Tekoälyagenttisi tietää kaiken — eikä ymmärrä mitään

”Meidän pitäisi lähteä vanhempieni mukaan Irlannin-matkalle” — tämä näennäisen harmiton lausahdus sai kylmät väreet kulkemaan selkäpiitäni pitkin.

Vaimoni ja minä matkustamme paljon. Tiedämme, mistä pidämme. Vaimoni vanhemmat sen sijaan matkustavat harvoin muutamaa sataa mailia kauemmas kotoaan ja ovat käyneet yhdessä ulkomailla kaikkiaan vain kerran — häissämme.

Kaiken lisäksi matka oli appeni joululahja anopilleni, jotta tämä pääsisi tapaamaan sukuaan, kenties viimeistä kertaa.

Näin matkan kulun yhdellä sanalla: katastrofi. Miten ihmeessä sovittaisimme yhteen niin erilaiset kokemukset ja odotukset, että matkasta tulisi hieno — tai ettemme ainakaan vihaisi toisiamme sen päätteeksi?

Kuten jokainen itseään kunnioittava tekniikkaihminen, turvauduin teknologiaan — tarkemmin sanottuna tekoälyyn.

En kuitenkaan odottanut, että pieni kokeiluni tekoälypohjaisen perhematkan suunnittelusovelluksen tekemisessä vibe-koodaamalla opettaisi minulle lähes kaiken, mitä minun tarvitsee tietää tekoälyn soveltamisesta yritysten IT:ssä.

Mitä enemmän tekoälylle syöttää tietoa, sitä tyhmemmäksi se käy

Useimmat yritysten tekoälytoteutukset noudattavat ennakoitavaa kaavaa. Organisaatiot aloittavat antamalla agentille ohjeet ja yhdistämällä sen tietolähteeseen: RAG-kehykseen (hakutäydennetty generointi), olemassa olevaan tietämyspohjaan tai vaikkapa MCP-palvelimeen. Sitten mukaan lisätään suuri kielimalli eli LLM ja sen annetaan tehdä tehtävänsä.

Ongelmana on, että kielimallit ovat pohjimmiltaan tyhmiä. Ne eivät osaa priorisoida kaikkea käytettävissään olevaa tietoa, joten ne käsittelevät yleensä jokaista kontekstin osaa samanarvoisena. Ihmisen on lisättävä tiedon valikoinnin ja jäsentämisen kerros ja opetettava mallille, mikä on tärkeää ja mikä ei. Ilman tätä saadaan tekoäly, joka tietää kaiken mutta ei ymmärrä mitään.

Kolme olennaista muistityyppiä

Yritysten tekoälyn tehokas tiedon valikointi ja jäsentäminen tarkoittaa kolmen tietyn muistityypin hyödyntämistä mahdollisimman hyvin.

Ensimmäinen on institutionaalinen muisti, joka voi aluksi vaikuttaa varsin perustavanlaatuiselta. Kun joku puhuu ”rahoituspalveluista”, agentti tietää hänen tarkoittavan yrityksen Rahoituspalvelut-yksikköä eikä koko toimialaa. Tästä muodostuu pysyvää organisaatiotietoa, joka sisältää harvoin muuttuvia määritelmiä, mieltymyksiä ja käytäntöjä. Kun se laajenee kattamaan strategiset painopisteet, keskeiset hankkeet ja organisaation sisäisen dynamiikan, siitä tulee rikas institutionaalisen kontekstin lähde.

Seuraavana on toimintahistoria, joka keskittyy merkittäviin päätöksiin, tehtäviin ja tapahtumiin. Kun palvelupyyntö kirjataan tai järjestelmä otetaan käyttöön, agentti tunnistaa kyseisen toimenpiteen ja tallentaa sen toimintahistoriaan. Tästä syntyy historiallinen tietue, joka nivoo organisaation kontekstin yhteen.

Viimeisenä on lyhytaikainen keskustelukonteksti. Sen voi ajatella olevan agentin kanssa käytävää hetkestä toiseen etenevää vuorovaikutusta. Se on hyödyllistä juuri silloin, mutta menettää yleensä nopeasti merkityksensä.

Yhdessä nämä kolme muistityyppiä luovat painotusjärjestelmän, joka yleisistä tekoälymalleista puuttuu. Kun joku nyt kertoo agentille liiketoiminnasta, hän luokittelee ja priorisoi kaiken tämän muistin sekä valikoi olennaisen tiedon. Tämä muodostaa tekoälyn tuottaman arvon ytimen: ei vain toimialatietoa vaan myös toimialaan perustuvaa harkintakykyä.

Miltä valikoitu ja jäsennetty muisti näyttää suuressa mittakaavassa

Mutta riittää viitekehyksestä — miltä tämä näyttää käytännössä? Tällaista olemme havainneet rakentaessamme itse näitä agentteja.

Tavallinen IT-tilanne on häiriöilmoituksen lähettäminen tukipalveluagentille. Oletetaan, ettei Outlook toimi. Kirjoitat kuvauksen ongelmasta ja odotat, että agentti tutkii sen ja ehdottaa korjausta.

Kun valikoitu ja jäsennetty muisti toimii apunasi, parempi prosessi voisi olla Outlook-virheen näyttävän kuvakaappauksen ottaminen ja lataaminen agentille. Agentti (1) hyödyntää institutionaalista muistia ymmärtääkseen työympäristösi, (2) tarkistaa toimintahistoriasta asiaan liittyvät häiriöt ja (3) käyttää kontekstiin perustuvaa harkintaa tarjotakseen juuri tilanteeseen sopivan ratkaisun yleisvastauksen sijaan.

Tuloksena on älykäs agentti, jonka ei tarvitse arvailla vastausta kuvakaappauksen perusteella. Se todella selvittää asiaa, tarkastelee kaikkea sillä hetkellä käytettävissä olevaa tietoa ja antaa hyödyllisemmän vastauksen. Agentin toiminta voisi laajentua jopa verkosto- tai parvivaikutukseksi, jolloin se tarkastelisi järjestelmän muita käyttäjiä selvittääkseen, koskeeko Outlook-ongelma vain sinua vai koko yritystä.

Historian tai muistin asettaminen kontekstiin ratkaisee eron. Jos et valikoi ja jäsennä muistiasi tehokkaasti, jäät jälkeen niistä, jotka tekevät niin. Tarvitaan arkkitehtuuri, joka osaa hallita tietoa ajan myötä ja ymmärtää, mitä säilyttää, mitä nostaa esiin ja mistä luopua.

Takaisin matkaan

Miten tekoälypohjainen matkasuunnittelijani sitten muutti käsitystäni tekoälystä yritysten IT:ssä?

Rakensin sovelluksen, joka toimi henkilökohtaisena matkakonserjina ja aloitti ”haastattelemalla” jokaista osallistujaa. Kerroimme, mikä meille oli matkalla tärkeää: mitä oli ehdottomasti tehtävä ja minkä voisi jättää väliin. Vielä tärkeämpää oli, että sovellus kysyi ”miksi” — miksi jokin oli meille tärkeää ja mitä se meille merkitsi.

Näiden tietojen perusteella se teki kaksi asiaa. Ensinnäkin se kokosi tasapainoisen matkasuunnitelman, jossa jokaiselle oli jotakin. Näimme kaikki omat toiveemme ja mieltymyksemme sen tuottamassa suunnitelmassa.

Ensimmäinen matkasuunnitelma oli tietysti vasta luonnos. Avoimia kysymyksiä oli vielä paljon.

Silloin tapahtuikin varsinainen taika. Kysyimme agentilta hotellista, nähtävyydestä tai ajomatkasta, ja sen vastauksia rikasti juuri meidän tilanteemme konteksti: ”Ajomatka olisi lapsille pitkä, mutta appeni pitäisi linnasta ja sen vieressä olevasta ainutlaatuisesta kahvilasta — ja tämä voisi olla juuri sopiva paikka vaimolleni käydä siinä hieronnassa.”

Koska sovellus ymmärsi niin hyvin, mikä meille oli tärkeää, se auttoi suunnittelemaan ja hiomaan matkaamme tavalla, joka ei mielestäni olisi ollut mahdollinen millään muulla keinolla.

Juuri eräänä näistä ensimmäisistä hetkistä ymmärsin, mitä meidän oli rakennettava yritysasiakkaillemme: älykkäitä järjestelmiä, joissa olisi niin runsaasti organisaatioon, tapahtumiin ja yksilöihin liittyvää kontekstia, että jokainen vastaus ja vuorovaikutus olisi kuin sormenjälki — täysin ainutlaatuinen juuri siinä hetkessä ja vuorovaikutuksessa. Siten ne tuottaisivat arvoa, jota ei yksinkertaisesti voisi syntyä millään muulla tavalla.