Johtamisen tekoälyllä kilpailuetua

Seuraavassa avaan lyhyesti tekoälyn toimintaperiaatteita ja selitän, miksi johtamisen tekoäly luo merkittävän kilpailuedun.

Tekoälyn soveltaminen johtamisessa mahdollistaa viisaampien päätöksien tekemisen ja ennakoivan johtamisen. Kyse ei ole pelkästään ongelmien välttämisestä, vaan ennen kaikkea ihmisten voimavarojen paremmasta hyödyntämisestä työntekijöiden ja organisaation parhaaksi.

Tekoäly (artificial intelligence) voidaan jakaa kahteen yläluokkaan ja kolmeen osa-alueeseen. Tekoälyn kaksi yläluokkaa ovat data- ja malliohjattu tekoäly. Dataohjatussa tekoälyssä käytetään algoritmeja datan syy-seurausvaikutusten tulkintaan sekä ennustamiseen. Malliohjatussa tekoälyssä tavoitteena on kontekstin syvällisen ymmärryksen (mallin) avulla muuttaa käyttäytymistä, jotta voidaan saavuttaa parempi tulevaisuus. Malliohjattu tekoäly perustuu vahvistetun oppimisen algoritmeihin (reinforcement learning). Dataohjatussa tekoälyssä käytetään ei-ohjattua (unsupervised) ja ohjattua oppimista (supervised learning).

Tekoalyn_periaate

Ei-ohjattu oppiminen (unsupervised learning) hyödyntää luokittelematonta dataa. Algoritmien avulla voidaan tunnistaa datassa olevia asioita ja indikaatioita, jotka liittyvät johonkin ilmiöön. Datasta voidaan selvittää, mitkä tapahtumat liittyvät todennäköisesti esimerkiksi sairauspoissaolojen kasvuun, työkyvyttömyyteen tai ei-toivottuun irtisanoutumiseen. Sen avulla saadaan suosituksia; esimerkiksi urakehityksessä tiettyyn koulutukseen hakeutuneille suositellaan jatkokursseja, jotka on koettu hyödyksi. On selvää, että organisaatiokontekstin ymmärrys on tärkeää, sillä ei-ohjattu oppiminen ei itsessään ymmärrä asiayhteyksiä ja syy-seuraussuhteiden kausaalisuutta.

Ohjattu oppiminen (supervised learning) on datan hyödyntämistä tapauksissa, joissa tieto on luokiteltua ja lopputulos tiedetään. Analysoinnissa käytetään regressiotarkasteluja, jotka ovat monelle tuttuja mm. Excelin kautta. Ohjattu oppiminen hakee datapisteitä noudattavan funktion, jonka avulla voidaan ennustaa tulevaa kehitystä. Esimerkiksi työelämän laadun (QWL) ja sairauspoissaolojen välillä on havaittu yhteys: työelämän laadun huonontuessa sairauspoissaolot lisääntyvät. Voidaan siis hakea funktio, joka mallintaa työelämän laadun yhteyttä sairauspoissaoloihin ja siten ennustaa sairauspoissaolojen kehitystä mittaamalla työelämän laatua.

Vahvistettu oppiminen (Reinforcement learning) opastaa käyttäytymään siten, että lopputulos on parempi. Se siis vahvistaa käyttäytymistä, jonka avulla saadaan optimaalinen lopputulos pitkällä aikavälillä. Vahvistettu oppiminen vaatii luotettavan mallin, joka simuloi organisaation toimintaa ja johtamisen vaikutusta siihen. Mallia voidaan ”pyörittää” eteenpäin, jolloin nähdään, miten johtamiskäyttäytyminen vaatii tiettyjä uhrauksia (aikaa ja kuluja), mutta järkevästi toteutettu johtaminen tuo tulosta myöhemmin ja tämä tulos maksaa moninkertaisesti takaisin (vrt. ROI eli return on investment). Vahvistetun oppisen tekoäly siis mallintaa kontekstin ROI vaihtoehtoja, vahvistaen sellaista käyttäytymistä (strategiaa), joka johtaa maksimaaliseen takaisinmaksuun eli tuottoon pitemmällä aikavälillä.

Kaikki tekoälyn osa-alueet voidaan valjastaa johtamisen avuksi esimerkiksi seuraavasti: ei-ohjattu tekoäly seuraa datavirtaa ja indikoi, että jossain ryhmässä on henkilöstön suorituskyky heikentynyt. Pulssityyppinen henkilöstökysely käynnistyy tällöin automaattisesti ja mittaa työntekijöiden kokeman työelämän laadun. Tiedot menevät tekoälyavusteiseen simulaatioon, jossa esimies voi tekoälyltä kysyä, mitä johtamisaktiviteetteja kannattaa toteuttaa, jotta saadaan paras takaisinmaksu ROI tuottona. Ennakoiva johtaminen parantaa työyhteisön työelämän laatua, jolloin tuottavuus paranee ja uhkaavat sairauspoissaolot vältetään.

Mitä tämä tarkoittaa yrityksen kilpailukyvyssä? Yksi tuottavuuden suurimpia haasteita on esimiestoiminnan huono laatu ja suuri hajonta. Vain erittäin harva organisaatio on kyennyt ratkaisemaan tämän ongelman. Yritys, joka käyttää tekoälyä johtamisen apuna, kykenee nostamaan esimiestoiminnan laatua merkittävästi. Työelämän laadun parantuminen tuotantotekijänä nostaa tehollista työaikaa kuormittamatta työntekijöitä. Yrityksen tehollisen työtunnin kustannus voi näin olla yli 20% alhaisempi kuin kilpailijalla, vaikka yritys maksaa henkilöstölleen parempaa palkkaa (vrt. Time-Driven-Activity-Based-Cost, BSC, Kaplan). Lisäksi tyytyväisemmät asiakkaat tuovat kilpailuetua, sillä henkilöstön kokema työelämän laatu parantaa asiakaskokemusta.

Rohkaisen johtajia käynnistämään tekoälyn “evoluution” omassa organisaatiossa. Dataa pitää kerätä ja ymmärtää aiempaa paremmin. Ihan ensimmäiseksi tekoälyn hyödyntäminen vaatii tiedolla-johtamisen tason nostoa ja seuraavaksi rohkeutta lähteä kokeilemaan ja oppimaan.  

Lisätietoa marko.kesti(at)ulapland.fi

About markokesti

Marko Kesti Dr. (admin), M.Sc. (tech.) Adjunct Professor, HRM-Performance University of Lapland CEO, PlayGain Inc. EVP, Mcompetence Inc. Non-fiction writer Married with 2 kids

Posted on February 9, 2020, in HRD, Human Capital, Human Capital Performance, Human Resource Development, Human Resource Development, HRD, Quality of Working Life, Uncategorized and tagged , , , , , , , , , , , , , , , , , . Bookmark the permalink. Leave a comment.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

%d bloggers like this: