Miten valita tekoälyn käyttökohde organisaatiossa?

Hyvä tekoälyn käyttökohde ei ole näyttävin mahdollisuus. Se on työ, jossa nykyinen tapa tunnetaan, muutos voidaan kokeilla turvallisesti ja hyöty näkyy asiakkaalle, henkilöstölle tai organisaation tuloksessa.

Moni organisaatio aloittaa välineestä. Lisenssi hankitaan, koulutus järjestetään ja ihmiset etsivät itselleen sopivia käyttötapoja. Osa löytää hyötyä nopeasti. Osa käyttää tekoälyä satunnaisesti. Johdolle jää epäselväksi, mitä työssä muuttui, mikä hyöty syntyi ja kannattaako käyttöä laajentaa.

Ensimmäinen päätös ei siksi koske ohjelmistoa. Se koskee työtä. Mitä työvaihetta halutaan muuttaa, miksi juuri sitä ja mitä asiakkaalle tai organisaatiolle tärkeää asian pitäisi parantaa?

Käyttökohteen valinta on johdon päätös työstä

Tekoälyn käyttöönotossa päätetään samalla työnjaosta, tiedosta, laadusta ja vastuusta. Valinta vaikuttaa siihen, mitä ihminen tekee, mitä tekoäly valmistelee, kuka tarkistaa tuotoksen ja millä perusteella lopputulos hyväksytään.

Tärkein kysymys kuuluu: mikä asiakkaalle tai organisaatiolle tärkeä asia voisi edetä paremmin, jos yksi työn osa tehtäisiin uudella tavalla?

Teknologia tulee tämän kysymyksen jälkeen.

Jöhnkin, Weißertin ja Wyrtkin tutkimus organisaatioiden tekoälyvalmiudesta tunnisti viisi toisiinsa liittyvää aluetta: strategisen yhteyden, resurssit, osaamisen, kulttuurin ja datan. Tutkimuksen olennainen havainto on käytännöllinen. Organisaation valmiutta pitää arvioida suhteessa valittuun käyttötarkoitukseen, ei yleisenä kykynä käyttää tekoälyä. Lue tutkimus Business & Information Systems Engineering -julkaisusta.

Sama ohjelmisto voi siis olla yhdessä tehtävässä hyödyllinen ja toisessa väärä ratkaisu. Käyttökohteen laatu ratkaisee ennen käyttäjämäärää.

Viisi ehtoa hyvälle tekoälyn käyttökohteelle

1. Työ toistuu riittävän usein

Yksittäinen tehtävä voi olla kiinnostava kokeilu, mutta toistuva työ antaa mahdollisuuden arvioida vaikutusta. Sopiva kohde voi olla palautteen luokittelu, asiakirjojen ensimmäinen jäsentäminen, kokousaineiston valmistelu, viestiluonnoksen tekeminen tai laajan tietoaineiston kokoaminen päätöstä varten.

Toistuvuus ei tarkoita pelkkää määrää. Työn pitää olla organisaatiolle riittävän tärkeä. Viikoittain tehtävä pieni työ voi vapauttaa paljon aikaa vuoden aikana. Harvemmin toistuva johtamisen käytäntö voi puolestaan vaikuttaa suureen päätökseen.

Brynjolfssonin, Lin ja Raymondin kenttätutkimuksessa generatiivinen tekoäly paransi asiakaspalvelutyön tuottavuutta erityisesti vähemmän kokeneilla työntekijöillä. Tulos kertoo mahdollisuudesta, mutta myös valinnan merkityksestä: hyöty syntyi rajatussa työssä, jossa tehtävät, palaute ja tulos olivat seurattavissa. Lue tutkimus The Quarterly Journal of Economics -julkaisusta.

2. Nykyinen tapa voidaan kuvata

Vaikutusta ei voi arvioida ilman lähtötilannetta. Työn tekijöiden pitää pystyä kuvaamaan, mistä tieto tulee, mitä sille tehdään, missä tarvitaan harkintaa, missä työ odottaa ja milloin tehtävä on valmis.

Jo tämä kuvaus paljastaa usein tarpeetonta siirtelyä, puuttuvaa tietoa tai epäselvän vastuun. Kaikki hitaus ei johdu työvälineestä. Epäselvä peruslogiikka voi johtaa siihen, että tekoäly nopeuttaa väärää vaihetta ja siirtää korjaustyön seuraavalle ihmiselle.

Työn kuvaaminen estää yhden tavallisen virheen: organisaatio automatisoi nykyisen tavan ennen kuin se on päättänyt, kannattaako nykyistä tapaa jatkaa.

3. Ihmisen vastuu voidaan nimetä

Hyvä käyttökohde sisältää selkeän vastauksen siihen, kuka tarkistaa lähtötiedon, tekoälyn tuotoksen ja lopputuloksen. Sama henkilö ei välttämättä vastaa kaikista vaiheista.

Vastuun nimeäminen suojaa asiakasta, työntekijää ja organisaatiota. Se estää tilanteen, jossa tekoälyn tuottama teksti näyttää valmiilta mutta kukaan ei ole arvioinut sen oikeellisuutta, sopivuutta tai vaikutusta.

Vastuu tarvitsee myös päätösvallan. Tarkistajaksi nimetty ihminen ei voi vastata laadusta, jos hänellä ei ole mahdollisuutta pysäyttää tuotosta, pyytää lisätietoa tai palauttaa tehtävää uudelleen valmisteltavaksi.

4. Hyöty voidaan tehdä näkyväksi

Käyttökohteelle valitaan yksi ensisijainen vaikutus. Se voi olla työajan säästyminen, lyhyempi läpimenoaika, tasaisempi laatu, vähäisempi korjaustarve, kattavampi tietopohja tai asiakkaan asian sujuvampi eteneminen.

Säästetty aika muuttuu arvoksi vasta, kun organisaatio päättää, mihin aika käytetään. Asiakastyöhön palautuva tunti on eri tulos kuin kalenteriin katoava tunti. Mittarin rinnalle tarvitaan siksi päätös tavoitellusta käytöstä.

Yksi luku ei aina riitä. Nopeuden rinnalla seurataan laatua ja korjausten määrää. Asiakaspalautteen luokittelu voi nopeutua, mutta hyöty jää vajaaksi, jos olennaiset havainnot katoavat tai ihmiset joutuvat tarkistamaan koko aineiston uudelleen.

5. Kokeilu voidaan rajata turvallisesti

Ensimmäinen kokeilu toteutetaan organisaation hyväksymässä ympäristössä ja aineistolla. Tietosuoja, tietoturva, luottamuksellisuus, läpinäkyvyys ja mahdolliset asiakkaaseen kohdistuvat vaikutukset arvioidaan käyttökohteen mukaan.

NISTin tekoälyn riskienhallintamalli kytkee käyttötarkoituksen, vaikutukset, vastuut ja seurannan tekoälyn koko elinkaareen. Mallin neljä toimintoa ovat Govern, Map, Measure ja Manage. Kehys on vapaaehtoinen, ja siitä voidaan ottaa käyttöön omaan tilanteeseen sopivat osat. Tutustu NIST AI RMF Playbookiin.

Tekoälyn suorituskyky ei ole tasainen

Yksi käyttökohde voi näyttää paperilla lähes samanlaiselta kuin toinen ja silti vaatia tekoälyltä aivan erilaista kykyä. Dell’Acquan ja hänen tutkijakollegoidensa koe 758 tietotyöntekijällä osoitti tämän konkreettisesti. Tekoälyä käyttäneet suoriutuivat sen kykyalueelle osuvissa tehtävissä nopeammin ja paremmin. Kykyalueen ulkopuolisessa vaativassa tehtävässä tekoälyä käyttäneet päätyivät harvemmin oikeaan ratkaisuun kuin ilman tekoälyä työskennelleet. Lue Organization Science -julkaisun tutkimus.

Tutkijat kuvaavat rajaa rosoiseksi teknologiseksi eturintamaksi. Johdon kannalta havainto tarkoittaa, että organisaatio ei voi päätellä tekoälyn sopivuutta tehtävän yleisestä vaikeudesta. Sopivuus pitää osoittaa kyseisessä työssä, kyseisellä aineistolla ja sovitulla laatukriteerillä.

Juuri siksi pieni, mitattava kokeilu on usein viisaampi kuin laaja käyttöönotto. Kokeilu tuottaa tietoa myös siitä, missä tekoälyä kannattaa rajata.

Käyttökohteen päätöskelpoisuus

Käyttökohteen päätöskelpoisuus tarkoittaa, että johto pystyy ennen kokeilua vastaamaan viiteen kysymykseen:

1. Mitä työtä tai asiakkaan asiaa muutetaan?
2. Mikä jää ihmisen vastuulle?
3. Mitä tietoa ja välinettä voidaan käyttää?
4. Mikä vaikutus halutaan nähdä?
5. Milloin ja kuka päättää jatkosta?

Viisi vastausta muodostavat kokeilun rajauksen. Ne auttavat myös tunnistamaan, milloin käyttökohde ei ole vielä valmis. Puuttuva päätösvalta, tuntematon lähtötilanne tai epäselvä aineiston käyttö ratkaistaan ennen kokeilua.

Kysymykset seuraavat samalla Johtamisen vaikutusketjua: havainto muuttuu yhteiseksi tulkinnaksi, tulkinta päätökseksi, päätös nimetyksi vastuuksi, vastuu tekemiseksi ja tekeminen seurattavaksi vaikutukseksi. Ketju tekee näkyväksi sen kohdan, jossa lupaava käyttöidea muuten jäisi irralliseksi kokeiluksi.

Oikea asiakastapaus: kaikkia ideoita ei viety kokeiluun

Proinnon toteuttamassa tekoälyvalmennuksessa asiantuntijayrityksen henkilöstö tunnisti useita mahdollisia käyttökohteita omasta työstään. Asiakkaan nimeä ei julkaista. Työ alkoi ihmisten todellisista tehtävistä, ei valmiista työkalulistasta.

Ideoita arvioitiin toistuvuuden, aineiston, ihmisen vastuun, tavoitellun hyödyn ja turvallisen rajauksen perusteella. Kaikkia ehdotuksia ei valittu kokeiluun. Osa tehtävistä oli liian harvinaisia. Osassa lähtötieto vaihteli niin paljon, ettei laatua olisi voitu arvioida luotettavasti. Yhdessä kohdassa vastuuhenkilö ja hyväksymistapa vaativat ensin johdon päätöksen.

Valmennuksen arvo syntyi rajauksesta. Organisaatio sai yhteisen tavan arvioida käyttöideoita, valitsi ensimmäisen hallittavan kokeilun ja teki näkyväksi asiat, jotka pitää ratkaista ennen seuraavaa vaihetta. Lopputulos ei ollut mahdollisimman pitkä lista tekoälyn käyttötapoja. Se oli perusteltu päätös siitä, mistä aloitetaan ja mistä vielä ei.

Milloin tekoälyä ei kannata kokeilla?

Käyttökohteen etsiminen on väärä ensimmäinen kysymys, jos organisaatio ei vielä tiedä, mitä työssä yritetään saada aikaan. Tekoäly ei ratkaise epäselvää palvelulupausta, keskenään ristiriitaisia tavoitteita tai tilannetta, jossa kukaan ei omista työn kokonaisuutta.

Kokeilua kannattaa siirtää myös silloin, jos käytettävää aineistoa ei voida käsitellä hyväksytyssä ympäristössä, tuloksen tarkistamiseen ei ole osaamista tai aikaa, tehtävän virhe voi aiheuttaa asiakkaalle merkittävää haittaa tai johto ei pysty nimeämään kokeilulle vastuuhenkilöä.

Joissakin töissä tavallinen automaatio, parempi ohje, selkeämpi vastuunjako tai yhden turhan vaiheen poistaminen tuottaa varmemman hyödyn. Tekoälyä ei tarvitse käyttää, jotta työ uudistuu.

Myös kielteinen tulos on käyttökelpoinen. Tulos voi olla rajaus, ja se on arvokas lopputulos. Organisaatio välttää laajan käyttöönoton kustannukset ja pystyy suuntaamaan ajan tehtävään, jossa vaikutus on todennäköisempi.

Vertaa käyttökohteita ennen valintaa

Organisaatiolla on harvoin pulaa ideoista. Vaikeampi tehtävä on valita ehdotuksista yksi, jonka kokeileminen tuottaa päätöksenteolle oikeaa tietoa. Viittä ehtoa voi käyttää yksinkertaisena vertailuna. Jokainen ehdotus arvioidaan asteikolla yhdestä viiteen seuraavissa kohdissa:

• Merkitys: kuinka tärkeä tehtävä on asiakkaalle, henkilöstölle tai organisaation tulokselle?
• Toistuvuus: syntyykö muutoksesta riittävästi havaintoja kohtuullisessa ajassa?
• Kuvattavuus: tunnetaanko nykyiset vaiheet, odotukset, korjaukset ja valmis lopputulos?
• Vastuu: voidaanko lähtötiedon, tarkistamisen ja hyväksymisen vastuut nimetä?
• Mitattavuus: saadaanko vaikutuksesta vertailukelpoista tietoa ennen ja jälkeen kokeilun?
• Turvallinen rajaus: voidaanko aineistoa ja työvälinettä käyttää hyväksytysti pienessä kokeilussa?

Pistemäärä ei tee päätöstä johdon puolesta. Se tekee ehdotusten erot näkyviksi. Korkea hyötypotentiaali ei vielä riitä, jos aineiston käyttö tai ihmisen vastuu on epäselvä. Helppo toteutus ei puolestaan riitä, jos tehtävä on niin pieni, ettei tuloksella ole organisaatiolle merkitystä.

Paras ensimmäinen käyttökohde ei välttämättä saa eniten pisteitä jokaisessa kohdassa. Se on tavallisesti riittävän tärkeä, riittävän turvallinen ja riittävän selkeä, jotta organisaatio oppii kokeilusta muutakin kuin yhden työkalun käytön.

Mitä ennen kokeilua pitää mitata?

Lähtötaso kuvataan ennen ensimmäistä tekoälyavusteista suoritusta. Muuten organisaatio joutuu arvioimaan hyötyä muistin, innostuksen ja yksittäisten kokemusten perusteella. Mittauksen ei tarvitse olla raskas. Usein kaksi tai kolme lukua ja työntekijöiden havainnot riittävät ensimmäiseen päätökseen.

Aika kertoo, kuinka kauan tehtävän valmistelu, tekeminen, tarkistaminen ja korjaaminen vievät. Pelkkä tekoälyllä tuotetun luonnoksen nopeus voi johtaa harhaan, jos tarkistamiseen kuluva aika kasvaa.

Laatu tehdään näkyväksi sovitulla arviointiperusteella. Se voi tarkoittaa virheiden, puuttuvien tietojen, palautuskierrosten tai tarvittavien korjausten määrää. Asiantuntijatyössä laatu voi tarkoittaa myös sitä, kuinka kattavasti olennaiset vaihtoehdot tai havainnot löytyvät.

Asiakasvaikutus näkyy esimerkiksi vastausajassa, asian etenemisessä, yhden yhteydenoton aikana ratkaistujen asioiden osuudessa tai asiakkaan kokeman hyödyn laadullisessa palautteessa. Asiakkaalle syntyvä arvo kannattaa nimetä myös sisäiseksi tarkoitetussa käyttökohteessa.

Ihmisen työ täydentää numeroita. Kokeiluun osallistuvat kirjaavat, missä tekoäly auttoi, missä se lisäsi tarkistamista ja missä tarvittiin kokemukseen perustuvaa harkintaa. Havaintoja ei kerätä yleisenä tyytyväisyyskyselynä, vaan valitun työn päätöksenteon tueksi.

Arviointipäivänä johto tarkastelee tulosta kokonaisuutena. Nopeus, laatu, asiakasvaikutus, ihmisten työ ja riskit kuuluvat samaan päätökseen. Yhden luvun paraneminen ei oikeuta laajentamista, jos työ siirtyy huomaamatta toiselle ihmiselle tai virheen seuraukset kasvavat.

Miten ensimmäinen kokeilu etenee?

1. Nykyinen työ näkyväksi: vaiheet, aika, laatu, vastuut ja asiakkaalle syntyvä arvo.
2. Käyttökohteen rajaus: tekoälyn tehtävä, ihmisen tehtävä, hyväksytyt aineistot ja välineet.
3. Lähtötaso: yksi tai kaksi vaikutusta kuvaavaa mittaria.
4. Työssä tehtävä kokeilu: rajattu ryhmä käyttää toimintatapaa todellisessa työssä.
5. Arviointi: tulosta verrataan lähtötilanteeseen ja osallistujien havainnot kootaan.
6. Johdon päätös: käyttötapaa jatketaan, tarkennetaan, rajataan tai siitä luovutaan.

Kokeilun pitää olla riittävän pitkä, jotta työn vaihtelu näkyy, ja riittävän pieni, jotta virheet voidaan havaita turvallisesti. Arviointipäivä sovitaan jo alussa. Muuten kokeilu jää helposti pysyväksi välitilaksi, jossa käyttö jatkuu mutta päätös puuttuu.

Valitse työ, jonka vaikutus kannattaa nähdä

Hyvä käyttökohde yhdistää organisaatiolle tärkeän työn, ihmisen vastuun ja vaikutuksen, jonka johto pystyy arvioimaan. Viisi ehtoa auttavat tekemään ensimmäisen rajauksen. Tutkimus muistuttaa, että valmius on käyttötarkoituskohtaista ja tekoälyn suorituskyky vaihtelee tehtävästä toiseen.

Proinnon tekoälyvalmennuksessa organisaatio valitsee yhden tärkeän työn, palvelun tai johtamisen käytännön. Johto, esihenkilöt ja työn tekijät rakentavat yhteisen toimintatavan, kokeilevat sitä käytännössä ja arvioivat vaikutuksen ennen laajentamista.

Tilannekeskustelussa voidaan arvioida, onko käyttökohde riittävän tärkeä, rajattava ja mitattava ensimmäiseen kokeiluun.

Lähteet

Kolme ensimmäistä lähdettä ovat vertaisarvioituja tutkimusartikkeleita. NIST AI RMF on Yhdysvaltain standardointi- ja teknologiainstituutin julkaisema vapaaehtoinen riskienhallintakehys, ei tutkimusartikkeli.

• Jöhnk, J., Weißert, M. & Wyrtki, K. (2021). Ready or Not, AI Comes: An Interview Study of Organizational AI Readiness Factors. Business & Information Systems Engineering, 63(1), 5–20. DOI ja alkuperäinen artikkeli.
• Brynjolfsson, E., Li, D. & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. DOI ja alkuperäinen artikkeli.
• Dell’Acqua, F. ym. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. DOI ja alkuperäinen artikkeli.
• Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. National Institute of Standards and Technology. Virallinen julkaisu ja DOI.