Tekoälyn hyödyntäminen riskianalyysin tukena

Abstract

Tämän opinnäytetyön tavoitteena oli selvittää, miten tekoälyavusteinen potentiaalisten ongelmien analyysi (POA) työkalu vaikuttaa riskianalyysiprosessiin käytettävään työaikaan, tehokkuuteen ja laatuun Laurean tietohallinnossa. Työn tarkoituksena oli kehittää tekoälyavusteista riskianalyysiprosessia projektityössä tunnistettujen haasteiden ratkaisemiseksi. Työn toimeksiantajana toimi Laurea-ammattikorkeakoulun tietohallinto, joka sai työstä arvokasta tietoa POA-analyysiprosessiin käytettävästä työajasta ja tekoälyn mahdollisuuksista prosessin tehostamiseksi.

Keskeisenä kehittämistehtävänä oli kehittää Laurean tietohallinnon riskianalyysin POA-analyysiprosessia sekä testata tekoälyavusteista POA-apuria, joka voisi vähentää riskianalyysityöhön käytettävää aikaa säilyttäen tai parantaen samalla analyysien laatua. Tutkimuksessa selvitettiin, mitkä POA-analyysin vaiheet vievät eniten aikaa ja miten tekoäly voisi tukea näitä prosessin osia. Lisäksi kartoitettiin asiantuntijoiden ja projektipäälliköiden kokemuksia analyysiprosessin toteuttamisesta nykymuodossaan.

Työn teoreettinen viitekehys rakentui projektinhallinnan, riskienhallinnan ja tekoälyn hyödyntämisen ympärille. POA-analyysi määriteltiin ennakoivaksi riskienhallintamenetelmäksi, joka keskittyy potentiaalisten ongelmien tunnistamiseen ja analysointiin. Tekoälyn osalta keskityttiin generatiivisen tekoälyn ja suurten kielimallien (LLM) mahdollisuuksiin työelämässä, erityisesti päätöksenteon tukemisessa ja prosessien automatisoinnissa.

Tutkimus toteutettiin toimintatutkimuksena, joka mahdollisti teorian ja käytännön toiminnan yhdistämisen organisaation todellisessa toimintaympäristössä. Tiedonkeruumenetelminä hyödynnettiin kyselytutkimusta (n=9) ja osallistuvaa havainnointia. Kysely kohdistettiin POA-analyysityöpajoihin osallistuneille asiantuntijoille ja projektipäälliköille ajankäytön ja prosessin haasteiden kartoittamiseksi. Tekoälyavusteista POA-apuria testattiin viidessä projektissa kevään 2025 aikana käyttäen sekä automaattista että manuaalista lähestymistapaa.

Tutkimus osoitti, että POA-analyysiin kuluu keskimäärin kolme henkilötyöpäivää projektia kohden, ja prosessia pidettiin melko tehottomana (keskiarvo 2,67/5). Riskien tunnistaminen koettiin työläimmäksi vaiheeksi (50 % vastaajista). Tekoälyavusteisen apurin testauksessa havaittiin, että automaattinen riskien tunnistus voi säästää jopa 97 % riskien tunnistamiseen käytettävästä työajasta. Laadullisessa analyysissä tunnistettiin, että tekoäly tunnisti riskien osalta samoja pääteemoja kuin asiantuntijat, mutta pysyi yleisemmällä tasolla. Asiantuntijoiden tunnistamissa riskeissä korostuivat organisaation syvällinen tuntemus ja käytännön yksityiskohdat.

Tutkimuksen hypoteesi tekoälyavusteisen apurin ajansäästövaikutuksesta vahvistui erityisesti riskien tunnistamisvaiheessa. Laadun osalta tulokset viittaavat hybridimallin tarpeellisuuteen, jossa tekoäly tarjoaa strukturoidun perustan ja asiantuntijat täydentävät sitä organisaatiokohtaisella osaamisellaan. Jatkokehittämisessä keskeisintä on panostaa Laurea-spesifiseen taustadataan apurin kouluttamiseksi. Organisaatiolle suositellaan tekoälyavusteisen riskien tunnistamisen käyttöönottoa erityisesti kilpailutusvaiheen projekteissa.