Älä osta tekoälyä. Rakenna compounding effect.

OP kuvasi viime viikolla omassa kirjoituksessaan, miten me Valimolla käytämme tekoälyä myyntimme automatisointiin, ja kutsui ilmiötä positiiviseksi kierteeksi: uudet automaatiot parantavat tiedon laatua, ja parantunut tieto edelleen tekoälyn toimintaa. Englanniksi tästä käytetään termiä compounding effect. Se on tekoälyautomaation varsinainen arvonluonnin moottori, joka erottaa ”ihan kiva apuri” -tason kestävästä ja kilpailuetua tuovasta arvonluonnista. Olennainen kysymys ei siis ole, mitä tekoälyä yritys käyttää. Kysymys on, rakentaako se compounding effectiä.

Compounding effect — talouden termistä tekoälyautomaation avainasiaksi

Compounding effect on talouden korkoa korolle -ilmiö siirrettynä tekoälyautomaatioon: tuotto lisätään pääomaan, jolloin se alkaa itse tuottaa lisää. Sama mekanismi toimii tekoälyautomaatiossa, jos se rakennetaan itseään vahvistavaksi kierteeksi: hyvä automaatio tuottaa parempaa tietoa, parempi tieto parempia agentteja, ja paremmat agentit lisää käyttökelpoista tietoa. Kierre pyörii uudelleen, joka kerralla aiempaa vahvempana. Toki sama lupaus oli ilmoilla jo 2010-luvulla, kun puhuttiin data-alustoista. Ero on siinä, että agentit pystyvät nyt itse tuottamaan ja jalostamaan tietoa eri lähteistä — myös strukturoimatonta. Ja järjestelmä oppii jokaisesta ajokerrasta, vaikka itse kielimalli ei muutu.

Lisenssejä jakamalla ei synny compounding effectiä

Laaja-alainen lähestyminen — Copilot tai ChatGPT kaikille — tuottaa arvoa kerran ja toistaa sen. Hyödyt ovat tasaisia, mutta ne eivät käynnistä kierrettä, koska syntyvä tieto ei kierrä takaisin järjestelmään parantamaan seuraavaa kerrosta. Tämä ei tarkoita, että työkalut kaikille olisi huono asia — pikemminkin että se on taso, jolta aloitetaan, ja jolle moni yritys jää, kun varsinaista arvonluonnin mekanismia ei ole tunnistettu eikä rakennettu. Mietitäänpä analogiaa toiseen suuntaan. Huippumyyjän vahvuus on vuosien kerryttämä tietopääoma asiakkaista, tarjoomasta ja siitä, mikä toimii. Uudella myyjällä menee nopeasti 12-24kk omaksua sama tietopääoma. Hyvin rakennettu tekoälyjärjestelmä kääntää tämän: tieto- ja automaatiopääoma kumuloituu yritykseen ja on kaikkien käytettävissä, vaikka ihmiset vaihtuvat.

Tietopääoma polttoaineena

Syvällisessä lähestymisessä valitaan yksi alue, kerrytetään jatkuvasti sen sisälle uutta tietopääomaa tekoälyn ymmärtämässä muodossa ja näin käynnistetään itseään vahvistava kierre. Tässä yleisen kielimallin ympärille rakentuu järjestelmä, joka kerää dataa ja oppii — vaikka itse malli ei muuttuisikaan. Tietopääomalla ei tässä tarkoiteta esimerkiksi myynnin alueella pelkkää CRM-tietoa, vaan yhtä paljon tarjouspohjia, päätösperusteita, aiempia keskusteluja, aiempia tarjouksia, hinnoittelulogiikkaa ja sitä hiljaista tietoa, joka tällä hetkellä elää yksilöiden päässä ja yksittäisissä tiedostoissa. Mitä parempi tieto agentin ulottuvilla on, sitä terävämmäksi sen tuottama työ muuttuu ja sitä itsenäisemmin se voi tehtäviä suorittaa.

Valimolla olemme lähteneet ratkomaan tätä omalla Knowledge Repositoryllä, jonne keräämme yrityksemme koko tietopääoman tekoälyllä hyödynnettävään muotoon. Näitä ovat mm. aiemmat tarjoukset, tarjoomakuvaukset, prosessikuvaukset ja ICP-määritykset. Käytännön työssä tähän tietoon kytketään CRM-data ja ulkoisista lähteistä täydentyvä asiakasymmärrys. Tämä tietopääoma on Valimon strategista IP:tä, jolla pyrimme rakentamaan kilpailuetua ja palvelemaan asiakkaitamme paremmin.

Jatkuva parantaminen tekee moottorista paremman

Tietopääoma on polttoaine, mutta moottori — agentit ja niiden ympärillä oleva automaatio — pitää kehittää erikseen. Tämä moottori on yrityksen automaatiopääomaa, joka kumuloituu samalla tavalla kuin tietopääoma. Hyvinkään koostettu tietopääoma ei tuota täydellistä lopputulosta ensimmäisellä iteraatiolla: tekoäly hahmottaa työn rakenteen vasta, kun se ajaa sitä läpi, törmää virheisiin ja saa korjaavaa palautetta. Juuri siksi compounding effectin vaikutus alkaa näkyä vasta useamman iteraation jälkeen. Omasta myyntiautomaatiostamme näemme tämän käytännössä: ensimmäisissä iteraatioissa iso osa tuotoksista vaatii käsin korjaamista, ja korjattavien osuus laskee systemaattisesti iteraatio iteraatiolta. Olemme jo varsin pitkällä mm. prospektoinnissa, asiakastutkimuksessa, palaverivalmisteluissa ja -muistioissa, viikoittaisissa aktiviteeteissa sekä CRM-päivityksissä, mutta esimerkiksi tarjousautomaatio vaatii edelleen kehitystyötä.

Moottorin kehittäminen on systemaattista työtä: uusia automaatioita uusille tehtäville, olemassa olevien parantamista A/B-testauksella ja evaluoinneilla, virhetapausten ja palautteen keräämistä agenttien jatkokehityksen pohjaksi. Kun tekoälystä jää saamatta odotettua arvoa, vastausta kannattaa etsiä näistä mekanismeista ennen kuin syyttää kielimallia.

Kun suoritus alkaa systemaattisesti lähestyä riittävää tasoa, organisaation luottamus automaatioon kasvaa. Tässä vaiheessa voidaan siirtyä asteittain ihmisen valvomista työnkuluista kohti autonomisempaa automaatiota — taustalla pyöriviä agentteja ja prosesseja, jotka tuottavat arvoa myös silloin, kun ihminen tekee jotain muuta. Tähän tilaan ei päästä yhdellä loikalla, vaan iteraatio kerrallaan.

Mistä lähteä liikkeelle

Valitse tehtävä, joka toistuu kymmeniä kertoja viikossa, tai alue, jossa on paljon toisteista tietotyötä. Riittävän iso, että tietoa alkaa kertyä. Riittävän kapea, että compounding effect ehtii käynnistyä viikoissa, ei kuukausissa. Kun ensimmäisen alueen sisällä kierre lähtee pyörimään, seuraava alue on jo huomattavasti helpompi: tausta on osittain rakennettu, tieto on parempaa kuin lähtötilanteessa, ja organisaatio on oppinut työskentelemään agenttien kanssa. Tästä syntyy kaksi toisiaan ruokkivaa mekanismia: yhden alueen sisällä syvenevä kierre ja sen synnyttämän tiedon avulla laajeneva automaation kattavuus.

Mistä funktiosta kierre kannattaa käynnistää? Useimmissa B2B-yrityksissä vastaus on myynti ja sen lähifunktiot, kuten asiakaspalvelu: toistuvuus on suuri, ulkoinen palautekehä lyhyt ja arvo realisoituu nopeasti euroissa. Avaamme tätä tarkemmin tulevissa postauksissa.