Yksi yleisimmistä asioista, joita kuulemme organisaatioilta, on tämä:
datamme ei ole vielä riittävän hyvässä kunnossa.
Huoli on täysin ymmärrettävä.
Tietoa on paljon, mutta se on hajallaan. Osa siitä on vanhentunutta, osa päällekkäistä ja osa vaikeasti löydettävissä. Samaan aikaan organisaatiot keräävät ja säilyttävät runsaasti dataa, jolla ei ole käytännössä merkitystä itse työn kannalta.
Se tieto, jolla oikeasti on merkitystä, puolestaan katoaa helposti massaan. Tai se on olemassa, mutta ihmiset eivät tiedä, miten sitä hyödynnetään oikealla hetkellä.
Siksi on tärkeää todeta yksi asia selkeästi:
käytännössä millään organisaatiolla ei ole täydellistä dataa.
Täydellinen data on siksi huono lähtökohta AI-agenttien rakentamiselle.
Parempi lähtökohta on tämä:
olemme tunnistaneet haasteen, ymmärrämme mitä tietoa sen ratkaisemiseen tarvitaan, ja pystymme arvioimaan ratkaisua tavoitetta vasten.
Tässä roolipohjaisilla AI-agenteilla on erityinen arvo.
Ne eivät vaadi koko organisaation datan olevan täydellisessä kunnossa. Ne pakottavat tunnistamaan, mikä tieto on olennaista tiettyä tehtävää varten - ja keskittymään siihen.
Kaikkea dataa ei tarvitse korjata. Vain olennainen tieto on saatava toimivaan kuntoon.
Kaikki data ei tarvitse harmonisointia
Yksi yleisimmistä harhaluuloista on, että AI-agenttihanke vaatii ensin laajamittaisen datan harmonisoinnin.
Todellisuudessa näin ei useimmiten ole.
Hyvin suunniteltu agenttihanke ei ala koko datamassan läpikäynnillä, vaan paljon käytännöllisemmällä kysymyksellä:
mikä on se haaste, jonka haluamme ratkaista?
Vasta sen jälkeen on järkevää kysyä:
- mitä tietoa tarvitaan tehtävän onnistuneeseen suorittamiseen
- missä tämä tieto tällä hetkellä sijaitsee
- mikä on luotettavaa ja käyttökelpoista
- mitä puuttuu
- mikä tieto on kriittistä juuri tässä käyttötapauksessa
Tämä näkökulma on tärkeä, koska se siirtää fokuksen datan määrästä sen merkityksellisyyteen.
Kaikki data ei ole arvokasta. Eikä kaikki arvokas tieto ole organisaatiossa helposti näkyvissä.
Esimerkiksi yhdessä tapauksessa kymmenen vuoden WhatsApp-keskustelut osoittautuivat erittäin arvokkaaksi tiedonlähteeksi. Ei siksi, että ne olisivat olleet rakenteista tai kuratoitua dataa, vaan koska ne sisälsivät tehtävän kannalta olennaista käytännön tietoa, päätöksentekologiikkaa ja hiljaista tietoa, jota ei löytynyt yhtä elävästi mistään virallisesta dokumentista.
Tämä muistuttaa siitä, että arvokkain tieto ei aina näytä "hyvältä datalta".
Roolipohjainen agentti tekee olennaisen tiedon näkyväksi
Kun agentti rakennetaan tiettyä roolia tai tehtävää varten, on pakko tehdä näkyväksi, mikä tieto todella vaikuttaa onnistuneeseen suoritukseen.
Juuri tässä syntyy paljon arvoa.
AI-agenttiprojekti ei ole vain uuden käyttöliittymän rakentamista tiedolle. Se on myös sen tietopohjan tunnistamista ja määrittelyä, jonka varassa tehtävä voidaan suorittaa paremmin.
Tämä on usein hyvin käytännöllinen prosessi.
Mitä huoltoasiantuntija tarvitsee ongelmatilanteessa? Mitä johtaja tarvitsee päätöksenteon tueksi? Mitä HR tarvitsee ohjatakseen ihmisiä oikein? Mikä tieto auttaa myyntiä toimimaan johdonmukaisesti?
Kun tätä lähdetään purkamaan, tiedon laatuun liittyvät ongelmat tulevat nopeasti näkyviin.
Onko sama ohje useassa eri versiossa? Puuttuuko kriittinen vaihe? Onko tieto olemassa, mutta niin hajanaisessa muodossa, ettei sitä voi käyttää luotettavasti? Onko tiedolla selkeä omistaja?
Tällä tavalla agentti ei vain käytä tietoa.
Se paljastaa sen tiedon todellisen tilan, joka on tehtävän kannalta olennaista.
Oikea lähtökohta ei ole täydellinen data, vaan selkeä tavoite
Tärkein kysymys ei yleensä ole, onko data täydellistä.
Tärkeämpi kysymys on:
olemmeko tunnistaneet haasteen riittävän tarkasti?
Kun haaste on määritelty hyvin, voidaan määrittää, mitä tietoa sen ratkaisemiseen tarvitaan.
Ja kun tämä tieto on rajattu selkeästi, ratkaisua voidaan arvioida tavoitetta vasten.
Tämä on tärkeää, koska AI-agentin arvoa ei pitäisi mitata sillä, kuinka paljon dataa se pystyy käsittelemään.
Sen arvo syntyy siitä, auttaako se ratkaisemaan tunnistetun ongelman mitattavasti.
Tehdäänkö työ nopeammin? Vähenevätkö virheet? Onko tieto helpommin löydettävissä? Tukeeko ratkaisu parempaa päätöksentekoa? Lyheneekö perehdytysaika? Väheneekö riippuvuus yksilöiden hiljaisesta tiedosta?
Kun ratkaisua tarkastellaan tavoitetta vasten, keskustelu datan laadusta muuttuu myös hyödyllisemmäksi.
Silloin kysymys ei ole enää siitä, onko data yleisesti ottaen hyvässä kunnossa.
Kysymys on siitä, onko tehtävän kannalta kriittinen tieto riittävän hyvässä kunnossa, jotta haluttu vaikutus voidaan saavuttaa.
Agentti voi myös auttaa pitämään tiedon kunnossa
Yksi aliarvostetuimmista roolipohjaisten agenttien hyödyistä on, että ne eivät ainoastaan käytä tietoa - ne voivat myös auttaa pitämään sen ajantasaisena.
Kun agenttia käytetään arjessa, käy nopeasti ilmi, missä tietoa pitää korjata, täsmentää tai päivittää. Käyttö paljastaa puutteet tavalla, joka muuten veisi huomattavasti enemmän aikaa.
Parhaimmillaan tämä tarkoittaa, että tehtävän kannalta olennainen tieto pysyy ajantasaisena, relevanttina ja tarkempana ilman raskasta erillistä ylläpitomallia.
Toisin sanoen agentti ei vain hyödynnä tietopohjaa.
Se voi myös tukea sen jatkuvaa ylläpitoa kevyesti.
Tämä on tärkeää, koska pitkällä aikavälillä juuri olennaisen tiedon ylläpito ratkaisee, pysyykö ratkaisu aidosti hyödyllisenä.
Täydellisyyden odottaminen hidastaa enemmän kuin epätäydellinen data
Siksi en usko, että organisaatioiden kannattaa odottaa täydellistä dataa ennen liikkeelle lähtöä.
Paljon tärkeämpää on tunnistaa oikea haaste, rajata olennainen tieto ja arvioida vaikutusta selkeää tavoitetta vasten.
Monissa tapauksissa juuri tässä alkaa todellinen työ datan kuntoon saamiseksi.
Ei massiivisena siivousprojektina, vaan prosessina, jossa tunnistetaan, määritellään ja ylläpidetään sitä tietoa, jolla on merkitystä työn ja päätöksenteon kannalta.
Eli ei - täydellistä dataa ei yleensä tarvita.
Mutta hyvä AI-agenttihanke voi olla juuri se käytännöllinen mekanismi, joka auttaa organisaatiota erottamaan olennaisen epäolennaisesta ja parantamaan kriittisen tiedon laatua vähitellen.
Seuraavassa uutiskirjeessä käsittelemme yhtä käytännönläheisimmistä AI-johtamisen päätöksistä: ostetaanko vai rakennetaanko itse?
