Miksi yritysten AI-välikappaleet törmäilevät tietoprobleemiin, ei teknologiaan

Viime vuonna S&P Global raportoi, että yritysten osuus, jotka hylkäävät useimmat AI-hankkeensa, yli kaksinkertaistui, 17 prosentista 42 prosenttiin. Tätä ennen Gartner julkaisi ennusteen agentic AI -hankkeista: 40 prosenttia niistä peruutetaan vuoden 2027 loppuun mennessä.

McKinsey & Company:n mukaan lähes puolet kaikista yrityksistä kokeilee AI-välikappaleita. Mutta kuinka moni on edennyt koepilottivaiheesta ja on todella toiminnassa? Noin yksi kymmenestä.

Alalla on runsaasti selityksiä: mallien harhaluuloja, puutteellista hallintoa, korkeita GPU-kustannuksia ja asiantuntijapula. Kaikki nämä ovat todellisia haasteita. Mutta kolmen vuoden ajan työskenneltyäni tietohallintajärjestelmiä ja AI-välikappaleita parissa, näen yhä useammin toisenlaisen kuviota: yritykset antavat välikappaleilleen epätäydellistä tietoa.

Pedagogisen tieteen tohtorina näen tämän tietonsiirtoprobleemana. Jos ihminen ei voi selittää, miten hän tekee päätöksiä, hänen logiikkaansa ei voida siirtää uudelle työntekijälle, saati AI-välikappaleelle. Tutustumme siihen, miksi tämä tapahtuu ja mitä voidaan tehdä siitä.

Missä yrityksen toimintatapaan liittyvä tieto sijaitsee

Kysy suurelta yritykseltä, missä työntekijöiden tieto tallennetaan, ja kuulet pitkän luettelon: Confluence, SharePoint, LMS-alustat, FAQ-botit, Slack-arkistot. Vaikuttaa siltä, että tämä on juuri se pinorakennelma, jonka RAG-järjestelmä voi käyttää hakemaan kaiken tarvittavan. Mutta yksi ratkaiseva elementti puuttuu – se tieto, joka elää ihmisten päissä. Tietoa, jota kukaan ei ole koskaan kirjoittanut ylös.

Miksi tämä on ongelma?

Koska AI-välikappaleen on otettava osa työnkulkua – ymmärrettävä asiayhteys, valittava toimintatapa ja suoritettava tehtävä loppuun – se tarvitsee ei vain pääsyä tietokantaan, vaan myös päätöksenteon logiikkaa, jota kokenut asiantuntija käyttää.

Kuvittele uusi tukihenkilö, joka vastaanottaa pyynnön: asiakas väittää maksaneensa palvelun, mutta pääsyä ei ole aktivoitu. Käsikirja sisältää standardisen joukon vaiheita, joka päättyy asiakkaan pyytämiseen odottamaan. Mutta tukihenkilö huomaa, että tilanne on epätavallinen: asiakas on jo ollut yhteydessä tukiin kaksi kertaa, ja järjestelmässä on useita samanlaisia tapauksia edellisen tunnin aikana. He ottaa yhteyttä kokeneempaan kollegaan, joka selittää, että hän on nähnyt tämän ennen ja että ongelma on todennäköisesti maksujen portin, pankin ja sisäisen aktivaatiojärjestelmän risteyksessä – joten tapaus tulisi siirtää toiseen osastoon.

AI-välikappaleelle tämä logiikka on näkymätön. Se saattaa päästä käsikirjaan, lipun historiaan ja maksutilaan, jos nämä tietolähteet ovat kytketty, mutta se ei tiedä, mitkä signaalit kokenut toimija pitää ratkaisevina. Se ei ole, että asiantuntijat pyrkivät tietoisesti piilottelemaan tätä tietoa. He eivät vain voi muotoilla sitä tai jakaa sitä askelmiin: mitkä vaihtoehdot on poissuljettu, miksi tietty toimintatapa valittiin, ja milloin selvisi, ettei standardiskenaario sovelleta. Kognitiiviset tutkijat viittaavat tähän ilmiöön tacit tietona – implisiittisenä tietona, josta sen haltija saattaa olla tietämätön.

Tämä on syynä siihen, että pullonkaula ei syntyny eikä asiakirjojen saatavuuden tasolla, vaan asiantuntijakokemuksen muuttamisessa AI-välikappaleelle sopivaan muotoon.

Mitä tehdä siitä

Jotta AI-välikappale toimisi tehokkaasti, ei riitä yhdistää LLM:ää yrityksen tietokantaan, koska onnistuneet päätökset usein riippuvat tacit tietosta. Tietokerros on luotava, joka sisältää jäsenneltyjä päätöksentekokriteerejä.

Tiedonhallinnassa tämä prosessi kutsutaan ulkoistamiseksi – tacit tietoon muuttamiseksi eksplisiittiseksi tietoksi. Toisin sanoen, yrityksen on ymmärrettävä, miten asiantuntija tekee päätöksiä, ei vain mitä hän tekee. Tämä tehdään yleensä syvällisten haastattelujen kautta yhdessä huipputason asiantuntijan kanssa. Heidän rinnallaan tulisi olla joku, joka osaa esittää oikeat kysymykset: metodologi, tietosuunnittelija tai koulutussuunnittelija. Heidän tehtävänsä ei ole kirjoittaa “ohje, joka perustuu siihen, mitä asiantuntija sanoo”, vaan jäsennellä valintakriteerejä, jakaa reunatapauksia ja paljastaa tyypillisiä virheitä, joita asiantuntija jo hallitsee automaattisesti.

Tässä AI voi auttaa merkittävästi: haastattelujen litterointi, samankaltaisten tapausten ryhmittely, asiantuntijan selitysten muuttaminen luonnosvaiheisiin ja tilanteiden luominen validointia varten. Viime kädessä lopullinen rakenne on kuitenkin tarkistettava ja hyväksyttävä asiantuntijan toimesta.

Tuloksena on toimiva tietokorpus. Sitä voidaan käyttää kahteen suuntaan samanaikaisesti – koulutus uusille työntekijöille ja AI-välikappaleen konfigurointiin. Molemmat skenaariot perustuvat samaan perustaan: jäsennelty kokemus huipputason asiantuntijoilta.

Vaihtoehtona on jatkaa oletusta, että RAG Confluencen yli jotenkin rekonstruoisi logiikan, jota ei koskaan dokumentoitu. Käytännössä tämä toimii harvoin: järjestelmä saattaa hakea relevantin asiakirjan, mutta se ei opi, miten tehdä päätöksiä tilanteissa, joissa oikea toimintatapa riippuu asiayhteydestä ja kokemuksesta.

Miten tarkistaa, onko välikappale valmis toimimaan

Olet muuttanut asiantuntijatiedon skenaarioiksi ja konfiguroinut välikappaleen. Mutta on aukko välikappaleen uskottavien vastausten ja todellisen toiminnallisen suorituskyvyn välillä – ja tämä aukko tulee näkyviin vain validoinnissa. Tässä vaiheessa on tärkeää määrittää, onko kaikki tarvittava tieto todella kaapattu.

Käytännöllinen lähestymistapa on skenaariopohjainen testaus. Anna välikappaleelle todellisia tapauksia asiantuntijan päivittäisestä työstä: asiakas kiistää laskun, epätavallinen sähköposti saapuu tai pyyntö ilmestyy, joka ei sovi perusskriptiin. Tulokset eivät tulisi arvioida toisella LLM:llä, vaan samalla asiantuntijalla, joka auttoi luomaan tietokorpuksen. Jos välikappale valitsee eri polun kuin kokenut asiantuntija, se ei aina tarkoita, että malli on heikko. Useammin se osoittaa, että kriittinen sääntö, poikkeus tai esimerkki puuttuu. Silloin prosessi menee alkuun: metodologi selventää logiikkaa asiantuntijan kanssa, tietokorpus päivitetään, ohjeet tarkennetaan ja testi toistetaan.

Tämä sykli ei ole valinnainen vaihe, vaan vaihe, joka määrittää eron välikappaleen, joka “näyttää potentiaalia” ja sellaisen, joka todella suorittaa työtä. Se on hidas ja ei kovin vaikuttava osa prosessia: se ei tuota loistavaa demoa ja vaatii asiantuntijoiden osallistumista. Mutta ne, jotka käyvät sen läpi systemaattisesti, päätyvät välikappaleisiin, jotka todella vähentävät asiantuntijoiden rutiininomaista työtaakkaa. Ne, jotka ohittavat sen, löytävät itsensä kuuden kuukauden kuluttua usein Gartnerin tilastojen joukossa, joka ennustaa, että 40 prosenttia hankkeista peruutetaan.

Agentic AI ei epäonnistu teknologian vuoksi – nykyaikaiset mallit ovat jo kykeneviä suorittamaan monimutkaisia tehtäviä. Se epäonnistuu, koska yritykset “syöttävät” sille epätäydellistä tietoa. Vuosina 2024-2025 tämä voitiin vielä selittää kokeellisella vaiheella. Vuonna 2026 tämä virhe tulee jo korkeaan hintaan.