Generatiivinen tekoäly tuotekehityksessä: nyt on jo kiire
Generatiivisen tekoälyn aaltoon on pakko heittäytyä mukaan. Jos siitä haluaa myös hyötyä, tekeminen ei voi jäädä irrallisiksi kokeiluiksi. Suomalaisilla yrityksillä on näytön paikka siinä, miten Gen AI:n mahdollisuudet käännetään liikearvoksi erityisesti tuotekehityksessä.
Gen AI:n maturiteettihyppy on vasta tulossa
Alatko kyllästyä tekoälypuheeseen? Ei kannattaisi, sillä nyt on aika siirtyä kokeiluista kohti teollisen skaalan sovelluksia ja kestävää kilpailuetua.
Sisältöä tuottava tekoäly (Generative AI tai Gen AI) saavutti lyhyessä ajassa harvinaisen merkkipaalun: siitä tuli teknologia, josta oikeasti puhutaan kulmahuoneessa. Jokaisen tulevaisuuteen katsovan yrityksen tärkeä tehtävä on säilyttää tämä momentum ja välttää innostuksen hiipuminen puolivillaisten kokeilujen mukana.
Capgemini Research Instituten ja Domino Data Labin löydöksiin perustuva raporttimme tarjoaa datasta ja teknologiasta vastaaville C-tason päättäjille eväät tekoälyratkaisujen kehittämiseen, hallintaan ja skaalaamiseen.
Lataa raportti: Generative AI for a competitive product strategy
Alla muutama huomionarvoinen nosto raportista sekä ajattelun aiheita sinne teidänkin johtoryhmän pöytään.
Kolme estettä matkalla generatiivisen tekoälyn laajamittaisiin hyötyihin
Mikään näin mullistava teknologinen kehitysaskel ei käänny euroiksi ilman jonkinlaista ponnistelua. Suomessa ja maailmalla korostuu kolme keskeistä haastetta, jotka hidastavat Gen AI:n liiketoimintahyötyjen realisoitumista.
Hallintamallin puuttuminen vaivaa lähes kaikkia
Tällä hetkellä yrityksissä tehdään paljon pistemäisiä kokeiluja, jotka joko jäävät elämään tai kuolevat pois yhtä nopeasti kuin syntyivätkin. Eksperimentointi itsessään ei ole huono asia. Ongelma on se, että ympäri organisaatiota pulpahtelevat kokeilut eivät ole yhteydessä toisiinsa, eikä yksittäisille projekteille ole suunniteltu ylläpitoa tai jatkoa.
76% datatoimintojen vetäjistä pitää tekoälyn hyödyntämistä Top 3 -kärkihankkeena, mutta kokeiluista huolimatta vielä ei voida juurikaan puhua strategisesta tai laajasta operatiivisesta toimintamallista. Raportin mukaan 58% pitää hallintamallin puuttumista suurimpana kantona kaskessa. Tämä heijastelee hyvin sitä, mitä näemme myös Suomen markkinassa.
Tekoälyn kärkiaseman tiedostaminen on vasta ensiaskel kohti operatiivista ja strategista mallia, eli maturiteettihyppy on vielä tulossa.
Sen lisäksi, että tuuliajolle jääneet kokeilut eivät tuota haluttuja hyötyjä, toiminnassa syntyy “varjo-IT:tä”, mikä tuo omat haasteensa esimerkiksi tietoturvariskien hallintaan. Monelta ChatGPT:n soveltajalta unohtuu, että input-data valuu suoraan kehittäjäyhtiö Open AI:lle.
Kun tuota dataa sitten syötetään GPT:n kielimallille, kilpailijat voivat päästä käsiksi sellaiseen tietoon, joka ei kuulu heille. Tätä voi välttää rakentamalla sisäisen instanssin, josta tieto ei liiku organisaation ulkopuolelle. Suomessa ainakin teleoperaattorit ovat saaneet tällä tavalla käyttöönsä ison kielimallin hyödyt luopumatta talon sisäisestä tiedosta.
Kokonaisvaltaisen näkemyksen puutos vaivaa vielä toistaiseksi lähes kaikkia. Hallintamallin olisi jo voinut hoitaa kuntoon, sillä se ei estä kokeiluja. Olisiko nyt aika laittaa ankat riviin?
Sotkuinen data ei koskaan johda siistiin lopputulokseen
Mitä olisi tekoälypuhe ilman puhetta datasta? Sisältöä tuottavan tekoälyn kohdalla olennaista on muistaa, että kaikki kokeilut ja varsinkin systemaattinen tekeminen ovat täysin riippuvaisia datasta. Jos tekoälyratkaisun perustana oleva tai siihen syötetty data on huonolaatuista, myös itse ratkaisulta sopii odottaa puutteita.
Suuri osa asian kanssa painivista tiedostaa, ettei datan laatu ja/tai luotettavuus ole riittävällä tasolla. Haasteen juuret ulottuvat pitkällekin menneisyyteen, missä dataa on pidetty lähinnä sivutuotteena. Nykyään dataa itsessään tulisi ajatella ja käsitellä tuotteena, koska siten se pysyy siistinä ja hyödynnettävissä ristiin eri tekoälyratkaisujen, tuotteiden, palveluiden ja prosessien välillä.
Jos tekoälyyn kohdistuvat odotukset tuppaavat lähtemään laukalle, tarvitaan jäitä hattuun: data pitää laittaa kuntoon ensin, ja vasta sitten voit toteuttaa huikeita tekoälyratkaisuja.
Sitten yksi hyvä uutinen: tekoälyllä voi parantaa datan laatua. Keskity tekoälyhankkeen ensimmäisessä vaiheessa tähän, niin vältät kasautuvat datahaasteet, joiden myöhempi ratkominen tarkoittaisi merkittävästi suurempaa päänvaivaa. Tekoäly on valtavan hyvä renki datan putsaamiseen ja luokitteluun. Se pystyy ylläpitämään datan laatua niin, ettei ihmisen kädenjälki (eli virheet) pääse vaikuttamaan itse ratkaisun toimintaan.
Siiloista on mahdoton saavuttaa tekoälyn täyttä tehoa
Kolmas teema, joka alleviivaa sekä pistemäisiä kokeiluja että huonolaatuista dataa, on tekoälyhankkeiden edistäminen siiloissa. Tässä suhteessa tekoäly ei ole poikkeustapaus, vaan siilomainen organisaatioajattelu on samanlainen ongelma tekoälyn hyödyntämisessä kuin kaikessa muussakin.
Hallintamallin ja datarakenteiden pitäisi päästää eri alueiden data törmäämään vapaasti, jotta innovaatioita voi syntyä.
Yksi tapa taistella siiloja vastaan on perustaa osaamiskeskus (Center of Excellence), jonka tarkoitus on tukea koko organisaatiota, luoda hallintamalleja, yhtenäistää teknologia-portfoliota, ja niin edelleen. Tämäkään ei aina auta, koska vaikka osaamiskeskus voi tehdä ehdotuksia ja ohjeistuksia, liiketoimintojen ei ole pakko noudattaa niitä. Toisin sanoen varsinainen valta puuttuu.
Jollakin tavalla organisaation pitäisi kuitenkin mahdollistaa eri siiloista nousevan datan ja tekoälyaloitteiden törmääminen, koska vapaista törmäyksistä syntyvät ne todelliset innovaatiot ja näiden edellyttämä sitoutuminen.
Kuinka usein esimerkiksi tuotekehitysyksikkö ottaa suunnittelunsa tueksi asiakaspalveluun tulevia palautteita? Gen Ai voisi analysoida yleisimmät ongelmat asiakaspalvelun kerryttämästä datasta tai laitteiden huollosta. Kummastakin voisi viedä datan suoraan tuotekehityksen backlogille uusiksi featureiksi, mutta tätä tapahtuu vielä todella harvoin.
Hyödyt hypen takana
Investoinnit generatiiviseen tekoälyyn ovat portti nopeampaan liikearvoon. Kuten minkä tahansa teknologian kohdalla, tekoälyhankkeet ovat harvoin IT-vetoisia, eikä niiden pidä ollakaan. Liiketoimintahyöty on ensisijainen tavoite.
Niin sanottujen early adopterien saavuttamat hyödyt ovat jo nyt selkeästi nähtävissä:
- 83% kokee saaneensa aikaan säästöjä automatisoimalla toimintoja tekoälyn avulla
- 83% näkee parannusta asiakastyytyväisyydessä
- 79% kokee saaneensa hyötyjä tuotekehityksessä
Suomessa tuotekehityksen saralla tekoälyä on hyödynnetty enimmäkseen sulautettuna pääasialliseen tuotteeseen, mutta itse tuotekehitystapaan ei ole vielä tuotu juurikaan tekoälyä. Sen sijaan ohjelmistotestauksessa AI on jo vahvasti läsnä – tämäkin on osa tuotekehitysprosessia.
Tyypillinen suomalainen organisaatio ei siis hyödynnä generatiivista tekoälyä systemaattisesti tarjoomansa kehittämisessä. Tilanne tarjoaa mahdollisuuden kuroa etumatkaa kilpailijoihin, kunhan muistaa, että tekoälyyn kohdistuvista paukuista pitää riittää myös asiakaspalvelun, myynnin ja markkinoinnin, IT:n, legalin, HR:n ja muiden liiketoimintojen tarpeisiin.
Suomi kokeilee, mutta uhkaa jäädä telineisiin
98% datatoimintojen vetäjistä on sitä mieltä, että voittajia tulevat olemaan ne, jotka tuovat ensimmäisinä tekoälyavusteisia tuotekehitysratkaisuja markkinoille.
Tällä hetkellä globaalissa vertailussa Suomi ei ikävä kyllä ole käyttöönotossa lähelläkään kärkisijoja. Meillä ollaan hanakoita tekemään ensimmäisiä kokeiluja, mutta teollisen mittakaavan saavuttaminen on selvä heikkous.
Finanssiala, vakuutusyhtiöt, teleoperaattorit, ja energiayhtiöt edustavat suomalaista kärkeä tekoälyn hyödyntämisessä. Mahtavia juttuja tehdään paljon, mutta niistä ei kerrota muille. Tämä ja suomalainen taipumus välttää ensimmäisenä liikkeelle lähtemistä ovat uhka yritysten kilpailukyvylle.
Selkeyttä tekoälyviidakon epävarmuuteen
Kun tekoälyn business casen tunnistaminen tuntuu haastavalta, tai lupaavan hankkeen tueksi kaivataan positiivisia viestejä ja vahvistusta, suunta eteenpäin löytyy parhaiten ulkopuolisen kumppanin avulla.
Tekoälyratkaisujen toimittajilta löytyy todennettuja malleja siihen, miten ratkaisun tekninen ja taloudellinen hyöty saadaan paiskaamaan kättä, ja miten liiketoimintojen rajat ylittäviä hankkeita ja dataa voi hallinnoida systemaattisten hyötyjen saavuttamiseksi.
AI-aaltoon on yksinkertaisesti pakko lähteä mukaan. Matkan varrella kannattaa pitää mukana erotuomari, joka auttaa määrittämään mitä ja miten kannattaa tehdä.
Lataa Generative AI for a competitive product strategy –raportti ja tutustu Sogetin tekoälyosaamiseen.
- Juha VaitiloCSO, Quality Engineering & Testing Practice Leader
+358 40 550 0734
Juha VaitiloCSO, Quality Engineering & Testing Practice Leader
+358 40 550 0734