Flutterby Ninja Consulting

Johtamisesta puhutaan paljon silloin, kun tavoitteena on kasvattaa tuloja, yritystä tai vaikutusvaltaa. Ajatus on ymmärrettävä: jos yksi ihminen johtaa kymmentä muuta, hän näyttää saavan käyttöönsä enemmän työpanosta kuin tekemällä kaiken itse. Silti tässä ajattelussa on helposti johtamisharha. Taloudellisen arvon syntymistä ei yleensä rajoita se, ettei jollakin ole tarpeeksi alaisia. Sitä rajoittaa jokin konkreettinen pullonkaula. Jos tavoitteena on löytää liiketoimintamahdollisuuksia, kiinnostavampi kysymys ei siksi välttämättä ole: Mitä voisin johtaa? Vaan: Minkä läpi raha yrittää kulkea – ja mikä estää sitä? Miksi johtaminen näyttää niin houkuttelevalta? Johtaminen on näkyvä vipuvaikutuksen muoto. Johtaja hallitsee budjetteja, työntekijöitä, päätöksiä ja organisaation resursseja. Siksi johtamisen yhteys rahaan on helppo nähdä. Lisäksi johtamiseen liittyy usein status, korkeampi palkka ja päätösvalta. Se tekee johtamisesta psykologisesti näkyvämmän vaurastumis...

Yritykset osaavat löytää ongelmia. Asiakashaastattelut, tukipyynnöt, keskustelupalstat ja prosessidata ovat täynnä kitkaa, hitautta, virheitä ja turhautumista. Generatiivinen AI on tehnyt näiden signaalien keräämisestä ja luokittelusta halvempaa kuin koskaan. Silti suuri osa löydetyistä ”mahdollisuuksista” ei kestä ensimmäistä vakavaa kaupallista kysymystä. Asiakas voi kärsiä ongelmasta mutta ratkaista sen jo riittävän hyvin. Parempi ratkaisu voi tuottaa arvoa mutta jäädä ilman maksajaa. Asiakas voi olla valmis maksamaan, mutta häntä ei tavoiteta kannattavasti. Tuote voi toimia teknisesti, vaikka sen toimittaminen sitoisi enemmän resursseja kuin mikään realistinen hinta voi korvata. Tätä eroa varten olemme muotoilleet kontrafaktuaalisen kaksoisylijäämän mahdollisuusteorian , lyhyesti KKMT:n . Se on formaali ja falsifioitava teoria siitä, milloin havaittu kitka voi muodostua aidoksi liiketoimintamahdollisuudeksi. Teorian ydinväite on yksinkertainen: Liiketoimintamahdo...

Stop asking which experts AI can replace. Ask where expertise actually starts to matter. The expensive person may be entering the process too early Many AI business ideas begin with the wrong question: Can AI replace the expert? Usually, that is too crude. A lawyer, engineer, consultant, analyst or auditor may perform a process that takes ten hours, while only two of those hours genuinely require the professional judgment for which the customer is paying. The other eight hours may consist of finding documents, checking versions, moving information between systems, cleaning data, reconciling formats, constructing tables, preparing comparisons and turning unstructured material into something that can finally be analysed. The economically interesting question is therefore not: Can we automate the expert? ...

Kun tekoäly epäonnistuu tehtävässä, ensimmäinen johtopäätös on yleensä yksinkertainen: malli ei osaa. Se voi olla väärä diagnoosi. Yhä kiinnostavampi tutkimussuunta osoittaa, että tekoälyn havaittu kyvykkyys riippuu paitsi itse mallista myös siitä, millainen ympäristö mallille rakennetaan. Sama malli voi olla yhdessä käyttöliittymässä epäluotettava ja toisessa huomattavasti johdonmukaisempi. Se voi käyttää yhdessä ympäristössä valtavasti tokeneita ja toisessa saavuttaa lähes saman lopputuloksen murto-osalla työvaiheista. Tällä erolla voi olla yllättävän suuri taloudellinen merkitys. Kyvykkyys ei sijaitse vain mallissa Tekoälyjärjestelmistä puhutaan usein aivan kuin kyvykkyys olisi yksi mallin sisäinen ominaisuus: GPT-tyyppinen malli joko osaa ohjelmoida, analysoida dokumentteja tai käyttää työkaluja – tai ei osaa. Todellisuudessa käyttäjän havaitsema suorituskyky syntyy kokonaisesta järjestelmästä. Yksinkertaistettuna: havaittu kyvykkyys = malli × konteksti × käy...

Tekoälyongelmissa on houkutteleva oletus: jos lopputulos on huono, prompti oli huono. Tämä on joskus totta. Yllättävän usein se ei ole. Prompt engineering on hyödyllinen taito, mutta siitä tulee helposti tekoälyajan vastine lauseelle ”käyttäjävirhe”. Kun järjestelmä epäonnistuu, käyttäjää pyydetään määrittelemään asia tarkemmin, lisäämään esimerkkejä, kirjoittamaan negatiivisia ehtoja, määräämään rooli ja rakentamaan lopulta puolen sivun ohjeistus tehtävään, jonka ihminen olisi ymmärtänyt yhdestä virkkeestä. Liiketoiminnan näkökulmasta olennaisempi kysymys kuuluu: Milloin epäonnistumisen marginaalisesti halvin korjaus todella on parempi prompti – ja milloin ongelma sijaitsee muualla järjestelmässä? Prompti on vain yksi tuotantofunktion muuttuja Tekoälyllä tuotettua lopputulosta voidaan ajatella yksinkertaistetusti funktiona: Y = f(M, P, C, T, R) missä: M = mallin kyvykkyys, P = prompti, C = käytettävissä oleva konteksti...

Episteeminen avoimuus on markkinasignaali – mutta joskus paras bisnes löytyy sulkeutuneisuudesta Yritykset etsivät tekoälyn liiketoimintapotentiaalia usein väärästä paikasta. Kysytään: Missä työssä käytetään paljon aikaa? Missä on paljon dokumentteja? Missä tekoäly voisi tehdä saman nopeammin? Nämä ovat hyviä kysymyksiä. Mutta ne eivät vielä kerro, syntyykö teknologiasta liiketoimintaa. Kiinnostavampi kysymys kuuluu: Miten helposti kyseinen organisaatio pystyy havaitsemaan, että nykyinen tapa tehdä asia on huono? Tätä voidaan kutsua episteemiseksi avoimuudeksi. Episteemisesti avoin organisaatio pystyy vertaamaan vaihtoehtoja, muuttamaan käsityksiään uuden evidenssin perusteella ja ainakin periaatteessa hylkäämään oman vakiintuneen toimintatapansa, jos jokin toinen tapa osoittautuu paremmaksi. Episteemisesti sulkeutunut järjestelmä toimii toisin. Nykyistä käytäntöä voivat ylläpitää auktoriteetti, status, perinne, organisaatiorakenne, ammatti-identitee...

Ihminen on kallis API – mistä löytyy seuraava tekoälyn poistama kustannus? Monessa kuluttajapalvelussa on edelleen hieman erikoinen tuotantorakenne. Asiakas antaa ammattilaiselle digitaalista informaatiota. Ammattilainen lukee sen, etsii lisää digitaalista informaatiota, järjestelee aineiston uudelleen, soveltaa muutamia sääntöjä ja palauttaa asiakkaalle uuden digitaalisen tuotoksen. Sitten asiakas maksaa ihmistyöstä. Tätä kutsutaan ammatista riippuen asiantuntijapalveluksi, neuvonnaksi, suunnitteluksi, tutkimukseksi, käännökseksi, hakemuspalveluksi tai henkilökohtaiseksi palveluksi. Tietojärjestelmän näkökulmasta sama asia saattaa näyttää huomattavasti vähemmän romanttiselta: digitaalinen syöte → tiedon poiminta → luokittelu → sääntöjen soveltaminen → uusi digitaalinen tuotos Jos suurin osa työstä on tätä, kiinnostava kysymys ei ole: Voiko tekoäly korvata ammattilaisen? Parempi kysymys kuuluu: Missä kohdassa prosessia ammattilaisen harkintaa oikeasti tarvita...