Yritysten tekoäly tarvitsee kumuloituvaa kontekstia ennen kuin sille voidaan antaa autonomiaa

Kuvitellaan, että on maanantaiaamu, ja neljännesvuosittaiseen ennustekokoukseen on vielä useita tunteja. Talousjohtaja kysyy tekoälyagentilta: ”Miksi bruttokate laski? Mitä oletuksia pitäisi muuttaa? Ja mitä yrityksen pitäisi tehdä seuraavaksi?” Muutamassa sekunnissa agentti hakee tietoja useista järjestelmistä, tunnistaa muutamia keskeisiä syitä ja suosittelee harkinnanvaraisten menojen leikkaamista tai rekrytointisuunnitelman tarkistamista. Vastaus on selkeä, yksityiskohtainen ja uskottava. Siinä ei vaikuta olevan mitään ilmeisen väärää.

Juuri siksi se on niin vaarallista. 

Kun asiaa tarkastellaan lähemmin, paljastuu useita puuttuvia yksityiskohtia. Agentti käytti ennusteen väärää versiota. Siltä jäi huomaamatta edelliseltä vuosineljännekseltä hyväksytty kirjanpidon oikaisu. Se ei ottanut huomioon, että yhdellä alueella noudatetaan erilaisia liiketoimintasääntöjä. Taustalla olevissa tiedoissa ei välttämättä ollut mitään vikaa; agentti ei yksinkertaisesti tiennyt, miten organisaatio tulkitsi niitä tai miten eri osat liittyivät toisiinsa. Ongelma ei ole sellainen, jonka toinen malli voisi helposti ratkaista. Malli ei tunne kyseistä liiketoimintaa. 

Suuri osa yritysten tekoälyn kehitystyöstä on keskittynyt mallien kyvykkyyteen ja agenttien autonomiaan. Malli ei kuitenkaan voi tehdä luotettavaa, yrityskohtaista johtopäätöstä, ellei se ymmärrä, miten organisaatio määrittelee lukunsa ja miten ne liittyvät liiketoiminnan toimintaan. 

Puuttuva kerros on kumuloituva liiketoimintakonteksti eli hallitusti ylläpidetty ymmärrys siitä, mitä yrityksen tiedot tarkoittavat: niiden määritelmistä, suhteista, oletuksista, laskelmista, työnkuluista, poikkeuksista ja ajan mittaan kertyvistä niihin liittyvistä päätöksistä.

Tämä konteksti muodostuu suunnittelun, ennustamisen, skenaariomallinnuksen, poikkeama-analyysin, korjausten, palautteen, tilikauden päätöstoimien ja hyväksyttyjen päätösten kautta. Ilman sitä organisaatiot saattavat antaa tekoälylle lisää vastuuta antamatta sille riittävästi ymmärrystä liiketoiminnasta, jotta se pystyisi kantamaan vastuun luotettavasti. 

Tekoälyn kyvykkyys kehittyy yritysten valmiutta nopeammin

Stanfordin vuoden 2026 AI Index -raportin mukaan 88 % kyselyyn osallistuneista organisaatioista käytti tekoälyä vuonna 2025, mutta agenttien käyttöönotto jäi lähes kaikissa liiketoimintojen osa-alueissa yksinumeroisiin prosenttilukuihin. 

Nämä tilastot osoittavat, että yrityksillä on käytettävissään tekoälyn tarjoamia kyvykkyyksiä, mutta monet niistä eivät ole valmiita antamaan tekoälyn tehtäväksi merkittäviä seurauksia aiheuttavaa työtä. Johtajat tietävät, että tekoälyä on hyödynnettävä, mutta heidän on silti selvitettävä, kehittävätkö he ratkaisuja ongelman oikealla tasolla.

Malli voi lukea tietoja ymmärtämättä liiketoimintaa

Perusmallit tunnistavat tehokkaasti hahmoja, kokoavat tietoa, käsittelevät luonnollista kieltä ja tutkivat suuria tietojoukkoja. Nämä ovat merkittäviä edistysaskelia, mutta itse mallista on tulossa yhä vähemmän erottava tekijä. 

Vaikeampi yritysten haaste on opettaa tekoälylle, mitä yrityksen tiedot tarkoittavat ja, mikä vielä tärkeämpää, miten niitä käytetään päätöksenteossa ja analyysissä.

Tekoälyn hallinnointia koskevassa keskustelussa on keskitytty paljon puhtaaseen dataan. Se on välttämätön lähtökohta, mutta ei riitä, kun tekoälyä otetaan laajasti käyttöön yrityksissä. Kahdessa puhtaassa tietojoukossa voidaan silti käyttää erilaisia määritelmiä, ajanjaksoja ja liiketoimintasääntöjä. 

IBM:n vuoden 2025 toimitusjohtajatutkimuksen mukaan 25 % tekoälyhankkeista tuotti odotetun sijoitetun pääoman tuoton, ja vain 16 % laajeni koko yrityksen käyttöön. Tämä vastaa laajempaa käyttöönottoon liittyvää haastetta: pääsy malleihin ja dataan ei takaa, että tekoälyjärjestelmä pystyy sovittamaan yhteen organisaation säännöt, jotka määrittävät, miten tietoja tulisi käyttää.

Kyvykkäämpiä malleja voidaan hankkia helposti. Yrityskohtainen ymmärrys on rakennettava. 

Tiedonhaun yhteydessä saatava konteksti ei ole kumuloituvaa kontekstia

Suuri osa siitä, mitä yritysten tekoälyssä kutsutaan kontekstiksi, haetaan edelleen vasta pyynnön yhteydessä. Järjestelmä etsii asiaankuuluvan asiakirjan, tietueen tai datapisteen ja käyttää sitä vastauksen muodostamiseen. Seuraavan pyynnön kohdalla se aloittaa alusta. 

Tiedonhaku on hyödyllistä, mutta yksinään käytettynä se ei luo ajan myötä karttuvaa organisaation muistia. Se jättää vain vähän tietoa myöhempää käyttöä varten, joten tekoäly voi kohdata yrityksen uutena tuttavuutena jokaisessa vuorovaikutuksessa.

Tilanne muistuttaa sitä, että joka aamu perehdytettäisiin uusi, loistava analyytikko. Hän ymmärtää talousasioita ja osaa tutkia tietojoukkoa, mutta hänen täytyy silti oppia, miten juuri tämä yritys määrittelee mittarinsa, mikä ennuste on virallinen, miksi poikkeus hyväksyttiin ja mitkä oletukset osoittautuvat toistuvasti vääriksi.

Kumuloituvalla kontekstilla on toinen tarkoitus. Konteksti ei nollaudu jokaisen kehotteen tai suunnittelusyklin myötä, vaan karttuu ajan mittaan. Jokainen selvitys, skenaario, korjaus, hyväksyntä ja päätös voi osaltaan muodostaa hallitusti ylläpidettyä ymmärrystä siitä, miten organisaatio toimii. Näin myöhemmät syklit voivat rakentua aiemmissa sykleissä saavutetun ymmärryksen varaan sen sijaan, että samoja suhteita, toimintalogiikkaa ja työtapoja selvitettäisiin uudelleen jokaisen kehotteen yhteydessä. 

Tämä ei tarkoita kaiken säilyttämistä loputtomiin. Hyödyllinen yrityskonteksti on rajattava tarkoituksenmukaisesti, sen on oltava korjattavissa, käyttöoikeudet huomioiva ja jäljitettävissä lähteeseensä. Organisaatioiden on säilytettävä olennainen ja samalla varmistettava, että vanhentuneet oletukset, tilapäiset poikkeukset ja virheelliset tulkinnat voidaan tunnistaa ja niitä voidaan muuttaa ajan mittaan.

Luottamuksen perusta on mallin alla

Malli on tekoälyjärjestelmän näkyvin osa, mutta harvoin se osa, joka ratkaisee, voiko yritys luottaa lopputulokseen.

Kyvykäs malli voi tutkia poikkeamaa, selvittää mahdollisia selityksiä ja suositella toimenpidettä. Se, voiko yritys luottaa suositukseen, riippuu mallia ympäröivästä arkkitehtuurista.

Gartner havaitsi, että onnistuneista tekoälyhankkeista raportoineet organisaatiot investoivat jopa neljä kertaa enemmänliikevaihtoonsa suhteutettuna perustekijöihin, kuten datan laatuun, hallintamalliin, tekoälyvalmiiseen osaamiseen ja muutoksenhallintaan, kuin heikkoja tuloksia saavuttaneet organisaatiot.

Hallittu kontekstikerros on osa tätä perustaa, ja se sijoittuu lähdejärjestelmien, mallien ja liiketoimintatoimien väliin.

Tässä kohtaa myös älykkyys ja deterministisyys on erotettava toisistaan. Tekoäly voi tutkia, laatia luonnoksia ja antaa suosituksia. Kun toimenpide on tarkastettu ja hyväksytty, sen toteuttamisen tulee perustua hallittuihin laskentamenettelyihin, käyttöoikeustarkistuksiin, järjestelmiin tehtävien muutosten valvontaan ja tarkastusketjuihin. Mallista tutkimustyössä hyödyllistä joustavuutta ei aina ole tarkoituksenmukaista käyttää, kun liiketoimintaan tehdään muutoksia.

Malli voi suositella, mitä pitäisi tehdä. Ympäröivä arkkitehtuuri, mukaan lukien ihmisen antama hyväksyntä ja järjestelmän valvontakeinot, ratkaisee, mitä on sallittua tehdä.

Rajoitteet, jotka tekevät agenteista hyödyllisiä

Agenttien käyttöönotto etenee niitä ympäröivien valvontakeinojen kehitystä nopeammin. KPMG havaitsi, että vähintään joitakin tekoälyagentteja käyttöön ottavien organisaatioiden osuus kasvoi 11 prosentista vuoden 2025 ensimmäisellä neljänneksellä 42 prosenttiin kolmannen neljänneksen loppuun mennessä. Gartner puolestaan raportoi, että vain 13 prosenttia organisaatioista oli vahvasti samaa mieltä siitä, että niillä oli käytössä asianmukaiset agenttien hallintarakenteet.

Tämä kuilu on merkittävä, sillä kyvykkyys ja toimivaltuudet ovat erillisiä suunnittelupäätöksiä. Järjestelmä voi teknisesti pystyä käyttämään tietokantaa, tarkistamaan ennustetta tai käynnistämään työnkulun. Se ei kuitenkaan tarkoita, että sen pitäisi saada tehdä näitä asioita itsenäisesti.

Organisaatioiden tulisi asettaa kolme rajoitetta ennen kuin ne delegoivat merkityksellisiä tehtäviä.

• Määritelkää yhteinen käsitteistö

Määritelmät, mittarit, hierarkiat, tilikausikalenterit ja laskentasäännöt on sovitettava yhteen, ennen kuin agentti voi tehdä niiden pohjalta johdonmukaisia päätelmiä.

Tekoälyn ei pidä odottaa ratkaisevan huomaamatta erimielisyyksiä, joita organisaatio itse ei ole käsitellyt. Ilman yhteistä käsitteistöä se voi käsitellä ristiriitaisia määritelmiä keskenään vaihdettavina ja tuottaa vastauksen, joka on johdonmukainen mutta toiminnan kannalta väärä.

• Päättäkää, mikä tieto säilyy

Organisaatioiden on määriteltävä, mitkä korjaukset, hyväksynnät, päätökset ja tulokset tallennetaan uudelleenkäytettäväksi kontekstiksi. Lisäksi tarvitaan säilytystä, käyttöoikeuksia ja korjaamista koskevat käytännöt.

Hyödyllinen muisti valitaan ja sitä hallitaan, eikä sitä kartuteta valikoimatta. Muuten vanhentunut oletus tai yksittäinen poikkeus voi huomaamatta muuttaa tulevia suosituksia.

• Erottakaa suositus sitovasta päätöksestä

Analyysi, suositus, ehdotettu muutos, ihmisen hyväksynnän jälkeen toteutettava toimenpide ja rajattu itsenäinen toteutus ovat eri toimivaltuuksien tasoja. Agenttien tunnisteiden ja käyttöoikeuksien on vastattava kunkin tason vaatimuksia.

Arvioinnin on katettava myös koko toimintaketju: mitä tietoja haettiin, mitä kontekstia käytettiin, mitä työkaluja kutsuttiin, mitä muuttui ja voidaanko muutos perua.

Pelkästään lopullisen vastauksen testaaminen jättää huomiotta useimmat tavat, joilla agenttityönkulku voi epäonnistua.

Kyvykkyys kertoo, mitä agentti pystyy tekemään, ja hallintamalli määrittää, mitä sen sallitaan tehdä.

Itsenäinen toiminta edellyttää muutakin kuin kyvykkyyttä

Alussa kuvatussa marginaaliskenaariossa nopeudesta on hyötyä vain, jos järjestelmä tietää myös, mikä ennuste on luotettava, mikä poikkeus hyväksyttiin, mihin toimenpiteeseen sillä on lupa ja kuka on edelleen vastuussa.

Uskon, että yritysten tekoäly voi ansaita luottamuksen vain, kun se säilyttää oikean kontekstin ja pystyy osoittamaan, miten se päätyi merkittävään lopputulokseen.

Organisaatioiden tulisi rakentaa tämä konteksti- ja hallintakerros ennen agenttien itsenäisen toiminnan laajentamista. Työn tekemisen tavat muuttuvat, mutta vastuu ei.