Yritysten tekoäly riippuu luotettavasta datasta

Vuonna 2025 yritykset investoivat arviolta 30–40 miljardia dollaria generatiiviseen tekoälyyn, mutta MIT:n Project NANDA havaitsi, että vain 5 prosenttia yli 300 yritystason käyttöönotosta jota se tarkasteli tuotti mitattavissa olevia taloudellisia tuottoja.

Olen työskennellyt yli 25 vuotta yritysten dataohjelmien parissa. Jo kauan ennen kuin generatiivinen tekoäly tuli keskusteluun, huomasin, kuinka nopeasti teknologia menettää uskottavuutensa, kun ihmiset eivät voi luottaa sen taustalla olevaan dataan. Generatiivinen tekoäly nostaa panokset, koska se voi muuttaa kyseenalaisen datan varmaksi vastaukseksi.

Aiemmin sanottiin roskaa sisään, roskaa ulos. Nyt se on roskaa sisään, katastrofi ulos. Kun data näytti epäilyttävältä, henkilö saattoi käyttää omaa arvosteluaan ja ottaa yhteyttä data-asiantuntijaan. Asiantuntija suorittaisi perussyyn analyysin, tunnistaisi ongelman ja soveltaisi korjausta. Nykyään agentit voivat toimia minkä tahansa kohtaamansa datan perusteella. Ilman osaavaa ihmisen valvontaa tulos voi päätyä osaksi toimintoja, tulla päätöksenteon perusteeksi ja skaalautua koko organisaatiossa.

Sama ongelma voi ilmetä chatbotissa. Ohitettu hallinto voi muuttaa huonon tai heikosti ymmärretyn datan vastaukseksi, joka kuulostaa auktoriteettiselta, välittömästi ja mittakaavassa.

Luottamus on todellinen käyttöönoton pullonkaula

Kun sisäinen chatbot antaa jollekin varman, mutta väärän vastauksen, kyseinen henkilö ei enää luota siihen. Suurissa organisaatioissa tekoäly löytää myös sen datan, jonka et toivoisi sen löytävän. Vertaan sitä likaisiin sukkahousuihin sängyn alla: data saattaa olla näkymättömissä, mutta tekoäly löytää sen pimeän datan ja käyttää sen.

Kontekstin on kulkeuduttava datan mukana ja oltava perusta, josta LLM:t ammentavat. Ennen kuin AI-malli käyttää dataa, ihmisten on tiedettävä, mitä se tarkoittaa, mistä se on peräisin, kuka omistaa sen ja millaisia liiketoimintasääntöjä ja -käytäntöjä sen ympärillä on.

Johto voi ohittaa tämän, koska järjestelmä harvoin kaatuu. Tekoäly voi olla varma mutta väärässä; se voi esimerkiksi ehdottaa liimaa pizzallesi (hyvin vanha esimerkki). Jos chatbot antaa varman mutta väärän vastauksen, työntekijät menettävät luottamuksensa siihen. Luottamuksen palauttaminen vie paljon kauemmin kuin oikeiden ohjainten asettaminen alussa.

Tämä heikkeneminen näkyy myös datassa. Yli 90 prosentissa yrityksistä työskentelevät työntekijät MIT tutki jatkavat henkilökohtaisten AI-työkalujen käyttöä sivussa, vaikka työnantajan virallinen pilotti ei saanut heidän luottamustaan. Kun hyväksytty työkalu ei ole ansainnut heidän luottamustaan, työntekijät etsivät toisen tavan saada työ tehtyä.

Vuoden AI-tutkimus osoittaa samaa ongelmaa: organisaatiot etenevät AI:n kanssa ennen kuin ovat tehneet työn, jonka avulla niiden data on luotettavaa. Gartner on arvioinut, että lähes kaksi kolmasosaa organisaatioista joko puuttuu oikeat data‑hallintakäytännöt AI:lle tai eivät ole varmoja niiden olemassaolosta. Erillinen IDC:n tutkimus havaitsi samankaltaisen aukon luottamuksen osalta: 78 prosenttia organisaatioista sanoo luottavansa täysin AI:hun, mutta vain 40 prosenttia on itse asiassa investoinut hallinto‑ ja selitettävyystyöhön, joka oikeuttaisi kyseisen luottamuksen.

Luottamuksen ja investointien välinen epäsuhta selittää, miksi niin monet AI-hankkeet pysähtyvät ennen tuotantoon siirtymistä tai eivät saavuta suunniteltua arvoa.

AI-hallinto on nyt kilpailuetu

Suureman osan urastani datahallinto oli yksi vähiten kiiltävistä yritys‑IT:n osa-alueista. Metatietojen luettelointi, omistajuuden määrittäminen, datan profilointi ja työnkulkujen hallinta tuntuivat siivoustyöltä. Ihmiset ohittivat sen usein, koska vaiva vaikutti suuremmalta kuin sen tuottama arvo.

Tekoäly on muuttanut tämän. Se kehittyy hallintakyvykkyydeksi alueilla, kuten datasuunnitelmien suunnittelussa, toimialakohtaisten sanastojen luomisessa sekä data‑politiikkojen suosituksessa ja käyttöönotossa. Jopa datan periytymisen (lineage) voidaan nyt päätellä ja virtaviivaistaa nopeammin kuin aikaisemmin, mikä tekee hallittujen dataputkien ja havainnoinnin arvosta helpommin toteutettavan.

Sääntely tekee myös datan läpinäkyvyydestä entistä kiireellisempää. EU AI -asetus tuli laajasti sovellettavaksi 2. elokuuta 2026, sisältäen läpinäkyvyysvaatimuksia tietyille järjestelmille ja AI:n tuottamalle sisällölle. Asetus asettaa myös erilliset vaatimukset korkean riskin järjestelmille, mukaan lukien dokumentaatio ja tiedot, jotka auttavat käyttöönottajia tulkitsemaan niiden tuloksia, vaikka jotkut korkean riskin määräykset tulevat voimaan myöhemmin.

Yrityksille käytännön opetus on yksinkertainen: selkeä periytyminen ja hallinto helpottavat sen dokumentointia, mitä dataa on käytetty, mistä se on peräisin ja miten järjestelmän on tarkoitus toimia.

Yhdysvaltain sääntelytilanne on edelleen epävarma. Ilman kattavaa liittovaltion AI-lakia yritysten on navigoitava eri osavaltioiden vaatimusten läpi, vaikka Valkoinen talo pyrkii rajoittamaan osavaltioiden mahdollisuutta laatia ja panna täytäntöön omia AI-sääntöjään. Coloradon AI-asetus, kirjanpidossa oleva kattavin osavaltion kehyspohja, on jo kerran viivästynyt ja uudistettu tässä kamppailussa, ja sen keskeiset velvoitteet on siirretty vuodelle 2027. Monille Yhdysvaltain yrityksille houkutus on odottaa epävarmuuden hälvenemistä.

Väittäisin, että se on väärä vaisto. Mikä tahansa sääntelymalli lopulta voittaisi Yhdysvalloissa, sen perusvaatimus ei katoa. Tiedä, mistä datasi on peräisin. Tiedä, onko joku todella validoinut sen ennen kuin AI käytti sitä. Tämän kurin kehittäminen nyt auttaa yrityksiä valmistautumaan uuteen sääntelyyn ja muuntamaan lupaavat AI-pilotit työkaluiksi, joita liiketoiminta voi käyttää luottavaisin mielin.

Mikä erottaa menestyvän viiden prosentin joukon muista

Kerron teille yhdestä asiakkaasta. Heidän pääkirjanpitiiminsä joutui käymään läpi 300 erillistä taulukkoa jokaisella kerralla, kun kirjanpidossa ilmeni poikkeama. Kolmesataa. Joku lopulta rakensi koko sotkun yhdeksi hallituksi data‑omaisuudeksi, jossa laskelmat, raportit ja taustadata paketoitiin yhteen ja validoitiin etukäteen. Seuraavan kerran, kun ongelma ilmeni, korjaus vaati vain murto‑osan aikaisesta vaivannäöstä. Pelkästään tässä prosessissa se säästi noin 750 työpäivää. Tämä on miljoonia dollareita säästöjä pelkästään siivouksesta.

Parannus syntyi siitä, että oikea data oli helppo löytää ja riittävän luotettava käytettäväksi ilman epäilyksiä. Yhteistyö ja uudelleenkäyttö mahdollistivat tämän. Luotettavat dataprodukit voidaan sovittaa yrityksen standardeihin, laajentaa ja päivittää ajan myötä, arvioida luottamuksen perusteella ja hallita arvon mukaan. Tämä lähestymistapa vähentää tarvetta luoda satoja tai tuhansia tuotteita, jotka on sidottu yksittäisiin fyysisiin tietokantatauluihin.

Vahvat ohjelmat tekevät tuon luottamuksen näkyväksi. Niissä datamarkkinapaikoissa, joissa työskentelen, omaisuudet voidaan luokitella kultaisiksi, hopeisiksi tai pronssisiksi tekijöiden, kuten laadun, kuratoinnin, käytön ja omistajuuden perusteella. Liiketoimintakäyttäjä näkee, kuinka luotettava omaisuus on ennen sen käyttöä. Tämä näkyvyys auttaa ihmisiä lopettamaan arvailun ja tekee heistä halukkaampia uudelleenkäyttämään jo olemassa olevaa dataa.

95 prosentin luku on varoitus siitä, kuinka kevyesti monet yritykset ovat käsitelleet generatiivisen AI:n taustalla olevaa dataa. Edistystä tekevät organisaatiot antavat ihmisille selkeän näkymän siitä, mistä heidän datansa on peräisin, miten se on validoitu ja onko se tehtävään sopiva. Vuosien ajan datahallintoa on pidetty taustatyönä, ja tekoäly tekee sen arvosta vihdoin näkyvän.