Yritysten AI riippuu tiedosta, johon ihmiset voivat luottaa

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 mitattavia taloudellisia tuottoja.

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

Aikaisemmin sanottiin ‘roskaa sisään, roskaa ulos’. Nyt se on ‘roskaa sisään, katastrofi ulos’. Kun data näytti epäilyttävältä, henkilö saattoi käyttää omaa harkintaa ja ottaa yhteyttä data-asiantuntijaan. Asiantuntija suoritti perimmäisen syyn analyysin, tunnisti ongelman ja toteutti korjauksen. 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, henkilö ei ehkä enää luota siihen. Suurissa organisaatioissa AI löytää myös dataa, jonka et toivoisi sen löytävän. Vertaan sitä likaisiin sukkahousuihin sängyn alla: data voi olla piilossa, mutta AI 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 -politiikkoja siihen liittyy.

Johto voi jättää tämän huomaamatta, koska järjestelmä harvoin kaatuu. AI voi olla varma mutta väärässä; se voi esimerkiksi suositella liimaa pizzallesi (hyvin vanha esimerkki). Kuvittele chatbot, joka antaa varman mutta väärän vastauksen, ja työntekijät menettävät luottamuksensa siihen. Luottamuksen uudelleenrakentaminen vie paljon kauemmin kuin oikeiden hallintatoimenpiteiden toteuttaminen alussa.

Tämä kuluminen näkyy myös datassa. Työntekijät yli 90 prosentissa yrityksistä MIT tutki jatkavat henkilökohtaisten AI-työkalujen käyttöä sivussa, vaikka työnantajan virallinen pilotti ei saanut heidän luottamustaan. Kun hyväksytyt työkalut eivät ole ansainneet luottamusta, työntekijät löytävät toisen tavan suorittaa työnsä.

Tämän vuoden AI-tutkimus osoittaa saman ongelman: organisaatiot edistyvät AI:n kanssa ennen kuin ne ovat tehneet työn, jotta niiden data olisi luotettavaa. Gartner on arvioinut että lähes kaksi kolmasosaa organisaatioista joko puuttuu oikeat datanhallintakäytännöt AI:lle tai eivät ole varmoja, että niitä on. Erillinen IDC:n tutkimus löysi samankaltaisen aukon luottamuksen osalta: 78 prosenttia organisaatioista sanoo luovansa täyden luottamuksen AI:hun, mutta vain 40 prosenttia on todella investoinut hallinto- ja selitettävyystyöhön, joka oikeuttaisi sen luottamuksen.

Luottamuksen ja investointien epäsuhde auttaa selittämään, miksi niin monet AI-hankkeet pysähtyvät ennen tuotantoon siirtymistä tai eivät vastaa suunniteltua arvoa.

AI-hallinto on nyt kilpailuetu

Suuren osan urastani datahallinto oli yksi vähemmän kiiltävistä osista yritys‑IT:ssä. Metatietojen katalogointi, omistajuuden määrittäminen, datan profilointi ja työnkulkujen hallinta saattoi tuntua siivoustyöltä. Ihmiset usein ohittivat sen, koska vaivannäkö vaikutti suuremmalta kuin sen tuottama arvo.

AI on muuttanut tätä. Se kehittyy hallintakyvykkyydeksi alueilla, kuten datasuunnitelmien suunnittelussa, toimialakohtaisten sanastojen luomisessa sekä data‑politiikkojen suosittelemisessa ja aktivoinnissa. Jopa datan periytymisen (lineage) voi 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 vaatimuksia, vaikka Valkoinen talo pyrkii rajoittamaan osavaltioiden kykyä luoda ja toimeenpanna omia AI-sääntöjään. Coloradon AI-asetus, kirjanpidossa oleva laajin osavaltion kehys, on jo kerran viivästetty ja uudelleenkirjoitettu tässä kamppailussa, ja sen keskeiset velvoitteet on siirretty vuodelle 2027. Monille Yhdysvaltain yrityksille houkutus on odottaa epävarmuuden hälvenemistä.

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

What Separates the 5 Percent

Kerron teille yhdestä asiakkaasta. Heidän pääkirjanpito-tiiminsä joutui läpikäymään 300 erillistä taulukkoa joka kerta, 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 säästettiin noin 750 työpäivää. Tämä tarkoittaa miljoonia dollareita säästöjä pelkästään siivouksen ansiosta.

Parannus syntyi siitä, että oikea data saatiin helposti löydettäväksi ja riittävän luotettavaksi, ettei sitä tarvitse epäillä. Yhteistyö ja uudelleenkäyttö mahdollistivat sen. Luotettavat dataprodukit voidaan sovittaa yrityksen standardeihin, laajentaa ja päivittää ajan myötä, arvioida luottamuksen perusteella ja hallita arvon vuoksi. Tämä lähestymistapa vähentää satojen tai tuhansien tuotteiden tarvetta, jotka olisivat sidottuja yksittäisiin fyysisiin tietokantatauluihin.

Vahvat ohjelmat tekevät tuon luottamuksen näkyväksi. Niissä data‑markkinapaikoissa, joiden kanssa 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 tarjoavat ihmisille selkeän näkymän siitä, mistä data on peräisin, miten se on validoitu ja onko se soveltuva tehtävään. Vuosien data‑hallinnan taustatyönä pitämisen jälkeen AI tekee lopulta arvonsa näkyväksi.