Generatiivisen tekoälyn omaksuminen organisaatiossa tietotyöntekijöiden työhön

Abstract

Generatiivisella tekoälyllä on valtava potentiaali kasvattaa yksittäisten työntekijöiden tuottavuutta. Generatiivisen tekoälyn omaksumista ajatellen organisaatioiden tulee kiinnittää huomiota mitä organisaatiotasolla ja mitä yksilöiden näkökulmasta täytyy tehdä, jotta generatiivisen tekoälyn potentiaali saadaan ulosmitattua.

Tässä diplomityössä tutkitaan, mitä organisaation tulee huomioida yksilötasolla generatiivisen tekoälyn omaksumisessa. Työssä käytetään konstruktiivista tutkimusotetta ja hyödynnetään kvalitatiivisia menetelmiä. Omaksumista tarkastellaan teknologian hyväksymisen mallien, muutosvastarinnan teorian ja muutoksenhallinnan avulla. Asiantuntijahaastattelujen kautta pyritään ymmärtämään näiden suhteita ja merkitystä. Tutkimuksen päätavoitteena on tunnistaa omaksumiseen vaikuttavat tekijät, yleisimmät esteet sekä muutoksenhallinnan keinot, joilla omaksumista voidaan edistää. Työssä kehitetään viitekehys omaksumiselle, mutta sen implementointi on rajattu diplomityön jälkeiseksi kehityskohteeksi.

Tutkimuksessa tunnistettiin, että tehtävän ja teknologian yhteensopivuus, mahdollistavat olosuhteet ja henkilökohtainen innovatiivisuus ovat merkittävimpiä omaksumiseen vaikuttavia tekijöitä. Yleisimmät esteet ovat generatiivisen tekoälyn integroiminen rutiineihin, datan laatu ja muutosvastarinta. Muutoksenhallinnalla, erityisesti ADKAR-mallin mukaisilla aktiviteeteilla, voidaan tutkimuksen perusteella vaikuttaa merkittävästi omaksumisen tekijöihin. Lisäksi ennen varsinaisen muutosaloitteen käynnistämistä organisaatioiden tulee valmistautua generatiivisen tekoälyn käyttöönottoon. Tämä edellyttää datan laadun varmistamista sekä omaksumisen viitekehyksen hienosäätöä organisaatiokohtaisten haasteiden ja mahdollistajien tunnistamiseksi.

Generative AI has immense potential to increase individual employee productivity. To harness this potential, organizations need to focus on both organizational-level actions and individual perspectives to effectively adopt generative AI.

This thesis investigates what organizations need to consider from individual perspectives to effectively adopt generative AI. The study employs a constructive research approach and qualitative methods. It examines the adoption of generative AI through technology acceptance models, resistance to change theory, and change management. Expert interviews are conducted to understand the relationships and significance of these factors. The main objective of the research is to identify factors influencing adoption, common barriers, and change management strategies that can facilitate adoption. A framework for adoption is developed, but its implementation is limited to a post-thesis development target.

The study identifies task-technology fit, facilitating conditions, and personal innovativeness as the most significant factors influencing adoption. The most common barriers are integrating generative AI into routines, data quality, and resistance to change. Change management, particularly activities aligned with the ADKAR model, can significantly impact adoption factors. Additionally, before initiating the actual change initiative, organizations must prepare for the adoption of generative AI. This requires ensuring data quality and fine-tuning the adoption framework to identify organization-specific challenges and enablers.