Tämä on toinen osa FAIR:in asiantuntijoiden Janne Kauttosen ja Martti Asikaisen kirjoituksesta Generatiivisen tekoälyn mahdollisuudet ja sudenkuopat pk-yritysten näkökulmasta, joka on julkaistu kokonaisuudessaan Haaga-Helia ammattikorkeakoulun eSignals Prossa. Kirjoituksen ensimmäinen osa löytyy tämän linkin takaa.
Janne Kauttonen & Martti Asikainen 1.2.2025
Vuonna 2023 generatiivinen tekoäly, eli lyhyemmin GenAI (eng. Generative AI), saapui toden teolla tutkijoiden ja suurten teknologiayritysten etuoikeudesta kaikkien organisaatioiden ulottuville. Tuloksena oli valtava määrä uusia ideoita, tekoälyä hyödyntäviä startup-yrityksiä ja erilaisia tekoälypalveluita.
Samalla myös pienten ja keskisuurten yritysten (pk-yritykset) toimintaympäristö muuttui peruuttamattomasti erityisesti tietotyön ja luovan työn osalta. Generatiivisen tekoälyn integroimisesta liiketoimintaan tuli yrityksille elinehto ja pakko, mikäli ne haluavat pysyä kilpailukykynä ja menestyä myös tulevaisuudessa.
Tässä ja aikaisemmassa artikkelissamme käymme läpi generatiivisen tekoälyn erityispiirteitä, kuten mitkä ovat sen keskeiset erot toiminnan ja käyttötapausten osalta ennalta määriteltyjä sääntöjä ja malleja noudattavaan ”perinteiseen” tekoälyyn verrattuna, ja mitä haasteita käyttöönottoon liittyy. Tarkastelemme asiaa erityisesti pk-yritysten näkökulmasta, ja tuomme esiin, mitä niiden tulisi huomioida esimerkiksi teknisen toteutuksen näkökulmasta.
Generatiivisen tekoälyn integrointi pienten ja keskisuurten (pk-yritysten) toimintoihin voi tuoda mukanaan täysin uudenlaisia haasteita, mikäli sitä vertaa perinteisempiin tekoälyratkaisuihin. Tähän on useita eri syitä, joista kenties yleisin on sen kyvykkyyden yliarviointi, joka johtuu ennen kaikkea generatiivisen tekoälyn toimintaan liittyvistä väärinkäsityksistä ja sen toimintaperiaatteiden vähäisestä ymmärryksestä.
Kokemuksemme mukaan pk-yritykset sortuvat helposti olettamaan, että tekoälyjärjestelmät toimisivat ihmismäisellä ymmärryksellä ja omaisivat meille ominaisen päätöksentekokyvykkyyden. Tämä puolestaan johtaa helposti epämiellyttäviin yllätyksiin ja ennen kaikkea pettymyksiin. Generatiiviset mallit ovat taitavia luomaan tekstiä ja kuvia, mutta ne voivat helposti erehtyä kontekstista. Tämä puolestaan voi tuottaa virheellistä tietoa, jonka vuoksi generatiivisten mallien käyttö liike-elämässä ja tuotannossa vaatii aivan erityistä valvontaa ja tarkkuutta.
Generatiivisen tekoälyn käyttö tapahtuu, ainakin vielä toistaiseksi, syötesuunnittelun kautta. Käytännössä tämä tarkoittaa sitä, että käyttäjän tulee osata sanoittaa ongelma oikealla tavalla parhaan lopputuloksen saamiseksi (esim. teksti, kuva tai koodi). Syötesuunnittelu on yksi suurimmista käytännön eroista perinteisiin tekoälymalleihin verrattuna, joissa sitä ei ole lainkaan, vaan syötteet ovat aina tietynlaisia ja tarkasti koodin kautta määriteltyjä.
Tehokas syötesuunnittelu on taito, joka vaatii harjoittelua, yritystä ja erehdystä sekä malleihin liittyvien parametrien säätämistä. Toisaalta generatiivisen tekoälyn kehittyessä myös syötesuunnittelu kehittyy ja sitä pitää muuttaa kehityksen mukana (kts. esimerkiksi englanninkielinen Prompt Engineering Guide). Klassisen Boolen logiikan ymmärtäminen voi auttaa syötesuunnittelussa, sillä sitä käytetään lähes kaikissa tietokannoissa.
Generatiivisen tekoälyn neuroverkot, kuten myös aikaisemmin julkaistussa artikkelissamme mainitut pohjamallit, ovat opetettu yleistämään ja soveltamaan valtavaa tietomassaa, mutta ne eivät tunne tarkasti yksittäisen pk-yrityksen liiketoimintaa, toimintatapoja, työpaikkakulttuuria, asiakkaita tai edes sen brändiä, tyyliä ja visuaalista ilmettä. Täyden hyödyn saaminen edellyttääkin, että mallille tarjotaan yrityskohtaista ja uniikkia tietoa käytettäväkseen (Bhattacharyya 2023).
Mikäli mallia pyydetään generoimaan tuloksia joltakin hyvin uniikilta osa-alueelta, joka ei ole yleistä tietoa, tuloksena on todennäköisesti täyttä puppua eli nk. mallin hallusinaatioita. Tämän vuoksi on tärkeää, että pk-yritykset oppivat tunnistamaan tekoälyn tuottaman sisällön laadun ja luotettavuuden. Lisäksi on varmistettava, että syötetty data on ajantasaista ja paikkansapitävää, sillä virheellinen tai vanhentunut tieto johtaa väistämättä huonoihin tuloksiin.”
Yksinkertaisimmillaan tietoa voidaan tuoda syötesuunnittelun kautta esimerkiksi osana chatbotille annettavaa kysymystä, mutta huomattavasti parempi ratkaisu on hyödyntää ns. RAG-tekniikkaa (eng. Retrieval Augmented Generation), jossa kielimalliin yhdistetään tiedonhakujärjestelmä esimerkiksi pk-yrityksen omista tietokannoista, tai mallien hienosäätämistä yrityksen omalla laadukkaalla datalla. Kummatkin ratkaisut tulivat mahdolliseksi ja yleistyivät vuonna 2023.
Tätä voidaan hyödyntää monin tavoin eri toimialoilla. Esimerkiksi terveydenhuollon yritys voisi hienosäätää tekoälymallia potilastietojen avulla tarjotakseen yksilöllistä terveysneuvontaa, mikä puolestaan tehostaisi toimintaa ja parantaisi yleistä asiakaskokemusta. Komponenttivalmistaja puolestaan voisi integroida tuotteidensa tekniset tiedot mallin tietokantaan luodakseen chatbotin, joka vastaa tarkasti asiakkaiden tuotekysymyksiin. Näin mallit voidaan räätälöidä palvelemaan kunkin yrityksen omia erityistarpeita ja asiakaskuntaa.
Toisaalta tekoälystä puhuttaessa tulee aina ottaa huomioon pk-yritysten rajalliset resurssit ja mahdollisuudet kehittää liiketoimintaansa, niin täysin omien generatiivisten mallien kouluttaminen, tai edes niden pyörittäminen omilla palvelemilla, ei yleensä ole taloudellisesti kannattavaa. Sen sijaan kannattaa suosia pilvipohjaisia tekoälypalveluita, joiden kautta myös pk-yritykset voivat päästä helposti käsiksi kaikista uusimpiin ja kehittyneisimpiin malleihin.
Tämä onnistuu niin kutsuttujen API-palveluiden (eng. Application Programming Interface) kautta. Tunnetuimpia API-palveluiden tuottajia ovat OpenAI, Stability AI, Poe ja Cohere, jonka lisäksi mallien hienosäätämistä voi tehdä esimerkiksi MosaicML:n tai Huggingfacen kautta. Pk-yritys voi esimerkiksi tehostaa verkkokauppansa toimintaa automatisoimalla tuotekuvausten, asiakasvastausten ja markkinointisisällön luomisen API-palvelulla, joka ei edellytä omaa tekoälymallia ja sen kouluttamista, vaan ainoastaan API-kutsujen integroinnin osaksi verkkokaupan koodia.
Myös perinteisemmät teknologiajättiläiset, kuten Google Cloud AI, Amazon Web Services (AWS) ja Microsoft Azuretarjoavat generatiivisen tekoälyn palveluita osana muita liiketoimintojaan. Useimmat kaupalliset ratkaisut toimivat tyypillisesti osana laajempaa ekosysteemiä (esim. AWS ja Hugginface), jossa eri toimijat tarjoavat API- ja laskentapalveluita, tallennustilaa sekä kaupallisia ja avoimia malleja kilpailukykyiseen hintaan (Marr 2023).
Generatiiviset tekoälymallit ovat usein huomattavasti monimutkaisempia kuin useimmat perinteiset tekoälymallit. Lisäksi ne vaativat enemmän laskentaresursseja. Tästä syystä teknisten yhteistyökumppanien löytäminen on merkittävässä roolissa, mikäli yrityksellä itsellään ei ole riittävää teknistä osaamista. GenAI:n onnistunut integrointi tuotantoon ja osaksi liiketoimintaa voi olla paitsi kallista ja aikaa vievää myös riippuvaista tekoäly- ja pilvipalveluasiantuntijoiden saatavuudesta.
Edellä mainituista syistä luotettavat kumppaniverkostot, kuten konsultit, tuotetoimittajat sekä jälleenmyyjät, ovat usein avainasemassa, mitä tulee GenAI:n onnistuneeseen integraatioon osaksi liiketoimintaa. Yhteistyökumppaneita valitessa on kuitenkin tärkeä huomioida, että kumppanin on kyettävä ymmärtämään GenAI:n erityispiirteet, jotka liittyvät niiden rajoitteisiin, laskennalisiin kuluihin sekä muutoksen keskellä oleviin eettisiin ja lakiteknisiin kysymyksiin.
Pk-yrityksen näkökulmasta GenAI:n suurimpiin haasteisiin kuuluu malleihin liittyvien uudenlaisten riskien ymmärtäminen. Mallien tekemien virheiden tunnistaminen ja niiden ymmärtäminen on viimeisimpien tutkimusten mukaan yritysten suurin yksittäinen huolenaihe, joka tulee jopa ennen tietoturvaan ja lakiteknisiin asioihin liittyviä huolia (Chui ym. 2023). Tämä johtuu siitä, että GenAI:n tekemät virheet ovat haastavia tunnistaa ja mitata määrällisesti.
Tekstin tai kuvan ”paremmuus” riippuu vastaanottajasta ja kontekstista, eikä se täten ole helposti numeerisesti mitattavissa toisin kuin vaikkapa luokittelumallin osumatarkkuus. Samaan aikaan tekstiä tuottavan tekoälymallin tarkkuuden vaatimukset ovat hyvin erilaisia, jos verrataan keskenään esimerkiksi yrityksen sisäistä raportointia, jossa pienet virheet eivät kenties haittaa ja ulospäin lähtevää virallista pörssiyhtiön yleisötiedotetta, jossa on nollatoleranssi virheille.
Myös GenAI-mallien tulosten läpinäkyvyys on yritysten kannalta huomattava ongelma, koska mallit eivät pysty selittämään, miten saadut tulokset ovat syntyneet ja mistä tiedot ovat peräisin. Läpinäkyvyyden puutteen haasteet korostuvat etenkin kriittisissä sovelluksissa, kuten esimerkiksi luottoluokituksissa tai asiakassegmentoinneissa, joissa tekoälyn päätösten ymmärtäminen on olennaista asiakkaiden luottamuksen ja sääntelyn kannalta. Kyse on ennen kaikkea tutkimusongelmista, joihin ei ainakaan vielä toistaiseksi ole olemassa valmiita kaupallisia ratkaisuja. Yritysten onkin tiedostettava puutteet jo käyttötapauksia pohdittaessa.
Datalähtöisyys on keskeisessä osassa kaiken edistyneen data-analytiikan käyttöönotossa (Iansiti & Lakhani 2020). Tämä pätee niin perinteiseen kuin generatiiviseenkin tekoälyyn (AlEidan & Amezaga 2023). On totta, etteivät GenAI-mallit välttämättä vaadi suuria datamassoja tai omien mallien koulutusta, mutta vähintäänkin käytettyjen syötteiden ja tulosten sujuva käsittely vaatii datan hallintaa.
Mikäli pk-yrityksen data on jo valmiiksi hyvin organisoitua ja helposti käytettävissä, niin myös GenAI-työkalujen käyttäminen on sille huomattavasti helpompaa. RAG-järjestelmiä (eng. Retrieval-Augmented Generation) tai mallien hienosäätöjä rakennettaessa datan määrä on ratkaiseva. Suuriin yrityksiin verrattuna pk-yrityksillä ei tyypillisesti ole yhtä paljon dataa käytössään, jolloin ongelmana voi olla datavääristymät, mikäli data ei ole edustava otos tarvittavasta kohderyhmästä.
Liian pienellä tai huonolaatuisella datalla voidaan päätyä virheellisiin tuloksiin ja pahimmassa tapauksessa rikkoa jopa EU:n tekoälylle asettamia eettisiä ja lainsäädännöllisiä periaatteita (kts. Mitä pk-yritysten tulisi tietää tekoälyasetuksesta?). Toisinaan voikin olla järkevintä harkita lisädatan hankkimista ostopalveluna tai pohtia tekoälylle vain sellaisia käyttötarkoituksia, joissa datan määrä ei muodostu ongelmaksi (Bhattacharyya 2023).
Avoimen lähdekoodin generatiivisen tekoälyn mallit ovat tulleet ryminällä markkinoille ja tänä päivänä erilaisia vaihtoehtoja on jo runsaasti saatavilla (esim. Huggingface-ekosysteemi). Nämä mallit on mahdollista ottaa käyttöön myös pk-yritysten omissa järjestelmissä, mutta se edellyttää resursseja käyttöönottoon, ylläpitoon ja valvontaan. PK-yrityksille avoimen lähdekoodin ratkaisut tarjoavat etuja kuten maksuttomuuden ja paremman kontrollin, mutta haasteena ovat tekniset vaatimukset sekä epäsuorat kustannukset työvoiman ja laskentatehon muodossa.
Useimmilla pk-yrityksillä ei ole riittävää tietoteknistä osaamista ja aikaa kehittää omaa ratkaisua avoimien mallien päälle, jonka vuoksi valmiin palvelun hankkiminen on yleensä suositeltavaa, vaikka se tuottaakin suoria kuluja esimerkiksi aikaisemmin mainittujen API-kutsujen tai -lisenssien muodossa. PK-yritysten olisi ainakin alussa suositeltavaa keskittyä varsinaisen tekoälypalvelun tai AI-tuotteen ideointiin, eikä teknisten yksityiskohtien hiomiseen. Kun tekoälyn käyttötapaus ja arvo on varmistettu, ratkaisun kehittäminen avoimeen lähdekoodiin pohjautuvien mallien avulla on vähemmän riskialtista.
Valmiiden kaupallisten palveluiden tyypillisin ongelma on se, että myös kilpailijat voivat käyttää samoja palveluita. Siinä mielessä valmiiden GenAI-palveluiden käyttö ei itsessään tuokaan yritykselle kilpailuetua muihin verrattuna, ellei yritys löydä poikkeuksellisin innovatiivisia tapoja hyödyntää niitä. Sen tähden tekoälyn tulisikin olla osa laajempaa yrityksen strategiaa, joka huomioi niin markkinadynamiikan, henkilöstön osaamisen kuin teknologisen infrastruktuurinkin.
Pk-yrityksen kannalta on tärkeää harkita tarkoin, minkälainen rooli generatiivisella tekoälyllä on kilpailustrategiassa ja miten se vaikuttaa muuhun toimintaympäristöön. Tekoäly voi olla vain yksi huolellisesti integroitava osa laajempaa strategiaa, jossa sitä hyödynnetään innovatiivisesti niche-markkinasegmentteihin keskittyen. Tuolloin tekoälyä voidaan käyttää täyttämään erityisiä asiakastarpeita tavoilla, joita kilpailijat eivät ehkä ole vielä hyödyntäneet omissa liiketoiminnoissaan, joka voi tehdä pk-yrityksestä edelläkävijän, ja tuottaa kilpailuetua, eikä pelkästään auttaa pysymään muiden tahdissa (Soni 2023).
Vuoden 2025 alussa on jo perusteltua olettaa, että helppokäyttöisten generatiivisten tekoälysovellusten ansiosta (esim. ChatGPT ja Claude) valtaosa tietotyöntekijöistä on jo kokeillut jotakin generatiiviseen tekoälyyn pohjautuvaa sovellusta itsenäisesti joko töissä tai vapaa-ajallaan. Kysymys onkin, miten tällaisista pienimuotoisista ja omatoimisista kokeiluista voidaan päästä koko yrityksen kattavalle tasolle, jossa jokainen työntekijä hyödyntäisi tavalla tai toisella tekoälyä tehtävissään.
Tekoälyn hyödyntäminen yrityksessä voidaan jakaa karkeasti seuraavasti (mukailtu Anderson 2023).
Edellä mainittujen tasojen välillä on selkeät kynnykset, joiden ylittäminen vaikeutuu jokaisella tasolla. Ensimmäinen taso on helppo saavuttaa, koska kuka tahansa voi käyttää verkossa olevia valmiita työkaluja, mutta kun siirrytään yksilötasolta tiimien tasolle, niin tarvitaan koordinaatiota, yhteisiä toimintatapoja ja sekä tiimien ja yrityksen sisäisiä standardeja. Ensimmäinen askel generatiivisen tekoälyn integroimisessa yritystasolle on päättää, mihin tekoälyä voidaan ja mihin sitä ei voida käyttää yrityksen toiminnassa; eli päättää yrityksen yhteiset pelisäännöt ja suuntaviivat.
Toisen ja erityisesti kolmannen vaiheen kynnyksenä on myös esiopetettujen pohjamallien rajoitukset. Mikäli malleja ei ole opetettu yrityksen omalla datalla, niin niiden suorituskyky ei välttämättä riitä kriittisten päätösten tukemiseen. Tuolloin riskit virheellisistä ja vääristyneistä tuloksista eli hallusinaatioista ovat selvästi suuremmat kuin yksittäisen työntekijän pienimuotoisissa kokeiluissa. Lisäksi on tärkeää myös huomioida, että jos yritys on jo lähtövaiheessaan datavetoinen, niin sen on huomattavasti helpompi saavuttaa myös korkein taso generatiivisen tekoälyn käyttöönotossa, jolloin tekoäly alkaa vaikuttamaan niin strategiseen päätöksentekoon kuin yrityksen tulokseenkin.
Yhteenvetona voitaneen todeta, että generoivaan tekoälyyn liittyvä muutos on vaikutuksiltaan huomattavasti laajempi kuin perinteisemmällä ennustavalla tekoälyllä, koska se koskettaa useampia työtehtäviä ja työntekijöitä. Tilanne on monella tapaa verrannollinen tilanteeseen, kun tietokoneet alkoivat siirtymään konesaleista työntekijöiden työpöydille 1980-luvulla. Ei mennyt pitkään, kun ne eivät olleet enää vain harvojen saavutettavissa, vaan lähes jokaisen ulottuvilla.
Erityisesti tietotyössä generatiivisen tekoälyn hyödyntäminen on olennaista kilpailukyvyn säilyttämiseksi: valmiita työkaluja on kaikkien saatavilla, jolloin on perusteltua olettaa, että myös yrityksen kilpailijat hyödyntävät niitä tietotyön tekemiseen ja liiketoimintaan muutenkin. Generatiivista tekoälystä on moneen, mutta pk-yrityksen kannalta on kuitenkin tärkeää asettaa realistiset odotukset saavutettavissa oleville hyödyille ja oltava tietoinen mallien rajoituksista.
"Tilanne on monella tapaa verrannollinen tilanteeseen, kun tietokoneet alkoivat siirtymään konesaleista työntekijöiden työpöydille 1980-luvulla. Ei mennyt pitkään, kun ne eivät olleet enää vain harvojen saavutettavissa, vaan lähes jokaisen ulottuvilla."
Strateginen suunnittelu ja uniikit räätälöidyt palvelut, jotka vastaavat erityisiin liiketoimintatarpeisiin, ovat ratkaisevia tekijöitä kilpailuedun saavuttamisessa. Tällä hetkellä on mahdotonta ennustaa tarkasti, millaiseksi GenAI:n pelikenttä muodostuu tulevaisuudessa. Paljon riippuu siitä, miten innovatiivisia käyttötapauksia yrityksissä kehitetään ja missä mallien tekniset ja käytännölliset rajat tulevat vastaan.
Menestys vaatii yrityksiltä kykyä tunnistaa oman toimialansa erityiset mahdollisuudet ja haasteet tekoälyn hyödyntämisessä. Erityisen tärkeää on ymmärtää, mitkä prosessit ja palvelut hyötyvät eniten automatisoinnista ja tekoälyavusteisesta kehittämisestä. Parhaimmillaan GenAI voi auttaa yritystä luomaan täysin uudenlaisia palvelukonsepteja tai tehostamaan olemassa olevia prosesseja tavalla, joka erottaa yrityksen selkeästi kilpailijoistaan.
Haluamme antaa seuraavat ohjeet erityisesti pienille ja keskisuurille yrityksille. Seuraavaan viiten kohtaan kannattaa paneutua ajatuksen kanssa, sillä ohjeiden noudattaminen auttaa yritystäsi hyödyntämään tekoälyä tehokkaasti ja vastuullisesti omassa liiketoiminnassasi (mukailtu lähteistä Koupanou 2023; Iansiti & Lakhani 2020):
Seuraa tekoälykehitystä aktiivisesti, jotta tiedät millaisia sovelluksia ja tekoälymenetelmiä on saatavilla omalle alallesi. Sosiaalinen media (esim. Facebook, Linkedin ja X), uutiskirjeet sekä erilaiset foorumit ovat tähän kätevä ja nopea tapa. Tarjolla on lukuisia ilmaisia ja maksullisia tekoälykoulutuksia ja -kursseja, joiden kautta voit päivitää omaa ja yrityksesi henkilöstön soveltavaa osaamista varsin matalalla kynnyksellä.
Tutustu tekoälypalveluihin ja tee omia kokeiluja esimerkiksi syötteiden kanssa. Saatavilla on lukuisia ilmaisia tai edullisia GenAI-palveluita, jotka ovat luotu kokeilemista varten ilman merkittäviä investointeja. Voit aloittaa tutustumalla yleisimpiin työkaluihin kuten ChatGPT:hen tai Claudeen. Kokeile erilaisia syötteitä ja tehtävänantoja ymmärtääksesi, miten tekoäly reagoi erilaisiin pyyntöihin. Tärkeintä on oppia ymmärtämään työkalujen vahvuudet ja rajoitukset käytännön kautta.
Kerää oma porukkasi kollegoista ja oppikaa sekä kokeilkaa yhdessä. Selvitä mitkä tekoälykehittäjät toimivat toimialallasi ja kysy heidän tuotteistaan ja palveluistaan. Verkostoidu asiantuntijoiden ja yritysten kanssa. Jaa kokemuksiasi niin työyhteisösi sisällä kuin sen ulkopuolellakin. Pohdi yhdessä muiden kanssa soveltamismahdollisuuksia. Hyödynnä myös paikallisia teknologiayrityksiä ja startup-yhteisöjä, ja osallistu alan tapahtumiin ja koulutuksiin verkostoituaksesi.
Poista dataan ja prosesseihin liittyvät siilot ja keskitä yrityksen IT-arkkitehtuuri. Aidosti datakeskeisessä yrityksessä tekoälyn – sekä GenAI että perinteisen – käyttöönotto on huomattavasti nopeampaa ja tehokkaampaa. Hajanaiset järjestelmät hidastavat tekoälyn käyttöönottoa, kun taas yhtenäinen IT-arkkitehtuuri mahdollistaa datan sujuvan virtaamisen ja tekoälysovellusten tehokkaan integraation. Tämä edellyttää strategista suunnittelua ja investointeja, mutta tehostaa toimintaa ja parantaa kilpailukykyä.
Generatiivisen tekoälyn nopean kehityksen takia tilanne elää jatkuvasti; se, mikä tuntuu juuri nyt mahdottomalta tehtävältä tekoälylle, voi jo puolen vuoden päästä olla todellisuutta. Seuraa aktiivisesti toimialasi kehitystä, ja varaudu ja valmistaudu siihen, että se tulee kokemaan huomattavia mullistuksia tulevina vuosia. Tärkeintä on, että olet valmis muutokseen. Kehitä henkilöstösi osaamista ja varmista organisaatiosi muutoskyky. Tee toimialakohtaisia skenaarioanalyysejä tekoälyn vaikutuksista ja suunnittele yrityksellesi vaihtoehtoisia strategioita.
Vanhempi tutkija
+358 294471397
janne.kauttonen@haaga-helia.fi
Tutkimusviestinnän asiantuntija
+358 44 920 7374
martti.asikainen@haaga-helia.fi
AlEidan, M. & Amezaga, K., Y. 2023. Data Unleashed: Empowering Small and Medium Enterprises (SMEs) for Innovation and Success. World Economic Forum. Viitattu 28.1.2024.
Anderson, M., K. 2023. How to break out of your AI Pilot Phase. Viitattu 25.1.2024. Jasper.
Bhattacharyya, S. 2023. Generative AI and Adoption Readiness of different size Businesses. Medium. Viitattu 25.1.2024.
Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., Yee, L. & Zemmel, R. 2023. The economic potential of generative AI: The next productivity frontier. McKinsey & Company. Viitattu 25.1.2024.
Dencheva, V. 2023. Popularity of generative AI in marketing in the U.S. Statista. Viitattu 21.2.2024.
Marr, B. 2023. Generative AI And The Future of Content Creation. Julkaistu Forbesissa 30.11.2023. Forbes Media. New Jersey. Viitattu 21.2.2024.
Iansiti, M., & Lakhani, K. R. 2020. Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Press.
Koupanou, N. 2023. The AI Boom: Practical Guide to Generative AI for Small Businesses. Towards AI. Viitattu 22.1.2024.
Soni, V. 2023. Impact of Generative AI on Small and Medium Enterprises’ Revenue Growth: The Moderating Role of Human, Technological, and Market Factors. Reviews of Contemporary Business Analytics, 6(1), 133–153.