Data- ja AI Governance: Ekosysteemit ja hallintamallit oli AI Finlandin järjestämä vertaissparraustapahtuma, jossa esiteltiin yritysesimerkkien kautta onnistuneita datatalous- ja tekoälyhankkeita. Asiakkaiden tarpeiden huomiointi, datamaturiteetti, ihmisten osallistaminen, mittarit, yhteiset tavoitteet ja operatiivisen mallin kehittäminen edesauttavat datatalous- ja tekoälyhankkeiden onnistumista. Tällaiset hankkeet eivät ole pelkästään IT:tä, AI:ta tai digiä, vaan sisältävät huomattavan määrin inhimillisiä elementtejä. Tämän takia palvelumuotoilulla ja liiketalouden johtamisella on merkittävä rooli tekoäly- ja datataloushankkeissa. Tässä artikkelissa esitellään vertaissparrauksessa esillä olleet esimerkkitapaukset, sekä tiivistettynä niiden opit siitä, millainen on onnistunut datatalous- ja tekoälyhanke.

AI Finland ja vertaissparraukset

Maaliskuussa 2024 perustettu AI Finland -verkosto on osa Teknologiateollisuuden 13,2 miljoonan euron tekoälyinvestointia. AI Finlandin missio on vahvistaa Suomen asemaa tekoälyn edelläkävijänä yhdistämällä kysyntää ja tarjontaa sekä luomalla rakenteita tiedon jakamiselle ja kehityksen suuntaamiselle. (AI Finland 2025.)

Verkosto kokoaa yhteen tekoälystä kiinnostuneita yrityksiä ja toimijoita tarjoten alustan yhteistyölle ja tiedonjaolle toimialarajoista riippumatta. Verkosto kannustaa niin palveluntarjoajia kuin tekoälyä hyödyntäviä organisaatioita liittymään mukaan. Tavoitteena on edistää tekoälyn soveltamista ja kehittämistä muun muassa yhteishankkeiden ja vertaissparrauksen avulla. (AI Finland 2025.)

Vertaissparraukset ovat webinaarityylisiä tapahtumia, joissa yritykset pitävät käytännönläheisen alustuksen, ja sen jälkeen osallistujat voivat esittää kysymyksiä ja keskustella sekä puhujien että muiden osallistujien kanssa. Tarkoituksena on sparrata yrityksiä tekoälyn käyttöönottoon liittyvissä haasteissa. (AI Finland 2025)

Data- ja AI governance: Ekosysteemit ja hallintamallit oli osa tätä vertaissparrausten sarjaa. Kyseisessä tapahtumassa puhujina oli UPM, Fiskarsin ja DAINin edustajat. Seuraavaksi esittelen näiden yritysten caset, ja mitä oppeja liittyen onnistuneisiin datatalous- ja tekoälyhankkeisiin näistä nousi.

UPM ja datan kaupallistaminen sensoreilla

Datan kaupallistaminen on saavuttanut jo monia varsin perinteisenä pidettyjä teollisuudenaloja. Yksi näistä aloista on puutavarateollisuus. Esimerkiksi UPM Plywood on kehittänyt järjestelmä n, jolla parkettiteollisuuteen menevää materiaaleja koskevaa dataa on saatu kaupallistettua. (Marttila 2025.)

Puumateriaali elää kosteudenvaihtelujen myötä, ja tämä vaikuttaa merkittävästi lopputuotteen laatuun. Tätä kosteudenvaihtelua on mitattu aikaisemmin materiaalia tuhoavilla prosesseilla, jossa materiaalista otetaan näytteitä. Tämä on ollut työlästä, materiaaleja hukkaavaa eikä jokaista yksittäistä materiaalierää ole näistä syistä voitu testata. (Marttila 2025.)

UPM Plywood on kehittänyt järjestelmän, jossa testausta on automatisoitu. Sen lisäksi, että tästä syntyvää dataa käytetään UPM:n omien prosessien seurannassa ja kehittämisessä, tämä data on myös tarjolla asiakasyrityksille asiakasportaalin kautta. (Marttila 2025.)

Toinen datanlähde asiakkaille ovat uudet sensorit, joita UPM on alkanut laitamaan materiaalitoimituksiin mukaan. Nämä sensorit seuraavat kosteustasoja jatkuvasti. Koska tavaran toimitukseen menee aikaa, ja kosteusolosuhteet saattavat vaihdella toimituksen aikana, tämä antaa totuudenmukaisemman kuvan materiaalin kosteustasosta. Myös tällaisten sensorien tuottama tieto on asiakkaiden saavutettavissa portaalin kautta. (Marttila 2025.)

UPM Plywood lähti kehittämään tätä järjestelmää ilman aiempaa datatalouskokemusta. Hanketta ei toteutettu digi- tai AI-projektina, vaan monialaisena kehitysprojektina, jossa oli mukana myös palvelum uotoilijoita. Uusien järjestelmien rakentaminen olemassa olevien päälle osoittautui haastavaksi, mutta toisaalta yritys ei halunnut jäädä odottelemaan IT-järjestelmien uusimista. Datan laadun ja oikeellisuuden varmistaminen on ollut prosessissa keskeisessä roolissa, ja siihen on panostettu aivan tuotannon alkuvaiheista lähtien. (Marttila 2025.)

Hanketta lähdettiin alusta alkaen miettimään asiakkaiden perspektiivistä. UPM Plywood oli saanut asiakkailta palautetta, jossa toivottiin enemmän dataa tuotteista. Puutavarateollisuuden arvoketjussa on hyvin pitkät asiakassuhteet, joten olemassa o levien kontaktien toiveiden kuunteleminen on tärkeää. Lisäksi on tärkeää – ja haastavaa – pyrkiä erottautumaan kilpailijoista tarjoamalla enemmän lisäarvoa. (Marttila 2025.)

Fiskars tuottaa lisäarvoa datalla ja tekoälyllä

Toinen tilaisuudessa datatalouskehitystään esitellyt perinteisen teollisuuden parissa operoiva yritys oli Fiskars. Fiskarsilla on hyvin paljon erilaisia brändejä ja markkinoita, mutta näitä kaikkia yhdistää se, että ne eivät ole varsinaisesti diginatiiveja aloja, vaan tuottavaa teollisuutta. Erilaisten brändien ja markkinoiden monimuotoisuus on tuonut haasteita yrityksen digitalisaatiokehitykseen. (Rasinen 2025.)

Fiskars on siirtynyt käyttämään organisaatiossaan yhä laajemmin tekoälyä. Tätä pohjustettiin yrityksen datamaturiteetin kehittämisellä. Datamaturiteetti kuvaa sitä, kuinka käyttökelpoista yrityksen data on, ja kuinka tehokkaasti sitä hyötykäytetään. Tämän maturiteetin rakentaminen vei Fiskarsin tapauksessa pitkän aikaa, mutta sen huolellinen rakentaminen on koettu käytetyn ajan ja vaivan arvoiseksi. (Rasinen 2025.)

Alkuaikojen teot koostuivat datapohjan rakentamisen lisäksi raportoinnin kehittämisestä sekä yksinkertaisesti pienistä näyttöcaseista. Fiskars halusi kuitenkin tehdä todellisen siirtymän datatalouteen, eikä vain jäädä siihen asteelle, jossa tehdään erilaisia pieniä testitapauksia. Tähän vaiheeseen jumiin jääminen on yleinen ongelma datataloutta kehittäville yrityksille. (Rasinen 2025.)

Datamaturiteetin huolellinen rakentaminen on mahdollistanut Fiskarsille sen, että yritys on päässyt soveltamaan tekoälyä mielekkäästi sen prosesseissa. Fiskars on saanut rakennettua tuotantoanalytiikkaa, ja koneoppimisprosessin, joka tuottaa suoraan prosesseihin tuloksia. Fiskarsilla on koko ajan menossa erilaisia tekoälyyn liittyviä kokeiluja, esimerkiksi generatiiviseen tekoälyyn ja tekoälyagentteihin liittyviä projekteja. (Rasinen 2025)

Fiskarsilla on koettu hyvin tärkeäksi, että kehityshankkeissa on pyritty määrittelemään mitattavia tavoitteita, ja milellään rahana mitattavia asioita. Jaetut tavoitteet ovat olleet tärkeitä kehitysprosesseissa, ja ei ole pyritty esimerkiksi tuottamaan viittä datatalousp rojektia, vaan esimerkiksi miljoona euroa liikevoittoa. Tämä auttaa keskittymään yrityksen kannalta oleellisiin toimintoihin. (Rasinen 2025.)

Tekoäly- ja datataloushankkeiden testitapauksien määrittäminen ja se, että järjestelmät ottavat huomioon tosielämän rajoitteet ovat myös olleet Fiskarsille tärkeitä. Esimerkkinä näistä rajoitteista on varastojen fyysinen koko. Parhaat mallit eivät aina ratkaise, vaan se, miten järjestelmät saadaan integroitua yrityksen toimintaan. Tässä on aina mukana muutoksen elementti, ja muutos tuo mukanaan muutosvastarintaa. Osittain tämän taustalla on hyvät syyt, kuten kokemus, ja Fiskars on kokenut luottamuksen rakentamisen ja uusien projektien hyödyn osoittamisen tärkeäksi sekä omille työntekijöilleen että yhteistyökumppaneilleen. Koska tekoälyprojekteissa on mukana aina inhimillinen tekijä, onkin hyvin tärkeää pohtia, miten ihmiset saadaan mukaan prosessiin, ja miten tekoälyn tuomat hyödyt saadaan esitettyä innostavalla tavalla. (Rasinen 2025.)

DAIN ja tekoälyn operatiivinen taso

Jos UPM ja Fiskars edustivat perinteistä teollisuutta, niin DAIN edustaa diginatiivia yritystä. Kyseessä on datatalouden ja tekoälyn konsultointiin keskittyvä yritys, joka toimii Suomessa ja Saksassa. DAIN on mukana datan ja tekoälyn arvoketjussa monessa kohtaa, koulutuksista teknisiin implementaatioihin. (Kruhse-Lehtonen 2025.)

Tekoälykehitys on herättänyt aina vain laajemman joukon yrityksiä pohtimaan, mitkä olisivat tekoälyn parhaat käyttötapaukset, ja miten siitä saataisiin tuotettua mahdollisimman paljon lisäarvoa. Liiketoiminta-arvon lisäksi tekoälykehitystä ajavat eteenpäi esimerkiksi olemassa olevien tietojärjestelmien puutteet tai haasteet tai ihmisosaamisen puute organisaatiossa, jolloin näitä pyritään korvaamaan tekoälyllä. (Kruhse-Lehtonen 2025.)

DAIN:in lähestymistapa tekoälyhankkeisiin keskittyy operatiiviseen tasoon, joka sitoo yhteen tekoälystrategian ja käyttötapaukset organisaation rakenteen, osaamisen, kulttuurin ja teknologiapohjan kanssa. Operatiivinen malli kuvaa organisaation prosessit, työkalut ja toiminnan raamit sekä näiden kytkökset, ja miten näitä käytetään yrityksen päivittäisessä toiminnassa. Tällaisen mallin kehittäminen ja ymmärtäminen auttaa yritystä sekä kehittämään menestyksekkäitä datatalous- ja tekoälyhankkeita e ttä auttaa yritystä rakentamaan näihin liittyviä kyvykkyyksiä. Operatiivinen malli on silta strategian ja toteuttamisen välillä, joka auttaa muuttamaan strategiat koordinoiduksi toiminnaksi. (Kruhse-Lehtonen 2025.)

DAIN:issa korostetaan datatalous- ja tekoälyhankkeiden inhimillisiä puolia. On tärkeää lähteä liiketoimintaprosesseista. Näitä prosesseja tulisi katsoa kokonaisuuksina, sekä ymmärtää, millaista tekemistä tulisi priorisoida. Esimerkiksi jos lähdetään liikkeelle jonkin tuotteen oletetusta kysynnästä, pitää ymmärtää, mitä se tarkoittaa logistiikalle. Kaikki uusien teknologioiden käyttöönottoon liittyvät hankkeet vaikuttavat aina myös ihmisiin, joten tämä pitää ymmärtää heti prosessin alussa. (Kruhse-Lehtonen 2025.)

Yhteenveto

Millainen olisi siis onnistunut datatalous- tai tekoälyprojekti Data ja AI Governance-webinaarin perusteella? Opit voidaan tiivistää seuraaviin pääpointteihin:

Lähde asiakkaiden tarpeista
Kaikki onnistunut liiketoiminta lähtee siitä, että kyetään vastaamaan asiakkaiden tarpeisiin.

Rakenna datamaturiteetti
Datatalous vaatii pohjatyönä sen, että yritys kykenee tuottamaan ja käsittelemään dataa mielekkäällä tavalla.

Datatalous ja tekoäly ei ole vain digiä tai IT:tä
Osallista ihmiset ja rakenna luottamusta.

Kehitä mittarit
Mittavat tulokset auttavat pitämään tekemisen mielekkäänä ja yrityksen tavoitteille relevanttina.

Yhteiset tavoitteet
Datatalous- ja tekoälyhankkeita ei tehdä itseisarvona, vaan tukemaan yrityksen tavoitteita.

Operatiivinen malli sitoo yhteen strategian ja toteutuksen
Strateginen taso ja toteuttava taso on sidottava yhteen kartoittamalla ja kehittämällä operatiivista tasoa.

Datatalous- ja tekoälyhankkeet siis sisältävät varsin monia liiketalouden, johtamisen ja palvelumuotoilun piiriin kuuluvia elementtejä. Laurealla on näistä teemoista vankkaa kokemusta, mutta toisaalta muuttuva, ja digitalisoituva maailmaa haastaa näitä aloja. Uusien teknologioiden parissa liikkuvat projektit sisältävät omat erityispiirteensä. Onkin siis tärkeää pitää tietonsa ajan tasalla, ja tutustua uusiin teknologioihin ja erilaisiin käyttötapauksiin avoimin mielin.

Lähteet

• AI Finland 2025. Etusivu. Viitattu 10.03.2025. https://aifinland.fi/en/front-page/
• Kruhse-Lehtonen, U. 2025. Tekoälyn operatiivinen taso. AI Finland: Data- ja AI governance: Ekosysteemit ja hallintamallit-webinaari, 10.03.2025.
• Marttila, H. 2025. UPM Plywood ja datan kaupallistaminen. AI Finland: Data- ja AI governance: Ekosysteemit ja hallintamallit-webinaari, 10.03.2025.
• Rasinen, A. 2025. Business value from Analytics & AI. AI Finland: Data- ja AI governance: Ekosysteemit ja hallintamallit-webinaari, 10.03.2025.