Kun tekoäly tekee asioista liian helppoja: johtamisen haasteet, joista puhutaan liian vähän
Suuret kielimallit ja erilaiset generatiiviseen tekoälyyn pohjautuvat agenttiratkaisut laskevat nopeasti koodin, sisällön ja analyysin tuottamisen kustannuksia. Monissa organisaatioissa on herätty tähän todellisuuteen ja seuraavan kultaryntäyksen merkit ovat olleet ilmassa jo hetken aikaa: Päätöksentekijöiden silmissä kiiluu nopeampi toteutus, parempi tuottavuus ja matalammat kokeilun esteet. Fail fast, fail often. Mitä enemmän, sitä enemmän. Johdon edustajat valtaa valtava FOMO (Fear Of Missing Out); mitä jos en nyt hyppää tähän kelkkaan ja kaikki muut onnistuvat moninkertaistamaan tuottavuutensa puolessa vuodessa?
Tämä reaktio on ymmärrettävä, jopa inhimillinen. Tämä on tullut myös useasti vastaan aikaisempien tuottavuusloikkalupausten kohdalla. Ehkä tällä kertaa asiat ovat toisin? Ehkä tuottavuuslupaukset sittenkin pidetään? Eihän kaikki vuodelle 2026 ennustetut 2.5 biljoonaa dollaria voi olla väärässä? Tuotannon ja / tai kokeilujen muuttuessa näennäisen kitkattomiksi, organisaatioiden todelliset pullonkaulat eivät katoa mihinkään – ne todennäköisesti moninkertaistuvat. Strategisen kurinalaisuuden löyhentyessä hypejunan tahtiin ja FOMO:n löystyttäessä lompakonnyörit tekoäly todennäköisesti kiihdyttää juuri niitä ongelmia, jotka jo ennestään vaikeuttavat organisaatioiden pitkäkestoista menestystä ja johtavat quick fixien ja nopeiden voittojen ruusunpunaisten lasien taakse. Seurauksena on priorisoinnin puuttuminen, pinnallinen ajattelu, tekninen velka ja organisatorinen mukavuudenhalu.
Organisaatioiden näkökulmasta keskeinen kysymys ei ole:
”Kuinka nopeasti voimme ottaa tekoälyn käyttöön?”
Vaan:
Mikä on haaste, joka meidän tulisi ratkaista, jotta nostamme todennäköisyyksiämme menestyä myös tulevaisuudessa? Soveltuisiko tekoälyratkaisut yhtenä vaihtoehtona mahdollisesti tähän?
Jos ajattelu ei lähde organisatorisista tarpeista ja strategisesta ajattelusta vaan työkalu edellä -ajattelusta (jos sinulla on vain vasara, kaikki näyttää naulalta) niin päätöksentekijöiden on syytä varautua vastaamaan ennemmin tai (ja todennäköisemmin) myöhemmin seuraavaan kysymykseen:
Mitä uusia organisatorisia haasteita syntyy, kun lähdemme pilotoimaan ja kokeilemaan tekoälyratkaisuja kaikkiin mahdollisiin sovellutuskohteisiin organisaatiossamme?
Alla on kuusi johtamiseen liittyvää haastetta, jotka todennäköisesti korostuvat lähivuosina, jos tekoälyn käyttöönottoa ohjaa ennen kaikkea nopeus eikä strategia.
1. Strategisen kurinalaisuuden heikkeneminen
Rajoitteet pakottavat tiimit harkitsemaan kokeiluja tarkemmin. Uuden ominaisuuden, järjestelmän, kokeilun tai tuotteen suunnittelu ja rakentaminen vaatii merkittävää työtä. Tämä työn vaade toimi luonnollisena suodattimena:
- Tiimit keskustelevat vaihtoehdoista ja kompromisseista sekä haastavat ideoita
- Johdon täytyy priorisoida rajalliset resurssit huolellisesti – kaikki kokeilut eivät ole samanarvoisia
- Heikommat ideat täytyy hylätä aikaisin
Kokeilun ja kehittämisen kustannus luo strategista kitkaa, joka parantaa päätösten laatua. Organisatoristen not to do -listojen teko tuo toteutukseen terää, jota ei löydy pelkästään to do-listoille asioita lisäämällä.
Tekoäly vähentää tätä kitkaa merkittävästi.
Jos uuden ominaisuuden, kokeilun tai tuotteen ensimmäisen version voi generoida sekunneissa, on täysin luonnollista, että tiimin seuraavat kysymykset ovat kenties seuraavanlaisia:
- Miksi emme kokeilisi viittä versiota?
- Miksi emme julkaise nopeasti ja korjaa myöhemmin?
- Miksi emme kokeile kaikkea mahdollista?
Ensi silmäyksellä tämä näyttää innovoinnilta.
Todellisuudessa se johtaa usein strategiseen hajautumiseen – organisaatiot tuottavat enemmän ideoita, mutta ideoiden taustalla ei varsinaisesti ole kriittistä strategista ajattelua, tai no jos nyt rehellisiä ollaan niin yhtään mitään ajattelua. Organisaatioista tulee transformer teknologian tuottamien kielellisten tilastollisten ennustuksien ohjaamia. Tämä on vaarallinen paikka olla – organisaatiosi on ennustettavasti puuta heinää tuottavan teknologian, jonka sisäistä logiikkaa yksikään ihminen maan päällä ei ymmärrä, vietävissä.
Johtamisen yksi keskeisistä tulevaisuuden haasteista muotoutuukin seuraavanlaiseksi: Miten suojelen päätösten laatua ympäristössä, jossa kokeilun ja totetutuksen näennäinen kustannus lähestyy nollaa ja tekoäly kärjistää joryn yhdeksi isoksi Dunning-Kruger kasaksi. Tästä jäljempänä lisää.
2. Kompleksisuuden räjähdys
Kitkan väheneminen harvoin vähentää kompleksisuutta. Historia viittaa pikemminkin päinvastaiseen. Kun jonkin tuottaminen helpottuu, sitä tuotetaan enemmän. Taloustieteessä tätä kutsutaan Jevonsin paradoksiksi: tehokkuuden parantuminen lisää usein kokonaiskulutusta sen sijaan, että vähentäisi sitä.
Tekoälyn tapauksessa tämä tarkoittaa:
- Yhä useammat tiimit rakentavat sisäisiä työkaluja ja omia räätälöityjä agenttihäröpalloja
- Useammat osastot automatisoivat prosesseja omista lähtökohdistaan
- Enemmän kokeiluja päätyy tuotantoon
- Järjestelmien väliset riippuvuudet lisääntyvät
Lopputulos ei ole organiaation rakenteiden ja käytänteiden yksinkertaistuminen tai virtaviivaistuminen. Päin vastoin, tämä lisää ohjelmistojen, prosessien ja näiden keskinäisten riippuvuuksien pinta-alan kasvua.
Johtoryhmille tämä merkitsee:
- Kasvavaa järjestelmäkompleksisuutta
- Suurempaa ylläpitokuormaa
- Koordinointihaasteiden lisääntymistä organisaation sisällä
Toisin sanoen vasara-naula-henkiset tekoälybakkanaalit lisäävät todennäköisesti organisaation sisäisen koordinoinnin ja järjestelmäarkkitehtuurin johtamisen haasteita, eivät vähennä niitä.
3. Tuottavuuden illuusio
Tekoälytyökaluja kuvataan usein “10x-tuottavuuden” mahdollistajina.
Käytännössä useimmat työntekijät eivät kuitenkaan pyri olemaan kymmenen kertaa tuottavampia. Tämä on todennäköisesti heidän etujensa vastaista – jos työntekijä pystyy tekemään asian 10 kertaa nopeammin, hänelle tulee todennäköisesti saman verran lisää työtä. Työntekijät pyrkivät tekemään työnsä mahdollisimman helposti ja lähtemään vapaa-ajan viettoon.
Monille työntekijöille, asiantuntijoille ja tiimeille tekoäly toimii enemmänkin energian säästäjänä kuin kunnianhimon moninkertaistajana.
Tehtävät kyllä valmistuvat nopeammin, mutta syvempi kognitiivinen työ – ajattelu, mallintaminen ja ongelman jäsentäminen – todennäköisesti vähentyy. Tämä haaste moninkertaistuu työuran alkuvaiheessa olevien työntekijöiden tapauksessa, kun tekijä ei vielä välttämättä tiedä, mitä ei tiedä eikä myöskään opi tätä tulevaisuudessa. Pässiä narussa.
Tämä luo vaarallisen tilanteen:
- Aktiviteetti lisääntyy
- Tuotoksien määrä lisääntyy
- Mutta organisatorinen oppiminen vähenee
Johtajien tärkeä ymmärtää, että tuotoksien määrällinen lisääntyminen ei ole sama asia kuin kyvykkyys tai sen kehittyminen.
4. Osaamisen kehittymisen haasteet
Yksi tekoälyavusteisen työn aliarvioiduista riskeistä on ajattelun harjoittelun väheneminen. Metakognitio, eli ajattelun ajattelu, loistaa poissaolollaan ja pahimmillaan korvataan kokonaan kielimallilla.
Kun esimerkiksi ohjelmistokehittäjät kirjoittavat koodia itse, he simuloivat järjestelmiä mielessään:
- Miten data liikkuu?
- Mitä oletuksia järjestelmä tekee?
- Mikä on järjestelmän sisäinen logiikka?
- Mitkä reunatapaukset voivat rikkoa järjestelmän?
Tämä ei ole pelkkää toteutusta – se on osaamisen rakentamista ja on käytännössä ‘kauniin’ koodin tuottamisen keskeisin osa-alue. Tämän ajattelun pohjalta syntyvä koodi onkin usein kokeneen koodaajan työn helpompi ja palkitsevampi osuus, kun syvällinen ajatustyö vihdoin alkaa näkymään paperilla. Tämän jälkeen vastuullinen kehittäjä aloittaa itse koodin tuottamista raskaamman työn: koodin tarkistamisen. Sama pätee esimerkiksi lääkärien työhön – potilaan tapaamisen jälkeen tehtävä lyhyt diagnoositeksti pakottaa lääkärin ajattelemaan kohtaamisen uudelleen ja jäsentämään sen tiiviiseen muotoon. Samassa nousee todennäköisyydet diagnoosin tarkentumiselle ja mahdollisuudet “ahaa”-elämyksille kasvavat. Lisäksi oman ajattelun mahdollinen epäselvyys paljastuu.
Kun tekoäly generoi suuren osan työstä, tämä ajatteluprosessi jää kokonaan välistä. Näin ajan myötä organisaatioissa syntyy tiimejä, jotka julkaisevat ominaisuuksia ja / tai uusia toimivia aplikaatioita nopeasti, mutta eivät ymmärrä näitä järjestelmiä syvällisesti. Pahimmassa tapauksessa kukaan ei koskaan ole katsonut koodia. Silmät kiinni ja sormet ristiin ettei koodi sisällä ainakaan kovin selkeitä tietoturva-aukkoja. Näin eettisten ja moraalisten kysymysten lisäksi ohjelmistojen ja järjestelmien mahdollinen yhdistäminen tulee käytännössä erittäin haastavaksi ja vaatii koko koodipohjan läpikäymisen, logiikan opettelun ja tarvittaessa vielä uudelleenjärjestelyn. Koodin läpikäynti täikammalla vie lopulta enemmän aikaa, kuin koko koodin tuottaminen olisi vienyt ihmisten toimesta.
Monissa organisaatioissa pieni joukko asiantuntijoita kantaa jo nyt suurimman osan arkkitehtuurisesta ja teknisestä vastuusta. Tekoälyn tuottama työ voi lisätä tätä epätasapainoa, jolloin harvat asiantuntijat joutuvat ylläpitämään suurta määrää heikosti ymmärrettyä koodia ja järjestelmiä. Näin tekoälyratkaisut, jotka näyttävät nyt tuottavan nopeasti ratkaisuja ja toimivia ohjelmistoja, tuottavatkin pitkässä juoksussa kognitiivista velkaa organisaatiolle.
Organisaatioiden johdolle tuleekin eteen haastava kysymys:
Miten varmistamme oppimisen ja osaamisen kehittymisen, kun työkalut automatisoivat itse oppimisprosessia?
5. Todelliset pullonkaulat eivät katoa
Tekoälykeskustelu keskittyy hyvinkin pitkälti kehityksen (varsinkin ohjelmisto-sellaisen) ja tuottavuuden pullonkaulojen poistamiseen. Tämä siitä huolimatta, että useimmissa organisaatioissa kehitysvauhti tai tuottavuus itsessään ei koskaan ole todellinen pullonkaula.
Todelliset rajoitteet ovat tyypillisesti muualla:
- Markkinakysynnän vaihtelussa
- Asiakkaiden huomio hajaantumisessa
- Strategian puuttumisessa
- Markkinoinnin tuotelähtöisyydessä, asiakaslähtöisyyden sijasta
- Jakelukanavissa
- Organisaation päätöksenteossa
Tästä esimerkkinä sovelluskaupat, jotka ovat jo nyt täynnä miljoonia sovelluksia, joita kukaan ei käytä.
Useimmat niistä eivät epäonnistu siksi, ettei koodia olisi ollut tarpeeksi, vaan siksi, että tuote on kehitetty vajaan asiakasymmärryksen pohjalta, tuotteella ei ole näkyvyyttä ja siihen ei luoteta.
Tekoäly voi tuottaa ohjelmistoja nopeammin, mutta se ei ratkaise automaattisesti strategista asemointia, asiakasymmärryksen haasteita tai johtoryhmien linjauksia.
Tällä lähestymistavalla tekoäly tuottaa todennäköisesti vain enemmän käyttämättömiä tuotteita ja ominaisuuksia joita kukaan ei pyytänyt eikä tarvitse nyt eikä tulevaisuudessa.
6. “Jory-Dunning–Kruger” – yli-itsevarmuuden uusi muoto
Yksi suurimmista generatiivisen tekoälyn luomista riskeistä ei ole teknologinen vaan psykologinen.
Kun tekoäly pystyy tuottamaan vakuuttavan näköisiä tuloksia ja tekstejä vähäisellä käyttäjän osaamisella, syntyy otollinen ympäristö Dunning–Kruger-ilmiölle eli tilanteelle, jossa vähäinen osaaminen (et tiedä kuinka vähän tiedät aiheesta) johtaa yli-itsevarmuuteen.
Johtoryhmissä tämä ilmiö todennäköisesti vain voimistuu ja on tullut allekirjoittaneellekin jo konkreettisesti vastaan. Johtajat ja hallitusten jäsenet, jotka ovat usein kaukana teknisestä toteutuksesta, päätyvät käyttämään tekoälyä seuraavien asioiden tuottamiseksi:
- Ohjelmistoprototyyppejä
- Strategia-analyysejä
- Markkina-arvioita
- Markkinointitoimenpiteisiin kantaa ottavia näkemyksiä
- Liiketoimintasuunnitelmia
- Operatiivisia suosituksia
Koska chatbotin tuottamat lopputulokset näyttävät vakuuttavilta ja hyvin muotoilluilta, on helppo olettaa, että myös niiden taustalla oleva ajattelun laatu on yhtä vahva.
Mutta teko”äly” pystyy tuottamaan uskottavaa tekstiä ilman todellista ymmärrystä. Nykyiset kielimallit eivät ajattele, eivät ymmärrä, eivät hallusinoi, eivät kirjaimellisesti tiedä yhtään mitään yhtään mistään. Kaikki tämä on puhtaasti markkinointia, jonka tarkoitus on saada kielimallit vaikuttamaan inhimillisemmiltä; antropomorfisoida niitä.
Teknologiajättien haikailema AGI (Artificial General Intelligence) on alunperin Mark Gubrudin, vuonna 1997 julkaistuun, autonomisia asejärjestelmiä käsittelevään tutkimusartikkeliin kehittämä termi. Nykyään termi on äärimmäisen huonosti määritelty ja näin ei tarkoita oikeastaan yhtään mitään. Esimerkiksi OpenAI:n (ChatGPT:n kehittäjä) sisäisissä dokumenteissa AGI tarkoittaa tuotetta, joka tuottaa 100 miljardia dollaria liikevaihtoa. Ei mitään muuta. Muiden AI mielipidevaikuttajien puheissa termin määritelmä vaihtelee aina turing testin läpäisystä ja inhimillisen työn automatisointikyvystä ihmisen tasoisen älykkyyden kautta vääjämättömään ihmiskunnan tuhoon johtavaan superälykkyyteen asti. Ja kaikkea tältä väliltä, alta ja sivuilta. Höpöhöpöä. Kuumaa ilmaa.
Tämä ulkoinen kulta, käytön helppous ja toimialan vahvahko panostus antropomorfismiin johtaa uudenlaiseen ilmiöön: tilastomallien ja algoritmien vahvistamaan yli-itsevarmuuteen. Johtajat voivat aidosti uskoa ymmärtävänsä monimutkaisia asioita, joita he ovat tarkastelleet vain pinnallisesti tekoälyn tuottamien vastausten kautta. Dunning-Kruger steroideissa.
Riskit ovat merkittäviä ja näkyvät jo nyt johtoryhmätyöskentelyssä mm. seuraavilla tavoilla:
Yksinkertaistettujen ratkaisujen yliarviointi
Monimutkaiset ongelmat – kuten organisaatiomuutokset tai teknologinen transformaatio – voivat näyttää ratkaistavilta ja jopa yksinkertaisilta tekoälyn tuottamien suunnitelmien avulla. Nämä suunnitelmat ovat kuitenkin tyypillisesti hyvin geneerisiä best practice -henkisiä, jotka harvoin soveltuvat sellaisenaan organisaation arkeen. Organisaatioiden tapauksessa ei ole olemassa best practice, ainoastaan best fit.
Asiantuntijuuden arvon näennäinen heikkeneminen
Jos tekoäly tuottaa johdolle näennäisen syvällisiä vastauksia nopeasti, johdon on helpompi sivuuttaa organisaation asiantuntijoiden kanssa vuorovaikutusta, joka vaatii aikaa, energiaa ja joskus jopa tunteidensäätelykykyä. Tämä heikentää organisaation institutionaalista osaamispohjaa sekä asiantuntijoiden johtoa kohtaan osoittamaa luottamusta, sitoutumista ja motivaatiota.
Strategiset päätökset synteettisen analyysin pohjalta
Tekoälyn tuottamat analyysit ja yhteenvedot voivat ryhtyä vaivihkaa ohjaamaan strategisia päätöksiä. Ilman kriittistä tarkastelua tämä tarkoittaa, että päätökset perustuvat syntetisoituun, keskiarvoon taipuvaan tilastolliseen ennustamiseen eikä todelliseen analyysiin, pysähtymiseen ja pohdintaan.
Nopeammat ja itsevarmemmat virheet
Vaarallisin lopputulos on, että löysään ajatteluun pohjautuvia päätöksiä tehdään nopeammin ja suuremmalla varmuudella. Tekoäly ei välttämättä vähennä virheitä – se voi kiihdyttää niitä, jos johtoryhmät yliarvioivat sen luotettavuuden ja oman ymmärryksen tason.
7. “AI-pesu” – johtamisen selitysmalli
Toinen kasvava riski on houkutus selittää organisaation ongelmia tekoälyllä. Joissakin yrityksissä irtisanomisia tai uudelleenjärjestelyjä perustellaan tekoälyn vaikutuksilla, vaikka todelliset syyt voivat löytyä taloudellisesta paineesta, aiemmista ylirekrytoinneista tai heikosta strategian toteutuksesta. Tekoälyn käyttäminen selityksenä voi peittää todelliset organisatoriset ongelmat, kunnes ne tulevat vastaan entistä suurempina. Sen minkä taakseen jättää, sen edestään löytää.
Vastuullinen johtaminen vaatii näiden ongelmien kohtaamista suoraan.
Mitä tekoälyjohtaminen vaatii?
Tulevaisuuden menestyvät organisaatiot eivät ole niitä, jotka ottavat tekoälyn käyttöön nopeimmin tai soveltavat sitä kaikkeen mahdolliseen ja katsovat mitä tapahtuu. Ne ovat niitä, jotka ymmärtävät syvällisesti tekoälyn mahdollisuuksia ja riskejä, tunnistavat aitoja haasteita omassa organisaatiossaan ja vasta tämän jälkeen harkitsevat olisivatko tekoälypohjaiset ratkaisut (yhtenä vaihtoehtona muiden ohella) sopivia haasteen ratkaisemiseen. Tämä edellyttää jämäkkää, kurinalaista ja harkitsevaa johtamisotetta. Käytännössä tämä tarkoittaa, että päätöksenteon tulisi pohjautuva organisaation strategiaan, ei tekoälyhypeen ja FOMO:on. Johdolla tulisi olla jaettua käsitys siitä, missä pelissä organisaatio on ja miksi, mitä vaihtoehtoja pelissä menestymisen edellytysten turvaamiseksi organisaatiolla on ja millä toimenpiteillä valitut vaihtoehdot toteutuvat. Näin johdon pitää ottaa myös kantaa siihen (toivottavasti yhteistyössä organisaation asiantuntijoiden kanssa), mitä lähdemme tekemään ja ennen kaikkea mitä emme missään nimessä lähde tekemään. Tämä pohdinta mahdollistaa sitä, että mahdolliset valinnat tekoälyn suhteen ovat tarkoituksenmukaisia ja perusteltuja. Kaikki ideat eivät ole toteutuksen tai edes kokeilun arvoisia.
Tätä strategista kurinalaisuutta tuetaan organisaation tietojärjestelmien kokonaisarkkitehtuurin jämäkällä johtamisella sekä oppimiskulttuurin tukemisella. Oppimiskulttuurin ja osaamisen kehittämisen teemat sekä aidon pysähtymisen mahdollistaminen nousevat entistä merkityksellisemmiksi, kun ajattelun ulkoistamisen houkutus nopeiden voittojen kiiluessa silmissä kasvaa.
Tekoäly tulisikin nähdä yhtenä työkaluna muiden joukossa, joka antaa uusia mahdollisuuksia ja valintavaihtoehtoja, mutta sisältää myös merkittäviä riskejä. Näin tekoälyn syvällinen ymmärrys on keskeinen menestystekijä. Vain tämän ymmärryksen kautta voidaan organisaatioissa tehdä informoituja päätöksiä tekoälyn soveltamisen suhteen.
Lopuksi
Tekoäly ei poista johtamisen haasteita – se muuttaa niiden muotoa.
Tulevaisuuden organisaatiot tuottavat todennäköisesti enemmän ohjelmistoja, automaatiota ja kokeiluja kuin koskaan aiemmin. Todellinen kilpailuetu ei kuitenkaan synny siitä, että tuotetaan enemmän. Sanonta ‘määrä ei korvaa laatua’ ei koskaan ole ollut enemmän totta kuin se on nyt. Sanonta vaikuttaa neutraalilta toteamukselta, truismilta, jossa laadun lasku on ehkä kuitenkin hyväksyttävissä jos määrällisesti saadaan paikattua ‘vajetta’. Tämä on vaarallinen ajatuspolku, sillä määrän silmitön lisääminen ei vaikuta ainoastaan laatuun, vaan on todellinen uhka liiketoiminnan jatkuvuudelle.
Koulutuksemme Generatiivinen tekoäly työssä – perusteet, promptaus ja oikean työkalun valinta (3h), on loistava tapa oppia käyttämään tekoälyä järkevästi ja tehokkaasti työelämässä. Varsinkin johtajien tulisi käydä tällainen koulutus, jotta tekoälyn mahdollisuudet ja riskit tulevat tutuiksi.
