Viitekehys vaihtuu, ajattelu ei

Olen nähnyt tämän kaavan toistuvan niin monta kertaa, että lopputuloksen ennustaminen on helppoa.

Kun yrityksessä päätetään ottaa käyttöön uusia malleja, viitekehyksiä tai vaikka tekoälytyökaluja, johto on innostunut, konsultit kouluttavat henkilöstöä ja prosessit piirretään puhtaaksi. Alussa kaikki sujuu usein hyvin ja syntyy vahva tunne siitä, että asiat edistyvät. Tästä huolimatta, muutaman kuukauden päästä joku kysyy hiljaa kahvikoneella: "Käyttääkö tätä oikeasti kukaan?", ei siksi että käyttöönotto olisi epäonnistunut, vaan siksi että ajattelu ei ole muuttunut.

Viitekehys on kartta. Kartan ostaminen ei tarkoita, että osaa navigoida.

Ketterä kehitys on selkein esimerkki tästä. Scrum-tapahtumat on helppo ottaa käyttöön: planning, daily, demo, retrospektiivi, kalenteri täyttyy, rituaalit toteutuvat, tiimit kokoustuvat säännöllisesti. Kaikki näyttää ja tuntuu oikealta ja juuri siksi sudenkuoppa on niin vaarallinen.

Ketteryyden ydin ei ole tapahtumissa. Se on ajattelutavassa, miten epävarmuus hyväksytään, iterointi nähdään oppimisena ja palaute otetaan johtamisen raaka-aineeksi. Usein arjessa kysytään "Missä mennään?", tämä ohjaa meidän toimintaa raportoitiin kun pitäisi mieluummin keskittyä siihen, mitä olemme oppineet. Tämän kaltainen ajattelumuutos ei tapahdu koulutuksissa, tämä tapahtuu tai on tapahtumatta arjessa, sadoissa pienissä tilanteissa, joissa kykenemme käsittelemään yhdessä asioita uusista näkökulmista.

OKR-mallin kohdalla on sama tarina. Tavoitteiden ja avaintulosten kirjaaminen onnistuu vaikka päivässä. Se että opitaan millainen tavoite aidosti ohjaa organisaatiota oikeaan suuntaan, vaati toistoja, epäonnistuneita muotoiluja ja aikaa. Tähän ei ole oikotietä, oppirahat on maksettava. Haastavin osuus on jälleen ajattelumallin muuttuminen. Organisaatiot joka kykenee kääntämään epäonnistumiset mahdollisuudeksi oppia, saavuttavat tuloksia huomattavasti nopeammin kuin muut.

Tekoäly tuo saman kysymyksen terävämpänä kuin koskaan

Nyt puhumme paljon siitä, että ohjelmointi siirtyy yhä enemmän tekoälyn tehtäväksi. Tämä on todennäköisesti oikea suunta, mutta se nostaa esille kysymyksen:

Jos tekoäly kirjoittaa koodin, kuka ymmärtää sen?

Kokenut kehittäjä pystyy arvioimaan tekoälyn tuottamaa koodia, koska hän on itse kirjoittanut tarpeeksi koodia tietääkseen, milloin jokin toimii ja milloin jotain on pielessä. Hän näkee virheet, tietoturva-aukot, arkkitehtuuriset ongelmat. Hänellä on tietotaito, kokemus ja intuitio, jotka kehittyvät vain tekemällä, tähän ei ole oikotietä.

Mutta entä ne, jotka aloittavat uransa nyt? He saavat välineen, joka tuottaa koodia nopeammin kuin koskaan ennen. Saavuttavatko he koskaan sen ymmärryksen, jota tarvitaan sen laadun arviointiin?

Tämä on organisaatioille strateginen kysymys, ei tekninen. Kuinka varmistamme, että kahdenkymmenen vuoden päästä meillä on ihmisiä, jotka pystyvät tekemään laadukkaita teknisiä päätöksiä? Vastaus ei ole "ota tekoäly pois", sen sijaan meidän tulisi suunnitella oppiminen niin, että tekoäly tukee ajattelun kehittymistä eikä korvaa sitä.

Kartta muuttuu helposti, navigointikyky ei

Tässä on se, mitä viitekehysten käyttöönottoprojekteissa harvoin tunnustetaan ääneen.

Toimintamallit ja käytännöt muuttuu ja tätä näkyvää osaa on helpompi johtaa, helpompi seurata, mitata ja raportoida. Prosessit päivitetään, kokoukset muuttavat muotoaan, raportointinäkymät uudistuvat.

Ajattelumallin muuttuminen on hitaampaa, sitä on vaikeampaa mitata, ja juuri siksi se on tärkein osa muutosta. Johtaja, joka sanoo: "Meillä on nyt OKR-malli käytössä", mutta ei muuta omaa suhdettaan tavoitteiden asettamiseen ja epäonnistumiseen, on ostanut kartan ilman navigointikykyä. Johtaja, joka haluaa kehittää tiimiään tekoälyn avulla, mutta antaa tekoälyn tehdä kaiken, tekee saman virheen kuin OKR:n käyttöönottaja: vaihtaa työkalun mutta ei ajattelua. Teknologia voidaan ottaa käyttöön hyvin nopeasti, mutta ajattelutapa muuttuu vain tekemisen kautta.

Ajattelumallin muutos vaatii toistoa, turvallisia epäonnistumisia ja oikeita kysymyksiä oikeissa tilanteissa. Se vaatii ymmärrystä ja kykyä tunnistaa eron suoriutumisen ja oppimisen välillä, ja tuoda nämä ajatukset myös arjen tekemiseen.

Tekoäly on parhaimmillaan väline joka tuuppaa, ei ratkaise

Jos haluat ihmisten ajattelevan strategisesti, et pidä strategiaa erillisessä dokumentissa vaan rakennat arjen tilanteet niin, että strateginen ajattelu aktivoituu luontevasti. Tekoäly voi olla tässä erinomainen väline. Mutta ei silloin, kun se antaa valmiit vastaukset.

Tehokas tekoälyn käyttö oppimisessa näyttää tältä: tekoäly tuottaa tarkoituksella riittävän hyvän tuotoksen, ei täydellistä lähtökohtaa, vaan tarpeeksi hyvän herättämään ajattelun, tarpeeksi keskeneräisen joka aktivoi tiimin oman ajattelua. Tiimi jatkaa työstämistä, arvioi, muokkaa, hylkää. Tässä prosessissa syntyy sekä tulos että osaaminen.

Kun tekoäly antaa valmiin vastauksen, vaatimustaso omalle ajattelulle vähenee ja oppiminen hidastuu. Kun tekoäly jättää tarkoituksella työn keskeneräiseksi, tämä pakottaa ihmisen ajattelemaan ja saattamaan työn loppuun, tässä tapahtuu oppimista.

Mitä tämä tarkoittaa käytännössä?

Kun seuraavan kerran organisaatiossasi otetaan käyttöön uusi malli tai työkalu, kysy ennen kuin ostetaan lisenssiä tai lähdetään suorittamaan konkreettisia toimenpiteitä:

Minkä ajattelumallin muutoksen tämä vaatii — ja miten tuemme sen muutoksen?

Tämä on parempi kysymys kuin "miten implementoimme tämän".

Stravion työpajoissa ja valmennuksissa lähtökohta on se, että ennen kuin mietitään miten jokin otetaan käyttöön, selvitetään mitä ajattelumallin muutosta se organisaatiolta vaatii. Se on eri järjestys kuin mihin useimmat ovat tottuneet ja juuri siksi se tuottaa eri tuloksen. Tekoäly on mukana, mutta eri roolissa – se pakottaa ajattelemaan eikä ajattele puolestasi.