Tekoäly yrityksen sisäiseen käyttöön: tee se itse ohjeet
Lyhyesti
- Yrityksen oma tekoäly rakentuu neljästä osasta: datakerros, kielimallit, agentit ja ylläpito.
- Aineiston pitää olla käytettävissä vähintään sillä tasolla, jolla käytät sitä itse viikoittain. Muuten tulokset eivät siirry käytäntöön.
- Kielimalli ei lue aineistoa suoraan. Väliin tarvitaan kerros, joka hakee tiedon datakerroksesta, rajaa sen ja välittää mallille. Se kerros on se, joka rakennetaan tai ostetaan.
- Kielimallit eivät eroa toisistaan tietoturvassa. Ratkaistavaa on tietosuoja ja säännösten mukaisuus sekä se, ettei aineisto päädy mallien koulutusmateriaaliksi. Ratkaisua ei rakenneta yhden mallin varaan.
- Hallusinointia hallitaan agenteissa, ei kielimallissa: agentti antaa mallille tehtäväkohtaiset työkalut ja vastaus ankkuroidaan lähteeseen. Dokumentit ovat helppo osa, laskenta vaikea.
- Ylläpito vaatii osaamista koodaamisesta, arkkitehtuurista ja kielimalleista ja lisäksi ihmisten johtamista: henkilöstön on käytettävä yrityksen omaa tekoälyä eikä varjotekoälyä.
Mistä neljästä asiasta yrityksen oma tekoäly koostuu?
Monet miettivät tällä hetkellä, miten tekoälyä voi hyödyntää tehokkaasti omassa liiketoiminnassaan. Toteutuksessa huomioitavat asiat voidaan ylätasolla kiteyttää neljään kategoriaan:
- Miten datakerros rakennetaan ja mitä aineistoa siihen kytketään
- Miten kielimallit kytketään kokonaisuuteen
- Mitä agentteja kokonaisuuteen luodaan
- Kuka vastaa tämän kokonaisuuden ylläpidosta
Näiden lisäksi oman haasteensa tuo käyttäjähallinta, eli kenellä on pääsy mihinkin tietoon ja miten pääsyä rajataan. Yksittäisiä agentteja tai prosesseja voidaan toki rakentaa ilman tätä kokonaisuutta, mutta silloin laajamittainen hyödyntäminen koko yrityksen käytössä ja kontekstissa ei onnistu. Ratkaisut jäävät pistemäisiksi ja vain muutamien henkilöiden hyödynnettäviksi. Lisäksi syntyy rajoitteita siihen, mitä aineistoa AI:lle voidaan antaa.
1. Miten datakerros rakennetaan ja mitä aineistoa siihen kytketään?
Ensimmäinen askel on siis miettiä, miten datakerros toteutetaan ja mitä aineistoa siihen kytketään, eli käytännössä mihin käyttötarkoitukseen AI:ta ollaan rakentamassa. Aineistotarpeet voivat ulottua yksittäisistä dokumenteista ja ERP-järjestelmän tuotanto- ja tuntitiedoista aina kokonaiseen kirjanpitoaineistoon tositetasolla. Tärkeintä on määrittää, mikä aineiston taso on riittävä.
Nyrkkisääntönä on, että dokumenttien ja materiaalien pitää olla hyödynnettävissä vähintään sillä tasolla, jolla itse hyödynnät niitä viikoittain arjessa. Muuten aineisto jää vajaaksi eikä tuloksia saada käytäntöön.
Integraatiot ja jäljitettävyys ratkaistaan samassa vaiheessa
Integraatiot ja tiedon jäljitettävyys astuvat mukaan tässä vaiheessa: on huomioitava, miten reaaliaikainen aineisto saadaan mukaan ja miten vastaukset ankkuroidaan aineiston dokumentteihin.
Jos AI:n tekemien analyysien ja vastausten jäljitettävyys jää kevyeksi, niiden tarkistamiseen menee turhaan aikaa. Semanttisuus on elinehto, jotta kielimallit voivat käyttää aineistoa: käsitteet ja niiden suhteet luodaan välikerroksessa ja tallennetaan datakerrokseen, josta agentti välittää ne kielimallille.
Reaaliaikainen aineisto tarkoittaa käytännössä liittimiä talous- ja toiminnanohjausjärjestelmiin. Ne järjestelmät, joihin Qaicu lukee yhteyden valmiina, on listattu integraatiosivulla.
2. Miten kielimallit kytketään kokonaisuuteen?
Toinen vaihe on kielimallin tai kielimallien valinta. Mitkä käytettävissä olevat LLM:t eli suuret kielimallit kytketään kokonaisuuteen? Kielimalli ei lue aineistoa suoraan. Väliin tarvitaan kerros, joka hakee tiedon datasta, rajaa sen käyttäjän oikeuksien mukaan ja välittää mallille vain sen, mitä tehtävä vaatii. Mallin voi toki kytkeä suoraan raakaan dataan, mutta silloin rajaus, jäljitettävyys ja käyttäjähallinta jäävät rakentamatta. Juuri tuo välikerros on se osa, joka joko rakennetaan tai ostetaan.
Ratkaistavana on kaksi muutakin asiaa. Ensimmäinen on tietosuoja ja säännösten mukaisuus: missä data käsitellään ja mitä EU:n AI Act ja GDPR vaativat. Toinen on se, mitä datalla saa tehdä: aineisto ei saa päätyä mallien koulutusmateriaaliksi. Kukaan ei halua, että omaan liiketoimintaan vaikuttavat aineistot vuotaisivat julkiseen käyttöön.
Älä rakenna ratkaisua yhden kielimallin varaan
Lisäksi on tehtävä ratkaisu, jota ei ole rakennettu vain yhden kielimallin tai toimittajan varaan. Muuten muodostuu hinnoitteluun, kielimallien kehitykseen ja saatavuuteen liittyviä riskejä. Kesällä olikin jo esimerkkejä hetkellisistä rajoituksista kielimallien käytössä, kun yhdellä päätöksellä estettiin tiettyjen mallien hyödyntäminen kokonaan. Älä veikkaa kisassa vain yhtä hevosta, vaan pidä vaihtoehdot koko ajan avoinna.
Kysymykset, jotka tästä vaiheesta yleensä seuraavat, eli missä data sijaitsee ja käytetäänkö sitä mallien kouluttamiseen, on käyty läpi kohta kohdalta tietoturvan ja tekoälyn kysymyksissä.
3. Mitä agentteja luodaan ja miten ne koulutetaan?
Seuraava vaihe on itse agenttien luonti ja koulutus. Aineisto on olemassa, mutta mitä siitä halutaan ottaa irti? Agentti on liima kielimallin ja datakerroksen välissä: se antaa mallille tehtäväkohtaiset työkalut, joilla tehtävä suoritetaan ja hakee niillä juuri sen tiedon, jota tehtävä vaatii. Agentit pitää luoda siten, että ne ymmärtävät kontekstin: mitä niiden pitää tehdä ja mitä niiltä odotetaan. Käytännössä tämä tarkoittaa, että niille pitää opettaa termistö ja logiikka sekä säännöt, joiden puitteissa ne toimivat. Varsinkin käsitteiden ja termistön kanssa pitää olla tarkkana, jotta kontekstit ja käsitteet eivät mene agenttien vastauksissa sekaisin.
Hallusinointia hallitaan agenteissa, ei kielimallissa
Kielimallin tasolla hallusinointi on mallin tarjoajan käsissä, ei sinun. Se, mihin yritys itse voi vaikuttaa, on agentissa: kun agentti antaa mallille tehtäväkohtaiset työkalut ja vastaus ankkuroidaan lähteeseen, mallin ei tarvitse arvata. Hallusinointia ei silti poisteta kokonaan, vaan sitä hallitaan ja ihminen tekee lopulliset päätökset.
Dokumentit ovat helppo osa, laskenta vaikea
Dokumenttien käsittely ja hyödyntäminen onnistuvat helposti ja agenttien kouluttaminen niiden käyttöön on suhteellisen nopeaa. Haaste tulee vastaan, kun mukaan otetaan laskenta, sillä kielimallit kompastelevat numeroissa varsin helposti, varsinkin aineistomäärän kasvaessa ja aineiston muodon monimutkaistuessa. Tällöin terminologia ja peruslaskentakaavat menevät agenteilla helposti sekaisin, jos näitä ei ole toteutettu kunnolla.
Jos agentin käsite on vielä vieras, tekoälyagenttia käsittelevä artikkelimme kertoo, mistä agentti koostuu ja miten se koulutetaan.
4. Kuka vastaa kokonaisuuden ylläpidosta?
Viimeinen toteutuksessa huomioitava osa-alue on kokonaisuuden ylläpito: kuka siitä huolehtii? Miten varmistetaan, että rakennettu järjestelmä pysyy pystyssä, aineistot ovat ajan tasalla, agentit eivät sekoile ja roolipohjainen käyttäjähallinta toimii? Tällaisen kokonaisuuden ylläpito vaatii henkilöitä, joilla on riittävästi osaamista näistä osa-alueista. Usein tämä tarkoittaa henkilöresurssien lisäämistä juuri tätä tehtävää varten, niin koodaamiseen, arkkitehtuuriin kuin itse kielimallien parissa työskentelyyn.
Tekniikan lisäksi on johdettava ihmisiä. Jonkun on huolehdittava siitä, että henkilöstö osaa ja haluaa käyttää yrityksen omaa tekoälyä eikä varjotekoälyä, eli yleisiä tekoälytyökaluja omalla datalla ilman kenenkään valvontaa. Ilman tätä tekninen työ jää käyttämättä ja aineisto kulkeutuu työkaluihin, joita kukaan ei hallitse.
Kilpailuetu syntyy sitoutumisesta, ei kokeiluista
Arvostan kaikkia toimijoita, jotka miettivät ja toteuttavat nyt näitä ratkaisuja. Kehitys vaatii sitoutumista sekä ajallisia ja taloudellisia panostuksia. Monesti keskusteluissa nousee esiin, ettei AI:sta saada konkreettista hyötyä irti ja että sen käyttö jää kokeilun asteelle ja vain muutamien henkilöiden varaan. Kilpailuetu syntyy vasta, kun tekoälyn hyödyntämiseen sitoudutaan systemaattisesti. Tärkeintä on saada konkreettisia toimintatapoja koko organisaation käyttöön, mutta myös yksilöiden arkeen.
Rakentaa itse vai ottaa valmiina?
Neljästä osasta kaksi on yrityksesi omaa osaamista: mitä aineistoa datakerrokseen kytketään ja mitä agenteilta halutaan. Kaksi muuta eivät ole. Integraatiot, käyttäjähallinta ja ylläpito ovat samanlaista insinöörityötä joka yrityksessä, eikä niiden tekeminen itse erota sinua kilpailijasta.
Tähän rajaan me rakensimme Qaicun. Kielimalli kytketään Qaicuun, ei dataan. Qaicu lukee järjestelmät ja dokumentit valmiilla integraatioilla, hakee tiedon datakerroksesta, rajaa sen rooleittain ja näyttää jokaisen vastauksen lähteen. Luvut Qaicu laskee valmiiksi ennen kuin ne annetaan kielimallille, joten laskenta ei jää mallin arvattavaksi. Tiedot pysyvät EU:ssa, niitä ei käytetä mallien kouluttamiseen, eikä mikään ole kiinni yhdestä kielimallista. Agentit ja kysymykset päätät sinä.
Jos mietit kumpaa tietä lähdet, lue ensin mikä Qaicu on ja miksi yritykset tarvitsevat oman tekoälyn ja vertaa sitten hinnoittelua yhden kehittäjän kuukausipalkkaan.
Usein kysytyt kysymykset
Mitä yrityksen oman tekoälyn rakentaminen vaatii?
Neljä asiaa: datakerroksen, johon aineisto kytketään, kielimallit, jotka kytketään kokonaisuuteen eivätkä suoraan dataan, agentit, jotka antavat mallille tehtäväkohtaiset työkalut ja hakevat tiedon datakerroksesta ja ihmiset, jotka ylläpitävät kokonaisuutta ja johtavat sen käyttöä. Näiden päälle on ratkaistava käyttäjähallinta eli kenellä on pääsy mihinkin tietoon.
Kuinka tarkkaa aineistoa tekoälylle pitää antaa?
Yhtä tarkkaa kuin millä itse teet työtä. Jos katsot kirjanpidosta viikoittain yksittäisiä tositteita, tekoäly tarvitsee tositetason, eivätkä kuukausisummat riitä. Jos seuraat tuotantoa tuntikirjauksista, tekoälylle annetaan tuntikirjaukset, ei viikkoyhteenveto. Karkeammalla aineistolla tekoäly vastaa yleisemmin kuin sinä itse, eikä vastauksia voi viedä käytäntöön.
Voiko kielimallin kytkeä suoraan yrityksen dataan?
Voi, mutta silloin rajaus, jäljitettävyys ja käyttäjähallinta jäävät rakentamatta ja jokainen käyttäjä näkee kaiken. Kielimalli kytketään välikerrokseen, joka hakee tiedon datakerroksesta, rajaa sen käyttäjän oikeuksien mukaan ja välittää mallille vain tehtävän vaatiman osan.
Voiko yrityksen tekoälyn rakentaa yhden kielimallin varaan?
Voi, mutta se ei ole järkevää. Yhden mallin tai toimittajan varaan rakennettu ratkaisu altistaa hinnoittelun, kehityksen ja saatavuuden riskeille. Kesällä 2026 tiettyjen mallien käyttö estettiin yhdellä päätöksellä kokonaan.
Miten tekoälyn hallusinointia hallitaan?
Kielimallin tasolla se on mallin tarjoajan käsissä. Yritys vaikuttaa siihen agenteissa: tehtäväkohtaiset työkalut ja lähteeseen ankkuroitu vastaus vähentävät arvailua. Kokonaan hallusinointia ei poisteta ja ihminen tekee lopulliset päätökset.
Miksi tekoälyagentit tekevät virheitä laskennassa?
Kielimallit kompastelevat numeroissa, varsinkin kun aineistoa on paljon ja sen muoto on monimutkainen. Terminologia ja peruslaskentakaavat menevät sekaisin, jos niitä ei ole toteutettu kunnolla. Virheitä vähennetään antamalla agentille laskentaan omat työkalut, jolloin luvut lasketaan koodilla ja malli saa valmiin tuloksen. Dokumenttien käsittely onnistuu agenteilta selvästi helpommin kuin laskenta.
Voiko yksittäisiä tekoälyagentteja rakentaa ilman koko kokonaisuutta?
Voi. Silloin ratkaisut jäävät pistemäisiksi ja vain muutamien henkilöiden käyttöön ja siihen tulee rajoitteita, mitä aineistoa tekoälylle voidaan antaa. Laajamittainen käyttö koko yrityksessä vaatii kokonaisuuden.
Kuka ylläpitää yrityksen tekoälyä?
Henkilöt, joilla on osaamista koodaamisesta, arkkitehtuurista ja kielimallien kanssa työskentelystä. Usein se tarkoittaa uutta henkilöresurssia juuri tätä tehtävää varten, koska aineistot on pidettävä ajan tasalla ja käyttäjähallinnan on toimittava jatkuvasti. Jonkun on myös johdettava käyttöä, jotta henkilöstö käyttää yrityksen omaa tekoälyä eikä varjotekoälyä.