Kolme estettä tekoälyn skaalaamiselle rakennus- ja infra-alalla

Tekoälyn arvo syntyy vasta käytännön työssä

Tekoälystä käytävä keskustelu suunnittelun, rakentamisen, infran ja rakennetun ympäristön ylläpidon parissa on siirtynyt teoriasta käytännön kokeiluihin. Mahdollisuudet tunnistetaan jo laajasti: 84 % alan johtajista kertoo tekoälyn vaikuttavan myönteisesti tuottavuuteen.

Silti onnistuneen pilotin ja laajemman käyttöönoton välillä on edelleen selvä kuilu. Moni organisaatio kokeilee tekoälyä yksittäisissä käyttötapauksissa, mutta sen vieminen osaksi päivittäistä työtä, päätöksentekoa ja projektien johtamista on huomattavasti vaativampaa.

Expert Edge -webinaarissa asiantuntijat ARKANCE, Autodeskiltä ja Lantikselta jakavat kokemuksiaan tekoälyn hyödyntämisestä rakennetun ympäristön toimialalla. Heidän viestinsä on selvä: tekoäly ei skaalaudu pelkän teknologian avulla. Tarvitaan yhteinen dataperusta, selkeä johtaminen ja ihmiset mukaan ottava muutosmatka.

“Jokaisen toimitusjohtajan tärkein kulttuurinen tehtävä on tunnistaa, että tekoäly on jo täällä ja työntekijät käyttävät sitä jo. Jotta tekoälyä voidaan skaalata turvallisesti, johdon on rakennettava selkeä kolmijalka: vahva johtaminen, selkeä hallintamalli ja jatkuva koulutus.”
Grégoire Arranz, Global CEO, ARKANCE

Tekoäly voi tuoda organisaatioille merkittävää tehokkuutta ja uusia toimintatapoja. Samalla riskit ovat todellisia. Jos käyttöönottoa ei johdeta hallitusti, tekoäly voi jäädä irralliseksi kokeiluksi tai tuottaa tuloksia, joihin ei voida luottaa.

Rakennetun ympäristön toimialalla tuottavuuserot ovat jo valmiiksi suuria. Jos organisaatio jää odottamaan, että teknologia on täysin kypsää, kilpailijat voivat ehtiä rakentaa osaamisen, dataperustan ja toimintamallit valmiiksi.

Kolme estettä, jotka pysäyttävät tekoälyn käyttöönoton

Tekoälyhankkeet epäonnistuvat harvoin siksi, että teknologia ei toimisi. Useammin ongelma löytyy taustalta: datasta, toimintamalleista, osaamisesta tai johtamisesta.

Kolme estettä toistuu rakennus- ja infra-alan organisaatioissa erityisen usein:

1. data on hajallaan

2. käyttöönotto aloitetaan työkalusta

3. ihmisten omaksumista aliarvioidaan

Nämä esteet voidaan tunnistaa jo ennen työkalujen valintaa. Siksi tekoälyn käyttöönottoa kannattaa tarkastella ennen kaikkea liiketoiminnan, datan ja muutoksen johtamisen näkökulmasta.

Este 1: Data on hajallaan eri järjestelmissä ja siiloissa

Tekoäly tarvitsee luotettavaa tietoa. Jos projektidata on hajallaan eri järjestelmissä, kansiorakenteissa, sähköposteissa ja osastojen omissa ratkaisuissa, tekoälyllä ei ole kestävää perustaa, jonka varaan rakentaa.

Datan valmius ei ole vain tekninen kysymys. Se on strateginen kysymys.

Puolet alan johtajista pitää tekoälyn integrointia olemassa oleviin järjestelmiin merkittävänä haasteena. Usein integraatiohaaste kertoo samasta juurisyystä: data ei ole riittävän rakenteista, saavutettavaa tai luotettavaa.

Autodeskin BIM & AI Expert Emmanuel Di Giacomo korostaa, että organisaation kannattaa määrittää ensin tavoitteet, resurssit ja mittarit. Vasta sen jälkeen on järkevää arvioida, mitä dataa on käytettävissä ja millaisia työkaluja tarvitaan.

Toimiva järjestys on tämä:

• määritä strateginen tavoite

• arvioi käytettävissä oleva data

• varmista, että data on riittävän laadukasta ja käyttökelpoista

• aseta realistiset mittarit ja aikataulu

• valitse työkalut vasta tämän jälkeen

Rakennus- ja infra-alan organisaatioissa tämä tarkoittaa usein yhteisen dataympäristön eli CDE vahvistamista. Kun projektitieto kootaan hallitusti yhteen paikkaan, tieto on helpommin löydettävissä, käytettävissä ja suojattavissa.

Tämä on tärkeää, koska rakennusalalla suuri osa datasta jää kokonaan hyödyntämättä. Alkuperäisen artikkelin mukaan 96 % rakennusalan datasta jää käyttämättä, koska se on lukittuna eri osastojen ja järjestelmien siiloihin. Kun tieto tuodaan yhteiseen dataympäristöön, organisaatio voi parantaa luottamusta tietoon, vähentää siiloja ja luoda perustan tekoälyn turvalliselle käytölle.

Yhteinen dataympäristö ei ole vain tehokkuuskysymys. Se on myös tietoturvakysymys. Jos tiedonhallinnan perusta ei ole kunnossa, luottamuksellista projektitietoa voi päätyä liian laajalle joukolle tai vääriin käyttötarkoituksiin.

Grégoire Arranz tiivistää asian näin:

“Tämä perusta on tärkeä, jotta tekoäly voi hyödyntää tietoa ja tuottaa tarkkoja tuloksia. Se on kuitenkin yhtä tärkeä myös tietoturvan kannalta. Jos toimintaa ei järjestetä kunnolla, luottamuksellista projektidataa voi tulla saataville paljon laajemmalle joukolle kuin on tarkoitus.”

Ilman vahvaa dataperustaa tekoäly ei välttämättä epäonnistu näkyvästi. Se vain tuottaa vähemmän arvoa kuin sen pitäisi.

Este 2: Käyttöönotto aloitetaan työkalusta, ei työstä

Yksi yleisimmistä virheistä on käsitellä tekoälyä IT-projektina. Silloin keskustelu alkaa helposti työkaluista, lisensseistä ja teknisistä ominaisuuksista, vaikka todellinen arvo syntyy vasta työn arjessa.

Tekoälyn käyttöönotto onnistuu paremmin, kun mukaan otetaan ihmiset, jotka tuntevat prosessit, projektit ja päätöksenteon käytännössä. Teknologiaosasto on tärkeä kumppani, mutta tekoälyn omistajuutta ei kannata jättää vain IT.

Lantiksen Head of Digital & Data Yanissa de Jonghe sanoo asian suoraan:

“Tekoäly luo arvoa vain silloin, kun se kytkeytyy todelliseen työhön. Tekoäly ei ole IT- tai digiosaston tehtävä. Jotta sillä olisi aitoa vaikutusta, sen täytyy olla osa organisaation DNA.”

Tämä vaatii sisäisiä omistajia, liiketoiminnan prosessinomistajia ja turvallista kokeilukulttuuria. Kaiken ei tarvitse onnistua heti. Tärkeintä on, että kokeiluista opitaan ja opit viedään osaksi laajempaa toimintamallia.

“Rakenna kulttuuri, jossa kokeileminen on sallittua. Jos epäonnistutte, epäonnistukaa nopeasti ja oppikaa siitä eteenpäin.”
Yanissa de Jonghe, Head of Digital & Data, Lantis

Nopeimmat hyödyt eivät aina löydy näyttävimmistä käyttökohteista. Usein paras aloituspaikka on hallinnollinen tai toistuva työ, jossa ihmiset käyttävät paljon aikaa tiedon hakemiseen, tarkistamiseen tai käsittelyyn.

Tällaisia tehtäviä voivat olla esimerkiksi:

• laskujen poikkeamien tunnistaminen

• sopimuksiin liittyvien kysymysten käsittely

• tarjouspyyntöjen ja tarjousten valmistelu

• projektitiedon hakeminen

• toistuvien tarkistusten ja yhteenvetojen tekeminen

Lantiksen kokemusten mukaan nopeimmat ja tuottavimmat hyödyt syntyivät juuri tällaisista vähemmän näkyvistä prosesseista. Esimerkiksi laskupoikkeamien tunnistaminen ja sopimuksiin liittyviin kysymyksiin vastaaminen voivat olla tehtäviä, joissa tekoälyllä on nopeasti käytännön vaikutusta.

Kun tekoälyä sovelletaan rajattuun, selkeästi määriteltyyn ongelmaan, tuloksia on helpompi mitata ja oppeja voidaan hyödyntää seuraavissa vaiheissa.

Grégoire Arranz korostaa vaiheittaista etenemistä. Innovaatio kannattaa pilkkoa hallittaviin osiin, mutta yksittäisten kokeilujen pitää silti kytkeytyä yhteiseen ohjelmaan. Muuten organisaatio saa irrallisia onnistumisia, mutta ei yhteistä oppimista.

Este 3: Ihmisten omaksumista aliarvioidaan

Tekoälyn käyttöönotto ei ole vain tekninen muutos. Se on myös kulttuurinen ja toiminnallinen muutos.

Perinteiset oletukset teknologian omaksumisesta eivät aina pidä paikkaansa. Uusia ratkaisuja eivät välttämättä vie eteenpäin vain nuorimmat tai teknologiaorientoituneimmat työntekijät.

Lantiksen kokemusten mukaan aktiivisia varhaisia käyttäjiä voivat olla myös kokeneet roolit, kuten projektijohtajat ja senioriassistentit. He hyödyntävät tekoälyä oman työnsä tehostamiseen eivätkä näe sitä ensisijaisesti uhkana.

Tämä on tärkeä havainto. Tekoälyn käyttöönottoa ei kannata rakentaa oletusten varaan. Organisaation täytyy tunnistaa, missä ihmiset ovat valmiita kokeilemaan, missä he tarvitsevat tukea ja missä epävarmuus hidastaa etenemistä.

Sama kehitys näkyy laajemmin myös niin sanotun agenttisen tekoälyn kohdalla. Sillä tarkoitetaan tekoälyä, joka pystyy suorittamaan työnkulkuja itsenäisemmin. Suurimmat välittömät vaikutukset näkyvät tehtävissä, joissa tarvitaan paljon dataa, kontekstia ja toistuvaa päättelyä. Esimerkkejä ovat tarjouspyynnöt, tarjoukset, taloushallinto ja asiakastuki.

Tavoite ei kuitenkaan ole siirtää kaikkea työtä tekoälylle. Tärkeämpää on vahvistaa ihmisten tuottavuutta ja päätöksentekoa. Tekoälyn pitää auttaa asiantuntijoita tekemään työnsä paremmin, nopeammin ja varmemmin.

Siksi käyttöönotto vaatii koulutusta, käytännön harjoittelua ja selkeää tukea. Pelkkä työkalu ei riitä, jos ihmiset eivät ymmärrä, missä sitä kannattaa käyttää tai miten sen tuottamaa tietoa pitää arvioida.

Suurin riski ei ole investointi vaan odottaminen

Tekoälyyn liittyvissä keskusteluissa kysytään usein investoinnin tuottoa eli ROI. Se on tärkeä kysymys, mutta tekoälyn kohdalla sen rinnalle nousee toinen näkökulma: mitä maksaa, jos mitään ei tehdä?

Tätä voidaan kuvata investoimatta jättämisen riskinä eli RONI.

Perinteisiä ROI-laskelmia voi olla vaikea tehdä, koska teknologian käyttöhistoria on vielä lyhyt. Toimimattomuuden kustannus voi silti olla merkittävä. Alkuperäisessä keskustelussa nostettiin esiin, että varhaiset hyödyntäjät saavuttavat jo 5–10 % tuottavuushyötyjä.

Rakennus- ja infra-alalla marginaalit ovat usein tiukkoja. Siksi 10 % tehokkuusero voi nopeasti muodostua kilpailuhaitaksi, jota on vaikea kuroa kiinni. Odottaminen ei siis välttämättä pienennä riskiä. Se voi kasvattaa sitä.

Yanissa de Jonghe tiivistää asian näin:

“On virhe ajatella, että digitaalinen transformaatio alkaa työkalusta eikä selkeästä organisaation tarpeesta. On myös virhe ajatella, että tekoälyinvestoinnit vaativat aina suuria pääomia ja hidasta tuottoa.”

Mitä pidempään organisaatio lykkää dataperustan ja muutoskyvykkyyden rakentamista, sitä vaikeammaksi ja kalliimmaksi sopeutuminen myöhemmin muuttuu. Tätä Yanissa kuvaa perinteisten toimintatapojen kustannukseksi.

Lantiksella digitaalinen valmius osoitti arvonsa konkreettisesti koronapandemian aikana. Kun etätyöhön piti siirtyä nopeasti, organisaation aiemmat päätökset mahdollistivat 300–400 ulkoisen kumppanin siirtymisen etätyöhön ensimmäisenä päivänä. Se ei ollut sattumaa, vaan pitkäjänteisen työn tulosta.

Tekoälyn perusta rakennetaan datasta ja kulttuurista

Pilottien ja laajemman käyttöönoton välinen kuilu ei ole vain teknologiakysymys. Se on yhtä paljon dataan, johtamiseen ja ihmisiin liittyvä kysymys.

Organisaatiot, jotka saavat tekoälystä eniten hyötyä, eivät vain ota käyttöön uusia työkaluja. Ne rakentavat perustan, jossa tieto on hallittua, tavoitteet ovat selkeitä ja ihmiset ymmärtävät, miten tekoäly tukee heidän työtään.

Emmanuel Di Giacomon mukaan digitaalisen transformaation tulevaisuus liittyy vahvasti tulospohjaiseen BIM-ajatteluun eli Outcome-Based BIMiin. Käytännössä tämä tarkoittaa, että teknologiaa ja tietomalleja arvioidaan yhä enemmän sen perusteella, millaisia mitattavia tuloksia ne auttavat saavuttamaan.

Tekoälyä sisältävät työkalut voivat auttaa organisaatioita parantamaan datan laatua ja etenemään kohti kypsempiä tietomallipohjaisia toimintatapoja.

Ratkaisuja arvioitaessa kannattaa tarkastella kolmea periaatetta:

• automatisoi toistuvia tehtäviä

• nosta esiin päätöksenteon kannalta hyödyllisiä havaintoja

• vahvista suunnittelijoiden ja asiantuntijoiden työtä

Data antaa tekoälylle perustan. Kulttuuri antaa sille suunnan. Kun molemmat ovat kunnossa, tekoäly voi muuttua yksittäisistä kokeiluista pysyväksi tavaksi kehittää toimintaa.

Tekoälyn käyttöönotto onnistuu parhaiten yhteistyössä

Grégoire Arranz kuvaa onnistunutta kumppanuutta yhteisenä kehittämisenä, ei perinteisenä toimittaja-asiakassuhteena.

“Näemme tämän yhteiskehittämisenä. Asiakkaamme omistavat datansa ja toimialaosaamisensa. He tietävät, miten suunnitellaan tehokkaasti ja rakennetaan oikein. ARKANCE tuo menetelmät, datarakenteen ja kokemuksen, joiden avulla teknologia voidaan ottaa käyttöön turvallisesti, hallitusti ja vaikuttavasti.”

ARKANCE auttaa organisaatioita rakentamaan tekoälyn käyttöönotolle kestävän perustan. Tuemme tiimejä datan hallinnassa, toimintamallien kehittämisessä, osaamisen vahvistamisessa ja tekoälyn skaalaamisessa käytännön työhön.

Muutos tehdään yhdessä. Olemme tukenasi.

Ota yhteyttä ja aloita tekoälyn tiekartan rakentaminen.