• tekoäly

Mikä AI-projektin johtamisessa oikeasti muuttuu

Erika Vitikainen - projektinhallinta tekoälyn aikakaudella
Erika Vitikainen

Written by — Erika Vitikainen, Project Delivery Lead

Projektinhallinta tekoälyn aikakaudella

Ohjelmistokehityksessä olemme tottuneet määrittelemään, miten järjestelmän pitäisi toimia. Kun ostoskorin arvo ylittää sata euroa, saat kaupan päälle kissan. Sääntö toteutetaan ja testataan.

Mutta entä kun haluamme ennustaa asiakaspoistumaa tai rakentaa asiakkaan kysymyksiä tulkitsevan avustajan? Kaikkia oikeita vastauksia ei voi kirjoittaa valmiiksi säännöiksi. Ratkaisun laatu riippuu myös siitä, mitä malli on oppinut datasta ja miten se sitä soveltaa.

Tätä eroa kuvataan käsitteillä deterministinen ja probabilistinen. Ensimmäinen tuottaa samoilla lähtötiedoilla saman tuloksen, jälkimmäinen perustuu todennäköisyyksiin ja epävarmuuteen. Elämme siis nyt epävarmuuksien ja todennäköisyyksien maailmassa.

Tekoälyn vastaus voi olla väärä, vaikka se esittäisi asiansa itsevarmemmin kuin kukaan muu palaverissa. Kaikki AI ei silti anna samalla syötteellä eri vastausta, eikä tavallinen ohjelmisto ole virheetön. Olennainen ero on tämä: toiminnallisuuden valmistuminen ei vielä osoita, että AI-ratkaisu suoriutuu tehtävästään riittävän hyvin.

Myös AI:n käyttäminen kehitystyössä haastaa onnistumisen mittarit. Atlassianin State of Product 2027 -kyselyssä 80 % vastaajista koki AI:n nopeuttavan julkaisemista ilman, että asiakkaat saavat arvoa aiemmin. Vauhtia siis löytyy, mutta usein tuloksia vielä odotellaan.

IMG_0845 (1)

Kuva: Erika hänen ensimmäisessä Recordly-hackathonissa

Mitä sitten aikuisten oikeasti pitäisi tehdä, että AI-projekti tuottaa arvoa?

1. Varmista, että älyä on ennen tekoja

”Meidän pitäisi tehdä jotain AI:lla.” Varmasti voisi. Mahdollisuudet ovat ihania ja houkuttelevia, ja tekisi mieli päästä jo kokeilemaan. Mutta ennen kuin varaamme kalenterit täyteen, vastataan muutamaan kysymykseen:

  • Minkä ongelman oikeasti ratkaisemme?
  • Nopeutammeko vain vanhaa, toimimatonta prosessia, vai luommeko uutta arvoa?
  • Miksi AI olisi paras vaihtoehto?
  • Onko tarvittava data käytettävissä ja käyttökelpoista?
  • Mistä tunnistamme onnistumisen?
  • Mitä virheestä seuraa, ja kuka vastaa?

Näiden jälkeen backlog saattaa näyttää erilaiselta. Ensimmäiseksi pitää ehkä selvittää, sisältääkö data ratkaisun tarvitseman tiedon. Voimmeko tunnistaa asiakkaan lähtöaikeet ajoissa vai näemmekö lähinnä sen, kuka on jo lähtenyt? Jälkimmäinenkin on hyödyllistä tietoa, mutta asiakkaan pelastamiseen olemme vähän myöhässä.

Selvitykselle voi sopia aikataulun ja budjetin, mutta myönteistä tulosta ei voi luvata etukäteen. Suunnittele siis myös, mitä pitää oppia ennen seuraavaa investointipäätöstä. Tavoitteen rajaaminen uudelleen voi olla projektin paras päätös, vaikka se tarkoittaisi hienon suunnitelman muuttamista.

2. Katso myös pellin alle, vaikka demo olisi kuinka ihana

AI:sta puhuttaessa huomio kiinnittyy helposti malliin. Vähemmälle huomiolle jää, kuinka suuri osa työstä voi liittyä datan saatavuuteen, laatuun, valmisteluun ja ylläpitoon. AI-ratkaisussa iso osa logiikasta tulee datasta, joten datatyö on osa tuotekehitystä eikä sen esivaihe.

Hienoinkaan malli ei päätä puolestamme, mikä yrityksen viidestä ristiriitaisesta ohjeesta on oikea. Sovelluskehitys ja datatyö kulkevatkin rinnakkain: käyttöliittymä voi olla valmis, vaikka sen käyttämä tieto olisi vanhentunutta.

Kuka omistaa tiedon ja päivittää sen? Näille tehtäville tarvitaan tilaa projektisuunnitelmassa, vaikka niistä saakin vähemmän näyttävän demon. AI synnyttää uusia rooleja ja muuttaa osaamistarpeita.

Datan kypsyys on kuin talon perustus, jonka varaan AI-ratkaisu rakennetaan. Kevyt kokeilu voi onnistua, vaikka lähteenä olisi jarmon_excel_final, mutta luotettava tuotantokäyttö laajemmassa mittakaavassa vaatii usein kunnollisen data-alustan ja yhteisesti sovitut käytännöt.

Myös tulosten laadulle tarvitaan yhteiset kriteerit ja oikeita käyttötilanteita vastaavat arviointitehtävät. Markkinointitekstin kömpelö lause ja väärä sopimustieto ovat erilaisia virheitä. ”Riittävän hyvän” määrittely tarvitsee siis liiketoiminnan asiantuntemusta. Sitä ei voi kuitata sillä, että tekninen tiimi kyllä testailee.

Rajattu pilotti oikeilla käyttäjillä näyttää, paraneeko työ kokonaisuutena. Jos vastaus syntyy minuutissa mutta tarkistamiseen menee kymmenen, kannattaa vilkaista hyötylaskelmaa uudelleen. Ettei vain automatisoitu yhtä työvaihetta ja keksitty kahta tilalle. Seuranta tarvitsee omistajan ja budjetin myös julkaisun jälkeen: datan ja toimintaympäristön muuttuessa kerran toimivaksi todettu ratkaisu ei automaattisesti pysy sellaisena.

2026_04_16Recordlydata,kuvapankkikuva-21 Large

3. Kysy ihmisiltä ennen kuin päätät heidän olevan muutosvastarintaisia

AI-hankkeessa ei sovita pelkästään uudesta työkalusta vaan myös siitä, mitä kone saa päättää ja mistä ihminen vastaa.

Yksi näkee hankkeessa mahdollisuuksia, toinen miettii oman osaamisensa tulevaisuutta ja kolmas vastuutaan järjestelmän virheistä. Näihin ei vastata pelkällä käyttöönottokoulutuksella, vaikka lopussa olisi kokonaiset viisi minuuttia aikaa kysymyksille. Tarvitaan keskustelua työn muutoksista, päätösvallasta ja ongelmatilanteiden hoitamisesta.

Kaikki epäily ei myöskään ole muutospelkoa. Asiantuntijan huomio tärkeästä poikkeustilanteesta voi olla projektin arvokkainta palautetta. Kutsu tulevat käyttäjät mukaan määrittelemään onnistumista ja arvioimaan tuloksia. Sopikaa samalla koneen ja ihmisen työnjako yhdessä. Luottamusta auttaa, kun ihminen ymmärtää ratkaisun hyödyt ja rajat sekä pääsee vaikuttamaan oman työnsä muutokseen.

AI-projektissa tarvitaan edelleen tavoitteita, rajaamista, yhteistyötä ja päätöksiä. Lisäksi tarvitaan näyttöä siitä, että data ja ratkaisu kantavat tavoiteltuun lopputulokseen. Seuraavassa projektipalaverissa kysyisin siis aikataulun lisäksi: mitä olemme jo osoittaneet toimivaksi, ja mitä vasta toivomme kovasti?

Latest from the Blog

Check out more articles