Mistä rakentuu tekoälyn onnistuneen käyttöönoton kivijalka?

Ensin prosessi, sitten työkalu

Lean lähtee yksinkertaisesta periaatteesta: ymmärrä ensin, kuka on asiakas, mitä asiakas tarvitsee ja missä prosessi tuottaa arvoa. Sen jälkeen katsotaan, miten työ virtaa prosessin läpi ja missä syntyy hukkaa, viivettä, virheitä tai vaihtelua. Tämä pätee suoraan myös tekoälyyn. Tekoälyhankkeessa houkutus on usein aloittaa työkalusta ja etsiä sille käyttökohteita jälkikäteen. Kestävämpi etenemistapa on toinen: ensin pitää määrittää, mitä todella halutaan parantaa. Mitkä ovat strategiset tavoitteet ja asiakastarpeet? Mikä on nykytila? Mikä estää tavoitteen saavuttamista? Vasta tämän jälkeen kannattaa kysyä, onko tekoäly oikea ratkaisu juuri siihen kohtaan. Jos automatisoidaan prosessi, joka tuottaa virheitä, epäselviä vastuita ja turhia korjauskierroksia, vaarana on, että tekoäly ei poista hukkaa vaan tehostaa sitä.

Lean-ajattelussa prosessia tarkastellaan asiakkaan arvon näkökulmasta ja tarvittaessa suunnitellaan uudelleen. Usein paras kehitystoimi ei ole uuden teknologian lisääminen, vaan turhan työvaiheen poistaminen, vastuun selkeyttäminen, jonon purkaminen, päätöksentekokierrosten vähentäminen tai prosessin vakiointi. Pullonkaula ratkaisee kokonaisuuden suorituskyvyn. Nopeuttaminen kohdassa, joka ei ole pullonkaula, ei välttämättä nopeuta kokonaisuutta. Se voi kasvattaa keskeneräistä työtä seuraavan pullonkaulan eteen. HBR:n artikkelissa kuvataan autonvalmistaja, joka nopeutti ohjelmistokehitystä generatiivisella tekoälyllä, mutta koko ajoneuvotuotannon suorituskyky ei parantunut, koska pullonkaula siirtyi laitevalmistukseen.

Tarjousten käsittelyssä tekoäly voi kirjoittaa ensimmäisen luonnoksen kymmenessä sekunnissa. Jos prosessissa on silti neljä hyväksyntäkierrosta, epäselvät päätösvaltuudet ja puutteellinen asiakastarpeen määrittely, kokonaisläpimenoaika ei välttämättä lyhene. Oikea kysymys ei ole vain, voiko tekoäly kirjoittaa tarjouksen nopeammin, vaan mikä prosessissa estää asiakasarvon syntymistä sujuvasti ja kerralla oikein.

Juuri tähän Lean Six Sigman DMAIC-malli tuo systemaattisuuden. Malli pakottaa kysymään ensin: mitä ongelmaa ratkaistaan, kenelle arvoa tuotetaan ja mikä nykyisessä prosessissa estää tavoitteen saavuttamista? Se estää hyppäämästä suoraan ratkaisuun ja pakottaa etenemään järjestyksessä: ensin ymmärretään asiakas, ongelma ja nykyinen suorituskyky, sitten vasta valitaan ratkaisut.

Tekoäly tuo prosessiin uuden vaihtelun lähteen

Kaikissa prosesseissa on luontaisesti vaihtelua. Oleellista on ymmärtää vaihtelun luonne, erottaa yleiset ja erityiset syyt, vähentää asiakkaalle haitallista vaihtelua ja johtaa prosessin suorituskykyä datan avulla.

Generatiivinen tekoäly tuo prosessiin uudenlaisen epävarmuuden ja vaihtelun lähteen. Kielimalli voi antaa hieman eri vastauksen eri kerroilla, ja toisinaan vastaus voi olla puutteellinen, virheellinen tai harhaanjohtava. Kyse ei ole vain käyttäjän osaamattomuudesta tai yksittäisestä teknisestä viasta, vaan generatiiviseen tekoälyyn liittyvästä tunnetusta riskistä, joka pitää tunnistaa.

Lean Six Sigman arvo on siinä, että tekoälyn käyttö suunnitellaan osaksi hallittua prosessia: missä tekoälyä käytetään, kuka tarkistaa tuloksen ja miten virheellinen tai epävarma tulos pysäytetään ajoissa. Tästä seuraa kaksi käytännön johtopäätöstä. Ensinnäkin tekoälyä ei kannata asettaa itsenäiseksi päätöksentekijäksi kohtiin, joissa lopputuloksen pitää syntyä hyväksytyllä, jäljitettävällä ja toistettavalla logiikalla. Tekoäly voi tukea analyysiä, valmistelua ja poikkeamien tunnistamista, mutta prosessin ohjaus, hyväksyntä ja vastuu on määriteltävä selkeästi. Ihmisen rooli tarkistajana ja vastuun kantajana pitää määritellä selkeästi.

Pilotti onnistuu, käyttöönotto kaatuu

Tekoälypilotti näyttää usein hyvältä. Pilotissa on pieni innostunut porukka, rajattu käyttötapaus ja näkyviä tuloksia nopeasti. Vaikeus alkaa siinä vaiheessa, kun pilotti pitäisi viedä osaksi normaalia prosessia ja saada uusi toimintatapa pysymään arjessa.

Tämä on sama kohta, jossa moni Lean-parannus kuolee. Kaizen-työpajassa tai kehitysprojektissa löydetään hyvä ratkaisu, mutta kolmen kuukauden päästä työ on valunut takaisin vanhaan uomaan. Syy on usein sama: uutta toimintatapaa ei ole vakioitu, sitä ei ole kytketty päivittäisjohtamiseen, vastuita ei ole siirretty prosessin omistajalle, muutoksen pysyvyyttä ole varmistettu eikä poikkeamanhallinnan menettelyitä ole kuvattu. Tästä samasta ilmiöstä Mika Koivisto kirjoittaa OPEX-näkökulmasta: tekemisen erinomaisuus ei synny pelkästään kouluttamalla, vaan kehittämisen pitää kytkeytyä johtamiseen, mittareihin, arjen toimintaan ja oikeiden ongelmien ratkaisemiseen.

Ilman vakioitua toimintatapaa jokainen kehittelee oman tapansa käyttää tekoälyä. Yksi löytää toimivan kehotteen, toinen tekee virheitä, kolmas ei uskalla käyttää työkalua lainkaan ja neljäs käyttää sitä ohjeistuksen ulkopuolella. Silloin oppi ei kerry organisaatioon, laatu vaihtelee henkilöittäin ja riskit kasvavat.

Mittaaminen paljastaa, mihin suuntaan ollaan menossa. Yleinen mittari on, moniko on saanut lisenssin tai käynyt koulutuksen. Se kertoo aktiivisuudesta, mutta ei kerro vielä mitään suorituskyvyn paranemisesta. Jos tekoäly otettiin käyttöön tarjousten käsittelyn nopeuttamiseksi, oikeita mittareita ovat esimerkiksi läpimenoaika, kerralla oikein -osuus, korjauskierrosten määrä, asiakaspalautteen laatu ja sisäisen työn määrä.

Mittarit eivät kuitenkaan auta, jos niiden taustalla oleva data ei ole kunnossa. Siksi myös masterdata, asiakastiedot, tuoterakenteet, hinnastot, vastuut ja prosessiin liittyvät perustiedot pitää omistaa, ylläpitää ja vakioida. Muuten tekoälyn hyödyntäminen voi vain vaikuttaa tehokkaalta, mutta sen tuottamat analyysit, ehdotukset tai automaatiot perustuvat epäselviin tai virheellisiin tietoihin.

Mittaako mittari sitä mitä luulet?

Mittari on vain niin hyvä kuin sen takana oleva mittaus. Kannattaa erottaa kolme asiaa. Onko perustieto kunnossa: oikea hinnasto, ajantasainen tuoterakenne ja sama asiakastieto kaikilla? Mittaako mittari ylipäätään sitä ilmiötä, jota sen ajatellaan mittaavan? Ja tuottaisiko sama mittaus saman tuloksen myös toisen ihmisen tekemänä?

Liian usein mitataan sitä, mikä on helppoa. Lisenssien määrä on helppo laskea. Asiakasarvon paraneminen ei. Mutta jos kaksi arvioijaa luokittelee saman tarjouksen "kerralla oikein" eri tavoin, mittari kertoo enemmän arvioijasta kuin prosessista. Silloin jokainen myöhempi johtopäätös perii saman virheen.

Tämä koskee myös tekoälyä, mutta hieman toisin kuin usein luullaan. Tekoäly osaa tuottaa uskottavan vastauksen myös silloin, kun mittaus ei kata kysyttyä asiaa. Ongelma on, ettei se tee näkyväksi, milloin vastaus nojaa sinun mittaamaasi todellisuuteen ja milloin mallin tuottamaan yleistykseen. Molemmat voivat vaikuttaa varmoilta.

Mitä karkeampaa mittaus on, sitä suurempi osa vastauksesta voi olla tällaista täydennystä. Mallin tuottama oletus on helppo erehtyä tulkitsemaan omasta prosessista kertyneeksi tiedoksi.

Käyttöönotto tarvitsee omistajan

Moni organisaatio vastaa tekoälyyn kouluttamalla koko henkilöstön kirjoittamaan parempia kehotteita. Se voi olla hyödyllistä, mutta se ei yksin riitä. Se on vähän sama kuin kouluttaisi kaikki Green Belteiksi ilman, että kehittämistoiminnan johtaminen, roolit, projektien valinta, mittarit ja johdon tuki on määritelty.

Osaamista pitää rakentaa sinne, missä prosessi sitä tarvitsee. Osa ihmisistä tarvitsee syvää tekoäly- ja prosessikehitysosaamista. Suurin osa tarvitsee selkeän, vakioidun ja turvallisen tavan käyttää tekoälyä omassa työssään.

Yhtä lailla ongelmia syntyy, jos yritys rakentaa tekoälylle oman irrallisen strategian ja oman ohjausryhmän, joka ei liity muuhun kehittämisen johtamiseen. Tekoälyhankkeet kannattaa kytkeä samoihin strategisiin tavoitteisiin, avainmittareihin, johtamisjärjestelmään ja kehittämisen rakenteisiin kuin muutkin kehityskohteet.

Usein puuttuu omistaja. Kehittäminen nähdään hyvänä asiana, mutta kukaan johdossa ei vastaa siitä, että käyttöönotto etenee, esteet poistuvat, toimintatavat vakioidaan ja hyödyt realisoituvat. Silloin johto on ehkä hyväksynyt hankkeen, mutta ei johda sitä.

Käyttöönoton omistajuus ei koske vain työkalua. Omistajuus tarvitaan myös prosessille, toimintatavalle sekä sille masterdatalle ja muulle perustiedolle, jonka varassa tekoäly toimii. Jos perustieto on puutteellista, tekoäly ei korjaa sitä, vaan monistaa virheet nopeammin.

Agenttinen tekoäly nostaa panoksia

Tekoäly siirtyy parhaillaan avustamisesta tekemiseen. Agenttiset ratkaisut alkavat jo hoitaa työvaiheita, käynnistää tehtäviä, yhdistää tietoa ja viedä prosessia eteenpäin aiempaa itsenäisemmin. Tämä ei vähennä prosessi- ja johtamistyön merkitystä. Se lisää sitä.

Epäselvää, epävakaata tai huonosti ohjattua prosessia ei kannata antaa agentin hoidettavaksi. Jos prosessin tavoite, asiakasvaatimus, päätöslogiikka, vastuut, tarkistuspisteet ja poikkeamien käsittely eivät ole selvät, tekoäly voi vahvistaa myös huonosti toimivia toimintatapoja.

Sama mekanismi toimii myös toiseen suuntaan. Kun prosessi, vastuut, data ja johtaminen ovat kunnossa, tekoäly voi toimia tukena sille työlle, jota Lean ja Six Sigma ovat aina tehneet: asiakasarvon kasvattamiselle, hukan vähentämiselle, vaihtelun hallinnalle, läpimenoaikojen lyhentämiselle, laadun parantamiselle ja ihmisten osallistamiselle. Kerroin toimii kuitenkin oikein vasta, kun perusta on kunnossa.

Ennen seuraavaa tekoälyhanketta: tarkista kivijalka

Ennen seuraavaa tekoälyhankintaa tai pilotin laajentamista kannattaa pysähtyä peruskysymysten äärelle:

• onko prosessi ymmärretty asiakkaan arvon näkökulmasta?
• tiedetäänkö, missä syntyy hukkaa, vaihtelua, virheitä, viivettä tai turhia korjauskierroksia?
• onko keskeinen masterdata luotettavaa ja omistettua, ja tiedetäänkö jokaisesta mittarista, kuka tuottaa luvun ja mistä data tulee?
• onko käyttöönotolla omistaja, mittarit ja johtamisen rakenne?
• ovatko poikkeamanhallinnan menettelyt ohjeistettu ja koulutettu?

Tekoälyn käyttöönotto ei useinkaan tarkoita vain uuden työkalun lisäämistä nykyisen työn päälle. Se pakottaa katsomaan myös itse työtä uudelleen: mitä vaiheita kannattaa poistaa, mitä vastuita pitää selkeyttää, mitä päätöksentekokierroksia voidaan purkaa ja missä toimintatapa pitää vakioida ennen kuin sitä kannattaa automatisoida tai tukea tekoälyllä. Tässä mielessä tekoälyn käyttöönotto on myös työn ja prosessin uudelleenmuotoilua.

Tässä Lean Six Sigma -ajattelu auttaa etenemään oikeassa järjestyksessä: ensin ymmärretään asiakas, tavoite, nykytila, data ja prosessin suorituskyky, vasta sen jälkeen valitaan ratkaisut. Juuri näiden edellytysten vahvistamisessa NPI auttaa asiakkaitaan: tunnistamaan oikeat kehityskohteet, viemään kehitystyötä systemaattisesti kohti selkeämpää tavoitetilaa, rakentamaan toimivia mittareita, kirkastamaan vastuita, vähentämään vaihtelua ja varmistamaan, että uusi toimintatapa juurtuu arkeen.

Kun perusta on kunnossa, myös tekoälylle löytyy hyödyllisempi paikka osana parempaa, hallitumpaa ja asiakasarvoa tuottavaa toimintaa.