Ajatusjohtajat

Miksi jatkuva modernisointi on avain menestykseen tekoälyn avulla terveydenhuollossa

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

Vuosikymmenten ajan terveydenhuollon modernisointi noudatti tuttua toimintamallia: laatia tiekartta, varmistaa rahoitus, käynnistää suuri muutosohjelma ja pyrkiä kohti tulevaisuuden teknologia‑ympäristöä. Tämä malli oli järkevä, kun teknologia‑ ja liiketoimintavaatimukset muuttuvat riittävän hitaasti, jotta monivuotinen suunnitelma pysyi merkityksellisenä.

Se on yhä vaikeampaa tänä päivänä. Terveydenhuollon organisaatiot navigoivat taloudellisten ja työvoimapaineiden, sääntelymuutosten ja kasvavien kuluttajavaatimusten välillä, samalla kun tekoäly muokkaa nopeasti sitä, mitä teknologia voi tehdä. Gartner’s 2026 CIO and Technology Executive Survey toteaa, että 94 % CIO:ista odottaa merkittäviä muutoksia suunnitelmiinsa ja tuloksiinsa seuraavan kahden vuoden aikana, kun taas vain 48 % digitaalisista aloitteista täyttää tai ylittää liiketoiminnan tulostavoitteet.

Haasteena ei siis ole pelkästään tiekartan toteuttaminen tehokkaammin. Kyse on siitä, että organisaation modernisoimassa ympäristössä voi tapahtua muutoksia, kun itse modernisointi on vielä käynnissä. Tänään prioriteetteihin ja marginaalipaineisiin perustuva ohjelma saattaa ratkaista erilaista vaatimusten joukkoa — taloudellisia, sääntelyyn liittyviä, teknisiä — kun se on valmis.

Why the Traditional Model Keeps Falling Behind

Perinteinen lähestymistapa on yksinkertainen. Ensin organisaatio laatii yksityiskohtaisen suunnitelman, sitten se saa rahoituksen ja toteuttaa muutosohjelman toivoen, että sen järjestelmät modernisoidaan seuraavien vuosien aikana. Tämä toimi, kun teknologia‑ ja liiketoimintatarpeet muuttuivat riittävän hitaasti, jotta suunnitelma pysyi merkityksellisenä projektin valmistumiseen asti.

Nykymaailmassa yritysten on käsiteltävä budjettipaineita, uutta lainsäädäntöä, henkilöstörajoituksia, kuluttajapreferenssien muutoksia ja nopeaa teknologian kehitystä – kaikki samanaikaisesti. Tämä ei enää ole Yhdysvaltain terveydenhuollon toimintaympäristö. Mikä tahansa laatimasi tiekartta kohtaa erilaisen haasteen kuin juuri nyt käsittelemäsi, koska järjestelmät alkavat heiketä heti toteutuksen alusta. Lisäksi yritykset ovat jatkuvasti aikataulun jäljessä perusmuutosten toteuttamisessa viiden‑seitsemän vuoden välein.

Keskeinen ongelma on tarvittavien resurssien ja sitkeyden puute. “Big bang” -tyylinen muutos vaatii poikkeuksellisen budjetin, häiriintyy prosessin aikana liiketoiminnan prioriteettien muutosten takia, ja joskus kestää niin pitkään, että tulosten ilmaantuessa johto on menettänyt uskon ponnistukseen.

A Different Operating Modernized Model

Tämä lähestymistapa eroaa edellisestä, mutta se on täysin uusi ajoitusmenetelmä. Sen sijaan, että yritettäisiin uudistaa kaikki kerralla, yritykset huomaavat voivansa hallita siirtymää paremmin keskittymällä yhteen läpikotaisesti toimivaan liiketoimintakykyyn kerrallaan, alkaen ihmisistä, prosesseista, sovelluksista ja datasta. Ja siirtymällä sitten seuraavaan. Tämä on kuin talon remontointi yksi valmis huone kerrallaan sen sijaan, että koko rakennus perutaan kerralla. Tavoitteena on luoda vauhtia: toimittaa jotain konkreettista, oppia kokemuksesta ja kasvaa suuremmaksi.

Where AI Fits and Where It Doesn’t

Tekoälyn nousu herättää jälleen kiehtovan, ellei syvällisenkin, filosofisen kysymyksen: pitäisikö teknologian optimoida nykyiset prosessit vai tehdä ne vanhentuneiksi?

Tekoälyn nousu tekee tästä erottelusta entistä tärkeämpää. Gartner toteaa, että 80 % toimitusjohtajista uskoo tekoälyn pakottavan operatiivisten kykyjen uudistuksia. Tämä viittaa siihen, että mahdollisuus on suurempi kuin tekoälyn soveltaminen nykyisten prosessien nopeuttamiseen. Tekoälyn käyttö tehotonta prosessia voi nopeuttaa, mutta se ei poista perimmäistä tehottomuutta.

Samanaikaisesti organisaatiot eivät voi yksinkertaisesti hylätä ydintoimintoja yön yli; monien on edelleen toimittava muutoksen aikana. Tekoälyn todellinen arvo on siis sen käyttö kykyjen tunnistamisessa: mitkä prosessit tulisi suunnitella uudelleen, mitkä yksinkertaistaa ja mitkä eivät enää palvele tarkoitustaan.

Stop Measuring the Project. Measure the Outcome.

Modernisointia ei enää voida ohjata pelkästään teknologian vanhentuneisuuden perusteella. Kun Yhdysvaltain terveydenhuollon organisaatiot kohtaavat jatkuvaa taloudellista painetta ja vähän virhemarginaalia, jokaisen aloitteen on osoitettava selkeä liiketoimintaarvo.

Tämä edellyttää erilaista lähestymistapaa modernisoinnin priorisointiin. Suurimmat ohjelmat eivät välttämättä ole arvokkaimpia. Arvo määrittyy liiketoimintaprosessien parannuksista, jotka johtavat tehokkaampaan toimintaan, tulonkierron ja kliinisten työnkulkujen vahvistamiseen sekä potilaan tai jäsenen kokemuksen parantamiseen ja tulevaisuuden joustavuuden tarjoamiseen. Kaikki tiivistyy tähän – meidän on mitattava modernisointipyrkimyksiämme niiden tuoman arvon perusteella, ei aloitteiden laajuuden tai koon perusteella.

Yhdysvaltain terveydenhuollon on aina toimittava jatkuvan muutoksen ympäristössä – uusia säädöksiä, teknologioita, liiketoimintamalleja sekä yhä kasvavia vaatimuksia jäseniltä, potilailta ja palveluntarjoajilta. Tavoitteena ei ole koskaan ollut olla ‘moderni’ yksittäisessä tilassa.

Tässä ympäristössä voittajia eivät ole organisaatiot, jotka panostavat suuriin muutoshankkeisiin ja suuriin budjetteihin näille hankkeille sekä suuriin tuloihin näistä budjeteista. Voittajia ovat ne, jotka pystyvät jatkuvasti sopeutumaan, jatkuvasti uudistumaan ja jatkuvasti tuottamaan arvoa vaarantamatta liiketoimintaa.

Tämä on se muutos, jonka terveydenhuollon on tehtävä: modernisointi ei enää ole ajoittainen pyrkimys pysyä tulevaisuuden tahdissa. Siitä tulee ydinliiketoimintakyky vastata siihen.

Abhijeet Vaidya on Emidsin Data & AI -käytännön johtaja. Abhijeetilla on yli kaksi vuosikymmentä kokemusta Data & AI -alalta, keskittyen auttamaan organisaatioita teknologiaohjautuvan muutoksen edistämisessä. Hänen asiantuntemuksensa kattaa datan modernisoinnin, datan luottamuksen, AI‑strategian, ratkaisuarkkitehtuurin, Gen AI:n ja Agentic AI:n.

Ennen Emidsiä Abhijeet oli Zensar Technologiesin Global Market Head -rooli Data Engineering & Analytics -tiimissä, jossa hän työskenteli datan modernisoinnin, analytiikan ja koneoppimisen parissa. Ennen Zensaria hän vietti yli 15 vuotta Cognizantilla, edeten seniorijohtotehtäviin ja lopulta johtamalla Data & Intelligence Delivery -toimintoa Pohjois‑Amerikan rahoituspalveluliiketoiminnalle.