Omistettu data voi tulla arvokkaimmaksi AI-esteeksi

Tekoälyn saaminen yrityksille on yhä helpompaa. Johtavia malleja voidaan lisensoida pilvialustoilla, avoimen lähdekoodin järjestelmiä voidaan räätälöidä, ja AI‑avustajia ilmestyy tavalliseen liiketoimintaohjelmistoon. Tämä laajeneva saatavuus herättää tärkeän kysymyksen sijoittajille: jos kilpailijat voivat käyttää samankaltaisia malleja, mistä kestävät AI‑edut syntyvät?

Uusi tutkimus, joka on julkaistu Research Policy¹, viittaa siihen, että vastaus saattaa piillä siinä, kuinka tehokkaasti yritykset yhdistävät tekoälyn omistettuun dataan, institutionaaliseen tietämykseen ja ihmisen asiantuntemukseen. Sen keskeinen väite on, että tekoälyä ei enää tulisi pitää perinteisenä ohjelmistotyökaluna. Se muuttuu organisaation sisäiseksi oppimisagentiksi.

Tämä ero on merkittävä, koska tekoälyn ostaminen ei automaattisesti tee yrityksestä parempaa oppijaa. Yritykset tarvitsevat edelleen relevanttia dataa, työntekijöitä, jotka ymmärtävät toimintaympäristön, teknisiä tiimejä, jotka pystyvät konfiguroimaan malleja, ja prosesseja, jotka muuntavat tekoälyn tuottamat oivallukset toiminnaksi. Yritykset, jotka kokoavat nämä kyvyt varhaisessa vaiheessa, saattavat kehittää etuja, jotka käyvät yhä vaikeammiksi jäljitettäväksi.

Tekoäly muuttaa tapaa, jolla yritykset omaksuvat tietoa

Johtamistutkijat käyttävät termiä absorptiivinen kapasiteetti kuvaamaan yrityksen kykyä tunnistaa arvokasta ulkoista tietoa, ymmärtää se ja soveltaa sitä kaupallisesti. Perinteisesti tätä prosessia on pidetty ihmistoimintana, jota tukevat tutkimus, viestintä, koulutus ja kokemus.

Uusi tutkimus väittää, että tämä viitekehys ei enää riitä. Nykyaikaiset tekoälyjärjestelmät voivat skannata tietoa, havaita malleja, yhdistää dataa eri toimialoilta ja tuottaa mahdollisia selityksiä tai ratkaisuja. Sen sijaan, että ne vain tallentaisivat tietoa työntekijöiden noudettavaksi, tekoäly voi vaikuttaa siihen, mitä organisaatio etsii ja miten se tulkitsee löydökset.

Tämä luo sen, mitä tutkija kutsuu kaksinkertaiseksi oppimisarkkitehtuuriksi. Ihmisen oppiminen pysyy ohjattuna kokemuksen, kontekstin, assosiaatioiden ja arvostelun kautta. Koneoppiminen toimii tilastollisten suhteiden perusteella, jotka löytyvät datasta. Kummallakin on omat vahvuutensa ja heikkoutensa, eikä kumpikaan yksinään riitä.

Tämä tukee laajempaa talouden tasolla nousevaa oppituntia: tieto ei luo arvoa ennen kuin organisaatio pystyy tulkitsemaan sen ja toimimaan sen perusteella. Recent Securities.io coverage of how Tekoäly avaa uusia mahdollisuuksia pienyrityksille samoin totesi, että tekoälykyky ja yrittäjäkyky täydentävät toisiaan ennemmin kuin korvaavat.

Data-perintö voi kehittyä kasvavaksi yritysvarallisuudeksi

Yksi tutkimuksen hyödyllisimmistä käsitteistä on data-perintö. Tämä viittaa yrityksen keräämän datan määrään, monimuotoisuuteen, laatuun ja historiaan.

Perinteiset tietokannat ovat pitkälti passiivisia. Ne säilyttävät tiedon, kunnes henkilö tai ennalta määritelty ohjelma hakee ja analysoi sen. Tekoäly tekee kerätystä datasta aktiivisempaa, koska uutta tietoa voidaan käyttää järjestelmän tunnistamaan malleja ja tuottamaan tulevaa tietoa.

Esimerkiksi valmistajalla voi olla vuosien mittaiset ylläpitotiedot, tuotantomittaukset, vikailmoitukset, laitelokit ja teknikkojen havainnot. Kilpailija saattaa ostaa vastaavan tekoälyohjelmiston, mutta se ei voi heti toistaa kyseistä operatiivista historiaa. Incumbentin data voi auttaa sen malleja diagnosoimaan vikoja, optimoimaan tuotantoa ja tunnistamaan suhteita, jotka eivät olleet ilmeisiä, kun tiedot alun perin kerättiin.

Prosessi voi kehittyä itsensä vahvistavaksi. Parempi data auttaa tekoälyjärjestelmää tunnistamaan, millainen lisätieto olisi arvokasta. Yritys kerää sitten parempaa tietoa, mikä parantaa myöhempiä analyysejä ja ohjaa lisäkeräystä. Tutkimus kuvaa tätä tietoihin kohdistuvaa tietoisuuden lisäämistä, kuratointia, integrointia ja hallintaa data-absorptioponnistuksena.

Tuloksena oleva etu ei ole pelkästään enemmän dataa. Huonosti rakenteinen, merkityksetön tai puolueellinen data voi heikentää järjestelmää. Este syntyy yhdistelmästä:

• Omistettu ja relevantti informaatio
• Luotettavat keräys- ja hallintaprosessit
• Työntekijät, jotka ymmärtävät toimintakontekstin
• Tekninen asiantuntemus, joka pystyy mukauttamaan tekoälyn

Tämä on linjassa laajemman siirtymän kanssa kohti hybridi-data-strategioita, jotka yhdistävät omistettua yritystietoa laajempiin ulkoisiin tietoaineistoihin. Pääsy tehokkaaseen malliin voi tulla yleiseksi, mutta oikean sisäisen kontekstin saatavuus pysyy epätasaisena.

Miten tekoäly voi säilyttää institutionaalisen tiedon

Tutkimus esittelee myös tiedon virtualisoinnin käsitteen. Työntekijät keräävät usein asiantuntemusta, jota on vaikea kirjata. Kokeneet teknikot voivat havaita mekaanisen ongelman epätavallisesta värähtelystä, kun taas riskianalyytikko voi tunnistaa epäilyttävän sovelluksen ilman, että hän pystyy tiivistämään arvostelun yksinkertaiseksi säännöksi.

Yritykset säilyttävät tätä hiljaista tietoa perinteisesti koulutuksen, mentoroinnin, rutiinien ja jaetun kokemuksen kautta. Nämä menetelmät ovat arvokkaita, mutta kalliita, skaalautumisen kannalta hitaita ja alttiita työntekijöiden vaihtuvuudelle.

Tekoäly tarjoaa toisen mahdollisen kanavan. Päätöksiin, tuloksiin, asiakirjoihin, anturilukemiin ja historiallisiin tapauksiin perustuvat mallit voivat koodata osia kokemuksellisesta tiedosta matemaattisiksi esityksiksi. Tämä ei tarkoita, että malli kirjaimellisesti ymmärtäisi kaiken, mitä kokenut työntekijä tietää. Se tarkoittaa, että organisaatio voi mahdollisesti säilyttää ja käyttää uudelleen siitä johdettuja malleja.

Tämä voisi muuttaa yhden työntekijän tai tiimin kanssa liitetyn tiedon uudelleenkäytettäväksi yritysvarallisuudeksi. Uudet henkilöt voisivat olla vuorovaikutuksessa tekoälyjärjestelmän kanssa, joka heijastaa organisaation historiallista päätöksentekoa, kun taas kokeneet työntekijät voisivat käyttää sen tuotoksia havaitakseen aiemmin ohitetut todisteet.

Kuitenkin strateginen jännite on olemassa. Hiljainen tieto voi olla arvokasta juuri siksi, että kilpailijat eivät voi helposti kopioida sitä. Tiedon virtualisointi tekee siitä sisäisesti skaalautuvampaa, mutta se herättää myös turvallisuus-, hallinto- ja omistajuuskysymyksiä. Jos arkaluonteista koulutusdataa, mallipainoja tai työnkulkuja paljastetaan, yritys saattaa tahattomasti siirtää osan operatiivisesta edustaan.

Ihmisen ja koneen arvostelun on pysyttävä yhteydessä

Tutkimus kutsuu toimivan toimialatiedon ja tekoälytiedon koordinointia kognitiiviseksi dualiteetiksi. Tämä kyky vaatii enemmän kuin pelkkää datatieteilijöiden ja kokeneiden johtajien rinnakkaista työskentelyä. Kahden ryhmän on pystyttävä ymmärtämään ja haastamaan toisiaan.

Toimialan asiantuntijoilla täytyy olla riittävä tekoälylukutaito tunnistaakseen, milloin malli on epäluotettava, toimii koulutusympäristön ulkopuolella tai sekoittaa korrelaation syy‑seuraussuhteeseen. Tekniset tiimit tarvitsevat riittävän toimialaymmärryksen ymmärtääkseen, mitkä tulokset ovat merkityksellisiä ja mitkä rajoitteet eivät ole pääteltävissä pelkästään datasta.

Ilman tätä siltaa yritykset kohtaavat kaksi vastakkaista riskiä. Työntekijät saattavat luottaa tekoälyn suosituksiin liian helposti, jolloin virheet tai historialliset vinoumat leviävät laajasti. Toisaalta he voivat hylätä hyödyllisiä löydöksiä, koska järjestelmän perustelut ovat tuntemattomia tai riittämättömän selkeitä.

Tämä selittää, miksi yritysten tekoälyprojektit voivat tuottaa hyvin erilaisia tuloksia, vaikka organisaatiot käyttävätkin samankaltaisia perusmalleja. Suorituskyky riippuu ympäröivästä oppimisjärjestelmästä. World Economic Forum on myös tunnistanut AI‑valmiin datan, työntekijätaidot, sopivat mallit ja vastuullinen hallinto yhtenäisiksi vaatimuksiksi tekoälyn laajentamiseksi yrityksessä.

Mitä tutkimus löysi AI‑ohjautuvasta oppimisesta

Tutkimus yhdisti konseptuaalisen katsauksen 40 haastatteluun, jotka toteutettiin kahdeksassa pienessä ja keskisuuremmassa AI‑painotteisessa yrityksessä Italiassa. Osallistujat toimivat teknisissä ja johtotehtävissä terveydenhuollossa, rahoitusalalla, luovassa sisällöntuotannossa, datanhallinnassa, ennustamisessa ja riskianalyysissä.

Viitekehys on arvokas, mutta sen rajoitukset ovat merkittäviä. Tämä on teoreettinen laadullinen tutkimus, ei kvantitatiivinen näyttö siitä, että nämä kyvyt lisäävät voittoja tai osakkeenomistajien tuottoja. Yksikään osallistuvista yrityksistä ei työllistänyt 250 tai useampaa työntekijää, ja kaikki olivat yhden maan sisällä. Lisätutkimusta tarvitaan mallin testaamiseksi suuryrityksissä, vähäteknologisissa toimialoissa ja erilaisissa taloudellisissa ympäristöissä.

ServiceNow tarjoaa altistumisen yritysten AI‑työnkulkuihin

Sijoittajille, jotka etsivät altistumista tälle muutokselle, ServiceNow tarjoaa relevantin esimerkin. Sen alusta yhdistää yrityksen dataa, työnkulkuja, työntekijöitä ja yhä autonomisempia AI‑agentteja. Tämä asema heijastaa tarkasti tutkimuksen väitettä, että tekoälyn arvo syntyy sen integroinnista organisaation prosesseihin eikä pelkästä mallista.

ServiceNow on laajentanut Workflow Data Fabric -alustaansa, AI Control Tower -ratkaisujaan ja autonomisia analytiikkakykyjään. Yritys kuvailee reaaliaikaista yritysdatapohjaa tapana tarjota hallittua operatiivista kontekstia tekoälyjärjestelmille. Securities.io on myös tarkastellut tähän liittyvää mahdollisuutta UiPathin ja agenttisen automaatiomarkkinan kautta.

Investointikohde ei ole riskitön. Yritysohjelmistokilpailu on kovaa, AI‑ominaisuudet voivat muuttua paketoiduiksi hyödykkeiksi, ja asiakkaat saattavat vastustaa laajojen alusta‑asennusten kustannuksia tai monimutkaisuutta. ServiceNowin on myös osoitettava, että sen AI‑tuotteet tuottavat mitattavaa asiakasarvoa eikä pelkästään laajenna tuotetarjontaa.

Siitä huolimatta sen asema havainnollistaa tutkimuksen keskeistä sijoitusnäkemystä. Kun perustamismallit tulevat helpommin saataville, kestävä arvo saattaa siirtyä yrityksiin, jotka hallitsevat työnkulun kontekstia, hallittua datan käyttöä ja järjestelmiä, joiden kautta ihmisen ja koneen päätökset muuttuvat operatiivisiksi toimiksi.

Todellinen AI-ero voi laajentua ajan myötä

Nouseva ero ei välttämättä ole yritysten välillä, jotka käyttävät tekoälyä, ja niiden välillä, jotka eivät. Se voi olla yritysten välillä, jotka pitävät tekoälyä erillisenä työkaluna, ja niiden välillä, jotka rakentavat organisaation oppimisjärjestelmän sen ympärille.

Omistettu data, kerätty asiantuntemus, mallinhallinta ja poikkitoiminnallinen koordinointi ovat kaikki polkuun sidottuja. Niiden kehittäminen vie aikaa ja parantuu toistuvassa käytössä. Yritykset, jotka aloittavat niiden rakentamisen aikaisin, saattavat saavuttaa kumulatiivisen edun, kun taas myöhäiset omaksujat eivät välttämättä sulje kuilua pelkästään ostamalla uusimman mallin.

Sijoittajille tämä muuttaa tapaa, jolla AI‑valmiutta tulisi arvioida. Ohjelmisto‑ ja laskenta‑infrastruktuuriin panostaminen on tärkeää, mutta se paljastaa vähän siitä, pystyykö yritys kääntämään tekoälyn puolustettavaksi arvoksi. Merkityksellisemmät kysymykset koskevat sitä, mitä omistettua tietoa yritys hallitsee, pystyykö se säilyttämään työntekijöiden asiantuntemuksen, kuinka tiiviisti tekniset tiimit tekevät yhteistyötä toimialan asiantuntijoiden kanssa, ja pääsevätkö tekoälyn oivallukset oikeisiin työnkulkuihin.

Seuraavan sukupolven AI‑voittajat määrittyvät siis vähemmän sen perusteella, kenellä on pääsy älykkyyteen, ja enemmän sen perusteella, kuka osaa omaksua sen.

Viitteet:

¹ Pedota, M. (2026). Mielet ja koneet: Absorptiivisen kapasiteetin uudelleenarviointi tekoälyn aikakaudella. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600