Miksi tekoäly epäonnistuu PIM-kontekstissa ennen kuin ollaan päästy edes alkuun?

Olen viime kuukausina käynyt lukuisia keskusteluja asiakkaiden kanssa siitä, miten tekoälyä pitäisi ottaa käyttöön tuotetiedonhallinnassa. Melkein aina keskustelu alkaa samalla tavalla: ”Haluamme generatiivisen AI:n käyttöön tai AI:n valvomaan datan laatua sekä julkaisua. Tavoite on oikea, mutta itselleni tulee heti mieleen seuraava:  teknologia ei ole se (tässäkään), mihin kannattaa ensin keskittyä.

Yleisin virhe ei ole väärä teknologiavalinta

PIM-projekteja (PIM = Tuotetiedonhallintaan dedikoitu ratkaisukokonaisuus) tarkastellessa on helppo huomata yksi toistuva haaste. Teknologia toimii kyllä. Järjestelmä asennetaan, integraatiot rakennetaan, ensimmäiset tuotteet saadaan kanaviin. Noin 6-9 kuukauden päästä paljastuu valitettavasti se, että mikään ei ole oikeasti parantunut. Julkaisuviive on edelleen viikkoja. Datan laatuongelmat ovat edelleen samoja. Tuotetiedon omistajuus on edelleen yhtä epäselvä kuin ennen projektia.

Mikä meni pieleen? Yleensä ei mikään teknisessä toteutuksessa. Virhe tehtiin paljon aiemmin. Ehkä se tehtiin siinä hetkessä, kun organisaatio päätti, että PIM on IT-projekti.

PIM-ratkaisu ei ole tietenkään IT-projekti, kuten ei ole CRM tai edes ERP-ratkaisun käyttöönotto (saa haastaa hei). PIM on liiketoiminnan toimintamallin muutos ja (jatkuva) kehityshanke, joka sattuu tarvitsemaan teknologiaa tuekseen. Tämän eron ymmärtäminen ratkaisee lähes kaiken. Miten tämä sitten liittyy otsikkoon ja AI:hin. Kerron lisää.

Kolme kysymystä ennen kuin AI:sta puhutaan

Kun asiakas haluaa ottaa generatiivisen AI:n käyttöön esimerkiksi tuotekuvausten tuottamiseen (tätä jokainen tällä hetkellä vähintään evaluoi), esitän aina kolme kysymystä ennen kuin puhumme kielimalleista, prompteista tai integraatioista.

Ensimmäinen kysymys: Kuka omistaa tuotetiedon? Ei järjestelmää, vaan sisällön. Kuka päättää, mikä on kategorian ”oikea” attribuuttijoukko? Kuka hyväksyy julkaisuvalmiuden? Kuka vastaa siitä, että verkkokauppaan päätynyt tuotekuvaus on totta? Jos vastaus on ”no se riippuu” tai ”meillä on siitä keskustelu käynnissä”, AI:n käyttöönotto tulee nopeuttamaan virheiden leviämistä, ei niiden korjaamista.

Toinen kysymys: Minkälainen on lähdedatan laatu juuri nyt? Generatiivinen AI ei korjaa huonoa dataa, se peittää sen ammattimaisen ja jopa todelta kuulostavan kielen alle. Jos tuotteen tekniset attribuutit ovat puutteellisia tai virheellisiä, AI tuottaa kauniita mutta epätarkkoja kuvauksia. Lopputulos on pahempi kuin lähtötilanne, koska nyt virheet kuulostavat vakuuttavilta.

Kolmas kysymys: Mitä oikeasti yritätte ratkaista? ”Haluamme käyttää AI:ta” ei ole liiketoimintatavoite. ”Haluamme saada uudet tuotteet markkinoille kolmessa päivässä kolmen viikon sijaan” on. ”Haluamme nostaa attribuuttien automaattisen täyttöasteen 60 %:sta 90 %:iin” on. Tavoitteen pitää olla mitattavissa ennen kuin työkaluja valitaan tai prosesseja tehostetaan.

Governance ei ole este — se on mahdollistaja

Monet kokevat hallintamallista (governance) puhumisen kehityksen jarruttamiseksi. Ymmärrettävää, sillä sana jo itsessään on raskas ja konsulttimainen. Mutta AI-aikakaudella tämä saa aivan uuden merkityksen: ilman selkeää hallintamallia AI:n käyttöönotto on suora riski.

Kuvittele tilanne, jossa generatiivinen malli tuottaa automaattisesti tuotekuvauksia, jotka julkaistaan suoraan verkkokauppaan ja kolmelle markkinapaikalle. Jossain syntyy hallusinaatio ja AI keksii tuotteelle ominaisuuden, jota sillä ei ole. Kuka huomaa tämän? Kuinka nopeasti? Millä prosessilla virhe korjataan kaikista kanavista kerralla?

Jos näihin kysymyksiin ei ole vastauksia, tilanne ei ole teknologinen vaan se on oikeudellinen ja kaupallinen riski. EU AI Act velvoittaa läpinäkyvyyteen siitä, milloin sisältö on AI:n tuottamaa. Markkinapaikat rankaisevat virheellisiä tuotetietoja listausten alentamisella tai poistolla. Asiakaspalautukset puutteellisen tiedon vuoksi syövät katetta hiljaa mutta systemaattisesti, puhumattakaan asiakaspoistumasta.

Hallintamalli ei ole byrokratiaa. Se on rakenne, joka tekee AI:n skaalaamisesta mahdollista turvallisesti.

Oikea järjestys?

Käytännön kokemuksen perusteella onnistuneet PIM + AI -käyttöönotot noudattavat yllättävän yhtenäistä järjestystä. Ensin käydään läpi tietomalli ja omistajuudet eli kuka omistaa mitäkin, mikä on master-tieto ja mikä kanavakohtainen variaatio ja se konteksti, missä tuotetieto esiintyy. Seuraavaksi rakennetaan malli datan laadun mittaamiselle, jotta tiedetään, missä kategorioissa AI voi oikeasti auttaa ja missä se vain peittää ongelmia. Vasta tämän jälkeen valitaan yksi rajattu pilotti, yksi kategoria, yksi kanava, yksi selkeä KPI.

Mitä pitäisi laadullisesti mitata? No, esimerkkinä jos pilotissa completeness-mittari jää liian matalaksi tai AI-ehdotusten hyväksymisaste (acceptance rate) on alle 70 %, projekti ei siirry seuraavaan vaiheeseen. Se palaa datan pariin ja juurisyiden pariin. Tämä go/no-go -portti on se, joka erottaa onnistuneet ohjelmat kalliista ja skaalautuvista epäonnistumisista.

Lopuksi

Tekoäly tuotetiedonhallinnassa ei ole hopeluoti, joka korjaa organisaation siiloutuneet prosessit, epäselvät vastuut tai huonon datan. Se on tavallaan vahvistin, joka skaalaa ja automatisoi pahimmillaan armottomasti. Jos taustalla on terve operating model ja laadukas data, AI tuo 40–70 % tehostuksen rutiinityössä ja 30–50 % nopeamman markkinoillepääsyn. Jos taustalla on kaaos, AI tuo mukanaan vain tehokkaamman ja skaalautuvan kaaoksen.

Hyvä uutinen on, että oikea järjestys on opittavissa. Huono uutinen on, että oikotietä oikeastaan ei ole. He, jotka aloittavat pohtimalla: ”mitä teknologiaa meidän pitäisi ostaa tai hyödyntää”, lähestyvät asiaa väärästä kulmasta. Ne, jotka aloittaa selvittämällä: ”kuka meillä omistaa tuotetiedon ja minkälaista sen pitäisi olla”, ovat jo ottaneet ensimmäisen askeleen oikeaan suuntaan.