia on jo nyt saatavilla. Kun työkalut ovat kaikkien ulottuvilla, erot syntyvät siitä, millaista oma data on, ja miten hyvin osaa teknologiaa ja dataa käyttää.
Oma data luo kilpailuetua
Koska julkinen ulkoinen data on lähtökohtaisesti kaikkien ulottuvilla, oman datan merkitys korostuu. Julkista dataa on syytä hyödyntää rikastamaan kokonaiskuvaa, mutta se on harvoin kilpailuedun lähde. Pysyvä etu syntyy oman tai rajatun ekosysteemin datasta, joihin kilpailijalla ei ole pääsyä.
Arvo syntyy, kun saamme yhdistettyä tietoa yli siilorajojen ja muodostettua yhtenäisen näkymän. Fyysisen ja digitaalisen maailman kytkeminen toisiinsa on energia-alalla erityisen arvokasta. Kun syvän tuotantoverkon operatiiviset teknologiat ja sensorit yhdistetään pilviteknologiaan, toimistojärjestelmiin ja paikkatietoon, syntyy aivan uudenlainen tilannekuva. Tämä mahdollistaa reaaliaikaisen ohjauksen, optimoinnin ja digitaalisten kaksosten kaltaiset lähestymistavat. Rakenteinen ja rakenteeton data, operatiivinen ja analyyttinen tieto, oma ja ulkoinen data, historia ja reaaliaikaiset virrat sekä faktat ja simulaatioiden tulokset on saatava pelaamaan yhteen. Tämä ei tapahdu itsestään, vaan vaatii yhteisen kielen.
Semanttinen kerros – jaetut käsitteet, niiden väliset suhteet ja liiketoimintasäännöt – varmistaa, että puhumme samoista asioista ja analysoimme johdonmukaisesti. Tämä vähentää päällekkäistä työtä. Tavoitetilassa tekoäly saa riittävää kontekstia ja semantiikkaa, jotta liiketoiminnan asiantuntijat voivat keskustella datan kanssa luonnollisella kielellä, eikä heidän tarvitse opiskella SQL Joineja tai raportointityökaluja.
Mitä AI-valmis tieto on?
BI-ajasta siirtyminen AI-aikaan tuo vanhaan sääntöön ”Garbage In, Garbage Out” ison muutoksen. Datan laatu saa aivan uutta painoarvoa tulevissa ratkaisuissa. Tekoäly ja varsinkin AI-agentit toimivat vahvistimina ja säännön ”Garbage Out” muuttuukin toiseen potenssiin, GIGO^2. Kun huono data yhdistyy heikkoihin prompteihin, mallien vinoumiin, mahdollisiin hallusinaatioihin ja heikkoon tekoälylukutaitoon, lopputulos voi olla näennäisen uskottava mutta silti väärä ja siksi erityisen vaarallinen.
Jotta tekoälyä voi käyttää vastuullisesti ja tehokkaasti, tiedon on oltava sekä oikeaa että käyttötarkoitukseen sopivaa. AI-valmis tieto on ajantasaista, toistettavasti tuotettua, löydettävää ja selitettävää. Se on suojattua ja oikein luvitettua, jotta käyttö on hallittua. Lisäksi se on semanttisesti kytkettävissä yli järjestelmien. Kun nämä ehdot täyttyvät, tekoälyratkaisut nojaavat perusteltuun ja läpinäkyvään tietoon ja ovat luotettavimpia.
Tiedon laatu syntyy kolmessa hetkessä: syntyhetkellä, käsittelyvaiheessa ja tulkinnassa. Tarvitaan läpinäkyvyyttä siitä, mistä tiedot tulevat, miten niitä on käsitelty ja mihin johtopäätökset perustuvat, jotta ratkaisut eivät vahvista vääriä signaaleja. Syntyhetkellä ratkaistaan, mitattiinko oikea asia oikeassa paikassa ja ajassa. Käsittelyssä laadun ratkaisee se, miten tietoa puhdistetaan, yhdistellään ja anonymisoidaan. Tulkintavaiheessa laatuun vaikuttaa, mitä oletuksia hyväksytään ja mihin kokonaisuuksiin vastauksia liitetään. Virheitä ja vinoumia voi syntyä jokaisessa näistä vaiheista, minkä vuoksi laadunhallinta ei saa olla yksittäinen portti vaan jatkuva käytäntö.
Hiljainen tieto näkyväksi
Organisaatioiden merkittävä osa osaamisesta elää edelleen hiljaisena tietona. Sitä on sähköposteissa, kokousmuistioissa, chateissä ja asiantuntijoiden päässä. Tekoäly ei pääse siihen käsiksi, ellei sitä tuoda näkyville. Kun päätökset, perustelut ja keskeiset oivallukset kirjataan, dokumentoitu tieto toimii osaamisen ja hiljaisen tiedon varmuuskopiona. Se on varmistuksena henkilövaihdoksissa, nopeuttaa perehdytystä ja tekee tekoälyn tuottamista vastauksista laadukkaampia.
Datan lisäksi kilpailuetu syntyy siitä, kuinka pystymme hyödyntämään osaamistamme nopeasti muuttuvassa maailmassa. Tekoäly hoitaa yhä enemmän koodaustehtäviä, nopeuttaa analysointia ja tuottaa monipuolisesti skenaarioita, mutta ihmiset tekevät edelleen valinnat ja johtavat muutosta. Ratkaisevia ovat kyky esittää parempia kysymyksiä, kyky arvioida tuloksia kriittisesti, halu oppia jatkuvasti sekä taito viestiä selkeästi tavoitteista ja reunaehdoista. Kun meille tulee arjen apureiksi lauma AI-agentteja, on yhä arvokkaampaa osata ohjata, opastaa ja viestiä – tietynlaiset esihenkilötaidot siis.
Lopuksi
Teknologia tasa-arvoistuu, joten arvo syntyy omasta datasta ja taidosta käyttää dataa ja teknologiaa. Yhteisesti jaetut käsitteet, mittarit ja liiketoimintasäännöt sitovat yhteen koko yrityksen datavarannot. Se, joka osaa tehdä oikeita asioita tehokkaammin ja laadukkaammin kuin kilpailijat, voittaa.
Tekoälyn ajassa virheet vahvistuvat, joten vain oikea ja käyttötarkoitukseen sopiva, dokumentoitu tieto mahdollistaa päätöksenteon. Osaaminen saattaa kadota yllättäen ja nopeasti, hyvin hallittu data ei.
Mikko Muurinen on työskennellyt 25 vuotta datan, analytiikan ja tekoälyn parissa. Hän on nähnyt alan kehitystä julkisella ja yksityisellä sektorilla sekä asiakkaan että toimittajan puolelta. Vuodesta 2020 hän on vetänyt Helen Oy:n data- ja tekoälykehitystä.
