Tekoälyn hyödyntäminen kilpailukyvyn kehittämisessä - pitkän aikavälin näkökulma

Tekoälyn hyödyntäminen liiketoiminnassa: kilpailukyky ja -etu - Osa 2/4

Tämä kirjoitus jatkaa pohdintaa tekoälyn hyödyntämisestä yritysten kilpailukyvyn ja kilpailuedun kehittämisessä. Edellinen kirjoitukseni käsitteli kilpailukyvyn ylläpitämistä lyhyellä aikajänteellä, tässä kirjoituksessa jatkan kilpailukyvyn käsittelyä pidemmän aikajänteen näkökulmasta. Jotta tämä artikkeli ei veny liian pitkäksi, säästän kilpailuedun tarkastelun seuraavaan kirjoitukseeni.

Kilpailukyky pidemmällä tähtäimellä

Edellisessä kirjoituksessani kuvatut tekoälypohjaiset ratkaisut ovat tarjolla jo tänä päivänä, ja voivat hyvinkin olla 1-2 vuoden säteellä käytössä kaikissa yrityksissä jotka haluavat pysyä kilpailukykyisinä kansainvälisesti kilpailluilla markkinoilla. Kehitys tulee tuomaan mukanaan uusia ominaisuuksia joista tulee tällaisia laajasti yritysten hyödyntämiä "standardiratkaisuja". Mitä ovat nämä kilpailukyvyn kannalta olennaiset ratkaisut pidemmällä tähtäimellä? Sitä ei kukaan varmuudella osaa sanoa, mutta tarkastelen seuraavaksi kolmea teemaa joiden ympärillä tapahtuu tällä hetkellä erittäin mielenkiintoista kehitystä. Nämä teknologiat ovat osittain jo tätä päivää, ja edelleen kehittyessään niiden on helppo nähdä vaikuttavan laajasti yrityksiin pidemmällä tähtäimellä. Nämä kolme teemat ovat:

• Autonomiset agentit
• IoT ja Robotiikka
• Räätälöidyt kielimallit

Autonomiset agentit

Autonomisilla agenteilla tarkoitetaan ohjelmistoja joissa tekoälyagentille annetaan tehtävä, jonka agentti ratkaisee täysin omatoimisesti ilman ihmisen väliintuloa. Tämän mahdollistavat kaksi tekoälyn kyvykkyyttä: päättely ja integraatio. Suurten kielimallien päättelykykyä hyödynnetään toimenpidesuunnitelmien luomisessa sekä työn laadun arvioinnissa. Integraatiot puolestaan antavat agenteille kyvyn hyödyntää ulkoisia työkaluja tavoitteen saavuttamiseksi.

Yksinkertaistettuna esimerkkinä agentille annetaan tavoite, joka käynnistää seuraavan tapahtumaketjun:

1. Toimeksianto: Agentille annetaan tavoite. Agentti tunnistaa ja ymmärtää sekä tehtävän että kontekstin johon tehtävä liittyy. Esimerkki: Digitaalisen markkinoinnin agentille annetaan tavoite lisätä asiakasvuorovaikutusta ja myyntiä kohdennetun verkkokampanjan avulla.
2. Suunnittelu: Agentti suunnittelee työnkulunsa, tunnistaa tarvittavat resurssit ja muut agentit, joita voidaan hyödyntää tavoitteen saavuttamisessa. Esimerkki: Agentti suunnittelee mainosstrategian ottaen huomioon budjetit, kohderyhmät ja mainosalustat (esim. Google Ads, Facebook, LinkedIn) ja laatii toteutussuunnitelman.
3. Toteutus: Agentti toimii itsenäisesti ja suorittaa suunnittelemansa tehtävät käyttämällä esimerkiksi internet-hakua, ulkoisia palveluita ja tietokantoja API-rajapintojen kautta, ja hyödyntämällä muita agentteja. Esimerkki: Agentti perustaa ja käynnistää kampanjan sekä käyttää mainosalustojen API-rajapintoja tarjousten, kohdentamisen ja luovien ratkaisujen määrittelyyn.
4. Arviointi: Agentti arvioi toimenpiteitään sekä sisäisitä ja ulkoisista järjestelmistä saatuja palautteita. Tarvittaessa se muokkaa suunnitelmiaan ja menetelmiään tavoitteen saavuttamiseksi. Agentti toistaa toiminta -> palaute -> hienosäätö -silmukkaa, kunnes tavoite on saavutettu. Esimerkki: Agentti analysoi mainosalustoilta saapuvaa dataa ja säätää strategiaa uudelleenallokoimalla budjetteja paremmin suoriutuville alustoille ja segmenteille.
5. Valmistuminen: Lopuksi agentti toimittaa valmiin ratkaisun käyttäjälle ja käyttää saamaansa palautetta taitojensa parantamiseen seuraavaa kertaa varten. Esimerkki: Agentti kokoaa kattavan raportin suorituskykymittareista, saaduista oivalluksista ja suosituksista ja toimittaa raportin markkinointitiimille.

Tämä markkinointiesimerkki on yksinkertaistettu, mutta se havainnollistaa sen kuinka autonomiset agentit voivat itsenäisesti löytää keinoja tehtävien ratkaisemiseen, mukaan lukien toimintasuunnitelman laatiminen ja sen pohjalta toimenpiteiden toteuttamisen. Vielä äskettäin tällaisen ohjelmointitehtävän suorittaminen olisi vaatinut vähintäänkin ihmisen määrittelemän automaation työnkulun.

Olemme yhä autonomisten agenttien kehityksen alkuvaiheessa, mutta kiinnostus ja investoinnit tähän teknologiaan kasvavat nopeasti. Suuret teknologiayhtiöt kuten Google ja Microsoft ovat alkuvuoden aikana julkaisseet omia ratkaisujaan agenttien toteutukseen. Ja jo tällä hetkellä on olemassa avoimen lähdekoodin koodipohjia joiden avulla voidaan rakentaa yksinkertaisia autonomisia agentteja.

Tällainen arkkitehtuuri, jossa hyödynnetään agentteja toimenpiteiden suunnittelussa ja niiden toteutuksessa, voi myös parantaa käytettävän kielimallin suorituskykyä. Esimerkiksi vanhemman (ja ilmaisen) GPT-3.5:n suorituskyky tietyissä tehtävissä on agentti-arkkitehtuuria hyödyntämällä saatu nostettua uudemman (ja maksullisen) GPT 4:n tasolle. Vaikuttaa siltä, että tiimityö on tehokkaampaa ja tuottaa parempia tuloksia myös digitaalisten agenttien maailmassa, aivan kuten todellisessa elämässäkin.

Yrityksille agentit voivat tarjota tulevaisuudessa monenlaista apua. Autonomiset agentit voivat käsitellä ja analysoida suuria määriä dataa tehokkaammin kuin ihmiset, eivätkä ne väsy yksitoikkoisessa tai pitkäkestoisessa työssä, ne jaksavat etsiä keinoja joilla annettu tehtävä ratkaistaan. Ihmiset puolestaan voivat keskittyä monimutkaisempaan, strategisempaan ja luovempaan työhön, sekä ihmisten väliseen kanssakäymiseen jota edelleenkin tarvitaan yhteistyön tekemiseksi ja kehittämiseksi.

Whartonin tekoäly- ja innovaatio -professori Ethan Mollick on esittänyt mielenkiintoisen ajatuksen siitä kuinka autonomiset agentit voivat olla avain tekoälyn laajempaan hyödyntämiseen organisaatioissa. Hän toteaa, että agentit istuvat luonnollisella tavalla nykyisiin yritysten organisaatiorakenteisiin ja toimintamalleihin. Sen sijaan että tekoälyn hyödyntäminen perustuisi siihen, että työntekijät ottavat kaikki tekoälyasiat haltuun ja hyödyntävät sitä, tekoäly-agentit voisivat toimia yksittäisinä konsultteina joita käytetään niille sopivissa tehtävissä silloin kun niitä tarvitaan.

IoT ja Robotiikka

Internet of Things (IoT) toimii fyysisten laitteiden ja sensorien avulla siltana digitaalisen ja fyysisen maailman välillä. Kun autonomiset agentit mahdollistavat tehtävien automatisoinnin ja itsenäisen ongelmanratkaisun digitaalisessa maailmassa ilman ihmisen apua, IoT yhdistettynä robotiikan kehitykseen tarjoaa vastaavia mahdollisuuksia fyysisessä maailmassa. Tälle IoT:n ja robotiikan integraatiolle on myös oma terminsä: Internet of Robotic Things (IoRT).

Robotti-teknologian kehitys on parantanut merkittävästi robottien fyysisiä kyvykkyyksiä. Tekoäly puolestaan on tuonut robottien keinovalikoimaan omatoimisen ja aiempaa tarkemman ja nopeamman oppimisen, kyvykkyyden tunnistaa ja tulkita ympäristöä aivan uudella tarkkuudella, ja kyvyn mukauttaa toimintaansa automaattisesti muuttuvassa ympäristössä ja uuden tiedon valossa. Esim. Boston Dynamicsin Atlas kykenee ratkaisemaan keinot päästä haluttuun kohteeseen hyödyntämällä tarjolla olevia tarvikkeita kuten lautoja ja rakennustelineitä, ja suorittaa monimutkaisia fyysisiä toimintoja kuten voltteja. Google DeepMindin robotit ovat puolestaan omatoimisesti opetelleet pelaamaan jalkapalloa, saatuaan tavoitteeksi tehdä maaleja.

Monet teknologiajätit kehittävät kuumeisesti humanoidirobotteja. Tesla on esimerkiksi esitellyt suunnitelmiaan tuoda vuonna 2025 markkinoille alle 25.000 dollaria maksavan Optimus-humanoidirobotin, joka voi suorittaa monipuolisia tehtäviä ja integroitua osaksi ihmisten arkipäivää. Figure AI puolestaan on esitellyt yhteistyössä OpenAI:n kanssa kehitetyn robotin joka keskustelee käyttäjän kanssa ChatGPT:n ääni-ominaisuuksia hyödyntäen. Näiden robotiikkainnovaatioiden myötä on mahdollista, että tulevaisuudessa robotit eivät ainoastaan tehosta teollisuuslaitosten toimintaa vaan helpottavat arkiaskareita, toimivat avustajina ja jopa kollegoina erilaisissa työympäristöissä.

IoT-datan hyödyntäminen ja virtuaali-teknologiat mahdollistavat digital twin -ratkaisut joissa luodaan virtuaalinen versio fyysisen maailman kohteesta. Nämä virtuaaliset mallit toimivat tehokkaina työkaluina testauksessa, optimoinnissa ja päätöksenteon tukena kontrolloidussa teollisuuden ympäristöissä. Saman teknologian mahdollistama virtuaalinen koulutus tarjoaa tehokasta taitojen kehittämistä matalan riskin ympäristöissä, parantaen työntekijöiden osaamista ja turvallisuutta. Koulutettavat voivat kokea realistisia tilanteita esim. leikkaussalissa ilman todelliseen harjoitteluun liittyviä vaaroja, mikä vähentää fyysisten resurssien, matkustamisen ja paikan päällä tapahtuvan koulutuksen tarvetta.

Räätälöidyt kielimallit

Tekoälyratkaisujen moottorina toimivia kielimalleja on tällä hetkellä tarjolla useita kymmeniä. Osa niistä on kaupallisia kuten esim. GPT-4 johon pohjautuvat mm. ChatGPT ja Micorosoft Copilot. Myös ilmaisia avoimen lähdekoodin kielimalleja on useita, esim. Llama3 ja Mistral. Osa on geneerisiä kaikenkattavia, osa puolestaan suppeampia tiettyyn teemaan keskittyneitä. Itse kielimallien lisäksi myös keinot täydentää kielimallia yrityskohtaisilla tiedoilla kehittyvät jatkuvasti, mikä tarjoaa yhä useammalle yritykselle mahdollisuuden räätälöidä yrityskohtainen oma kielimalli.

Esimerkiksi McKinsey on jo kehittänyt oman yrityskohtaisen kielimallinsa Lilli:n joka tarjoaa tuhansille työntekijöille mahdollisuuden hyödyntää konsulttiyrityksen laajaa tietoarkistoa. Vastaavia esimerkkejä löytyy monilta eri toimialoilta, kuten rahoituspalveluista, pankkitoiminnasta, terveydenhuollosta, vähittäiskaupasta ja julkishallinnosta. Nämä toimialat hyötyvät räätälöidyistä kielimalleista parantaakseen mm.:

• Sisällöntuotantoa
• Personoitua markkinointia
• Sentimenttianalyysia
• Petosten ehkäisyä
• Lainsäädännön ja ohjeistusten seurantaa
• Koulutusta
• Rekrytointia
• Asiakaspalvelua

Yrityskohtaisesti räätälöityjen kielimallien ohella yritykset voivat hyödyntää vertikaalisia tekoälyratkaisuja. Toisin kuin horisontaalinen AI, joka tähtää laajoihin sovelluksiin useilla eri toimialoilla, vertikaalinen AI syventyy tietyn sektorin, kuten terveydenhuollon, rahoituksen tai maatalouden, ainutlaatuisiin tarpeisiin ja haasteisiin. Tässä tapauksessa yrityksen ei tarvitse itse räätälöidä omaa kielimalliansa vaan voi hyödyntää valmiiksi toteutettua toimialakohtaista ratkaisua.

Nämä ratkaisut integroituvat toimialan toimintamalleihin ja näitä ratkaisuja kehitetään hyödyntäen syvää ymmärrystä alan ainutlaatuisista haasteista, prosesseista, terminologiasta, sääntelystä ja liiketoimintamalleista. Toimialoilla, joilla tarkkuudella ja sääntelyllä on ratkaiseva rooli, kuten terveydenhuollossa ja rahoituksessa, vertikaalisen tekoälyn vaikutus voi olla erityisen merkittävä, koska sen avulla voidaan varmistaa vaatimusten noudattaminen ja tehostaa päätöksentekoa. Tällaiset vertikaalit kielimallit voivat tehostaa sitä hyödyntävien yritysten toimintaa siinä määrin että ilman niitä voi olla vaikeuksia toimia kilpailukykyisesti.

Yksi esimerkki tällaisesta kehityksestä on Harvey, joka mullistaa tehtävienhallinnan lakitoimistoissa automatisoimalla rutiinitehtävät, kuten asiakirjojen tarkastelu ja tapaustutkimus. Tämä vapauttaa lakialan ammattilaiset keskittymään työnsä monimutkaisempiin ja strategisempiin näkökulmiin. Microsoft puolestaan tarjoaa mm. terveydenhoito-alalle toimialakohtaisia ratkaisuja.

Pohdittavaa päättäjille:

1. Mitä tehtäviä yrityksessäsi voisi delegoida autonomisten agenttien tehtäväksi? Voisiko työntekijöiltä vapautuvan ajan käyttää luovempaan ja strategisempaan työhön, tai asiakkaiden parempaan palvelemiseen?
2. Miten yrityksessäsi voitaisiin hyödyntää IoT tai robotti -ratkaisuja? Voisiko esimerkiksi tuotantoa, toimitusketjun hallintaan tai asiakaskokemusta kehittää?
3. Onko toimiallasi tarjolla vertikaalisia tekoäly -työkaluja? Onko yritykselläsi kenties niin arvokasta ja hyödyllistä tietoa että kannattaisi harkita oman kielimallin kustomointia.

Lopuksi:

Pidemmän tähtäimen ennustaminen on tunnetusti hankalaa, ja nopean kehityksen vuoksi tekoälyn osalta käytännössä täysin mahdotonta. Tässä kirjoituksessa esitetyt kolme teemaa kehittyvät tällä hetkellä hyvin nopeasti, ja osittain myös liittyvät toinen toisiinsa. Esimerkiksi agentti-arkkitehtuuri mahdollistaa tulevaisuuden robottien älykkäämmän yhteistoiminnan, ja räätälöidyt kielimallit mahdollistava yhä useammassa yrityksessä IoT-teknologioiden älykkään hyödyntämisen omaan yritykseen räätälöidyllä tavalla.

Mitä uusia yrityskohtaisia käyttökohteita näiden ja muiden tekoälyn mahdollistamien ratkaisujen yhdistelmillä voidaan löytää? Entä voisiko tästä muodostua yritykselle kilpailuetua? Näistä lähtökohdista jatkan pohdintaa seuraavassa kirjoituksessani.