Tekoäly palautti uskoni itseohjautuvaan organisaatioon

On vuosi 1997. Olen vastavalmistuneena Business Controllerina keskisuuressa suomalaisessa yrityksessä, joka yrityskaupan kautta päätyi osaksi suurta yhdysvaltalaista teknologiafirmaa. Minulla on idealistinen visio ja käytössäni yhdysvaltalaisen konsernin varsin mittavat resurssit.

Aion rakentaa kyberneettisen (itseohjautuvan) organisaation SAP-pohjaisen toiminnanohjausjärjestelmän avulla.

Analysoin yrityksemme keskeiset prosessit yhdessä näiden liiketoimintaomistajien kanssa. Määritämme prosessien suoritustasolle tavoitearvot ja hyväksyttävät vaihteluvälit. Rakennamme ohjausmallin, joka automaattisesti eskaloi suoritustason poikkeamat prosessien liiketoimintavastaaville. Uskon tämän parantavan koko arvoketjumme suoritustasoa tuomalla liiketoimintavastuullisille työkalut prosessien suorituskyvyn optimointiin lähes reaaliaikaisten korjaavien toimenpiteiden avulla.

Arvaattekin jo varmasti tämän harjoituksen todellisen lopputuleman. Prosessien tosielämän variaatiot heiluttivat jatkuvia punaisia lippuja valtavalla tahdilla. Sellaisessa mittakaavassa, ettei yhdenkään inhimillisen olennon kapasiteetti olisi riittänyt näitä korjaavien toimenpiteiden käsittelyyn. Lopputuloksena päädyimme purkamaan nämä automatisoidut ohjausmekanismit ja palasimme varsin perinteiseen kausipohjaiseen KPI-raportointiin.

Keskiarvoistamalla variaatiot ”tasoitimme” runsaslukuiset poikkeamat pois näkyvistä. Näin tarvetta ohjaaville toimenpiteille nousi pinnalle inhimillisen kapasiteetin puitteissa käsiteltävissä oleva määrä.

Samalla nuori ja idealistinen Business Controller hautasi utopiansa kyberneettisestä organisaatiosta. Mutta mieliimme jäi kuitenkin kytemään huoli. Tiesimme totuuden olevan varsin toisenlainen, vaikka silloisilla työkaluilla emme parempaan pystyneetkään.

Nyt, 20 vuotta myöhemmin, tekoälyn käytännön sovellutusten parissa tapahtunut kehitys on palauttanut uskoni kyberneettisen organisaation.

Siinä missä höyrykone vapautti meidät taannoin lihasvoiman rajoitteista, uskon että tekoäly tulee nyt vapauttamaan meidät inhimillisen älyn ja tietoisuuden rajoitteista.

Yllä kuvaamani kokeilu kyberneettisen organisaation saralla kilpistyikin juuri inhimillisen kapasiteetin rajallisuuteen. Se ei yksinkertaisesti kyennyt käsittelemään jatkuvia poikkeamia ja näistä johdettavia varsin runsaslukuisia ohjaussignaaleja.

Matka kohti tekoälyn mahdollistamaa itseohjautuvuutta alkaa usein prosessianalytiikan (Process Analytics) kautta. Tämän varsin suositun menetelmän avulla saamme prosessiemme runsaslukuiset variaatiot visuaalisesti näkyviin. Ja itsellemme ymmärryksen siitä, että prosessien suorituskyvyn johtamisen tulee pureutua tosielämän variaatioihin, ei keskiarvojen tasoittamiin yleistyksiin.

Mutta itseohjautuvuus vaatii enemmän. GE:n Vice President of Software Research, Colin J. Parris puhuu teollisuudesta tutun digitaalisen kaksoiskappaleen (Digital Twin) teorian soveltamisesta myös laajemmin. Näen tässä keskeisen rakennuspalikan kyberneettiselle organisaatiolle.

Kun prosessianalytiikan kaltaisesti läpivalaisemme koko yrityksemme arvoketjun tosielämän datan avulla, saamme muodostettua yrityksestämme digitaalisen kaksoiskappaleen.

Ihmisistä poiketen, moderni koneoppimiseen perustuva teknologia kykenee systemaattisesti käsittelemään todellisuuden monimuotoisuutta. Tekoälypohjaiset algoritmit pystyvät myös simuloimaan vaihtoehtoisten toimenpiteiden vaikuttavuutta ennen niiden täytäntöönpanoa. Ja samalla oppimaan ohjaustoimenpiteiden toteutuneen vaikuttavuuden kautta. Parris’n teorian mukaisesti kyberneettinen organisaatio toteuttaa seuraavia itseohjaukseen tähtääviä toimenpiteitä:

  1. Näe. Digitaalinen kaksoiskappale kerää tosielämän dataa yrityksen arvoketjusta muodostaen siitä digitaalisen kaksoiskappaleen.
  2. Ajattele. Yritysjohto voi käyttää tätä digitaalista kaksoiskappaletta vastaamaan kysymyksiinsä, simuloimaan vaihtoehtoisten toimenpiteiden vaikutuksia, niihin liittyviä riskejä, oppimaan aikaisemmista toimenpiteistä, jne.
  3. Toimi. Digitaalinen kaksoiskappale päättelee optimaaliset ohjaustoimenpiteet ja toimeenpanee ne joko ihmisten kautta tai suoraan takaisin operaatioihin.

Aika on kypsä ainakin osittain itseohjautuville organisaatioille. Tällä polulla on kuitenkin edettävä varoen. Ja ymmärrettävä, että koneoppiminen vaatii aluksi varsin runsasta inhimillistä panosta. Vasta mittavan koulutuksen jälkeen alkaa teknologia kumuloida riittävästi ymmärrystä syistä ja seurauksista, jotta se pääsee hyödyntämään mittakaavaansa.

Sen jälkeen malli noudattaa eksponentiaalista kehityskäyrää ja tulee luomaan aivan uuden tason malleja yrityksen suorituskyvyn johtamiselle.

Kirjoittaja luotsaa PwC Digital Services -palvelukokonaisuutta Suomessa. Lue lisää PwC:n ajatuksista data-pohjaisesta johtamisesta.

Petri Salo

Petri on utelias teknologian soveltaja ja konkreettisen liiketoiminta-arvon löytöretkeilijä. Uudessa ja tuntemattomassa maastossa hänen selviytymisvälineitään ovat uudet liiketoimintamallit, tuote- ja palveluinnovaatiot, data, asiakaskokemus, toimialarajojen murros ja ekosysteemit. Petri luotsaa PwC Digital Services -retkikuntaa Suomessa. Lisää tietoa: pwc.fi/digitalservices.

Digitalist.tv >