Hyvin muotoiltu kysymys ei enää riitä

Yritysten kannattaa suunnitella tekoälyn koko tietoympäristö – ei vain yhtä kysymystä – jos ne haluavat agenttien toimivan luotettavasti ja laajassa mittakaavassa.

Moni on huomannut sen töissä: sama tekoälysovellus antaa tänään erinomaisen vastauksen ja huomenna jotain varsin omituista. Yksi syy on ilmeinen – mitä kysyy, sellaista saa. Toinen, vähemmän puhuttu syy on se, mitä kaikkea kysymyksen ympärillä on. Millaisessa “huoneessa” tekoäly tekee päätöksensä: mitä taustatietoa se näkee, mistä tiedonpaloista se pidetään poissa ja miten lähteet on järjestetty?

Viime vuodet olemme oppineet kikkailemaan kehotteilla, eli muotoilemaan kysymykset taitavasti. Tuore arXivissa julkaistu essee ehdottaa kuitenkin, että tämä on vasta alku. Kirjoittajan teesin mukaan itse kysymystä tärkeämpää on rakentaa koko konteksti – se tietoympäristö, jossa tekoäly toimii. Ilman sitä yksittäiset oivaltavat kysymykset ovat kuin hyviä käskyjä, jotka annetaan sokkona.

Vastakkain ovat siis kaksi ajatusta. Ennen ajateltiin, että kehotteiden hiominen riittää. Nyt ehdotetaan, että tarvitaan erillinen taito: kontekstin suunnittelu. Esseen mukaan konteksti on “kuin käyttöjärjestelmä” tekoälyagentille – se määrittelee, mitä agentti näkee, mitä se ei näe ja millä perusteilla se tekee valintoja.

Mitä tällainen suunnittelu sitten on? Kirjoittaja tiivistää sen viiteen laatukriteeriin, joista jokainen on arkijärjellä ymmärrettävä:

• Osuvuus: mukana on vain asiaan liittyvää tietoa.
• Riittävyys: tietoa on tarpeeksi päätöksen tekemiseen, ei liian vähän.
• Rajaaminen: agentti eristetään häiritsevästä tai aiheen ulkopuolisesta materiaalista.
• Ytimekkyys: tieto on tiivistä, jotta agentti ei huku sivuseikkoihin.
• Alkuperä: lähteet ovat jäljitettävissä, jotta päätökset voi tarkistaa.

Otetaan konkreettinen esimerkki. Kuvitellaan, että asiakaspalvelun agentti käsittelee palautuksia. Jos sen eteen ladotaan viime vuoden palautussäännöt, tämänhetkiset kampanjaehdot, kasa myyntipuhetta ja muutama sisäinen sähköposti, lopputulos on arvaamaton. Osuvuus ja rajaaminen tarkoittavat, että agentille annetaan vain voimassa oleva palautuspolitiikka ja siihen liittyvät poikkeukset – ei markkinointitekstejä. Riittävyys taas varmistaa, että mukana ovat myös päivämäärät, summakatot ja tunnistetut petosmerkit. Ytimekkyys karsii turhat toistot. Alkuperä-kriteeri lisää mukaan linkit lähdedokumentteihin, jotta asiakas ja esihenkilö näkevät, mihin ratkaisu perustuu. Sama agentti, eri konteksti – ja päätös voi vaihtua dramaattisesti.

Essee käy askeleen pidemmälle. Kontekstin lisäksi tarvitaan selkeä kuvaus siitä, mitä agentti tavoittelee ja millä arvoilla se tekee kompromisseja. Kirjoittaja kutsuu tätä tarkoituksen määrittelyksi: organisaation tavoitteet, arvot ja tärkeysjärjestys tulisi kirjoittaa koneen ymmärtämään muotoon. Kolmas kerros on sääntöjen ja standardien määritys – käytännössä yrityksen politiikkojen kokoaminen koneelle luettavaan muotoon, jotta useat agentit voivat toimia itsenäisesti samoilla pelisäännöillä.

Yhdessä nämä muodostavat kerroksittaisen mallin: kehotteet alimpana, niiden päällä konteksti, sen päällä tarkoitus ja huipulla koneelle ymmärrettävät säännöt. Ajatus on, että jokainen taso nojaa edelliseen: ilman siistiä kontekstia tarkoitusta on vaikea toteuttaa, ja ilman tarkoitusta säännöistä tulee mekaanista ruksitusta.

Kirjoittaja nojaa ehdotuksissaan sekä teknologia­toimittajien nykyisiin ratkaisutapoihin että akateemisiin malleihin monivaiheisista agenteista. Yrityskenttää kuvaamaan hän siteeraa tuoreita lukuja: konsulttiyhtiö Deloitten mukaan 75 prosenttia yrityksistä aikoo ottaa agenttimaisen tekoälyn käyttöön kahden vuoden kuluessa, mutta KPMG:n havaintojen mukaan innostus on monin paikoin ensin kiihtynyt ja sitten hyytynyt, kun skaalaamisen monimutkaisuus on paljastunut. Essee käyttää myös Klarnan tapausta esimerkkinä tilanteesta, jossa puutteita oli sekä kontekstissa että tarkoituksen määrittelyssä. Yhteinen viesti on selvä: se, joka hallitsee agentin kontekstia, hallitsee sen käyttäytymistä – ja se, joka määrittelee tarkoituksen, ohjaa strategiaa.

On syytä olla samalla utelias ja kriittinen. Essee on ohjelmallinen ehdotus, ei kontrolloitu koe. Se kokoaa olemassa olevia käytäntöjä ja kirjoittajan kokemusta monen agentin järjestelmän rakentamisesta, ja esittää niiden pohjalta periaatteita. Kuulostaa järkevältä, mutta moni yksityiskohta jää auki: miten osuvuutta ja riittävyyttä mitataan käytännössä? Kuka yrityksessä linjaa arvojen tärkeysjärjestyksen, ja millä mandaatilla? Miten varmistetaan, etteivät “rajaaminen” ja “ytimekkyys” johda tärkeän mutta hankalan tiedon poisjättöön?

Myös käytännön esteitä on. Yrityksen sääntöjen saattaminen koneen luettavaan muotoon on iso urakka, varsinkin jos politiikat elävät jatkuvasti. Lähteiden alkuperän läpinäkyvyys on helppo luvata, vaikeampi toteuttaa silloin, kun lähteitä on satoja ja ne päivittyvät usein. Ja vaikka konteksti olisi moitteeton, agentit ovat yhä tilastollisia arvioijia – ne voivat erehtyä. Esseen viitteet suuriin teknologiatoimittajiin kertovat, että työkaluja on, mutta nekin kehittyvät nopeasti, ja tämän päivän paras käytäntö voi olla huomenna eilistä.

Silti pääkysymys on osuva. Jos tekoälystä on tulossa uusi työkaveri, emme voi tyytyä opettamaan sille pelkkiä taikasanoja. Meidän pitää suunnitella se huone, jossa se ajattelee: mitä ikkunoista näkyy, mitä ovia on lukittu ja missä on hätäpoistumistie. Kuka tässä huoneessa päättää sisustuksesta – yritysjohto, tekijät, asiakkaat vai sääntelijät? Se, miten vastaamme, kertoo lopulta enemmän meistä kuin koneista.

Paper: https://arxiv.org/abs/2603.09619v1

Register: https://www.AiFeta.com

tekoäly yritykset data etiikka työelämä