Organisaatioiden tekoälyyn kohdistuvat odotukset ovat valtavat. Tekoälyllä voi tosiaan tehostaa liiketoimintaa ja luoda uusia mahdollisuuksia, mutta tekoälyn käyttöönotto tarkoittaa aina muutosta. Eikä muutos ole koskaan helppoa. Innostuksesta huolimatta organisaatioiden valmius tekoälyn käyttöönottoon on usein huono. Isoin haaste tekoälyn onnistuneessa käyttöönotossa ei ole teknologia tai matemaattiset taidot. Todelliset haasteet saavat alkunsa organisaation kulttuurista, siiloutuneisuudesta ja vanhoista toimintatavoista.
Listasin kokemukseni mukaan hankalimmat haasteet tekoälyn käyttöönotossa.
1. Asiakas unohtuu
Tekoäly ei ole mikään yksittäinen työkalu, joka voidaan ottaa käyttöön kuin uusi CRM-järjestelmä. Teknisestä näkökulmasta tekoäly on kokoelma edistyneen analytiikan ja automaation ratkaisuja, joita voidaan käyttää niin tehokkaasti ja niin moneen käyttötarkoitukseen, että se rikkoo toimialarajat ja mahdollistaa uusia disruptiivisia bisnesmalleja.
Näistä syistä on tärkeää pitää kirkkaana mielessä mikä on yrityksen arvo asiakkaalle. Esimerkiksi vakuutuksen ostaja ei osta vakuutusta. Hän ostaa turvaa. Taksiasiakas ei osta taksikyytiä. Hän ostaa nopean, helpon ja luotettavan tavan päästä haluamaansa paikkaan.
Älä koskaan unohda, mitä asiakas oikeasti ostaa. Vaikka tekoälyn soveltaminen alkaisi pienestä pilottiprojektista, ei isoa kuvaa ja asiakasta saa unohtaa.
Ratkaisu: Pidä mielessä mitä asiakas oikeasti ostaa, kun hän ostaa yrityksen palvelua tai tuotetta. Mieti, haetko toiminnan tehostamista, uusia liiketoimintamahdollisuuksia vai kenties parempaa asiakaskokemusta.
2. Jumiudutaan vanhoihin ajatusmalleihin
Pitkään alalla olleet yritykset - myös alan parhaat - juuttuvat usein vanhoihin ajattelumalleihinsa. Asiat tehdään niin kuin ne on aina tehty, koska vanhat tavat koetaan helpommiksi kuin uudet. Vielä tänäkin päivänä moni työntekijä printtaa ja faksaa (!) dokumentteja, koska se on “helpoin tapa” tehdä asia.
No, ei tietenkään ole.
Jos vanhaa ajattelua ei räjäytetä, ei tekoälyllä voi tehdä muuta kuin optimoida vanhoja, tehottomia toimintamalleja niin pitkälle, kuin niitä on edes mahdollista optimoida. Ja se ei riitä. Hevoskärryjä optimoimalla ei synny autoa, vaikka tekoäly valitsisi valtakunnan parhaat hevoset.
Ratkaisu: Älä rakenna tekoälyä tehostamaan vanhentuneita prosesseja. Jos prosessi on jäänne menneisyydestä, jossa leijonanosa työstä tehtiin manuaalisesti, korjaa prosessi ensin.
3. Kysytään vääriä asioita
Olen joskus, ehkä aika useinkin, kehuskellut sillä, että data-analyytikkomme osaavat ennustaa mitä tahansa toistuvia tapahtumia, jos he vain saavat riittävästi dataa käyttöönsä. Tämä ei ole suurestikaan liioiteltua.
Aina vastauksen löytäminen ei olekaan vaikeinta. Vaikeinta on osata kysyä oikeita asioita.
On ensiarvoisen tärkeää määritellä tekoälyprojektin alkuvaiheessa selvitettävät tutkimuskysymykset oikein. Jos löydökset jäävät tasolle “nice to know” eivätkä herätä vilkasta keskustelua, olivat selvitettävät kysymykset todennäköisesti vääriä, vaikka vastaukset olisivat täysin oikein. Löydösten pitää olla niin kiinnostavia, että ne herättävät keskustelua.
Jos keskustelua ei herää, jää tekoäly "pöytälaatikkoanalytiikaksi". Silloin siitä ei ole mitään hyötyä liiketoiminnalle - tosin ei haittaakaan. Analyytikoilla riittää puuhasteltavaa, ja yrityksen johto voi kirkkain silmin sanoa "saavuttaneensa jo tuloksia tekoälyllä" samalla, kun kilpailijat kasvattavat etumatkaansa kaikessa rauhassa.
Ratkaisu: Vältä pöytälaatikkoanalytiikkaa. Jos tekoälyllä tunnistetaan esimerkiksi, mitkä asiakkaat ovat korkeimmassa riskissä irtisanoa sopimuksensa, pitää selvittää myös, mihin mikrosegmenttiin nämä asiakkaat kuuluvat ja miten heitä tulee lähestyä. Näin voidaan kohdistaa heihin parhaaksi arvioidut markkinointitoimenpiteet ja mitata tulokset.
HUOM! Joskus tulokset jäävät laihoiksi siksi, että vastaukset ovat yksinkertaisesti liian epätarkkoja hyödyttääkseen liiketoimintaa merkittävästi. Tällöin kyse on luultavasti huonolaatuisesta datasta tai väärien datalähteiden käytöstä.
4. Unohdetaan sitouttaa oikeat ihmiset
Olet varmistanut, että selvitettävät kysymykset ovat oikeat ja tulokset ovat mielestäsi vaikuttavia. Mutta et siltikään saa ihmisiä innostumaan tai asioita tapahtumaan. Oletko ehkä unohtanut sitouttaa tekemiseen oikeat ihmiset?
Tiedon pitää kiinnostaa oikeita tahoja. Vain silloin voidaan saada tekoälystä hyötyä ja skaalata toimivat ratkaisut laajemmin liiketoiminnan käytäntöön. Jos tulokset eivät tunnu hetkauttavan ketään, et ehkä ole saanut sitoutettua mukaan oikeita henkilöitä - yleensä johtoa tai muita päättäjiä.
Pahimmassa tapauksessa kukaan ei ole kiinnostunut tekoälyprojektin tuloksista eikä ratkaisua päästä kunnolla ottamaan käyttöön. Tällöin ratkaisu jää unholaan ja asiat pysyvät ennallaan.
Ratkaisu: Etsi ja sitouta oikeat ihmiset alusta saakka. Laadi myös selkeä ja konkreettinen “pilotista tuotantoon” -suunnitelma. Se lisää pilotin työmäärää hieman, mutta helpottaa ratkaisun jalkauttamista.
5. Tekoälyn arvoa ei osoiteta
On itsestään selvää, että tekoälyn tulee alusta alkaen tuoda lisäarvoa liiketoimintaan.
Tee perusteltu business case -laskelma. Seuraa myös pilotin tuloksia ja päivitä laskelma. Jos hyödyt eivät ole kirkkaat päättäjille, ei tekoälypilotti tule koskaan menemään tuotantokäyttöön.
Ratkaisu: Laske, millaisia säästöjä tekoäly tuo tullessaan. Jos tekoäly voi esimerkiksi pienentää asiakaspoistumaa 10 prosentilla, on aika yksinkertaista osoittaa säästöt euroina.
Oletko samaa mieltä haasteista? Kommentoi tai ota minuun suoraan yhteyttä.
Haluatko tietää, mihin tekoälyä voidaan hyödyntää ja mihin se taipuu? Katso #uusibisnes-video!
Lue lisää tekoälystä:
Kirjoittajasta
CGI Suomen asiantuntijat
Kirjoituksia asiantuntijoiltamme
CGI on kansainvälisesti suomalainen digitalisaatiokumppani. Suomessa noin 3 800 asiantuntijaa konsultoivat asiakkaitamme liiketoiminnan ja ICT-ratkaisujen kehittämisessä. Tällä profiililla julkaisemme kirjoituksia CGI:n eri asiantuntijoilta.
