Ajatusjohtajat
Ennen kuin kasvatat tekoälyagenttien käyttöä, selvitä, mitä ne eivät tiedä

Keskeiset kohdatItsevarmat vastaukset epäonnistuvat, kun agentit jättävät pois kontekstin, kuten…
Näytä lisää
- Itsevarmat vastaukset epäonnistuvat, kun agentit jättävät pois kontekstin, kuten vanhentuneet arkistointipäivämäärät tai tilikauden kalenterierot.
- Lähes 6 yritystä 10:stä jäljitti itsevarman mutta väärän tekoälyvastauksen puuttuvaan tai puutteelliseen liiketoimintakontekstiin.
- Ihmisen tekemän tarkistuksen on skaalauduttava panosten mukaan, koska oikein jaettu väärä tieto voi silti rikkoa säädöksiä.
Kuvitellaan seuraava tilanne: talousjohtaja valmistautuu tapaamiseen suuren institutionaalisen sijoittajan kanssa. Valmistautumisen tueksi sijoittajasuhdetiimi pyytää tekoälytyökalua kokoamaan taustatietoja, kuten milloin yritys tapasi sijoittajan viimeksi, mitä painopisteitä sijoittaja toi esiin, kuinka monta osaketta hän omistaa ja niin edelleen.
Työkalu ilmoittaa vakuuttavasti, että sijoittaja omistaa 2,5 miljoonaa osaketta. Kukaan ei epäile tietoa, ja talousjohtaja jatkaa valmistautumista tärkeään keskusteluun täydellä teholla.
Tilanteeseen liittyy kuitenkin yksi ongelma: tekoäly poimi luvun Form 13F -ilmoituksesta, jossa ilmoitetaan omistukset edellisen vuosineljänneksen lopun tilanteen mukaan. Tieto piti paikkansa ilmoitushetkellä… mutta siitä on nyt jo kuukausia. Sillä välin sijoittaja on kaikessa hiljaisuudessa myynyt 2 miljoonaa osaketta, mikä on pienentänyt hänen omistustaan huomattavasti. Tapaamisen asialista – ja mahdollisesti koko tapaaminenkin! – ei enää vaikuta ajankohtaiselta.
Mikä meni pieleen? Tässä tilanteessa tekoäly ei hallusinoinut eikä keksinyt lukua. Se haki paikkansapitävää tietoa, mutta ei täsmentänyt sitä eikä selittänyt sen rajoituksia.
Tässä tapauksessa seurauksena voi olla kiusallinen keskustelu tai menetetty tilaisuus, mutta muissa tilanteissa yhtä ehdoton vastaus ilman olennaista asiayhteyttä voi aiheuttaa vielä suurempia riskejä.
Paremmat mallit eivät välttämättä ratkaise ongelmaa
Perusmallit kehittyvät jatkuvasti. Miksi sitten vaikuttaa siltä, että vakuuttavat mutta väärät vastaukset yleistyvät – ongelma, jonka kanssa eri toimialojen yritykset painivat?
Ensinnäkin generatiivinen tekoäly (GenAI) on levinnyt kaikkialle. McKinseyn raportin Tekoälyn tila vuonna 2026 mukaan lähes 9 kymmenestä yritysammattilaisesta kertoo, että heidän organisaationsa käyttää tekoälyä säännöllisesti ainakin yhdessä liiketoimintatoiminnossa.
Kun organisaatiot siirtyvät kokeiluista yhä laajempaan tekoälyn hyödyntämiseen päivittäisissä työtehtävissä ja päätöksenteossa, ne kohtaavat myös sen, mitä nämä työkalut tietävät ja ymmärtävät – ja mitä ne eivät.
Tuore toimialakysely paljastaa, mikä ongelman taustalla usein on: pelkästään viimeisten kuuden kuukauden aikana lähes kuusi yritystä kymmenestä (57 %) on jäljittänyt tekoälyagentin vakuuttavan mutta väärän vastauksen puuttuviin tai puutteellisiin liiketoiminnan taustatietoihin.
Kun tekoälyn käytettävissä on niin paljon dataa, tämä saattaa yllättää. On kuitenkin tärkeää erottaa kaksi asiaa toisistaan: asiayhteys ei ole sama asia kuin data.
Mitä asiayhteys on – ja mitä se ei ole
Asiayhteys voi sisältää organisaation hiljaista tietoa, sääntöihin liittyviä poikkeuksia, ihmissuhteita, prosesseja ja odotuksia siitä, miten työt tehdään – yksityiskohtia, jotka ovat usein yrityskohtaisia.
Työskennellessäni sijoittajasuhdetiimien kanssa näen, miten tärkeitä nämä erot voivat olla. Tässä muutama esimerkki, jotka vaikuttavat ensi silmäyksellä yksinkertaisilta:
- Tilikausikalenterit: Yhden yrityksen ensimmäinen vuosineljännes voi osua kalenterivuoden alkuun, kun taas toisen tilikausi alkaa syyskuussa. Ilman tätä tietoa tekoälyagentti saattaa verrata väärien raportointikausien tuloksia.
- Taloudelliset tunnusluvut: Organisaatio voi raportoida sekä GAAP- että ei-GAAP-standardien mukaisen osakekohtaisen tuloksen. Jos agentti ei ymmärrä, kumpaan lukuun tulisi viitata ja milloin, se voi antaa yrityksen tuloksesta harhaanjohtavan kuvan.
- Yrityksen viestinnällinen narratiivi: Yrityksen viestit muuttuvat ajan mittaan sen mukaan, mitä se päättää tarkoituksella korostaa ja jättää pois. Jos tekoälyagentti ei ymmärrä taustalla olevaa historiaa ja päätösten syitä, se voi tuottaa sisältöä, joka heikentää huolellisesti rakennettua narratiivia.
Kaiken tämän perusteella ei ole yllättävää, että sama perusmalli voi tuottaa hyvin erilaisia tuloksia eri yrityksissä sen mukaan, millaista asiayhteyttä ja erityisosaamista sillä on käytettävissään.
Tiettyä tarkoitusta varten kehitetty, toimialakohtainen eli vertikaalinen tekoäly voi auttaa paikkaamaan joitakin näistä puutteista, sillä se tunnistaa tietyn toimialan erityisosaamisen, työnkulut ja erityispiirteet. Kehittyneinkään teknologia ei kuitenkaan pysty tallentamaan kaikkea organisaation tietämystä, joten myös ihmisillä on oma roolinsa.
Mitä tekoäly ei tiedä yrityksestäsi
Ihmiset eivät kuitenkaan pysy tehtävissään ikuisesti. Mietitään, mitä tapahtuu, kun kokenut sijoittajasuhdejohtaja (IRO) jättää yrityksensä vaikkapa viiden vuoden jälkeen. Hän on todennäköisesti käyttänyt aikansa potentiaalisten sijoittajien tunnistamiseen ja tavoittamiseen, osakkeenomistajien toiminnan analysointiin, suhteiden vaalimiseen, tulosjulkistuksiin valmistautumiseen ja johtajien valmentamiseen… sekä moniin muihin tehtäviin.
Yritykselle jäävät tuloskäsikirjoitukset, esitykset ja muut tiedostot. Entä niiden taustalla oleva organisaation hiljainen tieto? Suuri osa siitäkin lähtee työntekijän mukana, etenkin kun ottaa huomioon, että lähes kahdeksalla IRO:lla kymmenestä (78 %) ei ole tehtäväänsä nimettyä seuraajaa.
Siksi organisaatioiden on tehtävä työtä tietämyksen ja ymmärryksen säilyttämiseksi muodossa, jota tekoälyjärjestelmät voivat hyödyntää. Pelkkä tekoälyagentin yhdistäminen yhteiseen tallennustilaan ei useinkaan riitä.
Yrityksille kaikilla toimialoilla on tärkeää pystyä tallentamaan järjestelmällisesti keskeistä tietoa ja työnkulkuja – kuten tärkeiden päätösten taustalla olevat perustelut, suhteiden historia ja muut liiketoiminnan kannalta kriittiset tiedot, joita ei koskaan kirjattu virallisiin asiakirjoihin.
Tällaisen tietopohjan ylläpito edellyttää myös ihmisiä: sekä tietojen kirjaamiseen että niiden arviointiin. Tekoäly voi auttaa tiedon järjestämisessä, mutta työntekijät tuovat siihen olennaisen kontekstin, joka teknologialta usein puuttuu.
Korkean riskin toimintaympäristöissä kontekstin puutteet voivat aiheuttaa vakavaa haittaa
Olemme käsitelleet sitä, mitä tapahtuu, kun tekoäly vastaa väärin. Joskus tekoälyagentti voi kuitenkin hakea oikeaa tietoa – joka on paikkansapitävää, ajantasaista ja olennaista – ja silti aiheuttaa ongelmia jakamalla sitä väärässä tilanteessa.
Tarkasti säännellyillä toimialoilla tällaiset virheet voivat olla erityisen kalliita.
Esimerkiksi sijoittajasuhteissa olennaisen ei-julkisen tiedon (MNPI), kuten julkistamattomien taloudellisten tulosten, jakaminen analyytikolle tai sijoittajalle voi rikkoa Yhdysvaltain arvopaperi- ja pörssikomission (SEC) Regulation Fair Disclosure -sääntöä (Reg FD) ja johtaa mahdollisesti taloudellisiin seuraamuksiin ja mainehaittaan.
Myös muilla aloilla, kuten terveydenhuollossa, rahoituspalveluissa ja lakipalveluissa, on vastaavia sääntelyyn liittyviä riskejä. Tämä korostaa suojatoimien tarvetta silloin, kun tekoälyagenteilla on pääsy arkaluonteisiin tietoihin.
Tämä osoittaa myös, miksi ihmiset ovat edelleen ratkaisevan tärkeitä: heidän on tarkistettava ja hyväksyttävä viestittävä sisältö. Yritykset voivat harkita ihmisen tekemän tarkistuksen tason suhteuttamista päätösten merkittävyyteen niin, että erilaiset tekoälyn työnkulut toimivat eri itsenäisyyden tasoilla.
Kolme kysymystä, jotka kannattaa esittää ennen tekoälyagenttien laajamittaista käyttöönottoa
Olemme luultavasti kaikki kohdanneet työssä tai elämässä yleensä tilanteita, joissa emme tiedä, mitä emme tiedä. Joskus seuraukset ovat vähäisiä, toisinaan vakavampia.
Tekoälyn käytettävissä on nykyään valtavia tietoaineistoja, joten tekoälymallit tietävät paljon enemmän… mutta niiden on silti tuotava esiin tiedon puutteet. Kun yritykset käyttävät tekoälyä yhä strategisempiin tavoitteisiin ja työnkulkuihin, on tärkeää esittää seuraavat kysymykset ennen käytön laajentamista:
- Voiko agenttimme osoittaa, mistä sen vastaukset ovat peräisin – ja milloin kyseiset tiedot on viimeksi päivitetty? Pystyykö se antamaan nämä tiedot ilman, että sitä pyydetään?
- Onko agentilla tarvittava liiketoimintakonteksti pyyntöjen tulkitsemiseen ja niihin vastaamiseen? Tuoko se esiin omat rajoituksensa?
- Tiedämmekö, milloin ihmisen pitää puuttua asiaan tarkistusta ja hyväksyntää varten? Missä tilanteissa näin tapahtuu, ja miten tarkistus käynnistetään?
Ratkaisu ei ole tekoälyn välttäminen
Haluan tehdä selväksi, että suhtaudun tekoälyyn myönteisesti. Käytän sitä työssäni päivittäin, näen sen nykyiset ja tulevat hyödyt ja uskon, että monella tapaa olemme vasta raapaisseet tekoälyn mahdollisuuksien pintaa. En epäile lainkaan, etteivätkö tekoälyä välttelevät yritykset ja ne, jotka eivät onnistu ottamaan sitä käyttöön järjestelmällisesti ja tehokkaasti, olisi todellisessa vaarassa jäädä jälkeen.
Tekoälyn käyttöönotto ei kuitenkaan tarkoita sitä, että yleiskäyttöiselle mallille annetaan pääsy yrityksen tietoihin ja sen annetaan toimia miten sattuu.
Tällä hetkellä, ainakaan oman käsitykseni mukaan, täysin itsenäinen tekoäly ei sovi jokaiseen liiketoiminnan tehtävään tai päätökseen. Organisaatioiden on ymmärrettävä, missä tekoäly voi toimia itsenäisesti, missä se tarvitsee lisää kontekstia ja missä ihmisen harkintavalta on ehdottoman välttämätöntä.
Ennen kuin kysyt, mitä tekoälyagentti tietää, kysy siis, mitä se ei tiedä. Vastaukset vaikuttavat siihen, miten otat sen käyttöön, mitä luotat sen tehtäväksi ja miten varmistat sen onnistumisen.












