Ettevõtte loomine ei ole kunagi olnud nii odav. Ettevõtte ehitamine, mida keegi päriselt vajab, ei ole seetõttu grammigi lihtsam. AI võib anda ühele inimesele kümnete digitaalsete töötajate jõu, kuid ei vali tema eest õiget probleemi, ei loo usaldust ega vastuta halva otsuse eest. Strateegilise loovagentuuri häk juht ja AI-praktik Einar Tiimla esines tänavusel Arvamusfestivalil, kus arutles AI mõju üle ettevõtluses. Oma mõtteid avab ta ka TULI portaalis.

Lisaks esinesid paneelis Eesti.ai nõukoja liige, ettevõtja ja IT-visionäär Linnar Viik, ettevõtja ja vibe coder Kei Olbrei, noor ettevõtja Joosep Laats. Vestlust juhtis Eve Peeterson.

AI demokratiseerib ettevõtte loomist

Ja AI annab väikestele tegijatele tööriistad, mis veel hiljuti eeldasid tervet meeskonda. Samal ajal jääb suur osa arvutusvõimsusest, mudelitest ja nende arendamiseks vajalikust kapitalist suurte rahvusvaheliste ettevõtete kontrolli alla. Ettevõtluse alumine kiht killustub, taristu ülemine kiht koondub.

Ühe inimese ettevõte ei pruugi enam olla väike

Kujuta ette ettevõtjat, kes avab hommikul arvuti ja jagab töö laiali. Üks AI-agent kogub turuinfot, teine analüüsib klienditagasisidet, kolmas kirjutab koodi, neljas kontrollib vigu ja viies valmistab ette kampaania esimesed variandid. Palgal pole ühtegi inimest, kuid töölaud meenutab väikese ettevõtte oma.

See ei tähenda, et AI-agendid oleksid iseseisvad töötajad tavapärases mõttes. Neil pole vastutust, ärilist vaistu ega arusaama sellest, milline tulemus on kliendi jaoks päriselt hea. Need jäävad inimese kanda. Küll aga võib üks inimene juhtida korraga kümneid spetsialiseeritud töövooge. Seetõttu ei kirjelda töötajate arv enam kuigi täpselt ettevõtte tegelikku võimekust. Ja mis veel, digitaalsete töötajate pealt ei maksa me palgamakseid, mis tähendab, et neid on hetkel soodsam tööl hoida.

Tiimla hinnangul ongi AI-ajastu keskne roll orkestreerija. Hea spetsialist ei tee enam tingimata iga sammu ise. Ta määrab eesmärgi, jagab ülesanded, annab agentidele vajaliku konteksti, kontrollib tulemusi ja ühendab osad toimivaks tervikuks. Nagu arhitekt ei lao ise iga kivi, ei pea ka digitaalse toote looja kirjutama käsitsi iga koodirida. Tema väärtus seisneb üha rohkem otsustes, süsteemi ülesehituses ja kvaliteedilati seadmises.

See muudab ka ekspertteadmise tähendust. Pealiskaudne arusaam ei muutu AI tõttu sügavaks. Vastupidi, kehv lähteülesanne võib nüüd tekitada halva tulemuse kiiremini ja suuremas mahus. Orkestreerimiseks peab inimene mõistma, mida ta tellib, oskama tulemust hinnata ning märkama, kui enesekindlalt esitatud vastus on tegelikult vale.

Kiirem kood ei ole veel parem süsteem

Võtame näite häki veebiarendusest. AI kasutamine pole muutnud kogenud arendajat tingimata kümme korda kiiremaks. Siin võib puhas ajavõit jääda umbes viiendiku juurde. Suurem muutus on toimunud töö kvaliteedis ja sügavuses.

Kui varem kulus arendajal aega dokumentatsiooni ja Stack Overflow vastuste läbitöötamisele, saab ta nüüd probleemi AI-ga läbi arutada, lasta eri agentidel konkreetseid funktsionaalsusi luua ning võrrelda mitut lahendusteed. Vabanenud aeg ei pea minema lihtsalt järgmise ülesande kiiremini lõpetamiseks. Seda saab kasutada arhitektuuri, kasutajakogemuse, turvalisuse ja terviku paremaks läbimõtlemiseks. See tees kehtib muidugi siis, kui arendada selliselt, et arendaja saab aru, mis seal koodis toimub.

Siin jookseb piir orkestreerimise ja vibe coding’u vahel. Vibe coding võib anda väga kiiresti nähtava tulemuse: kirjeldad soovi, mudel kirjutab koodi ja mõne tunniga on ekraanil töötav prototüüp. Probleem algab siis, kui looja ei tea, mis taustal toimub. Kui ta ei oska selgitada, kuidas lahendus andmeid käsitleb, miks üks osa teisest sõltub või mida teha vea korral, pole kiirus loonud kontrolli. See on loonud musta kasti.

Prototüübi puhul võib selline risk olla vastuvõetav. Kliendiandmeid, makseid või ettevõtte põhitegevust kandva süsteemi puhul enam mitte. AI ei kaota vajadust hea spetsialisti järele. See annab heale spetsialistile suurema võimenduse ja lubab kehval spetsialistil teha suurema vea.

Kui tegemine odavneb, kallineb usaldus

Kui peaaegu igaüks saab nädalavahetusega valmis veebilehe, lihtsa rakenduse või kampaania, väheneb tegemise väärtus. Turule jõuab rohkem tooteid ja rohkem sisu, kuid mitte tingimata rohkem häid lahendusi. AI slop ehk kiiresti toodetud ühetaoline keskpärasus ei ole ainult sisuturunduse probleem. Sama nähtus jõuab teenustesse, tarkvarasse ja ärimudelitesse.

Saja reklaamivariandi genereerimine ei näita veel, et ettevõte teab, mida kliendile öelda. Rakenduse ehitamine ei tõesta, et selle taga on oluline probleem. Mida lihtsamaks muutub tootmine, seda olulisemaks muutub valik: mida üldse tasub teha, kelle jaoks ja miks just sellel ettevõttel on õigus seda pakkuda.

Asetame siia keskmesse müügi, brändi ja usalduse. Tööriistad, mudelid ning isegi tooted ja teenused võivad vahetuda. Kliendi kogemus ettevõttest koguneb aga aja jooksul. Tugev bränd ei ole ainult nimi või visuaalne identiteet, vaid lubadus, mille täitmist on klient korduvalt näinud. Seda ei saa ühe prompt’iga kopeerida.

Ka müük peab liikuma teenuse- ja tootearendusest sammu ees. Jutt pole lõpetamata asja müümisest, vaid nõudluse kontrollimisest. Ettevõte räägib klientidega ja õpib enne, kui investeerib pikalt lahendusse, mida keegi ei vaja. Müük annab arendamiseks raha, kuid veel olulisemana annab see päris tagasisidet. Ilma selleta võib AI aidata väga kiiresti vales suunas joosta.

Kujuta ette restorani enne õhtust kontserti

AI ettevõttes ei pea algama uue vestlusroboti lisamisest kodulehele. Sageli on kasulikum alustada ühest otsusest, mida tehakse praegu kõhutunde või liiga vähese info põhjal.

Kujuta ette restorani kontserdipaiga lähedal. Õhtul toimub suur kontsert. Restoranil on olemas varasem müügiajalugu, laua- ja kulleribroneeringud ning info selle kohta, kuidas ilm on nõudlust mõjutanud. Sellele saab lisada sündmuse algus- ja lõpuaja ning piletimüügi seisu. AI võiks nende andmete põhjal hinnata, kas pärast kontserti kasvab hilisõhtune nõudlus, milliseid roogi tellitakse tõenäolisemalt ja kui palju inimesi peaks vahetuses olema.

Rattamaratoni puhul võib muster olla teistsugune. Eelmisel õhtul võib suureneda nõudlus pastaroogade järele, võistlushommikul aga omlettide ja muu toitva hommikusöögi järele. Restoran saab varuda õiges koguses toorainet, muuta ettevalmistuste järjekorda ja suunata pakkumise õigesse aega. Need on hüpoteetilised näited, kuid nende loogika on praktiline: ühendada ettevõtte enda andmed välise infoga ja viia tulemus otse töökorraldusse.

Paljude ettevõtete kasutamata võimalus ei peitu seega järjekordse teksti või pildi genereerimises. Andmed on sageli juba olemas, kuid asuvad eri süsteemides ega mõjuta igapäevaseid otsuseid. AI loob väärtust siis, kui sellest saab töövoo osa. Turunduses tähendab see vähem küsimust, mitu bännerit suudame valmistada, ja rohkem küsimust, millisele kliendile, millal ning millise pakkumisega läheneda.

Ära ehita kogu äri ühe mudeli külge

Mida suurema osa tööst AI-le anname, seda olulisemaks muutub sõltuvuse küsimus. Nimetame seda digiriskide hajutamiseks. Kui ettevõtte põhiteenus on ehitatud ühe mudeli või API peale, võib hinnamuutus, ligipääsu piiramine või funktsiooni kadumine lõhkuda korraga nii kulumudeli kui ka kliendile antud lubaduse.

Mudelist sõltumatu ülesehitus ei tähenda, et väike ettevõte peaks korraga viie teenuse eest maksma või iga nädal platvormi vahetama. Pigem ei tohiks ettevõtte andmed, tööjuhised, ärireeglid ja kvaliteedikontroll kuuluda vaikimisi ühe teenusepakkuja lukustatud keskkonda. Kui ühe mudeli asemele on võimalik mõistliku vaevaga teine ühendada, on ettevõttel läbirääkimisruumi ja taluvust ootamatute muutuste suhtes.

Kõiki sõltuvusi ei saa eemaldada. Küll saab neid teadlikult kaardistada. Milline osa teenusest lakkab töötamast, kui mudel on tunni, päeva või kuu võrra kättesaamatu? Kas ettevõte säilitab oma andmed ja oskab tulemust hinnata? Kas kliendile müüakse konkreetse tööriista võimekust või ettevõtte enda lahendust? Need küsimused eristavad AI katsetust AI strateegiast.

Multitalent ei ole pealiskaudne üldistaja

AI kasvatab vajadust inimeste järele, kes suudavad eri valdkondi ühendada. Mõtet aitab avada Charles Darwini analoogia: süvenemine väga erinevatesse teemadesse võib tekitada uusi mõttemustreid, sest ühe valdkonna loogika kandub ootamatult teise. Sipelgate sotsiaalse korralduse uurimine võib näiteks anda uue vaatenurga hoopis teistsugusele süsteemile.

AI oskab olemasolevaid teadmisi kiiresti kombineerida, kuid inimese ülesandeks jääb märgata, millised maailmad tasub kokku tuua. Kõrge väärtusega loovus ei seisne enam ainult tühjalt lehelt esimese idee leidmises. See seisneb üha rohkem heas maitses, kontekstitundes ja võimes moodustada seoseid, mida teised pole tähele pannud.

Seetõttu võivad väärtuslikuks muutuda multitalendid. See ei tähenda inimest, kes teab kõigest natuke ja mitte millestki piisavalt. Hea multitalent tunneb vähemalt üht valdkonda sügavuti, kuid suudab liikuda ka tehnoloogia, müügi, disaini, andmete ja kliendikogemuse vahel. Turunduses on selline profiil eriti oluline, sest hea idee peab korraga töötama inimese jaoks, sobima kanalisse ja toetama ettevõtte eesmärki.

Noorte hirm on arusaadav, aga AI vältimine ei lahenda seda

Kogenud spetsialistid võtavad AI sageli kiiremini omaks, kui alles alustajad. Senioril on olemas teadmistebaas ja kvaliteeditaju. Ta oskab rutiinse töö ära anda ning tunneb ära, millal tulemus ei kõlba. Juunior võib põhjendatult karta, et kui AI teeb ära kõik algtaseme ülesanded, ei teki tal endal kunagi meisterlikkust.

See oht on olemas. Kui õppija laseb mudelil alati teha esimese mõttekäigu, kirjutada kogu koodi ja parandada kõik vead, jääb tal osa vajalikust harjutusest saamata. Vale järeldus oleks siiski AI-st loobuda. Õppida tuleb viisil, mis kasvatab otsustusvõimet: lasta lahendust selgitada, võrrelda eri variante, kontrollida tulemust, teha olulised osad ka ise läbi ning võtta lõpptulemuse eest vastutus.

Mõelgem noorele, kes otsib Google Mapsist kohaliku ettevõtte, millel pole kodulehte, helistab ja pakub AI abil valmivat veebilahendust näiteks 500 dollari eest. Väärtuslik pole siin ainult veebileht. Ühe projektiga õpitakse müüki, kliendi probleemi sõnastamist, töö ulatuse kokkuleppimist, AI kasutamist ja tulemuse üleandmist. Tagasiside ei tule hindena, vaid kliendi otsusena maksta või mitte maksta.

See muudab ka hariduse lähteülesannet. Pythoni õpetamist pole põhjust kõrvale jätta, sest tehniline baas aitab süsteeme mõista. Selle kõrvale peaksid aga jõudma promptimine, automatiseerimine, AI-agentide orkestreerimine ja tulemuste kontroll. Tuleviku töötaja ei pea iga mikrotegevust käsitsi tegema, kuid ta peab aru saama, millal süsteem töötab, millal ainult näib töötavat ja kes vastutab vea eest.

Kas Eestist saab looja või digitaalne rentnik?

Üksikisiku uus võimekus ei kaota riigi tasandi sõltuvusi. Eesti positsioon on tahtlikult terav: oleme praegu pigem teiste loodud AI-tehnoloogia rakendajad kui üks selle arenduse keskusi.

Näiteks OIXIO 12. inspiratsioonipäev Digital Leaders Clubis tehtud reverse engineering’u harjutuse puhul pidid osalejad kujutama ette 2031. aastat. Nad küsisid, mis läks valesti, kui Eesti majandus polnud vajalikku arenguhüpet teinud.

Eesti võib jääda digitaalseks rentnikuks, kes kasutab Ameerika Ühendriikides ja Hiinas loodud mudeleid, kuid ei kontrolli nende aluseks olevat taristut ega väärtusahelat. See ei ole neutraalne tulevikuprognoos, vaid hoiatus. Eesti vajab odavamat energiat, andmekeskusi, tugevamat riiklikku AI-fookust ja strateegilisi koostöösuhteid juhtivate kiibi- ning AI-ettevõtetega. Eesti AI on tema silmis hea algus, kuid liiga väike, kui ambitsioon piirdub olemasolevate mudelite kasutuselevõtuga.

Odavam energia ja andmekeskused ei tee riigist iseenesest AI-keskust. Vaja on ka teadmisi, kapitali, kasutatavaid andmeid ja tellijaid, kes on valmis kohalikke lahendusi päriselt rakendama. Väike riik ei pea tingimata võistlema maailma suurimate üldmudelite loomises. Küll saab ta valida valdkonnad, kus kohalikud teadmised, andmed ja kiire otsustamine annavad eelise. Sama loogika kehtib ettevõttele: kopeeritava üldlahenduse asemel tasub ehitada midagi täpset, väärtuslikku ja raskesti asendatavat.

Mõlemad võidavad, aga mitte võrdselt

AI võib tõesti sünnitada väga suure hulga mikroettevõtjaid. Üks inimene saab katsetada ideed väiksema raha ja meeskonnaga, teenindada kitsast rahvusvahelist nišši ning korraldada agentide abil tööd mahus, mis varem polnud võimalik. Samal ajal võidavad eriti suurelt ettevõtted, kelle käes on mudelid, kiibid, pilvetaristu ja ligipääs kapitalile.

Ühe inimese ettevõte ei muutu tugevaks AI-tellimuse ostmisega. Tal on endiselt vaja valdkonnateadmist, müüki, usaldust, head otsustusvõimet ja valmisolekut kanda vastutust. AI vähendab esimese katse hinda, kuid tõstab lati sellele, mis turul tähelepanu ja raha väärib.

Väikese tegija võimalus on liikuda kiiresti, leida probleem, mida suur ettevõte ei pea piisavalt huvitavaks, ning ehitada kliendisuhe, mida platvorm ei saa ühe uuendusega endale võtta. Selle kõrval peab ta hoidma kontrolli oma andmete ja tööprotsesside üle ning vältima olukorda, kus kogu äri seisab ühe mudeli najal.

AI ei paranda nõrka ärimudelit. See võib lihtsalt kiiremini nähtavaks teha, et klient ei vaja toodet, ettevõte ei oska seda müüa või genereeritud sisu ei eristu. Heale ettevõtjale annab sama tehnoloogia võimaluse katsetada väiksema kuluga ja teenindada nišši, mille jaoks varem poleks jätkunud inimesi ega raha.

Võib-olla polegi kõige olulisem küsida, mitu mikroettevõtjat AI loob. Tähtsam on, millised neist oskavad olla orkestreerijad, mitte lihtsalt tööriistade kasutajad. Kõige odavamaks muutub tegemine. Kõige kallimaks jääb teadmine, mida tasub teha, kellele see korda läheb ja miks peaks klient just sind usaldama.

Autor: Einar Tiimla, häk
Toimetas: Kärt Tomp, TULI

Kõik uudised