Analyysi: Tekoälyn käyttöönoton trendit FAIRin asiakasyrityksissä
Umair Ali Khan, 19.2.2025
Tekoälyn mullistaessa liiketoimintaympäristöä, yritykset kamppailevat sen tehokkaan käyttöönoton haasteiden kanssa. Finnish AI Region (FAIR) on tutkinut yli 70 eurooppalaisen yrityksen tekoälyn omaksumista ja tunnistanut keskeisiä trendejä, haasteita ja menestystekijöitä. Tässä artikkelissa pureudutaan FAIRin tekoälykonsultoinnin kautta syntyneisiin havaintoihin ja tarjotaan arvokkaita näkökulmia tekoälyn kypsyystasoihin, teknisen osaamisen vaatimuksiin sekä toimialakohtaisiin sovelluksiin niin startupeissa kuin vakiintuneissa yrityksissä.
Tässä artikkelissa pureudutaan FAIRin tekoälykonsultoinnin kautta syntyneisiin havaintoihin ja tarjotaan arvokkaita näkökulmia tekoälyn kypsyystasoihin, teknisen osaamisen vaatimuksiin sekä toimialakohtaisiin sovelluksiin niin startupeissa kuin vakiintuneissa yrityksissä.
Käännös: Tämä teksti on käännetty tekoälyn avustuksella
Vaikka yritykset maailmanlaajuisesti lisäävät investointejaan tekoälyyn, tehokas integraatio on edelleen merkittävä haaste. Keskeinen ensimmäinen askel on arvioida tekoälyn käyttöönoton toteutettavuus ja tarpeellisuus selkeän tekoälytiekartan luomiseksi. Tukeakseen yrityksiä tässä prosessissa Finnish AI Region (FAIR) -projekti tarjoaa ilmaista tekoälykonsultointia startupeille, vakiintuneille yrityksille ja teknologiatoimittajille niiden tekoälyvalmiuksien kehittämiseksi. Nämä Haaga-Helia ammattikorkeakoulun johtamat palvelut yhteistyössä FAIR-kumppaneiden kanssa tarjoavat räätälöityä ohjausta yrityksille niiden tekoälyn käyttöönoton eri vaiheissa.
Jokaisen konsultointitapaamisen jälkeen yritykset saavat yksityiskohtaisen palauteraportin. Tämä raportti arvioi heidän ehdottamansa tekoälyidean, nykyisen ratkaisun tilan, olemassa olevat tekoälyvalmiudet, haasteet ja vaatimukset. Se sisältää myös konkreettisia toimenpiteitä ja teknisiä suosituksia seuraavien askeleiden ohjaamiseksi tehokkaasti. Tämä artikkeli esittelee keskeisiä havaintoja FAIR-tekoälykonsultoinnin tietojen analyysiin perustuen. Se tarkastelee yritysten eniten tavoittelemia tekoälyteknologioita, tärkeimpiä tekoälyneuvontaa hakevia sektoreita, tekoälyn kypsyystasojen ja asiantuntemuksen välistä yhteyttä sekä yritysten kohtaamia merkittävimpiä haasteita tekoälyn käyttöönotossa.
FAIR-neuvonta ja sen asiakasyritykset
FAIRin neuvontaprosessi alkaa tarveanalyysitapaamisilla, jotka keskittyvät keskeisiin teknologiateemoihin, mukaan lukien tekniset katsaukset, tekoäly/koneoppimissuositukset ja datapalvelut. Kukin tapaaminen koostuu tunnin mittaisesta kokouksesta, jota seuraa palauteraportti sisältäen analyysin tulokset ja suositukset.
Myöhemmissä vaiheissa neuvonta laajenee erillisiin palveluihin kattaen tiettyjä alueita kuten tekoälyratkaisujen arviointi, projektien suunnittelu, tekoälyn kypsyyden kehittäminen, tiedonhallinta ja tekoälysääntely. Tekoälyneuvonta tarjoaa myös palveluita liittyen tekoälypohjaiseen transformaatioon, datastrategiaan, proof-of-concept-kehitykseen (PoC) ja rahoitushakemusten tukemiseen.
Tähän mennessä FAIR on tarjonnut tekoälykonsultointia yli 70 yritykselle, joista 56 on suomalaisia, 12 ruotsalaisia, 1 italialainen ja 1 skotlantilainen yritys. Näistä 39 on startupeja ja 31 vakiintuneita yrityksiä. Suurin osa (48) näistä yrityksistä on matalalla tekoälyn maturiteettitasolla, 12 keskitasolla ja 10 korkealla maturiteettitasolla.
FAIR:n tekoälyneuvonta tukee yrityksiä tekoälyn integroinnin eri vaiheissa. Data-as-a-service (DaaS) -yritykset, joilta usein puuttuu sisäinen tekoälyosaaminen, keskittyvät datapalveluihin kuten puettavien laitteiden dataan ja hakevat tekoälyparannuksia palveluihinsa. Tekoälystartupeilta, joilla on vain perustiedot, puuttuu usein ohjausta konseptiensa jalostamiseen. Esimerkiksi startup, joka analysoi psykologisten istuntojen dataa, haki teknisiä suosituksia ratkaisunsa parantamiseksi.
Vakiintuneet yritykset, jotka ovat uusia tekoälyn parissa, tarvitsevat usein selkeän tiekartan tekoälyn integroimiseksi toimintoihinsa. Esimerkiksi eräs yritys tarvitsi teknistä neuvontaa automatisoidakseen osien tunnistamisen teknisistä piirustuksista ja tarjousten luomisen tehokkaasti.
Yritykset, joilla on keskitason tekoälyosaamista, pyrkivät parantamaan valmiuksiaan kehittyneemmillä ratkaisuilla. Esimerkiksi eräs yritys siirtyi sääntöpohjaisesta diagnostiikasta tekoälypohjaiseen järjestelmään, joka diagnosoi yksinkertaisia sairauksia potilaan vastausten perusteella ja luo tarkkoja yhteenvetoja lääkäreiden tarkasteltavaksi.
Teknologia (tekoäly) -toimittajayritykset, joilla on enemmän kokemusta tekoälystä, keskittyvät tyypillisesti teknologioidensa skaalaamiseen. He etsivät usein palveluita kuten laskentateho, datan validointi, datan kerääminen tai edistynyt tutkimus. Esimerkiksi yritys, joka kehittää keskustelevia agentteja kielimallien avulla, haki ohjausta datarakenteiden parantamiseen tarjotakseen tarkempia ja kontekstitietoisempia vastauksia yrityksen datasta.
FAIRin asiakkaat
Tekoälymaturiteetin ja teknisen osaamisen trendit
- Matala AIML: Nämä yritykset ovat tekoälyn integroinnin tai kehityksen alkuvaiheissa ja/tai tyypillisesti ideointivaiheessa ja/tai vain proof of concept -vaiheessa. Heillä on rajallisesti dataa, resursseja ja asiantuntemusta sekä vähäinen ymmärrys tekoälystä. Tekoälyä käytetään minimaalisesti tai ei lainkaan työnkuluissa, eikä tiedonhallintaprosesseja tai tekoälytiekarttaa ole olemassa.
- Keskitason AIML: Nämä yritykset etenevät tekoälymatkallaan, siirtyen proof-of-concept-vaiheen ohi toimiviin ratkaisuihin. Heillä on riittävästi dataa, resursseja, asiantuntemusta ja ymmärrystä tekoälystä. Tekoäly on joko täysin tai osittain integroitu heidän työnkulkuihinsa, tuettuna vakiintuneilla tai kehittyvillä tiedonhallintaprosesseilla ja ohjattuna osittain tai täysin muotoillulla tekoälytiekartalla.
- Korkea AIML: Nämä yritykset ovat jo kehittäneet edistyneitä tekoälytuotteita ja heillä on vakiintunut asiakaskunta. Tekoäly on täysin tai osittain integroitu heidän työnkulkuihinsa, tuettuna vakiintuneilla tiedonhallintaprosesseilla ja ohjattuna tekoälytiekartalla. He tarvitsevat apua tietyissä teknisissä yksityiskohdissa tai kehittäessään uusia tekoälysovelluksia olemassa olevien ratkaisujensa päälle.
Suuri osa sekä startupeista että vakiintuneista yrityksistä on matalalla AIML-tasolla, mikä osoittaa, että tekoälyn käyttöönotto on edelleen alkuvaiheessa monissa yrityksissä. Jopa vakiintuneet yritykset näyttävät ottavan tekoälyä käyttöön hitaammin johtuen tekijöistä kuten vanhat järjestelmät, muutosvastarinta ja uusien teknologioiden integroinnin monimutkaisuus vakiintuneisiin prosesseihin (Alsheiabni et al., 2019). Sitä vastoin huomattava osa startupeista on keskitason ja korkean AIML:n tasolla, mikä heijastaa niiden taipumusta ottaa tekoäly käyttöön alusta alkaen.
Matalan teknisen osaamisen havaittiin olevan vahvasti yhteydessä mataliin AIML-tasoihin, ja suuri osa tämän kategorian yrityksistä kärsii tarvittavan tiedon ja taitojen puutteesta tekoälyn käyttöönoton edistämiseksi – trendi, joka on yhdenmukainen Radhakrishnan et al. (2020) tutkimuksen kanssa. Yritykset, joilla on korkea tekninen osaaminen, osoittavat merkittävästi korkeampia AIML-tasoja. AIML-tasot ovat tasaisemmin jakautuneet keskitason teknisen osaamisen omaavien yritysten kesken. 54,2 % näistä yrityksistä on matalalla tasolla, kun taas 37,5 % kuuluu keskitason kategoriaan. Tämä korostaa kohdennetun ohjauksen tarvetta näiden yritysten tekoälyvalmiuksien edistämiseksi.
FAIR-ekosysteemissä suurempi osa korkean teknisen osaamisen yrityksistä on vakiintuneita yrityksiä, mikä viittaa siihen, että resurssien saatavuus ja toimialakokemus mahdollistavat näiden yritysten kehittää sisäistä tekoälyosaamista (Alsheiabni et al., 2019). Startupit muodostavat 22,2 % korkean osaamisen yrityksistä, mikä osoittaa, että vaikka monet aloittavat rajallisella teknisellä osaamisella, ne aktiivisesti rakentavat asiantuntemusta kasvaessaan. Samoin 58,3 % keskitason teknisen osaamisen yrityksistä on startupeja, mikä heijastaa niiden pyrkimyksiä parantaa tekoälyn kypsyyttä osana kasvustrategiaansa – trendi, joka on linjassa Radhakrishnan et al. (2020) havaintojen kanssa.
FAIR-asiakasyritysten pääasialliset toimialat
Analyysimme tunnistaa useita keskeisiä klustereita, joissa FAIR-asiakasyritykset toimivat. Näihin sektoreihin kuuluvat terveydenhuolto, koulutus ja valmennus, rakentaminen ja suunnittelu, liiketoiminta ja kiinteistöt, valmistus ja muut. Terveydenhuolto- ja hyvinvointisektorilla tekoälyn integrointivaatimuksiin kuuluvat potilaiden hoidon optimointi, kroonisten sairauksien hallinta, yksilöllisten kuntosuositusten tarjoaminen ja sairauksien etenemisen ennustaminen, kuten sydänsairaudet, uniapnea ja dementia. Ne tutkivat myös dokumentoinnin automatisointia, lääkkeiden seurantaa ja potilaiden tuntemusten analysointia hoidon tehokkuuden ja tulosten parantamiseksi.
Koulutus- ja valmennussektorilla on ainutlaatuisia vaatimuksia, mukaan lukien tekoälypohjainen musiikin oppiminen, taitojen yhteensovittaminen korkeakouluissa, tietovisojen luominen opetusvideoista, chatbotien kehittäminen maahanmuuttajien taitojen kehittämiseen, tekoälypohjaisen kielenoppimisen mahdollistaminen ja yksilöllisten oppituntisuunnitelmien ja tavoitteiden luominen. Rakennus- ja suunnittelusektorilla yritykset tarvitsevat tekoälyratkaisuja 3D-pistepilvikuvien analysointiin sisätilojen mittaamiseksi, rakennuksen tietomallien luomiseen skannatuista kuvista, talojen mallien luomiseen kierrätysmateriaaleista, rakennustehtävien aikataulutukseen, työmaiden edistymisen seurantaan ja rakennussopimusten automaattiseen laatimiseen.
Valmistavan teollisuuden kontekstissa organisaatiot pyrkivät tehostamaan toimintaansa ja kohentamaan tuottavuuttaan implementoimalla automatisoituja tarjouslaskentajärjestelmiä, konekomponenttien visuaalista analysointia sekä kolmiulotteisten kuvien automaattista annotointia. Samanaikaisesti eri toimialoilla on havaittavissa kasvava tarve integroida organisaatiokohtaista dataa kielimalleihin, mikä mahdollistaa sisäisiin dokumentteihin pohjautuvien kyselyiden käsittelyn ja siten tehostaa sekä tiedon saatavuutta että päätöksentekoprosesseja. Nämä toimialakohtaiset esimerkit havainnollistavat, kuinka tekoälyä räätälöidään vastaamaan monimuotoisiin ja käytännönläheisiin liiketoiminnallisiin haasteisiin.
Major Domains of FAIR Customers
Yritysten tarvitsemat teknologiat
Merkittävä osa FAIR-yrityksistä hyödyntää generatiivista tekoälyä joko kokonaisvaltaisesti tai osittain. Tämä on linjassa McKinseyn viimeaikaisen tutkimuksen (McKinsey 2024) kanssa, jonka mukaan 65 % organisaatioista käyttää generatiivista tekoälyä säännöllisesti. Yritykset hyödyntävät tätä teknologiaa luonnollisen kielen käsittelyssä, sisällöntuotannossa ja kielimalleihin pohjautuvissa keskustelevissa agenteissa.
Toinen merkittävä trendi on perinteisen koneoppimisen hyödyntäminen erilaisissa sovelluskohteissa. Näihin lukeutuvat käyttäjien syötteiden ennustaminen verkkolomakkeiden arvoajureiden täyttämisessä, kroonisten sairauksien etenemisen ennustaminen, dialyysisuunnitelmien mukauttaminen, potilaiden odotusaikojen arviointi sekä uniapnean ja aivohalvausten kaltaisten tilojen ennustaminen. Tilastolliseen mallintamiseen ja kuvailevaan analytiikkaan perustuvaa prediktiivistä analytiikkaa hyödynnetään myös potilaiden hoidon optimoinnissa, elämäntapatekijöiden vaikutusten analysoinnissa kroonisiin sairauksiin, fysiologisten signaalien tutkimisessa ja hoitotulosten ennustamisessa.
Konenäkö on niin ikään keskeinen painopistealue, jota hyödynnetään muun muassa sydänsairauksien diagnosoinnissa sydänkuvantamisesta, hammassairauksien havaitsemisessa hammaskuvista, sairauksien ennustamisessa solukuvista, automaattisten tarjousten generoinnissa teknisistä piirustuksista, sähkölinjojen havaitsemisessa 3D-pistepilvikuvista, automaattisessa kohteen havaitsemisessa ja seurannassa puolustustarkoituksiin, Alzheimerin taudin varhaisessa tunnistamisessa silmänliikkeiden perusteella sekä kiinnostavien kohteiden tunnistamisessa kuvista.
”Monissa tapauksissa suosittelimme yrityksille aloittamista yksinkertaisesta sääntöpohjaisesta järjestelmästä ennen siirtymistä tekoälypohjaiseen ratkaisuun. Vaikka nämä järjestelmät ovat tekoälyä tehottomampia, ne ovat helpompia implementoida, sisältävät minimaalisia riskejä ja tarjoavat käytännöllisen lähtökohdan yrityksille, jotka ovat vasta aloittamassa tekoälyn käyttöönottoa.”
Jotkin sovellukset hyödyntävät edelleen perinteisiä sääntöpohjaisia järjestelmiä. Esimerkiksi yksilölliset terveydenhuoltosuunnitelmat perustuvat usein ennalta määriteltyihin sääntöihin tai WHO:n ohjeistuksiin. Nämä trendit havainnollistavat tekoälyteknologioiden monipuolista ja kehittyvää käyttöä eri sektoreilla ja sovelluksissa.
Monissa tapauksissa suosittelimme yrityksille aloittamista yksinkertaisesta sääntöpohjaisesta järjestelmästä ennen siirtymistä tekoälypohjaiseen ratkaisuun. Vaikka nämä järjestelmät ovat tekoälyä tehottomampia, ne ovat helpompia implementoida, sisältävät minimaalisia riskejä ja tarjoavat käytännöllisen lähtökohdan yrityksille, jotka ovat vasta aloittamassa tekoälyn käyttöönottoa.
Merkittävimmät haasteet tekoälyn käyttöönotossa
Tutkimusten mukaan monet yritykset kamppailevat pienten datajoukkojen, datavuodon ja vähäisen tekoälyosaamisen kanssa, mikä vaikeuttaa tekoälyn implementointia (Luley et al., 2023). Oldemeyer et al. (2024) tutkimuksessa havaittiin yleisimpien haasteiden liittyvän osaamiseen, kustannuksiin ja IT-infrastruktuuriin/digitaaliseen kypsyyteen, jotka ulottuvat taloudellisiin, sosiaalisiin ja teknologisiin ulottuvuuksiin. Govori et al. (2023) mainitsevat niin ikään korkeat kustannukset ja tekniset vaatimukset tekoälyn implementoinnin pääasiallisina esteinä.
Tutkimukset ovat linjassa havaintojemme kanssa teknisen osaamisen puutteista erityisesti mallien määrittelyssä, algoritmisissa vaatimuksissa, tarkkuusstandardeissa ja toleranssiparametreissa. Useat yritykset kamppailevat datan keräämisen kanssa, sillä niiltä puuttuu validi strategia ja keinot datan keräämiseen ja validointiin, ellei dataa ole jo valmiiksi kerätty ja arkistoitu. Lisäksi sääntelyyn liittyvän osaamisen puute tekoälyn käytössä ja arkaluonteisen datan käsittelyssä tietyillä aloilla, kuten esimerkiksi terveydenhuollossa, jossa lisäturvallisuus- ja läpinäkyvyystoimenpiteet ovat välttämättömiä, aiheuttaa huomattavia haasteita tekoälyn käyttöönotossa.
Tyypillisiä, toistuvia käyttöönoton haasteita ovat:
- Vahva riippuvuus kolmannen osapuolen tekoälymalleista ja -palveluista (esim. OpenAI), jotka ovat kaikkien kehittäjien saatavilla, ja niiden käyttäminen sellaisenaan ilman integrointia uudenlaiseen palveluun. Uutuusarvon puute vaikeuttaa yrityksen erottautumista ja kilpailuedun löytämistä.
- Prototyypistä valmiiseen tuotteeseen siirtymisen työmäärän aliarviointi, esimerkiksi generatiivisten tekoälymallien vaatiman perusteellisen testauksen ja arvioinnin osalta, sillä ne ovat pohjimmiltaan stokastisia ja ei-deterministisiä järjestelmiä.
- Todellisen liiketoiminta-arvon ymmärtämisen puute: Monet yritykset seuraavat tekoälyhypeä ja yrittävät integroida tekoälyä ymmärtämättä tai arvioimatta täysin sen todellista liiketoiminta-arvoa. Tämä johtaa usein keskinkertaisiin tuotteisiin, joiden käytännön toteutuskelpoisuus, liiketoiminta-arvo ja skaalautuvuus ovat rajallisia.
- Tarpeeton tekoälyn käyttö: Tekoälyn käyttäminen tilanteissa, joissa yksinkertaisemmat ratkaisut riittäisivät, voi olla haitallista. Monissa tapauksissa yksinkertainen sääntöpohjainen tai tilastollinen malli voisi tehokkaasti hoitaa keskeiset toiminnallisuudet ilman tekoälyn monimutkaisuutta.
- Tekoälyratkaisujen riittämätön arviointi: Asianmukaisten arviointien kehittämisen ja suorittamisen laiminlyönti tekoälyratkaisuille tuotanto-olosuhteita vastaavissa tilanteissa ja datassa. Tähän sisältyy tyypillisiä koulutusdatan vuotamisongelmia, joissa samaa dataa käytetään sekä tekoälyratkaisun kehittämisessä että sen tehokkuuden testaamisessa, mikä johtaa usein liioiteltuihin suorituskykyarvioihin.
- Yhteiskehittämisen lähestymistavan puute: Monet yritykset näkevät tekoälyn kehittämisen pelkästään kehittäjien teknisenä tehtävänä. Todellisuudessa onnistunut tekoälyn käyttöönotto edellyttää monitieteistä lähestymistapaa, johon osallistuvat tekniset asiantuntijat, päätöksentekijät ja johto. Perustason tekoälykoulutuksen tarjoaminen ei-teknisille sidosryhmille voi olla hyödyllistä heidän tehokkaan panoksensa ja tekoälyratkaisujen liiketoimintatavoitteiden yhdenmukaistamisen kannalta.
Kestävän käyttöönoton valmistelu dynaamisessa toimintaympäristössä
Tekoälyn menestyksekäs käyttöönotto nojaa vahvasti teknisten taitojen kehittämiseen ja selkeään ymmärrykseen sen liiketoiminta-arvosta. Yritysten tulee keskittyä hankkimaan oikeanlaista osaamista tietoaukkojen täyttämiseksi ja tunnistaa ne alueet, joilla tekoäly voi aidosti tehostaa toimintaa ja tuloksia.
Kehittyvä sääntelymaisema, mukaan lukien tuleva tekoälyasetus (AI Act), asettaa merkittäviä haasteita. Tekoälyasetus voi erityisesti vaikuttaa omistettujen tekoälymallien käyttöön Euroopassa ja lisätä tekoälyn käyttöönoton monimutkaisuutta. Lisäksi yritysten on säilytettävä mukautumiskykynsä, sillä tämän päivän tekoälyratkaisut voivat nopeasti vanhentua tällä kiivaasti kehittyvällä alalla. Yritysten on pysyttävä näiden muutosten tahdissa säilyttääkseen kilpailukykynsä ja merkityksellisyytensä.
FAIR-neuvontapalveluilla on tärkeä rooli yritysten tukemisessa näiden haasteiden keskellä. Tarjoamalla räätälöityä ohjausta, yksityiskohtaista palautetta ja toteuttamiskelpoisia suosituksia autamme yrityksiä selviytymään tekoälyn käyttöönoton haasteista, yhdenmukaistamaan strategiansa nousevien trendien kanssa ja tulevaisuuden turvaamaan investointinsa. Neuvontapalvelumme mahdollistavat yritysten hyvän valmistautumisen menestymiseen dynaamisessa ja jatkuvasti muuttuvassa tekoälyn toimintaympäristössä.
Tulevat toimenpiteemme sisältävät uuden tekoälyn kypsyysmallin ja osaamisviitekehyksen implementoinnin yrityksille. Nämä tarjoavat arvion yritysten tekoälykypsyydestä sekä räätälöityjä toimenpide-ehdotuksia ja osaamisen kehittämissuosituksia yhdessä roolikohtaisten kehittämispakettien kanssa auttaaksemme yrityksiä edistämään tekoälykyvykkyyksiään tehokkaasti.
Yhteystiedot
Umair Ali Khan
Vanhempi tutkija
+358 29 447 1413
umairali.khan@haaga-helia.fi
Lähteet
Sulaiman, A., Cheung, Y. & Messom, C. (2019). Factors inhibiting the adoption of artificial intelligence at organizational-level: A preliminary investigation.” Americas Conference on Information Systems. Association for Information Systems.
Radhakrishnan, J. & Chattopadhyay, M. (2020). Determinants and barriers of artificial intelligence adoption–A literature review. Re-imagining diffusion and adoption of information technology and systems: A continuing conversation. IFIP WG 8.6 International Conference on Transfer and Diffusion of IT.
McKinsey & Company. (2024). The state of AI. Retrieved from https://www.mckinsey.com/capabilities/quantumblack/ourinsights/the-state-of-ai
Luley, P., Deriu, J., Yan, P., Schatte, G., & Stadelmann, T. (2023). From Concept to Implementation: The Data-Centric Development Process for AI in Industry. 2023 10th IEEE Swiss Conference on Data Science (SDS), 73-76.
Govori, A., & Sejdija, Q. (2023). Future prospects and challenges of integrating artificial intelligence within the business practices of small and medium enterprises. Governance & Regulation, 10.
Oldemeyer, L., Jede, A., & Teuteberg, F. (2024). Investigation of artificial intelligence in SMEs: a systematic review of the state of the art and the main implementation challenges. Management Review Quarterly. Springer.
