Andrej Jonovic, XBP Globalin toimitusjohtaja – haastattelusarja

Andrej Jonovic on XBP Globalin toimitusjohtaja. XBP Global on monikansallinen teknologia- ja palveluyritys, joka keskittyy yritysten toiminnan kannalta kriittisiin työnkulkuihin. XBP Global hyödyntää agenttipohjaista tekoälyä säännellyillä toimialoilla, kuten terveydenhuollossa, julkisella sektorilla ja rahoituspalveluissa, joissa tarkkuus, turvallisuus, datan suvereniteetti ja tarkastettavuus ovat olennaisia. Tässä haastattelussa Jonovic kertoo mukautuvasta prosessien orkestroinnista, avoimilla painoarvoilla toimivista malleista, älykkäästä asiakirjojen käsittelystä, ihmisen tekemästä ratkaisusta sekä siitä, mitä tarvitaan, jotta tekoälyn teknisestä kyvykkyydestä saadaan mitattavia tuloksia toiminnassa.

Aloitit urasi asianajajana transaktioiden parissa ennen siirtymistä yritysjärjestelyihin ja yritysten muutoksen johtamiseen ja päädyit lopulta XBP Globalin johtoon. Miten tämä tausta on vaikuttanut tapaasi arvioida tekoälyn käyttöönoton hallinnointia, kaupallisia riskejä ja organisaatiovaikutuksia yrityksen toiminnan kannalta kriittisissä työnkuluissa?

Tarkastelen tekoälyä yleensä ensin toimintamallin näkökulmasta. Transaktioiden ja muutoksen parissa työskentely opettaa kysymään, kestääkö rakenne todella sen, että esitysvaiheesta siirrytään käytännön toteutukseen.

Tämä on tekoälyn kohdalla erityisen tärkeää, sillä malli voi toimia erittäin hyvin erillään muusta kokonaisuudesta ja silti johtaa toiminnan kannalta huonoon lopputulokseen. Terveydenhuollossa, julkisella sektorilla ja pankkialalla käsittelyn tarkkuudesta, sääntelyn noudattamisesta ja tarkastettavuudesta ei voida tinkiä. On ymmärrettävä, missä data sijaitsee, mitä järjestelmä saa tehdä, miten päätöksiä valvotaan ja millaisiksi kustannukset muodostuvat, kun työnkulkua ajetaan suuressa mittakaavassa.

Hallinnointi on sisällytettävä arkkitehtuuriin alusta alkaen. Haluan tietää, missä mallia käytetään, mitä tietoa siirtyy yrityksen rajojen yli, mitä kirjataan tarkastuslokiin ja mitä tapahtuu, kun työnkulussa päädytään päätökseen, joka edellyttää tiukempaa valvontaa.

Taustallani on luultavasti suurin vaikutus juuri tässä. Minua kiinnostaa yleensä vähemmän se, mihin teknologia pystyy valvotussa esittelyssä. Haluan tietää, voiko sen ottaa osaksi toiminnan kannalta kriittistä prosessia ja voiko siihen luottaa.

XBP Global kuvaa agenttipohjaista tekoälyä kehitysaskeleeksi perinteisestä sääntöpohjaisesta automaatiosta ja robottiprosessiautomaatiosta. Mikä muuttuu teknisesti, kun työnkulku siirtyy ennalta määriteltyjen ohjeiden noudattamisesta tekoälyagenttien käyttöön niin, että ne pystyvät päättelemään, tekemään päätöksiä ja koordinoimaan useita tehtäviä?

Arkkitehtuurista tulee huomattavasti mukautuvampi.

Perinteinen työnkulkuautomaatio on determinististä. Käytössä on sääntöjä, ja seuraavassa vaiheessa tapahtuva tiedetään etukäteen. Prosessin monimutkaistuessa siihen lisätään yhä enemmän kiinteästi määriteltyä logiikkaa. Tämä toimii hyvin ennakoitavissa tehtävissä. Vaikeuksia syntyy, kun sääntöjä on valtavasti tai prosessi muuttuu nopeammin kuin järjestelmää ehditään rakentaa uudelleen.

Kehitämme nyt mukautuvaa prosessien orkestrointia. Deterministiset sääntömoottorit voidaan säilyttää siellä, missä tarkkuus ja vaatimustenmukaisuus niitä edellyttävät, ja älykkäitä malleja voidaan ottaa käyttöön työnkulun niissä osissa, joissa päättely tuo lisäarvoa. Agentit voivat koordinoida tehtäviä, käyttää tietoja ja valita seuraavan toimenpiteen ilman, että jonkun täytyy koodata etukäteen kaikkia prosessin mahdollisia etenemisreittejä.

Toinen muutos on se, että taustalla olevan mallin voi vaihtaa aiempaa helpommin. Yrityskäyttöön soveltuvat avoimilla painoarvoilla toimivat mallit kehittyvät nyt erittäin nopeasti. Jos putkisto on suunniteltu oikein, siihen voidaan ottaa käyttöön aiempaa tehokkaampi malli ekosysteemin kehittyessä ilman, että koko toimintaprosessia tarvitsee rakentaa uudelleen sen ympärille.

Siksi uskon, että yhä tärkeämmäksi tekniseksi voimavaraksi muodostuu itse työnkulku: mallia ympäröivä orkestrointi, toimialatuntemus, valvontamekanismit ja data.

Monet yritykset kokeilevat tekoälyä, mutta niiden on vaikea siirtyä piloteista tuotantokäyttöön. Mitkä ovat yleisimmät arkkitehtuuriin tai organisaatioon liittyvät esteet, jotka vaikeuttavat agenttipohjaisten työnkulkujen käyttöönottoa suuressa mittakaavassa? 

Asiakkaat ovat siirtymässä kokeiluvaiheesta eteenpäin. He ovat nähneet demot ja kuulleet erittäin kunnianhimoisia lupauksia sijoitetun pääoman tuotosta. Jossain vaiheessa jonkun on otettava teknologia osaksi todellista prosessia ja saatava se toimimaan.

Tässä vaiheessa arkkitehtuurista tulee haastava. Tuotantokäytössä olevan työnkulun on liityttävä yrityksen nykyiseen toimintaympäristöön. Arkaluonteiset tiedot voivat joutua pysymään yksityisessä pilvessä tai paikallisessa ympäristössä. Nykyisiä järjestelmiä on silti pystyttävä käyttämään. Sääntelyvaatimukset on täytettävä. Myös taloudellisen kannattavuuden on säilyttävä yritystason käyttömäärillä.

Saimme hiljattain toimeksiannon, joka koskee maailmanlaajuisen lentoyhtiön lentokaluston huollon elinkaarta. Jokainen huoltotieto vektoroidaan ja tallennetaan asiakkaan yksityisessä pilvipalvelussa olevaan yksityiseen vektoritietokantaan. Agenttipohjainen infrastruktuuri hallinnoi tietojen käyttöoikeuksia ja tukee tietueiden uudelleen tuottamista, kun lentokoneiden leasingkausi päättyy tai ne myydään.

Tämä on aivan eri ongelma kuin sen osoittaminen, että malli osaa vastata lentokoneen tietuetta koskevaan kysymykseen. Kyse on koko toimintaympäristöstä, johon kuuluvat datan hallintamekanismit ja toistuvasti toimiva prosessi.

Organisaation kannalta ongelma on yleensä vastuunjaossa. Jonkun on tunnettava prosessi riittävän hyvin, jotta hän pystyy määrittelemään, mitä tuotantokäytöllä todella tarkoitetaan. Ilman tällaista operatiivista kurinalaisuutta pilotti voi pysyä pitkään vaikuttavana toteutuksena muuttumatta koskaan hyödylliseksi.

XBP Global yhdistää automaation ja ihmisen suorittaman valvonnan, etenkin silloin, kun päätöksillä voi olla vakavia seurauksia. Miten määrittelette, mitkä päätökset tekoälyjärjestelmä voi tehdä itsenäisesti ja missä ihmisen harkinnan on säilyttävä osana prosessia? 

Suunnittelemme ihmisen roolin ratkaisujen tekemisen ympärille.

Vakavia seurauksia aiheuttavassa työnkulussa suuri määrä tehtäviä voidaan yleensä viedä prosessin läpi varsin luotettavasti. Sitten on poikkeustapauksia, joissa tiedot ovat puutteellisia, olosuhteet poikkeuksellisia tai virheellisen vastauksen seuraukset liian vakavia.

Kun prosessi etenee johonkin tällaiseen tapaukseen, tapahtuma ohjataan alan asiantuntijalle. Hän ratkaisee asian, ja hänen tekemänsä ratkaisu voidaan sitten palauttaa järjestelmään, jotta malli kehittyy jatkuvasti.

Mielestäni tämä palautesilmukka on tärkeä. Ihmisen valvonnasta on enemmän hyötyä, kun se parantaa työnkulkua ajan mittaan. Asiantuntija tuo toimialakohtaista osaamista tapauksiin, joissa malli sitä vielä tarvitsee.

Myös autonomian raja riippuu vahvasti toimintaympäristöstä. Terveydenhuollon ratkaisuprosesseja, julkisen sektorin asiakirjoja ja säänneltyjä rahoitusprosesseja koskevat vaatimukset ovat erilaisia kuin vähäisten seurausten sisäisessä tehtävässä. Hyväksyttävän luottamustason on vastattava sitä, mitä päätöksestä käytännössä seuraa, kun järjestelmä toimii sen perusteella.

Asiakkaanne toimivat säännellyillä toimialoilla ja julkisella sektorilla, joilla tietojen suvereniteetti, tietoturva ja auditoitavuus ovat olennaisia. Miten suuria kielimalleja voidaan ottaa käyttöön suojatuissa ympäristöissä vaarantamatta niiden hyödyllisyyden perustana olevia ominaisuuksia? 

Avoimien painojen mallit muuttavat vastausta tähän kysymykseen merkittävästi.

Pitkään oletettiin, että parhaan suorituskyvyn saavuttaminen edellyttää tietojen lähettämistä jonkun toisen ympäristöön. Tämä on selvä ongelma silloin, kun tietojen on pysyttävä yrityksen rajojen sisällä.

Voimme nyt ottaa käyttöön yritystason avoimien painojen malleja ja integroida ne käytössä oleviin agenttipohjaisiin työnkulkuihin niin, että tiedot pysyvät asiakkaan ympäristössä. Vaatimuksista riippuen tämä voi tarkoittaa yksityistä pilvi-infrastruktuuria tai paikallista infrastruktuuria. Organisaatio saa silti hyötyä koko malliekosysteemin kehityksestä ja säilyttää samalla tietojen suvereniteetin edellyttämät hallintakeinot.

Myös arkkitehtuuria on pystyttävä muuttamaan. Ei ole syytä olettaa, että tämän päivän malli olisi jatkossakin paras malli tiettyyn tehtävään. Koulutuskäytäntöjemme ansiosta voimme integroida uusia malleja olemassa olevaan prosessiin nopeasti.

Säännellyillä toimialoilla toimiville asiakkaille tämä joustavuus on erittäin arvokasta, sillä työnkulkua voidaan kehittää jatkuvasti tietojen pysyessä silti rajojen sisällä. Näin voidaan myös alkaa vastata esimerkiksi EU:n tekoälysäädöksen vaatimuksiin käsittelemättä vaatimustenmukaisuutta jälkikäteen lisättävänä asiana, kun teknologia on jo otettu käyttöön.

Huomattava määrä yritysten tietoa on yhä jumissa asiakirjoissa, kuvissa, vanhoissa järjestelmissä ja paperiarkistoissa. Miten älykäs asiakirjankäsittely kehittyy, ja mikä sen rooli on hajanaisten tietojen muuttamisessa tiedoksi, jota tekoälyagentit voivat hyödyntää luotettavasti?

Mielestäni älykkäästä asiakirjankäsittelystä on tulossa agenttipohjaisten työnkulkujen infrastruktuurin osa.

Perinteisesti asiakirjoja käsiteltiin pitkälti mallipohjaisesti. Asiakirjan rakenne ja haluttu kenttä tunnettiin, ja järjestelmä poimi tiedon siitä. Yritysten tiedot ovat harvoin näin selkeitä. Jo terveydenhuollossa voidaan käsitellä etuuksien erittelyjä (EOB), monimutkaista kirjeenvaihtoa, korvaustietoja ja eri muodoissa saapuvia asiakirjoja.

Uudempi lähestymistapa ottaa asiayhteyden huomioon paljon paremmin. Jäsentämättömästä tiedosta voidaan tunnistaa olennainen ja muuntaa se rakenteiseen muotoon, jota myöhemmät järjestelmät pystyvät todella hyödyntämään. Tämä on tärkeää, sillä agentti ei voi koordinoida työtä luotettavasti, jos sen pohjana olevat tiedot ovat puutteellisia tai tulkittu väärin.

Myös mittakaava muuttaa ongelmaa. Käytössämme on ympäristöjä, joissa käsitellään valtavia määriä kuvia, korvaushakemuksia, maksutapahtumia ja muita asiakirjoja. Tällaisessa mittakaavassa pienikin ero poiminnan laadussa aiheuttaa huomattavan toiminnallisen ongelman.

Siksi IDP eli älykäs asiakirjankäsittely on yhä useammin älykkään työnkulun ensimmäinen vaihe. Se muuntaa hajanaisen tiedon käyttökelpoiseksi dataksi, antaa prosessin seuraavalle vaiheelle luotettavaa käsiteltävää ja luo perustan prosessin myöhemmille automaatiovaiheille.

XBP Global on puhunut vanhojen, sääntöpohjaisten prosessien siirtämisestä agenttipohjaisiin tekoälyprosesseihin ja ensimmäisellä käsittelykerralla ratkaistavien tapausten osuuden kasvattamisesta. Mitä tekoälyjärjestelmän on ymmärrettävä organisaation prosesseista, poikkeuksista ja hiljaisesta tiedosta, ennen kuin se voi tuottaa luotettavia tuloksia?

Suuri osa organisaatioiden hiljaisesta tiedosta ei ole koskaan päätynyt selkeään prosessikuvaukseen.

Se on osa vanhoja järjestelmiä, sääntökokonaisuuksia ja niiden ihmisten harkintaa, jotka ovat hoitaneet prosessia vuosien ajan. He tietävät, millä tiedoilla on merkitystä, mitä sääntöä tietyssä tilanteessa sovelletaan ja mitä seuraavaksi tapahtuu, jos päätös on väärä.

Kun siirrätte tämän työn uuteen ympäristöön, teidän on säilytettävä siihen liittyvä käytännön osaaminen. Meillä se tarkoittaa usein deterministisen logiikan yhdistämistä tekoälyyn sen sijaan, että oletettaisiin kaikkien sääntöjen voivan kadota heti. Säännellyssä työnkulussa on kohtia, joissa sääntömoottorista on erittäin paljon hyötyä, koska vaatimus on täsmällinen. Toisissa kohdissa älykäs malli pystyy käsittelemään vaihtelua huomattavasti tehokkaammin.

Toimialatuntemuksen avulla tiedetään, mihin kumpikin sopii.

Siksi ensikäsittelyssä ratkaisemista ei voi arvioida pelkän mallin tuloksen perusteella. Työnkulun on tuotettava lopputulos, joka kestää prosessin seuraavan vaiheen. Jos se johtaa uuteen eskalointiin myöhemmin, ongelma on vain siirtynyt eikä ratkennut.

Järjestelmän on ymmärrettävä prosessi riittävän hyvin, jotta se tietää, miltä onnistunut tapahtuma näyttää alusta loppuun.

XBP Global soveltaa automaatiota paitsi asiakastoimintoihin myös yhtiön omaan siirtymään tekoälylähtöiseen toimintamalliin. Mitä olette oppineet siitä, että yhtiö toimii sisäisenä testialustana, ja miten sovitatte yhteen tuottavuuden parantamisen, henkilöstön kehittämisen ja muutoksen johtamisen?

Olemme soveltaneet automaatiota sisäisesti varsin määrätietoisesti, sillä uskon, että oppii nopeasti, kun tuloksella on suora vaikutus oman yrityksen talouteen.

Tekoälylähtöisten automaatiohankkeidemme odotetaan nyt tuottavan 65–75 miljoonan dollarin vuotuiset operatiiviset säästöt, joista noin 35 miljoonan dollarin hyödyn odotetaan toteutuvan vuoden 2026 aikana. Liikevaihto työntekijää kohden oli toisella neljänneksellä noin 89 000 dollaria, kun se edellisellä neljänneksellä oli noin 82 000 dollaria, ja odotamme sen nousevan lähes 100 000 dollariin vuoden loppuun mennessä.

Nämä ovat hyödyllisiä mittareita, koska ne kertovat, parantaako toimintamalli todella tuottavuutta.

Vaikutukset henkilöstöön ovat todellisia. Arvioimme globaalin henkilöstömäärän vähenevän noin 20 prosenttia vuoden 2026 loppuun mennessä, kun siirrymme kohti tuottavampaa toimintamallia. Muutoksen johtamisessa on tunnustettava, että tuottavuuden muutos vaikuttaa henkilöstötarpeeseen.

Samalla näissä työnkuluissa työskentelevien on kehitettävä osaamistaan. Tarvitsemme toimialan asiantuntijoita, arkkitehtejä ja operatiivisia työntekijöitä, jotka osaavat jäsentää työtä, arvioida tuloksia ja kantaa vastuun vaativampaa osaamista edellyttävistä päätöksistä.

Kun olemme toteuttaneet muutosta omassa yhtiössämme, keskustelusta on tullut paljon käytännönläheisempää. Näkee nopeasti, millainen automaatio tuottaa pysyviä tehokkuushyötyjä ja missä on kyse vain siitä, että joku käyttää tekoälyä aiempaa useammin.

Yritysten tekoälyhankkeita esitellään usein demonäytöksissä sen sijaan, että osoitettaisiin niiden mitattavat liiketoimintatulokset. Millä mittareilla johtajien tulisi arvioida älykästä työnkulkua, ja miten heidän tulisi ottaa huomioon tarkkuus, poikkeusten määrä, käsittelyaika, operatiiviset kustannukset ja riskien pienentyminen?

Arvioisin työnkulkua kahdella tasolla.

Operatiivisella tasolla haluan tietää tarkkuuden, ensikäsittelyssä ratkaisemisen osuuden, käsittelyajan, poikkeusten määrän ja työn käsittelykustannukset. Säännellyssä toimintaympäristössä minua kiinnostaa myös, voidaanko tapahtumat auditoida ja toimivatko valvontamekanismit yhdenmukaisesti suuressa mittakaavassa.

Sen jälkeen haluan nähdä, miten nämä parannukset vaikuttavat yrityksen talouteen.

XBP:n oikaistu bruttokate oli toisella neljänneksellä 24,9 prosenttia, mikä on tähän mennessä korkein taso, ja liikevaihto työntekijää kohden nousi noin 89 000 dollariin. Myös vuotuisten operatiivisten säästöjen tavoitteemme nousi 65–75 miljoonaan dollariin, kun tunnistimme uusia automaatiomahdollisuuksia.

Nämä mittarit kertovat eri asioista kuin vertailutulos. Ne osoittavat, muuttaako teknologia toiminnan kustannusrakennetta.

Työnkulku voi olla mallin tarkkuudeltaan erinomainen ja silti epäonnistunut käyttöönotto, jos sen käyttö on liian kallista tai se aiheuttaa liikaa manuaalista uudelleentyötä. Johtajien on mielestäni seurattava tuloksia koko ketjun läpi. Teknologian on tuotettava toiminnallista hyötyä, joka näkyy jossakin todella mitattavassa asiassa.

Odotatteko, että agenttinen tekoäly jää tulevaisuudessakin olemassa oleviin yritysjärjestelmiin lisättäväksi kerrokseksi, vai tuleeko siitä ensisijainen orkestrointikerros, jonka kautta ihmiset, ohjelmistot, data ja liiketoimintaprosessit ovat vuorovaikutuksessa?

Uskon, että yhä suurempi osa työnkuluista muuttuu agenttiseksi.

Yrityksissä on jatkossakin järjestelmiä, tietovarastoja ja sovelluksia, joilla on omat tehtävänsä. Muutos koskee sitä, miten työ siirtyy niiden välillä. Agenttinen prosessiketju voi hakea tietoa, koordinoida työkaluja, käynnistää toimintoja ja määrittää, milloin tapahtuma edellyttää toisenlaista väliintuloa.

Tämän näkee jo lentoyhtiöesimerkissä. Huoltotiedot ovat asiakkaan ympäristössä olevassa yksityisessä vektoritietokannassa, ja agenttinen kerros hallinnoi sitä, miten tietoihin päästään käsiksi ja miten niitä käytetään huollon elinkaaren aikana.

Odotan, että tällainen orkestrointi yleistyy huomattavasti.

Taustalla olevat mallit muuttuvat edelleen. Avoimien painojen mallit kehittyvät nopeasti, ja nykyisten mallien jälkeen tulee vielä uusi sukupolvi. Siksi orkestrointikerroksen merkitys kasvaa jatkuvasti: yritykset tarvitsevat näiden mallien ympärille jotain kestävää.

Jos rakennat työnkulun prosessin, toimialatuntemuksen, tietoturvavaatimusten ja yritystason hallintakeinojen ympärille, voit hyödyntää entistä parempia malleja sitä mukaa kuin niitä tulee saataville. Uskon, että suuri osa pitkän aikavälin arvosta syntyy juuri tästä.

Kiitos hienosta haastattelusta. Lukijat, jotka haluavat tietää lisää, voivat tutustua sivustoon XBP Global.