tekoälyllistä organisaatiosi
Sofokus AI-maturiteettimalli
Kirjoitettu
Sisältö
Sofokus AI-maturiteettimalli
Sofokus AI-maturiteettimalli mittaa organisaation tekoälykypsyyden tasoa neliportaisella asteikolla. Mallin tasot ovat: hallitsematon, yksilötasö, prosessitaso ja organisaatiotaso. Malli perustuu havainnointiin, koska ihmisten käsitys omasta toiminnastaan on tutkimusten mukaan systemaattisesti epätarkka (luku 4.2).[1]
Malli pyrkii ratkaisemaan myös toisen haasteen, joka on luonteenomainen tekoälylle. Markkinatilanne ja tekoälyteknologia liikkuvat niin nopeasti, että jos arvio olisi sidottu markkinatilanteeseen, se vanhenisi kuukausissa. Konkretiaan perustuvat havainnot omasta organisaatiosta pysyvät totena markkinatilanteesta riippumatta. Arviointi voidaan haluttaessa toistaa tekoälykehityksen seuraamiseksi.
Mallissa organisaatiota tarkastellaan useasta eri näkökulmasta arviointiharhoja kaventaen, mutta niitä ei voi luonnollisesti täydellisesti eliminoida. Tärkeämpää on lopulta rehellinen, todelliseen tilanteeseen pohjautuva tunnusmerkkien havainnointi.
Konkreettisiin havaintoihin nojaava arviointimalli tuo vielä yhden edun mukanaan. Mikäli esimerkiksi omistajien, hallituksen tai johtoryhmän keskuudessa on erilaisia näkemyksiä oman organisaation tekoälykypsyydestä, voidaan todellisuus tarkistaa tunnusmerkeistä.
Muutos alkaa, kun organisaation kehityskohteet konkretisoituvat.
Maturiteettimallin periaatteet
Mallin tasot perustuvat havaittaviin tunnusmerkkeihin: dokumentoituihin ohjeisiin, tehtyihin hankintoihin, nimettyihin vastuullisiin ja raportoitaviin mittareihin. Jokainen tunnusmerkki on arjessa todennettavissa ilman monitulkintaista pisteytystä tai henkilöstökyselyitä.
Malli ei mittaa teknologista kyvykkyyttä tai käytössä olevien tekoälytyökalujen määrää. Teknologia vanhenee nopeasti ja lisäarvon ulosmittaamisessa prosessit, organisoituminen ja vastuut ovat kriittisiä.
Mallissa maturiteettitaso kasvaa, kun tekoälyn hyödyntäminen siirtyy yksittäisten ihmisten toiminnasta organisaatiorakenteisiin: yksilön valinnasta yhteiseksi ohjeeksi, ohjeesta prosessiksi ja prosessista osaksi johtamisjärjestelmää.
Minkälaiselle organisaatiolle malli sopii?
Periaatetasolla mallia voi soveltaa mihin tahansa organisaatioon, mutta käytännössä kaikkein pienimmille ja isoimmille se ei ole välttämättä optimaalinen. Tämä johtuu siitä, että pienemmissä organisaatioissa prosessit ja ohjeistus ovat usein puutteellisia yksinkertaisesti siitä syystä, että toiminta pyörii ilmankin. Isoimmissa organisaatioissa henkilöstömäärä ja rakenteiden kompleksisuus on kasvanut niin suureksi, että vaaditaan laajempaa kysymyspatteristoa, johon esim. McKinseyn maturiteettimalli soveltuu.
Väliin jää kuitenkin suurin osa organisaatiosta, joilla on merkittävää toimintaa, henkilöstöä, prosesseja ja muita rakenteita, joille maturiteettimalli tarjoaa hyödyllistä tietoa omalla tekoälyllistämismatkalla.
AI-maturiteettitasot
Seuraavassa on esitetty AI-maturiteettimalli kuvana.
Mallista on jätetty nollataso tarkoituksella pois. Työntekijät ottavat tekoälyä käyttöönsä oma-aloitteisesti riippumatta siitä mitä organisaatiossa on asian suhteen päätetty.[2] Organisaatio, joka arvelee olevansa tasolla 0, on todennäköisemmin jo tasolla 1 tietämättään.
Maturiteettimallin tasokuvauksissa mainitaan tunnusmerkit, riskit, hyödyt ja kustannukset.
Taso 1: Hallitsematon taso
| Osa-alue | Tyypillinen tunnusmerkki |
|---|---|
| Tekoälyn johtaminen | Ei vastuuhenkilöä. Ei dokumentoitua tietoa tekoälyn käytöstä. |
| Pelisäännöt ja dokumentaatio | Ei kirjallista ohjeistusta. |
| Työkalut ja tilit | Käytössä ovat henkilökohtaiset tai ilmaiset tilit. Yritys kustantaa enintään yksittäisiä pilottilisenssejä. |
| Osaamisen kehittäminen | Tekoälyosaamisen kehittäminen on yksilövetoista, organisaatio ei ohjaa. |
| Prosessit | Työvaiheet ovat ennallaan, koska niitä ei ole vielä edes suunniteltu muutettavan tekoälypohjaisiksi. |
| Agentit ja automaatio | Agentteja ei käytetä, tai niitä hyödynnetään omatoimisesti ilman keskitettyä pääsyä tietoihin ja järjestelmiin. |
| Asiakassuhde | Organisaatiossa ei tiedetä eikä rajata sitä, millä työkaluilla asiakasaineistoa käsitellään. |
| Budjetointi | Tekoälytyökaluille on varattu korkeintaan pilottibudjetti. |
| Mittaus ja arvontuotto | Ei mittausta ja arvo on nähtävissä korkeintaan yksilön omassa työssä, ei organisaatiolle. |
| Tiivis yhteenveto | Tekoälyä käytetään, mutta organisaatiolla ei ole luotettavaa tietoa siitä, miten ja millä työkaluilla sitä hyödynnetään. Käyttö nojaa enimmäkseen yksittäisten työntekijöiden aktiivisuuteen omilla tai ilmaisilla tileillä. Yritys- ja asiakastietoa on saattanut päätyä julkisiin työkaluihin. |
Tällä tasolla operoiva hyödyntää jo tekoälyä, mutta organisatorinen kokonaiskuva puuttuu. Kukaan ei tiedä varmasti missä tehtävissä tekoälyä hyödynnetään, ketkä sitä käyttävät ja millä työkaluilla. Hyödyt jäävät yksilötasolle.
Tämä maturiteettitaso on suomalaisyrityksille tyypillinen lähtötilanne. Tilastokeskuksen virallisen marraskuun 2025 tilaston mukaan vähintään 10 henkilöä työllistävistä yrityksistä 38 % hyödynsi tekoälyä keväällä 2025, mutta dokumentoidut ohjeet löytyivät vain 15 prosentilta.[3] Vastaavasti 50–99 hengen yrityksistä tekoälyä hyödynsi 47 %, mutta dokumentoidut ohjeet löytyivät vain 25 prosentilta.[3]
Melbournen yliopiston ja KPMG:n kansainvälisessä kyselyssä 56 % oli hyödyntänyt tekoälyä työssään tietämättä, oliko se sallittua, ja 48 % oli ladannut yrityksen tietoa julkiseen tekoälypalveluun.[4]
Tekoälyä saatetaan käyttää ilmaisilla tai henkilökohtaisilla tileillä ja keskitettyä hallintaa ei ole. Tällä tasolla riski on pysyvä, koska organisaatiossa ei vielä ole selkeää ja yhteistä linjaa siitä, mitä tietoa tekoälysovelluksiin saa syöttää. Tekoälytoimittajat saattavat hyödyntää henkilöstön syöttämää dataa malliensa kouluttamiseen, koska käytössä on kuluttajatilejä.
Kustannukset ovat pääasiassa lisenssi- ja työaikakustannuksia. Tekoälytyökalujen budjetointi on pilotointitasolla.
Tälle tasolle ei kannata jäädä, vaan ottaa tavoitteeksi vähintään seuraava taso.
Taso 2: Yksilötaso
| Osa-alue | Tyypillinen tunnusmerkki |
|---|---|
| Tekoälyn johtaminen | Tavoite on kirjattu, ja nimetty omistajien, hallituksen tai johdon edustaja valvoo etenemistä toistuvina ajankohtina. |
| Pelisäännöt ja dokumentaatio | Kirjallinen ohjeistus on osa perehdytystä. |
| Työkalut ja tilit | Tekoälytyökalujen lisenssit on budjetoitu koko rooliryhmälle (esim. myynti), ja tilit ovat organisaation hallinnassa. |
| Osaamisen kehittäminen | Tekoälyosaamisen kehittäminen on organisaatiovetoista, toistuvaa ja osa säännöllistä koulutusohjelmaa. |
| Prosessit | Tekoälytyökalut ovat käytössä, mutta työvaiheita tai niiden järjestystä ei ole vielä muutettu. |
| Agentit ja automaatio | Agentit toimivat yksilön apuvälineinä yrityksen tileillä, ja ihminen vastaa tuotoksesta. |
| Asiakassuhde | Asiakasaineistojen hyödyntämisestä tekoälytyökaluissa on sisäinen linjaus, mutta käytöstä ei ole kirjallisesti sovittu asiakkaiden kanssa. |
| Budjetointi | Budjetissa on huomioitu lisenssikulut. Tekoälyn käytön koulutusta, mittaamista tai prosessinkehitystä ei ole huomioitu. |
| Mittaus ja arvontuotto | Kerätään kyselyitä tai palautetta, mutta arvontuottoa ei mitata ennen käyttöönottoa eikä sen jälkeen. Arvo on nähtävissä esimerkiksi henkilöstökyselyiden ajansäästöarvioina, mutta ei organisaation tulosluvuissa. |
| Tiivis yhteenveto | Organisaatio hallinnoi tekoälyn vastuullista käyttöä työkaluilla, ohjeistuksella ja koulutuksella. Hyöty jää yksilöiden ajansäästöksi, koska työ tehdään edelleen vanhoilla prosesseilla. |
Toisella tasolla operoiva organisaatio on ottanut tekoälyn käytön hallintaansa. Työkaluvalintoja on tehty, yhteisiä pelisääntöjä on dokumentoitu ja henkilöstöä koulutetaan tekoälyn hyödyntämiseen. Tavoite on kirjattu, ja nimetty omistajien, hallituksen tai johdon edustaja valvoo etenemistä toistuvina ajankohtina.
Nousu tälle tasolle pienentää edellisessä tasossa kuvattuja riskejä, koska henkilökuntaa pyritään aktiivisesti opastamaan, tukemaan ja kannustamaan vastuullisessa tekoälyn käytössä. Toisaalta yksilötasolla käyttö todennäköisesti lisääntyy, mikä lisää hallintaresursoinnin tarvetta. Sopivat työkalulisenssit hallinnoivat edellisen tason riskiä mallin kouluttamisesta, mutta asiakasdatan osalta riskit ovat yhä tyypillisesti olemassa.
Hyödyt realisoituvat enimmäkseen yksilöiden ajansäästönä, koska työtä tehdään pääosin vastaavin prosessein kuin ennenkin. Luvun 3.1 käsittein käytössä olevat sovellukset ovat todennäköisesti lähempänä tehtäväautomaatiota kuin tekoälyllistämistä. Työläs muutosvaihe, prosessien uudelleenmuotoilu, on vielä tekemättä. Tästä seuraa todennäköisesti kaksi asiaa: yksilöiden ajansäästöä ei systemaattisesti johdeta muuhun käyttöön ja mahdolliset ajansäästöt eivät luo organisatorisesti mitattavaa arvoa (vrt. esim. EBIT).
Asiantuntija voi omatoimisesti ottaa generatiivisen tekoälytyökalun käyttöönsä aamulla ja saada hyötyä siitä saman päivän aikana. Matala käyttöönottokynnys on kuitenkin samalla haaste. Kun käyttöönotto ei pakota muuttamaan työn tekemisen tapaa, työnkulku jää ennalleen.
Procter & Gamblen kenttäkokeessa 776 T&K-ammattilaista työskenteli yrityksen todellisten tuotekehitystehtävien parissa seuraavin tavoin: yksin, yksin tekoälyn kanssa, ihmisparina tai parina tekoälyn kanssa. Tekoälyn kanssa toiminut yksilö suoriutui paremmin (+0,37 keskihajontaa) kuin ilman tekoälyä toiminut pari (+0,24).[5]
Keskeinen havainto oli se, että tekoälyä hyödyntäneet yksilöt pystyivät ylittämään totutut rajansa: kaupalliset osaajat tekivät teknisesti käyttökelpoisia ratkaisuja ja päinvastoin.[5] Tekoäly ei siis pelkästään nopeuttanut, vaan teki osan koordinaatiotyöstä tarpeettomaksi.
Paras tulos kokeessa syntyi parille, joka hyödynsi tekoälyä.[5] Kyseinen tutkimus ei siis puolla tulkintaa, että tekoäly korvaisi ihmistiimiä. Sen sijaan se vaikuttaisi osoittavan, että tekoäly muuttaa tiimin vaatimuksia ja saattaa mahdollistaa laadun paranemisen.
Kustannukset ovat pääasiassa lisenssi- ja työaikakustannuksia ja ne on budjetoitu.
Tätä tasoa voi pitää eräänlaisena lähtötasona organisaation tekoälyllistymiselle. Pohja on luotu ja varsinainen tekoälyllistämistyö voi alkaa. Organisaatiolla on mahdollisuus kehittyä tehokkaaksi tekoälyn hyödyntäjäksi.
Taso 3: Prosessitaso
| Osa-alue | Tyypillinen tunnusmerkki |
|---|---|
| Tekoälyn johtaminen | Tekoälyllistettyjen prosessien omistajat vastaavat käytöstä, mittaamisesta ja lopputuloksesta. |
| Pelisäännöt ja dokumentaatio | Tekoälyvaihe on dokumentoitu prosessikuvaukseen tai uuden työntekijän perehdytykseen. |
| Työkalut ja tilit | Tekoälytyökalut ovat vakio-osa prosessia (vrt. yksilön valinta). |
| Osaamisen kehittäminen | Yleisen AI-osaamisen lisäksi organisaatio kehittää niiden ihmisten osaamista, jotka osallistuvat tekoälyllistettyihin prosesseihin. |
| Prosessit | Vähintään kahdessa prosessissa on tekoälyvaihe, jonka ohittaminen aiheuttaisi poikkeaman. Vähintään yksi prosesseista tuottaa asiakaslaskutusta tai palvelee kohderyhmää. |
| Agentit ja automaatio | Agentit suorittavat rutiininomaisesti työvaiheita tuotannossa, ja prosessinomistaja vastaa toiminnasta. |
| Asiakassuhde | Tekoälytyökalujen käytöstä asiakkaan aineistolla on sovittu kirjallisesti asiakassopimusten vakioehdoissa. |
| Budjetointi | Budjetissa on huomioitu lisenssien lisäksi erikseen tekoälyn käytön koulutus, mittaaminen tai prosessinkehitys. |
| Mittaus ja arvontuotto | Ennen käyttöönottoa kirjataan prosessin lähtötaso. Valmistumisen jälkeen mitataan parannus suhteessa tavoitteeseen ja se, ettei lopputulos muilta osin kärsinyt. Arvo on nähtävissä tekoälyllistettyjen prosessien mittauksissa (vrt. läpimenoaika, virhemäärät tms.). |
| Tiivis yhteenveto | Tekoäly on rakennettu vähintään muutamiin prosesseihin siten, että sen käytön ohittaminen olisi virhe. Vaikutusta seurataan prosessimittareilla, ja agentit suorittavat työvaiheita tuotannossa. Tekoälyllistetyissä prosesseissa kasvu edellyttää aiempaa vähemmän ihmistyötä. Tulosvaikutusta ei vielä pystytä osoittamaan tilinpäätöstasolla. |
Tällä tasolla operoiva organisaatio on vienyt tekoälyn kiinteäksi osaksi liiketoimintaprosesseja. Organisaatio hahmottaa jo hyvin mitä tekoälyllistäminen tarkoittaa käytännössä ja kykenee muotoilemaan prosessejaan uudelleen tekoäly edellä. Asiakassopimuksissa on vakiopykälä tekoälyn edellyttämälle datan käsittelylle.
Yhdysvaltalaisessa yritysaineistossa liiketoiminnan menestys korreloi sen kanssa, kuinka laajasti tekoäly oli integroitu organisaation toimintaan.[2]
Tekoälyllistettyjä prosessivaiheita ei voi ohittaa, koska ne aiheuttaisivat poikkeaman. Tekoälyn vaikutuksia mitataan ja tuotannossa on agenttisia työvaiheita. Huomaa, että lähtökohtana ei ole prosessien täydellinen automatisointi agenteilla, mutta niiden käyttöä on vähintään arvioitu huolellisesti.
Prosessimuutoksessa työnkulkuun liittyy tyypillisesti useiden agenttien käyttöönottoa, kiinteitä sääntöjä sekä ihmisiä, jotka katselmoivat ja käsittelevät poikkeuksia. ABC Legal kuvailee ohjaavansa yli viittäkymmentä agenttia tuotannossa ja suurimman osan niistä on rakennettu liiketoiminnan omien asiantuntijoiden toimesta ilman ohjelmistokehitystaustaa.[6]
Tarkistusagentti päätyi yrityksen mukaan samaan lopputulokseen kuin oma asiantuntijatiimi 98 % tapauksista. Yritys myös seuraa agenttien tuottamaa arvoa suhteessa kustannuksiin. Yhtiön mukaan agentit olivat aluksi kannattamattomia ja kannattavuus seurasi vasta sopivan ohjauksen löydyttyä.[6] Huomioi, että edellä mainittu on yrityksen itsensä kertomaa eikä riippumatonta mittausta niille ole tehty.
Toisessa kokeessa 43 yhtiötä delegoi työhaastattelun puhepohjaiselle agentille. Hyväksyttyjä työtarjouksia syntyi 12 % enemmän ja työntekijäpysyvyys parani 17–18 % ilman laadullista heikkenemistä.[7]
Hakijoilta kysyttiin samat asiat kuin aiemmin, muutos oli prosessin tekoälyllistämisessä. Inhimillinen bias poistui ja rekrytoivan esihenkilön kalenteri ei ollut enää pullonkaula. Tutkijoiden näkemys oli, että keskeinen vaikutusmekanismi oli prosessivaihtelun vähentyminen.[7]
Harva organisaatio yltää prosessitasolle. Syynä on se, että olemassa olevan organisaation tekoälyllistäminen vie realistisesti vuosia. Lisäksi agenttien vieminen tuotantoon synnyttää käytännössä uuden työlajin, edellyttää valvontaa ja uusia taitoja johdolta ja henkilöstöltä.[8]
Tällä tasolla kustannusrakenne liikkuu lisensseistä valvonta- ja prosessinkehitystyöhön. Riskienhallinnan painopiste liikkuu datavuodoista agenttien toiminnan oikeellisuuden varmistamiseen.
Komplementaarisuustutkimus osoittaa, että täysi kokonaisuus tuottaa enemmän kuin sen osat erikseen,[9] mutta myös varoittaa: muutaman elementin muuttaminen kerrallaan voi jäädä kauas kokonaishyödystä.[10] Hyöty ei myöskään näy heti. Käyttöönotto seuraa J-käyrää, jossa suorituskyky ensin laskee ja nousee vasta organisatoristen investointien jälkeen.[11]
Vaikka tason hyödyt syntyvät tekoälyn, työn uudelleenorganisoitumisen ja mittaamisen yhteisvaikutuksesta, organisaatiokulttuurisen muutoksen onnistuminen on käytännössä vaatimuksena.
Yhteenvetona tälle tasolle pääsy edellyttää riittävästi aikaa ja erityisesti organisaation kulttuurista muutosta.
Taso 4: Organisaatiotaso
| Osa-alue | Tyypillinen tunnusmerkki |
|---|---|
| Tekoälyn johtaminen | Johto ohjaa tekoälyn käyttöä osana investointisalkkuaan. |
| Pelisäännöt ja dokumentaatio | Jokainen tekoälyhanke sisältää liiketoimintaperusteet ja etukäteen sovitut lopetuskriteerit. |
| Työkalut ja tilit | Kustannukset on kohdistettu kuhunkin prosessiin tai hankkeeseen erikseen (vrt. yksi kuluerä). |
| Osaamisen kehittäminen | Valtaosa panostuksista kohdistetaan ihmisiin sekä prosessien kehittämiseen ja hallintaan, ei työkaluihin. |
| Prosessit | Organisaation työnkulut on uudistettu perusteellisesti tekoälyä hyödyntäviksi. |
| Agentit ja automaatio | Agentteja skaalataan systemaattisesti. Arvoa ja kustannuksia seurataan. |
| Asiakassuhde | Organisaation tekoälyllistyminen on muuttanut sitä mistä asiakas maksaa, ei pelkästään sitä miten työ tehdään. |
| Budjetointi | Tekoäly on oma investointikohteensa ja sen koko päätetään strategisena panostuksena suhteessa liikevaihtoon tai vastaavaan kokonaisbudjettiin. |
| Mittaus ja arvontuotto | Mittaus on pysyvä käytäntö ja osa vakioraportointia. Arvo on nähtävissä normaaleissa liiketoiminnan tunnusluvuissa (vrt. esim. kate tai asiakaspito). |
| Tiivis yhteenveto | Kasvu edellyttää suhteellisesti vähemmän ihmistyötä kuin ennen tekoälyllistämistä. Vertailukohtana toimii organisaation lähtötilanne (vs. esimerkiksi SaaS-tuotteen skaalautuvuuskyky). Tekoälyn vaikutus raportoidaan liiketoimintalukuna osana vakioraportointia. Johto ohjaa tekoälyä investointisalkkuna, ja tekoäly on muuttanut ainakin yhden palvelun ansaintamallia. Taso on ylläpidettävä tila, ei kehityksen päätepiste. |
Organisaatiotasolla tekoälyn tuottama lisäarvo kulkee läpi koko toiminnan. Jokainen tekoälyhanke sisältää liiketoimintaperusteet ja etukäteen sovitut lopetuskriteerit. Tekoälyn vaikutusta seurataan liiketoiminnan tunnusluvuilla osana normaalia raportointia.
Tason tunnusmerkkeihin kuuluu, että vähintään yhden palvelun ansaintamalli on muuttunut tekoälyn vuoksi. Esimerkiksi laskutus perustuu tuotettuun arvoon tuntien sijaan.
Organisaation tuotantokyky ei kasva vain suorassa suhteessa henkilöstömäärään. Toisin sanoen korkean tekoälymaturiteetin saavuttanut organisaatio kykenee todennäköisesti skaalaamaan toimintaansa lisäämällä agenttien määrää rekrytointien ohella. Piirteen tuoma hyöty riippuu organisaatiotyypistä: SaaS-yhtiölle tämä on tavallisempaa kuin ihmisvetoiselle palvelutoiminnalle.
Tekoälystä koituvan arvon mittaus on pysyvä käytäntö ja osa liiketoiminnan vakioraportointia. Jokaisella tekoälyratkaisulla on organisaatiossa omistaja ja budjetti ja kustannus kohdistetaan kullekin hankkeelle erikseen.
Helmikuussa 2024 Klarnan tekoälyassistentti käsitteli ensimmäisen kuukauden aikana kaksi kolmasosaa asiakaspalvelun yhteydenotoista. Ratkaisuaika lyheni 11 minuutista alle kahteen minuuttiin. Toistuvat yhteydenotot vähenivät 25 %.[12]
Toukokuussa 2025 Klarnan toimitusjohtaja Siemiatkowski kuvaili Bloombergille palvelun laadun kärsineen liiallisen kustannuspainotuksen vuoksi. Yhtiö päätyi rekrytoimaan lisää henkilöitä asiakaspalveluun, vaikka tekoälyapurin käyttöä jatkettiin.[13] Tarinan opetus oli, että ajanmittauksen lisäksi laadunmittaus on tekoälyllistämisessä keskeistä.
Tällä tasolla operoivalle organisaatiolle painopiste riskienhallinnassa siirtyy liiketoiminnan jatkuvuuteen. Palvelukatkokset ja laatuvaihtelut näkyvät suoraan liikevaihdossa, kun ansaintamalli on sidoksissa tekoälyn hyödyntämiseen. Riskienhallinnassa mm. toimittajariippuvuuksien hallinta muuttuu keskeiseksi.
Tällä tasolla operoivalle organisaatiolla on hyvin valistunut käsitys tekoälyn hyödyntämisestä erityisesti arvontuottotasolla. Laajentaako tekoäly liiketoimintamallia vai tehostaako se nykyistä toimintaa? Paraneeko kannattavuus tekoälyn ratkaisua skaalaamalla?[14]
Taso on erittäin vaativa. McKinseyn aineistossa vain noin 6 % yrityksistä saavuttaa vähintään viiden prosentin vaikutuksen tulokseen.[8] Yritykset odottavat tekoälyinvestointien kasvavan noin 0,8 prosentista 1,7 prosenttiin liikevaihdosta vuodessa.[15] Kyse on kansainvälisestä otoksesta, jossa yli kolmasosa vastaajista edustaa yli miljardin dollarin liikevaihdon organisaatioita, joten taso kuvaa kansainvälistä kärkeä.[8]
Organisaatiolle sopivan tavoitetason valinnasta
Ylin taso on siis useimmille organisaatioille todennäköisesti enemmänkin suunta kuin päämäärä. Suurin osa suomalaisista organisaatioista asettunee tasoille yksi tai kaksi. Kirjoittajan vuonna 2020 julkaisemassa digitaalisessa kypsyysmallissa tavoitetaso asetetaan organisaatiokohtaisesti. Sopiva tavoitetaso määräytyy strategiasta, toimialasta ja liiketoiminnan tavoitteista.[16] Tämä opas suosittelee samaa tekoälyllistymisen suhteen.
McKinseyn elokuussa 2026 julkaistussa tekoälykyselyssä lähes ¾ hyvin suoriutuvista organisaatioista kertoi muuttaneensa työnkulkujaan perusteellisesti tekoälyn avulla. Vuotta aiemmin osuus oli 55 %. Muissa organisaatioissa vastaava osuus oli neljännes.[8]
Lähteen mukaan työnkulut nimenomaan muotoillaan uudelleen (tekoälyllistäminen), pelkän käyttöönoton sijasta.[8] Kysely ei todista syy-seuraussuhdetta, mutta osoittaa, että pelkkä tekoälytyökalun käyttöönotto vanhaan prosessiin ei rakenna vielä etumatkaa.
Alemmat tasot eivät ole merkki organisaation jälkeenjääneisyydestä, maturiteettimallin vertailukohta on kansainvälinen kärki. Tämän tason valinta käytännössä myös sitoo organisaation jatkuvaan ylläpitoon: agenttien valvontaan, mittarien seurantaan ja prosessien päivittämiseen.
ServiceNow’n indeksissä yritysten keskimääräinen maturiteettipistemäärä laski vuodessa 44:stä 35:een, koska arviointikriteerit kiristyivät kehityksen mukana.[17] Tässä on hyvä huomata, että ServiceNow’n indeksipisteet laskivat, koska sen indeksi on sidottu markkinaan.
Organisaation tekoälyllistäminen on oppimismatka, jolla ei ole päätepistettä. Merkittäviä rajapyykkejä on matkan varrella useita.
Tekoälyn hyödyntäjästä kehittäjäksi
Maailmassa on pieni joukko organisaatioita, joiden tekoälyn käyttö on aivan omassa luokassaan. Niissä agentit eivät vain suorita prosesseja, vaan kehittävät tuotetta ja jopa organisaatiota itseään. Miltä kuulostaisi kahvila, jossa tekoälyagentti suorittaisi rekrytoinnit ja hoitaisi muunkin kahvilan pyörittämistoiminnan? Ruotsalainen Andon Café kertoo toimivansa autonomisen Mona-agentin ohjauksessa.[28]
Google DeepMindin AlphaEvolve on Gemini-malleilla toimiva ohjelmointiagentti. Agentti nopeutti Geminin koulutuksessa käytettyä laskentaydintä 23 % ja lyhensi koulutusaikaa prosentilla. Toisin sanoen Gemini parantaa organisaationsa kykyä tuottaa seuraavia versioita itsestään.[18] Vastaavasti Fin (entinen Intercom) koulutti asiakaspalveluagenttejaan oman tekoälynsä käymillä miljardeilla asiakaspalvelukeskusteluilla.[19]
Miksi itseään kehittävä organisaatio ei ole taso 5 maturiteettimallissa?
Julkaisussa ”Muunna toimintasi digitaaliseksi” korkein maturiteettitaso perustui verkostovaikutuksiin. Hyvä käyttäjäkokemus houkuttelee lisää käyttäjiä, käyttäjät tuottavat lisää dataa ja datalla palvelu paranee jatkuvasti.[16] Finin tapauksessa toistosilmukka on vastaava kuin alustataloustoimijoilla.[19] DeepMindissa toistorakenne on lyhyempi, koska se ei kierrä asiakkaalla. Kun tuote kykenee itse kehittämään omistajaorganisaatiotaan, etumatka kasvaa, vaikka kilpailijakenttä kehittyisi koko ajan.
”Itseään kehittävä organisaatio” ei kuitenkaan muodosta maturiteettimalliin viidettä tasoa. Tämä johtuu siitä, että mallin tasot 1–4 ovat kumuloituvia ja oman tekoälymallin kehittäminen ei edellytä mitään maturiteettimallin tasojen vaatimuksista. Kärjistetysti esitettynä tekoälylaboratoriossa voidaan samanaikaisesti kehittää kärkimallia, vaikka oma hallinto olisi hallitsemattoman käytön tasolla. Kyse on strategisesta ”osta vai rakenna” -päätöksestä, jonka organisaatio voi tehdä maturiteettitasostaan riippumatta.
Tekoälynatiivius
Organisaatio voi olla syntyjään ns. tekoälynatiivi eli AI-natiivi. Se tarkoittaa, että organisaation toiminta ja prosessit suunnitellaan alusta lähtien tekoälyn ehdoilla (”AI-first”).
Tekoälyllistämisessä jo toiminnassa oleva organisaatio muuntaa toimintatapaansa vaiheittain (luku 3.1). Tekoälyn maturiteettitaso kuvaa sitä, kuinka pitkällä organisaatio on omalla tekoälyllistämismatkallaan.
Huomaa, että tekoälynatiivi organisaatio saattaa olla toisella maturiteettitasolla ja 25-vuotias yritys neljännellä, vaikkei se alun perin ollutkaan tekoälynatiivi. Lähtökohta ei siis automaattisesti määrää, minkä maturiteettitason organisaatio saa mitattaessa.
Tämä mittausparadoksi johtuu siitä, että AI-natiivilta organisaatiolta puuttuu siirtymävaihe, jonka kautta se tekoälyllistyisi. Tekoälynatiivi organisaatio on luonteeltaan valmiiksi tekoälyllistynyt ja saattaa hyödyntää esimerkiksi agenttien autonomiaa ja vapautuneen kapasiteetin ohjausta.[20][21][22][23] Tekoälyn edistyneestä hyödyntämisasteesta huolimatta voi olla, että käytössä on yksityisten ja kaupallisten tekoälypalveluiden tilejä ja niiden käyttöä ei vielä hallita organisaation sisällä.
BCG kuvaa natiiviuden tilana, jossa organisaation prosessit on muotoiltu kokonaan uudelleen tekoälyn avulla. PwC kuvailee tilaa, jossa tekoäly kulkee toiminnan, päätöksenteon ja arkkitehtuurin läpi. Deloitte painottaa työn uudelleenmuotoilua.[24][25][26]
Isot konsulttitalot mainitsevat tekoälynatiiviuden päämääränä, mutta tämä opas on suosituksen suhteen hieman varovaisempi. Ei siksi, etteikö tekoälynatiivius olisi periaatteellisesti tavoittelemisen arvoinen, vaan siksi, että mitattua näyttöä ei ole riittävästi ja organisaatiot ovat hyvin erilaisia.
Digitaalisuuteen rinnastaen: periaatetasolla kaikkien organisaatioiden kannattaa digitalisoida toimintansa, mutta tosiasiallisesti sijoituspuolen holding-yhtiö ei välttämättä tarvitse edes verkkosivustoja. Vastaavasti voi olla, että “sijoitusputki” on jo valmiiksi täynnä laadukkaita kohteita, joten agenttisuudesta ei koituisi riittävästi lisäarvoa. Toinen muuttuja on aikajänne. Pankkisektorin asiointi digitalisoitui Suomessa jo kymmeniä vuosia sitten, vähittäiskauppa huomattavasti myöhemmin.[27]
Näistä syistä tämä opas kannustaa organisaatioita tutkimaan tekoälynatiiviudesta saatavia hyötyjä ja muodostamaan oman mielipiteen ja aikataulun aiheesta.
Yhteenveto päättäjälle AI-maturiteetista
Oppaan maturiteettimalli mittaa organisaation tekoälyn kypsyystasoa perustuen konkreettisiin havaintoihin subjektiivisen arvion sijasta. Malli kuvaa tasojen hyödyt, riskit ja tunnusmerkit antaen tavoitevalinnalle pohjaa. Tavoitetason asetannan pitää lähteä aina organisaation omasta strategiasta.
Seuraavassa on muutamia kysymyksiä, joita päättäjä voi esittää omassa organisaatiossaan:
- Ottaako strategiamme kantaa tekoälyn maturiteettitasotavoitteeseen?
- Mitä maturiteettitasoa strategiassa onnistuminen edellyttäisi?
- Minkä prosessin lähtö- ja lopputason mittaamme tekoälyllistämisen yhteydessä?
- Mihin tekoälystä vapautuva aika kannattaisi ohjata?
- Onko meillä käsitys tavoitellun maturiteettitason kustannuksesta?
- Miten maturiteettitason nostaminen vastuutetaan organisaatiossamme?
Lähteet
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 10.7.2025. arXiv:2507.09089.
- Bonney, Breaux, Dinlersoz, Foster, Haltiwanger & Pande, U.S. Census Bureau: BTOS:n tekoälylisäkysely, CES Working Paper 26-25, 4/2026.
- Tilastokeskus, Tietotekniikan käyttö yrityksissä, 27.11.2025. Suomen virallinen tilasto (SVT).
- Gillespie, Lockey, Ward, Macdade & Hassed, Trust, attitudes and use of artificial intelligence: A global study 2025. University of Melbourne ja KPMG, 2025.
- Dell’Acqua, McFowland III, Mollick ym., The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641, 2025.
- Anthropic, How ABC Legal turned every employee into a builder with Claude Managed Agents, 17.8.2026.
- Jabarian & Henkel, Voice AI in Firms: A Natural Field Experiment on Automated Job Interviews. arXiv:2607.28222, 7/2026.
- McKinsey & Company, The state of AI in 2026: On the road to ROI, 25.8.2026.
- Aral, Brynjolfsson & Wu, Three-Way Complementarities: Performance Pay, Human Resource Analytics, and Information Technology.
- Milgrom & Roberts, Complementarities and fit: Strategy, structure, and organizational change in manufacturing.
- McElheran, Yang, Kroff & Brynjolfsson, The Rise of Industrial AI in America: Microfoundations of the Productivity J-curve(s).
- Klarna, lehdistötiedote 27.2.2024.
- Sebastian Siemiatkowskin haastattelu, Bloomberg 8.5.2025.
- McKinsey QuantumBlack, Where AI agents pay off: A practical guide to the economics of agentic workflows, 24.8.2026.
- BCG, AI Radar 2026.
- Malinen, Boost Your Digital Maturity — Digitalize Your Operations. Sofokus, 2020. Digitaalisen liiketoiminnan maturiteettimalli.
- ServiceNow ja Oxford Economics, Enterprise AI Maturity Index 2026.
- Novikov, Vũ, Eisenberger ym., AlphaEvolve: A coding agent for scientific and algorithmic discovery.
- Fin (ent. Intercom), Announcing Fin Apex: the age of vertical models is here, 26.3.2026; taustana VentureBeatin haastattelu 26.3.2026.
- McKinsey Technology (Tavakoli, Goodman, Rowshankish, Kumar, Soller, Barreto, Parekh & Litta Modignani), Building the foundations for agentic AI at scale.
- Humlum & Vestergaard, Still Waters, Rapid Currents (aik. Large Language Models, Small Labor Market Effects). NBER Working Paper 33777, 5/2025, revisio 3/2026.
- Suh & Oh, Generative AI and the Reallocation of Time: Productivity, Leisure, and Fulfilling Work. arXiv:2602.12695, 13.2.2026.
- Parasuraman & Riley, Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors 39(2), 1997 · Parasuraman & Manzey, Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors 52(3), 2010.
- Budjetin kohdennusperiaate. Boston Consulting Group, Closing the AI Impact Gap, 2025.
- PwC, Two futures for jobs in an AI era: 2026 Global AI Jobs Barometer, kesäkuu 2026.
- Deloitte, tekoälyn maturiteettimalli, AI maturity and digital value -aineisto, 2024–2026.
- Tilastokeskus, Väestön tieto- ja viestintätekniikan käyttö (SUTIVI). Suomen virallinen tilasto (SVT). StatFin-taulukko 13ud. Pankkiasioinnin varhainen taso Tieto- ja viestintätekniikan käyttö 2008 — Internetin käytön muutokset, 27.4.2009.
- Andon Labs Cafe.
About the author
Founder & Chairman
Teemu Malinen
Teemu on tutkinut digitaalisen liiketoiminnan trendejä ja niiden vaikutusta liiketoiminnan kehittämiseen ja kilpailukykyyn yli 30 vuoden ajan. Nousevia ilmiöitä, kuten tekoälyä, hän tarkastelee samasta näkökulmasta: mitä ilmiö tarkoittaa liiketoiminnalle ja miten organisaatio saa siitä arvoa omaan toimintaansa. Teemu kirjoittaa digitaalisesta liiketoiminnasta, modernista yrityskulttuurista ja startup-sijoittamisesta. Hän kirjoittaa aiheista oppaita ja blogikirjoituksia sekä käy puhumassa tapahtumissa.