Onko hajautettu tekoälykehitys strategia vai hallitsematon tila?
Keskeiset havainnot
- Hajautettu tekoälykehitys on toimiva strategia silloin, kun organisaatiossa on mekanismi kokeilujen kokonaiskuvan ylläpitämiseen.
- Yksiköiden välinen päällekkäinen kehitystyö on korjattavissa oleva tehokkuusongelma, mutta se ei ole koordinoimattoman kehityksen vakavin seuraus.
- Arvokkaimmat tekoälymahdollisuudet voivat löytyä yksiköiden välistä, kun yhden yksikön asiakasdata, toisen prosessiosaaminen ja kolmannen markkinanäkemys yhdistyvät mahdollisuudeksi, jota kukaan ei yksin näe.
- Kokonaiskuvan parantaminen parantaa jo kilpailukykyä, mutta mahdollisuuksien tunnistaminen yli yksikkörajojen voi tuottaa kilpailuetua.
Suurissa organisaatioissa tekoälyn kehitys hajaantuu tyypillisesti kahdelle tasolle yhtä aikaa: strategiatasolla rakennetaan tiekarttoja, ja liiketoimintayksiköt ottavat käyttöön omia ratkaisujaan omaan tahtiinsa. Kumpikaan taso ei tee mitään väärin – mutta harvassa organisaatiossa kukaan pystyy sanomaan, onko hajautus tietoinen valinta vai seurausta siitä, ettei kukaan ole tehnyt asiasta päätöstä.
Sama havainto on toistunut tänä vuonna useissa keskusteluissa suurten organisaatioiden edustajien kanssa. Viime keväänä työskentelin globaalin, useasta liiketoimintayksiköstä koostuvan yrityksen kanssa, jossa jokainen yksikkö kehitti tekoälyratkaisujaan omalla tahdillaan ja omilla resursseillaan – osaavasti ja järkevästi. Silti kenelläkään ei tuntunut olevan kokonaiskuvaa siitä, mitä muissa yksiköissä oli meneillään.
Ero voi kuulostaa akateemiselta, mutta sitä se ei ole. Ensimmäisessä tapauksessa hajautus on strategia, jolla on tarkoitus ja jonka toimivuutta seurataan. Jälkimmäisessä se on organisaatiorakenteen sivutuote, jolle keksitään perustelu jälkikäteen.
Hajautus voi olla erinomainen valinta
Hajautukselle on olemassa vahva peruste. Rinnakkaiset, toisistaan riippumattomat kokeilut tuottavat enemmän erilaisia ratkaisuja kuin yksi keskusjohtoinen hanke. Kun jokainen yksikkö saa kokeilla omalla tavallaan, organisaatio oppii nopeammin mikä toimii missäkin kontekstissa, eikä koko organisaatio ole riippuvainen yhden tiimin näkemyksestä.
Tämä ei ole uusi ajatus. James March kuvasi jo 1991 organisaation oppimisen jännitteen etsimisen ja hyödyntämisen välillä: liian aikainen standardointi lukitsee organisaation ratkaisuun, joka sattui löytymään ensimmäisenä. Nopeasti muuttuvassa tekoäly-ympäristössä argumentti on erityisen painava, koska se mikä oli paras käytäntö vuosi sitten ei välttämättä ole sitä enää.
Myös käytäntö tukee tätä. McKinseyn kyselyaineistossa organisaatiot raportoivat useimmiten hybridimallista tai osittaisesta keskittämisestä, jossa osa resursseista hoidetaan keskitetysti ja osa on jaettu toimintojen ja liiketoimintayksiköiden kesken. Puhdas ääripää on harvinainen kumpaankin suuntaan.
Jos hajautus on tietoinen valinta ja sitä koordinoidaan edes kevyesti, se on hyvin puolustettavissa oleva malli.
Milloin se ei ole strategia
Epäilen kuitenkin, että monessa organisaatiossa hajautus ei ole päätös vaan seuraus. Jokainen yksikkö omistaa oman aihealueensa, budjettinsa ja päätöksentekonsa. Kukaan ei ole roolissa, jonka tehtävä olisi nähdä kaikki meneillään olevat tekoälyaloitteet samanaikaisesti.
Tilannetta voi arvioida melko yksinkertaisella testillä: pystyttekö nimeämään mekanismin, joka ylläpitää kokonaiskuvaa organisaationne tekoälykokeiluista? Jos ette, hajautus ei todennäköisesti ole tietoinen valinta vaan hallitsematon tila.
Kysymys ei ole marginaalinen. Myös McKinseyn oma ohjeistus hajautetusta mallista toteaa, että keskitetyn tiimin on säilytettävä näkyvyys kehitettäviin ratkaisuihin, jotta vältetään sokeat pisteet eikä kaksi tiimiä rakenna samaa asiaa. Hajautusta suositellaan siis aina jonkinlaisen näkyvyysmekanismin kanssa, ei ilman sitä.
Kaksi eri kokoista seurausta
Kun mekanismia ei ole, seuraukset ovat kahdenlaisia.
Ensimmäinen on resurssien tuhlaus. Kun kaksi yksikköä kehittää samankaltaista ratkaisua toisistaan tietämättä, työ tehdään kahdesti eikä kumpikaan opi toiselta. Tämä on harmillista mutta korjattavissa. Riittää, että joku näkee kokonaiskuvan ja yhdistää päällekkäiset hankkeet.
Toinen seuraus on huomattavasti suurempi, eikä sitä korjata tehokkuutta parantamalla. Kirjoitin pari vuotta sitten sarjan tekoälyn kyvykkyyksistä, jotka voivat mahdollistaa pitkän aikavälin kilpailuetua, muun muassa monimuotoisen datan käsittelystä, automaatiosta ja päättelystä. Nämä kyvykkyydet eivät rajoitu minkään yksittäisen yksikön toimialueeseen. Ne leikkaavat koko organisaation läpi.
Käytännössä tämä tarkoittaa, että arvokkaimmat sovelluskohteet voivat löytyä juuri yksiköiden väliltä. Yhden yksikön keräämä asiakasdata yhdistettynä toisen prosessiosaamiseen ja kolmannen markkinanäkemykseen on yhdistelmä, jota kukaan kolmesta ei näe yksin. Ei siksi etteikö se olisi olemassa, vaan siksi ettei kukaan ole asemassa josta se näkyisi.
Ensimmäisen ongelman ratkaiseminen parantaa kilpailukykyä. Toisen ratkaiseminen voi tuottaa kilpailuetua. Ne eivät ole sama asia eivätkä ne ratkea samalla tavalla.
Rajapinnoilla ei ole omistajaa
Ilmiöllä on konkreettinen muoto, joka näkyy heti kun jokin toiminto alkaa suunnitella tekoälyn käyttöä prosesseissaan.
Kysymys ei useinkaan koske vain tämän toiminnon prosesseja. Se nojaa tietoon, jonka tuottaa toinen toiminto, ja sen oma tuotos päätyy kolmannelle. Jokainen toiminto on hyvin organisoitu. Jokaisella toiminnolla on omistaja, prosessit ja vastuut. Sen sijaan toimintojen väliin jäävien tietovirtojen omistajuus on usein huomattavasti epäselvempi.
Tekoäly ei kuitenkaan kysele organisaatiokaaviota. Agentti, joka rakennetaan ketjun loppupäähän, perii koko sitä edeltävän tietovirran ongelmat – myös ne jotka liittyvät rajapintoihin, joissa tieto vaihtaa omistajaa eikä vastuu laadusta ole selkeä. Agentti on täsmälleen niin hyvä kuin heikoin rajapinta sitä ennen.
Tätä ei ratkaista paremmalla kielimallilla tai optimoimalla yhtä toimintoa kerrallaan.
Miksi kevyttä mekanismia ei synny itsestään
Tässä vaiheessa ratkaisu näyttää helpolta. Säännöllinen kevyt katsaus, jaettu rekisteri meneillään olevista aloitteista, tai yksi henkilö jonka tehtävä on ylläpitää kokonaiskuvaa omistamatta yksittäisiä hankkeita. Mikään näistä ei ole kallista.
Jos ratkaisut ovat näin kevyitä, herää kysymys miksi niitä ei synny automaattisesti. Syynä ei välttämättä ole se, etteikö kokonaiskuvaa pidettäisi hyödyllisenä, vaan se ettei sen ylläpitäminen kuulu selvästi kenellekään.
Todennäköisempi selitys löytyy organisaation rakenteista ja kannustimista. Yksikön johtajaa mitataan oman yksikön tuloksilla ja hänen huomionsa on luonnollisesti oman vastuualueensa ongelmissa. Jos yhteistä foorumia, käytäntöä tai vastuuta tiedon jakamiselle ei ole, toisessa yksikössä mahdollisesti hyödyllinen kokeilu jää helposti paikalliseksi – ei siksi, että sitä haluttaisiin salata, vaan koska mikään ei varsinaisesti ohjaa kertomaan siitä.
Lisäksi jakamisen hyödyt syntyvät usein muualla kuin siinä yksikössä, joka käyttää aikaa kokemustensa dokumentointiin. Organisaation kannalta tiedon jakaminen on arvokasta, mutta yksittäisen yksikön näkökulmasta se on helposti ylimääräinen tehtävä muiden joukossa.
Kokonaiskuva hyödyttää koko organisaatiota, mutta sen ylläpitämiseen käytetty aika syntyy yksittäisissä yksiköissä. Ilman tarkoituksellista mekanismia on siis täysin rationaalista, että tiedon jakaminen jää kiireellisempien paikallisten tavoitteiden alle.
Sama logiikka näkyy siinä, mitä rekisteriin päätyy. Keskeneräinen kokeilu ei helposti päädy yhteiseen näkymään, koska sitä ei vielä koeta raportoinnin arvoiseksi. Juuri keskeneräisistä ja epäonnistuneista kokeiluista syntyy kuitenkin usein organisaation kannalta arvokasta oppia: mikä ei toiminut, missä kontekstissa ja miksi.
Juurisyy on sama kuin rajapinnoilla: vastuu ja mittarit loppuvat usein oman yksikön rajalle.
Millainen mekanismi ylittää paikallisen optimoinnin
Mallia ei tarvitse keksiä tyhjästä. Monessa organisaatiossa vastaavaa roolia kutsutaan tekoälyn osaamiskeskukseksi tai hub-and-spoke-malliksi: pieni keskitetty tiimi ylläpitää näkyvyyttä ja tarjoaa yhteisiä resursseja, kun taas varsinainen kehitystyö pysyy liiketoimintayksiköissä. Sama rakenne nousee esiin myös aiemmin mainitussa McKinseyn ohjeistuksessa hajautetun mallin hallinnasta. Kyse ei siis ole raskaasta uudesta hankkeesta vaan olemassa olevan käytännön nimeämisestä ja resursoinnista.
Näyttää kuitenkin siltä, että koordinaatio ei useinkaan kaadu välineiden puutteeseen, vaan siihen ettei niiden käyttö ole osa kenenkään normaalia työtä tai tavoitteita. Oikea suunnittelukysymys ei siis ole millainen mekanismi, vaan miksi yksikön kannattaisi käyttää sitä.
Muutamia mahdollisia vastauksia. Koordinoivan roolin onnistumista kannattaa mitata sillä, montako yhteyttä se auttaa löytämään – ei sillä, montako hanketta se hyväksyy. Yhteiset resurssit, osaaminen ja sopimukset kulkevat mekanismin kautta, jolloin osallistuminen kannattaa itsessään eikä sitä tarvitse käskeä. Ja epäonnistuneen kokeilun raportoiminen tuottaa yksikölle jotain sen sijaan että veisi siltä jotain.
Toimiva mekanismi ei siis vain kerää tietoa yksiköiltä. Sen pitää palauttaa niille jotain hyödyllistä: osaamista, ratkaisuja, vertailutietoa tai pääsyä yhteisiin resursseihin.
Riski piilee juuri tässä mittarissa. Mitä enemmän koordinaatio alkaa muistuttaa hyväksyntäprosessia, sitä kauemmas se ajautuu omasta onnistumismittaristaan – ja sitä suurempi on riski että näkyvyys heikkenee. Se ei vaadi keneltäkään vilpillisyyttä, ainoastaan rationaalisuutta.
Sudenkuoppa on kuitenkin hienovaraisempi kuin pelkkä ajautuminen: se syntyy nimenomaan onnistumisesta. Kun kevyt koordinointirooli osoittautuu hyödylliseksi, sille on houkuttelevaa antaa lisää mandaattia, budjettia ja päätösvaltaa – ja juuri se kasvu voi viedä sen kohti samaa hyväksyntäprosessia, jota edellä varoitettiin. Mekanismista voi tulla täsmälleen se pullonkaula, jota hajautuksella alun perin vältettiin: keskitetty portinvartija, jonka hyväksyntää jokainen aloite tarvitsee. Tältä voi suojautua pitämällä saman mittarin käytössä myös kasvun jälkeen – yhteyksien määrä, ei hyväksyntöjen määrä. Kun mittari vaihtuu, malli on kääntynyt itseään vastaan.
Kyvykkyys ei yksin riitä
Kirjoitin aiemmin Harvardin ja Whartonin tutkijoiden P&G:llä toteuttamasta kenttäkokeesta, jossa tekoälyä käyttäessään sekä kaupalliset että tekniset asiantuntijat tuottivat aiempaa tasapainoisempia ratkaisuja taustastaan riippumatta. Ilman tekoälyä tuotekehityksen asiantuntijat ehdottivat tyypillisesti teknisempiä ja kaupallisen puolen asiantuntijat kaupallisempia ratkaisuja.
Sama dynamiikka näyttää toistuvan organisaatiotasolla, vain suuremmassa mittakaavassa. Tekoäly voi auttaa yksilöitä ja tiimejä ajattelemaan oman asiantuntijuutensa rajojen yli. Yksiköiden välisten rajojen kanssa sama ei tapahdu yhtä helposti, koska siellä rajaa ylläpitävät osaamisen sijaan omistajuus, vastuut ja mittarit.
Tämä on ehkä se olennaisin asia, joka jäi puuttumaan kahden vuoden takaisesta sarjastani. Listasin kyvykkyyksiä ikään kuin ne olisivat suoraan organisaation käytettävissä. Todellisuudessa kyvykkyyden ja sen hyödyntämisen välissä on organisaation rakenne, ja se joko mahdollistaa tai estää sen että arvokkaimmat mahdollisuudet ylipäätään tulevat näkyviin.
Johtopäätös
Pitkän aikavälin kilpailuetu ei ehkä synny ensisijaisesti siitä, mitä tekoälykyvykkyyttä organisaatio ottaa käyttöön, vaan siitä pystyykö organisaatio näkemään itsensä riittävän kokonaisvaltaisesti tunnistaakseen missä nuo kyvykkyydet loisivat eniten arvoa.
Se on pikemminkin organisatorinen kysymys kuin teknologinen.
Miten teidän organisaatiossanne ylläpidetään kokonaiskuvaa meneillään olevista tekoälyaloitteista, ja onko hajautus tietoinen valinta vai rakenteen sivutuote? Entä kuka etsii niitä mahdollisuuksia, jotka jäävät yksiköiden väliin?
-- -- -- -- -- -- -- -- -- --
Lähteet
- Dell'Acqua, Ayoubi, Lifshitz, Sadun, Mollick ym. (2025): The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641.
- McKinsey (2025): The state of AI: How organizations are rewiring to capture value.
- McKinsey (2024): A data leader's operating guide to scaling gen AI.
- March, J. G. (1991): Exploration and Exploitation in Organizational Learning. Organization Science 2(1), 71–87.
Aiempi neliosainen sarja "Tekoälyn hyödyntäminen liiketoiminnassa: kilpailukyky ja -etu":
- Osa 1/4: Kilpailukykyä ja kilpailuetua tekoälyn avulla
- Osa 2/4: Tekoälyn hyödyntäminen kilpailukyvyn kehittämisessä - pitkän aikavälin näkökulma
- Osa 3/4: Lyhyen aikavälin kilpailuedun kehittäminen
- Osa 4/4: Tekoälypohjaisen pitkän aikavälin kilpailuedun rakentaminen
Sekä aiempi kirjoitukseni: "Voiko tekoäly murtaa asiantuntijuuden siilot?"
Marko Paananen
Tekoälykonsultti ja -toteuttaja, jolla on yli 20 vuoden kokemus digitaalisen liiketoiminnan kehittämisestä. Auttaa yrityksiä muuttamaan tekoälyn potentiaalin mitattavaksi liiketoiminta-arvoksi.
Seuraa LinkedInissä →Aiheeseen liittyvät ajatukset
Toinen investointi tekoälyyn, tällä kertaa järjestelmiin, ei malleihin
Useimmat organisaatiot ovat jo tehneet ensimmäisen tekoälyinvestointinsa. Toinen investointi on luotettavien järjestelmien rakentaminen mallien ympärille.
Tekoälyn arvo on siirtynyt malleista työnkulkuihin - mihin organisaatioiden kannattaa keskittyä
Tekoälyn pullonkaula ei ole enää mallien kyky vaan työnkulkujen tunnistaminen. Organisaatioiden on löydettävä kohdat, joissa toistuvat päätökset hidastavat liiketoimintaa.
Hyväksyntäkerros tekoälyagenteissa - pysyvä arkkitehtuuri
Tekoälyagenttien kehityksessä luotettavuus on ohittanut autonomian. Ihmisen valvontaan perustuva hyväksyntäkerros ei ole väliaikainen ratkaisu vaan pysyvä arkkitehtuuri.
Kiinnostuitko?
Ota yhteyttä ja keskustellaan miten yrityksesi voi hyödyntää tekoälyä liiketoiminnassaan.