Teidän AI:n persoonallisuus on yhtä tärkeä kuin sen älykkyys — ja se määrää yrityksen menestyksen

Useimmat yritykset valitsevat edelleen AI-malleja benchmarkien perusteella. Käytännössä tämä harvoin määrää, toimivatko nämä järjestelmät todella.

Siihen asti, useimmat keskustelut suurten kielen mallien ympärillä yritysympäristössä ovat keskittyneet benchmarkien ympärille. Tiimit suuntautuvat mitattavaan suorituskykyyn, kuten mihin malli on älykkäin, vahvin koodauksessa, tarkin yhteenvetojen tekemisessä tai matemaattisessa päättelyssä.

Mutta kun tiimit alkavat siirtyä kokeiluvaiheesta todelliseen käyttöönottoon suurissa mittakaavoissa, muut tärkeät tekijät, joita useimmat johtajat ovat täysin yliarvioineet, osoittautuvat nopeasti yhtä olennaisiksi yrityksen menestykselle.

AI:n rekrytointikelpoisuus

Raaka älykkyys ja analyyttinen kyky ovat ilmeisesti tärkeitä, mutta yritysten AI-käyttöönoton aliarvoinnin variable on persoonallisuus. Persoonallisuus suurten kielen mallien kontekstissa viittaa mallin johdonmukaiseen ääneen, sävyyn ja käyttäytymiseen vuorovaikutuksissa. Se tekee AI:sta koherentin ja luotettavan.

Kun yritykset toteuttavat AI:ta, heidän on otettava sama lähestymistapa kuin kun he palkkaavat ihmistyöntekijän: arvioida ei vain sitä, miten hyvin malli suorittaa tehtävän, vaan myös sen asennetta työhön, miten se viestii ja miten se sopii laajempaan työnkulkuun.

Mallin kyky ylläpitää johdonmukaisuutta, vastata asianmukaisesti ja käsitellä hienovaraisuutta eri konteksteissa voi vaikuttaa merkittävästi liiketoimintatuloksiin. Teknisesti loistava AI, joka vastaa hitaasti, muuttaa sävyä tai käsittelee epäkohteliaasti hienovaraisia vuorovaikutuksia, voidaan soveltaa väärin yrityksissä, turhauttaa käyttäjiä, vähentää sitoutumista ja lopulta heikentää AI:n ja yrityksen menestyksen tehokkuutta.

Tämä on erityisen tärkeää aloilla, kuten asiakastukea, poliittista lähestymistapaa tai sisäistä viestintää, koska hienoiset sävyn tai sanamuodon muutokset vastauksissa voivat aiheuttaa sekaannusta, heikentää luottamusta ja vähentää sitoutumista. Kuten ihmisillä, ei ole yhtä unelmamallia, joka voittaa kilpailun jokaisessa luokassa. Jotkut mallit ovat parempia analyyttisissä tehtävissä, kuten koodauksessa tai matematiikassa, kun taas toiset suorittavat paljon paremmin keskustelukirjoituksessa ja kokousten yhteenvetoissa.

Mutta haaste tiimille, jotka rakentavat näiden järjestelmien päälle, on, että nämä ominaisuudet eivät ole kiinteitä.

Liikkuva maali

AI-maailma kehittyy nopeammin kuin useimmat organisaatiot voivat seurata. Uudet versiot julkaistaan usein, ja suorituskykyominaisuudet voivat muuttua yhden päivityksen jälkeen. Google Gemini -mallisarja on viimeaikainen esimerkki.

Gemini 2.0 Pro julkaistiin helmikuussa 2025 ja siitä tuli heti lippulaivamalli kehittäjille ja yrityksille, jotka käyttävät sitä koodaukseen ja monimutkaisiin ohjelmiin maailmanlaajuisesti.

Se tuli suurimmalla kontekstiruudulla, jonka Google oli koskaan tarjonnut, kaksi miljoonaa merkkiä, mikä antoi sille kyvyn kattavasti analysoida ja ymmärtää valtavia määriä tietoa kerran, ja samalla käyttää työkaluja, kuten Google-hakua, ja jopa kirjoittaa koodia.

Joukkueille, jotka tarvitsivat järjestelmiä, jotka pystyisivät käsittelemään suuria tietomääriä nopeasti ja tarkasti, se näytti selvältä valinnalta. Mutta vain muutamassa viikossa Google julkaisi Gemini 2.5 Pro:n, joka heti ohitti edeltäjänsä parannuksilla koodauksessa, matematiikassa ja tieteessä.

Yöllä malli, joka oli vasta ollut paras vaihtoehto markkinoilla, oli jo korvattu vähemmän kuin kaksi kuukautta julkaisun jälkeen. Mutta varhaiset käyttäjät huomasivat nopeasti, että muutokset eivät olleet vain pieniä tai analyyttisiä — Gemini:n koko persoonallisuus oli muuttunut yöllä. Useat kehittäjät menivät niin pitkälle, että sanoivat, että AI toimi kuin se olisi “lobotomisoitu” päivityksen jälkeen.

He valittivat, että AI vaikutti olevan “törmäyskurssilla” — se tuotti jatkuvasti hitaampia vastauksia, vähemmän koherentteja tuloksia ja näytti epäjohdonmukaisuuksia siinä, miten se käsittelee aiemmin ongelmattomia tehtäviä ja pyynnöitä.

Ja tässä yrityksen strategia AI-käyttöönoton ympärillä alkaa perustavanlaatuisesti muuttua.

Benchmarkien ulkopuolella

Paperilla Gemini 2.5 Pro olisi pitänyt olla selkeä voittaja parannusten ansiosta kyvyssä ja turvallisuudessa.

Käytännössä nämä muutokset muuttivat kuitenkin täysin, miten luotettava malli oli, miten se käyttäytyi, vastasi pyynnöistä ja lopulta lähetti joukkueet, jotka olivat vasta rikastuneet ja viettäneet lukemattomia tunteja rakentamassa näiden järjestelmien ympärille, takaisin nollapisteeseen, jos mallin uudet kyvyt eivät olleet linjassa heidän olemassa olevan putkistonsa kanssa.

Even pienet muutokset käyttäytymisessä voivat häiritä järjestelmiä, jotka on rakennettu yhdenmukaisuuden ja ennustettavuuden ympärille. Tämä luo todellisen operatiivisen riskin, jos yritys on tiiviisti kytkössä yhteen malliin, koska mikä tahansa päivitys voi tuoda välittömän epävakauden joukkueille, jotka riippuvat näistä järjestelmistä.

Monet eteenpäin katsovat yritykset ovat alkaneet toteuttaa monimallistrategiaa, jossa he ohjaavat eri tehtäviä malleihin, jotka ovat parhaiten soveltuva niille, sen sijaan, että riippuisivat yhdestä mallista kaikesta.

Tämä lähestymistapa parantaa suorituskykyä tehtäväkohtaisesti ja vähentää myös AI-toteutuksen riskiä, koska jos yksi malli heikkenee päivityksen jälkeen, se ei kaata koko järjestelmää, joka riippuu siitä, koska siinä on varajärjestelmä.

Yksinkertaisesti sanottuna, AI:n persoonallisuus ja luotettavuus ovat yhtä tärkeitä kuin raaka älykkyys, kun on sovellettava mallia työskentelevässä ympäristössä eri tehtävien suorittamiseksi. Tämä muutos ajattelussa edustaa perustavanlaatuista muutosta siinä, miten yritykset eivät enää ostako “älykkämpää työkalua”, vaan rakentavat ja hallinnoivat koko digitaalista infrastruktuurijärjestelmää.

Jotta yritykset voivat selviytyä, mutta menestyä nykyisessä liiketoimintakentässä, tiimien on luotava putkistot, jotka voivat vaihtaa eri malleja tehtävien mukaan, ja jatkuvasti seurata, miten päivitykset vaikuttavat suorituskykyyn ja vuorovaikutuksen laatuun.

Lopulta mallit itse jatkavat kehittymistä tahdilla, jota on vaikea seurata. Mutta yritykset, jotka suunnittelevat muutosta, rakentavat varajärjestelmän ja käsittelevät AI:ta sekä työkaluna että tiimikumppanina, ovat ne, jotka muuttavat nopeat muutokset kilpailuedulla.