Kirjoittaja /

Useimmat tekoälyongelmat eivät ole teknisiä vaan johtamisongelmia, 4/5

Blogisarjan ”AI ilman uudelleensuunnittelua on ESG-velka” osa 4/5

Tekoälyn governance on suorassa yhteydessä onnistumiseen ja tuloksiin. Kun tekoälyhanke epäonnistuu, syytä etsitään usein mallista, datasta, toimittajasta tai omasta osaamisesta. Useimmiten juurisyy on kuitenkin muualla: kukaan ei päättänyt, miksi hanke tehtiin, kuka sen omisti ja mitä onnistuminen konkreettisesti tarkoitti. Esseesarjani neljäs osa väittää, että governance on se tekijä, joka ratkaisee, muuttuuko tekoäly arvoksi vai hälyksi – ja kokoaa yhteen, miksi koko käyttöönotto on lopulta ESG-kysymys.

Tämä on tekoälyä vastuullisuusnäkökulmasta tarkastelevan esseesarjani neljäs osa. Olen käsitellyt energia- ja resurssivelkaa (E) sekä inhimillistä ylikuormitusvelkaa (S). Nyt vuorossa on velkalajeista kallein, koska se synnyttää kahta muuta: päätöksenteon laatuvelka – governance debt.

Tilanne kentällä: kokeillaan paljon, hallitaan vähän

Sekä omat kokemukseni että tutkimusten kuva on johdonmukainen. Esimerkiksi McKinseyn globaalissa kyselyssä 88 prosenttia organisaatioista käyttää tekoälyä vähintään yhdessä toiminnossa, mutta lähes kaksi kolmasosaa ei ole edennyt skaalaamiseen – valtaosa elää pysyvässä pilottitilassa. Samassa aineistossa vain 28 prosenttia kertoi toimitusjohtajan kantavan suoraa vastuuta tekoälyn hallinnasta ja vain 17 prosenttia raportoi hallituksen tekevän niin. McKinseyn tuore AI Trust Maturity -kysely täydentää kuvaa. Sen mukaan organisaatioiden vastuullisen tekoälyn kypsyys paranee, mutta vain noin kolmannes yltää edistyneelle tasolle strategiassa ja hallintotavassa. Ja seuraukset näkyvät siinä, että yli puolet organisaatioista raportoi vähintään yhden kielteisen tekoälyyn liittyvän tapahtuman – virheellisiä tuotoksia, compliance-rikkeitä, mainehaittoja – kuluneen vuoden aikana.

Gartnerin arvio siitä, että jopa puolet generatiivisen tekoälyn hankkeista hylätään proof of conceptin jälkeen, nimeää syiksi heikon datan laadun, riittämättömät riskikontrollit, karkaavat kustannukset ja epäselvän liiketoiminta-arvon. Yksikään näistä syistä ei ole mallin älykkyysongelma tai puute työkalujen ominaisuuksissa. Jokainen on päätöksenteko-ongelma.

Mitä governance-velka on käytännössä

Governance kuulostaa juridiselta, mutta sen ydin on arkinen. Kyse on pohjimmiltaan kyvyssä tehdä hyviä päätöksiä siitä, missä tekoäly tuo aitoa arvoa ja missä ei. Huono governance ei näy ensisijaisesti puuttuvina politiikkadokumentteina vaan vastaamattomina kysymyksinä:

  • Miksi otamme tekoälyä käyttöön – mihin liiketoiminnan ongelmaan?
  • Mihin käyttötapauksiin panostamme ensin – ja mitä jätämme tietoisesti tekemättä?
  • Kuka omistaa päätökset, budjetin ja seuraukset?
  • Mitä riskejä seuraamme ja kuka niihin reagoi?
  • Mitä onnistuminen tarkoittaa – millä mittareilla ja missä ajassa?
  • Millä kriteereillä kokeilu skaalataan – tai lopetetaan?
  • Milloin tekoälyä ei käytetä, vaikka se olisi mahdollista?

Kun nämä kysymykset ovat auki, jokainen uusi kokeilu lisää organisaation kompleksisuutta. Syntyy päällekkäisiä hankkeita, varjokäyttöä, mittaritonta toimintaa ja riskialtistusta, jota kukaan ei näe kokonaisuutena. Tämä on velkaa sanan täydessä merkityksessä: se ei näy heti, mutta sille kertyy korkoa – ja eräpäivä tulee usein huonoimmalla mahdollisella hetkellä, esimerkiksi asiakasdataa koskevan virheen, sääntelytarkastuksen tai julkisuuskriisin muodossa.

Tässä myös sarjan kolme säiettä solmiutuvat yhteen. Ilman priorisointia ja luopumiskriteerejä syntyy turhia pilotteja – eli energia- ja resurssivelkaa. Ilman selkeitä odotuksia ja työn muotoilun omistajuutta paine valuu yksilöille – eli ylikuormitusvelkaa. Governance-velka ei ole kolmas erä kahden muun rinnalla; se on velkojen äiti.

Kriittinen insight: governance ei saa jarruttaa, sen kuuluu ohjata

Sana governance herättää monessa johtajassa mielikuvan työryhmistä, muutoskomiteoista, lomakkeista ja hidastuvista hankkeista. Sisäisistä auditoinneista, tarkastuksista, katselmoinneista. Se on väärä mielikuva. Tai oikeastaan se taitaa olla kuva huonosta governancesta. Hyvä governance ei ole rajaamista vaan valintakykyä. Se ei kysy ”saako tätä tehdä” tai ”onko tämä dokumentoitu” vaan ”kannattaako tätä tehdä – ja mistä luovumme, jotta tämä voidaan tehdä kunnolla”.

Tähän liittyy olennainen riski, johon olen itsekin sortunut. Governance voi myös epäonnistua liiallisuuteen. Liian raskas hallintomalli – jossa jokainen kokeilu vaatii kolme hyväksyntäkierrosta – tappaa oppimisen ja ajaa tekemisen varjoon, mikä on hallinnan kannalta pahin lopputulos. Liian raskas tietoturva- tai tietosuojalinjaus saa käytön hiipumaan. Liian kevyt hallinta taas tuottaa hajanaisuutta ja vastuuttomuutta. Tavoite ei ole maksimaalinen kontrolli vaan oikeasuhtainen: kevyt kokeiluille, tiukka skaalaukselle, ehdoton silloin, kun käsitellään ihmisiä koskevia päätöksiä tai arkaluonteista dataa. Sama riskiperusteinen logiikka on EU:n tekoälyasetuksen ytimessä, ja samaa rakennetta tukevat ISO/IEC 42001 -johtamisjärjestelmästandardi ja NISTin AI-riskienhallintakehys, mutta yksikään kehys ei korvaa johtoryhmän omia valintoja, vaan ainoastaan jäsentävät niitä.

Mitä johdon pitäisi päättää ennen laajaa skaalausta

Jos tästä sarjasta jää käteen yksi työkalu, toivon sen olevan tämä lista. Toisen osan kysymykset auttoivat ratkaisemaan, kannattaako yksittäinen kokeilu aloittaa; nämä ratkaisevat, kestääkö se skaalauksen. Ennen kuin tekoälyä skaalataan laajasti, johdon pitäisi olla päättänyt:

  1. Omistajuus: kuka johtoryhmässä omistaa tekoälykokonaisuuden – arvon, riskit ja resurssit, ei vain teknologiaa. Minun hyväksi havaitsemani omistajuus on toimitusjohtajan omistajuus.
  2. Portfolio: mitkä 3–5 käyttötapausta priorisoidaan, millä arvoperusteilla – ja mitä ei tehdä.
  3. Mittarit: miten arvo todennetaan (aika, laatu, raha, kokemus) ja milloin tuloksia arvioidaan.
  4. Skaalaus- ja lopetuskriteerit: millä ehdoilla pilotti etenee tuotantoon ja millä se lopetetaan hallitusti.
  5. Riskirajat: missä tekoälyä ei käytetä, kuka valvoo ja miten poikkeamiin reagoidaan.
  6. Työn muotoilu: kuka vastaa siitä, että prosessit ja roolit suunnitellaan uudelleen, eikä teknologiaa vain lisätä entisen päälle.
  7. Osaaminen: paljonko oppimiseen budjetoidaan aikaa ja rahaa, ja miten tuki järjestetään.

Huomionarvoista on, että tämä lista on samalla ESG-lista. Kohdat 2 ja 4 purkavat energia- ja resurssivelkaa, kohdat 6 ja 7 ylikuormitusvelkaa, ja kokonaisuus on hallintotapaa sanan varsinaisessa merkityksessä.

Sarjan diagnoosiosan päätös: vastuullisuus mitataan toteutuksessa

Tämä esseesarja alkoi väitteestä, että generatiivisen tekoälyn käyttöönotto on ESG-kysymys, ja punaisesta langasta: AI without redesign = ESG debt. Neljän tekstin diagnoosin jälkeen voisin tiivistää väitteen näin: tekoäly ei ole automaattisesti ESG-teko eikä ESG-riski – sen toteutustapa ratkaisee kumpaa se on. Hyvin johdettu käyttöönotto säästää resursseja, keventää työtä ja parantaa päätöksiä. Huonosti johdettu kuluttaa, kuormittaa ja hämärtää. Teknologia on molemmissa sama, johtaminen ja päätökset eivät.

Sarjan viimeinen osa kääntää katseen ratkaisuun. Yritän koota siinä kaiken kahteen johdon päätökseen ja yhteen listaan, joilla ESG-velka käännetään ESG-osingoksi.

Puhun näistä teemoista keynote-puheenvuoroissa, johtoryhmävalmennuksissa ja paneelikeskusteluissa. Jos haluat haastaa organisaatiosi ajattelua tekoälyn vastuullisesta käyttöönotosta, ota yhteyttä → lenni@lennilaukkanen.fi

Seuraava osa: Näin tekoälyn käyttöönotto onnistuu – myös ESG-näkökulmasta

Edellinen osa: Kun tekoäly ei vapauta aikaa vaan täyttää kalenterin

Lähteet

2 ajatusta aiheesta “Tekoälyn governance – miksi AI-hankkeet kaatuvat johtamiseen, eivät teknologiaan, 4/5”

  1. Paluuviite: Tekoäly ja työkuorma - Lenni Laukkanen

  2. Paluuviite: Vastuullinen tekoälyn käyttöönotto – tiekartta, 5/5

Kommentoi

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *

Scroll to Top