AI-koulutushankkeista alkaa löytyä tuttu kaava. Budjetti on myönnetty. Työpajat on pidetty. Henkilöstö on oppinut promptaamaan. Puolen vuoden päästä kukaan ei osaa sanoa, mitä oikeasti saatiin aikaan.
Ongelma ei ole tekoälyssä eikä henkilöstössä vaan on koulutushankkeen rakenteessa. Ongelma on hankkeen rakenteessa, joka on korjattavissa.
Sama rakennevirhe, kaksi tasoa
Substanssiosaajien aika on kallisarvoista ja he ovat kovin kiireisiä. Heille oman alansa kysymykset ovat rutiinia, jota on kerrytetty vuosien työllä. Asianajaja näkee dokumentista compliance-riskin heti. Turvallisuuspäällikkö hahmottaa prosessivaaran kokemuksella, jota ei voi kopioida. Headhunter tunnistaa nopeasti, soveltuuko henkilö rooliin.
Kun asiantuntijaa pyydetään tekemään omasta alastaan koulutusmateriaalia, hänelle annetaan samalla kaksi muuta työtä: pedagoginen suunnittelu sekä tekninen tuotanto. Pedagoginen suunnittelu on oma tieteenalansa, johon kuuluu oppimistavoitteiden muotoilu, kognitiivisen kuormituksen hallinta, arvioinnin pätevyys ja palautteen muotoilu. Tekninen tuotanto puolestaan kattaa järjestelmäyhteyksien integroinnin, data-arkkitehtuurin, tietoturvan ja saavutettavuuden. Kummankaan yllä olevista ei tulisi kuulua asiantuntijan työnkuvaan.
Sama kolminkertainen taakka jaetaan koko organisaation kannettavaksi silloin, kun ratkaisuksi tarjotaan "koulutetaan kaikki AI:n käyttäjiksi". Nyt yksittäisen asiantuntijan tilalla on jokainen työntekijä, jolta odotetaan substanssiosaamista, pedagogista rakennetta ja teknistä tuotantoa samassa paketissa. Markkinointi pyörittää yhtä välinettä omilla prompteillaan, HR toista, taloushallinto kolmatta. Sisällön laatu vaihtelee tiimistä toiseen, eikä kukaan vastaa siitä, mitä henkilöstö oikeasti on oppinut.
Molemmissa tapauksissa lopputulos on sama. Substanssi on oikeaa, mutta sisältö on pedagogisesti heikkoa ja teknisesti hankalasti käytettävää. Pahimmillaan siihen kuluu kuukausia kallisarvoista aikaa, joka olisi pitänyt käyttää muualla. Ja koska hankkeen onnistumista mitataan sillä, onko AI-työkalu käytössä, varsinainen kysymys jää tutkimatta: oppiko henkilöstö sen, mitä piti oppia.
Malli, joka oikeasti tukee oppimista
Toimiva malli jakaa työn neljälle roolille. Kukin tekee sitä, mitä parhaiten osaa.
Substanssiasiantuntija antaa tiedon. Käytännössä yksi tunti haastattelua, olemassa olevien materiaalien toimittaminen ja valmistuvan sisällön hyväksyminen. Hän ei promptaa, ei täytä pohjia eikä opettele AI-työkaluja.
Oppimismuotoilija jäsentää. Oppimistavoitteet, oppimisen rakenne, arvioinnin suunnittelu ja palautteen muotoilu kuuluvat tähän rooliin.
AI-agentti tuottaa volyymia. Interaktiiviset tehtävät, kysymykset, harjoitusdialogit ja palautteet. Tämä on tekoälyn vahvuusalue, mutta vain silloin kun agentit on koulutettu huolella prompteilla ja muistitiedostoilla ja kun niiden työskentelyä osataan ohjata. Ilman tätä syntyy näennäistä volyymia, jonka laatu ei kestä pedagogista tarkastelua.
Tekninen arkkitehti integroi. Järjestelmäyhteydet, data-arkkitehtuuri, tietoturva ja saavutettavuus ovat oma kokonaisuutensa ja oma osaamisalueensa.
Tässä mallissa substanssiasiantuntija saa keskittyä omaan työhönsä, ja muu tuotanto tapahtuu ammattilaisten käsissä. Lisäksi sisältö syntyy huomattavasti nopeammin.
Missä tämä erityisesti kannattaa huomioida
Näemme saman virheen toistuvan lukuisissa tilanteissa, kuten:
Compliance-koulutukset. Työlainsäädäntö, tietosuoja, työturvallisuus, alakohtaiset säädökset ja eettiset ohjeet. Tämänkaltaiset koulutukset on pakko järjestää. Useimmissa tapauksissa ne tuotetaan tavalla, jota kukaan ei itse suosittelisi: asiantuntija kirjoittaa tekstin, joku muokkaa sen kurssiksi kiireessä, henkilöstö klikkaa itsensä läpi. Laatikko rastitetaan. Oppiminen jää pintapuoliseksi. Kun seuraava auditointi tulee, sama työ tehdään uudestaan.
Strategian jalkautus. Projektimainen, aikataulutettu, koko henkilöstöä koskeva. Substanssi on johdolla, mutta jalkautus edellyttää pedagogista rakennetta ja tuotantokykyä. Ne eivät kuulu johdon päivätyöhön eivätkä tule sinne parin työpajan kautta.
Perehdytys. Perinteisesti aliresursoitu, tylsäksi koettu ja silti kriittinen uuden työntekijän integroitumisen kannalta. Juuri perehdytys on kohta, jossa hyvin tuotettu AI-tuettu oppimiskumppani muuttaa kokemuksen. Työntekijä saa vastauksen silloin, kun tarvitsee sen.
Kolme asiaa, joita suosittelemme harkittavaksi
Työkalu ei yksinään riitä sisällön tuottamiseen. Osa investoinnista kannattaa kohdentaa itse sisältöön tai kumppaniin, joka tuottaa sen puolestanne.
Mittaa oppimista, älä käyttöä. "Onko AI-työkalu käytössä" on helppo mitata. "Oppiko henkilöstö sen, mitä piti" on vaikeampi mittari, mutta juuri se kertoo hankkeen arvon.
Pidä substanssiosaajanne substanssityössä. Heidän aikansa on kallisarvoista, ja sen tuottoisin käyttö on heidän omassa työssään. Pedagoginen suunnittelu ja tekninen tuotanto kuuluvat erikoistuneelle tiimille, olipa se sisäinen tai ulkoinen kumppani.
Lopuksi
Rakennamme 3DBearilla tuotantomallia, jossa kullakin roolilla on oma paikkansa. Tarjoamme mielellämme keskustelun ja rehellisen arvion teidän tilanteestanne.
Jos haluat kuulla lisää, varaa 20 minuuttia. Kerromme, soveltuisiko tällainen ratkaisu teidän tarpeisiinne.
Kirjoittaja
| Nimi | Jussi Kajala |
| Rooli | Toimitusjohtaja ja perustaja, 3DBear |
| Tausta | PhD laskennallisen fysiikan alalta (Aalto-yliopisto), MPhil Cambridgen yliopistosta (kunniamaisterin arvo). Aiemmin Spinverse, suuryritysasiakkuudet. Tekesin vuoden työntekijä 2015. |
| Sähköposti | jussi@3dbear.fi |
| Puhelin | +358 50 561 5411 |