Jason Wojahn, KMS Technologyn toimitusjohtaja – haastattelusarja

Jason Wojahn on KMS Technologyn toimitusjohtaja, ja hänellä on noin kolmen vuosikymmenen kokemus yritysteknologiapalveluja tarjoavien yritysten perustamisesta ja kasvattamisesta. Hän oli perustamassa Thirderaa ja johti sitä ennen kuin Cognizant osti yrityksen. Aiemmin hän johti Accენტuren maailmanlaajuista ServiceNow-liiketoimintaa ja toimi johtotehtävissä Cloud Sherpasilla ja IBM Global Servicesillä. Hänen työnsä keskittyy yritysten uudistamiseen, toimintamalleihin ja siihen, miten tekoälyn kehitysaskeleet muutetaan mitattaviksi liiketoiminnan tuloksiksi.

KMS Technology on digitaalisen tuotekehityksen, datan ja tekoälyn yritys, joka auttaa organisaatioita kehittämään ohjelmistoja, uudistamaan sovelluksia, vahvistamaan dataperustaansa ja ottamaan tekoälyn käyttöön tuotannossa. Sen palveluihin kuuluvat tekninen konsultointi, tuotekehitys, datatekniikka ja älykäs työnkulkujen automatisointi. Tässä haastattelussa Wojahn keskustelee ”toimeenpanotaloudesta”, tekoälyn pilotoinnin ja tuotantokäytön välisestä kuilusta, tekoälyagenttien päätösvallasta sekä siitä, miten yritykset voivat mitata edistymistään alusta loppuun ulottuvien tulosten perusteella.

Olet viettänyt kolme vuosikymmentä yritysteknologiaorganisaatioiden rakentamisen ja kasvattamisen parissa Navigisin kasvattamisesta ja Accenturen maailmanlaajuisen ServiceNow-liiketoiminnan johtamisesta Thirderan rakentamiseen ja nykyiseen tehtävääsi KMS Technologyn toimitusjohtajana. Miten nämä kokemukset ovat muovanneet näkemystäsi yritysten uudistamisesta, ja mikä sai sinut tarttumaan haasteeseen auttaa organisaatioita muuttumaan tekoälynatiiveiksi?

Aloitin IBM Global Servicesillä ja vastasin suurten yritysasiakkaiden palvelutoimituksista. Sen jälkeen työskentelin Navigisilla, Cloud Sherpasilla, Accenturella, Thirderalla ja Cognizantilla – lähes koko urani ajan ServiceNow-ekosysteemissä.

Näin toistuvasti saman kaavan. Jokainen uusi alustojen aalto lupasi mullistavaa muutosta, mutta teknologia ratkaisi harvoin, kuka menestyi. Menestyjiä olivat yritykset, jotka muuttivat sitä, miten työ todellisuudessa eteni organisaatiossa.

ServiceNow-vuodet opettivat minulle, että arvo syntyy työnkuluissa, ei koontinäytöissä. Yritysohjelmistot oppivat kolmenkymmenen vuoden ajan erinomaisesti kertomaan, mitä tapahtuu. Paljon huonommin ne osasivat tehdä asialle mitään. Ihmiset täyttivät tämän aukon. Heistä tuli palkaton integraatiotiimi, joka siirsi työtä järjestelmästä toiseen.

Tekoäly muuttaa tämän. Älykkyydestä on tulossa runsasta. Nyt niukkaa on kyky muuttaa se koordinoiduksi toiminnaksi. Siksi siirryin KMS:lle: siellä on syvällistä teknistä osaamista rakentaa järjestelmiä, jotka tekevät työn eivätkä vain seuraa sitä, sekä mahdollisuus tehdä toiminnasta tekoälynatiivia sen sijaan, että tekoäly vain tehostaisi sitä.

Monet yritykset ovat osoittaneet onnistuneesti tekoälyn potentiaalin pilottiohjelmilla, mutta niiden on silti vaikea muuttaa varhaisia onnistumisia tuotantomittakaavan hyödyiksi. Mitkä ovat yleisimmät esteet, joita organisaatiot kohtaavat siirtyessään kokeiluista eteenpäin, ja miksi nämä haasteet tulevat usein esiin vasta sen jälkeen, kun teknologia on jo osoittanut toimivuutensa?

Pilotti osoittaa, että malli toimii. Tuotantokäyttö osoittaa, että organisaatio toimii.

Nämä ovat hyvin erilaisia koetuksia. Pilotti toimii puhdistetulla, huolellisesti valitulla datalla, sitoutuneen tukijan ja pienen tiimin avulla. Tiimi kiertää kaikki ongelmakohdat. Pilotti on suunniteltu välttämään vaikeat asiat.

Tuotannossa niitä ei voi välttää. Nyt agentin on päästävä käsiksi viiteen järjestelmään yhden sijaan. Jonkun on vastattava lopputuloksesta, jos agentti tekee virheen, päätettävä, mitä se saa hyväksyä, ja maksettava sen päivittäisestä käytöstä.

Siksi nämä haasteet tulevat esiin vasta sen jälkeen, kun teknologia on osoittanut toimivuutensa. Ne eivät alun perinkään olleet teknologiaongelmia. Kyse on datasta, integraatiosta, vastuunjaosta ja päätösvallasta, ja pilotti rakennettiin kiertämään jokainen näistä ongelmista.

Ratkaisu on lakata käsittelemästä pilotteja esittelyinä. Pilottia pitää pitää tuotantokäytön ensimmäisenä vaiheena. Valitse tärkeä työnkulku, yhdistä se todellisiin järjestelmiin, nimeä vastuuhenkilö ja määrittele, mitä agentti saa päättää heti alusta alkaen. Alku on hitaampi, mutta laajentaminen sujuu paljon nopeammin.

Olet kuvannut siirtymää kohti ”toimeenpanotaloutta”, jossa kilpailuetu riippuu yhä enemmän organisaation kyvystä muuttaa älykkyys koordinoiduksi toiminnaksi. Mitä tämä tarkoittaa käytännössä, ja miten se muuttaa sitä, miten yritysten tulisi lähestyä tekoälyinvestointeja?

Kaikki työ etenee saman ketjun kautta: tieto, oivallus, päätös ja toteutus.

Yritysohjelmistojen kehityksessä keskityttiin vuosikymmeniä kahteen ensimmäiseen vaiheeseen, ja tekoäly parantaa nopeasti kolmea ensimmäistä. Useimmat organisaatiot ovat yhä jumissa toteutusvaiheessa, ja juuri siellä kilpailuetu on siirtymässä.

Käytännössä toimeenpanotalous tarkoittaa, ettei älykkyys ole enää niukka resurssi. Niukkaa on asioiden saaminen aikaan. Kahdella yrityksellä voi olla samat mallit, sama data ja samat oivallukset. Voittaja on se, joka muuttaa oivallukset koordinoiduksi toiminnaksi, jolla on selkeä päätösvalta ja tarkastusjälki.

Tämä muuttaa investointitapaa. Suurin osa tekoälybudjeteista käytetään nykyään työkaluihin: tekoälyapureihin, avustajiin ja parempaan hakuun. Ne tehostavat yksittäisten ihmisten työtä. Tekoälyn kymmenessä minuutissa laatima ehdotus voi silti odottaa hyväksyntää kolme päivää. Tehtävien nopeutuminen ei tarkoita tulosten nopeutumista.

Rahoita siis työnkulkuja, älä työkaluja, ja aloita toisenlaisesta kysymyksestä. Ei: ”Miten parannamme tämän työntekijän tuottavuutta 20 %?” Vaan: ”Mitä työtä ei enää pitäisi joutua koordinoimaan ihmisten voimin?”

Kun tekoäly kehittyy työntekijöiden yksittäisten tehtävien avustamisesta kokonaisten työnkulkujen itsenäiseen toteuttamiseen, miten organisaatioiden on ajateltava uudelleen nykyisiä prosessejaan, päätöksentekorakenteitaan ja vastuumallejaan?

Useimmat yritysten prosessit rakennettiin ihmisten toimintakyvyn rajojen ehdoilla. Tieto kulki hitaasti, joten otimme käyttöön kokoukset. Päätökset vaativat valvontaa, joten rakensimme hyväksyntäketjuja. Suuri osa siitä, mitä kutsumme prosessiksi, on todellisuudessa ihmisten välisiä siirtoja.

Jos automatisoit prosessin sellaisenaan, automatisoit organisaatiokaavion. Siirrot nopeutuvat, mutta niiden määrä ei vähene.

Uudelleenarviointi kannattaa aloittaa päätöksistä, ei tehtävistä. Kartoita kunkin työnkulun sisältämät päätökset. Mitä agentti voi suositella? Mistä se voi päättää? Mitä se voi toteuttaa itsenäisesti? Missä ihmisen on puututtava asiaan?

Toimivalta liittyy päätöksiin, ei kokonaisiin työnkulkuihin. Agenttiin voidaan luottaa täysin laskun täsmäyttämisessä, mutta se voi silti tarvita ihmisen hyväksynnän kaikille tietyn rajan ylittäville maksuille.

Vastuu ei katoa, vaan selkiytyy. Ihmiset ja agentit vastaavat yhdessä toteutuksesta: agentit hoitavat työn, ja ihmiset määrittävät toimivallan, käsittelevät poikkeukset ja vastaavat lopputuloksesta. Jokaisella agentilla on oltava nimetty vastuuhenkilö, ja jokaisen toiminnon on oltava jäljitettävissä sekä mahdollisuuksien mukaan peruttavissa.

Johtamisen painopiste siirtyy työn koordinoinnista sen toteuttavien järjestelmien suunnitteluun.

Keskityt KMS Technologyssa muuttamaan perinteisen digitaalisen tuotekehityksen tekoälylähtöiseksi yritystason toiminnaksi. Miltä tämä muutos näyttää organisaation sisällä, ja miten KMS yhdistää tekoälyn, data-alustat ja älykkään työnkulkujen orkestroinnin tuottaakseen mitattavia liiketoimintatuloksia?

Sovellamme ensin samaa ajattelutapaa omaan toimintaamme. KMS kasvoi digitaaliseksi tuotekehitysyritykseksi. Seuraava vaiheemme on tekoälylähtöinen yritystason toiminta: rakennamme, uudistamme ja ylläpidämme ratkaisuja niin, että ihmiset ja agentit vastaavat yhdessä toteutuksesta. Tulokset näkyvät ajankäytössä ja työmäärässä:

Rakenna. Evergreen Telehealth halusi etähoitoalustan, joka perustuisi agenttipohjaiseen tekoälyyn ja FHIR-terveystietostandardiin. Markkinoilla ei ollut mitään vastaavaa. Tiimimme ja Evergreenin insinöörit työskentelivät tekoälylähtöisesti, ja Claude oli käytössä vaatimusmäärittelyssä, suunnittelussa, rakentamisessa ja testauksessa. Yhdessä he veivät keskeisen alustan ideasta tuotantoon 75 työpäivässä. Kokonaisuuteen kuului kolme sovellusta (verkkosovellus, iOS ja Android), neljä käytössä olevaa integraatiota (potilastietojärjestelmä, henkilöllisyyden todentaminen, maksut ja apteekkipalvelut) sekä kaksi tuotantokäytössä olevaa agenttia. Ihmiset ohjasivat työtä, ja tekoäly vauhditti sitä. Agentit laativat käyttäjätarinoita, tuottivat koodia ja suorittivat testejä. Insinöörit vastasivat arkkitehtuurista, kliinisten tietojen kartoituksesta ja kaikista merkittävistä päätöksistä.

Uudista. Toisena esimerkkinä erään meriteknologia-alan ohjelmistoyrityksen oli korvattava alusta, jota se oli käyttänyt omissa tiloissaan yli 20 vuotta. Pitkää perinteistä uudistushanketta ei voitu perustella ennen kuin sijoittajat näkisivät edistymistä, joten toteutimme kuuden viikon aikarajallisen agenttipohjaisen kehityshankkeen. Asiakkaan vaatimukset ladattiin kontekstiksi, joten agentit rakensivat ratkaisua määrittelyn pohjalta eivätkä vain tuottaneet koodia. Tiimi toimitti noin 800 tiimin työtunnissa 35–45 prosenttia MVP:n laajuudesta, kun alkuperäinen arvio oli 6 000–8 000 tuntia. Agentit kirjoittivat koodin ja yli 5 000 yksikkötestiä. Insinöörit määrittivät reunaehdot ja arvioivat laadun.

Ylläpidä. Evergreen on sittemmin laajentanut agenttiarkkitehtuurinsa koko liiketoimintaan. Valvovat agentit seuraavat järjestelmää, ja ihmiset osallistuvat sen arviointiin ja korjaamiseen.

Emme vain kirjoita koodia nopeammin, vaan muutamme sitä, kuinka paljon työtä tiimi pystyy toteuttamaan.

Kaikissa kolmessa tapauksessa ihmiset ja agentit vastaavat yhdessä toteutuksesta. Agentit hoitavat toistuvat tehtävät. Insinöörimme ja asiakkaidemme tiimit vastaavat päätöksistä, poikkeustilanteista ja lopputuloksesta.

Sama muutos auttaa meitä tehostamaan toimitusta entisestään. Tässä on ero tekoälylähtöisen ja tekoälyn tukeman toimituksen välillä.

Yritysten tekoälyjärjestelmät tarvitsevat yhä useammin pääsyn hajallaan olevien vanhojen sovellusten, pilvialustojen ja data-ympäristöjen tietoihin. Kuinka suuri haaste näiden järjestelmien yhdistäminen on, ja millaiset arkkitehtuurin perustan organisaatioiden tulisi luoda ennen tekoälyohjattujen työnkulkujen laajamittaista käyttöönottoa?

Tämä on keskeinen haaste. Useimmilla yrityksillä ei ole tekoälyongelmaa, vaan pirstaleisuusongelma, jota tekoäly on tehnyt mahdottomaksi sivuuttaa.

Katsotaan, miten työtä nykyään tehdään. Joku etsii tietoa yhdestä sovelluksesta, hankkii hyväksynnän toisesta ja kopioi tuloksen kolmanteen. Ihmiset toimivat järjestelmien välisenä integraatiokerroksena. Agentti ei voi tehdä tätä työtä, ellei se pääse kyseisiin järjestelmiin, ymmärrä asiayhteyttä ja pysty toimimaan asianmukaisin käyttöoikeuksin.

Siksi perustalla on enemmän merkitystä kuin mallilla. Ensin tarvitaan neljä asiaa:

• moderni data-arkkitehtuuri, joka tarjoaa agenteille luotettavan kontekstin
• integraatiokerros, jonka avulla agentit voivat toimia eri järjestelmissä, eivät vain lukea niistä
• agenteille, ei vain ihmisille, suunnitellut identiteetin- ja käyttöoikeuksien hallintaratkaisut
• valvonta, jonka avulla näet, mitä kukin agentti teki ja miksi

Myös teknologiapino tiivistyy. Data-alustoista tulee operatiivisia, työnkulkualustoista älykkäitä ja sovellukset toimivat ilman omaa käyttöliittymää. Jos työnkulku voi ulottua koko pinoon, miksi käyttäjän pitäisi joutua siihen?

Älä odota täydellistä arkkitehtuuria. Valitse yksi tärkeä työnkulku ja uudista kaikki, mihin se liittyy. Siirry sitten seuraavaan.

Kun tekoälyagentit alkavat tehdä päätöksiä ja toteuttaa toimia liiketoiminnan eri osa-alueilla, hallintamalliin, vastuuvelvollisuuteen ja ihmisten valvontaan liittyvät kysymykset korostuvat. Miten yritysten pitäisi ratkaista, mitkä päätökset voidaan siirtää tekoälyn tehtäväksi ja mitkä on pidettävä ihmisten hallinnassa?

Aloittaisin muotoilemalla kysymyksen uudelleen. Ei kysymällä: ”Pystyykö tekoäly tähän?” Vastaus on yhä useammin kyllä. Parempi kysymys on: ”Kuka antoi sille luvan toimia?”

Kyvykkyys ja käyttöoikeudet eivät tarkoita toimivaltaa. Kun agentti voi hyväksyä hyvityksen, muuttaa tuotantoaikataulua tai sitouttaa varoja, jonkun on asetettava rajat.

Käytännössä päätöstä kannattaa arvioida kustannusten ja peruttavuuden perusteella. Suurivolyyminen, sääntöihin perustuva ja helposti peruttava päätös soveltuu hyvin delegoitavaksi. Vaikutuksiltaan merkittävä, peruuttamaton tai asiakassuhdetta määrittävä päätös taas kuuluu pitää ihmisen tehtävänä.

Delegointiin on myös ansaittava luottamus. Aluksi agentit tekevät suosituksia ja ihminen hyväksyy ne. Kun näyttöä kertyy, ihmisen rooli voi siirtyä jokaisen toimenpiteen hyväksymisestä järjestelmän valvontaan ja poikkeustilanteiden käsittelyyn.

Tavoitteena ei ole pitää ihmistä mukana kaikissa vaiheissa, vaan oikeissa vaiheissa. Data tuo kontekstin. Mallit päättelevät. Agentit toimivat. Ihmiset määrittävät toimivallan ja kantavat seuraukset.

Olet johtanut merkittäviä yritysalustaliiketoimintoja Accenturella ja Cognizantilla, missä toiminnan laajentaminen edellytti teknologian, ihmisten ja prosessien yhteensovittamista maailmanlaajuisissa organisaatioissa. Mitkä näistä kokemuksista opitut asiat pätevät nykyisiin tekoälymuutoksiin, erityisesti silloin, kun organisaation vastustus tai vanhentuneet toimintamallit muodostuvat teknologiaa suuremmiksi esteiksi?

Integraatio opetti minulle enemmän kuin mikään muu. Cloud Sherpasilla, sitten Accenturen palveluksessa ja myöhemmin Cognizantilla käytin vuosia organisaatioiden yhdistämiseen. Erilaisten kulttuurien, toimitusmallien, kannustimien ja alueiden oli toimittava yhtenä alustaliiketoimintana.

Teknologia oli harvoin rajoite. Rajoitteena oli toimintamalli.

Kolme opittua asiaa pätee suoraan tekoälymuutokseen.

Ensinnäkin vastustus on yleensä järkiperäistä. Ihmiset suojelevat asioita, joiden perusteella heidän suoriutumistaan arvioidaan. Jos otat agentit käyttöön mutta mittaat tiimien työtä edelleen työtunneilla, henkilöstömäärällä ja aktiivisuudella, saat aikaan vaatimusten noudattamista, et muutosta. Muuta mittareita, niin käyttäytyminen muuttuu niiden mukana.

Toiseksi päätöksentekovaltuudet on määriteltävä selkeästi. Jokaisessa integraatiossa vaikeimmat keskustelut koskivat sitä, kuka päättää mistäkin. Tekoälyn myötä kysymystä ei voi enää välttää, sillä kaikkien päätöksentekijöiden joukossa ei enää ole pelkästään ihmisiä.

Kolmanneksi on tärkeää kertoa selvästi, mikä säilyy ennallaan. Ihmiset sopeutuvat muutokseen paremmin, kun he ymmärtävät sen syyt ja tietävät, mikä ei muutu.

Tekoälymuutos on toimintamallin muutos, jossa teknologia on mukana. Johtajat, jotka käsittelevät sitä ohjelmiston käyttöönottoprojektina, tulevat pettymään.

Tekoälyn onnistumista mitataan usein käyttöönottoasteella, tuottavuuden paranemisella ja säästetyllä ajalla. Mitkä mittarit johtajien pitäisi asettaa etusijalle, jotta he voivat arvioida, parantaako tekoäly todella liiketoiminnan toteutusta, ja miten organisaatiot voivat erottaa toisistaan vähittäiset tehokkuushyödyt ja merkittävän toiminnallisen muutoksen?

Käyttöönotto ja säästetty aika ovat panosmittareita. Ne kertovat, että ihmiset käyttävät työkalua, mutta eivät sitä, eteneekö liiketoiminta nopeammin.

Jos insinööri säästää kaksi tuntia mutta julkaisu odottaa silti viikon tarkastusta, asiakkaan kannalta mikään ei ole muuttunut. Tehtävien nopeutuminen ei tarkoita, että tulokset syntyisivät nopeammin.

Asettaisin etusijalle kolmenlaisia mittareita:

• Tarpeesta tulokseen kuluva aika: kuinka kauan pyynnön muuttuminen tulokseksi kestää alusta loppuun.
• Missä työ odottaa: kuinka kauan päätöksenteko kestää, kuinka paljon työssä on siirtoja ja millaisia jonoja tiimien välille muodostuu.
• Työ ilman koordinointia: kuinka suuri osa työnkulusta etenee ilman ihmisten välistä koordinointia samalla, kun ihmiset voivat keskittyä harkintaa vaativiin asioihin ja poikkeuksiin.

Yhdistä nämä sitten liiketoiminnan mittareihin: palvelun tuottamisen kustannuksiin, laatuun ja liikevaihtoon.

Muutoksen arviointiperuste on yksinkertainen: nopeutuiko tehtävä vai muuttuiko työnkulun rakenne? Vähittäiset parannukset nopeuttavat samaa prosessia. Muutos poistaa vaiheet, työn siirrot ja hyväksynnät, joita ei enää tarvita.

Mittaa aika tarpeesta tulokseen. Selvitä, missä työ odottaa. Muuta sitä, mikä pitää työn siellä.

Miten tekoälyn, yritysohjelmistojen ja ihmisten välisen työnjaon suhde mielestäsi kehittyy seuraavien kolmen–viiden vuoden aikana? Uskotko, että tekoälyn ehdoilla suunnitellut järjestelmät korvaavat perusteellisesti perinteiset yritysten työnkulut, ja mitä yritysjohtajien pitäisi tehdä jo nyt valmistautuakseen tähän muutokseen?

Kolmenkymmenen vuoden ajan yritysohjelmistot ovat kertoneet meille, mitä tapahtuu. Seuraavien kolmen–viiden vuoden aikana ne tekevät yhä useammin työn itse.

Tekoäly korvaa koordinointia: perään kyselemistä, kopiointia, tehtävien siirtelyä ja asioiden edistymisen varmistelua, jotka täyttävät useimpien ihmisten työpäivän. Ihmisten työn painopiste siirtyy harkintaan, poikkeustilanteisiin, ihmissuhteisiin ja tuloksista vastuun kantamiseen. Näin ihmisten asiantuntemusta hyödynnetään paremmin, mutta se edellyttää uusia valmiuksia, joita johtajien on kehitettävä määrätietoisesti.

Mitä johtajien pitäisi tehdä jo nyt? Valitkaa yksi merkittävä työnkulku ja kartoittakaa siihen liittyvät päätökset. Korjatkaa niiden perustana olevat tiedot. Määritelkää, mitä agentti saa päättää, ja nimetkää henkilö, joka vastaa tuloksesta. Siirtykää sitten seuraavaan työnkulkuun.

Yritykset, jotka pitävät tekoälyä työkaluna, saavuttavat tehokkuutta. Yritykset, jotka järjestäytyvät sen ympärille uudelleen, saavat siitä vipuvoimaa. Tekoäly ei ole strategia. Ratkaisevaa on toteutus.

Kiitos hienosta haastattelusta! Lukijoiden, jotka haluavat tutustua tekoälyn varaan rakennetun yritystoiminnan toteutukseen, älykkäisiin työnkulkuihin ja siirtymään tekoälyn pilottihankkeista tuotantokäyttöön, kannattaa tutustua KMS Technologyyn.