Tekoäly muuttaa johtamista kolmella tasolla – organisaatiokaavio ei enää kerro, miten työ todella tehdään

Tekoälymurrosta käsitellään usein muutosjohtamisen kysymyksenä.

Miten henkilöstö saadaan mukaan? Miten uudet työkalut otetaan käyttöön? Miten osaamista kehitetään? Miten muutosvastarintaa käsitellään?

Kaikki ovat edelleen relevantteja kysymyksiä.

Mutta mielestäni ne eivät enää riitä.

Generatiivinen tekoäly ja erityisesti AI-agentit eivät tuo organisaatioihin vain yhtä uutta teknologiaa, jonka käyttöönotto voidaan suunnitella, toteuttaa ja lopulta vakiinnuttaa osaksi normaalia toimintaa.

Ne muuttavat itse työn tekemisen tapaa niin nopeasti, että myös johtamisen lähtökohtaa pitää tarkastella uudelleen.

Oma ajatteluni on viime aikoina tiivistynyt kolmeen tasoon:

1. Strategisella tasolla pitää johtaa jatkuvaa uudistumiskykyä.
2. Organisaatiotasolla pitää murtaa funktionaalisia siiloja ja jäykkiä työnkuvia.
3. Työn tasolla pitää pystyä muotoilemaan ihmisten ja tekoälyn työnjakoa uudelleen työtehtävä kerrallaan.

Nämä eivät tarkoita sitä, että vuosikymmenten aikana muodostuneet johtamisen fundamentit pitäisi heittää romukoppaan.

Päinvastoin.

Yrityksiä pitää jatkossakin johtaa tavoitteiden, resurssien, vastuiden, budjettien, kannattavuuden, toimintaympäristön ja lakisääteisten velvoitteiden kautta. Yhteiskunnat, lainsäädäntö ja yritysten fyysiset rakenteet muuttuvat paljon teknologiaa hitaammin.

Mutta niiden alle on muodostumassa uusi, paljon dynaamisempi työn tekemisen kerros.

Koulutus voi käynnistää muutoksen. Se ei yksin muuta työtä.

Koulutusten arvioinnissa yhä käytetty Kirkpatrickin nelitasomalli kysyy edelleen oikeita asioita: koettiinko koulutus relevantiksi (REACTION), opittiinko jotain (LEARNING), muuttuiko toiminta työssä (BEHAVIOR) ja syntyikö tuloksia (RESULTS). Kirkpatrick, 1959–1960 ; The Kirkpatrick Model -mallin uusin versio.

Kirkpatrickin mallin neljä tasoa ovat kuitenkin arvioinnin näkökulmia, eivät automaattinen syyketju Alliger & Janak, 1989. Hyvä koulutuskokemus ei vielä takaa oppimista. Oppiminen ei takaa, että taitoa voi käyttää työssä. Eikä käyttö yksin todista liiketoiminta-arvoa.

Tutkimus tukee tätä varsin johdonmukaisesti: koulutuksen siirtymisessä työhön vaikuttavat myös muun muassa koettu hyödyllisyys, harjoittelu, esihenkilön tuki, mahdollisuus käyttää opittua ja työympäristön käytännöt. Alliger ym. 1997; Blume ym. 2010; Grossman & Salas, 2011.

AI-muutoksessa väliin tulevat lisäksi työkalut, lisenssit, data, käyttöoikeudet, pelisäännöt, laadunvarmistus ja työnkulut. Siksi koulutus voi parhaimmillaan käynnistää muutoksen, mutta työympäristö ratkaisee, näyttäytyykö se työpaikalla käyttäytymisen muutoksena eli uusina tapoina tehdä työtä.

Päivitykseni Kirkpatrickin malliin tekoälyn aikakaudella

Kirkpatrick AI-muutoksessa. Neljä alkuperäistä arviointitasoa säilyvät, mutta niiden ympärille tarvitaan muutoksen suunta ja edellytykset sekä jatkuva sopeutuminen. Tasot eivät ole automaattinen syyketju.

1. Muutoksen johtamisesta jatkuvan uudistumiskyvyn johtamiseen

Ajatus organisaation jatkuvasta uudistumiskyvystä ei ole uusi.

Strategiatutkimuksessa dynamic capabilities -teoria on jo pitkään käsitellyt yrityksen kykyä havaita toimintaympäristön muutoksia, tarttua mahdollisuuksiin ja muuttaa omia resurssejaan ja toimintatapojaan. David Teecen tunnetussa jäsennyksessä puhutaan kyvykkyyksistä sensing, seizing ja reconfiguring. Teece, 2007.

Myös transformaation johtamisessa ajattelu on liikkunut samaan suuntaan. Harvard Business Review'n Michael Mankins ja Patrick Litre ovat esittäneet perinteisen, alkavan ja päättyvän transformaatio-ohjelman tilalle jatkuvan transformaation mallia. Heidän lähtökohtansa on yksinkertainen: jatkuvasti muuttuvassa ympäristössä myös organisaation transformaation täytyy olla jatkuvaa. Mankins & Litre, 2024.

Tekoäly tekee tästä ajatuksesta mielestäni aiempaa konkreettisemman ja välttämättömämmän.

Perinteinen muutos on helppo hahmottaa matkana:

nykytila → muutos → tavoitetila

Tekoälymurroksessa ongelmana on tavoitetila.

Se liikkuu.

Organisaatio voi aloittaa tammikuussa vuoden mittaisen hankkeen uuden toimintamallin rakentamiseksi ja huomata jo keväällä, että teknologia mahdollistaa jotain sellaista, mitä suunnitelmaa tehtäessä ei ollut olemassa.

Kuinka mitataan maratonin onnistumista, jos maaliviiva siirtyy koko ajan juoksijaa nopeammin eteenpäin?

Ratkaisu ei voi olla suunnittelusta luopuminen.

Mielestäni organisaatio tarvitsee jatkossakin erittäin selkeän tahtotilan, suunnan, tavoitteet, resurssit ja rajat.

Sen sijaan pitäisi varoa lukitsemasta liian pitkäksi aikaa sitä, miten tavoitteisiin päästään.

Tämä tarkoittaa myös enemmän kuin nopeita AI-kokeiluja.

Tarvitaan ainakin:

• Ihmisten aitoa osallistamista työn uudelleenmuotoiluun.
• Yhteistyötä yli funktio- ja tiimirajojen.
• Matalaa kynnystä kokeilla.
• Selkeitä rajoja sille, mitä voidaan kokeilla ja millä datalla.
• Kokeilujen systemaattista arviointia.
• Radikaalimpaa läpinäkyvyyttä myös epäonnistuneista ja keskinkertaisista kokeiluista.

Jos organisaatio kertoo vain onnistuneista AI-piloteista, suuri osa yhteisestä oppimisesta menetetään.

Epäonnistunut kokeilu voi olla organisaatiolle arvokkaampi kuin onnistunut, jos sen ansiosta kymmenen muuta tiimiä jättää tekemättä saman virheen.

2. Tekoäly murentaa siiloja, ei erityisosaamista

Useimpien yritysten organisaatiokaaviot näyttävät edelleen varsin tutuilta.

Talous. IT. HR. Markkinointi. Viestintä. Myynti. Liiketoimintayksiköt.

Tälle on hyvät perusteet. Yritys tarvitsee vastuita, osaamista ja selkeitä rakenteita.

Ongelma syntyy, jos alamme ajatella organisaation olevan sama asia kuin PowerPointissa tai Slidesissa näkyvä organisaatiokaavio.

Tekoäly tekee tästä kuvasta yhä epätarkemman kuvauksen siitä, miten työ todellisuudessa syntyy.

Ajatellaan yksinkertaista esimerkkiä.

Vielä muutama vuosi sitten asiantuntija saattoi pyytää IT-tuelta apua melko yksinkertaiseen tekniseen ongelmaan. Nyt sama henkilö voi keskustella tekoälyn kanssa, näyttää sille virheilmoituksen ja ratkaista suuren osan ongelmista itse.

Samaan aikaan IT-asiantuntija voi tehdä tekoälyn avulla sisäisen ohjeen, visualisoida sen, rakentaa koulutusmateriaalin ja jopa tuottaa koulutusvideon ilman, että jokaiseen vaiheeseen tarvitaan viestinnän tai koulutuksen ammattilaista.

Tarkoittaako tämä, ettei IT-tukea tai viestinnän asiantuntijoita enää tarvita?

Ei.

Mielestäni syvän erityisosaamisen suhteellinen arvo voi jopa kasvaa, koska AI hoitaa yhä suuremman osan perustason tekemisestä.

Viestinnän ammattilaista tarvitaan kaikkein vaikeimmissa viestinnällisissä kysymyksissä sekä erityisesti tyyli- ja makuasioissa, koska muuten viestintä keskinkertaistuu ja ihmiset turtuu. IT-asiantuntijaa tarvitaan vaikeissa teknisissä ongelmissa, arkkitehtuurissa, tietoturvassa ja kokonaisuuksien hallinnassa. Molempia tarvitaan substanssi- ja kontekstipohjaisessa päätöksenteossa.

Mutta heidän aikaisemmin hallinnoimansa tekemisen alue ei pysy yhtä tarkkarajaisena.

Sama ilmiö näkyy jo monissa tietotyön tehtävissä:

• Markkinoija analysoi dataa
• Talousasiantuntija rakentaa automaation
• Johtaja tekee itse syvällisen markkina-analyysin
• Asiantuntija ohjelmoi pienen sovelluksen, vaikka ei pidä itseään ohjelmoijana.

Työnkuvien ympärillä olevat aidat madaltuvat.

Tämä haastaa johtamisen paljon syvemmin kuin kysymys siitä, kuka saa maksullisen ChatGPT-, Copilot- tai Claude-lisenssin.

Jos työn tekeminen liikkuu yli funktionaalisten rajojen, miten estämme siiloajattelun ilman, että rakennamme tilalle jälleen uuden raskaan matriisiorganisaation?

Oma vastaukseni ei ole uusi organisaatiokaavio.

Tarvitaan enemmän yhteisiä tavoitteita, työn näkyvyyttä, poikkifunktionaalisia verkostoja sekä matalaa kynnystä käyttää omaa osaamista yli perinteisten roolirajojen.

3. Työtehtävästä tulee AI-ajan työn uudelleenmuotoilun yksikkö

Kolmas taso on minusta kaikkein kiinnostavin.

Kun keskustellaan tekoälyn vaikutuksesta työhön, puhutaan edelleen liian helposti ammateista:

• Korvaako tekoäly kirjanpitäjän?
• Korvaako se ohjelmoijan?
• Korvaako se markkinoijan?

Kysymys on yleensä väärällä tarkkuustasolla.

Taloustieteessä teknologisen muutoksen vaikutusta työhön on jo pitkään tarkasteltu työtehtävien kautta.

Erik Brynjolfsson, Tom Mitchell ja Daniel Rock tutkivat koneoppimisen soveltuvuutta yli 18 000 työtehtävään jo vuonna 2018. Heidän keskeinen havainto oli se, että koneoppimiselle soveltuvia tehtäviä löytyy suuresta osasta ammatteja, mutta vain harvat ammatit ovat kokonaisuudessaan automatisoitavissa. Teknologian potentiaalin hyödyntäminen edellyttää tyypillisesti myös työn tehtäväsisällön uudelleensuunnittelua. Brynjolfsson, Mitchell & Rock, 2018.

Daron Acemoglun ja Pascual Restrepon task-based-ajattelussa teknologisen muutoksen vaikutus syntyy samalla tavalla siitä, miten tehtävät jakautuvat ihmistyön ja teknologian välillä. Automaatio siirtää joitakin tehtäviä ihmiseltä koneelle, samalla kun teknologinen kehitys voi synnyttää myös kokonaan uusia ihmisille kuuluvia tehtäviä. Acemoglu & Restrepo, 2019.

Tästä pääsen omaan johtamista koskevaan väitteeseeni:

Tekoälyn hyödyntämisen ja työn uudelleenmuotoilun pienin mielekäs yksikkö on yhä useammin työtehtävä, ei työrooli eikä organisaatiolaatikko.

Tämä ei tarkoita sitä, että toimitusjohtajan pitäisi ryhtyä johtamaan tuhansia yksittäisiä työtehtäviä.

Se olisi mikromanageerauksen painajainen.

Johdon tehtävä on toisenlainen.

Sen pitää rakentaa organisaatiolle kyky tarkastella ja muotoilla työtä jatkuvasti uudelleen tehtävätasolla.

Yksittäisen työn kohdalla pitäisi voida kysyä esimerkiksi:

• Mikä kuuluu ihmiselle?
• Minkä tekoäly voi tehdä kokonaan?
• Missä tekoäly toimii ihmisen työparina?
• Missä AI-agentti voi tehdä työn, mutta ihminen tarkistaa lopputuloksen?
• Missä tekoälylle voidaan antaa enemmän autonomiaa?
• Missä päätösvalta ja vastuu täytyy aina säilyttää ihmisellä?

Ja ennen kaikkea:

• Kuka näistä päätöksistä vastaa?

Tässä syntyy mielestäni yksi AI-ajan uusi johtamistehtävä.

Ihmisten johtamisen rinnalle tulee ihmisten ja agenttien työnjaon johtaminen

Yrityksen johtamista ei korvata AI-agenttien orkestroinnilla.

Liiketoimintaa johdetaan vielä pitkään meille tutuista fundamenteista käsin.

Mutta organisaation sisälle syntyy vähitellen uudenlainen resurssikerros.

Siellä työskentelee ihmisten lisäksi tekoälymalleja, automaatioita ja yhä autonomisempia AI-agentteja.

Siksi johtajien pitää tulevaisuudessa tehdä yhä useammin päätöksiä siitä:

• Kuka tai mikä työn tekee?
• Millä oikeuksilla?
• Minkä tiedon perusteella?
• Kuinka itsenäisesti?
• Kuka tarkistaa työn?
• Kuka kantaa vastuun lopputuloksesta?

Olen soveltanut tätä periaatetta jo omassa asiakastyössäni.

Aloitan mieluummin pienestä ja vähäriskisestä käyttötapauksesta kuin yritän automatisoida kokonaisen tuki- tai ydinprosessin kerralla. Ihminen säilyy aluksi hyväksymispisteenä. Kun ratkaisun toimivuudesta, laadusta ja luotettavuudesta kertyy näyttöä, AI:n autonomiaa ja automaation astetta voidaan kasvattaa vaiheittain.

Kyse on jatkuvasti muuttuvasta työnjaosta.

Organisaation uusi kilpailukyky voi olla kyky järjestää työ jatkuvasti uudelleen

Tästä päädyn kysymykseen, jota pidän tällä hetkellä ehkä kaikkein kiinnostavimpana.

Entä jos tulevaisuuden organisaation kilpailukyky ei riipu vain siitä, kuinka hyvin se on organisoitu?

Entä jos yhä tärkeämpää on se, kuinka nopeasti se pystyy järjestämään työnsä uudelleen?

Ei tekemällä organisaatiouudistusta joka vuosi. Tiuhemmasta syklistä puhumattakaan.

Vaan siirtämällä jatkuvasti yksittäisiä tehtäviä ihmisten, tiimien, funktioiden, automaatioiden ja AI-agenttien välillä sen mukaan, kuka tai mikä pystyy tekemään ne kulloinkin parhaiten ja kustannustehokkaimmin.

Silloin johtamisen kolme tasoa liittyvät yhteen:

• Strategisella tasolla johdetaan jatkuvaa uudistumiskykyä.
• Organisaatiotasolla mahdollistetaan osaamisen ja työn liikkuminen siilojen yli.
• Työn tasolla muotoillaan jatkuvasti uudelleen ihmisen ja tekoälyn työnjakoa.

Ehkä tekoälyajan organisaation tärkeimpiä ominaisuuksia ei lopulta olekaan pysyvä rakenne.

Vaan kyky muuttaa rakennettaan käytännön työn tasolla ilman, että koko organisaatiota tarvitsee jatkuvasti organisoida uudelleen.

Tarvitsetko sinä tai johtotiimisi käytännön tukea?

Jos organisaatiossasi halutaan siirtyä yksittäisistä AI-kokeiluista ja -koulutuksista työn tekemisen tapojen käytännön uudistamiseen, autan kirkastamaan suunnan, tunnistamaan tärkeimmät käyttötapaukset ja rakentamaan etenemiselle yhteiset pelisäännöt. 

Halutessanne vien tarpeenne käytännön ratkaisuiksi. Teknologiariippumattomattona toimijana en ole sidottu vain Googlen, Microsoftin tai OpenAI:n ekosysteemiin, vaikka oma liiketoimintani niiden päällä pääasiassa operoi.

Tutustu AI-konsultoinnin palveluihini »

Muutosta tukien
Terho Tirkkonen
tekoälykonsultti ja -kouluttaja, MBA
puh. 041 469 2682
[email protected]