Miksi yritysten AI-välittäjät törmäilevät tieto-ongelmaan, ei teknologiaan

Viime vuonna S&P Global (SPGI ) raportoi, että yritysten osuus, jotka hylkäävät useimmat AI-hankkeensa, kasvoi yli kaksi kertaa, 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-välittäjiä. Mutta kuinka moni on edennyt koepilottivaiheesta ja on todella toiminnassa? Noin yksi kymmenestä.

Alalla on runsaasti selityksiä: mallien harhakuvia, puutteellista ohjausta, korkeita GPU-kustannuksia ja asiantuntijapula. Kaikki nämä ovat todellisia haasteita. Mutta kolmen vuoden työn jälkeen tietohallinnon järjestelmissä ja AI-välittäjien parissa olen yhä enemmän havainnut toisenlaisen mallin: yritykset antavat välittäjilleen epätäydellistä tietoa.

Tohtorina pedagogisissa tieteissä näen tämän tietonsiirtoprobleemana. Jos ihminen ei voi selittää, miten hän tekee päätöksiä, hänen logiikkaansa ei voida siirtää uudelle työntekijälle – saati AI-välittäjälle. Selvitämmekö, miksi tämä tapahtuu ja mitä voidaan tehdä siitä.

Missä tiedot siitä, miten yritys toimii, sijaitsevat

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

Miksi tämä on ongelma?

koska AI-välittäjän on otettava osa työnkulkua – ymmärrettävä konteksti, valittava toiminto ja suoritettava tehtävä loppuun – se tarvitsee ei vain pääsyä tietopohjaan, vaan myös päätöksentekijän logiikkaa, jota kokenut asiantuntija käyttää.

Kuvittele uusi tukihenkilö, joka vastaanottaa pyynnön: asiakas väittää maksaneensa palvelun, mutta pääsyä ei ole aktivoitu. Käsikirja sisältää standardisarjan toimia, 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 kollegaansa, joka selittää, että he ovat nähneet tämän ennen ja että ongelma on todennäköisesti maksujen portaan, pankin ja sisäisen aktivaatiojärjestelmän risteyksessä – joten tapaus tulisi siirtää toiseen osastoon.

AI-välittäjälle tämä logiikka on näkymätön. Se voi olla päässä käsikirjaan, lipun historiaan ja maksutilaan, jos nämä tietolähteet ovat yhdistetty, mutta se ei tiedä, mitkä signaalit kokenut operaattori pitää ratkaisevina. Se ei ole, että asiantuntijat salaa tätä tietoa. He eivät vain voi formalisoida sitä tai jakaa sitä askelmiin: mitkä vaihtoehdot on poissuljettu, miksi tietty toiminto valittiin ja milloin se selvisi, että standardiskenaario ei sovellut. Kognitiotutkijat viittaavat tähän ilmiöön tacit tietona – implisiittinä tiedona, josta sen haltija saattaa itse olla tietämätön.

Tämä on syynä siihen, että pullonkaula ei syntynyt asiakirjojen saatavuuden tasolla, vaan asiantuntijakokemuksen muuttamisessa AI-välittäjälle sopivaan muotoon.

Miten asiasta voidaan tehdä

Jotta AI-välittäjä toimisi tehokkaasti, ei riitä yhdistää LLM:ää yrityksen tietopohjaan, koska onnistuneet päätökset usein riippuvat tacit tietosta. Tietokerrosta on ensin luotava, mukaan lukien rakenteelliset päätöksentekokriteerit.

Tiedonhallinnassa tämä prosessi kutsutaan externalisoinniksi – tacit tiedon muuttamiseksi eksplisiittiseksi tiedoksi. Toisin sanoen yrityksen on ymmärrettävä, miten asiantuntija tekee päätöksiä, ei vain mitä hän tekee. Tämä tehdään usein haastattelemalla johtavaa asiantuntijaa. Heidän rinnallaan tulisi olla joku, joka osaa kysyä oikeat kysymykset: menetelmäasiantuntija, tietojen insinööri tai opetussuunnittelija. Heidän tehtävänsä ei ole kirjoittaa “ohje, joka perustuu siihen, mitä asiantuntija sanoo”, vaan rakentaa kriteerit vaihtoehtojen valinnalle, jakaa reunatapaukset 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. Kuitenkin lopullinen rakenne edellyttää asiantuntijan tarkastusta ja hyväksyntää.

Tuloksena on toimiva tietokorpus. Sitä voidaan käyttää kahdessa suunnassa samanaikaisesti – koulutus uusille työntekijöille ja AI-välittäjän konfigurointi. Molemmat skenaariot perustuvat samaan perustaan: rakenteellinen kokemus johtavilta asiantuntijoilta.

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

Miten voidaan tarkistaa, onko agentti valmis työskentelemään

Olet muuttanut asiantuntijan tiedon skenaarioiksi ja konfiguroinut agentin. Mutta on aukko agentin uskottavien vastausten ja todellisen toiminnallisen suorituskyvyn välillä – ja tämä aukko tulee näkyviin vain validoinnin aikana. Tässä vaiheessa on tärkeää määrittää, onko kaikki tarvittava tieto todella käytettävissä.

Praktinen lähestymistapa on skenaariopohjainen testaus. Annat agentille todellisia tapauksia asiantuntijan päivittäisestä työstä: asiakas kiistää laskun, epätavallinen sähköposti saapuu tai pyyntö, joka ei sovellu perusskriptiin. Tulokset eivät tulisi arvioida toisella LLM:llä, vaan samalla asiantuntijalla, joka auttoi luomaan tietokorpuksen. Jos agentti 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: menetelmäasiantuntija selventää logiikan asiantuntijan kanssa, tietokorpus päivitetään, ohjeet tarkennetaan ja testi toistetaan.

Tämä sykli ei ole vapaaehtoinen vaihe, vaan vaihe, joka määrittää eron agentin, joka “näyttää potentiaalia” ja sellaisen, joka todella suorittaa työtä. Se on hidas ja ei kovin vaikuttava osa prosessia: se ei tuota loistavaa demoa ja edellyttää asiantuntijoiden osallistumista. Mutta ne, jotka menevät läpi tämän systemaattisesti, saavat agentit, jotka todella vähentävät rutiininomaista työtaakkaa asiantuntijoilta. Ne, jotka ohittavat tämän, löytävät itsensä usein Gartnerin tilastoissa, joka ennustaa, että 40 prosenttia hankkeista peruutetaan kuuden kuukauden kuluessa.

Agentic AI ei epäonnistu teknologian vuoksi – modernit 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 kustannukseen.