Case: TKI-hanke oppivan organisaation rakentamiseksi Valtionhallinnossa

Valtionhallinnon organisaatiossa tunnistettiin tilanne, joka on tuttu monelle isolle asiantuntijaorganisaatiolle: palautetta, havaintoja ja kehitysideoita tulee jatkuvasti monesta suunnasta, mutta niistä syntyvä oppi ei välttämättä jakaudu koko organisaation käyttöön. Palautetta kyllä käsitellään, mutta usein sen pohjalta saatu oppi jäi yksittäisen hankkeen, osaston, tiimin tai yksikön käyttöön ja sitä ei muisteta, ehditä, ymmärretä tai tiedetä jakaa muille. 

Varsinainen haaste oli siinä, että tieto jäi helposti omiin kanaviinsa, omiin kokouksiinsa, omiin hankkeisiinsa tai yksittäisten asiantuntijoiden muistiin. Kun organisaatio on suuri, asiantuntijatyö monimutkaista ja sidosryhmäkenttä laaja, palautteenhallinta ei ole enää vain kirjaamista. Siitä tulee osa johtamista, laadunhallintaa ja organisaation oppimista. 

Tähän tarpeeseen käynnistettiin TKI-hanke, jonka tavoitteena oli tukea oppivan organisaation rakentamista. Työ toteutettiin osana julkista YAMK-opinnäytetyötä, jossa tutkittiin Lean-menetelmien ja tekoälyn hyödyntämistä monikanavaisen palautteenhallinnan tukena. Opinnäytetyön tavoitteena oli kehittää joustava ja monistettavissa oleva palautteenhallinnan menetelmä, joka tukee jatkuvan parantamisen mallia ja oppivaa organisaatiota. 

Lähtötilanne: palautetta tuli joka suunnasta 

Ennen varsinaista TKI-hanketta tehtiin nykytilakartoitus, jossa selvitettiin, mistä kaikkialta palautetta ja jatkotoimia vaativaa tietoa organisaatioon kertyy. 

Kenttä osoittautui laajaksi. Palautetta tuli muun muassa toimialan sisältä, sidosryhmätilaisuuksista, johdon ja ohjausryhmien tapaamisista, suunnitteluhankinnoista sekä suunnittelun toteutuksesta. Mukana oli lakisääteisiä vuorovaikutustilanteita, vapaaehtoisia verkostoja, kansalaispalautetta, rautatieyrityksiä, liikennöitsijöitä, elinvoimakeskuksia, suunnittelutoimistoja, konsultteja, riskikartoituksia, turvallisuusselvityksiä, asiakkuusryhmiä, RALA-yhteistyötä, suunnitteluverkostoja ja kansainvälisiä verkostoja.

Tämä teki palautteesta arvokasta, mutta vaikeasti hallittavaa. Vaikkakin yksittäinen palaute saattoi olla pieni havainto, mutta kokonaisuutena kyse oli kuitenkin organisaation kyvystä oppia omasta toiminnastaan, hankkeista, sidosryhmistä ja asiantuntijoiden arjesta. Työssä tunnistettiin sama lähtökohta: palautteenanto oli monikanavaista ja jatkuvasyklistä, ja hajallaan oleva tieto aiheutti asiantuntijatyöhön uudelleen tekemistä, etsimistä ja viiveitä. 

Miksi tästä tehtiin TKI-hanke? 

Palautteenhallinta olisi voitu yrittää ratkaista tekemällä uusi ohje. Tässä tapauksessa se ei kuitenkaan olisi riittänyt, koska aihe oli liian laaja ja liian kiinni asiantuntijatyön arjessa. Tarvittiin tietoperustaa, käytännön kokeiluja ja ennen kaikkea organisaation omien asiantuntijoiden osallistamista. Jos tavoitteena on oppiva organisaatio, mallia ei voi rakentaa vain ulkopuolelta katsomalla. Työn tekijät tietävät parhaiten, missä tieto oikeasti liikkuu, missä se katkeaa ja millaiset ratkaisut voisivat toimia arjessa. 

TKI-hanke tarjosi tähän sopivan rakenteen. Hankkeella oli selkeä scope, oppiva organisaatio, ja rajattu aikataulu. Samalla tavoite jätettiin riittävän väljäksi, jotta iteratiiviselle kehittämiselle jäi tilaa. Se oli tärkeää, koska lähtötilanteessa ei vielä tiedetty, mikä yksittäinen ratkaisu olisi vaikuttavin. 

Lisäksi hankkeeseen haluttiin alusta asti mukaan automaation ja tekoälyn näkökulma. Prosessien kehittäminen ei voi enää tänä päivänä perustua vain siihen, että ihmiset kirjaavat, kopioivat ja koostavat tietoa käsin. Jos tieto liikkuu hajallaan, eri muodoissa ja eri ihmisillä, teknologian mahdollisuudet pitää ottaa mukaan jo kehittämisen aikana, ei vasta lopussa. 

Nexpertin rooli: rakenne, fasilitointi ja tulkkaus 

Nexpertin rooli oli suunnitella ja viedä TKI-hanketta eteenpäin tutkimuksellisen kehittämisen otteella. Hankkeen eteneminen suunniteltiin itsenäisesti, mutta jokainen vaihe hyväksytettiin ohjausryhmällä. Ohjausryhmä toi suuntaa, kommentoi etenemistä ja teki päätökset siitä, mihin seuraavaksi keskitytään. 

Työ eteni PDSA-sykleissä. Ensin suunniteltiin kevyt kehittämistoimenpide, sitten toteutettiin se ja kerättiin siitä aineistoa. Sen jälkeen analysoitiin löydökset, joiden perusteella suunniteltiin seuraava kehityskierros. Lopuksi vietiin tulokset ja seuraavan kierroksen ehdotus ohjausryhmälle päätöksentekoon. 

Käytännössä työ sisälsi työpajojen suunnittelua ja fasilitointia, kyselyitä, aineiston analysointia, haastatteluja, havainnointia, tekoälytyökalujen testaamista sekä tulosten kokoamista päätöksenteon tueksi. Työssä oli myös tärkeä rajapinta teknologian kehittämiseen. Nexpert osallistui tekoälyosaamiskeskuksen kehityssprintteihin, testasi kehitteillä olevia työkaluja ja toi tekniseen kehittämiseen suunnittelutoimialan substanssinäkökulmaa. 

Tämä tulkin rooli oli keskeinen, koska tekoälyratkaisut eivät kehity irrallaan arjen työstä. Niiden pitää ymmärtää käsitteitä, toimintatapoja, vastuita ja niitä kohtia, joissa asiantuntijan työ oikeasti kuormittuu. Tutkimuksen lisäksi Nexpertin tehtävänä oli jäsentää ja välittää infra-alan substanssitarpeita teknologian kehittäjille sekä testata tuotantoon siirtyviä tekoälyominaisuuksia. 

Työn tekijä tietää parhaiten miten työ kannattaisi tehdä 

Hankkeessa asiantuntijoita osallistettiin useilla menetelmillä. Työpajoissa käytettiin esimerkiksi Learning Cafe- ja Me-We-Us-menetelmiä. Lisäksi aineistoa kerättiin Microsoft Forms -kyselyllä ja Teams Polls -äänestyksillä. Analysoinnissa hyödynnettiin Lean-työkaluja, kuten A3-ongelmanratkaisua, Ishikawa-kaaviota ja 5 x miksi -menetelmää. Työtä täydennettiin havainnoinnilla työpajoissa, kokouksissa ja tekoälykehityksen sprinteissä. 

Menetelmistä ei valittu yhtä “parasta” etukäteen. Edellisen kierroksen löydökset vaikuttivat siihen, mitä seuraavaksi tehtiin. Tämä oli koko hankkeen idea: ei lukita ratkaisua liian aikaisin, vaan annetaan aineiston, asiantuntijoiden ja havaintojen ohjata seuraavaa askelta. 

Yksi käytännössä erityisen hyödyllinen havainto liittyi Teams Polls -kyselyihin. Isoissa asiantuntijakokouksissa viestintä jää helposti yksisuuntaiseksi. Varsinkin viranomaistoiminnassa kokouksissa käsitellään usein uusia säädöksiä, vaatimuksia ja toimintatapoja, joiden sisäistäminen on tärkeää. Teams Polls tarjosi kevyen tavan muuttaa kokousta osallistavammaksi. Sen avulla isolta asiantuntijajoukolta saatiin nopeasti näkemys siitä, mikä on tärkeää, mihin pitäisi keskittyä ja ollaanko menossa oikeaan suuntaan. Samalla osallistujat pysyivät paremmin mukana. Tämä ei vaatinut erillistä raskasta työpajaa, vaan yhden hyvin mietityn kysymyksen osaksi normaalia kokousta. 

Sekavasta alkukartoituksesta selkeäksi kokonaiskuvaksi 

Yksi hankkeen tärkeistä lopputuloksista oli palautekentän jäsentäminen. Lähtötilanteessa nykytilaa oli kuvattu laajana ja vaikeasti hahmotettavana ajatuskarttana. Työn aikana siitä muotoutui Ishikawa- eli kalaruotokaavion mukainen selkeä kokonaiskuva. Sen avulla oli mahdollista nähdä yhdellä silmäyksellä, mitkä ovat palautteen pääteemat ja millaisia kanavia niiden alle kuuluu.

Kun kokonaisuus saadaan näkyväksi, siitä voidaan alkaa keskustella yhteisesti. Enää ei puhuta vain yksittäisistä palautteista tai irrallisista havainnoista, vaan nähdään, miten palaute liittyy toimintatapoihin, ihmisiin, tietoihin, järjestelmiin, mittareihin ja toimintaympäristöön. 

Tällaista jäsennystä tarvitaan erityisesti isoissa organisaatioissa, joissa samaan kokonaisuuteen liittyvä tieto voi tulla useasta suunnasta. Ilman näkyvää rakennetta kokonaisuus jää helposti niiden ihmisten varaan, jotka sattuvat muistamaan, missä mitäkin on käsitelty. 

Tekoäly mukaan prosessin ymmärtämisen kautta 

Hankkeessa tarkasteltiin myös tekoälyn mahdollisuuksia palautteen käsittelyn ja asiantuntijatyön tukena. Tekoälyä testattiin muun muassa aineiston luokittelussa, kokousmuistioiden tekemisessä, datan analysoinnissa ja esitysaineistojen tuottamisessa. Työssä hyödynnettiin paikallista tekoälypalvelua ja testattiin myös eri kielimallien toimivuutta rajatuissa käyttötapauksissa. 

Tärkeä havainto oli, että tekoäly ei yksin ratkaise palautteenhallintaa. Ensin pitää ymmärtää prosessi, palautekanavat, vastuut ja päätöksenteon kohdat. Vasta sen jälkeen voidaan arvioida, missä tekoälystä on hyötyä.Joissain tehtävissä tekoäly nopeutti analysointia selvästi. Toisissa se vaati vielä paljon tarkistamista ja korjaamista. Esimerkiksi esitysaineistojen tuottamisessa havaittiin, että tekoäly saattoi pudottaa osan aineistosta pois tai tehdä tekstin asetteluun ja kirjoitusasuun liittyviä virheitä. Tämä vahvisti käytännönläheistä periaatetta: tekoälyä kannattaa käyttää siellä, missä sen hyöty on selvä, mutta asiantuntijan arviointia ei voi ohittaa. 

Mittaaminen vähentää mikromanageerausta 

Yksi hankkeen kiinnostavimmista opeista liittyi SPC i-kortin hyödyntämiseen johtamisessa. 

SPC i-kortti eli ohjauskortti tekee prosessin käyttäytymistä näkyväksi datan avulla. Sen sijaan, että johtamisessa puututaan yksittäisiin tekemisiin tai satunnaisiin havaintoihin, kortti näyttää milloin prosessin vaihtelu poikkeaa normaalista. Silloin huomio voidaan kohdistaa niihin kohtiin, joissa prosessi oikeasti tarvitsee selvittämistä. 

Hankkeessa SPC i-korttia hyödynnettiin TKI-hankkeen etenemisen ja teknisen kehittämisen läpimenoajan tarkasteluun. Mittaus näytti esimerkiksi kohdat, joissa prosessin vakaus heikkeni, sekä luonnolliset vaihtelut, kuten kesälomakauden vaikutuksen etenemiseen. Työssä SPC i-kortti kuvataan prosessin tilastollista käyttäytymistä visualisoivaksi kaavioksi, jolla voidaan seurata prosessin virtauksen paranemista ja nostaa esiin tarkempaa käsittelyä vaativat havainnot.

Tämä on tärkeä johtamisen näkökulmasta. Kun mittauspisteet ja rajat on sovittu, kaikkeen ei tarvitse puuttua. Huomio kohdistuu poikkeamiin, ei jokaisen yksittäisen tehtävän seuraamiseen. Hyvin käytettynä mittari voi vähentää mikromanageerausta ja tuoda keskusteluun enemmän faktaa. 

Tämä havainto on erityisen hyödyllinen isoissa projekteissa ja palveluntuottajayhteistyössä. Kun tekemistä johdetaan pelkän tuntuman sijaan datan avulla, voidaan nopeammin nähdä, missä kohtaa prosessi oikeasti sakkaa.

Lopputulos: menetelmäkuvaus, tiekartta ja laajempi ymmärrys 

Hankkeen lopputuloksena syntyi palautteenhallinnan menetelmäkuvaus, konkreettisia toimenpide-ehdotuksia sekä viisivuotinen tiekartta oppivan organisaation kehittämiseen. Opinnäytetyön tiivistelmässä lopputuloksina mainitaan palautteenhallinnan menetelmäkuvaus, suositukset seuraavan vuoden kokeiluiksi ja viisivuotinen tiekartta oppivan organisaation kehittämiseksi.

Yhtä tärkeää oli kuitenkin se, mitä syntyi varsinaisen päätuotoksen rinnalla. 

Hanke tuotti ymmärrystä myös muihin kehityskokonaisuuksiin. Samaan aikaan organisaatiossa vietiin eteenpäin suunnittelun laadunhallintaan liittyviä kokonaisuuksia, kuten itselleluovutuksen kehittämistä ja laadunhallinnan prosessin kuvaamista. Palautteenhallinnan TKI-hanke auttoi sitomaan näitä asioita yhteen isompaan kuvaan: miten palaute, laadunhallinta, tiedonkulku, tekoäly ja oppiminen liittyvät toisiinsa. 

Tämä on usein TKI-hankkeen arvo. Kun hanke rajataan selkeästi mutta toteutetaan riittävän avoimesti, se ei tuota vain yhtä raporttia. Se tuottaa myös uutta yhteistä kieltä, parempaa tilannekuvaa ja oivalluksia, joita voidaan hyödyntää muissa hankkeissa. 

Mitä vastaava organisaatio voi tästä oppia? 

Jos organisaatioon tulee paljon palautetta, kehitysideoita ja havaintoja, ensimmäinen kysymys ei ole “mihin järjestelmään nämä kirjataan”. 

Parempi kysymys on: miten tästä syntyy oppia?

Palautteenhallinta ei ole vain tiedon keräämistä. Se on kykyä jäsentää tietoa, tunnistaa toistuvia teemoja, valita mihin kannattaa tarttua ja viedä havainnot päätöksentekoon. Isoissa asiantuntijaorganisaatioissa tämä vaatii rakennetta, mutta myös tilaa asiantuntijoiden omille havainnoille. 

Tässä hankkeessa keskeistä oli se, että kehittäminen ei perustunut valmiiseen malliin, joka tuotiin organisaatioon ulkopuolelta. Ensin selvitettiin nykytila, sitten osallistettiin asiantuntijat, analysoitiin löydökset ja rakennettiin seuraava askel niiden pohjalta. 

Samalla tekoälyn rooli asettui oikeaan mittakaavaan. Tekoäly voi auttaa luokittelussa, analysoinnissa, muistioissa ja tiedon käsittelyssä. Mutta jos prosessi on epäselvä, tekoäly vain automatisoi epäselvyyttä. Siksi prosessin ymmärtäminen, palautekanavien jäsentäminen ja päätöksenteon kirkastaminen pitää tehdä ensin. 

Nexpertin näkökulma 

Nexpert auttaa asiantuntijaorganisaatioita viemään kehittämistä käytäntöön tilanteissa, joissa tieto, prosessit, ihmiset ja teknologia kietoutuvat toisiinsa. 

Tässä casessa kyse oli TKI-hankkeesta, jossa yhdistyivät palvelumuotoilu, Lean-menetelmät (systeemisyys), tekoälyn hyödyntäminen, asiantuntijoiden osallistaminen ja päätöksentekoa tukeva raportointi. Lopputuloksena syntyi rakenne, jonka avulla hajanaisesta palautekentästä voidaan rakentaa oppimista ja jatkuvaa parantamista. 

Vastaava lähestymistapa sopii organisaatioille, joissa kehittämistä tehdään paljon, mutta oppi jää liian helposti hankkeisiin, kokouksiin, järjestelmiin tai yksittäisten ihmisten muistiin. 

Kun tieto saadaan näkyväksi, sitä voidaan johtaa. Kun asiantuntijat saadaan mukaan, ratkaisut ovat lähempänä arkea. Kun mittaaminen ja tekoäly tuodaan mukaan oikeassa kohdassa, kehittäminen ei jää vain puheeksi.

Lue koko opinnäytetyö Theseuksessa

Kiinnostuitko?