Kuinka luoda päätöksenteon selkeyttä tekoälymurroksen aikana

Galen Low: RACI-kaavio on yksi niistä asioista, joita ihmiset joko rakastavat tai vihaavat – useimmiten vihaavat. Ei siksi, etteikö siitä olisi hyötyä, vaan siksi, että on aivan liian helppoa uppoutua dokumentoimaan, kuka on vastuussa, valtuutettu, konsultoitu tai informoitu liiketoiminnan jokaisesta osa-alueesta sen sijaan, että työ vain saataisiin tehtyä. Mutta kun organisaatiot etenevät syvemmälle tekoälymurroksessaan ja alkavat kuvitella uudelleen niitä rakenteita, joiden sisällä työ tapahtuu, roolien, vastuiden ja päätöksenteon selkeydestä tulee hieman aiempaa tärkeämpää.

Siksi olen tänään kutsunut mukaan henkilön, jonka tiedän olevan RACI-ohjatun päätöksenteon selkeyden asiantuntija ja joka työskentelee hyvin läheisesti yritysten ja julkishallinnon organisaatioiden kanssa niiden tekoälymurroksen parissa. Yhdessä tarkastelemme, voidaanko RACIa käyttää paitsi työkaluna kuvaamaan sitä, miten päätöksiä tehdään tänään, myös kielenä ja ajattelutapana tulevaisuuden organisaatioiden suunnitteluun. Toivottavasti nautit jaksosta.

Tervetuloa Digital Project Manager -podcastiin – ohjelmaan, joka auttaa toimitusjohtajia ja projektien toteutuksesta vastaavia johtajia työskentelemään älykkäämmin, toimittamaan sujuvammin ja johtamaan tiimejään luottavaisin mielin tekoälyn aikakaudella. Olen Galen, ja joka viikko perehdymme käytännön strategioihin, nouseviin trendeihin, hyväksi havaittuihin viitekehyksiin ja joskus myös projektirintaman sotatarinoihin.

Olitpa sitten ohjaamassa valtavia muutoshankkeita, hallitsemassa tekoälyyn liittyviä työnkulkuja tai vain yrittämässä pitää kaaoksen hallinnassa, olet oikeassa paikassa. Jos olet pitänyt siitä, mitä olet viime aikoina kuullut meiltä, harkitse seuraamistamme siellä, missä kuuntelet meitä, ja ehkä myös arvostelun jättämistä. Hyvä on, mennään asiaan.

Tänään puhumme tekoälystä, päätöksenteosta ja siitä, miksi roolien ja vastuiden selkeys on tärkeämpää kuin koskaan. Kanssani on podcastin ystävä, The New Groupin toimitusjohtaja ja pääjohtaja Cassie Solomon. Cassie on palkittu kirjailija ja yrityskonsultti, joka on erikoistunut onnistuneen muutoksen johtamiseen.

Hän on auttanut ylimmän johdon johtajia muuttamaan toimintaansa organisaatioissa kuten Twitterissä, Pandorassa, Bayer Pharmaceuticalsilla, Penn Medicinessä, Geisinger Health Systemsissä ja ChristianaCare Health Systemsissä. Lisäksi hän opettaa johtajia Wharton School of Businessissa, ja hänen kirjansa Leading Successful Change: Eight Keys to Making Change Work toimii edelleen käsikirjana, jonka avulla monet johtajat navigoivat tämän päivän häiriöiden tahdissa.

Niille, jotka ovat seuranneet tätä podcastia vuosien ajan, Cassie on kuitenkin henkilö, jonka puoleen kannattaa kääntyä, kun halutaan käyttää RACIa työkaluna ja kielenä roolien, vastuiden ja päätöksenteon selkeyttämiseen, jotta organisaatiot voivat nopeuttaa muutosvauhtiaan.

Cassie, kiitos paljon, että olet kanssani tänään.

Cassie Solomon: Kiitos paljon, Galen, kun kutsuit minut. Kanssasi on aina todella hauska keskustella.

Galen Low: Halusin ensinnäkin esittää sinulle hieman kipakan kysymyksen, johon kuulijani varmasti haluavat kuulla näkemyksesi. Sen jälkeen toivon, että voimme purkaa aiheen käytännön vinkeiksi, joiden avulla vältetään tekoälyyn liittyvä rooli- ja vastuu kaaos projekteissa ja organisaation päätöksenteossa yleensä.

Lopuksi voisimme ehkä tarkastella sitä, miltä päätöksenteko, tiimityö ja organisaatiorakenteet näyttävät tulevaisuudessa, kun tekoäly on niihin sisäänrakennettuna, sekä sitä, mitä meidän on tehtävä oikein jo tänään, jotta kehitys olisi myönteistä eikä kielteistä. Miltä tämä kuulostaa?

Cassie Solomon: Kuulostaa hienolta.

Galen Low: Aloitetaan siis hieman kipakalla kysymyksellä. Tällä hetkellä lähes jokainen organisaatio, jonka kanssa keskustelen, yrittää luoda tekoälyagentteja ja sisällyttää niitä toimintamalliinsa. Agenttien on tarkoitus toimia suhteellisen itsenäisesti, mikä tarkoittaa nimenomaan myös sitä, että ne tekevät päätöksiä itse.

Sinä olet minun silmissäni asiantuntija siinä, miten RACIa käytetään kielenä luomaan yhteinen ymmärrys siitä, kuka on vastuussa, valtuutettu, konsultoitava ja informoitava yhteistyöprosessin aikana tehtävistä päätöksistä. Kysymykseni kuuluu: onko RACI yhä merkityksellinen tekoälyn aikakaudella?

Cassie Solomon: Mielestäni on.

Haluan kiittää sinua kirjan Leading Successful Change mainitsemisesta. Se on tapa kuvata järjestelmää. Yksi kahdeksasta vivusta sattuu olemaan päätöksenteko, ja yksi asioista, joita rakastan mallia opettaessani korostaa, on se, että tämä on organisaatioelämämme osa, joka on suurelta osin näkymätön.

Voin näyttää sinulle palkitsemissuunnitelmani, organisaatiokaavioni ja teknologiani, mutta päätöksentekoa on hyvin vaikea näyttää. Silti se on erittäin tärkeä osa järjestelmää. Siksi tekoälymurrosta on kiinnostavaa tarkastella tämän linssin läpi, koska olemme siirtymässä muutokseen, joka mielestäni muuttaa todella perusteellisesti päätöksentekokäytäntöjämme, emmekä edes puolta ajasta osaa puhua siitä.

Galen Low: Pidän siitä, että toit esiin muutoksen, erityisesti tekoälymurroksen, kahdesta syystä. Ensinnäkin olen kanssasi samaa mieltä. Nämä eivät ole asioita, joita aina kirjoitamme ylös. Ne ovat monella tavalla epävirallisia ja näkymättömiä, ja niitä dokumentoidaan vain hyvin rajallisesti. Se on huono asia kahdesta syystä.

Ensinnäkin se on huono asia tekoälyn kannalta. Jos emme ole kouluttaneet sitä näiden asioiden avulla eikä se tunne niitä tai löydä tietoa, se ei tiedä niitä ennen kuin kerromme sille. Toinen asia on se, että muutos edellyttää tällaista selkeyttä. Kaikki etenevät nopeasti ja yrittävät pysyä kilpailukykyisinä. Nyt on hetki, jolloin päätöksenteosta, rooleista, vastuista ja muutoksessa olevista asioista on puhuttava ja ne on kirjoitettava ylös, jotta voimme jatkaa nopeasti ilman, että jäämme päätöksenteon limboon tai valtavan epäselvyyden keskelle.

Cassie Solomon: Tekoälystä puhutaan julkisessa keskustelussa usein niin, että ajatellaan: "Korvaako tämä jonkun työn? Korvaanko tämän työntekijän, koska en enää tarvitse häntä?" Sitten esiin nousee toinen sana: harkinta. Entä inhimillinen harkinta?

Harkinta tarkoittaa itse asiassa asiantuntemusta ja valtuuksia. Harkinta tulee usein mukaan siinä kohdassa, kun joku sanoo: "Tuo on hyvä päätös", "Tuo on huono päätös" tai "Hetkinen, minun on parempi tehdä tuo päätös. Minulla on 25 vuoden kokemus..." Kun harkinta kytkeytyy tähän, se ohjaa meidät mielestäni oikeaan suuntaan. Se sanoo: "Katso tänne. Tämä on päätöksenteon aluetta."

Toinen asia, josta haluan puhua, on Ajay Agrawalin, Josh Gansin ja Avi Goldfarbin kirja Power and Prediction. Se julkaistiin vuonna 2022 eli ennen ChatGPT:n julkaisua, mutta se ohjaa meitä ymmärtämään tekoälyn ennustemoottorina ja parempien päätösten tekemisen välineenä.

Olemme tällä hetkellä tavallaan hukassa kaikkien näiden tekoälyprojektien ja tekoälykeskustelujen keskellä. Vuonna 2025 julkaistiin todella hyvä tutkimus, jonka mukaan noin 80 prosenttia tekoälyprojekteista ei saavuta tuottavuushyötyjä. Kyseessä oli MIT:n tutkimus. McKinseyn vuonna 2026 julkaisema tutkimus sanoi käytännössä saman asian.

Näillä tutkijoilla on malli, jonka avulla voidaan ymmärtää, millaisesta tekoälyprojektista puhumme. Viitekehys on hyvin yksinkertainen. Ensimmäinen taso on yksittäinen ratkaisu: otetaan yksi asia, jonka ihminen ennen teki, ja tehdään se nyt tekoälyn avulla. Ajattelen tätä yksilötasolla esimerkiksi niin, että pyydän tekoälyä laatimaan viikon ateriasuunnitelman tai tekemään tutkimusta kirjoitustani varten.

Se on todella hyödyllistä, mutta rajallista. Toinen taso on sovellusratkaisu, jossa muutetaan useita asioita samanaikaisesti. Tähän olemme ehkä tekoälyagenttien myötä siirtymässä. Ylin taso on järjestelmäsovellus, jossa otetaan askel taaksepäin ja kysytään: "Miten voimme muuttaa koko järjestelmän tämän teknologian avulla?"

Näitä on paljon vaikeampi saavuttaa, ja niistä on vähemmän esimerkkejä. Teorian mukaan juuri tällä tasolla näemme todelliset vaikutukset tulokseen, jos pystymme toteuttamaan kokonaisvaltaisen muutoksen.

Galen Low: Pidän tästä viitekehyksestä, koska se auttaa ymmärtämään, etteivät kaikki tekoälymurroshankkeet tai tekoälysovellukset ole samanlaisia.

Olisi helppoa ajatella: "Nyt voin korvata tämän yhden työkalun ChatGPT:llä" tai "Nyt voin lisätä agentin tähän työnkulkuun." On kuitenkin olemassa toinen taso, jota meidän on ehkä tarkasteltava eri tavalla, koska sen vaikutukset, suunnittelun haasteet ja ongelmat ovat suurempia.

Tämä vie meidät alueelle, jossa emme enää pidä kiinni altaan reunasta. Meillä ei oikeastaan ole mukavuusaluetta, johon palata. Olemme uudella, tuntemattomalla alueella ja meidän on ratkaistava asiat uuden lähtökohdan perusteella – ei sen mukaan, mitä meillä oli aiemmin.

Cassie Solomon: Jos aloitamme yksittäisistä ratkaisuista, mikä tuntuu järkevältä, koska ne ovat helpoimpia kuvitella, se johtaa helposti ajatukseen: "Enää en tarvitse 8 000 työntekijän työvoimaa tämän tehtävän tekemiseen." Sitten kyseinen työvoima näyttäytyy korvattavana.

Tutustuin tällä viikolla tuoreeseen brittiläiseen tutkimukseen, joka oli todella kiinnostava. Viime vuonna noin 30 prosenttia niistä organisaatioista, jotka irtisanoivat ihmisiä tekoälyn käyttöönoton vuoksi, päätyi palkkaamaan heidät takaisin. Toisessa, eri tutkijoiden tekemässä tutkimuksessa todettiin, että takaisin palkatut työntekijät olivat toisella kerralla kalliimpia.

Laajempi ajattelu ja ratkaisujen sekä muutoksen tarkastelu auttavat esittämään parempia kysymyksiä. Jos nämä työntekijät eivät enää käytä aikaansa tähän tehtävään, mitä muuta he voisivat tehdä? Klassinen esimerkki menneisyydestä on pankkiautomaattien käyttöönotto. Ihmiset sanoivat: "Pankkivirkailijoita ei enää tarvita, koska kone voi antaa meille rahaa. Tämä on kokonaisen ammatin loppu."

Se ei kuitenkaan pitänyt paikkaansa. Koko työ ei kuollut pois. Ihmiset päättivät: "Virkailijat ovat meille edelleen tärkeitä, koska he voivat keskustella asiakkaidemme kanssa. Tehdään heidän kanssaan enemmän." Heistä tuli enemmän liiketoiminnan kehittäjiä. Uskon, että tällainen ajattelu auttaa hillitsemään työvoimaan ja siihen liittyviin tekoälyn uhkakuviin liittyviä painajaisia.

Galen Low: Pidän ajatuksesta, että yksittäinen ratkaisu voi olla pelottavin, koska se näyttää vain vaihdolta: "Nyt robotti tekee työni." On hyvä tarkastella sitä, mitä olemme lähihistoriassa nähneet muutoksista ja niiden seurauksista.

Kun tarkastelemme järjestelmää laajemmin, voimme ensin ajatella: "Meidän on irtisanottava kaikki pankkivirkailijat." Sitten pysähdymme: "Hetkinen, tarvitsemme heidät takaisin", koska järjestelmän tasolla syntyy edelleen arvoa. Meidän on vain ajateltava asiaa täysin uudella tavalla emmekä saa käyttää vanhaa mallia.

Cassie Solomon: Kyse on sataprosenttisesti ajattelutavasta. Olen pakkomielteisen kiinnostunut siirtymästä, jonka maailma kävi läpi höyrykoneesta sähkömoottoriin. Se kesti hyvin pitkään, ehkä 20–25 vuotta.

Ihmisiä pidätti erityisesti se, että heidän oli vaikea kuvitella, mihin uusi teknologia pystyi. Yritykset, jotka ymmärsivät sen, menestyivät ja kukoistivat. Ne, jotka eivät ymmärtäneet, jäivät sivuun.

Minua kiehtoo esimerkissä erityisesti se, että yritykset rakensivat uusia tehtaita sen jälkeen, kun sähkömoottori oli jo otettu käyttöön, mutta sijoittivat moottorit samaan keskitettyyn paikkaan, jossa valtava höyrykone oli aiemmin ollut. Ne eivät pystyneet kuvittelemaan tehtaalle erilaista pohjaratkaisua.

Suuri osa tästä liittyy ajattelutapaan: mitä voimme kuvitella tehtävän toisin?

Galen Low: Rakastan tuota, ja mielestäni se on erittäin ajankohtainen vertaus. Kysymme: "Mihin sijoitamme uuden moottorin?" Ja vastaamme: "Samaan paikkaan kuin aina ennenkin." Sama pätee päätöksentekoon. Kun rakennamme uuden mallin, sijoitamme päätökset helposti täsmälleen samaan paikkaan kuin ennen.

Se on inhimillistä. Ajattelemme: "Tehdään vain kuten aina ennenkin, sen täytyy riittää. Olemme päässeet tähän asti näin." Joskus tulee kuitenkin hetki, jolloin ymmärrämme, että meidän on ajateltava suuremmin eikä asian tarvitse enää olla tässä paikassa.

Cassie Solomon: Kiitos, että toit keskustelun takaisin päätöksentekoon. McKinseyltä on hyvä esimerkki suuresta Blackstone-nimisestä yrityksestä, jonka aiomme mainita parhaillaan työstettävässä artikkelissa.

Blackstone halusi muuttaa juridista ja vaatimustenmukaisuuteen liittyvää työtään, koska se ennakoi valtavaa volyymin kasvua. Kaikki käsiteltiin manuaalisesti, eikä yrityksellä ollut varaa palkata 25 prosenttia lisää henkilöstöä. Se kysyi McKinseyltä: "Tämä pitäisi voida tehdä tekoälyn avulla."

McKinsey vastasi: "Hetkinen. Emme vain lisää tätä teknologiaa vanhan prosessinne päälle, koska se ei vie teitä pitkälle." Ensin oli siivottava kömpelö prosessi, virtaviivaistettava päätöksenteko ja automatisoitava mahdollisimman suuri osa sääntöpohjaisesta päätöksenteosta. Lisäksi tarvittiin eskalointipolku tilanteisiin, joissa joku ei hyväksy automaation lopputulosta. Vasta sitten tekoäly voitiin ottaa käyttöön.

Prosessin siivoamisen ja tekoälyn käyttöönoton jälkeen tuottavuus kasvoi hämmästyttävästi, noin 30 prosenttia. Kokeneet työntekijät eivät enää tehneet useita päällekkäisiä tarkistuksia, vaan vapautuivat muihin tehtäviin. Hyötyjä syntyi paljon.

Tässä palaamme RACIin. Voitko kuvata nykyisen prosessisi RACIn avulla? Voitko tunnistaa, kuinka kömpelö se on ja kuinka monien hyväksyntöjen läpi joudut kulkemaan? Voitko virtaviivaistaa nämä asiat ennen käyttöönottoa?

Galen Low: Kärsimys on vahva mutta osuva sana joillekin päätöksenteon ympärillä oleville asioille.

Tällä hetkellä olet käynnistämässä RACI-sertifiointiohjelmaa, ensimmäistä, josta olen kuullut. Sen tarkoituksena on auttaa yrityksiä kouluttamaan ihmisiä eri tasoilla ja yhdenmukaistamaan päätöksentekoa koko toiminnassa.

Mikä on mielestäsi tekoälyaikana perustavanlaatuisesti erilaista RACIn käytössä, ja mitä yritysjohtajien sekä projektialan ammattilaisten pitäisi ymmärtää välttääkseen tilanteen, jossa uusi teknologia sijoitetaan samaan paikkaan kuin vanha?

Cassie Solomon: RACI-sertifiointikurssi on parhaillaan betavaiheessa. Ensimmäinen varsinainen toteutus järjestetään lokakuussa. Etsimme vielä sille sopivaa nimeä, koska monet sanovat: "RACI on hyvin yksinkertainen työkalu. Miksi tarvitsisin sertifioinnin? Voin katsoa pari YouTube-videota ja olen valmis."

Olen työkalun yksinkertaisuudesta samaa mieltä. Me yritämme kuitenkin opettaa sitä taitona ja kykynä. Sillä on monia sovelluksia osallistamisen ja huipputiimien rakentamiseen.

Yritykset ottavat usein yhteyttä ja sanovat: "Työtyytyväisyyskyselymme tulokset tulivat, ja ihmiset ovat todella turhautuneita päätöksentekoprosesseihimme. Mikään ei etene. Voitteko auttaa?" Vastaus on tietenkin kyllä.

Yksi kurssilla opetettavista taidoista on se, miten pysähdytään tekemään päätöksenteon auditointi. Miten tarkastelet päätöksentekokäytäntöjäsi ja kartoitat ne aivan kuten työnkulun?

Päätöksentekoprosesseja kartoitetaan kuitenkin hyvin harvoin. Keskitymme paljon siihen, mitä teemme ja miten teemme sen, mutta hyvin vähän siihen, missä valta ja valtuudet ovat ja miten niitä organisaatiossa käytetään.

Ensin on nähtävä nykytila, ja se on RACI-kyvykkyys. Sen jälkeen kysytään, miksi kaikki on niin hidasta. PMI on jo pitkään sanonut, että jokaisessa projektissa pitäisi olla vain yksi A. Olen tästä eri mieltä, koska se ei ole kovin realistista. Jos haluamme nopeutta, päätöksiä pitää itse asiassa viedä organisaatiossa alaspäin.

Perinteiset järjestelmämme ovat hierarkkisia ja komento-ohjattuja. Maailma on kuitenkin jo vuosikymmenten ajan siirtynyt kohti matalampia organisaatioita, joissa hierarkiaa ja komentoketjuja on vähemmän. Nämä organisaatiot ovat ketterämpiä ja nopeampia.

Ensimmäinen askel on nykyisen päätöksenteon diagnosointi. Toinen askel on pysähtyä tarkastelemaan sitä. Kolmas askel on suunnitella se uudelleen niin, että ihmisille annetaan enemmän valtaa ja päätökset viedään lähemmäs toiminnan etulinjaa.

Galen Low: Pidän tästä ketteryydestä. Aiemmin yhden vastuullisen henkilön ajateltiin olevan tehokkain ratkaisu, mutta nyt ymmärrämme, että se voi olla pullonkaula.

Yhdellä päätöksentekijällä ei välttämättä ole riittävästi tietoa tai valmiuksia päätöksen tekemiseen. Jos ei ole selvää, kuka henkilö on, tai jos joudutaan odottamaan hänen päätöstään, kaikki hidastuu.

Maailmassa on paljon esimerkkejä tiimeistä, joilla on enemmän valtaa tehdä päätöksiä lähellä toiminnan reunoja ja arvon syntymisen paikkaa. Tämä tukee ketterämpää toimintaa.

RACI-sertifiointi ei ole vain lyhenteen opettelua. Se on työkalu, viitekehys ja ajattelutapa, jonka avulla huipputiimit ymmärtävät, missä päätöksiä tehdään.

RACI toimii myös suunnittelutyökaluna. Se ei ole vain nykytilan dokumentointia, vaan sen ymmärtämistä, missä valta tulevaisuuden uudessa toimintamallissa sijaitsee, kuka voi tehdä päätöksiä ja miten koko järjestelmä luodaan uudelleen.

Cassie Solomon: Yksi päätöksentekijä toimii erittäin hyvin startup-yrityksissä, eivätkä ne yleensä tarvitse RACIa. Perustaja tekee päätökset, tiimi on pieni ja ihmiset kokoontuvat yhteen. Kaikki pysyy selkeänä ja toiminta on nopeaa.

Kun startup menestyy ja alkaa kasvaa, yksi päätöksentekijä alkaa kuitenkin muodostua ongelmaksi. Perustajatiimi on tottunut osallistumaan jokaiseen päätökseen, ja sitten organisaatioon lisätään 350 uutta ihmistä, joista monilla on vahvaa omaa kokemusta.

Silloin syntyy kaaos. Päätösoikeuksiin liittyvät ongelmat ja kipukohdat tulevat näkyviin.

Sama pätee sähkömoottorien hajautumiseen tehtaissa. Moottorien pienentyminen ja sijoittaminen eri puolille tehdasta toimii vertauskuvana organisaatioiden madaltumiselle.

Syy organisaatioiden madaltumiseen on tiedon saatavuus. Kun tieto on etulinjassa, päätöksenteon on siirryttävä sinne. Jos kaikki päätökset tehdään edelleen keskushallinnossa, organisaatio ei hyödynnä sitä, että tieto on nyt saatavilla toiminnan reunoilla.

Tämä ei kuitenkaan tarkoita, että koneiden pitäisi vielä tehdä kaikki päätökset. Ihminen halutaan pitää mukana päätöksenteossa, ja se on tärkeää nykyisessä tekoälyn kehitysvaiheessa.

Galen Low: Teknologia ei ainoastaan tuo älykkyyttä lähemmäs ihmisiä, jotka tekevät työtä tai luovat arvoa. Mukaan liittyy myös luottamus ja koulutus.

Se, että henkilöllä on oikea tieto toimia, ei tarkoita, että hänellä olisi koulutus tai kokonaiskuva hyvän päätöksen tekemiseen. Miten tämä ratkaistaan? Miten organisaatiot voivat luottaa siihen, että oikean tiedon antaminen ihmisille johtaa parempiin päätöksiin?

Cassie Solomon: Olemme rakentaneet valtuuttamismallin vuosien RACI-konsultoinnin pohjalta. Valtuuttaminen on liian laaja käsite, ja siihen liittyy paljon oletuksia: "En halua olla mikromanageeraaja, joten minun täytyy vetäytyä päätöksistä." Jos se ei toimi, johtaja palaa takaisin ja on samalla lannistanut koko järjestelmän.

Yksi mallimme aineksista on taito, joka perustuu Dreyfusin tutkimukseen. Ihminen aloittaa noviisina tarkkojen vaiheittaisten tarkistuslistojen avulla. Kokemuksen karttuessa hän etenee kohti tilannetta, jossa kokemus alkaa muuttua harkinnaksi. Asiantuntijatasolla tarkistuslistaa ei enää edes muisteta, koska kaikki vaiheet ovat sisäistyneet.

Malli on edelleen hyödyllinen. Jos etulinjassa työskentelevä henkilö ei ole kokenut, päätöksiä ei haluta hänen tehtäväkseen yksin. Siksi kysymys kuuluu: milloin drone voi tehdä päätöksen itse?

Sama kysymys on kiinnostava lääketieteessä. Tekoälyjärjestelmiä verrataan asiantuntijalääkäreihin, ja ne voivat suoriutua huomattavasti paremmin kuin nuoremmat työntekijät. Kun kysytään, luottaisinko tekoälyyn lääketieteellisen päätöksen tekijänä, ensimmäinen kysymykseni olisi: kuinka paljon kokemusta tällä lääkärillä on?

Galen Low: Kokemus syntyy siitä, että ihminen altistuu työlle ja päätöksenteolle, saa tukea ja tekee joskus vääriä päätöksiä, joista oppii. Koneoppiminen tapahtuu nopeammin, koska järjestelmä saa jatkuvasti palautetta ja oppii virheistään.

Ihmiset eivät kuitenkaan aina tee oikeita päätöksiä, joten kyse on osittain myös mukavuuden ja luottamuksen tasosta. RACIa ajatellen työkalut ja ohjelmistot eivät aiemmin kuuluneet kaavioon, koska ne eivät tehneet päätöksiä. Nyt tilanne on erilainen.

Pitäisikö tekoälyä kohdella tiimin jäsenenä vai työkaluna?

Cassie Solomon: Molempina. Yksittäisen ratkaisun tasolla se on työkalu. Jos tarvitset yhden asian optimoituna, käytät tekoälyä siihen.

Pankit käyttävät tekoälyä petosten havaitsemiseen. Kone käy läpi miljardeja tapahtumia ja tunnistaa epätavallisia kuvioita. Tässä tapauksessa ihminen ei välttämättä ole mukana päätössilmukassa.

RACIin liittyen voidaan kysyä, kuinka paljon R-kirjaimen eli varsinaisen työn määrästä voidaan vähentää ja automatisoida. A-kirjain, joka tarkoittaa harkintaa ja päätöksiä, on vaikeampi kysymys. Haluammeko sijoittaa päätöksen koneeseen aivan kuin se olisi tiimin jäsen?

Petosten havaitsemisessa näin jo tehdään. Jos kyse on kuitenkin tärkeämmästä päätöksestä, kuten elinsiirrosta tai dronen laukaisemisesta, ihminen tarvitaan edelleen päätöksentekoon. Silloin tekoäly on enemmän työkalu kuin työtoveri.

Galen Low: RACIa ei pidä täyttää kaikilla mahdollisilla päätöksillä. Kirjataan ne päätökset, joilla on merkittäviä seurauksia ja jotka ovat epäselviä tai moniselitteisiä.

Jos vastuu siirtyy ihmiseltä tekoälyagentille, muutos kannattaa ehkä kirjata näkyviin, jotta voidaan keskustella siitä, mitä agentti tekee ja missä kohdissa se on R tai A koko järjestelmässä.

Voiko tekoäly mielestäsi koskaan olla RACI-kaavion A-sarakkeessa? Voidaanko se valtuuttaa vastuulliseksi päätöksentekijäksi tässä teknologian kehitysvaiheessa?

Cassie Solomon: Mielestäni voi. RACI-kaavion yläosassa ovat kaikki sidosryhmät, jotka osallistuvat päätökseen. Tekoälyagentti numero yksi voi olla osa tätä joukkoa, jotta voidaan keskustella siitä, annetaanko sille ensimmäinen A ja eskaloidaanko asia tiettyjen ehtojen täyttyessä.

Tämä on melko vähäriskinen tapa määritellä tekoälyn valtuudet. Esimerkiksi Utahissa pilotoidaan järjestelmää, joka voi uusia reseptejä ilman lääkäriä. Päätöstila on rajattu: tietyissä olosuhteissa ja tietylle henkilölle tekoäly saa tehdä päätöksen ilman tarkistusta.

Pidän siitä, että asia tehdään RACIlla näkyväksi, koska silloin voidaan keskustella siitä, millaiset parametrit työkalulle annetaan ja mitkä päätökset varataan ihmisille.

RACIa ei myöskään tarvitse tehdä koko prosessista. Se kannattaa tehdä kipukohdista. Missä prosessi ei ole selkeä? Jos päätöksiä on valtavasti, voidaan tarkastella valikoimaa erilaisia päätöksiä ja määrittää, millaisia päätöksiä tekoäly saa tehdä.

Galen Low: RACIsta tulee tavallaan organisaation riskinsietokyvyn dokumentti. Se kuvaa, millaisia riskejä olemme valmiita hyväksymään ja miten tämä hyväksyntä muuttuu.

Cassie Solomon: Poikkitoiminnallisen yhteistyön tuskallisin asia on se, että jokainen tulee tiimiin omasta osastostaan. Monet osastot haluavat säilyttää osan päätösvallastaan. Jos kaikki päätökset on vietävä takaisin omalle esihenkilölle, tiimi ei pysty tekemään päätöksiä.

Pelkkä työkalu ongelman päälle asetettuna auttaa jonkin verran, mutta RACI-osaaminen on siinä, mitä sen jälkeen tapahtuu. Miten ongelmaa käsitellään? Miten neuvotellaan virtaviivaisempi järjestelmä, joka pystyy etenemään?

Galen Low: Voimmeko palata ajatukseen RACIsta järjestelmätason muutoksen suunnittelutyökaluna? Mistä joku aloittaa? Miten RACI auttaa käymään keskustelua ja kuvaamaan nykytilaa? Miten sen avulla päätetään, mikä uusi toimintamalli on? Ja miten käsitellään valtaan liittyvää politiikkaa, joka yleensä paljastuu?

A ei tarkoita vastuullista vaan valtuutettua. Kysymys ei ole siitä, kenen syyksi asia muuttuu, jos jokin menee pieleen, vaan siitä, kuka saa tehdä päätöksen. Tämä on valtaa. Voimmeko käydä läpi esimerkin siitä, miten RACIlla voidaan suunnitella uutta eikä vain piirtää matriisia paperille?

Cassie Solomon: Voimme. Käytämme tekniikkaa, jonka opimme asiakkaalta. Työnkulku on ylhäällä ja siihen liittyvä RACI-kaavio alhaalla.

Maailmassa on paljon työnkulkukaavioita, jotka ovat yksinäisiä. Niissä ei ole ihmisiä, rooleja tai tietoa siitä, kuka tekee mitä. Ne kuvaavat vain mitä tapahtuu.

RACIa voidaan käyttää roolien uudelleensuunnitteluun. Ensin kysytään: "Tässä on kaikki työ, jonka haluan sinun tekevän. Nämä ovat R:si. Haluanko sinun tekevän päätöksiä?" Sen jälkeen voidaan määrittää, millaiset päätökset kuuluvat rooliin ja millaista asiantuntemusta henkilö tuo tehtäväänsä. Se merkitään C-sarakkeeseen.

Ihmiset eivät kysy päätöksentekoon liittyvää kysymystä tarpeeksi usein. Juuri siinä piilevät monet ongelmat.

Kun suunnittelemme muutosta, RACI yhdistää päätöksenteon ja ihmiset: mitä ihmiset osaavat, kuinka paljon he tietävät ja millaista asiantuntemusta heillä on. Lisäksi mukana ovat tehtävät eli työnkulku, teknologia ja työn organisointi.

Elämme kiinnostavaa aikaa, koska emme tiedä, miltä tulevaisuus näyttää. Meidän on seurattava outoja signaaleja ja kysyttävä, mitä muuta voi muuttua.

Galen Low: Pidän siitä, että keskustelu siirtyi taitoihin, kyvykkyyksiin ja kokemukseen. Monet organisaatiot haluavat suunnitella organisaationsa niiden perusteella. Työnimikkeet kuvaavat usein melko huonosti sitä, mitä ihmiset todella tekevät.

On parempi kysyä, mitä pitää tehdä, kuka on pätevä tekemään sen ja millaiset taidot hänellä on, kuin sijoittaa ihminen pelkän tittelin perusteella laatikkoon.

Cassie Solomon: Minun on mainittava yksi hieno tapaus ennen lopetusta. IKEA korvasi suuren määrän ihmisiä keskusteluboteilla, jotka vastasivat yksinkertaisiin asiakaskysymyksiin.

Kun yritys kuitenkin tarkasteli kysymyksiä tarkemmin, se huomasi, että monet asiakkaat pyysivät suunnitteluneuvoja. Keskustelubotti ei pystynyt auttamaan heitä siinä. IKEA koulutti uudelleen 8 500 ihmistä, jotta he pystyivät antamaan perustason suunnitteluneuvoja, ja yritys ansaitsi paljon rahaa.

Meidän on pysyttävä avoimina mahdollisuudelle, että tekoäly paljastaa järjestelmän aukot. Meillä on käytettävissämme enemmän tietoa ja älykkyyttä kuin koskaan ihmiskunnan historiassa.

Mitä aiomme tehdä sillä? Irtisanoa ihmisiä? Se olisi typerää. Meidän pitää käyttää tietoa aukkojen tunnistamiseen. Tekoälyn avulla voidaan hoitaa rutiinityö ja käyttää syntyvää dataa siihen, että löydetään kohdat, joihin tarvitaan ihmisiä.

Galen Low: Rakastan tuota. RACI-ajattelutavan avulla voimme nähdä aukot, ymmärtää päätöksentekoa ja rakentaa jotain täysin uutta, jota emme ole aiemmin kuvitelleet.

Cassie Solomon: Täysin uusi on hyvä ilmaus.

Galen Low: Miltä tulevaisuus näyttää sinulle päätöksenteon kannalta? Olemme puhuneet yhdestä päätöksentekijästä, keskitetystä päätöksenteosta, päätösten siirtämisestä toiminnan reunoille ja tekoälyn tekemistä päätöksistä. Miltä päätöksenteko ja yhteistyö näyttävät kahden tai kolmen vuoden kuluttua?

Cassie Solomon: Sertifioinnin tarkoitus on sanoa, että perustason RACI-työn te osasitte jo tehdä. Nyt meidän on opittava puhumaan rooleista ja suunnittelemaan niitä uudelleen. Meidän on tultava tämän työkalun todellisiksi mestareiksi ja käytettävä sitä organisaation näkymättömien osien valaisemiseen.

Jos emme osaa puhua rooleista mestarin tavoin, jäämme jumiin. En voi ennustaa tulevaisuutta, mutta tulevaisuuden merkit ovat jo nähtävissä. Jos opimme tunnistamaan, milloin päätöksenteko on siirtynyt ja milloin se on seurannut tietoa uuteen paikkaan, voimme alkaa rakentaa ymmärrystä uudesta toimintamallista.

Galen Low: Pidän siitä. Meillä on nyt runsaasti tietoa, mutta tarvitsemme kielen, jonka avulla voimme keskustella siitä. Päätöksenteon ymmärtämisen mestarit voivat auttaa meitä käymään tämän keskustelun.

Cassie Solomon: On sekä pelottavaa että hienoa yrittää suunnitella tulevaisuutta tämän uskomattoman uuden teknologian avulla.

Galen Low: Cassie, tämä oli mahtavaa. Olen oppinut todella paljon. Kiitos, että tulit jälleen ohjelmaan jakamaan näkemyksiäsi. Jos ihmiset haluavat oppia lisää sinusta, RACIsta ja RACI-sertifioinnista, mistä he löytävät lisätietoa?

Cassie Solomon: RACI Solutions on verkkosivusto, jonka rakensimme RACI-konsultointimme ympärille. Sertifiointikurssista tulee sinne myöhemmin lisätietoa. Rajoitamme ryhmät 20 henkilöön, koska haluamme mahdollistaa aidon keskustelun ja keskinäisen oppimisen.

Jos joku on kiinnostunut, toivon hänen ottavan yhteyttä.

Galen Low: Täydellistä. Lisään profiilisi myös ohjelman muistiinpanoihin. Cassie, kiitos vielä kerran.

Cassie Solomon: Kiitos, Galen.

Galen Low: Hyvä kuulijat, siinä oli tämän Digital Project Manager -podcastin jakso. Jos piditte keskustelusta, muistakaa tilata podcast siellä, missä kuuntelette sitä.

Jos haluatte vielä enemmän käytännönläheisiä näkemyksiä, tapaustutkimuksia ja toimintamalleja, luokaa meille ilmainen tili osoitteessa thedigitalprojectmanager.com. Kuullaan seuraavalla kerralla. Kiitos kuuntelusta.