Teko­älystä tehoa talous­hallinto­palveluihin

Tekoäly on viime aikoina ollut pinnalla erityisesti generatiivisen tekoälyn uusien sovellutusten, kuten ChatGPT:n, myötä. Generatiivisen tekoälyn tekemät ennusteet perustuvat sille syötettyyn kielimalliin, jonka pohjalta se laskee todennäköisyydet eri tekijöiden yhdistelylle. Nykyisenkaltaisesta tekoälystä puhutaan myös koneoppimisena tai oppivana algoritmina, eli tekoälyn antamat ennusteet tai vastaukset tarkentuvat saadun palautteen myötä. Tekoäly ei siis ole inhimillisessä mielessä ”älykäs”, vaan se laskee todennäköisyyksiä erittäin tehokkaasti ja saattaa löytää datasta uusia asiayhteyksiä.

Helsingin kaupungin taloushallintopalveluliikelaitos, Talpa, on yksi julkishallinnon tekoälyn hyödyntämisen tienraivaajista – olemme käyttäneet tekoälyä ostolaskujen käsittelyssä vuodesta 2022 alkaen.

Talpan toiminnan tärkein tavoite on tuottaa laadukkaat talous- ja palkkahallinnon palvelut asiakkaillemme mahdollisimman kustannustehokkaasti. Samalla meille on tärkeää, että pystymme vastaamaan riskittömästi kunta-alalla merkittävän muutostekijän, henkilöstön eläköitymisen, tuomaan haasteeseen.

Näistä syistä prosessitehokkuuden parantaminen automaation avulla on ollut toimintamme kehittämisen ytimessä perinteisestä tietojärjestelmä- ja rajapintalähtöisestä prosessiautomaatiosta ohjelmistorobotiikan hyödyntämiseen, jossa siinäkin olimme ensimmäisten joukossa.

Tekoälyllä laatua ostolaskujen käsittelyyn

Tekoälymatkamme alkoi jo vuonna 2019, kun pilotoimme tekoälyavusteisuutta ostolaskujen käsittelyssä. Varsinainen toiminnan aloitus päätettiin pilotin perusteella siirtää ostolaskujärjestelmän kilpailutuksen ja käyttöönoton jälkeiseen aikaan, sillä teknologiat kehittyivät huimaa vauhtia, ja toiveissamme oli, että uudessa järjestelmässäkin voisi olla jo sisäänrakennettuja tekoälyavusteisia toimintoja. Käyttöönoton jälkeen totesimme kuitenkin, että erilliselle tekoälysovellukselle on edelleen tarvetta, ja vuonna 2022 pääsimme sitten toden teolla käyntiin.

Ostolaskut ovat luontainen tekoälyn hyödyntämisalue, koska prosessissa on useampia toimijoita ja inhimillisen virheen riski on ilmeinen. Toisaalta tarve määrämuotoisuuteen ja laadukkuuteen on suuri, jotta kirjanpidossa kustannusten kohdentuminen tapahtuisi mahdollisimman oikein. Talpassa ostolaskun käsittelijöinä työskentelee noin 50 työntekijää, mutta kaupunkitasolla, 40 000 työntekijän organisaatiossa, ostolaskuprosessiin osallistuu tarkastajana, tiliöijänä ja hyväksyjänä lähes 7 000 työntekijää. On siis selvää, että mitä enemmän prosessia voidaan automatisoida, sitä enemmän voidaan parantaa tuottavuutta mutta erityisesti varmistaa laatua ja oikeellisuutta.

Tekoälyn opettaminen vaatii sitkeyttä ja ennen kaikkea dataa. Tästä syystä etenimme käyttöönotossa vaiheittain kahden aktiivisen toimialamme (Kasvatus ja koulutus, Kulttuuri ja vapaa-aika) kanssa. Onnistuneiden pilottien jälkeen kilpailutimme tekoälypalvelun 2023, ja kokemukset valituksi tulleen Snowfox-sovelluksen tuotantokäytöstä ovat erittäin hyvät.

Tällä hetkellä käytämme tekoälyä esitiliöintiin ja reititykseen. Esitiliöintiä hyödynnetään jo lähes kaikilla asiakkaillamme. Reititys on toistaiseksi käytössä viidessä asiakasorganisaatiossamme.
Jotta reitityksen ennustetarkkuus on riittävä, dataa tarvitaan todella paljon, ja organisaatiomme laajuudesta ja monimutkaisuudestakin johtuen hyvän ennustetarkkuuden saavuttaminen vie aikaa. Toisaalta laajan datapohjan ja järjestelmällisen käsittelyprosessin ansiosta olemme saavuttaneet hyvän laatutason ennakoitua nopeammin hyödyntämällä muun muassa ennustamisdatan rajaamista organisaation sisällä.

Tekoäly on auttanut meitä parantamaan ostolaskutiliöinnin tehokkuutta ja helpottamaan resursointia. Olemme jo nyt voineet vapauttaa ostolaskun käsittelijöiden aikaa haastavampien tapausten käsittelyyn. Erityisesti hyöty on näkynyt laskuruuhkien vähenemisellä esimerkiksi kuukausien taitteissa ja tilinpäätösaikana. Pidemmällä aikavälillä odotamme tekoälyn tuovan meille merkittäviä tuottavuushyötyjä.

Hypeä vai hyötyä? Generatiivinen tekoäly asiakaspalvelussa

Talpan asiakaspalvelussa työskentelee noin 80 työntekijää. Noin 75 prosenttia tästä henkilöstöstä keskittyy työntekijöiden ja esihenkilöiden asiakaspalveluun ja näitä tukevaan tukipalveluun. Tyypillisimmät kysymykset liittyvät palkanlaskentaan tai työsuhteen elinkaaren erilaisiin kysymyksiin tai henkilöstöetuihin. Loppuneljännes asiakaspalvelun työntekijöistä palvelee helsinkiläisiä esimerkiksi sosiaali- ja terveyspalvelujen tai varhaiskasvatuksen laskutukseen liittyvissä kysymyksissä.

Generatiivisen tekoälyn mahdollisuudet erityisesti asiakaspalvelun kehittämisessä pohdituttivat meillä pian ChatGPT:n julkaisun jälkeen. Julkishallinnossa tekoälyn – erityisesti generatiivisen sellaisen – käyttöön liittyy kuitenkin monia epävarmuuksia ja riskejä, joiden vaikutukset tulee arvioida huolellisesti. Käsittelemme taloushallintopalveluissa usein myös arkaluonteista tietoa (esimerkiksi terveyteen liittyvää tieto sosiaali- ja terveyspalvelujen laskutuksessa tai ulosottotietoja palkanlaskennassa). Helsingin kaupungin ohjeistuksen mukaisesti tekoälyä ei tule käyttää asiakkaiden tietojen käsittelyssä tietoturva- ja tietosuojasyistä, mikä rajaakin ensimmäiset intuitiiviset käyttökohteet ulottumattomiin.

Samaan aikaan meillä oli tunnistettu tarve kehittää asiakaspalvelujärjestelmämme kyvykkyyksiä sekä automaation että tiedolla johtamisen näkökulmista. Koska tekoälyn tuoma potentiaali oli tietoturva- ja tietosuojarajaukset huomioidenkin valtava, päädyimme kohteiden kartoittamisen ja priorisoinnin jälkeen kokeilemaan tekoälyä rajatusti kahdella tavalla. Ensimmäinen, se intuitiivisempi käyttötapaus oli luoda tekoälyagentti, joka pystyisi toimimaan asiakaspalvelijan apuna ohjeistusten etsijänä ja koostajana. Toinen tapaus kumpusi asiakaspalvelijoiden työhön usein liittyvästä palkkalaskelmien tulkinnasta: kokeilimme, miten tekoäly suoriutuisi välillä monimutkaistenkin palkkalaskelmien käsittelystä. Onnistuessaan agentti nopeuttaisi työtä merkittävästi.

Pilottiteknologiaksi valitsimme kaupungin jo aiemmin tekoälykäyttöön validoiman Microsoftin Copilotin ja ratkaisu toteutettiin kaupungin M365-ympäristöön. Näin pystyimme varmistumaan, että ratkaisun tietoturva- ja tietosuojaratkaisut täyttävät vaatimukset, sillä koimme tämän olevan olennaista myös pilotointivaiheessa. Toteutuksen määrittelyyn ja testaukseen osallistui laaja joukko työntekijöiden asiakaspalvelun työntekijöitä, jotka pääsivät etulinjassa kokeilemaan tekoälyn hyödyllisyyttä työtehtävissä. Laajan osallistamisen tarkoituksena oli myös antaa organisaatiolle valmiuksia asiakaspalvelujärjestelmän kehittämiseen – tiedossamme oli jo tässä vaiheessa, että tulemme vaatimaan tulevalta uudistukselta merkittävää parannusta erityisesti automaation ja tekoälyn kyvykkyyksissä.

Asiakaspalvelijan apuriagentti intuitiivisuudessaan herätti projektin osallistujissa suuria odotuksia, kun taas palkkalaskelman tulkinnan onnistumiseen emme kovin vahvasti uskoneet. Lopputulos oli kuitenkin yllätykseksemme päinvastainen: asiakaspalvelijan apuri ei suoriutunut kovinkaan hyvin, kun taas demototeutuksena tehty monimutkaisen testipalkkalaskelman tulkinnan onnistuminen sujui siltä hienosti. Asiakaspalvelun apurin ongelmaksi osoittautui tiukan tietoturva- ja tietosuojarajauksen vuoksi toteutettu rajattu aineistodata. Ohjeistoja ei ollut riittävästi siihen, että generatiivinen tekoäly olisi pystynyt tekemään riittävästi päättelyä oikeampien vastausten löytämiseksi. Jotta datan määrä olisi ollut suurempi, meidän olisi tullut sallia tekoälyn pääsy laajemmin kaupungin ohjeistopooleihin, mutta tätä emme halunneet pilotointivaiheessa testata ilman laajempaa vaikutusten arviointia. Sen sijaan palkkalaskelman tulkinta sujui hyvin, koska se oli luonteeltaan enemmän sääntöpohjainen, jolloin dataa ei tarvittu niin paljon.

Vaikka pilotoitu tekoälyapuri ei kaikilta osin täyttänyt odotuksia, pilotointi itsessään ylitti odotuksemme. Saimme konkreettista kokemusta tekoälyn hyödyntämisen vaatimuksista ja opimme, millaisiin haasteisiin meidän tulee varautua vastaamaan, kun jatkamme kehityspolkuamme eteenpäin. Palkkalaskelman tulkinnan onnistuminen taas loi uskoa siihen, että ihmiselle monimutkainen asia voi olla tekoälyllä helppo toteuttaa!

Hypestä arkeen – mitä seuraavaksi?

Tekoälyn hyödyntäminen ei ole sprinttimatka – se on jotain ratakympin ja maratonin väliltä. Tekoälyn opettaminen vaatii sitkeyttä ja ennen kaikkea paljon laadukasta dataa. Koneoppimispohjaisten ratkaisujen toteutuksessa datan laadukkuus on erityisen tärkeää, jotta tekoälyn päättelyn laatu kohenee riittävän nopeasti. Generatiivista tekoälyä hyödyntävissä ratkaisussa taas määrä on tärkeä. Mikäli tekoälyn käytössä ei ole riittävästi sopivaa dataa, tekoälyn päättelyt ovat epäjohdonmukaisia ja välillä menevät täysin ohi aiheen.

Ostolaskuratkaisumme on osoittanut, että sitkeällä työllä hyödyt realisoituvat ja työ maksaa itsensä takaisin parempana laatuna ja tuottavuutena. Asiakaspalvelun kohdalla olemme vielä matkamme alussa, mutta pilotointimme antoi meille vahvan uskon tekoälyn mahdollisuuksiin sekä generatiivisen tekoälyn valmiuksiin myös sellaisissa tehtävissä, mihin sitä ei intuitiivisesti asiakaspalvelussa ihan ensimmäiseksi käyttäisi.