Siirry sisältöön

Hyvä tekoälykokeilu. Mitä sen jälkeen?

  • Asiantuntijablogi, Laadun kehittäminen
  • Julkaistu:

Tekoälykokeilu onnistuu, uusi toimintatapa säästää aikaa ja kehityshankkeen tulokset näyttävät lupaavilta. Hienoa. Mutta mitä onnistumisesta pitäisi ymmärtää, jotta hyöty säilyisi ja muutkin voisivat oppia siitä? Kolme tuoretta julkaisua sai pohtimaan, mihin kehittämistyössä kannattaa kiinnittää huomiota ensimmäisten hyvien tulosten jälkeen.

Onnistumisista on mukava kertoa. Niitä myös tarvitaan. Konkreettinen esimerkki rohkaisee kokeilemaan ja auttaa perustelemaan kehittämiseen käytettyä aikaa. Lukijana huomaan kuitenkin kiinnostuvani myös siitä, mitä tulosten taakse jää. Mielelläni kuulisin myös matkan varrella mönkään menneistä kokeiluista kuin sen aikana tehdyistä korjauksista. Ne voisivat myös auttaa muita onnistumaan hitusen kivuttomammin.

Syksyn aikana lukemani julkaisut tekoälystä ja laadun kehittämisestä käsittelevät erilaisia toimintaympäristöjä, mutta niistä löytyy laatuammattilaiselle tuttua pohdittavaa. Miten hyvä käytäntö saadaan leviämään ja mistä tiedämme, että sen hyötyyn voi luottaa myös myöhemmin?

Mitä tästä kannattaa kopioida?

Rakesh Kumar Murugan kirjoittaa World Economic Forumin julkaisemassa analyysissään, miksi yhdessä tehtaassa onnistunut tekoälyratkaisu ei välttämättä toimi toisessa. Mittarit, data, osaaminen ja vastuut voivat poiketa toisistaan. Hän ehdottaa, että seuraavan käyttöönottajan tarpeet huomioitaisiin jo ensimmäistä kokeilua suunniteltaessa.

Pidän ajatuksesta. Onnistumisen esittely auttaa muita enemmän, kun mukana kerrotaan, mitä sen toteuttaminen vaati. Oliko tiimillä erityistä osaamista? Järjestettiinkö kehittämiseen aikaa? Ratkaistiinko samalla jokin vanha ongelma tiedonkulussa?

Samaa asiaa pohti taannoin myös Petri Lehtipuu, joka kannusti tutkimaan onnistumisen syitä webinaarissamme Inhimilliset poikkeamat vai huonosti suunniteltu arki? Hyvän tuloksen taustalla voi olla toimiva prosessi, mutta myös jatkuvaa venymistä ja yhden ihmisen poikkeuksellisen hyvä muisti. Ero kannattaa tunnistaa ennen kuin toimintatapaa lähdetään levittämään muualle. Tallenne löytyy jäsenten materiaalipankista.

Benchmarkingissa onkin hyödyllistä keskustella myös siitä, mikä ei sovi omaan organisaatioon. Toisen hyvä käytäntö voi olla meille tarpeettoman raskas tai ratkaista ongelmaa, jota meillä ei ole. Näitä eroja pohdimme ensi vuonna myös Tekoäly laatutyössä -benchmarking-ryhmässä, jossa jaetaan kokemuksia ja opitaan toisten organisaatioiden kokeiluista. Jos tekoälyn mahdollisuudet omassa laatutyössä mietityttävät, tule mukaan pöyhimään ajatuksia yhdessä. Hakuaika päättyy 25.11.

Pystymmekö tarkistamaan tuloksen?

Coakley ja kumppanit tarkastelivat Communications AI & Computing -lehdessä julkaistussa tutkimuksessaan 56 800 tekoälytutkimuksen dokumentointia vuosilta 2014–2024. Avoimen koodin ja avoimien aineistojen käyttö yleistyi selvästi. Tutkijat arvioivat toistettavuuden kehitystä dokumentoinnin ja aiemman tutkimuksen perusteella. Arvio ei siis perustu tarkasteltujen kokeiden käytännön toistamiseen.

Sama ero on hyvä pitää mielessä omissa tekoälykokeiluissa. Dokumentointi kertoo, mitä tehtiin ja miten tulokseen päädyttiin. Lisäksi tarvitaan näyttöä siitä, että ratkaisu toimii tehtävässään. Yksi onnistunut esimerkki ei vielä kerro, miten tekoäly pärjää muissa tilanteissa.

Voidaan esimerkiksi ajatella tekoälyä, joka luokittelee asiakaspalautteita ja nostaa niistä kehityskohteita. Se käsittelee palautteet nopeasti ja tuottaa selkeän yhteenvedon. Silti vakava laatupoikkeama voi jäädä tunnistamatta. Jos mittaamme vain nopeutta ja yhteenvedon luettavuutta, olennainen virhe voi mennä meiltäkin ohi.

Laatuammattilaiselle nämä ovat tuttuja kysymyksiä. Ensin on sovittava, mitä tekoälyltä odotetaan ja millaisia virheitä voidaan hyväksyä. Palautteiden luokittelua voisi verrata asiantuntijan arvioon ja selvittää, missä arviot eroavat. Näin selviäisi myös, milloin tarvitaan ihmisen tarkastusta. Siihen kuluva aika kannattaa laskea mukaan: jos kaikki on käytävä uudelleen läpi, luvattu ajansäästö voi huveta nopeasti.

Tutkimus käsittelee tiedejulkaisujen toistettavuutta, joten se ei suoraan kerro työpaikkojen tekoälyratkaisujen laadusta. Sen herättämä kysymys sopii silti omaankin työhön: ennen kuin kerromme kokeilun onnistuneen, pystymmekö näyttämään muille, mistä sen tiedämme?

Kauanko hyvä tulos kestää?

Chen ja kumppanit kuvaavat International Journal of Clinical Pharmacy -lehdessä julkaistussa tutkimuksessaan hollantilaisen yliopistosairaalan tehohoidon lääkehävikin vähentämistä. Hävikin syitä selvitettiin henkilöstön kanssa ja lääkkeiden tilaamisen, toimittamisen sekä valmistelun käytäntöjä muutettiin. Seurannassa hävikin määrä väheni 31,8 prosenttia ja sen kustannukset 18,4 prosenttia. Tässä kiinnostaa etenkin se, kuinka konkreettisiin asioihin tartuttiin. Hävikin vähentäminen vietiin työvaiheisiin, joihin henkilöstö pystyi vaikuttamaan. Muutosten vaikutuksia myös mitattiin.

Tutkimus tehtiin yhdessä sairaalassa ilman vertailuryhmää, ja useita käytäntöjä muutettiin yhtä aikaa. Prosenttilukuja ei siksi kannata ottaa sellaisenaan oman hankkeen tavoitteeksi. Sen sijaan esimerkki herättää hyvän jatkokysymyksen: miten varmistamme, että hyöty säilyy?

Haluaisin kuulla tuloksista myös myöhemmin. Mitä tapahtui, kun henkilöstö vaihtui tai kiire lisääntyi? Mikä jäi käyttöön ja mitä piti korjata uudelleen? Siinä olisi hyödyllistä kerrottavaa seuraavalle kehittäjälle.

Näiden julkaisujen jälkeen ottaisin seuraavaan kehittämispalaveriin yhden kysymyksen

Mitä viimeisimmästä onnistuneesta kokeilustamme on jäljellä puolen vuoden kuluttua? Sen pohtiminen voi auttaa päättämään jo nyt, kuka seuraa tuloksia ja mitä muiden olisi hyvä kokeilusta tietää.

Miten teillä pidetään kiinni toimiviksi todetuista muutoksista? Ja mikä on auttanut silloin, kun hyvä käytäntö on alkanut unohtua? Kuulisin mielelläni kokemuksianne. Siinä voisi olla puheenaihe vaikka seuraaville tekoälytreffeille!

Hae mukaan benchmarking-ryhmiin 25.11.2026 mennessä

Vuonna 2027 ryhmien teemoina ovat vastuullisuuden johtaminen ja kehittäminen, muutosjohtaminen sekä laadun ja prosessien kehittäminen. Uusina ryhminä käynnistyvät tekoäly laatutyössä ja itsearviointien kehittäminen. Vuoden kestävän valmennuksen arvo on 2 500 euroa ryhmää kohden. Päättäville jäsenillemme osallistuminen on maksutonta. Jäsenetu tarjoaa asiantuntijan ohjaaman pienryhmän ja usean organisaation kokemukset oman kehittämistyönne tueksi koko vuodeksi. Se kannattaa ottaa käyttöön.

Hae mukaan! »

Kirjoittaja

Johanna Lohiluoma

Sisältö- ja tapahtumapäällikkö

+358 50 400 2623