Victor Coimbra, Artefactin teknologiajohtaja ja johtava osakas – haastattelusarja

Victor Coimbra toimii Artefactin teknologiajohtajana ja johtavana osakkaana. Hän johtaa tekoälyyn, datatieteeseen ja suunnitteluun liittyvää työtä eri puolilla Amerikkaa. Hänen urallaan yhdistyvät Bainilla ja Accenturella hankittu liiketoimintastrategian kokemus sekä käytännön johtamiskokemus tekoäly- ja koneoppimisjärjestelmien toimittamisesta monimutkaisissa yritysympäristöissä. Hän auttaa organisaatioita yhdistämään tekniset valmiudet mitattaviin liiketoimintatuloksiin, ja tähän tarvitaan tekoälyn laajentamisen mahdollistavia arkkitehtuureja, hallintamalleja ja toimintamalleja.

Artefact on maailmanlaajuisesti toimiva dataan ja tekoälyyn erikoistunut konsulttiyritys, joka auttaa yrityksiä kehittämään strategioita, rakentamaan data-alustoja, ottamaan käyttöön tekoälyratkaisuja ja hallitsemaan organisaatiomuutosta. Yritys toimii muun muassa rahoituspalvelujen, terveydenhuollon, valmistavan teollisuuden ja vähittäiskaupan aloilla. Ennen Adopt AI Summit -tapahtumaa, joka järjestetään 3.–4. joulukuuta 2026 Grand Palais’ssa Pariisissa, Coimbra kertoo, miten yritykset voivat siirtyä kokeiluista eteenpäin, rakentaa ihmisistä ja tekoälyagenteista koostuvia tiimejä sekä mitata tekoälyn tuotantokäytön arvoa.

Urasi on kulkenut Accenturen liiketoimintastrategiatyöstä tekoäly-, datatiede- ja suunnittelutiimien johtamiseen Artefactilla eri puolilla Amerikkaa. Miten strategisen konsultoinnin ja käytännön teknologiajohtamisen yhdistelmä on muovannut tapaasi auttaa yrityksiä muuttamaan tekoälyinvestoinnit mitattaviksi liiketoimintatuloksiksi?

Opin yhdistämään tekoälystrategian aina sen toteutukseen. Bainilla ja Accenturella tekemäni strategiatyö osoitti, että johtajat investoivat muutokseen, joka näkyy tuloslaskelman rivillä. Suunnittelutyö puolestaan opetti, että suuri osa arvosta voi kadota matkalla esityskalvoista tuotantoon.

Nykyään tekoälyssä on vähemmän kyse teknologiasta ja enemmän siitä, miten yrityksen keskeisen liiketoiminnan ympärille rakennetaan kilpailuetu. Tärkein kysymys on, miten yksilöiden tuottavuus muutetaan koko yrityksen yhteiseksi arvoksi niin, että yritykselle syntyy todellinen yhteinen kognitiivinen kyvykkyys.

Se edellyttää strategian ja toteutuksen yhdistämistä, ja olen oppinut paljon tekemällä molempia.

Vaikka tekoälyyn investoidaan merkittävästi, monilla organisaatioilla on yhä vaikeuksia päästä onnistuneista pilottihankkeista eteenpäin. Mitkä ovat kokemuksesi mukaan yleisimmät esteet, jotka estävät yritysten tekoälyhankkeita päätymästä tuotantokäyttöön, ja mikä erottaa yritykset, jotka onnistuvat laajentamaan käyttöönottoaan?

Kokemukseni mukaan monet kokeilut pysähtyvät, koska tekoälyä lisätään organisaatioon, joka on suunniteltu pelkästään ihmisille. Teknologia yleensä toimii. Usein ratkaisematta on kuitenkin työnjako: mitkä tehtävät kuuluvat agenteille ja mitkä ihmisille, kuka tarkistaa työn ja kuka vastaa lopputuloksesta.

Lisäksi laajentamista hidastaa yleensä 3 asiaa: käyttöön perustuvan hinnoittelun myötä räjähdysmäisesti kasvavat token-kustannukset, tietoturva ja hallintamallit sekä käyttöönotto, jossa käyttöoikeus ei koskaan muutu todelliseksi käytöksi.

Yritykset, joiden näen onnistuvan laajentamisessa, käsittelevät tekoälyä organisaation uudistamisena. Ne jakavat toteutuksen 2 työnkulkuun. Sisäisessä työnkulussa agentit hoitavat tehtävät alusta loppuun: koodaavat, rakentavat, testaavat, vievät muutokset eteenpäin ja tarkistavat ne. Ulkoisessa työnkulussa ihmiset määrittävät tavoitteet, varmistavat tulokset ja seuraavat kustannuksia ja laatua. Tämän jälkeen ne rakentavat taustalle yhden alustan ja hyödyntävät sitä uudelleen kaikissa käyttötapauksissa.

Olet kirjoittanut siitä, miten tärkeää on rakentaa tekoälyn ympärille suunniteltu organisaatio sen sijaan, että olemassa oleviin järjestelmiin vain lisättäisiin chatbotteja ja apureita. Millaisia perustavanlaatuisia muutoksia yritysten teknologia-arkkitehtuuriin tarvitaan tämän siirtymän tukemiseksi, ja mihin yritykset investoivat tällä hetkellä liian vähän?

Tekoälyn ympärille suunniteltu yritys toimii alustalla, joka koostuu 4 kerroksesta: kehyksestä, kontekstista, mallista ja infrastruktuurista. Kehys on paikka, jossa ihmiset ja agentit kohtaavat ja työskentelevät – koko mallin ympärille rakennettu sovellus. Konteksti määrittää, mitä agentit tietävät ja millainen toimivalta niillä on. Mallikerros määrittää, miten malleja käytetään, reititetään ja hallitaan kustannustehokkaasti. Infrastruktuuri määrittää, missä mallit todellisuudessa toimivat ja kenellä on niiden käyttöön tarvittavat avaimet.

Luonnollisesti suurin huomio kohdistuu näkyvään 20 prosenttiin: apureihin ja chat-työkaluihin. Piilossa oleva 80 prosenttia sisältää suurimman osan suunnittelutyöstä, ja siellä ratkaistaan kustannukset, tietoturva ja hallinta.

Ehdotukseni on yksinkertainen: hanki yleiskäyttöiset kehykset ja rakenna toimialakohtaiset itse. Vuokraa malleja ja infrastruktuuria ja kokeile niitä, sillä ne muuttuvat joka vuosineljännes. Ota sen sijaan konteksti kokonaan omaan hallintaasi. Se on kerros, joka on aidosti omasi ja johon näen suurimman mahdollisuuden investoida lisää.

Kun tekoäly kehittyy työntekijöiden avustamisesta monimutkaisten työnkulkujen itsenäiseen suorittamiseen, miten organisaatioiden tulisi ratkaista, mitkä prosessit soveltuvat agenttipohjaiseen automatisointiin? Millaiset tekniset ja toiminnalliset suojatoimet on otettava käyttöön ennen kuin tekoälyagenteille annetaan enemmän päätösvaltaa?

Näen asian niin, että agentit soveltuvat hyvin menneeseen perustuvaan työhön, kun taas ihmiset ovat parhaimmillaan tulevaisuuteen suuntautuvassa työssä. Agentit ovat erinomaisia tehtävissä, jotka perustuvat olemassa olevaan tietoon, kuten analytiikassa, koodauksessa, testauksessa, dokumentoinnissa ja täsmäytyksessä. Ihmisille kuuluu luovuutta vaativa työ, sillä luovuus suuntautuu määritelmän mukaan tulevaisuuteen: tyylitajuun, visioon, suunnitteluun, päätöksentekoon ja sen arvioimiseen, onko tulos todella hyvä.

Käytännössä tämä vastaa kahta työnkulkua. Agentit hoitavat sisäisen työnkulun ja suorittavat tehtävät. Ihmiset vastaavat ulkoisesta työnkulusta: tavoitteista, tulosten varmistamisesta ja seurannasta.

Suojaukset on rakennettu järjestelmään, eikä niitä vain pyydetä kehotteilla. Käytämme kuutta toimintakehyksen kerrosta: tehtävien tallennusta, muistia, suojattua työskentely-ympäristöä, jossa on eristetty suoritusympäristö ja käyttöoikeudet, tarkistuspisteitä ja täsmennyksiä sisältävää työskentelysilmukkaa, mallien reititystä sekä suojakaiteita, jotka määrittävät, mitä agentti ei voi tehdä yksin. Tällaisia ovat esimerkiksi ihmisen hyväksyntää, käytäntöjen noudattamisen tarkistamista ja henkilötietojen suojaamista koskevat vaatimukset. Autonomia kasvaa sitten näyttöjen karttuessa samalla tavoin kuin uudella työntekijällä.

Olet kuvannut tekoälyagentteja tiimin jäseniksi perinteisten ohjelmistotyökalujen sijaan. Miten tämä näkökulma muuttaa sitä, miten organisaatioiden tulisi rakentaa tiimejään, jakaa vastuita ja kouluttaa työntekijöitä yhteistyöhön yhä autonomisempien tekoälyjärjestelmien kanssa?

Hybridiorganisaatio on jo todellisuutta. Mielestäni tärkein kysymys on nyt se, miten työvoima jaetaan ihmisten ja agenttien kesken. Uskon, että se on skaalautumisen avain.

Hybriditiimissä organisaatiokaavio kohdentaa kognitiivista kapasiteettia, ei henkilöstömäärää. Tyypillisessä kypsässä teknologiatiimissä jako on nähdäkseni 15 % pelkästään ihmisten tekemää työtä, 25 % tekoälyn tukemaa työtä ja 60 % agenttien tekemää työtä. IT-johtaja määrittää tavoitteet, kohdentaa kapasiteetin ja vastaa tuloksista ja kustannuksista. Vanhempi kehittäjä tarkistaa agenttien tuotokset ja päättää arkkitehtuurista. Orkestroiva agentti reitittää tehtävät ja raportoi kustannuksista, ja tarkistusagentti käy läpi jokaisen tuotoksen.

Hyödyt kumuloituvat kolmessa vaiheessa. Tekoälyn tukemat työntekijät tuottavat noin viisinkertaisesti. Synteettisinä työntekijöinä päästä päähän ulottuvia tehtäviä hoitavat agentit tuottavat noin kymmenkertaisesti. Uskon, että näiden molempien orkestroinnissa yhtenä työvoimana piilee 1 000-kertainen potentiaali.

Koulutus noudattaa samaa logiikkaa. Ihmiset oppivat antamaan agentille tehtävänannon kuin nuoremmalle ohjelmistokehittäjälle: tarjoamaan jäsennellyn kontekstin ja määrittelemään selkeät tavoitteet. Näin he voivat käyttää aikansa harkintaan, suunnitteluun ja päätöksentekoon.

Yritysten tekoälyjärjestelmät ovat vahvasti riippuvaisia luotettavasta datainfrastruktuurista, mutta monilla organisaatioilla on yhä vaikeuksia hajanaisen datan, epäyhtenäisen hallinnoinnin ja vanhentuneen teknologian kanssa. Mitä perustavanlaatuisia valmiuksia yritysten tulisi priorisoida valmistellessaan dataympäristöjään agenttipohjaista tekoälyä varten, ja miten ne voivat uudistaa järjestelmiään häiritsemättä nykyistä toimintaa?

Suunnittele data-alustasi uudenlaista käyttäjää eli agentteja varten. Jos koontinäytössä on väärä luku, ihminen kyseenalaistaa sen. Väärän luvun saanut agentti puolestaan toimii sen perusteella laajassa mittakaavassa.

Priorisoi neljä valmiutta. Yhteiset liiketoimintamääritelmät, jotta jokainen agentti ja tiimi ymmärtää samalla tavalla, mitä ”aktiivinen asiakas” tarkoittaa. Todennuksen ja MCP:n kaltaisten standardiprotokollien kanssa toimiva integraatioväylä, jonka kautta agentit käyttävät dataa sen roolin käyttöoikeuksilla, jota ne edustavat. Datan laadun ja alkuperän seurattavuus. Lisäksi jäsentämätön data on nähtävä ensiluokkaisena resurssina, sillä sopimukset, tukipyynnöt ja kokousmuistiot sisältävät suurimman osan todellisesta tietämyksestä.

Uudista järjestelmiä häiriöttä ottamalla vanhat järjestelmät ensin käyttöön nykyisellään ja siirtämällä niitä sitten käyttötapaus kerrallaan. Agentit muuttavat myös uudistamisen taloudellisia edellytyksiä. Moniagenttiset migraatioputket uudistavat nyt satojatuhansia rivejä vanhaa koodia kuukausissa, ja ihmiset päättävät arkkitehtuurista.

Rakenteisen datan käyttöoikeuksien lisäksi tekoälyagenttien on yhä useammin ymmärrettävä organisaation tietämystä, liiketoimintaprosesseja ja organisaation toimintaympäristöä. Miten yritykset voivat tehokkaasti kerätä tätä tietämystä ja integroida sen tekoälyjärjestelmiinsä, ja millaisia riskejä syntyy, kun agentit toimivat ilman riittävää liiketoimintakontekstia?

Konteksti tekee mallista työtoverin. Työkalut ymmärtävät tehtäviä, agentit kontekstia. Et pyytäisi nuorempaa ohjelmistokehittäjää työskentelemään selittämättä tavoitetta, rajoitteita ja sitä, millainen lopputulos on hyvä. Agentin kanssa tilanne on sama.

Kerää tietämystä itse työstä sen sijaan, että toteuttaisit suuria dokumentointihankkeita, joiden sisältöä on vaikea pitää ajan tasalla. Jokainen kokous, tukipyyntö, päätös ja korjaus täydentää kontekstikerrosta, joka yhdistää tiedostoja, taulukoita, vektoreita ja suhteita kuvaavan graafin. Jokaisen valmiin tehtävän tiedot tallentuvat takaisin muistiin, joten organisaatio oppii jokaisen toimituksen myötä. Myös kontekstikerros tarvitsee oman hallintamallinsa: arvioinnit, käyttöoikeudet ja kustannusten hallinnan.

Ilman kontekstia agenteilla on taipumus kohdata muutamia ennakoitavia vaikeuksia. Ne noudattavat kirjallista sääntöä mutta eivät huomaa kirjoittamatonta sääntöä, jonka kaikki tuntevat. Ne hakevat väärää tietoa ja vastaavat täysin itsevarmasti. Ne toimivat viime vuosineljänneksen tietojen varassa. Tiukkoja käyttöoikeuksia vailla oleva kontekstikerros voi myös vaarantaa arkaluonteiset tiedot.

Monet yritykset mittaavat tekoälyn onnistumista tuottavuuden paranemisella, käyttöönottoasteella tai käynnistettyjen pilottihankkeiden määrällä. Millaisia mittareita tietohallintojohtajien ja liiketoimintajohtajien tulisi käyttää aidon tekoälyn tuoton arviointiin, etenkin kun huomioon otetaan infrastruktuurikustannukset, jatkuva ylläpito ja autonomisten agenttien toiminnan monimutkaisuus?

Mittaa ihmisten ja agenttien muodostamaa työvoimaa, älä työkalua. Käyttöönotto on vasta ensimmäinen neljästä tasosta, ja tuloksia verrataan aina ennen käyttöönottoa määritettyyn lähtötasoon. Käyttöönotossa kysytään, käyttävätkö ihmiset työkalua. Tuottavuudessa kysytään, toimitammeko nopeammin: mittareina ovat läpimenoaika, tuotantomäärä ja ratkaisuaika. Laadussa kysytään, onko tuotos parempi: mittareina ovat tuotantoon päässeet virheet, muutosten epäonnistumisaste ja uudelleentyö. Arvossa ja kustannuksissa kysytään, onko siitä hyötyä: mittareina ovat vapautunut työpanos, markkinoille pääsyaika ja tehtäväkohtaiset kokonaiskustannukset.

Yksi helposti sivuutettava mittari on se, miten kognitiivinen kapasiteetti siirtyy ihmisten ja agenttien välillä tiimistä toiseen. Vapautunut ihmisten työpanos on tarkoituksellisesti suunnattava tulevaisuuteen suuntautuvaan työhön. Muuten osa hyödystä jää saamatta.

Kustannusten osalta hinnoittelu on siirtymässä kiinteistä maksuista käytön mukaiseen hinnoitteluun, mikä voi vaikeuttaa laskujen ennakointia. Siksi mallien reitityksen ja FinOpsin on oltava osa alustaa heti ensimmäisestä päivästä lähtien. Käsitelkää tekoälymenoja kuten pilvipalvelumenoja: tehkää ne näkyviksi, kohdistakaa ne tiimeille ja sitokaa ne tuotettuun arvoon.

Artefact tekee yhteistyötä yritysten kanssa rahoituspalvelujen, terveydenhuollon, valmistusteollisuuden, vähittäiskaupan ja muiden alojen parissa, joilla tekoälyn käyttöönottoon liittyy erilaisia haasteita. Millaisia oppeja näiden alojen käytännön käyttöönotosta on saatu, ja miten organisaatioiden tulisi sovittaa yhteen innovointi, sääntelyn noudattaminen, luotettavuus ja ihmisten valvonta?

Kaikilla aloilla on sama kysymys: miten työ jaetaan ihmisten ja agenttien kesken. Ero on siinä, kuinka suuri osa ulommasta ohjauskierroksesta on edelleen jätettävä ihmisille. Vähittäiskaupassa ja kulutustavaroiden alalla virheet eivät maksa paljon, joten agentit voivat ottaa hoitaakseen enemmän työtä nopeammin. Valmistusteollisuudessa työn tahtia määräävät luotettavuus ja yhteensopivuus operatiivisten järjestelmien kanssa. Rahoituspalveluissa ja terveydenhuollossa jokaisen päätöksen perusteet on pystyttävä selittämään, joten ihmisille jää pidemmäksi aikaa enemmän vastuuta tarkistamisesta ja päätöksenteosta.

Kaikkialla näkemäni opetus on, että sääntöjen noudattaminen toimii parhaiten alustan ominaisuutena, joka on sisäänrakennettu alusta alkaen. Kun suojakaiteet, tarkastuslokit ja ihmisten hyväksynnät sisältyvät agenttien toimintakehikkoon, jokainen uusi käyttötapaus saa ne automaattisesti käyttöönsä. Jos sääntöjen noudattaminen otetaan huomioon vasta lopuksi, jokainen uusi hanke joutuu aloittamaan saman keskustelun uudelleen.

Valvonnan tulisi olla porrastettua. Agentit toimivat itsenäisesti vähäriskisissä tehtävissä, keskisuuren riskin tehtävissä niiden toimintaa tarkastellaan poikkeustilanteissa, ja suuren riskin tehtävissä ne ainoastaan valmistelevat päätöksen. Portaiden taso muuttuu luottamuksen kasvaessa.

Artefactin Adopt AI Summit järjestetään Pariisissa tänä joulukuuna, ja keskustelut tekoälyn suvereniteetista, hallinnosta ja teollisuuden kilpailukyvystä ovat yhä tärkeämpiä. Miten Euroopan lähestymistapa tekoälyn käyttöönottoon vaikuttaa mielestäsi yritysten strategioihin maailmanlaajuisesti, ja mitkä kehityskulut määrittävät mielestäsi yritystekoälyn seuraavaa vaihetta tulevina vuosina?

Eurooppa nosti suvereniteettikysymyksen esiin varhain, ja mielestäni siitä on tulossa maailmanlaajuinen suunnitteluperiaate. Monikansalliset yritykset eivät halua eri sääntelyvaatimuksille omia arkkitehtuureja, joten ne suunnittelevat toimintansa tiukimpien vaatimusten mukaan: pidä oma kontekstisi, vuokraa mallisi ja säilytä määräysvalta siihen, missä niitä käytetään ja kenellä on avaimet. Euroopan seuraava mahdollisuus on panostaa käyttöönottoon yhtä voimakkaasti, sillä kilpailukyky syntyy laajamittaisesta käytöstä.

Seuraava vaihe on hybridiorganisaatio, ja uskon sen olevan työn tulevaisuus. Yritykset siirtyvät henkilöstömäärän laskemisesta ihmisten ja agenttien yhteisen kognitiivisen kapasiteetin hallintaan. Agentit hoitavat suurimman osan menneeseen suuntautuvasta työstä: analyysin, koodauksen ja raportoinnin. Ihmiset puolestaan keskittyvät tulevaisuuteen suuntautuvaan työhön: makuun, visioon, suunnitteluun ja päätöksentekoon.

Uskon, että työnjaon ensimmäisinä ratkaisevat yritykset johtavat kehitystä. Tästä keskustelusta haluan puhua Pariisissa, jotta voimme määrittää tulevien vuosien suuntaa.

Kiitos hienosta haastattelusta. Lukijoiden, jotka haluavat oppia lisää tekoälyn käyttöönotosta yrityksissä, agenttipohjaisista työnkuluista ja datan muuntamisesta, kannattaa vierailla Artefactilla.