Tekoälyn käyttöönotto lisääntyy. Mutta paraneeko liiketoiminnan tuloksellisuus?

Yrityksillä on vaikeuksia saada tekoälyinvestoinneista merkittävää tuottoa. Tekoälyn käyttö lisääntyy, mutta vain 13 % organisaatioista kertoo saavansa tekoälystä merkittävää ja mullistavaa hyötyä. Tämä kuilu antaa johtajille aihetta pysähtyä ja pohtia, mittaavatko he toimintaa vai merkityksellistä muutosta.

Paine osoittaa tekoälyinvestointien tuotto selkeästi saa organisaatiot usein turvautumaan helposti raportoitaviin mittareihin, kuten työkalujen käyttöön, aktiivisiin käyttäjiin tai käyttöönottoprosentteihin. Näistä mittareista käy ilmi, käyttävätkö työntekijät tekoälyä. Ne kertovat kuitenkin vain vähän siitä, paraneeko työ tai tuottaako investointi arvoa.

PwC havaitsi esimerkiksi, että 64 % kyselyyn vastanneista työntekijöistä oli käyttänyt tekoälyä työssään edeltäneiden 12 kuukauden aikana, mikä oli kymmenen prosenttiyksikköä enemmän kuin vuotta aiemmin. Ensi silmäyksellä tämä on lupaava merkki kasvusta, mutta se ei osoita vaikutusta tulokseen. Tekoälyn käyttöönotosta tulee turhamaisuusmittari, jos johtajat pitävät sitä todisteena muutoksesta. Parempi mittari on se, miten tekoäly auttaa jalostamaan aiemmista hankkeista saatuja oivalluksia toimintamalleiksi, työkaluiksi ja toimintaa vauhdittaviksi ratkaisuiksi, jotka parantavat tiimien kykyä saavuttaa tuloksia.

Piilevä ongelma: tekoäly voi nopeuttaa työtä, jota pitäisi muuttaa

Ennen tekoälyn käyttöönottoa organisaatioiden on ymmärrettävä työnkulun tarkoitus, tunnistettava tarpeettomat vaiheet ja harkittava uudelleen, miten työ pitäisi tehdä. Tämä on tärkeää, sillä tekoälyn käyttöönotto voi nopeuttaa tehotonta prosessia, siirtää pullonkauloja työnkulun myöhempiin vaiheisiin ja lisätä tarkistamisen tai uudelleentyöstämisen tarvetta.

Saman ymmärryksen pitäisi ohjata myös sitä, mitä organisaatiot mittaavat. Kun tiimit tarkastelevat koko työnkulkua, ne näkevät, miten yhdessä tehtävässä tehdyt muutokset vaikuttavat kaikkeen sitä seuraavaan ja vähentävätkö näennäiset hyödyt todella työmäärää vai siirtävätkö ne sen vain jonkun muun tehtäväksi.

Tekoäly voi nopeuttaa yksittäisiä tehtäviä, kuten sisällön luonnostelua, tiedon tiivistämistä tai datan analysointia, parantamatta kuitenkaan prosesseja. Esimerkiksi sisällön nopeampi tuottaminen voi lisätä työnkulun myöhemmissä vaiheissa työskentelevien tarkastajien ja hyväksyjien työmäärää. Pullonkaula siirtyy, vaikka yksittäiset työntekijät kertovat säästävänsä aikaa.

Tässä vaiheessa tuottavuusmittareista voi tulla turhamaisuusmittareita. Yhden tehtävän nopeampi läpimenoaika voi näyttää nopealta voitolta, mutta mittari ei välttämättä huomioi työtä, jota tuotoksen jalostaminen hyödylliseksi lopputulokseksi työnkulun myöhemmässä vaiheessa vaatii. Työnkulun uudelleensuunnittelun pitäisi lähteä tavoitellusta lopputuloksesta. Sen jälkeen voidaan määrittää, missä tekoäly tuo lisäarvoa ja mitä vaiheita on muutettava.

Sekä yksittäisten tehtävien että koko työnkulun tuottavuudella on merkitystä. Niiden yhteinen mittaaminen edellyttää, että tiimit tarkastelevat yksittäisissä tehtävissä säästetyn ajan lisäksi laatua, uudelleentyöstämistä ja lopputuloksen saavuttamiseen tarvittavaa kokonaistyöpanosta.

Mitä opimme ryhtymällä itse tekoälyn asiakkaaksi

Loimme Arionkoderilla sisäisen muutosohjelmamme Socrates auttamaan meitä kehittymään tekoälylähtöiseksi organisaatioksi. Tekoälyn testaaminen omana ”nollatapauksenamme” paljasti, miten yksittäisten tehtävien tuottavuuden kasvu saattoi peittää koko työnkulun ongelmat. Oletimme esimerkiksi aluksi, että tekoälyn käyttö kokousmuistioiden, tehtävälistojen ja projektipäivitysten laatimiseen tehostaisi projektinhallinnan työnkulkujemme näitä tehtäviä. Kasvanut tietomäärä vaati kuitenkin edelleen manuaalista tarkistamista, priorisointia ja tiimien välistä koordinointia. Työmäärä siis siirtyi työnkulun myöhempiin vaiheisiin sen sijaan, että se olisi vähentynyt. Ymmärsimme, ettei yksittäisten tehtävien nopeuttaminen välttämättä tehosta koko työnkulkua. Socratesin tavoite oli edelleen ajankohtainen, mutta ohjelman oli autettava tiimejä siirtymään yksittäisten tehtävien nopeuttamisesta päästä päähän ulottuvien työnkulkujen uudelleensuunnitteluun.

Vastoinkäymisestä tuli hyödyllinen, kun tarkastelimme tapahtunutta ja hyödynsimme havaintojamme seuraavassa yrityksessämme. Se vahvisti, että tekoälyyn perustuva muutos edellyttää muutakin kuin uuden teknologian käyttöönottoa. Se vaatii muutoksia siihen, miten ihmiset oppivat kokeiluista, tekevät päätöksiä ja työskentelevät yhdessä. Socratesin oli autettava työntekijöitä yhdistämään heidän itsenäisesti kehittämänsä ratkaisut siihen, miten työtä todellisuudessa tehdään.

Uudistettu toimintatapa antaa kokeilulle selkeän etenemisjärjestyksen. Työntekijä voisi aloittaa ratkaisemalla tekoälyn avulla yhden pienen, todellisen ongelman. Seuraavaksi voisi testata, pystyykö joku muu käyttämään hänen kehittämäänsä ratkaisua. Tämän jälkeen yritys voisi tarkastella laajempaa työnkulkua, tunnistaa kitkakohdat ja yhdistää työn muiden tiimien kehittämiin valmiuksiin. Työntekijöiden keskinäinen oppiminen auttaa arvioimaan, pysyykö parannus hyödyllisenä myös sen alkuperäisen tehtävän ulkopuolella, jota varten se suunniteltiin.

Tämä ero on tärkeä. Yhdelle ihmiselle toimivan ratkaisun rakentaminen on vasta lähtökohta. Organisaatiolle arvon luominen edellyttää sen ymmärtämistä, miten muut käyttävät ratkaisua ja mitä muuttuu, kun siitä tulee osa laajempaa prosessia.

Siksi uudistimme toimintaamme lähtemällä tavoitellusta lopputuloksesta. Mitä tiimin piti saada aikaan? Mitkä vaiheet edistivät tavoitetta, ja mitkä olivat mukana vain siksi, että ne kuuluivat vakiintuneeseen prosessiin, joka ei enää palvellut tarkoitustaan? Nämä kysymykset auttoivat siirtämään painopisteen tekoälyn lisäämisestä yksittäisiin tehtäviin kohti työnkulun uudelleensuunnittelua selkeämmän tavoitteen ympärille.

Tämän jälkeen määritimme kullekin työnkululle sopivat lähtötasot ja arviointiperusteet. Tarkastelimme laatua, uudelleentyöstämistä ja työntekijöiden työpanosta sekä tehtävien valmistumiseen kuluvaa aikaa. Näiden mittareiden avulla pystyimme arvioimaan parannuksia koko prosessin osalta.

Socratesissa uudistimme yli 20 työnkulkua ja muutimme todellisten liiketoimintaongelmien ympärille rakentuneet kokeilut kyvykkyyksiksi, joita muutkin pystyivät hyödyntämään. Talousraportointiin kulunut aika lyheni neljästä tunnista 20 minuuttiin, ja IT raportoi toistuvien tehtävien vähentyneen 40 % ja vasteaikojen lyhentyneen 60 %. Tulokset osoittivat toiminnan tehostuneen. Jotta voidaan ymmärtää, miten nämä mittarit näkyvät liiketoiminnan arvossa, on arvioitava, vähenikö työmäärä koko työnkulussa ja miten tiimit hyödynsivät vapautunutta kapasiteettia.

Meille opetus oli, että parannuksia on seurattava niiden koko vaikutusketjun läpi. Yksittäiset ajansäästöt ovat tärkeitä, mutta niistä syntyy organisaatiolle arvoa, kun ne auttavat seuraavaa henkilöä tekemään työnsä paremmin ja vievät tiimiä lähemmäs tavoiteltua lopputulosta.

Mitä tietohallintojohtajien pitäisi mitata sen sijaan

Parannuksen liiketoimintavaikutusten seuraaminen edellyttää muutakin kuin tekoälyn käytön tai säästyneen ajan mittaamista. Johtajien on yhdistettävä käyttöönotto työn tekemisen tapojen paranemiseen ja saavutettuihin tuloksiin. Edistymistä pitäisi mitata kolmella eri tasolla:

1. Käyttöönotto: käyttävätkö työntekijät tekoälyä?

   Käyttöönotto on edelleen hyödyllinen tilannekuvan mittari. Käyttö, osallistuminen kokeiluihin ja työntekijöiden palaute voivat paljastaa, missä ihmiset alkavat luottaa tekoälyn käyttöön ja missä he tarvitsevat tukea.

   Nämä signaalit auttavat johtajia ymmärtämään organisaation valmiutta, mutta ne eivät osoita sijoitetun pääoman tuottoa. Runsas käyttö on selvitystyön lähtökohta, ei todiste muutoksesta.

2. Työnkulun suorituskyky: paraneeko työ todella?

   Onnistumisen kriteerien pitäisi vastata työnkulun tavoitetta. Käyttökohteesta riippuen parannus voi tarkoittaa tarkempia tietoja, vähempiä virheitä tai nopeampaa ratkaisua.

   Vertaa suorituskykyä lähtötasoon koko prosessin osalta. Seuraa poistettuja tarpeettomia vaiheita, uudelleentyön määrää, laatua ja työntekijöiden kokonaistyöpanosta. Ota mukaan myös ne, jotka vastaanottavat tekoälyn tuottamia tuloksia ja toimivat niiden perusteella. Tehtävä ei välttämättä ole tehostunut, jos se lisää tarkistamista tai korjaamista prosessin muualla.

3. Liiketoimintavaikutus: parantaako tekoälyllä tehostettu työnkulku liiketoiminnan tuloksia?

   Yhdistä työnkulun parannukset tuloksiin, joilla on johdolle jo ennestään merkitystä, kuten asiakaspysyvyyteen, liikevaihtoon, palvelun laatuun tai ratkaistun asian kustannuksiin. Esimerkiksi sisällön tuottaminen aiempaa enemmän osoittaa tuotannon kasvaneen. Sen liiketoiminta-arvo riippuu siitä, millaista sisältöä tuotetaan.

   Seuraa, mihin säästynyt aika käytetään. Paransiko lisäkapasiteetti palvelua, tukiko se kasvua vai pienensikö se toimintakustannuksia? Arvioi arvo suhteessa sen tuottamisen kokonaiskustannuksiin, mukaan lukien ihmisten työpanos, tekoälyn käyttö, integraatio, valvonta, koulutus ja ylläpito.

Yhdessä nämä mittarit auttavat johtajia seuraamaan tekoälyn käyttöönoton vaikutuksia aina parempiin työnkulkuihin ja liiketoiminnan tuloksiin asti. Jos tekoälyn käyttö lisääntyy mutta ihmisten työmäärä ei vähene, laatu parane tai liiketoiminnalle synny arvoa, johdon on arvioitava toimintatapa uudelleen ennen sen laajentamista.

Johtajien on määriteltävä tekoälyn edistyminen uudelleen

Käyttöönottotiedot auttavat yrityksiä näkemään, ketkä käyttävät tekoälyä ja missä tarvitaan lisää tukea. Sen arvon ymmärtäminen edellyttää työn tekijöiden kuuntelemista ja sen arviointia, parantavatko saavutetut hyödyt työnkulkua laajemmin. Johtajien on rohkaistava työntekijöitä tuomaan esiin toimintatavat, jotka lisäävät työmäärää tuloksia parantamatta, ja toimittava havaintojen perusteella. Tehottoman toimintatavan muuttaminen tai lopettaminen on edistystä, jos opit auttavat tekemään seuraavan päätöksen paremmin.

Merkityksellinen muutos näkyy tarpeettoman työn poistumisena, parempina tuloksina ja suurempana kapasiteettina tärkeään työhön. Näiden tulosten perusteella johtajien pitäisi arvioida tekoälyn edistymistä ja ohjata jatkoinvestointeja.