Tehisintellekti mõju tööjõu oskuste vajadusele ettevõtluses

Tehisintellekti (TI) kasutuselevõtt ettevõtluses on kujunemas oluliseks konkurentsieeliseks, mille mõju ulatub kaugemale pelgalt tehnoloogilisest uuendusest. Tehisintellekt ehk tehisaru ei ole enam vaid tarkvaraarendajate ja andmeteadlaste töövahend – see mõjutab üha enam töökorraldust, ärimudeleid ja organisatsioonikultuuri tervikuna. Seda rakendatakse üha sagedamini turunduses, klienditeeninduses, tootearenduses ja juhtimises, muutes nii töö sisu ja tähendust kui ka vajalikke oskusi paljudes rollides.

Enne tehisintellekti oskustest rääkimist tuleb tagada baasdigitaliseeritus: TI kasutab alusena olemasolevat digitaristut ning väärtust saab luua vaid siis, kui andmed on kvaliteetsed, protsessid struktureeritud ja automatiseerimise baas paigas. Seetõttu peavad juhid esmalt hindama, kas nende äri on piisavalt digitaliseeritud, et TI rakendamine looks lisaväärtust.

TI näol võib ettevõtete jaoks olla tegemist ka riskantse ja tundliku teemaga ärisaladuste ja väärtuspakkumise vaatepunktist. Kas julgetakse avalikult oma kogemustest, katsetustest ja õnnestumistest rääkida? Kogemusi jagades võib kaotada konkurentsieelise. Tehisintellekti ajastul peab arvestama, et mitmesugused TI-tööriistad on kõigile kättesaadavad, aga väärtus sünnib nutika kombineerimise oskusest. Samuti tuleb TI-l põhinevate uuenduslike toodete väljatöötamisel arvestada riskiga, et globaalsed tarkvarahiiud võivad mõne aja möödudes tuua turule sarnase toote või teenuse tarbija jaoks oluliselt väiksema kuluga.

Siinne rakendusuuring keskendub valdavalt generatiivse tehisintellekti (vt mõiste selgitust peatükis „Uuringus kasutatavad lühendid ja olulisemad mõisted“) kasutuse laienemisele ettevõtluses – sealhulgas suurtele keelemudelitele ja muule sisuloomet toetavale tehnoloogiale – ning selle mõjule tööjõu oskuste vajadusele. Generatiivne TI võimaldab automatiseerida tegevusi, nagu tekstide ja kujundusmaterjalide loomine, kliendisuhtlus, ideede genereerimine ning otsustustoetus, mida varem peeti olemuslikult inimkeskseks. Selline transformatsioon toob uute tööriistade tundmise vajaduse kõrval kaasa ka tarviduse arvestada laiemate muutustega tööprotsessides, rolliootustes ja oskuste kujundamises.

Kuigi TI-tehnoloogia on üha kättesaadavam, ei pruugita seda võtta organisatsioonis kasutusele mängleva kergusega ega iseenesestmõistetavalt. Eesti ettevõtete kogemused kinnitavad, et TI rakendamist piirab sageli just töötajate teadlikkuse ja oskuste puudus, mitte tehnoloogiast lähtuvad piirangud. Gartneri (2025) hinnangul toobki 42% TI-d rakendavatest ettevõtetest peamise takistusena esile oskuste ja selgete juhiste puudumise. Oluline on määratleda, millistes tööülesannetes on TI kasutamine mõistlik ja millised on selle tulemuste suhtes realistlikud ootused.

Siinset rakendusuuringut raamivad ka Eesti andmete ja tehisintellekti valges raamatus seatud eesmärgid aastateks 2024–2030, milles rõhutatakse vajadust arendada andmepõhist ja TI-toega majandust ning tõsta ühiskonna heaolu, ettevõtete tootlikkust ja innovatsioonivõimet TI rakendamise abil. Valge raamat seab sealjuures esikohale usaldusväärsuse ja inimkesksuse ning suunab tugevdama TI-ga seotud oskusi ettevõtluses ja ühiskonnas laiemalt.

Uuringu eesmärk on kaardistada nii üldisemat laadi kui ka n-ö funktsioonipõhised TI-oskused, mida vajavad töötajad müügis ja turunduses, klienditeeninduses ning tootearenduses – aladel, mida on peetud suurima generatiivse TI rakenduspotentsiaaliga ärifunktsioonideks (Chui et al 2023). Tähelepanu all on ka rollid, mille kaudu TI-lahendused ettevõtetesse jõuavad: juhid, n-ö targad tellijad ja lõppkasutajad. Selline vaade ei aita mõista TI rakendamise mõju mitte üksnes tehnoloogilise võimekuse kasvatamise võtmes, vaid ka tööprotsesside ümberkujundamise ja organisatsioonisiseste otsuste kontekstis.

Rakendusuuring toetub Eesti ettevõtete kogemustele, intervjuudele, rahvusvahelistele uuringutele, analüüsidele ja teadmuskirjandusele. Tulemused annavad sisendi oskuste arendamise meetmeteks, mis aitaksid tõsta Eesti ettevõtete võimekust TI-lahendusi tulemuslikult rakendada. Uuringu fookuses on töövaldkonnad, kus generatiivse TI kasutuselevõtt toob kaasa suurimat mõju tootlikkusele, väärtuse loomisele ja konkurentsipositsioonile.

Kutsekoda tänab suure panuse eest võtmeeksperte, intervjueerituid, retsensente jt valdkonna esindajaid, kes on aidanud kaasa uuringuaruande valmimisele. Rakendusuuringu tellis Justiits- ja Digiministeerium.

Siinse uuringu on koostanud SA Kutsekoda tööturu seire ja prognoosi ning oskuste arendamise koordinatsioonisüsteemi (OSKA) raames. OSKA eesmärk on paremini siduda tööturu vajadusi ja koolituspakkumist ning aidata kaasa sellele, et tööturul toimuvad muutused ja ühiskonna vajadused jõuaksid koolituspakkumisse võimalikult kiiresti. See on tähtis, kuna Eesti pikaajalises arengustrateegias „Eesti 2035“ on olulisel kohal inimeste teadmiste, oskuste ja hoiakute kooskõla tagamine tööturu vajadustega ning majanduse struktuurimuutustega, samuti arenguvajaduste lahendamine ning tootlikkuse ja lisandväärtuse kasv.

Andmevara – andmete kogum (andmebaas, tabel, vaade vms), mis on organiseeritud selliselt, et seda on võimalik organisatsiooni eesmärkide saavutamiseks hoida, hallata, töödelda ja taaskasutamiseks anda. Andmetest saab andmevara, kui andmeid varana hallatakse, sh määratakse andmevarale omanik, kaardistatakse andmevara väärtus ja kasutusjuhud ja -vajadused ning juhitakse vajaduspõhiselt andmevara sisu, kirjeldus- ja kvaliteedireegleid.(Andmete ja tehisintellekti valge raamat 2024-2030)

Tehisintellekt (TI) = tehisaru (ingl artificial intelligence (AI)) – tehnoloogia, mis võimaldab arvutitel ja masinatel jäljendada inimlikku õppimist, arusaamist, probleemide lahendamist, otsuste tegemist, loovust ja autonoomiat. (IBM, 2024¹¹)

Masinõpe (Machine Learning, ML) – tehisintellekti alamhulk, kus süsteemid õpivad andmetest mustreid ja teevad prognoose.

Süvaõpe (Deep Learning, DL) – masinõppe alamhulk, mis kasutab süvanärvivõrke.

Generatiivne TI (Generative, GenAI) – süvaõppe eriharu, mille eesmärk on luua uut sisu (tekst, pildid, heli, video, kood ja isegi 3D-objektid, mis meenutavad inimeste loodut), mitte ainult olemasolevat analüüsida. Üldine katusmõiste kõigi loovate TI rakenduste kohta.

Suur keelemudel (Large Language Model, LLM) – tehisintellekti mudel, mida kasutatakse loomuliku keele töötlemiseks ja mis paistab silma oma suure parameetrite arvu poolest. Suurte keelemudelite põhised süsteemid (nt GPT, Claude, Gemini) suudavad luua teksti, vastata küsimustele ja koostada dokumente. LLM-id asuvad GenAI põhitehnoloogialahenduste seas ja on praegu kõige laiemalt kasutatav GenAI vorm.

Tehisintellekti süsteem – masinapõhine süsteem, mis selgesõnaliste või kaudsete eesmärkide saavutamiseks tuletab antud sisendi põhjal väljundeid, näiteks ennustusi, sisu, soovitusi või otsuseid, millel võib olla mõju füüsilistele või virtuaalsetele keskkondadele. Eri tehisintellekti süsteemid on pärast kasutuselevõttu autonoomsuselt ja kohanemisvõimelt erineval tasemel. Erinevalt automatiseerimisest, mille puhul täidetakse konkreetseid ülesandeid varem määratud reeglitest lähtuvalt, on tehisintellektil põhinevad süsteemid võimelised õppima ja uute olukordadega vähemal või rohkemal määral kohanema. (Andmete ja tehisintellekti valge raamat 2024-2030)

TI-tehnoloogia – hõlmab tehnilisi lahendusi, mis võimaldavad masinatel analüüsida andmeid, õppida, teha otsuseid, mõista keelt, luua sisu ja tegutseda autonoomselt. Tehisintellekti jaotus võimekuse alusel

Tehisintellekti jaotus võimekuse alusel

Kitsas TI (Artificial Narrow Intelligence, ANI) – kitsalt spetsialiseerunud süsteemid, mis täidavad üht ülesannet (nt kõnetuvastus, pildituvastus, juturobot. ChatGPT, kuulub siia kategooriasse). Kitsas TI on suuteline analüüsima suuri andmehulki, õppima mustritest ning lahendama probleeme intelligentsel viisil, kuid ei suuda oma teadmisi ühest valdkonnast teise üle kanda.

Üldine TI (Artificial General Intelligence, AGI) – hüpoteetiline TI, mis suudab õppida ja täita sama laialdaselt eri tüüpi ülesandeid nagu inimene. Teoorias suudaks AGI teadmisi ühest valdkonnast teise üle kanda.

Superintellekt (Artificial Super Intelligence, ASI) – teoreetiline tulevikustsenaarium, kus TI ületaks inimese kognitiivsed võimed kõigis valdkondades (loovus, probleemide lahendamine, emotsionaalne intelligentsus). Pole veel olemas, pigem teoreetiline arutelu.

Tehisintellekti liigitus kasutusala järgi (vt joonis 2)

Põhitehnoloogialahendused (kollased kastid) – juba laialdaselt kasutatavad süsteemid.

• Kõne tekstiks (STT) – võimaldab muuta kõnet tekstiks, mis on aluseks digitaalsele assistendile, dikteerimissüsteemidele ja subtiitrite loomisele.
• Tekstist pildiks (T2I) – loob tekstiliste kirjelduste põhjal pilte (nt MidJourney, DALL·E).
• Tekstipõhised mudelid (LLM-id) – suurte keelemudelite põhised süsteemid (nt GPT, Claude), mis suudavad luua teksti, vastata küsimustele ja koostada dokumente.
• Pildigeneratsiooni tehnoloogiad (difusioonimudelid) – masinõppe meetodid, mis suudavad luua realistlikke pilte ja graafikat.
• Generatiivsed vastandvõrgud (GAN-id) – mudelid, mida kasutatakse näiteks nägude või videote loomiseks.
• Mitme sisendtüübi TI (multimodaalne TI) – süsteemid, mis töötlevad korraga teksti, pilte, heli ja videot (nt GPT, Gemini).
• Tekst kõneks (TTS) – teisendab teksti loetavaks kõneks, mida kasutatakse näiteks kõnerobotites ja ligipääsetavuse lahendustes.

Uuemad ja arenevad tehnoloogialahendused (rohelised kastid) – valdkonnad, mis kasvavad kiiresti ning mille rakendusvõimalused laienevad.

• Tekstist videoks (T2V) – loob liikuvaid videoklippe kirjelduse põhjal (nt Runway, Pika Labs, OpenAI Sora)
• Koodi genereerimine – aitab programmeerijatel koodi kirjutada ja täiendada (nt GitHub Copilot).
• Muusika loomine – genereerib meloodiaid ja heliteoseid (nt Suno, AIVA).
• 3D-objektide genereerimine – suudab tekstikirjeldustest luua ruumilisi mudeleid ja animatsioone (nt Luma AI).

Oskuste ja teadlikkuse arendamine on võtmetähtsusega

Eesti ettevõtete tehisintellekti kasutuse kasv on viimastel aastatel olnud kiire – 2024. aastal kasutas vähemalt üht TI-lahendust 14% ettevõtetest, mis on veidi üle EL-i keskmise, kuid jäi liiderriikide tasemest selgelt maha. 2025. aastaks oli selliste ettevõtete osatähtsus Eestis kasvanud juba 22%-ni.

TI kasutus on kõige enam levinud info ja side sektoris (56% sektori ettevõtetest kasutab vähemalt ühte TI-lahendust) ning finants- ja kindlustussektoris (58%), kuid ka neil tegevusaladel on hulk ettevõtteid (nt finantssektoris 8%) TI mittekasutamise põhjusena välja toonud teadmiste ja oskuste puuduse. Seega isegi valdkondades, kus TI on levinud ja ettevõtted oskuste vajadusest teadlikumad, ei pruugi töötajate teadmised ja oskused siiski olla tööandjate arvates piisavad, et olemasolevaid võimalusi täiel määral kasutada. Samale kitsaskohale osutasid ka intervjueeritud eksperdid, tuues välja oskuste puuduse mitmes dimensioonis. Näiteks ei piisa generatiivse TI kasutamiseks pelgalt baasdigioskustest – vaja on õppida TI-tööriistu sihipäraselt kasutama, arendada sisendi andmise ja kriitilise hindamise oskust, omandada teadmised andmeturbest ja eetikast ning säilitada valmisolek pidevaks õppimiseks ja kohanemiseks. Selle toetamiseks tuleks luua võimalikult praktiline personaalset tagasisidet võimaldav interaktiivne TI-õppematerjal.

„Targa tellija“ võimekuse puudujäägid

Eestis kasutatakse võrreldes EL-i keskmisega sagedamini ettevõtte enda loodud või kohandatud avatud lähtekoodiga TI-lahendusi, kuid tasuliste valmistoote ja sisseostetud rätsepalahenduste kasutus jääb liiderriikidele alla (nt tasulisi valmistooteid kasutas 2024. aastal 8% Eesti ettevõtetest võrreldes liiderriikide 14%-ga; sisseostetud rätsepalahendusi 4% vs. 7%). See viitab tellija oskuste kasvavale vajadusele – oskusele hinnata turul pakutavaid lahendusi, tellida neid teadlikult ja juhtida koostööd teenusepakkujatega. Ilmneb risk, et tehnoloogiliselt võimekamad ettevõtted libisevad arengus eest, samal ajal kui teised jäävad kõrvale. Intervjuude analüüsist tõusis teravaima probleemina esile oskuste nappus, mis puudutab probleemi täpset sõnastamist, investeeringutasuvuse analüüsi ja andmete kvaliteedi hindamist.

Paljudes ettevõtetes jääb TI kasutuse potentsiaal realiseerimata, sest puudub selge arusaam, millal ja milleks TI-d kasutada. See toob kaasa võimaluste ignoreerimise või vastupidi, n-ö üleinseneerimise riski. Eesti ettevõtted on liiderriikidega samal tasemel TI rakendamisel turunduses ja müügi edendamises, kuid jäävad oluliselt maha näiteks raamatupidamise ja finantsjuhtimise valdkonnas (vahe liidritega ligi kahekordne). Probleem ilmneb ka tootearenduses, kus TI võiks aidata prototüüpimisel ja kvaliteedikontrollis, kuid Eestis jääb rakendamine tagasihoidlikuks.

Selle lahendamiseks soovitavad uuringu autorid luua partnerlusplatvormi TI-alase nõustamise pakkumiseks TI-kontekstis potentsiaalikamatel ettevõtlusaladel, arendada tellijate täiendusõpet TI-põhise innovatsiooni juhtimiseks ning pakkuda tuge teadlike hangete ja partnerluste juhtimisel.

Andmete kvaliteedi ja juhtimise kitsaskohad

Andmete kvaliteet ja kättesaadavus on korduv kitsaskoht. Näiteks on Eestis TI kasutuse liidriteks teadmusintensiivseid teenuseid pakkuvad tegevusalad nagu info ja side ning finants- ja kindlustussektor (üle poole ettevõtteist kasutab TI-lahendusi), samal ajal kui enamikul tegevusaladest jääb kasutus alla 25% taseme. Ettevõtted, kel oli positiivne kogemus TI-lahenduste rakendamisel, tõid edutegurina esile, et õnnestumine sõltub andmete korrastatusest, kvaliteedist ja turvalisusest. Selleks tuleks tõsta teadlikkust andmete kogumise ja haldamise põhimõtetest, kasutada TI-saadikute võrgustikke heade praktikate levitamiseks ning arendada organisatsioonide võimekust laiemalt, sealhulgas hinnata olemasoleva teabe sobivust kasutamiseks TI-rakendustes.

Juhtimise ja organisatsioonikultuuri roll

Tehisintellekti rakendamine on strateegiline ja juhtimisalane väljakutse. See eeldab juhtidelt selliseid oskusi nagu tehnoloogilist kirjaoskust, strateegilist mõtlemist, andmepõhist otsustamist ning suutlikkust juhtida inimesi ja protsesse muutuste keskel. Intervjuude analüüsist joonistus välja, et organisatsioonides võib kohata vastuseisu ja hirme töö sisu ja töökohtade muutumise pärast, mis takistavad potentsiaalselt kasulike lahenduste omaksvõttu. Ühe probleemi avaldumise näitena saab tuua klienditeeninduse, kus töötajad võivad karta, et vestlusrobot asendab nende töö.

Juhtide roll on seada strateegilised eesmärgid TI kasutuselevõtul, juhtida innovatsiooni, luua usalduslik ja õppimist toetav organisatsioonikultuur (kollektiivne õppimine) ning maandada töötajate hirme. Eelnevat aitab teostada tõhus sisekommunikatsioon, mis selgitab muudatuste eesmärke ja kasu.

Kokkuvõte

Eesti ettevõtete vahel kasvab arengulõhe risk: ühed liiguvad kiiresti edasi, teised jäävad maha. See ilmneb näiteks suurtes, rahvusvahelise konkurentsi tingimustes tegutsevates ettevõtetes, kellel on enam võimekust investeerida TI-sse, võrreldes väiksemate, koduturule orienteeritud ettevõtetega.

Uuringu põhijäreldus on, et TI potentsiaali realiseerimiseks on vaja sihipäraselt arendada rollipõhiseid oskusi, tagada andmete kvaliteet ja turvalisus, tugevdada juhtide ja tellijate võimekust ning kujundada organisatsioonikultuuri, mis toetab innovatsiooni ja katsetamist. Soovituste elluviimine – alates veebipõhistest õppematerjalidest ja tööülesandepõhistest õppemoodulitest kuni partnerlusplatvormide ja kollektiivse õppimiseni – loob eeldused, et TI muutuks Eestis igapäevaseks tootlikkuse ja lisandväärtuse kasvu allikaks, mitte üksikute entusiastide pärusmaaks.

Uuringu eesmärk on välja selgitada, millised andmete ja tehisintellektiga seotud teadmised ning baasoskused peaksid inimestel üldoskustena olema. Samuti kaardistatakse teadmised ja oskused, mis on vajalikud generatiivse TI kasutusvõimaluste leidmiseks ja rakendamiseks ettevõtluses neis rollides ja tööfunktsioonides, mille tegevusest sõltub selle potentsiaali realiseerimine prioriteetsetel ettevõtlusaladel enim. Uurimistulemused on suunatud lisama teadmist arusaamadesse, kuidas tõsta tootlikkust – nii tõhusust kui ka mõjusust – TI-tehnoloogia sihipärase kasutamise kaudu.

Uuringust jäävad välja riigieelarvest rahastatavad alad, nagu avalik haldus, haridus, tervishoid. Samuti ei leia uuringus käsitlemist TI-lahendustel baseeruvate rakenduste loomiseks ja haldamiseks vajalikud spetsiifilised IKT-spetsialistide oskused. Uurimisala määratluse kohta leiab täpsema kirjelduse koos skeemiga peatükis 2.2.

Uuringus otsitakse vastust järgmistele küsimustele.

• Millised on andmete ja tehisintellektiga seotud baasoskused ning teadmised, mis võiksid tulevikus kõigil inimestel olemas olla?
• Millised on ettevõtlusalad, kus TI kasutamise kasvupotentsiaal ning mõju lisandväärtusele ja tootlikkusele on suurim?
• Millised on ametialad eelmainitud ettevõtlusaladel, mille tegevusest sõltub TI-potentsiaali realiseerimine enim?
• Millise oskuste profiiliga töötajaid on nendesse valdkondadesse ettevõtetel vaja, et tõsta produktiivsust (tõhusust ja mõjusust) TI-tehnoloogia abil?

Lisaks selgitatakse välja mida tuleks andmete ja tehisintellekti valdkonna arengut silmas pidades muuta oskuste täiendamisel elukestvalt.

Uuringust saadav teave võimaldab hinnata, millised meetmed – koolitused, tugiteenused ja toetused – on vajalikud andmete ja tehisintellektiga seotud oskuste (sh baasoskuste) ning teadmiste suurendamiseks tööturul. See omakorda aitab kujundada positiivset mõju ettevõtlusele ja ühiskonnale, tõstes tööjõutootlikkust ning minimeerides tehisintellekti rakendamisega seotud negatiivset mõju inimeste eneseteostusvõimalustele.

Uuring liigitub OSKA temaatiliste uuringute hulka. Selle jaoks koostati uurimismetoodika vastavalt uurimisülesandele, integreerides elemente OSKA tavapärasest metoodikast, eeskätt kvalitatiivseid eksperdiintervjuusid.

Uuringus on eesmärgi saavutamiseks kasutatud nii kvantitatiivseid kui ka kvalitatiivseid uurimismeetodeid.

Esmasteks andmeallikateks olid kvalitatiivsed eksperdiintervjuud TI rakendamise kogemusega ettevõtete esindajatega, mida analüüsiti paralleelselt uuringu kontekstis relevantsete avalikes andmebaasides sisalduvate statistiliste näitajatega Eurostatilt ja Eesti Statistikaametilt. Lisaks kasutati dokumendianalüüsi (ingl desktop analysis), et saada ülevaade varasematest uurimistulemustest, strateegilistest arengusuundadest, rahvusvahelisest praktikast jms, loomaks laiemat kontekstuaalset raamistikku töötajate TI-tehnoloogia kasutamiseks vajalike teadmiste ja oskuste analüüsimiseks.

Kvantitatiivses analüüsis (taas)kasutati avalikult kättesaadavaid statistilisi andmeid, et anda ülevaade TI rakendamisest ettevõtluses rahvusvahelises võrdluses. Peamisteks allikateks olid ettevõtete majandustegevuse statistika ning ettevõtetes TI kasutust puudutavad andmed²² Eesti Statistikaameti ja Eurostati avalikest andmebaasidest. Aluseks võeti viimased kättesaadavad andmed uurimise ajal (st andmed 2024. a kohta).

Kvalitatiivne andmekogumine ja analüüs hõlmas poolstruktureeritud eksperdiintervjuusid TI rakendamise kogemusega ettevõtjatega, et selgitada välja töötajatele vajalikud oskused. Uuringusse kaasati ennekõike need ettevõtted, kellel on lisaks arvestatavale kogemusele TI-ga ka suutlikkus hinnata võimalikke tehnoloogia ja turu arengusuundumusi piisavalt pikka aega ette.

Poolstruktureeritud eksperdiintervjuudeks valmistati ette hulk üldisemaid teemasid, mida vestluses käsitleda (intervjuukava, vt lisa 2). Algne kava täienes intervjuu käigus lisaküsimustega lähtuvalt konkreetse eksperdi taustast ja kogemustest, teemade käsitlemise järjekord oli paindlik.

Intervjuud salvestati ja transkribeeriti, selleks küsiti varem intervjueeritavate nõusolek. Kogutud teavet kasutatakse rangelt ainult uurimistöö otstarbel, hinnanguid ja arvamusi konkreetsete inimestega ega ettevõttetega ei seostata. Uuringuaruandes toodud näited on anonümiseeritud.

Eksperdiintervjuud toimusid nii veebi vahendusel kui ka silmast silma 2025. aasta kevadel. Kokku intervjueeriti enam kui 40 eksperti eri majandussektoritest, hõlmates suuri, väikse ja keskmise suurusega ettevõtteid. Lisaks toimus neli arutelu tellija esindajatega.

Uuringu käigus kogutud kvalitatiivse materjali analüüs (andmete sorteerimine, organiseerimine, kategooriate vahel jaotamine) algas tänu kvalitatiivuuringutele omasele metodoloogilisele paindlikkusele juba andmete kogumise käigus. Andmeanalüüsi esialgsed tulemused suunasid edasist andmekogumist, mis seeläbi keskendus rohkem analüüsi käigus välja koorunud teemadele ja küsimustele. Analüüsitava andmekorpuse moodustas kogu salvestatud ja transkribeeritud tekstimaterjal (eksperdiintervjuud ja arutelud võtmeekspertidega).

Intervjuude analüüsimisel kasutati temaatilisele analüüsile omaseid põhimõtteid ja töövõtteid. Selline lähenemine võimaldab identifitseerida ja esile tuua andmetes sisalduvaid korduvaid mustreid, teemasid ja tähendusi. Lähtudes siinse uurimuse eesmärkidest, kasutati peamiselt deduktiivset ehk teoreetilist (ingl top down) kodeerimistehnikat, toetudes analüüsikategooriate moodustamisel, nende omavahelisel suhestamisel ja järelduste sünteesimisel dokumendianalüüsi käigus loodud kontseptuaalsele raamistikule.

Siinse uuringu kvalitatiivse andmeanalüüsi etappe võib üldjoontes kirjeldada järgmiselt.

• I etapp – teksti transkribeerimine, üldülevaade.
• II etapp – esialgsete kategooriate moodustamine, tekstist tähendusliku info väljavalimine ja kategooriate alla rühmitamine (tekstis sisalduva info süstematiseerimine).
• III etapp – kategooriate temaatiline struktureerimine, omavaheline suhestamine ehk n-ö telgkodeerimine.
• IV etapp – analüüsi tulemuste raporteerimine.

Kuna uuring hõlmab laia ringi majandustegevusalasid ning TI-lahenduste rakendamine on ärilises mõttes tundlik teema, ei moodustatud seekord OSKA valdkonnauuringutele tüüpilist eksperdikogu. Eksperdikogu ülesandeid (sh olulisemate järelduste valideerimisel) täitsid võtmeekspertidena tööandjatest visionäärid ja TI rakendamise kogemusega praktikud ning Ettevõtluse ja Innovatsiooni Sihtasutuse asjatundjad.

Uuringusse kaasatud võtmeekspertide ülesanne oli täiendada uuringumeeskonna kogutud infot ning toetada uuringumeeskonda selle tõlgendamisel, valideerimisel ja järelduste tegemisel. Protsess oli kahesuunaline:

• ühelt poolt andsid eksperdid oma hinnangu analüüsi vahetulemustele;
• teiselt poolt käsitleti arutelusid osana kogutavast empiirilisest materjalist.

Arutelude käigus võtmeekspertide antud hinnangud kajastuvad uuringutulemustes.

Eelneva põhjal tehtud järelduste alusel sõnastati vajalike muutuste esilekutsumiseks soovitused ja ettepanekud eri osalistele, mis võimaldab:

• Justiits- ja Digiministeeriumi digiarengu valdkonnal täiendada andmete ja tehisintellekti ning digioskuste arendamise tegevuskavasid asjakohaste sekkumistega; planeerida sobivaid täiendus- ja ümberõppe koolitusi; seada sihte (koostöös majandus- ja ettevõtlusvaldkonna jt partneritega) ettevõtetele sobivate toetusmeetmete kujundamisel.
• Haridus- ja Teadusministeeriumil ning Majandus- ja Kommunikatsiooniministeeriumi töövaldkonnal (koostöös Töötukassaga) planeerida täiendus- ja ümberõppe koolitusi.
• Soovitused ja ettepanekud kooskõlastati võimalike vastutajatega.

Eurostati andmetel kasutas 2024. aastal tehisintellektil põhinevaid lahendusi 14% Eesti ettevõtetest, mis on veidi enam, kui EL-i riikides keskmiselt³³ (vt joonist 4). Veel aasta tagasi jäime EL-i keskmisele alla, kuid viimase aasta jooksul (2024 vs. 2023) on TI-lahendusi kasutavate ettevõtete osakaal suurenenud jõudsa üheksa protsendipunkti võrra. Seda võib riikide võrdluses pidada väga heaks tulemuseks – EL-i keskmine kasv jäi samal ajal viie protsendipunkti juurde.

Suurim on TI-lahendusi kasutavate ettevõtete osakaal Skandinaavia riikides ja Madalmaades ehk piirkondades, mida esindavad riigid on läbi aastate liidritena esile tõusnud ka Euroopa innovatsiooni tulemustabelis.⁴⁴ Euroopa innovatsiooni tulemustabelis liidripositsiooni hoidvas Taanis, kus on ühtlasi Euroopa kõrgem TI-lahenduste kasutus ettevõtluses, oli 2024. aastal vähemalt üht TI-lahendust kasutavaid ettevõtteid täpselt poole võrra enam kui Eestis.

TI kasutuselevõtt varieerub märkimisväärselt sõltuvalt ettevõtte suurusest – nii Eestis kui ka teistes riikides on suuremad ettevõtted aktiivsemad. EL-is kasutasid 2024. aastal TI tehnoloogiat 41% suurtest ettevõtetest (üle 250 töötaja), 21% keskmise suurusega ettevõtetest (50– 249 töötajat), samas väikeste ettevõtete (10–49 töötajat) puhul oli see näitaja vaid 11%. (Vt joonis 5.) Ettevõtluses TI rakendamise liiderriikides (Taani, Rootsi, Belgia, Soome, Luksemburg, Holland) keskmiselt kasutab neid lahendusi aga iga viies väikeettevõte, iga kolmas keskmise suurusega ettevõte ja kuus suurettevõtet kümnest.

Eelkirjeldatud ettevõtte suurusest tulenevat erinevust on seletatud näiteks TI-tehnoloogia rakendamise keerukuse, mastaabisäästu (suuremad ettevõtted saavad TI-st rohkem kasu) ja investeerimisvõimekusega (TI-sse investeerimine võib olla suurtele ettevõtetele kättesaadavam) (Eurostat, 2025).

Eesti jääb ettevõtte suurusega seotud TI-kasutusprotsentide poolest EL-i riikide keskmise lähedale, sealjuures on meie kuni 50 töötajaga väikesed ettevõtted EL keskmisest pisut aktiivsemad ja üle 50 töötajaga ettevõtted veidi passiivsemad. Pikim vahe liidritega⁵⁵ tuleb esile keskmise suurusega (50–250 töötajaga) ettevõtete puhul, kus Eesti näitaja ulatub vaid 54%-ni liidrite tasemest. Eksperthinnangute põhjal on tegu grupiga, kus protsessid on juba piisavalt keerukad, aga ressursse ja juhtimisvõimekust võib nappida. Üle 250 töötajaga suurettevõtete segmendis on vahe liidritega veidi väiksem – viimasetel on selles segmendis umbes kolmandiku võrra rohkem TI-lahendusi kasutavaid ettevõtteid. Statistika põhjal ei ole selle vahe tagamaid võimalik üheselt välja tuua, kuid põhjust oleks otsa vaadata meie suurettevõtet ärimudelite keerukusele, andmemahukusele ja ambitsioonikusele.⁶⁶

Riiklikule statistikale tuginedes on võimalik saada ülevaade enamlevinud takistustest tehisintellekti rakendamisel ettevõtete vaatepunktist.⁷⁷ Siinse uuringu kontekstis huvitab meid eelkõige võimalik teadmiste ja oskuste puuduse mõju.

Selle hindamisel peab arvestama, et kuigi TI mittekasutamise põhjendused kogu plokina võivad olla alaraporteeritud (keskmiselt viiendik Eesti ettevõtetest oli 2024. a I kvartaliks TI-lahendusi kasutanud või seda võimalust kaalunud, sealjuures jäid mittekasutamise põhjuste puhul ettevõtluse keskmised näitajad vahemikku 1–4%), on asjakohaste teadmiste puudus ettevõtete seas siiski kõige sagedamini mainitud takistus kõikjal Euroopas ja Eestiski (seda tõi põhjenduseks EL-i riikides keskmiselt 7% ettevõtetest, TI-kasutuse liiderriikides⁸⁸ keskmiselt 8%, Eestis 4%). Järgnevad mured õigusliku ebaselgusega, andmekaitse või privaatsusega ning andmete kättesaadavusega, kaasnevate kulude komponent on alles viiendal kohal.

Paradoksaalsel kombel torkab andmetesse süüvides silma, et Eestis TI-kasutuse poolest esirinnas olevatel majandustegevusaladel võivad ühtlasi ilmneda ka keskmisest (4% 2024. aastal) kõrgemad mittekasutamise määrad teadmiste ja oskuste puuduse tõttu. Näiteks võib tuua finants- ja kindlustustegevuse, kus 2024. aastal kasutas pool ettevõtetest mõnd TI-lahendust, sealjuures 8% ettevõtetest tõi välja, et ei tee seda asjakohaste teadmiste puudumise tõttu. Kutse-, teadus- ja tehnikaalases tegevuses ning elektroonikatööstuses on TI-lahenduste kasutajaid umbes kolmandik, samas kui 6–7% peab oskuste puudust takistuseks.

Seega võime järeldada, et ka ettevõtlusaladel, kus TI kasutus on enim levinud, võidakse tunnetada vajalike oskuste-teadmiste puudust keskmisest teravamalt.

Eurostati 2024. aasta andmete põhjal ilmneb, et võrreldes EL-i keskmisega on Eestis enamates ettevõtetes kasutusel oma töötajate loodud või ettevõtte vajadustele kohandatud avatud lähtekoodiga TI-lahendused (vt joonist 6). Oleme nende näitajate poolest samal tasemel ettevõtluses TI rakendamise liiderriikidega.

Ületame EL-i riikide keskmist, kuid jääme liidritele pisut alla oma töötajate kohandatud kommertstarkvaral põhinevate lahenduste kasutusega (8% vs. 6%). Märkimisväärselt suur on aga vahe liiderriikidega n-ö karbitoodete ehk tasuliste valmislahenduste kasutuselevõtus (14% vs. 8%) ja sisseostetavate rätsepalahenduste rakendamise poolest (7% vs. 4%).

Eelkirjeldatud muster ilmneb nii ettevõtluses tervikuna kui ka n-ö laiade majandussektorite (tööstus, teenused) tasemel. Ei saa välistada võimalust, et Eesti ettevõtete valikud peegeldavad levinud mõtteviisi, mille kohaselt valmislahendustele panustamine ei pruugi luua (konkurentsi)eeliseid, või TI-lahenduste rakendamise nimel maksab pingutada eelkõige suurematel ettevõtetel. Puutusime sedalaadi hoiakutega kokku ka eksperdiintervjuudes, kuid statistilised andmed võimaldavad järeldada, et liiderriikide ettevõtted on mingil põhjusel teinud oma valikud teistsuguste eelduste põhjal.

Eksperdid märkisid, et Eesti ettevõtetes, kus digitaliseerituse tase on suhteliselt kõrge, võivad n-ö TI karbitoodete pakutavad võimalused olla juba kasutuses. Seega on neil tekkinud vajadus keerulisemate, personaalsemate ja ulatuslikumalt ettevõtte protsessidesse integreeritud lahenduste järele.

Kuigi esmapilgul võivad kirjeldatud erinevused tunduda tagasihoidlikud ja jooniselt 6 vastu vaatavad protsentuaalsed väärtused väiksed (nt on TI-lahendusi sisse tellinud 4% Eesti ettevõtetest vs. 7% liiderriikidest; tasulisi valmislahendusi 8% vs. 14%), võivad ka väiksed vahed osakaaludes viidata aja jooksul potentsiaalselt süvenevale arengulõhele. Liiderriikide ettevõtted on ilmselt suutnud mõjusamalt rakendada strateegiaid, mis ühendavad tehnoloogilise kompetentsi ärilise väärtusega.

Lisaks aimub siit risk kompetentsipõhiseks polariseerumiseks Eesti ettevõtluse siseselt. Ettevõtted, mille töötajad suudavad ise panustada TI-lahenduste loomisse või kohandamisse (kas avatud koodiga või kommertstarkvarapõhiselt), võivad arengus kiiremini eest ära libiseda. Need aga, millel puudub sisemine kompetents arendustöödeks ja võimekus õigel ajal märgata võimalusi valmistoodete rakendamiseks või sobivate lahenduste tellimiseks, võivad aga jääda hoopis kõrvale. Kokkuvõttes, Eesti tugevus peitub tehnoloogiliselt võimekate töötajate olemasolus, kes suudavad luua või kohandada lahendusi ettevõtte sees. Nõrkuseks on aga vähene oskus või valmisolek võtta kasutusele valmistooteid või tellida rätsepalahendusi, mis viitab vajadusele arendada teadmisi tehnoloogiliste lahenduste tellimise, hindamise ja juhtimise alal.

Võrdlus liidritega lubab oletada, et Eesti ettevõtetes jääb vajaka eeskätt teadmistest ja oskustest nii TI-põhiseid valmistooteid kasutusele võtta kui kohandatud lahendusi tellida. Senise kogemuse põhjal võime eeldada, et olulisemaks muutuvad oskused ja teadmised, mis võimaldavad hinnata valmislahenduste sobivust, teha teadlikke otsuseid TI-lahenduste hangetes ning juhtida teenusepakkujate tööd. Statistilistele andmetele tuginedes saab järeldada, et süsteemselt on vaja tugevdada võimekust hinnata tehnoloogilisi vajadusi ärilise väärtuse kontekstis, võrrelda turul pakutavaid võimalusi ning juhtida IT-partnerite tööd ehk teisisõnu vajatakse oskusi, mida läheb tarvis nn targa tellija rollis ning mitmesuguste juhtimispositsioonide täitmiseks. Samas tõdesime intervjuusid läbi viies, et levinud on praktika, kus TI rakendamine ettevõtetes saab alguse töötajate uudishimust ja initsiatiivist (rohujuuretasandilt), mis kinnitab, et juhtide ja n-ö tarkade tellijate oskuste arendamise kõrval on sama oluline ka lõppkasutaja vaade.

Ärifunktsioonide võrdluses torkab silma, et erinevates üldist laadi administreerimisülesannetes (sh virtuaalassistendid, transkribeerimine, planeerimine, andmeanalüüs, masintõlge) ⁹⁹ ning turunduses ja müügiedenduses on TI-lahenduste kasutamine Eesti ettevõtetes levinud pea samal määral kui liiderriikides, ületades tunduvalt EL-i riikide keskmist (vt joonist 7). Ülejäänud kategooriates oleme TI rakendamisel EL-i keskmisel tasemel; liidritele jääme alla raamatupidamises ja finantsjuhtimises ning IKT turvalisuses.

Suurim, ligi kahekordne on vahe liidritega TI rakendamisega raamatupidamises ja finantsjuhtimises (sh andmeanalüüs finantsotsusteks, raamatupidamisdokumentatsioon). Paljud Eesti ettevõtted ostavad raamatupidamisteenust sisse, mistõttu motivatsioon selles vallas TI-lahendusi juurutada võib jääda tagasihoidlikuks, kuigi nt TI-toega finantsanalüütiliste lahenduste kasutuselevõtt strateegiliste otsuste taustaks võimaldaks toetada tootlikkuse kasvu. Eksperdid nägid, et kindlasti on tegemist ärifunktsiooniga, kus TI-st on väga palju võita, kuid komistuskiviks võib osutuda kartus eksimuste ees karmistuvate piirangute ja nõuete tingimustes (nt raamatupidamisreeglid, regulatsioonid, AI Act).

Veidi väiksem on vahe liidritega IKT turvalisuses(sh küberrünnakute avastamine ja ennetamine) ning uute või oluliselt täiustatud toodete ja teenuste väljatöötamises (teadus, arendus ja innovatsioon). Siinkohal väärib eeskätt rõhutamist, et ulatuslikum TI rakendamine innovatsioonis ja (eksperimentaal)arenduses võiks kaasa tuua murrangulise mõju lisandväärtuse kasvule.

Kõige väiksem vahe liiderriikidega TI-põhiste lahenduste kasutuselevõtus ilmneb aga tootmises (nt hooldusvajaduse ennustamine; toodete klassifitseerimine või defektide tuvastamine; autonoomsed droonid turvalisuse või järelevalve tagamiseks; autonoomsed montaažirobotid) ja logistikas (nt autonoomsed laorobotid; autonoomsed robotid pakkide saatmiseks, jälgimiseks, vastuvõtmiseks, sortimiseks; autonoomsed droonid pakkide kohaletoimetamiseks; teekonna optimeerimine), kus liidrite näitajad ärifunktsioonide võrdluses on ühtlasi madalaimad. Tõenäoliselt on neil aladel tegemist lahendustega, mida on teistega võrreldes keerukam või kulukam juurutada.

McKinsey (2023) avaldatud analüüsis generatiivse TI mõju ja väärtuspotentsiaali kohta leiti, et see koondub 75% ulatuses nelja ärifunktsiooni ümber, milleks on klienditeenindus (nt kõnekeskused), turundus ja müük (nii B2B¹⁰¹⁰ kui ka B2C¹¹¹¹ turundusega seotud tegevus, nt turu-uuringud, turundus- ja müügistrateegiad, hinnakujunduse analüüs), tarkvarainseneeria ning teadus- ja arendustegevus (uute toodete või teenustega seotud tegevused, nt erinevad uuringud, ideede väljatöötamine ja simulatsioonid, prototüüpimine ja katsetamine arendusprotsessi eri etappides). (Chui et al. 2023)

Lisaks täpsustati eelmainitud analüüsis, et TI potentsiaalne väärtus on nüüd tänu generatiivsete lahenduste esilekerkimisele palju väiksem funktsioonides, mis varasemates analüüsides tõusid esile kõige silmapaistvamate TI-kasutusaladena, nagu tootmine ja tarneahel. Eeskätt on nihe aset leidnud seetõttu, et varasemate tehisintellekti lahenduste peamiseks väärtust loovaks teguriks olid arvutus- ja optimeerimisrakendused (ehk analüütiline TI), mis on just neil kasutusaladel aktuaalsemad. (Chui et al. 2023)

Kui 2024. aastal kasutas mõnd TI-lahendust 14% Eesti ettevõtetest (joonis 4), siis laiemate majandusharude võrdluses näeme, et sekundaarsektoris ehk tööstuses oli see näitaja keskmisest väiksem (9%) ja tertsiaarsektoris ehk teenuseid pakkuvate ettevõtete hulgas suurem (17%) (vt jooniseid 8 ja 9). Samalaadne erinevus tööstus- ja teenussektori vahel ilmneb ka teistes riikides. Siiski peame tõdema, et kuigi Eestis oli teenuseid pakkuvate ettevõtete TI-lahenduste kasutus EL-i keskmisest veidi suurem (17% vs 16%), küündime siin vaid umbes 60%-ni liidrite tasemest (TI-lahenduste kasutuse liiderriikide¹²¹² keskmine 28%). Veelgi suurem vahe ilmneb tööstuses, kus meie ettevõtete näitaja jääb alla koguni EL-i keskmisele. Kui arvestada, et tööstuses tõuseb eesrindlikena esile mõnevõrra erinev riikide komplekt võrreldes kogu ettevõtlusega, on Eesti tööstusettevõtete mahajäämus sekundaarsektori liidritest seega veelgi suurem (vt joonist 8).

Küll aga väärib esile tõstmist asjaolu, et Eesti tertsiaarsektori ettevõtete hulgas on TI-lahenduste kasutus 2024. aastal võrreldes eelneva aastaga kasvanud oluliselt kiiremini kui EL-is keskmiselt (vastavalt 11 ja 7 protsendipunkti), pea samas tempos liidrite keskmise näitajaga (12 protsendipunkti).

Kui vaadata detailsemalt tegevusalade¹³¹³ tasemel TI rakendamist (ettevõtete osatähtsust, kus vähemalt üht TI-lahendust kasutatakse), siis näeme nii sekundaar- kui ka tertsiaarsektori puhul märkimisväärset sisemist killustatust (vt joonist 10).

Liidripositsioonilt leiame teadmusintensiivseid teenuseid pakkuvad tegevusalad, nagu finants- ja kindlustus, info ja side ning kutse-, teadus- ja tehnikaalane tegevus, kus TI-lahendusi rakendavaid ettevõtteid oli 2025. aasta I poole seisuga juba üle poole. Neile järgnevad elektroonikatööstus ja haridus, kus mõnd TI-lahendust kasutas pisut alla poole ettevõtetest.

Kogu ettevõtluse keskmist, mis oli 2025. aastal 22%, ületasid veel sellised tööstussektori tegevusalad nagu keemia-, farmaatsia-, kummi- ja plastitööstus, masina- ja metallitööstus ning energeetika (25–28% ettevõtetest kasutab mõnd TI-lahendust) ning teenussektori valdkondadest meelelahutus, kinnisvara ning tervishoid (22–24% ettevõtetest).

Keskmisest oluliselt vähem kasutasid ettevõtted TI-d tööjõumahukaid teenuseid pakkuvatel tegevusaladel, nagu veondus ja laondus (13%), majutus ja toitlustus (15%), kaubandus (17%). Samale tasemele jäi TI-d kasutavate ettevõtete osakaal ka ehituses (16%). Ettevõtluse keskmisele jäid oluliselt alla ka sellised tööstussektori alad nagu tekstiili- ja rõivatootmine (9%), vee- ja jäätmemajandus (11%) ning toiduainetööstus (14%).

Aastases võrdluses oli mediaan (keskmist tendentsi peegeldav näitaja, millest kõrgemaid ja madalamaid väärtusi on täpselt pooleks) 2025. aastaks aritmeetilisele keskmisele jõudsalt lähemale nihkunud.

Kui 2024. aastal tõmbasid ettevõtluse keskmist TI rakendamise osakaalu (14%) ülespoole tugevad tertsiaarsektori liidrid (finants ja kindlustus, info ja side, kutse-, teadus- ja tehnikaalane tegevus) ja enamik tegevusalasid paiknesid kas mediaannäitaja tasemel või sellest madalamal (kõrge tipp pika slepiga), siis sel aastal on taganttulijate hulgas üksjagu neid tegevusalasid, mis on traditsioonilistest liidritest kiiremini edenenud.

Eriti suure aastase kasvuga paistavad silma hariduse (+31 pp), meelelahutuse ja vaba aja valdkond (+21 pp) ning teatud töötleva tööstuse tegevusalad, nagu masina- ja metallitööstus ning transpordivahendite tootmine (mõlemad +16 pp), elektroonikatööstus (+15 pp) ning puidu- ja paberitööstus (+14 pp). Samasse suurusjärku (+14 pp) jääb kasv ka kinnisvara valdkonnas.

2024 . aastal Implement Consulting Groupi tehtud analüüsis generatiivse TI makroökonoomilise potentsiaali kohta Eestis leiti, et seda tüüpi lahenduste laialdane juurutamine era- ja avalikus sektoris võib optimistlike prognooside kohaselt suurendada Eesti riigi sisemajanduse kogutoodangut kuni 8% võrra (Thelle et al. 2024). Tegemist oleks aastase kasvuga tippaastal, mis leiaks tõenäoliselt aset umbes järgneva kümne aasta jooksul. Viieaastane viivitus kasutuselevõtus aga vähendaks seda näitajat 2%-le. Transformatsioon leiaks prognooside kohaselt aset eeskätt tänu enamiku töötajate (u 60%) tootlikkuse kasvule olukorras, kus TI-lahendused võimestavad töötajaid, muutes tööprotsesse tõhusamaks ja parandades tulemuse kvaliteeti. Kui uuringu koostamise ajal põhinesid ettevõtetes kasutusel olevad TI-lahendused valdavalt mitte-generatiivsel TI-l, siis generatiivse TI kasutuselevõtt võib tänu uut tüüpi tööriistadele avada täiendavaid tootlikkuse kasvunišše, millega varasemate lahendustega on olnud keeruline tegeleda.

Eelmainitud Implement Consulting Groupi uuringus leiti, et 80% generatiivse TI majanduslikust potentsiaalist on seotud teenussektoriga, samal ajal kui teised majandussektorid (sekundaarsektor ehk tööstus ja primaarsektor) lõikavad kasu valdavalt teist tüüpi TI-lahendustest (nt analüütilise TI lahendused) (Thelle et al. 2024) (vt joonist 11).

Teenusmajandus omakorda jaguneb TI-lahenduste potentsiaalse mõju poolest eri segmentideks, sealjuures teadmusmahukates äriteenustes¹⁴¹⁴ nägid uuringu autorid generatiivsel TI-l suurimat majanduslikku mõju (sh sisuloomes, keeruka andmetöötuse automatiseerimises, teadusuuringutes). Muude tehisintellekti liikide mõju nendel tegevusaladel piirdub korduvate ülesannete automatiseerimisega. (Thelle et al. 2024)

Teises, eelmisest oluliselt tööjõumahukamas tertsiaarsektori segmendis, mis koondab kaubandust, transporti ja logistikat ning turismi, on Implement Consulting Groupi prognooside kohaselt generatiivse TI mõju lisandväärtusele proportsionaalselt märksa tagasihoidlikum, kuid arvestades selle haru suurust, on siiski tegemist arvestatava majandusliku potentsiaaliga. Siin võib generatiivsest TI-st märkimisväärset kasu tõusta klienditeeninduses (juturobotid) ning juriidiliste dokumentide ja lepingute töötlemises. (Thelle et al. 2024)

Lisaks leiti eelkirjeldatud uuringus, et generatiivse TI abil on võimalik suurendada tootlikkust ka sekundaarsektoris - tootmises, ehituses, energeetikas ja veevarustuses –, kuigi selle potentsiaalne mõju on hinnanguliselt väiksem kui muudes sektorites. Samas eeldatakse, et muudel tehisintellekti liikidel on sellele sektorile märkimisväärne mõju, näitekstarneahela optimeerimise ja spetsiifiliste käsitööd nõudvate protsesside automatiseerimise kaudu. (Thelle et al. 2024)

Võttes aluseks eelkirjeldatud analüütilised hinnangud generatiivse TI rakendamise potentsiaalile ärifunktsioonide lõikes (Chui et al. 2023) ja majandustegevusalade kaupa (Thelle et al. 2024) ning Eesti näitajate võrdluse TI rakendamises liiderriikidega¹⁶¹⁶, on uuringu autorid TI-alaste oskuste uurimisfookuse seadnud lisaks rollipõhisele vaatele (juhid, nn targad tellijad, lõppkasutajad) funktsioonidele, kus TI-lahenduste rakendamisel võib eeldada suurimat mõju (tootlikkus, ekspordipotentsiaal jms). Neid valikuid ilmestab alljärgnev maatriks (mida tumedama tooniga tähistatud ala, seda relevantsem antud uuringu kontekstis).

Uurimisalast jäävad välja riigieelarvest rahastatavad tegevused, nagu avalik haldus, haridus, tervishoid. Samuti ei leia uuringus käsitlemist TI-lahendustel põhinevate rakenduste loomiseks ja haldamiseks vajalikud IKT-spetsialistide oskused.

Selleks, et teha täpsemaid valikuid eelistoetatavate (eelisarendatavate) ettevõtlusalade valimisel, võib kriteeriumite määratlemisel kasutada kombinatsiooni lisas 3 olevas tabelis toodud näitajatest, mis peegeldavad majandustegevusalade kaupa ettevõtete arvu, suurust, hõivet, loodavat lisandväärtust ja tootlikkust (ning nende kasvupotentsiaali), ekspordimahtu, digitaliseerituse taset, teadmusmahukuse kasvupotentsiaaliga niššide olemasolu jms (vt tabel 2 lisas 3). Eksperdid soovitasid eelistoetatavate alade valikul arvestada lisaks veel kriteeriumitega, mis peegeldaks andmete kättesaadavust ja kvaliteeti, hõivestruktuuri ja töö iseloomu (kognitiivse töö osatähtsus; valgekraede tööjõunappus, mida TI kasutus võiks leevendada) ning innovatsioonivalmidust majandustegevusalade vaates.

Tehisintellekti laiem rakendamine ettevõtluses eeldab oskuste arendamist kõigil organisatsioonitasanditel. Uuringu tulemused näitavad selgelt, et TI mõtestatud ja tõhusaks kasutamiseks vajalikud oskused erinevad sõltuvalt inimese rollist organisatsioonis. Seetõttu on põhjendatud käsitleda TI-ga seotud oskuste vajadust rollipõhiselt – eristades lõppkasutajat, IT-lahenduste tellijat ja organisatsiooni juhti. Siinse uuringu fookus on eeskätt generatiivsel TI-l, sealhulgas suurte keelemudelite ja muu sisuloomet toetava tehnoloogia kasutamisel.

Tehisintellekti rakendamiseks vajalike oskuste ülevaate kujundamiseks kasutati nii kvantitatiivseid kui ka kvalitatiivseid uurimismeetodeid. Andmeallikatena rakendati intervjuusid tehisintellekti rakendamise kogemusega ettevõtete esindajatega ning laiemaks kontekstualiseerimiseks Eestis ja mujal maailmas varem tehtud uuringuid, strateegilisi dokumente, arengukavasid ja rahvusvahelisi kogemusi. Nende põhjal koostati terviklik rollipõhine ülevaade töötajate generatiivse tehisintellekti kasutamiseks vajalikest teadmistest ja oskustest.

Lõppkasutaja on TI rakendamise igapäevane praktik. Tema peab oskama kasutada TI-tööriistu oma töös sihipäraselt: valida sobiv lahendus, koostada kontekstitundlik sisend, hinnata ja kohandada TI väljundit.

TI-lahenduste tellija ettevõttes tegutseb nii probleemi määratlejana kui ka lahenduse suunajana. Tema teadmised ja oskused peavad võimaldama hinnata, kas TI on sobiv tehnoloogia konkreetse ärilise probleemi lahendamiseks, ning tagada, et projektid oleksid tehnoloogiliselt, andmepõhiselt ja organisatsiooni vaatepunktist realistlikud. Targa tellija oskused on olulised ka partnerite kaasamisel, lähteülesannete sõnastamisel ja lahenduste valideerimisel.

Juht kujundab organisatsioonis TI kasutamise strateegilist raamistikku. Tema roll on seostada TI kasutuselevõtt organisatsiooni eesmärkide ja arengusuundadega, hinnata potentsiaalset ärilist mõju ning juhtida seotud muudatusi, sealhulgas töötajate kaasamist, õppimist ja töö ümberkujundamist. Juht peab looma organisatsioonikultuurilise (sh väärtused, hoiakud) ja protseduurilise (sh reeglid, juhendid) aluse, mis soodustab katsetamist, innovatsiooni ja usaldusväärset rakendamist.

Rollipõhine lähenemine võimaldab täpsemalt määratleda, millised teadmised ja oskused on igas rollis TI rakendamiseks vältimatult vajalikud. Samuti toetab see sihitatud sekkumiste, koolituste ja tugiteenuste kujundamist. Ühtlasi võimaldab selline lähenemine mõista, kuidas toetavad üksteist TI rakendamise väärtusahelas erinevad rollid – alates probleemide ärilisest mõtestamisest kuni TI igapäevase kasutuseni.

Järgmistes alapeatükkides (3.1–3.3) antakse ülevaade eri rollidega seotud TI-põhistest teadmistest ja oskustest, mis põhineb eksperdiintervjuude analüüsi tulemuste sünteesimisel dokumendianalüüsis kasutatud materjalidega (varasemad uuringud, strateegilised arengusuundumused, rahvusvahelised kogemused jne). Ülevaatesse on lisatud anonümiseeritud näited intervjuudest.

Tänapäevane tööelu nõuab digipädevust, mis on ulatuslikum klassikalistest kontoritarkvara kasutamise oskustest – eriti olukorras, kus tehisintellekt on muutumas igapäevatöö loomulikuks osaks. Selleks et töötaja saaks TI-st kasu, peab tal esmalt olema baasdigioskused: ta peab suutma kasutada uueaegseid IKT-tööriistu, orienteeruda eri keskkondades, mõista tehnoloogiate põhimõtteid, teadvustada turvariske ning olema valmis uusi tööriistu igapäevatöös rakendama. Digioskused on vundament – TI on tööriist, mida tuleb oskuslikult kasutada.

See alapeatükk keskendub lõppkasutaja oskustele, mis on vajalikud tehisintellekti tööriistade praktiliseks kasutamiseks tööprotsessides.

Alapunktis keskendutakse nende baasoskuste kirjeldamisele, mis võimaldavad töötajatel TI-tööriistu sihipäraselt ja vastutustundlikult kasutada. TI-tööriistade kasutamine eeldab arusaamist sellest, mida TI suudab teha, kuidas see töötab ja kuidas TI kasutus seostub konkreetse tööülesandega. Tegu ei ole „nupuvajutamisega“, vaid teadliku ja sihipärase tegevusega, kus inimene suunab TI-d, hindab tulemusi ja vastutab lõpliku otsuse eest. See tähendab, et töötajal peab olema oskus valida sobiv tööriist vastavalt ülesandele (nt tekstiloome, andmeanalüüs, visuaalide loome), suhelda TI-ga arusaadavalt ja eesmärgipäraselt, aga ka hinnata tulemuste usaldusväärsust ning vajaduse korral kohandada sisendit või tulemust.

Uuringud ja kogemused näitavad, et eduka rakendamise eelduseks on just oskus seostada tehnoloogiat oma töörolliga, katsetamisjulgus ja uudishimu.

TI kasutamine ei nõua sügavaid tehnilisi teadmisi ega programmeerimise oskust, kuid eeldab baasarusaamist TI tööpõhimõtetest – mida TI suudab ja mida mitte. Tööriistade kasutamine ilma nende tööloogikat tundmata võib viia ebaefektiivsuse või valede ootusteni. Näiteks on vaja teada, millist tüüpi TI-lahendusega on tegu (nt generatiivne, analüütiline, kognitiivne), kuidas see toimib, mil viisil see õpib ning millised on selle piirangud. Oluline on mõista, et generatiivne TI (nt ChatGPT, DALL·E, Copilot) loob uut sisu (teksti, pilte, koodi) olemasolevate andmete ja mustrite põhjal. Analüütiline TI (nt Power BI TI-analüütika, Explainable Boosting Machine, turuanalüüsi tööriistad) analüüsib andmeid, tuvastab trende, mustreid või anomaaliaid ja teeb prognoose.

Vajalikud teadmised ja oskused.

• Teadmised TI toimimispõhimõtetest – teadmised, et tehisintellekti treenitakse suure hulga näidete ehk andmete põhjal ja mudel loob vastuseid tõenäosuse alusel; arusaam, et see ei tähenda inimesele omast teadmist, vaid statistilist oletust, mis võiks olla järgmisena kõige tõenäolisem.
• Teadmised tehisintellekti piirangutest mõtlemisel ja otsustamisel – teadmised, et sellel ei ole iseseisvat tahet ega otsustusvõimet ning see tegutseb etteantud algoritmide ja sisendandmete alusel.
• Oskus selgitada TI vastuste kujunemise loogikat – võime mõtestada, kuidas vastus sõltub sisendi sõnastusest, treeningandmetest ja mudeli tõenäosusloogikast.

Kui inimene ei tea, mis põhimõttel TI töötab, siis on oht, et ta loobub selle kasutamisest üldse („ma ei saa aru, mis see on“) või kasutab valesti (nt „TI ütles nii, järelikult on tõsi“).

Näiteks kui turundustöötaja kasutab generatiivsel TI-l põhinevat ChatGPT-d kampaania e-kirjade koostamiseks, peab ta ühendama teadmised TI toimimisloogikast turundustavadega – mõistes, et TI loob sisu olemasolevate tekstimustrite põhjal ega tunne konkreetse kliendi vajadusi. Seetõttu tuleb väljund üle vaadata ja vajaduse korral kohandada.

Kui müügijuht kasutab müügiandmete analüüsimiseks analüütilisel TI-l põhinevat Power BI aruannet, peab ta hindama, et prognoos põhineb varasematel andmetel ega suuda arvestada ootamatuid turumuutusi. Oskus hinnata TI väljundi sobivust ja usaldusväärsust on kriitilise tähtsusega.

Näide intervjuust: teenusettevõtte personaliseeritud kliendiabisüsteem (kombineerib analüütilist ja generatiivset TI-d) aitab tuvastada kliendi probleemi ja suunab selle kiirelt lahendamisele. Töötaja peab mõistma, miks ja kuidas kliendiabisüsteem töötab, et teda usaldada ning tulemuslikult kasutada.

Näide intervjuust: inseneribüroo puhul vajab iga TI tulemus üle valideerimist. Töötaja peab aru saama, mis teooria on TI vastuse taga ja kas see on usaldusväärne. Ka tehniliste arvutusülesannete puhul võib TI anda erinevaid vastuseid.

Näide intervjuust: tootmisettevõte kasutab TI-lahendusi kvaliteedikontrollis. Nägemismudelid suudavad sageli tuvastada kvaliteedivigu paremini kui inimsilm, eriti tööpäeva lõpus, kui tähelepanuvõime langeb. Kasutaja peab mõistma, et TI hindab tõenäosusi – otsustamisel peab inimene teadma, millal võib masin eksida. Seetõttu tuleb TI-tulemust tõlgendada kui soovitust, mitte kui lõplikku otsust.

Näide intervjuust: teenusettevõtte töötaja kasutab TI-d lepingutingimuste analüüsimisel. Lahendus on tõhus ainult siis, kui kasutaja mõistab, kuidas masin järelduseni jõudis, et suuta vajaduse korral tulemusi kontrollida ja täiendada.

Töötaja, kes mõistab, millel TI otsus põhineb, oskab realistlikke ootusi seada ja tulemusi adekvaatselt hinnata. Vastasel juhul tekib pettumus, liigne umbusaldus või ebaotstarbekas kasutus.

TI-põhiste rakenduste kasutamine tähendab oskust valida tööülesandele sobiv tööriist, anda sellele täpne ja kontekstitundlik sisend, tõlgendada väljundit ning hinnata selle sobivust ja usaldusväärsust. Kui oskused puuduvad, võivad tulemused olla eksitavad või kasutud; kui need on aga olemas, võib töö muutuda kiiremaks, täpsemaks ja loovamaks.

Gartner (2023) rõhutab, et generatiivse TI väärtus ei seisne tema võimes iseseisvalt tegutseda, vaid selles, kuidas inimesed oskavad koostada sisendeid, tõlgendada väljundeid ja rakendada soovitud tulemuste saavutamiseks kriitilist mõtlemist. Sama kinnitab ka Gartner (2025) konverentsi esitluses (vt joonis 12), kus tuuakse esile selge ja kontekstipõhise sisendi koostamise olulisus. TI-tööriistade kasutamine on dialoogipõhine: mida täpsem ja sihipärasem on ülesande püstitus, seda kasulikum on tulemus.

Vajalikud teadmised ja oskused

• Teadmised ja arusaamine tööülesandele sobiva TI-tööriista valikust.
  • Teadmised levinumatest generatiivsetest (nt ChatGPT, Microsoft Copilot, Gemini) ja analüütilistest (nt Power BI koos TI-visualisatsioonidega, Tableau AI moodulitega, IBM Watson Studio jt) tööriistadest.
  • Arusaamine eri tööriistade toimeloogikast ja rakendusalast – mõistmine, millised tööriistad sobivad loovate ülesannete (nt tekstiloome, visuaalid) ning millised andmeanalüüsi ja prognoosimise jaoks.
• Oskused tõhusa ja kontekstitundliku sisendi (edaspidi ka prompt) koostamiseks.
  • Oskus koostada täpselt sõnastatud, eesmärgipõhiseid ja ülesandele vastavaid sisendeid.
  • Oskus määratleda ja lisada vajaliku konteksti (nt sihtrühm, stiil, piirangud) ning arusaamine sellest, kuidas see mõjutab TI väljundit.
  • Oskus analüüsida ja hinnata sisendi tõhusust – vajaduse korral korrigeerida ja täiustada sisendit korduvalt, kuni saavutab soovitud tulemuse.
  • Oskus määratleda tööülesande eesmärk ja soovitud väljundtüüp (nt raporti mustand, tabeli analüüs, võrdlusloend, e-kiri).
  • Oskus esitada keerukamad ülesanded loogilises, etapiviisilises järjestuses (nt „anna esmalt ülevaade, seejärel loo kokkuvõte ja lõpuks esita soovitused“).
• Teadmised ja oskused TI tulemuste kriitiliseks hindamiseks.
  • Oskus hinnata TI tulemuste usaldusväärsust, loogilisust ja vastavust töö eesmärkidele.
  • Arusaamine, et TI ei anna täiuslikku vastust, vaid on tööriist, mille tulemusi tuleb kriitiliselt analüüsida ja vajaduse korral täiendada. TI võib luua veenvaid, ent sisuliselt ebatäpseid vastuseid (võib hallutsineerida).
  • Oskus hinnata, miks TI-tulemus ei vasta ootustele – kas probleem peitub sisendis, tööriista sobivuses või konteksti puudumises.
  • Oskus anda sihipärast tagasisidet ja suunata tulemuse kujundamist (nt „lühenda“, „kasuta neutraalset tooni“, „too näiteid“), et jõuda iteratiivselt soovitud kvaliteedini.
  • Oskus eristada, millised TI-väljundid sobivad vahetuks kasutuseks ja millised vajavad toimetamist, täiendamist või valideerimist.
• Teadmised ja oskused TI-tulemuste sidumiseks tööprotsessidega.
  • Oskus analüüsida oma tööprotsesse ja tuvastada tegevused, mis on aeganõudvad, korduvad või andmemahukad.
  • Mõistmine, et TI sobib eriti hästi ülesannete puhul, mis on struktureeritud, andmepõhised või rutiinsed (nt aruannete koostamine, sisuloome, andmete puhastamine, kliendikontaktide sorteerimine).
  • Teadmine, et TI-d saab muuta osaks töövoogudest (nt memo loomine Copilotiga → jagamine Teamsis → ülesannete määramine Planneris).
  • Teadmine, et TI loodud väljundeid saab integreerida olemasolevatesse töövahenditesse (nt Word, Excel, PowerPoint).
  • Teadmine, et TI ei ole staatiline valmis toode, vaid vajab ajakohastamist ja kohandamist – eriti juhul, kui kasutatakse organisatsioonisisest mudelit.
  • Mõistmine, et tööülesannete muutumisel tuleb kohandada ka TI kasutusviise ja rolli tööprotsessis.

Näide intervjuust: teenindusvaldkonna ettevõte kasutas generatiivset TI-d memode ja e-kirjade koostamiseks. Väljundite tegelik väärtus ilmnes siis, kui töötajad hakkasid tulemusi omavahel jagama, neid täiustama ja töövoogudega siduma (nt koostööplatvorm Teams). See tõi esile, et TI kasutamisest tekib väärtus alles siis, kui see integreeritakse igapäevatöösse sihipäraselt, mitte ei jää üksikute katsetuste tasemele.

Näide intervjuust: teenusettevõte töötas välja ettevõttesisese keelemudeli. Selle edukas kasutamine sõltus spetsialistide võimest hinnata TI pakutud järeldusi ning võrrelda neid oma valdkonnateadmistega. Kuna TI võis pakkuda ka usutavaid valesid vastuseid (hallutsineerida), oli kriitiline hindamine hädavajalik – vastasel juhul oleks tekkinud suur rahaline risk ja eksimused kliendisuhtluses.

Näide intervjuust: inseneribüroo tõi esile, et tehniliste arvutuste tegemisel võib TI anda veenva, kuid vale tulemuse. Seetõttu peab kasutaja suutma tulemusi analüüsida, vajaduse korral ümber sõnastada või kombineerida TI väljundit teiste tööriistadega (nt Excel, simulatsioonitarkvara). See nõuab tugevat valdkonnapõhist kriitilist mõtlemist koos sügavate erialateadmistega.

TI ei ole klassikaline plug-and-play-tehnoloogia – selle rakendamine eeldab probleemi mõtestatud tõlgendust ning oskust kujundada lahendus, mis arvestab konteksti, tööülesannet ja kasutuskeskkonda.

See tähendab, et töötaja suudab tuvastada probleemi, katsetada eri lahendusi, kohandada sisendeid, kombineerida TI-d teiste tööriistadega ning hinnata, kas väljund on usaldusväärne.

TI-tehnoloogia on pidevalt arenev protsess, mis nõuab töötajatelt paindlikkust, iseseisvat õppimisvõimet ning valmisolekut katsetada ja ka eksida. Kuna tehisintellektil põhinevad tööriistad arenevad väga kiiresti, ei piisa sellest, kui töötaja õpib korra mingi rakenduse kasutamise ära – palju olulisemaks muutub oskus kohaneda uue tehnoloogiaga. Näiteks selle raporti kirjutamise ajal peetakse lõppkasutaja jaoks oluliseks promptimise oskust, kuid juba lähiajal võivad keskseks muutuda andmebaaside struktureerimine, häälkäskluste kasutamine, TI-assistentide ja agentide loomine. Kui töötaja suudab jälgida muutusi ja ise õppida, väheneb vajadus pidevate koolituste järele ja TI kasutuselevõtt muutub sujuvamaks.

Vajalikud teadmised ja oskused

• Valmisolek pidevaks õppimiseks ja kohanemiseks.
  • Mõistmine, et TI kasutamine põhineb tihti katse-eksituse-meetodil ning väärtus tekib pideva õppimise kaudu, sh ebatäiuslikest tulemustest.
  • Suutlikkus paindlikult omandada uusi töövõtteid ja oskusi, mis kaasnevad TI tööriistade arenguga.
  • Oskus kohaneda töömuutustega, kasutades erinevaid allikaid (nt juhendid, kolleegide kogemused, õppematerjalid) ning rakendada oma töös uusi teadmisi.
• Teadmised ja oskused tehnoloogiatrendide jälgimiseks ja hindamiseks.
  • Teadmised allikatest ja meetoditest TI-tööriistade uuenduste jälgimiseks (nt Microsoft Copiloti funktsioonid, uued pluginad¹⁷¹⁷, tootjate infolehed, valdkondlikud uudiskirjad).
  • Oskus hinnata tehnoloogiliste uuenduste tööalast väärtust ja võimalusi nende rakendamiseks.
• Oskused tööviiside ja tööprotsesside kohandamiseks.
  • Valmisolek muuta oma tööharjumusi, integreerides tehisintellekti igapäevategevusse – näiteks koostada koosoleku memo spetsiaalse TI-tööriista abil, mitte käsitsi või kasutada andmeanalüüsiks TI-d traditsiooniliste vahendite (nt MS Excel) kõrval. Töö sisu (nt assistendi puhul e-kirjade koostamine või kohtumiste protokollimine) jääb samaks, kuid töö teostusviis TI abil muutub.

Näide intervjuust: ettevõttesisesel koolitusel rõhutati: „Olulisem kui tehniline taust on õppimisoskus ja julgus katsetada.“ Mõned töötajad hakkasid TI-d kohe kasutama (nt meilide koostamiseks), teised hoidusid, kuna puudus enesekindlus või kokkupuude. Tulemuseks oli see, et kiiremad katsetajad lõid sisulisi kasutusjuhte, mida teised said hiljem järgida.

Näide intervjuust: teenusettevõttes täheldati, et mõne töötaja jaoks muutus TI igapäevatöö lahutamatuks osaks, samas teised jäid skeptilisteks. Need erinevused kippusid taanduma töötajate enesekindlusele, koolitusvõimalustele ja üldisele arusaamisele TI-lahendustest. Kuna organisatsioon TI-koolitusi ei korraldanud, levis TI kasutus rohkem isikliku entusiasmi kui süsteemse õpetuse kaudu. See kinnitab, kui oluline on tugistruktuur ja sihipärane oskuste arendamine.

Näide intervjuust: koolitaja tõdes, et ei ole kõigile ühtviisi sobivat koolitusvormi – väiksemad ja suuremad organisatsioonid vajavad erinevaid lähenemisi, sõltuvalt sellest, kuidas TI saab nende tööd toetada. Lõppkasutaja peab suutma oma töörollis ära tunda, kus TI aitab ajavõitu saavutada, ning arendama selleks vastavaid oskusi. Eriti oluliseks muutub promptimise ehk sisendi täpse formuleerimise oskus, mida võib pidada üheks võtmeoskuseks.

Näide intervjuust: ettevõte tunnistas, et „inimesed kardavad – nad ei hakka pihta“. Osa töötajatest ei söandanud isegi TI-lehte avada. Hirmu ületamiseks loodi töörühmad ja rakendati tehisaru mentorprogrammi põhimõttel toimivat lahendust, mis võimaldas ideid põrgatada koos kogenumate kolleegidega. See lähenemine aitas töötajaid julgustada ja teadlikkust tõsta.

Lõppkasutajal on vaja valmisolekut muutuda koos töövahenditega. Töö sisu ei pruugi muutuda, ent meetodid muutuvad. Kes suudab õppida ja kohaneda, suudab TI-d kasutada suurema mõjuga.

Organisatsioonid ei saa piirduda vaid formaalse koolitusega – suurimat mõju avaldab töötajate õpihimu ja katsetamisvalmidus, mida omakorda toetab turvaline ja õppimist soosiv sisekultuur.

TI tulemuste mõistmiseks on oluline aru saada, millistel andmetel see põhineb ja kui usaldusväärsed need on. TI töötab olemasolevate andmete pealt ning tema võimekus sõltub nende kvaliteedist, ulatusest ja struktuurist. Lõppkasutaja roll ei ole olla passiivne tarbija, vaid teadlik hindaja. See tähendab kriitilise mõtlemise rakendamist, võimet tuvastada loogikavigu või moonutusi ning arusaamist, millal TI võib eksida – ning miks see juhtub.

Tehnoloogiast võõrandumise vältimiseks peavad töötajad mõistma, kuidas TI töötab ja millised piirangud sel on. Oskus seostada TI tulemusi oma töökontekstiga ja nende kriitiline hindamine on keskne komponent TI tõhusaks ja vastutustundlikuks kasutamiseks.

TI tulemus on andmepõhine oletus, mille kvaliteet sõltub sisendandmetest, kontekstist ja mudeli treenituse tasemest. Seetõttu peab lõppkasutaja kontrollima, kas tulemused on loogilised ja asjakohased, tuvastama võimalikke vigu, kallutatust või moonutusi ning tõlgendama andmeid oma töörolli ja ärilise konteksti raames.

Vajalikud teadmised ja oskused

• Teadmised ja arusaam tehisintellekti eksimisvõimalustest.
  • Mõistmine, et tehisintellekti tulemused põhinevad tõenäosuslikel mustritel, mitte absoluutsel tõel – ka loogilisena kõlavad vastused võivad olla ekslikud.
  • Oskus eristada faktilist teavet spekulatiivsest sisust ning vajaduse korral otsida lisakinnitusi usaldusväärsetest allikatest.
• Oskus tuvastada vastuolusid ja ebakõlasid TI vastustes.
  • Oskus analüüsida TI väljundeid, et tuvastada ebatäpsusi, sisemisi loogikavigu, liialdusi või põhjendamatult ulatuslikke üldistusi.
  • Oskus hinnata, kas järeldused põhinevad andmetel või peegeldavad põhjendamatut üldistust.
• Teadmised ja oskused andmete kvaliteedi kriitiliseks hindamiseks.
  • Mõistmine, et andmete kvaliteet sõltub nende päritolust, kogumismeetodist ja esinduslikkusest.
  • Oskus märgata andmestikus mustreid või puudusi, mis viitavad ebakvaliteetsetele andmetele – näiteks puuduvad väärtused, kasutatakse kallutatud allikaid või vananenud infot.
• Oskused TI tulemuste tõlgendamiseks töö kontekstis.
  • Oskus hinnata, kuivõrd TI esitatud andmed ja järeldused sobituvad konkreetse tööülesande, organisatsiooni eesmärkide või kliendi vajadustega.
  • Oskus vältida andmete mehaanilist rakendamist ilma nende sisu, tähendust ja konteksti kriitiliselt hindamata.

Näiteks kui TI pakub soovitusi, millised kliendid võivad tõenäoliselt teha kordusoste, peab kasutaja arvestama majanduskeskkonna muutustega (nt turukriisid või hooajalised eripärad), mida mudel ei pruugi näha. Samuti vajab TI-mudel toimimiseks suuri andmemahte. Kui andmeid pole (nt Eesti turu väiksuse tõttu), ei pruugi mudel toimida või annab moonutatud tulemusi.
TI-tulemuse kontrollimise vajadust toob ühe olulise märksõnana esile ka Gartner (2025).

Näide intervjuust: tehisintellekti kasutamist tehnilises valdkonnas piirab sobiva treeningmaterjali puudus. Varasemad projektid on sageli konfidentsiaalsed ja kuuluvad ärisaladuse alla, mistõttu neid ei jagata avalikult. Seetõttu napib kvaliteetset sisendandmestikku, mida saaks mudelite õpetamiseks kasutada.

Näide intervjuust: andmete kvaliteet osutus oluliseks takistuseks, näiteks kui infosüsteemidest saadud andmestik ei olnud korrastatud, tekitas TI müra – näiteks võis tuvastada vigu või defekte, mida tegelikult ei eksisteerinud. Kasutaja pidi oskama eristada usaldusväärset sisendit ja hinnata, millal võivad tulemused ekslikud olla.

Näide intervjuust: TI töökindlus sõltub andmete hulgast ja kvaliteedist. Kui tehingute arv või sihtrühma maht on väike, ei suuda mudel piisavalt täpseid soovitusi anda. Näiteks võib juhtuda, et väikese turumahu puhul ei too täppissihtimine märkimisväärset kasu.

Näide intervjuust: teatud TI-lahendused nagu nägemismudelid võivad olla täpsuselt paremad kui inimene, kuid see eeldab väga kvaliteetset sisendandmestikku ja täpselt määratletud kasutuskonteksti. Kasutajad peavad oskama hinnata, millal on masinapõhine tuvastamine usaldusväärne ja millal tuleks tugineda inimtajule.

Andmete tõlgendamise ja kriitilise hindamise oskus on üks olulisemaid baasoskusi TI-põhiste tööriistade kasutamisel. Inimene jääb lõpliku otsustajana vastutajaks ja peab seega suutma hinnata, millele tugineb TI soovitus, kas see on usaldusväärne ning sobib tööülesandega.

TI kasutamisel tuleb arvestada nii eetiliste kui ka juriidiliste aspektidega. Privaatsus ja infoturve on keskse tähtsusega, eriti olukordades, kus töödeldakse tundlikke andmeid – isikuandmeid, ärisaladusi, tootmisprotsesside konfiguratsioone või muud konfidentsiaalset infot. Kuna paljud TI-tööriistad (nt ChatGPT, Copilot) töötlevad sisendeid pilves ja mõnda neist kasutatakse ka mudelite täiustamiseks, peab lõppkasutaja teadma, millist infot on lubatud sellistesse süsteemidesse sisestada ja millist mitte.

Töötajad peavad mõistma, kus ja kuidas andmeid hoitakse, milliseid õigusi on teenusepakkujal nende kasutamiseks ning millised riskid kaasnevad andmete sattumisega valedesse kätesse.

Ettevõtted peavad looma selged reeglid, kuid lõplik vastutus andmete sisestamisel jääb siiski kasutajale. Baasoskuste hulka peab seetõttu kuuluma TI-tööriista tundmise kõrval ka teadlikkus selle mõjust andmekaitsele ja ärisaladustele.

Vajalikud teadmised ja oskused

• Teadmised ja arusaam tundliku teabe ja andmekaitse põhimõtetest.
  • Teadmised, milliseid andmeid ei tohi TI-süsteemidesse sisestada (sh isikuandmed, kliendiandmed, lepingud, finantsinfo ja muu tundlik äriteave).
  • Oskus eristada avalikku, sisemist ja konfidentsiaalset teavet ning käituda vastavalt selle tundlikkusele.
  • Baasteadmised andmekaitse nõuetest ja sellest, kuidas vajaduse korral andmeid anonümiseerida.
  • Arusaamine, et ka näiliselt neutraalsete andmete sisestamisel tuleb järgida andmekaitsenõudeid, sest need võivad osutuda isikustatavaks.
• Teadmised turvalisest kasutusest ja küberhügieenist.
  • Teadmised paroolihalduse ja mitmeastmelise autentimise põhimõtetest.
  • Arusaamine, et ligipääsu TI-süsteemide väljunditele tuleb piirata rollide ja vajaduse järgi.
  • Oskus hinnata, kas konkreetse tööülesande täitmiseks on turvalisem kasutada organisatsiooni sees lubatud tööriista või tohib kasutada avalikke lahendusi.
• Teadmised ja oskused organisatsioonisiseste reeglite järgimiseks.
  • Teadmised organisatsiooni TI kasutuspoliitikast: milliseid tööriistu on lubatud kasutada ja millistesse süsteemidesse andmeid sisestada.
  • Oskus rakendada igapäevatöös sisemisi turvastandardeid ja teavitada võimalikest turvaohtudest või -intsidentidest vastutavaid isikuid.

Näiteks kui teenindusspetsialist kasutab tehisintellekti kliendile vastuse koostamiseks ning sisestab avatud TI-süsteemi kliendi nime ja isikuandmed, rikub ta sellega isikuandmete kaitse üldmääruses kehtestatud andmekaitsenõudeid. Samuti ei saa ettevõte kasutada üldist keelemudelit oma andmete põhjal mudeli treenimiseks, kuna see võib kaasa tuua teabelekke ja konkurentsieelise kadumise.

Näide intervjuust: andmelekked võivad kaasa tuua märkimisväärset rahalist ja mainekahjud. Selle vältimiseks loodi organisatsioonis turvaline, pilvepõhine sisemudel, mis tagas, et tundlikku infot ei jagata väljapoole. See näide rõhutab, et oluline on mõista ka õiguslikke ja äririske.

Näide intervjuust: kuigi tööprotsessides ei pruugita kasutada isikuandmeid, võivad muud tüüpi andmed – nagu seadistused, kvaliteedimudelid või tootmislogid – olla äriliselt väga tundlikud. Esmapilgul ohutuna näiv teave võib paljastada konkurentsieelise või sisemise oskusteabe, mida organisatsioon soovib kaitsta.

Näide intervjuust: töötajaid tuli koolitada selles, millal on lubatud kasutada TI-lahendusi visuaalsete andmete kogumiseks ning millal see on keelatud. Näiteks ei tohtinud salvestada teatud tööprotsesside visuaalset infot, mis võinuks avaldada ettevõtte testimismeetodeid või sisemisi kvaliteedinõudeid.

Näide intervjuust: andmeid ei tohi „lihtsalt kuhugi panna“ – kui kasutatakse avalikke generatiivseid TI-süsteeme, tuleb vältida igasuguse konfidentsiaalse teabe sisestamist. See eeldab kasutajalt teadlikkust infoturbest ning oskust rakendada turvameetmeid – näiteks kasutada turvalisi sisemisi TI-lahendusi või järgida organisatsiooni kehtestatud kasutusreegleid.

Andmeturvalisus ja privaatsus ei ole ainult IT-osakonna vastutus. Iga TI lõppkasutaja – olgu ta teenindaja, turundaja või tootmisinsener – peab mõistma, mis infot tohib jagada ja mida mitte, millised tööriistad on turvalised ning millal tuleb teha riskihinnang.

TI-tööriistade levik ja kasutusvõimaluste laienemine toob kaasa vajaduse teadliku, eetilise ja vastutustundliku TI kasutamise järele. Selle rakendamine ettevõtluses on otseselt seotud inimeste töö, vastutuse, usaldusväärsuse ja organisatsiooniliste väärtustega. TI võib toetada, suunata ja automatiseerida, kuid mitte asendada inimlikku hinnangut, eriti olukordades, kus on kaalul eetika, emotsioonid või suur rahaline vastutus.

Vastutustundlik TI kasutamine eeldab, et igal töötajal oleks arusaam sellest, millal tuleb sekkuda ning millised riskid võivad kaasneda. Oskus hinnata selle mõju inimestele, organisatsioonile ja ühiskonnale tervikuna on digioskuste lahutamatu osa. Selles kontekstis on kriitiline, et TI kasutuselevõtt oleks läbipaistev, sihipärane ja organisatsiooni väärtustega kooskõlas.

Tehisintellekt võib olla kallutatud, pakkuda sobimatut või moonutatud sisu. Seetõttu peab lõppkasutaja oskama kriitiliselt hinnata, kas selle abil loodud sisu vastab organisatsiooni väärtustele ja normidele, kas info on neutraalne ja asjakohane, kas selles esineb varjatud kallutatust ning millal on mõistlik usaldada TI soovitusi ja millal teha otsus selle abita.

Eetiline ja vastutustundlik kasutus eeldab ka oskust hinnata TI mõju keskkonnale.

Vajalikud teadmised ja oskused

• Oskused hinnata tehisintellekti mõju inimestele ja keskkonnale
  • Oskus näha, kuidas TI kasutamine mõjutab töötajaid, kliente ja laiemaid sotsiaalseid või keskkonnategureid.
  • Mõistmine, et tehnoloogilised otsused ei ole neutraalsed – need võivad muuta töösisu, kommunikatsiooni, töökoormust või ligipääsu teenustele.
  • Teadmine, et mõju tuleb hinnata nii enne TI kasutuselevõttu kui ka rakendamise käigus.
• Teadmised ja arusaam vastutusest TI kasutamisel.
  • Mõistmine, et lõpliku otsuse ja TI väljundi kasutamise eest vastutab alati inimene, mitte tehnoloogiline süsteem.
  • Teadmised, et TI-lahendused vajavad järelevalvet ning kasutaja roll on hinnata nende sobivust ja usaldusväärsust konkreetses olukorras.
• Eetiline mõtlemine ja vastutustundlik tegutsemine.
  • Teadmised õiglus-, läbipaistvus- ja vastutuspõhimõtetest TI kasutamisel (nt diskrimineerimise vältimine, kasutusloogika selgitamine).
  • Mõistmine, et TI kasutamine peab olema kooskõlas eetiliste standarditega ega tohi kahjustada kasutajate, klientide ega ühiskonna heaolu.
  • Oskus tuvastada ja ennetada võimalikke negatiivseid tagajärgi ning teha otsuseid, mis toetavad õiglast ja vastutustundlikku kasutust.

Näiteks kasutab personalispetsialist TI-d kandidaatide hindamisel. Kui süsteem eelistab kindlast soost kandidaate või konkreetse ülikooli lõpetajaid, peab inimene sekkuma ja vaatama üle valiku kriteeriumid.

Näide intervjuust: ettevõte kasutab tehisintellekti lahendust, et vähendada võimalikke finantspettusi ja raiskamist ning leevendada keskkonnamõjusid – see on näide eetilisest TI rakendusest.

Näide intervjuust: finantssektoris kehtib põhimõte, et otsuse ja nõustamise eest vastutab inimene, mitte TI. See on klassikaline näide valdkonnast, kus TI saab olla abiline, mitte otsustaja. Iga TI soovitus tuleb inimesel üle kontrollida – ka siis, kui töövahend tundub väga täpne.

Näide intervjuust: ettevõttes on reegel, et TI ei tohi tootmisprotsesse iseseisvalt peatada – otsustamisse peab olema kaasatud inimene. TI võib anda soovituse (nt seiskamise vajaduse), kuid vastutus jääb inimesele.

Näide intervjuust: organisatsioonis, kus TI juurutati laiemalt, teadvustati, et iga TI-lahendus toob kaasa nihke olemasolevates tegevustes – olgu ajas, ressursikasutuses või rahas.

Iga TI-lahendus peab tulema läbi inimese filtri – kas see on õiglane, eetiline, neutraalne ja kas see loob tegelikku väärtust. Eetiliselt teadlik kasutaja oskab küsida, millal TI-lahendus toetab eesmärki ja millal tuleb sellest teadlikult loobuda. TI kasutaja kannab vastutust tagajärgede eest.

TI-tööriistade rakendamine võib tuua kaasa vajaduse muuta organisatsiooni töökorraldust, näiteks muuta töö sisu, rollijaotust ja tähenduslikkust. TI võib vabastada inimesi rutiinsetest töödest, toetada loovust ja võimaldada keskenduda keerukamatele, strateegilisematele ülesannetele. Samas võib see tekitada tunde, et töö kaotab oma tähenduse või spetsialist on asendatav. Lõppkasutaja peab suutma neid muutusi mõista, hinnata ja juhtida.

Mõnes olukorras loob see selget väärtust, mõnes mitte. Tehnoloogia ei pruugi anda kohest kulude kokkuhoidu, kuid võib tugevdada organisatsiooni pikaajalist konkurentsivõimet, aidata leida uusi ärivõimalusi, toetada turu laienemist või tõsta töö kvaliteeti. Seetõttu on TI mõju hindamine rohkem strateegiline kui taktikaline küsimus – ning see nõuab kasutajalt kriitilist teadlikkust ja oskust seada realistlikke ootusi.

Vajalikud teadmised ja oskused

• Arusaam TI mõjust töö sisule ja rollimuutustele.
  • Mõistmine, kuidas TI rakendamine muudab konkreetseid tööülesandeid, protsesse ja rollijaotust.
  • Teadmised, millised oskused kaotavad automatiseerimise tõttu tähtsuse ning millised pädevused muutuvad tulevikus olulisemaks (nt andmekirjaoskus, analüütiline mõtlemine, koostöö TI-vahenditega).
• Oskused hinnata TI rakendamise väärtust ja mõju äriprotsessides.
  • Oskus kriitiliselt hinnata, kas TI kasutamine loob tegelikku väärtust või jääb pealiskaudseks.
  • Mõistmine, et iga TI rakendus ei too automaatselt kasu – oluline on siduda lahendus eesmärkide, töö sisu ja kontekstiga.
  • Oskus eristada, kas TI rakendus toob kaasa süsteemse muutuse (nt protsessi ümberkujundamise) või üksnes optimeerib ühte etappi.

Tehisintellekti kasutamine ei pruugi alati vähendada kulusid, kuid võib toetada tulude kasvu – näiteks aidates tuvastada uusi sihtturge, prognoosida klientide käitumist või avastada lisavõimalusi müügiks. Samuti võib TI vähendada töötajate ajakulu rutiinsetele ülesannetele. Siiski sõltub selle tegelik mõju ettevõttele sellest, kuidas vabanenud aega kasutatakse – kui töötaja kasutab seda näiteks kolleegidega kohvinurgas vestlemiseks, ei loo aja kokkuhoid organisatsiooni vaatepunktist lisandväärtust.

Näide intervjuust: TI kasutuselevõtt võimaldas töötajatel rutiinsetest tööülesannetest loobuda – töötajad said keskenduda suuremat väärtust loovatele tegevustele.

Näide intervjuust: ettevõttes TI kasutuselevõtt ei vähendanud töötajate arvu ega asendanud töökohti. Selle asemel paranes riskide juhtimine ja vähenesid vead. Kasutaja peab mõistma, et TI aitab tõsta töö kvaliteeti.

Näide intervjuust: TI-lahendus valiti ärilise probleemi – kliendipöördumiste käsitlemise ajalise kulu – põhjal. Eesmärk oli säästa iga pöördumise pealt 2–3 minutit. Kuigi otsene tasuvus polnud veel näha, peeti oluliseks rongist mitte maha jääda. See näitab, et vahel on TI kasutuselevõtt strateegiline valik.

Näide intervjuust: TI-lahenduse kasutuselevõtt ei too tingimata kaasa kohest kulude kokkuhoidu, vaid pigem võiks keskenduda tulude kasvatamisele – näiteks ekspordivõimaluste tuvastamise või konkurentsianalüüsi kaudu. See tähendab, et TI-d tasub vaadelda ka kui kasvu, mitte vaid optimeerimise tööriista.

Tehisintellekti kasutuselevõtt ei toimu vaakumis, vaid mõjutab kogu töökorraldust: rollijaotust, ülesannete jaotamist ja infovahetust. Et sellest tõeliselt kasu saada, peab töötaja oskama suhelda kolleegide kõrval ka digitaalse assistendiga.

TI kasutuselevõtt ettevõtetes ei saa jääda ainult individuaalseks oskuseks või üksikute entusiastide pärusmaaks – selle tegelik potentsiaal avaldub meeskondlikus koostöös ja kollektiivses õppimises. Edukates organisatsioonides tähendab see, et teadmisi jagatakse, kogemusi analüüsitakse koos ning igapäevased töövõtted arenevad meeskonnatöö toel.

Vajalikud teadmised ja oskused

• Oskused tehisintellekti kasutamise ja tulemuste selgitamiseks kolleegidele.
  • Oskus kirjeldada, kuidas kasutati tehisintellekti lahendust konkreetses tööülesandes (nt tekstide loomine, andmeanalüüs, probleemide kategoriseerimine).
  • Oskus põhjendada, miks TI kasutamine oli selles kontekstis väärtuslik – näiteks milliseid tööetappe see kiirendas, kuidas parandas töö kvaliteeti või lõi lisandväärtust.
  • Mõistmine, et TI kasutamine peab olema läbipaistev – kolleegid ja juhid peaksid teadma, millal, milleks ja kuidas tehisintellekti kasutati.
• Teadmised ja oskused meeskondlikuks TI-põhiste töövoogude arendamiseks.
  • Oskus osaleda aktiivselt aruteludes ja katsetustes, mille eesmärk on lõimida tehisaru igapäevatöösse viisil, mis loob kasu kogu meeskonnale, mitte ainult üksikule kasutajale.
  • Suutlikkus kohandada isiklikke tööharjumusi vastavalt ühistele kokkulepetele, et toetada sujuvat, koordineeritud ja jagatud töövoogu.
• Oskused kogemuste jagamiseks ja õppimise toetamiseks.
  • Oskus jagada kolleegidega praktilisi näiteid TI kasutamisest, mis on parandanud tööprotsesse, et teised saaksid neid rakendada või kohandada.
  • Mõistmine, et ebaõnnestumiste jagamine on õppimisprotsessi osa – vigade kirjeldamine aitab ennetada nende kordumist.

Näiteks loob projektijuhtide meeskond jagatud dokumendi parimatest promptidest – kuidas TI abil planeerida koosolekuid, koostada riskianalüüse, valmistada ette memosid. See võimaldab uutest tööviisidest kasu saada kogu tiimil, mitte ainult ühel kasutajal.

Näide intervjuust: TI tööriist võimaldas igapäevaseid ülesandeid, nagu meilide koostamine või dokumentide analüüs, automatiseerida. Tõeline väärtus tekkis aga alles siis, kui kasutajad oskasid tööriista teadlikult suunata, jagasid tulemusi koostööplatvormis ja täiustasid sisendeid enne koosolekuid.

Näide intervjuust: „Kõige paremini töötab üksteise kasutuslugudest õppimine.“ Meeskonnas jagati näiteid hästi toimivatest promptidest, mis aitasid kiiresti kokkuvõtteid koostada. See innustas ka teisi proovima. Näiteks üks tiimijuht, kes jagas TI kasutamise nippe, tõusis esile kui sisemine „TI-saadik“. Tema praktilised kogemused aitasid muuta ka skeptikute hoiakuid.

Näide intervjuust: organisatsioonis loodi mentorluse töögrupp, kus kogenumad TI kasutajad toetasid kolleege, kes ei olnud veel lahendustega harjunud. See aitas kiirendada uute tööviiside omaksvõttu ja soodustas kogemuste vahetust.

Näide intervjuust: töötajate kaasamine lahenduste väljatöötamisse osutus murdepunktiks. „Need, kes hakkavad lahendust iga päev kasutama, peaksid olema kaasatud ka selle kujundamisse ja vajaduse korral edasiarendamisse.“ See suurendas kasutajate omanikutunnet ja vähendas vastuseisu muutustele.

Tulemuslik TI kasutus eeldab organisatsiooni kultuuri, kus koostööd ei tehta mitte üksnes inimestega, vaid ka koos TI-ga – targalt ja kriitiliselt. Üksteiselt õppimine on kiire ja loomulik. Kui kolleeg demonstreerib kasulikku TI lahendust, tekib kasutamise vastu suurem huvi ja usaldus.

Tehisintellekti igapäevane kasutamine ettevõtetes sõltub inimeste teadmistest ja oskustest rakendada tehnoloogiat sihipäraselt, kriitiliselt ja turvaliselt. Lõppkasutajad on TI mõjupotentsiaali tegelikud kandjad – nende valmisolek ja pädevused määravad, kas TI loob lisandväärtust või toob kaasa riske ja pettumust. Kuigi süvatehnilisi teadmisi ei ole vaja, eeldab edukas kasutus arusaamist TI tööpõhimõtetest, tööriistade sobivusest ja piirangutest ning vastutustundlikku käitumist igapäevatöös.

Edukaks rakendamiseks vajalikud oskuste kategooriad

• TI tööpõhimõtete mõistmine – teadmine, mille põhjal TI järeldusi teeb, ja oskus hinnata nende usaldusväärsust, mõistes, et TI ei tee iseseisvaid otsuseid.
• Promptimise oskus – võime sõnastada täpseid ja sisukaid sisendeid, mis määravad tulemuste kvaliteedi. See on uus digikirjaoskuse vorm, mida tuleb teadlikult arendada.
• Tulemuste kriitiline hindamine – oskus märgata usutavalt valesid vastuseid ja hinnata vastuste loogilisust ning sobivust oma töö konteksti.
• Seos tööprotsessidega – teadmised, kuidas siduda TI-tööriistad igapäevaste tööülesannetega (nt e-kirjade koostamine, memode-visuaalide loomine), et neist tekiks tegelikku väärtust.
• Turvalisus ja andmekaitse – arusaam, millist teavet on lubatud TI-süsteemidesse sisestada ja millist mitte, et vältida andmeleket ja kaitsta organisatsiooni huve.
• Katsetamisjulgus ja õppimisvõime – valmisolek eksperimenteerida, õppida ja jagada kogemusi kolleegidega, et kasvatada organisatsiooni ühist pädevust.

Peamised tähelepanekud

• TI rakendamise edu sõltub eelkõige kasutajate oskustest ja hoiakutest, mitte tehnoloogiast endast.
• Lõppkasutajate oskused loovad eelduse, et TI on seotud igapäevaste tööprotsesside ja organisatsiooni eesmärkidega.
• Kõige olulisemaks osutub oskus kombineerida TI tööriistu kriitilise mõtlemise, turvalise käitumise ja loovusega.

Tehisintellekti kasutamine on üha olulisem konkurentsivõime hoidmise ja tõstmise komponent eri majandusvaldkondades. Kuid pelgalt tehnoloogia olemasolu ei taga selle edukat rakendamist – kõige tähtsamad on inimesed ja nende oskused, eriti need, kes tellivad ja kasutavad TI-lahendusi äriliste eesmärkide saavutamiseks.

See peatükk keskendub oskustele, mis on vajalikud tehisintellekti lahenduste edukaks tellimiseks ja rakendamiseks ettevõtluses. Aluseks on võetud empiiriline materjal – sh intervjuud TI-arendusprojektides osalenud ettevõtete esindajatega, AIRE projektidest kogutud kogemused ning reaalsete juhtumite analüüs.

Analüüs joonistab välja, milliseid teadmisi ja oskusi vajavad TI-lahenduste tellijad, nagu valdkonnajuhid, toote- ja teenuseomanikud, protsesside omanikud. Tellija roll on kriitiline – lisaks tehisintellekti kasutamiseks vajalikele oskustele¹⁸¹⁸ peab ta tundma organisatsiooni äriprotsesse ja väärtusahelat, sh pudelikaelu, oskama defineerida probleemi ärilises mõttes (nt kas eesmärk on kulude vähendamine, efektiivsuse suurendamine, riskide maandamine või uute tulude kasvatamine), tajuma, millal TI pole õigustatud lahendus, vältides nn üleinseneerimist¹⁹¹⁹, osalema aktiivselt lahenduse arendamises (partneri valik, andmete kvaliteedi tagamine, arendusprotsessi jälgimine). Lisaks eeldatakse tellijalt oskust hinnata lahenduse tasuvust, arvestades ka väikese turumahuga riigi eripära, ning eristada olukordi, kus TI loob reaalse konkurentsieelise, võrreldes juhtudega, kus see toob vaid töövahendi tasemel efektiivsuse kasvu.

TI-lahenduse edukas tellimine algab sügavast arusaamast organisatsiooni protsessidest – kus tekib väärtus, millised on kitsas- ja kulukohad, kus esineb raiskamist ning kuidas andmeid kogutakse ja kasutatakse. See eeldab teadmist, kuidas põhitegevus (tootmine/teenuseosutamine) ja tugitegevused on omavahel seotud, samuti arusaamist andmete liikumisest, millist infot on võimalik koguda, mis kujul see olemas on ja kuidas seda kasutada. Oluline on ka valmisolek vajaduse korral protsesse ümber kujundada, et need toetaksid TI-lahenduse rakendamist.

Vajalikud teadmised ja oskused

• Teadmised ja oskused äriprotsesside kaardistamiseks ja analüüsimiseks.
  • Mõistmine, kuidas organisatsiooni põhiprotsess ja tugiprotsessid on omavahel seotud, oskus neid kirjeldada.
  • Arusaam sellest, millistes protsessi etappides tekib väärtus ning kus esinevad kulud või kaod.
  • Oskus tuvastada protsessides kitsaskohad ja pudelikaelad.
• Teadmised ja oskused andmevoogude ja andmekvaliteedi hindamiseks.
  • Teadmised, milliseid andmeid organisatsioon kogub, kuidas need liiguvad ja kus neid talletatakse.
  • Oskus hinnata andmete kvaliteeti ja sobivust TI-rakenduste sisendiks (nt struktuur, ajakohasus, täielikkus).
• Teadmised ja oskused TI-lahenduste mõju mõistmiseks ja analüüsimiseks tegevusprotsessides.
  • Oskus tuvastada protsesse, mida saab TI abil automatiseerida või optimeerida ning mille puhul piisab n-ö traditsioonilisest IT-arendusest või automatiseerimisest.
  • Oskus kavandada ja juhtida TI rakendamisega kaasnevaid protsessimuudatusi.
  • Arusaam TI mõjust äritulemustele (nt tootlikkus, kvaliteet, kiirus, kliendikogemus).

Näide intervjuust: teenindusettevõte soovis kiirendada kliendipäringutele vastamist. Rakendati generatiivset keelemudelit, mis koostas esmased vastused, tuginedes ettevõtte teadmusbaasile ja varasematele juhtumitele. Eduka rakenduse eelduseks oli põhjalik arusaam klienditeeninduse protsessist ja väärtusahela kriitilistest punktidest.

Näide intervjuust: tootmisettevõte märkas, et suur osa ajast kulus seadmete manuaalsele seadistamisele. Analüüsi tulemusel otsustati rakendada masinõppel põhinev lahendus, mis optimeerib seadistamist automaatselt. Eduka rakenduse eelduseks oli protsessi sisemise töökorralduse ja tööaja kasutuse põhjalik tundmine.

Näide intervjuust: toiduainetööstuse ettevõte seisis silmitsi korduvate kvaliteediprobleemidega, mille tõttu tuli tooteid tagasi kutsuda. TI-põhine nägemismudel aitas defektsed tooted tootmisliinil juba varakult eristada, ennetades märkimisväärseid kulusid. Lahendus eeldas andmete kogumist, andmete mõistmist ja protsesside põhjalikku kaardistamist.

Tehisintellekti rakendamine peab põhinema reaalselt ja selgelt määratletud probleemil. On oht, et TI-d hakatakse kasutama pelgalt seetõttu, et see on „uus ja põnev või trendikas“, kuigi lihtsam ja odavam lahendus oleks sama tõhus. See võib viia üleinseneerimiseni – kallite ja keerukate tööriistade rakendamiseni seal, kus tegelikku lisandväärtust ei sünni. Probleemianalüüsi käigus tuleb seetõttu hinnata, kas ülesanne on piisavalt struktureeritav ja andmepõhine, et TI rakendus oleks sobiv, või nõuab olukord pigem inimlikku otsustuskogemust, kontekstitunnetust või õiguslikku täpsust. Samuti on vaja osata eristada TI rakendusi – millal sobib näiteks masinnägemine, millal teksti- või helianalüüs ning millal piisab rutiinsete tegevuste automatiseerimisest.

Vajalikud teadmised ja oskused

• Teadmised ja oskused probleemi määratlemiseks ja analüüsimiseks.
  • Teadmised, kuidas eristada ärilist probleemi tehnilisest; oskus sõnastada probleem selgelt ärilises mõttes (nt kulude vähendamine, efektiivsuse tõstmine, riskide maandamine, uute tulude kasvatamine).
• Teadmised ja oskused andmepõhisuse ja struktureeritavuse hindamiseks.
  • Arusaam sellest, milliseid probleeme saab lahendada andmete abil, ning oskus hinnata, kas olemasolevad andmed on piisavalt kvaliteetsed, korrastatud ja ajakohased, et neid saaks TI rakendustes kasutada.
• Teadmised ja oskused sobiva tehnoloogia ja alternatiivide valimiseks.
  • Teadmised TI eri rakendustest (masinnägemine, teksti- või helianalüüs, generatiivne sisu, rutiinsete tegevuste automatiseerimine).
  • Oskus valida sobiv lahendus ning hinnata, millal on lihtsam ja odavam alternatiiv tõhusam.
• Teadmised ja oskused mõju ja riskide hindamiseks.
  • Arusaam TI rakendamise võimalikust mõjust protsessidele, tööjaotusele ja äritulemustele; oskus hinnata õiguslikke, eetilisi ja maine riske ning otsustada, millal on vajalik inimese lõplik kontroll.

Näide intervjuust: objektide vigastuste hindamise projektis rakendati masinnägemisega TI-d, et määrata automaatselt, kas objekti osa tuleb parandada või välja vahetada. Lahendus sobis hästi, kuna probleem oli visuaalselt defineeritav ja otsustusloogika oli harilikult üheselt tuvastatav. Samas lahendust ei laiendatud keerulisematele juhtudele, kus oleks olnud vaja ka õiguslikku hinnangut või lisakonteksti – seal oleks TI olnud sobimatu ja riske suurendav.

Näide intervjuust: tehisintellekti lahendust kasutati kliendinõustamise toetamiseks, kuid lõplik vastutus jäi inimesele. Kuna otsustega kaasnes seaduslik ja rahaline risk, ei saanud TI tegutseda iseseisva otsustajana. Samas aitas lahendus vähendada töömahtu ja säästa klienditeenindaja aega.

Näide intervjuust: ettevõttele soovitati kasutusele võtta TI-lahendus toote kvaliteedi hindamiseks, kuid tegelik äriline probleem seisnes hoopis müügi suurendamises. Kvaliteedikontrolli parandamine TI abil oleks loonud vaid marginaalse kasu, jättes põhiküsimuse lahendamata.

Tark tellija ei pea ise olema TI ekspert, kuid peab suutma kaasata õiged partnerid ja eksperdid. Hästi valitud arenduspartnerid (sh tehnoloogiapakkujad) võivad olla projekti õnnestumisel kriitilise tähtsusega. Partnerite valikul on oluline mitte ainult nende tehniline pädevus, vaid ka arusaamine ettevõtte ärist ja soov luua usalduslik koostöö.

Tellija roll on seega eelkõige otsustaja ja koordineerija: hinnata, millal on vaja väliseid eksperte, koostada selge lähteülesanne ja juhtida partnerlussuhteid nii, et need teeniksid organisatsiooni strateegilisi eesmärke. Oluline on ka oskus toimida informeeritud tellijana – pidada sisukat dialoogi ekspertidega ning tagada, et lahendus jääb kooskõlla ettevõtte vajaduste, väärtuste ja ressurssidega.

Vajalikud teadmised ja oskused

• TI ökosüsteemi ja võrgustike mõistmine.
  • Teadmised TI ökosüsteemi toimimisest ja partnerlussuhete rollist arendusprotsessis.
  • Oskus kirjeldada, miks võrgustikud ja koostööpartnerid on TI projektide edukuse seisukohalt olulised.
• Organisatsiooniväliste ekspertide kaasamise oskus.
  • Oskus hinnata, millal on vaja kaasata TI projekti õnnestumiseks väliseid eksperte (nt eriteadmised, mida organisatsioonil endal pole).
  • Teadmised hankeprotsessist.
  • Oskus valida sobivaid koostööpartnereid (nt teadusasutused, tehnoloogiaettevõtted) lähtuvalt ettevõtte vajadustest ja kontekstist.
  • Oskus juhtida partnerlussuhteid eesmärgipäraselt.
• Selge lähteülesande koostamise oskus.
  • Oskus sõnastada partnerile struktureeritud ja arusaadav lähteülesanne, mis seob tehnoloogilise lahenduse äriprobleemi ja oodatavate tulemustega.
• Informeeritud tellijana tegutsemine.
  • Oskus osaleda sisukalt dialoogis partnerite ja ekspertidega, esitada täpsustavaid küsimusi ning teha teadlikke otsuseid.

Näide intervjuust: koostöö ülikooli andmeteadlastega aitas välja töötada visuaalkvaliteedi hindamise mudeli. Juhtkonna aktiivne osalus partneri valikul ja arenduse suunamisel oli projekti edutegur.

Näide intervjuust: koostööpartnerite valik toimus põhimõttel, et neil on nii tehnilised teadmised kui ka valdkonnatundmine.

TI rakendamise mõttekus sõltub suuresti sellest, kas selle tehnoloogiline võimekus sobitub konkreetse valdkonna äriloogika ja tööpraktikatega. Otsustajad peavad oskama hinnata, kus ja kuidas TI-l on potentsiaali lisaväärtust luua – olgu selleks protsesside kiirendamine, olemasoleva toote või teenuse arendamine, kvaliteedi parandamine või uute ärisuundade kujundamine.

Selleks on vältimatult vajalikud valdkonnapõhised teadmised: millised protsessid on standardiseeritavad ja andmepõhised ning millised sõltuvad inimotsusest, vastutusest või kontekstist. TI-l on potentsiaal automatiseerida rutiinseid, suurte andmemahtudega seotud ülesandeid, kuid ta ei sobi kõikjale – eriti olukordadesse, kus nõutakse õiguslikku täpsust, erandite mõistmist või keerulist otsustust loovate andmete põhjal.

Võime eristada, millistes ärilõikudes TI loob tegelikku väärtust, aitab vältida asjatuid investeeringuid ja suunata ressursid lahendustele, millel on realistlik majanduslik tasuvus. Strateegilises võtmes tähendab see oskust mõista, millal TI on lihtsalt tööriist olemasoleva protsessi toetamiseks ja millal see avab täiesti uue ärilise võimaluse.

Vajalikud teadmised ja oskused

• TI tehnoloogia ja rakendusvõimaluste tundmine.
  • Teadmised peamistest TI tehnoloogialahendustest (nt masinnägemine, teksti- ja helianalüüs, generatiivsed mudelid).
  • Teadmised levinud TI rakendusaladest (nt personaliseerimine, prognoosid, kvaliteedikontroll).
  • Oskus seostada tehnoloogiat valdkonnas konkreetsete ülesannetega ja hinnata, millal need loovad lisandväärtust.
• TI väärtusloome võimaluste mõistmine ja hindamine.
  • Oskus eristada, millal on TI abivahend olemasolevate protsesside toetamiseks ja millal avab see uue ärilise võimaluse või suunab ärimudeli muutusele.
  • Oskus hinnata, kas TI täiendab olemasolevat toodet või teenust või loob täiesti uue väärtuspakkumise.
• TI võimaluste ja piirangute eristamine.
  • Arusaam organisatsiooni protsessidest ja väärtusahelast, et hinnata, millised protsessid on standardiseeritavad ja andmepõhised ning millised sõltuvad inimotsustest, vastutusest või kontekstist.
  • Oskus tuvastada tööprotsessid, kus TI loob lisandväärtust, ning eristada olukordi, kus rakendamine võib olla sobimatu või riskantne (nt õiguslik täpsus, erandjuhtumid, kontekstitundlik otsustamine).

Näide intervjuust: keelemudel võimaldas teenindajatel kiiremini leida infot keerukate lepingutingimuste kohta. Lahendus kiirendas töövoogu ja vähendas vigade riski, kuid samal ajal teadvustati, et kliendinõustamise lõik peab jääma inimesele – kuna juriidiline vastutus ei võimalda otsuseid automatiseerida.

Näide intervjuust: TI-d kasutati inseneribüroos sisendandmete otsinguks ja dokumentatsiooni koostamise kiirendamiseks. TI kasutamine ei sobinud aga töö kõige olulisematesse etappidesse, sest puudusid standardiseeritud andmed ning tundlik äriline info ei võimaldanud mudeli tõhusat treenimist. Seega leiti TI-le sobiv, piiratud roll, mis siiski lõi väärtust.

TI-lahenduse arendamine on investeering – nii ajas, rahas kui ka inimressursis. Rakenduse tasuvus ei pruugi avalduda kohe, eriti väikeses riigis nagu Eesti, kus turumaht on piiratud ja personaliseeritud lahendused võivad muutuda ebaproportsionaalselt kalliks.

TI tasuvust ei saa mõõta ainult lühiajalise rahasäästu järgi. Sageli on olulised ka kaudsed mõjud – tööaja vabanemine, vigade vähenemine, töötajate koormuse alanemine või parem kliendikogemus. Samuti tuleb osata eristada projekte, mille eesmärk on katsetamine ja õppimine, mitte kohene tulu. Paljudel juhtudel on tegu innovatsiooniprojektiga, mille investeeringu tasuvus (ROI)²⁰²⁰ realiseerub alles siis, kui lahendust on võimalik skaleerida laiemalt (nt lahenduse laiendamine laiemale kasutajaskonnale või protsesside ulatuslikumaks katmiseks).

Samal ajal võib ilma realistliku tasuvushinnanguta jääda TI-projekt üksikuks eksperimendiks, mida ei soovita edasi arendada. Seetõttu peab TI-lahenduse tellija suutma hinnata investeeringu tasuvust tervikuna, mõeldes nii praegustele vajadustele kui ka tulevikuperspektiivile.

Vajalikud teadmised ja oskused

• Teadmised ja oskused TI majandusliku mõju hindamiseks.
  • Teadmised peamistest majandusnäitajatest, mida TI-lahendused võivad mõjutada (nt käive, kulud, tootlikkus, kvaliteet).
  • Oskus hinnata TI-lahenduse otsest ja kaudset mõju nendele näitajatele (nt tööaja vabanemine, vigade vähenemine, parem kliendikogemus).
• Teadmised ja oskused TI-lahenduste väärtuse ja skaleeritavuse hindamiseks.
  • Arusaam sellest, kuidas TI-lahendusi saab laiendada ja korduskasutada.
  • Võime hinnata, kas konkreetne lahendus loob püsivat ja laiemalt rakendatavat väärtust või jääb vaid üksikuks katseprojektiks.
• Teadmised ja oskused tasuvuse ja konkurentsivõime analüüsimiseks.
  • Teadmised ROI arvutamise põhimõtetest ja selle kasutamisest ärilistes otsustes.
  • Oskus hinnata ROI seost turumahu ja töömahtudega, eriti väikese turu kontekstis.
  • Oskus eristada olukordi, kus TI annab reaalse konkurentsieelise, nendest, kus see pakub vaid tööriista tasemel efektiivsuse kasvu.

Näide intervjuust: tööstuses kasutati masinnägemise lahendust kvaliteedikontrollis. Projekt säästis hinnanguliselt 60 000 – 80 000 eurot aastas, vähendas toorme raiskamist ning vabanenud tööaega suunati väärtuslikumatesse tööetappidesse. Tasuvus tuleb tänu eeltreenitud mudelile, riigi toetusele ja lahenduse skaleeritavusele.

Näide intervjuust: ettevõttes tehti teadlik otsus panustada TI katsetamisse, kuna lahenduse kasumlikkus tuleb suuresti tänu toetusele. Eesmärk oli õppimine ja tulevikuvõimekuse testimine, mitte kiire otsene rahaline tulu – see on sageli realistlik lähenemine väiksemates organisatsioonides, kus iga eurot tuleb hoolikalt kaaluda.

Näide intervjuust: ettevõttes rõhutati skaleeritavust kui kriitilist tegurit – TI-lahendus peab olema korduskasutatav. Kui lahendus töötab ühel liinil, saab sama loogikat rakendada ka mujal. Seega tuleb hinnata ka potentsiaalset korduskasutuse väärtust.

TI-lahenduste edu eeldab kvaliteetseid, korrastatud ja kättesaadavaid andmeid. Kuna tehisintellekt ei loo väärtust iseenesest, sõltub selle toimivus otseselt andmete sisust, hulgast ja struktuurist. Tellija peab mõistma organisatsiooni andmestikku tervikuna – milliseid andmeid kogutakse, kuidas need liiguvad, milline on nende kvaliteet ja kellel on neile ligipääs.

Sama oluline on arusaam, milliste probleemide lahendamiseks neid andmeid kasutada saab. TI kasutuselevõtt võib esile tuua varasemad puudujäägid, nagu dubleerivad või puudulikud andmed, ebaselged ligipääsupiirangud või riskid tundliku info lekkeks. Samuti tuleb arvestada õiguslike ja konfidentsiaalsuse piirangutega. Projekti edu sõltub seega sellest, kuivõrd teadlikult suudetakse andmeid hallata, kitsaskohti tuvastada ja vajaduse korral andmekogumise ning -halduse praktikat kohandada.

Vajalikud teadmised ja oskused

• Teadmised andmete sobivuse ja kvaliteedi hindamiseks.
  • Teadmised, milliseid andmeid on TI rakendamiseks vaja ja millises vormingus need peavad olema.
  • Teadmised erinevatest andmetüüpidest ja -vormingutest (nt struktureeritud ja struktureerimata andmed).
  • Oskus selgitada andmete kvaliteedi põhimõtteid (täielikkus, ajakohasus, järjepidevus) ja hinnata, kas andmestik on TI rakenduseks sobiv.
• Andmevoogude ja ligipääsu mõistmine.
  • Teadmine, et kvaliteetsed ja õigesti hallatud andmed on TI mudelite täpsuse ja usaldusväärsuse eelduseks.
  • Oskus selgitada, kuidas andmeid kogutakse, talletatakse ja kuidas need organisatsioonis liiguvad.
  • Oskus tuvastada kitsaskohti (nt dubleerivad, puudulikud või vigased andmed, ligipääsupiirangute ebaselgus).
• Teadmised andmeturbest ja regulatsioonidest.
  • Teadmised andmeturbe ja konfidentsiaalsuse nõuetest TI kasutamisel.
  • Teadmised andmekaitse regulatsioonidest ja standarditest (nt isikuandmete kaitse üldmäärus, autoriõigused).
  • Oskus hinnata, milliseid andmeid tohib ja milliseid ei tohi TI mudelitesse sisestada (nt tundlik teave, intellektuaalomand).

Näide intervjuust: keelemudeli kasutuselevõtt paljastas puudujäägid infohalduses – dokumentide ligipääsud ja versioonihaldus ei olnud korraldatud läbipaistvalt, mistõttu pääses TI ligi tundlikele andmetele, mille kasutamine ei olnud soovitav ega lubatud.

Näide intervjuust: TI kasutamist inseneribüroos piiras asjaolu, et Euroopa Liidu harmoniseeritud standardite sisu ei saanud mudelisse sisestada – nii autoriõigused kui ka tundlikkus tehnilise info suhtes seadsid piirangud, mille tõttu jäi TI kasutusala oluliselt kitsamaks, kui esialgu loodeti.

TI-rakenduse väärtus ei väljendu alati otseses rahalises tasuvuses – sageli seisneb selle suurim roll tulevikuks valmistumises. Muutuv tehnoloogiline keskkond, kasvavad kliendiootused ja tugevnev innovatsioonisurve sunnivad organisatsioone tegema otsuseid, mis ei pruugi kohe kasumit tuua, kuid loovad strateegilise eelise pikemas plaanis. TI kasutamine võib olla oluline positsioneerimisvahend, et püsida konkurentsis või reageerida paindlikult olukorras, kus teenindusstandardid, kliendikogemuse ootused või tootmisprotsessid kiiresti muutuvad.

Targa tellija vaates tähendab see vajadust näha kaugemale ROI-st: mõista sektori arengusuundi, hinnata ärimudelite vananemise riske ja tuvastada lahendusi, mis võivad kujuneda turustandardiks.

Strateegiline mõtlemine eeldab ka teadlikku riskivalmidust – oskust katsetada TI-lahendusi, et kasvatada organisatsiooni sisemist võimekust ja tehnoloogilist küpsust, mida on tulevikus vaja laiemaks kasutuselevõtuks ja skaleerimiseks.

Vajalikud teadmised ja oskused

• Strateegilise väärtuse mõistmine.
  • Teadmised strateegilise juhtimise põhimõtetest ja TI rollist konkurentsieelise loomisel.
  • Oskus selgitada TI kasutuse võimalikku strateegilist rolli (nt konkurentsipositsiooni tugevdamine, turu ootustele vastamine).
• Tulevikusuundade ja standardite tajumine.
  • Teadmised tegevusvaldkonna arengutrendidest ja riskidest (nt senise ärimudeli vananemine).
  • Oskus hinnata TI-lahenduste tulevikupotentsiaali (nt kas konkreetne lahendus võib muutuda standardiks või turu ootuseks).
• Teadlik riskijuhtimine ja võimekuse kasvatamine.
  • Arusaam, et varajane katsetamine kasvatab organisatsiooni sisemist võimekust ja tehnoloogilist küpsust, mis loob tulevikus eelise.
  • Oskus võtta kaalutletud riske, investeerides TI-sse ka ilma kohese tasuvuseta.

Näide intervjuust: ettevõttes otsustati juurutada vestlusrobot, kuigi otsene tasuvus ei olnud esialgu selge. Ettevõte mõistis, et automatiseeritud teenindus muutub lähiaastatel turustandardiks – kui seda polnuks toona rakendatud, riskinuks ettevõte jääda tulevikus kliendiootustele alla ja kaotada konkurentsieelise.

Näide intervjuust: ettevõte rakendas TI-d eesmärgiga hoida organisatsioon teadmispõhise ja arenevana, kuigi projekti otsene äriline kasu oli piiratud. TI-katsetust nähti kui investeeringut organisatsiooni võimekuse kasvatamisse ja tehnoloogilisse küpsusesse – see on eelis, mida ei saa mõõta ainult rahas, kuid mis määrab ellujäämise tehnoloogilise murrangu ajal.

TI-lahenduse tellimine on organisatsiooni strateegiline otsus, mis nõuab enamat kui sobiva tehnoloogilise tööriista leidmine. Edu sõltub eelkõige tellija võimest määratleda õige probleem, mõista äriprotsesse ja andmeid tervikuna, hinnata rakenduse mõju ning juhtida sellega kaasnevaid muudatusi. Eesti väike turumaht ja piiratud ressursid muudavad eriti oluliseks, et TI-projektid oleksid selge sihiga ja looksid võimaluse korral skaleeritavat ning mõõdetavat väärtust.

Edukaks TI juurutamiseks vajalikud oskuste kategooriad

• Probleemipõhine mõtlemine ja väärtusahela mõistmine – oskus määratleda tegelik äriline probleem ning hinnata, kas see on lahendatav TI abil. Vajalik on terviklik arusaam äriprotsessidest, väärtusahelast ja andmevoogudest, et vältida olukorda, kus tehnoloogia muutub eesmärgiks omaette.

• TI sobivuse ja tasuvuse kriitiline hindamine – võime hinnata, millal on TI kasutamine põhjendatud, milline tehnoloogia sobib konkreetse probleemi lahendamiseks ning kas lahendus on skaleeritav ja tasuv. Oluline on vältida üleinseneerimist, kus probleemile rakendatakse liiga kallist lahendust liiga väikese kasuga.

• Andmete kvaliteedi, kättesaadavuse ja turvalisuse mõistmine – milliseid andmeid kogutakse, milline on nende kvaliteet ja struktuur ning kuidas on korraldatud andmete ligipääs ja turvalisus. Kehv andmekvaliteet või ebapiisav andmeturve on sagedased TI-projektide läbikukkumise põhjused.

• Koostööoskused ja partnerluse juhtimine – oskus kaasata õiged partnerid (nt teadusasutused, IT-ettevõtted), juhtida projekti ning korraldada iteratiivseid protsessimuudatusi. Projekti edukus sõltub suuresti tellija ja teostaja koostööst, selgest rollijaotusest ja vastastikusest usaldusest.

• Pideva õppimise ja kohanemise oskus – valmisolek ja motivatsioon hoida end kursis uute tööriistade ja tegutsemise viisidega ning kohandada organisatsiooni vastavalt TI-valdkonna kiiretele muutustele.

Peamised tähelepanekud

• TI-projektide edu määrab suuresti tellija pädevus, mitte ainult tehnoloogiline lahendus.

• Suurimad riskid on seotud ebamäärase probleemipüstituse, kehva andmekvaliteedi ja üleinseneerimisega.

• Edu eeldab oskuslikku koostööd, partnerluste juhtimist ja valmisolekut protsesse ümber kujundada.

• Organisatsioonid, kus panustatakse õppimisse ja kohanemisse, loovad eelduse TI-lahenduste skaleeritavaks ja jätkusuutlikuks kasutamiseks.

Tehisintellekti rakendamine on eelkõige strateegiline ja juhtimisväljakutse. Juhtidel on vaja teadmisi ja oskusi, mis võimaldavad leida ja rakendada TI kasutusvõimalusi produktiivsuse (tõhususe ja mõjususe) suurendamiseks, aga ka organisatsiooni arenguks. See eeldab tehisintellekti kasutamiseks vajalikke oskusi²¹²¹, strateegilist mõtlemist, andmepõhist otsustamist ning suutlikkust juhtida inimesi ja protsesse muutuste keskel.

Juhi jaoks on kriitilise tähtsusega baasarusaam sellest, kuidas tehisintellekti mudelid töötavad. See ei eelda tehnilise eksperdi tasemel teadmisi, vaid informeeritud otsustajapilku: millistes olukordades võib mudeli otsuseid usaldada, kus on vajalik inimkontroll ning kuidas andmete valik, maht ja kvaliteet mõjutavad TI- lahenduste usaldusväärsust ja väärtust.

Intervjuude põhjal joonistub välja, et edukad TI-projektid ei sünni pelgalt tehnoloogilisest võimekusest, vaid juhtide teadlikkusest, julgusest katsetada ja oskusest seada selged eesmärgid.

Tehisintellekti rakendamine on strateegiline juhtimisülesanne, mis muudab töökorraldust, rolle ja vastutust. Väärtust ei loo mitte tehnoloogia ise, vaid juhid oma otsuste, prioriteetide ja võimega inimesi muutustes suunata.

Edu eeldab, et TI kasutuselevõtt on seotud organisatsiooni strateegiliste eesmärkidega ning töötajad on kaasatud ja informeeritud. Tugev sisekommunikatsioon loob läbipaistvust ja usaldust: see aitab mõista, miks TI juurutatakse, kuidas see mõjutab tööülesandeid ja millist kasu toob. Selge kommunikatsioon vähendab hirme ja vastuseisu, nõrk kommunikatsioon toob aga kaasa väärarusaamu ja kartust töökohtade kadumise ees.

Vajalikud teadmised ja oskused

• Teadmised ja oskused strateegiliseks juhtimiseks ja otsustusvõimekuseks.
  • Arusaam, kuidas tõlgendada ärilisi probleeme ja hinnata TI sobivust nende lahendamisel.
  • Teadmised TI rakendusvõimalustest äriprotsessides; oskus siduda TI kasutus organisatsiooni strateegiliste eesmärkidega.
  • Teadmised ROI arvutamise põhimõtetest ja riskijuhtimisest.
  • Võime langetada otsuseid ebamäärastes ja kiiresti muutuvates olukordades.
• Teadmised ja oskused ettevõtte juhi rollis TI-arendusprojektide juhtimiseks.
  • Võime suunata projekte organisatsiooni strateegiliste eesmärkide alusel.
  • Oskus kujundada katsetamist ja riskitaluvust toetav kultuur.
  • Oskus planeerida TI-lahenduste skaleeritavust ja jätkusuutlikku arendamist.
  • Oskus kaasata arendusprotsessi võtmeisikuid, töötajaid ja partnereid.
• Teadmised ja oskused muutuste juhtimiseks ja töötajate kaasamiseks.
  • Võime juhtida TI kasutuselevõtuga kaasnevaid muutusi tööprotsessides ja -rollides.
  • Oskus ennetada ja maandada vastuseisu ning vähendada hirme, mis on seotud töö iseloomu või töökohtadega.
  • Oskus motiveerida ja toetada töötajaid uute lahenduste kasutuselevõtul.
• Teadmised ja oskused sisekommunikatsiooni korraldamiseks.
  • Oskus rakendada selget ja sihipärast sisekommunikatsiooni TI muudatuste kohta.
  • Võime selgitada töötajatele TI kasutamisest tulenevat kasu nii indiviidi kui ka organisatsiooni tasandil.
  • Oskus tuvastada ja käsitleda muresid konfidentsiaalsuse ja eetika vallas.
  • Teadmised organisatsiooni konfidentsiaalsuse ja tööeetika standarditest.

Näide intervjuust: TI-projekt otsustati ellu viia ilma vahetu ROI ootusteta, kuna strateegiline siht oli rongist mitte maha jääda, säilitades konkurentsivõime.

Näide intervjuust: tihti on töötajad valmis TI-d kasutama, aga vedurit juhtkonnas pole – kui ettevõttes pole innovaatilist mõtlemist ja hasarti, ei jõua innovaatilised algatused mitte kuhugi.

Näide intervjuust: kriitilise tähtsusega oli töötajate varajane kaasatus. Uue TI-lahenduse kasutuselevõtu eel selgitati, et tehnoloogia ei võta kelleltki tööd, vaid aitab eemaldada rutiinseid ülesandeid ja võimaldab inimestel keskenduda keerukamatele ja väärtuslikumatele töödele. See vähendas vastuseisu ja soodustas lahenduse omaksvõttu.

Näide intervjuust: töötajatel on hirm, et TI võtab nende töö üle. Tuli selgitada, et kui robot teeb tööd, siis töötaja saab samal ajal teha midagi muud, mis on rohkem väärt. Põhiline on kommunikatsioon – kui inimestele selgitada, siis nad tulevad kaasa, teavad, mis toimub. Kui on infosulud – räägitakse, et tuleb robot ja ei tea, mida ta tegema hakkab –, siis on meelsus teine.

Näide intervjuust: ettevõttes aitas läbimõeldud kommunikatsioon selgitada, et vestlusroboti juurutamine ei vähenda personali vajadust, vaid muudab töö efektiivsemaks. Sellega tagati töötajate toetus ja vähendati automatiseerimisega kaasnenud hirme.

TI-lahendused toimivad ainult siis, kui neid toetavad kvaliteetsed ja korrastatud andmed. Juht peab oskama hinnata, milliseid andmeid kogutakse, kui kvaliteetsed ja tähenduslikud need on ning kuidas neid saab otsuste tegemisel kasutada. Lisaks on juhi roll suunata organisatsiooni andmepõhise juhtimise suunas ja tagada, et analüüsitulemusi osatakse otsustes rakendada.

Vajalikud teadmised ja oskused

• Teadmised ja oskused andmete kvaliteedi ja usaldusväärsuse hindamiseks.
  • Teadmised andmete kogumise, kvaliteedi, usaldusväärsuse ja tõlgendamise põhimõtetest.
  • Oskus hinnata, millised andmed sobivad TI kasutamiseks ja millised mitte.
• Teadmised ja oskused analüüsitulemuste kriitiliseks hindamiseks.
  • Oskus hinnata andmepõhise otsuse loogikat ja põhjendatust.
  • Oskus kriitiliselt hinnata analüüsitulemuste usaldusväärsust ja rakendatavust.
  • Teadmised TI rollist ja piirangutest andmepõhises analüüsis.
• Teadmised ja oskused andmekultuuri arendamiseks organisatsioonis.
  • Oskus kujundada ja arendada andmepõhist juhtimiskultuuri ja -praktikaid.
  • Oskus edendada töötajate teadlikkust andmete olulisusest otsustamisel.

Näide intervjuust: Copiloti kasutamine vähendas aruandluses ajakulu 30–60 minutit päevas. Analüütikute roll muutus: nad ei koostanud enam andmestikke, vaid hindasid ja tõlgendasid tulemusi otsustajate jaoks.

Näide intervjuust: TI-lahendus aitas parandada kvaliteeti ja vähendada vigade arvu, toetudes korrektselt kogutud andmetele.

Näide intervjuust: projekti edukuse eelduseks oli korrastatud andmestik ja selge arusaam, milliseid andmeid kogutakse.

TI-tehnoloogialahenduste kiire areng tähendab, et praegused võtmeoskused (nt promptimine) võivad peagi oma olulisuse kaotada. Juht peab olema valmis pidevalt õppima, kohanema ning kujundama organisatsioonis kultuuri, kus sama teevad ka töötajad. Paindlikkus ja õppimisvõime on vältimatud, et pidada sammu tehnoloogia arengu ja konkurentidega.

Vajalikud teadmised ja oskused

• Tehnoloogiliste trendide ja arengusuundade tundmine.
  • Teadmised peamistest TI arengusuundadest ja nende mõjust töökorraldusele.
  • Teadmised õppiva organisatsiooni põhimõtetest ja töökorralduse uuendamise võimalustest.
• Kohanemis- ja katsetamisoskus.
  • Oskus kiiresti kohaneda tehnoloogiliste muutustega ja võtta kasutusele uusi tööviise.
  • Oskus katsetada uusi tehnoloogiaid ja hinnata nende potentsiaali.
  • Oskus julgustada meeskonda eksperimenteerima ka siis, kui kohene positiivne tulemus ei ole selge.
• Oskus õppimist toetava keskkonna loomiseks.
  • Oskus kujundada organisatsioonis kultuur, mis soodustab katsetamist ja pidevat arengut.
  • Oskus luua süsteemseid võimalusi teadmiste jagamiseks ja kogemuste vahetamiseks meeskonna sees.

Näide intervjuust: TI kasutuselevõtt algas entusiastide initsiatiivist ja kasvas välja sisemisest huvist proovida uusi tööriistu, kuid oluline oli juhtkonna toetus uutele algatustele.

Näide intervjuust: Ad hoc viisil TI-lahenduste kasutuselevõtu üle otsustamine: kui keegi on midagi head avastanud, siis on seda teadmist meeskonnas jagatud. Peavad olema nii võimalused kui ka teadmised nendest tööriistadest, mida on võimalik kasutada. Juht peab looma süsteemi, mis toetab TI süsteemset rakendamist, et mitte piirduda juhuslike katsetustega.

Näide intervjuust: ettevõtte juhtkonna otsus oli TI-lahendusi katsetada ilma eelduseta kohesele tasuvusele, eesmärgiks püstitati kaasas olemine ja kogemuste kogumine.

Tehisintellekti kasutamine toob vältimatult kaasa eetilisi ja vastutuse küsimusi: kes vastutab süsteemi tehtud otsuste eest, milliseid andmeid on lubatud kasutada ning millal peab lõpliku otsuse langetama inimene. Ettevõtte juhi roll on kujundada vastutustundlik kasutuskeskkond, mis vähendab juriidilisi, maine- ja usaldusriske ning tagab, et TI kasutamine oleks kooskõlas organisatsiooni väärtuste, regulatsioonide ja klientide ootustega.

Ettevõtte juhi vajalikud teadmised ja oskused

• Teadmised ja oskused andmekaitse ja konfidentsiaalsuse juhtimiseks.
  • Arusaam peamistest andmekaitse- ja konfidentsiaalsusnõuetest (nt isikuandmete kaitse üldmäärus, intellektuaalomand), võime hinnata nendega seotud riske ning kujundada organisatsioonis keskkond, mis väldiks rikkumisi.
• Teadmised ja oskused vastutuse ja läbipaistvuse tagamiseks.
  • Võime mõista läbipaistvuse ja selgitusvõime olulisust usalduse loomisel ning kujundada põhimõtted, mis määravad, kuidas organisatsioonis vastutust ja eetikat käsitletakse ning neid väärtusi töötajatele ja partneritele kommunikeeritakse.
• Teadmised ja oskused eetiliste dilemmade lahendamiseks ja väärtuspõhiseks juhtimiseks.
  • Võime tuvastada ja hinnata eetilisi dilemmasid, otsustada, millal TI kasutamine on sobiv ja millal on vajalik inimese sekkumine, ning kujundada väärtuspõhine raamistik vastutustundlikuks TI kasutamiseks.

Näide intervjuust: tootmisettevõte pidi otsustama, kas lubada TI-süsteemil töödelda tarnijate lepingutingimusi. Juht hindas riski, et konfidentsiaalne teave võib sattuda kolmandate osaliste valdusse, ning otsustas kehtestada mudelisse sisestatavale infole rangemad piirangud.

Näide intervjuust: teenindusettevõttes rakendati TI-d kliendikäitumise analüüsimiseks, kuid juhid määrasid põhimõtte, et taotluste lõpliku heakskiidu peab andma inimene. Nii välditi olukorda, kus vastutus otsuse eest oleks jäänud ainult masinale.

Tehisintellekti edukas rakendamine sõltub eelkõige juhtide võimest siduda tehnoloogia organisatsiooni strateegiliste eesmärkidega ja kujundada selleks sobivad juhtimispraktikad. Juhtide roll ei ole olla tehnilised eksperdid, vaid teadlikud otsustajad ja suunajad, kes oskavad määratleda probleeme, hinnata lahenduste sobivust ja kaasata õiged partnerid.

Edu nõuab strateegilist mõtlemist, ärikonteksti tundmist, tehnoloogilist kirjaoskust ning oskust juhtida muutusi ja inimesi. Juhtide ülesanne ei ole rakendada tehisintellekti pelgalt uuendusmeelsusest, vaid teha teadlikke otsuseid selle tegeliku väärtuse ja otstarbekuse põhjal.

TI kasutuselevõtt peegeldab organisatsiooni juhtimisküpsust. Eesti ettevõtete võimekuse kasvatamiseks on vaja panustada sihipärasesse koolitusse ja probleemikesksesse ekspertnõustamisse.

Edukaks TI-põhise arendustegevuse juhtimiseks vajalikud oskuste kategooriad

• Informeeritud tellija roll – juht peab oskama määratleda probleeme, hinnata lahenduste tasuvust ja sobivust, siduda TI organisatsiooni eesmärkidega ning kaasata õiged partnerid.

• Tehnoloogiline kirjaoskus – arusaam TI toimimisest ja piirangutest, mis võimaldab teha informeeritud otsuseid ning vältida ebarealistlikke ootusi või sobimatuid lahendusi.

• Muutuste juhtimine ja töötajate kaasamine – oskus juhtida TI kasutuselevõtuga kaasnevaid muutusi, kujundada toetav organisatsioonikultuur ja korraldada läbipaistev kommunikatsioon.

• Järjepidev õppimine ja kohanemine – valmisolek katsetamiseks, teadmiste uuendamiseks ja kogemuste jagamiseks, et tagada TI järkjärguline ja jätkusuutlik rakendamine.

Peamised tähelepanekud

• TI rakendamise edu sõltub eelkõige juhtide teadlikkusest ja otsustusvõimest, mitte tehnoloogilistest detailidest.

• Suurim lisandväärtus tekib siis, kui TI-lahendused on seotud strateegiliste eesmärkide ja igapäevase töökorraldusega.

• Edu eeldab süsteemset lähenemist: kvaliteetseid andmeid, töötajate kaasamist ja valmisolekut organisatsioonilisi protsesse muuta.

• Juhtide oskuste arendamine on kriitiline eeltingimus, et TI ei jääks katsetuseks, vaid looks püsivat ja strateegilist väärtust.

Tehisintellektil on suurim mõju ärifunktsioonidele, kus protsessid on andmepõhised ja korduvad ning tehnoloogia saab otseselt toetada tootlikkuse kasvu. Igas valdkonnas sõltub edu töötajate teadmisest ja oskusest siduda TI kasutus konkreetsete eesmärkide ja tööprotsessidega. Peatükk käsitleb, milliseid teadmisi ja oskusi on vaja eri ärifunktsioonides, et kasutada TI-d tõhususe ja mõjususe suurendamiseks.

Tehisintellekti rakendamine müügis ja turunduses on eelkõige juhtimis- ja oskuspõhine muutus. Väärtus tekib siis, kui TI on seotud selgete ärieesmärkidega, tugineb kvaliteetsetele andmetele ja selle mõju on mõõdetav. TI ei asenda olemasolevaid süsteeme (nt ERP, CRM) – see täiendab ja laiendab nende võimalusi, võimendades juba digitaliseeritud protsesse ja luues neile lisandväärtust.

Eesti ettevõtete kogemused viitavad, et suurimad takistused TI kasutuselevõtul tulenevad pigem töötajate hoiakutest, oskustest ja ebapiisavast digitaliseerituse tasemest. Need ettevõtted, kes on TI turundusse ja müüki lõiminud, on langetanud teadlikke strateegilisi otsuseid: nad on selgelt määratlenud äri vajadused, investeerinud töötajate arendamisse ja toetanud õppimist soosivat töökultuuri.

Rahvusvahelised uuringud kinnitavad sama. Bughin jt (2019) rõhutavad, et ettevõtted, kes investeerivad töötajate oskuste arendamisse koos TI kasutuselevõtuga, saavutavad keskmiselt kaks korda suurema ärilise väärtuse võrreldes nendega, kes keskenduvad vaid tehnoloogiale. McKinsey 2023. aasta raporti „The Economic Potential of Generative AI“ hinnangul võib generatiivne TI lisada maailma majandusele 2,6–4,4 triljonit dollarit aastas, millest ligi 75% tuleneb klienditeeninduse, müügi ja turunduse, tarkvarainseneeria ning teadus- ja arendustegevuse valdkondadest.

Generatiivne TI on kiiresti kanda kinnitanud turunduse ja müügi selles osas, kus määravaks on tekstipõhine suhtlus, suur skaleeritavus ja vajadus personaliseerimise järele. Samas sõltub tulemus suurel määral sisendi kvaliteedist ning sellest, kuidas kasutaja mõistab süsteemide toimimist ning oskab andmeid analüüsida ja tõlgendada.

TI loob turunduses väärtust eelkõige järgmistes valdkondades.

• Tõhus sisuloome. TI võib märkimisväärselt vähendada ideede genereerimise ja sisuloomise aega ning aidata hoida eri platvormidel ühtset stiili. See võimaldab kohandada sõnumeid eri sihtrühmadele ja suurendada kampaaniate loovust.
• Andmete parem kasutus. TI aitab turundusel toime tulla struktureerimata ja mitmekesiste andmetega, luues täpsemaid kliendiprofiile ja kanalistrateegiaid.
• Otsingumootorite tulemuslikkuse parandamine. TI toetab pealkirjade, märgendite ja URL-ide optimeerimist, suurendades sihtrühmadeni jõudmist.
• Otsingute isikupärastamine. TI suudab mõista kliendi profiile ja eelistusi, kasutades sisendina nii teksti, pilte kui ka kõnet, luues personaliseeritud otsingutulemusi ja tootetekste.

McKinsey (2023) hinnangul võib TI kasutuselevõtt suurendada turunduse tootlikkust 5–15% kogu turunduseelarvest. Praktikas tähendab see suuremat sõltumatust välistest teenusepakkujatest ja rohkem ressurssi oma kanalite sisu arendamisse.

Näide intervjuust: ettevõtte turundustiim kasutab ChatGPT-d ja MidJourneyt kampaaniateks vajalike tekstide ja visuaalide loomiseks, mis aitab oluliselt lühendada tööaega ning võimaldab meeskonnal keskenduda loovstrateegia arendamisele.

Näide intervjuust: personaliseeritud kommunikatsioon osutus eriti väärtuslikuks eksporditurgudel, kus sihtrühmade täpne eristamine aitas suurendada müügitulemusi. Eesti väikesel turul on liigsest segmenteerimisest saadav mõju aga piiratum.

Müügis pakub TI järgmisi olulisi eeliseid.

• Müügivihjete prioriseerimine. TI loob kliendiandmete põhjal profiile ja järjestab potentsiaalseid kliente, aidates müügiesindajatel keskenduda kõige perspektiivikamatele kontaktidele.
• Müügivestluste tugi. TI sünteesib toodete ja teenuste müügiinfot, loob skripte ja aitab ette valmistada personaalseid pakkumisi.
• Müügitsükli optimeerimine. TI võib automatiseerida järelkontakte ja soojendada potentsiaalseid kliente enne müügispetsialisti sekkumist.
• B2B kontekstis. TI võimaldab paremini mõista ostukäitumist, kujundada personaalsemaid lahendusi eri kliendigruppidele ning suurendada müügiprotsessi efektiivsust.

McKinsey hindab artiklis „An Unconstrained Future: How Generative AI Could Reshape B2B Sales“, et generatiivne TI võib B2B müügis luua 0,8–1,2 triljoni dollari väärtuses lisandväärtust. 2025. aastal toob sama autor uuringus „The State of AI in 2024“ esile, et müügirollid ja protsessid on kiiresti ümber kujunemas ning üha olulisemaks muutuvad oskused TI soovituste mõju hindamisel ja müügivestluste kohandamisel.

2025 . aastal ilmunud artiklis „Unlocking Profitable B2B Growth Through Gen AI“ kirjeldab McKinsey seitset kasutusjuhtumit, mille kaudu generatiivne TI aitab suurendada B2B müügi kasumlikkust. Nende hulka kuuluvad kliendisuhete haldamine, müügivihjete prioriseerimine ja müügivestluste analüüs. TI võimaldab suunata müügimeeskondade fookust strateegilisematele tegevustele, parandades nii tõhusust kui ka müügitulu. Ühtlasi rõhutatakse vajadust arendada oskust hinnata TI-lahenduste mõju äritulemustele.

Näide intervjuust: teenindusettevõte kasutas TI-d CRM-i andmete analüüsimiseks, et pakkuda müügiesindajatele juhiseid kõige sobivamate toodete ja sihtrühmade kohta.

Näide intervjuust: B2B müügis toetab TI müügivestluste analüüsi, tuues esile kliendi käitumise mustrid ja soovitades järgmisi samme.

Rahvusvahelised uuringud ja Eesti ettevõtete kogemus näitavad, et kõige olulisemad eeltingimused TI kasutamiseks turunduses ja müügis on kvaliteetsed andmed, töötajate oskused ja teadlik juhtimine. TI väärtus avaldub alles siis, kui lahendused on seotud konkreetsete ärieesmärkidega ning neid rakendatakse strateegiliselt ja vastutustundlikult. Suurim potentsiaal peitub neljas suunas:

1. sisuloomes ja kampaaniate personaliseerimises,
2. andmepõhises kliendiprofiilide ja turusegmentide analüüsis,
3. müügivihjete ja kontaktide haldamises,
4. seniste töövoogude protsesside integreerimises ja optimeerimises.

Tehisintellekti kasutuselevõtt müügis ja turunduses on teadlik juhtimisotsus, millel on otsene mõju organisatsiooni äristrateegiale. Strateegiline mõtlemine tähendab võimet siduda TI rakendamine konkreetsete ärieesmärkidega ning hinnata selle mõju tuludele, kuludele, kliendikogemusele ja brändipositsioonile. TI loob väärtust vaid siis, kui seda kasutatakse läbimõeldult ja seotuna ettevõtte sihtide, turu eripärade ning klienditeekonnaga.

Rahvusvahelised uuringud (Bughin jt 2019; McKinsey 2023) rõhutavad, et ettevõtted, kes suudavad TI kasutamise siduda selgete äriliste eesmärkidega ja investeerivad töötajate oskuste arendamisse, saavutavad oluliselt suuremat lisandväärtust võrreldes nendega, kes keskenduvad ainult tehnoloogia juurutamisele. Strateegilise raamistiku puudumisel võib TI rakendamine viia killustunud lahendusteni, mis ei toeta ei brändi ega turupositsiooni.

Vajalikud teadmised ja oskused

• Äriline mõtlemine – oskus mõista ettevõtte ärimudelit, tuluvooge ja strateegilisi eesmärke ning siduda neid TI võimalustega (nt tulude kasvatamine, kulude vähendamine, kliendilojaalsuse suurendamine).
• Klienditeekonna ja brändipositsiooni mõistmine – teadmised, kuidas TI kasutus mõjutab kliendi kogemust eri etappides (teadlikkus, huvi, ost, järelteenindus) ning kuidas see haakub brändi väärtuspakkumise ja turupositsiooniga.
• Turundusstrateegia ja positsioneerimise seostamine TI-ga – oskus määratleda sihtrühmad ja väärtuspakkumine ning rakendada TI vahendeid (nt personaliseerimine, kampaaniate optimeerimine) nende elluviimiseks.
• Mõju hindamine ja prioriseerimine – võime eristada, millised TI kasutusviisid loovad strateegilist väärtust (nt eksporditurgude sihtimine, kliendilojaalsuse kasvatamine) ning millised jäävad pelgalt operatiivseks optimeerimiseks.
• Oskus sõnastada strateegilised lähteülesanded – TI-projekti käivitamisel on oluline määratleda, millist äriprobleemi lahendatakse ning kuidas loodud väärtust mõõdetakse (nt kulude kokkuhoid, käibe kasv, turuosa suurenemine).

Näide intervjuust: TI-lahendused, mis tõid kaasa konkurentsieelise müügi ja turunduse protsessis, nõudsid selget ärieesmärgi määratlust.

Näide intervjuust: müügi- ja turundustiim kasutas TI-lahendusi kõige töömahukamate protsesside optimeerimiseks, säästes iga kliendikontakti pealt 2–3 minutit. Edu eelduseks oli ärieesmärgi selge määratlus – töökoormuse vähendamine.

Näide intervjuust: juturoboti rakendamine klienditeeninduses vähendas oluliselt ooteaegu, kuid strateegiline otsus oli seotud kogu kliendikogemuse parandamise ja brändi usaldusväärsuse kasvatamisega.

Näide intervjuust: klienditeenindajad kasutasid üldlevinud suuri keelemudeleid (nt ChatGPT, Copilot) sobivate lahenduste leidmiseks ja pakkumiste koostamiseks väikestele äriklientidele, kellele ei pakuta rätsepalahendusi.

Tehisintellekti rakendamine müügis ja turunduses tugineb kvaliteetsetele andmetele ja oskusele neid tõlgendada. Müügis ja turunduses tähendab see oskust töödelda ja mõtestada klientide, turu ja kampaaniate andmeid ning siduda need otsustamise ja tegevuste planeerimisega. TI-vahendite (nt keelemudelid, CRM-platvormide TI-laiendused, analüütikatarkvara) kasutamine nõuab arusaama, millistele sisenditele need tuginevad ning millised on nende piirangud.

Struktureeritud andmed võimaldavad luua personaliseeritud kliendipakkumisi, dünaamiliselt optimeerida kampaaniaid ja kasvatada müügitulu. Seetõttu on andmeanalüüsioskus turundus- ja müügispetsialistide üks kriitilisemaid oskusi.

Vajalikud teadmised ja oskused

• Andmeanalüüsioskus – oskus koguda, töödelda ja analüüsida kliendi- ja turuandmeid, tuvastada mustreid ning teha otsuseid andmepõhiselt.
• TI-tööriistade kasutamine – teadlikkus ja praktiline oskus kasutada TI-vahendeid (nt ChatGPT, Copilot, CRM-i TI-funktsioonid, analüütikaplatvormid).
• Andmete kvaliteedi hindamine – arusaam, kuidas andmete täielikkus, ajakohasus ja representatiivsus mõjutavad mudelite väljundeid.
• Automatiseerimise haldamine – oskus luua ja hallata TI abil automatiseeritud protsesse (nt e-kirja-kampaaniad, reklaamide optimeerimine).
• Kontekstiga seostamine – võime seostada TI väljundeid ärikeskkonna ja strateegiliste eesmärkidega ning otsustada, millal tuleb tulemusi täiendada inimliku hinnanguga.

Näide intervjuust: teenindustusettevõte kasutas TI-d CRM-andmete analüüsimiseks, et hinnata, millised tooted sobivad eri kliendigruppidele.

Näide intervjuust: teenindussektoris rakendati TI-d klientide pöördumiste klassifitseerimiseks ja sobivatesse teeninduskanalitesse suunamiseks.

Näide intervjuust: müügijuhid kasutasid Power BI ja Copiloti kombinatsiooni müügiandmete prognoosimiseks, kuid rõhutasid, et tulemusi tuleb alati täiendada kontekstiteadmistega (nt turuolukord, hooajalisus).

Näide intervjuust: ettevõttes loodi TI-lahendus, mis tuvastab klientide probleemi otse telefonikõnest ja vormistab automaatselt teate probleemi lahendajale.

Turunduse ja müügi keskmes on loovus, kuid TI lisab sellele uued mõõtmed – kiirus, skaleeritavus ja kohandatavus. TI võimaldab luua personaalseid sõnumeid, visualiseeringuid ja kampaaniaid kiiremini kui kunagi varem, kuid tulemuse kvaliteet sõltub kasutaja võimest anda sisukas sisend ning kriitiliselt hinnata väljundit. Loovus TI kontekstis tähendab oskust kombineerida inimese ideid ja tehnoloogia võimalusi, säilitades organisatsiooni brändikeelt ja väärtuspakkumist.

Vajalikud teadmised ja oskused

• Sisuloome oskus – oskus kasutada TI-d tekstide, piltide ja videote loomiseks ning kohandada väljundeid vastavalt kanalile (nt sotsiaalmeedia, e-post, koduleht).
• Promptimise oskus – oskus koostada selgeid, kontekstitundlikke ja sihtrühmale sobivaid sisendeid TI jaoks.
• Loovuse ja tehnoloogia ühendamine – võime kombineerida inimloovust ja TI genereeritud väljundeid, et luua originaalne ja äriliselt väärtuslik sisu.
• Multikanali strateegia rakendamine – oskus kasutada TI tuge eri turunduskanalites, optimeerides ja kohandades sõnumit vastavalt kliendikäitumisele.
• Kriitiline mõtlemine – võime eristada väärtuslikke TI väljundeid keskpärastest ning neid loova panusega täiendada.

Näide intervjuust: turundustiimid kasutasid ChatGPT-d ja MidJourneyt kampaaniatekstide ja -visuaalide loomiseks, saavutades suurema kiiruse ja variatiivsuse.

Näide intervjuust: ettevõte kasutas TI-d tootetutvustusslaidide loomiseks, hoides sellega aega kokku, kuid arvestada tuli, et tulemus sõltus suuresti sisendi kvaliteedist ja brändi visuaalse identiteedi arvestamisest.

TI kasutamine müügis ja turunduses tähendab vältimatult kokkupuudet kliendiandmete ja isikustatud sisuga. Seetõttu muutuvad andmekaitse, läbipaistvus ja vastutustundlikkus keskseteks teguriteks. Ebaõige andmete kasutus võib kahjustada brändi mainet, tuua kaasa õiguslikke riske ja vähendada kliendilojaalsust. Andmete turvalisuse tagamiseks on vaja ettevõtetel rakendada sisemisi mudeleid või piiratud juurdepääsuga lahendusi.

Vajalikud teadmised ja oskused

• Isikuandmete kaitse üldmääruse ja andmekaitse nõuete tundmine – teadlikkus õigusraamistikust ja oskus hinnata, milliseid andmeid on lubatud TI abil töödelda.
• Teadmised konfidentsiaalsusnõuetest– oskus eristada avalikke, sisemisi ja tundlikke andmeid ning tegutseda vastavalt kategooriale.
• Vastutustundlik TI kasutamine – oskus hinnata TI rakenduste eetilisust (nt kallutatuse vältimine, läbipaistvuse tagamine).
• Brändi usaldusväärsuse hoidmine – arusaam, et andmete väärkasutus või läbipaistmatus võib otseselt vähendada kliendi usaldust brändi vastu.

Näide intervjuust: ettevõte kasutas ettevõttesisest TI-mudelit, et vältida kliendiandmete lekkimist avalikesse keelemudelitesse.

Näide intervjuust: turundusmeeskonnad tõid esile, et isegi näiliselt neutraalsete andmete sisestamine avalikku TI-süsteemi võib kaasa tuua isikuandmete rikkumise.

TI kasutuselevõtt on meeskonnatöö – selle edukus sõltub turundajate, IT-spetsialistide, andmeanalüütikute ja juhtide koostööst. Hästi defineeritud probleem, selge rollijaotus ning iteratiivne arendustsükkel on vajalikud, et TI-projekt ei jääks tehnoloogiliseks prototüübiks, vaid looks ärilist väärtust. Projektide juhtimine eeldab ka suutlikkust hinnata tasuvust, skaleeritavust ja ajastust.

Vajalikud teadmised ja oskused

• Projektijuhtimine – oskus planeerida, koordineerida ja ellu viia TI-projekte, tagades eelarve ja ajakava täitmise.
• Koostööoskus – võime teha koostööd turundajate, müügiesindajate, IT-spetsialistide ja andmeanalüütikutega.
• Tasuvuse ja mõju hindamine – oskus hinnata TI projekti ROI-d ja pikaajalist ärilist mõju.
• Iteratiivne arendus – suutlikkus arendada TI-lahendusi samm-sammult, testides ja täiustades neid pidevalt.
• Kommunikatsioon ja kaasamine – võime selgitada projektide eesmärke ja tulemusi nii sisemistele meeskondadele kui ka juhtkonnale.

Näide intervjuust: ettevõttes juurutati sisemine keelemudel kliendile teenuse osutamise tõhustamiseks, kaasates nii turundajad, IT-tiimi kui ka juhid.

Näide intervjuust: TI-lahenduse väljatöötamise edukuse tagas selge rollijaotus ja iteratiivne arendustsükkel, mis võimaldas lahendust pidevalt täiustada.

Kohanemis- ja hindamisoskus tähendab nii paindlikkust uute tööriistade kasutuselevõtul kui ka suutlikkust eristada usaldusväärseid tulemusi eksitavatest. Tehnoloogia kiire areng toob kaasa vajaduse pidevalt õppida ja kohaneda – üks kord õpitud oskus tööriista käsitseda ei ole enam piisav. Eriti müügis ja turunduses, kus otsustel on otsene mõju kliendisuhetele ja brändi usaldusväärsusele, peab töötaja olema võimeline aru saama, millal TI väljund sobib ja millal tuleb tugineda inimlikule otsusele. Samuti on oluline võime hinnata TI rolli strateegilises kontekstis: kas see loob lisandväärtust või jääb pelgalt tehnoloogiliseks katsetuseks.

Vajalikud teadmised ja oskused

• Paindlikkus ja kohanemine – valmisolek omandada kiiresti uusi tööriistu ja kohandada tööprotsesse vastavalt tehnoloogia arengule.
• Õppimisvõime – oskus õppida iseseisvalt ja kolleegidelt, sh katsetada uusi lahendusi ja jagada kogemusi meeskonnas.
• Tulemuslikkuse hindamine – võime otsustada, millal TI väljund toetab strateegilisi eesmärke (nt kliendilojaalsus, turunduskulude vähendamine) ja millal see jääb lisandväärtuseta.
• Riskitundlikkus – teadlikkus, et liiga suur sõltuvus TI-st ilma inimliku kontrollita võib kahjustada kliendikogemust või brändi mainet.

Näide intervjuust: turundusspetsialist kasutas TI-d kampaaniate tekstide loomiseks, kuid rõhutas, et iga tulemus vajab toimetamist ja brändikeelde kohandamist.

Näide intervjuust: B2B müügis kasutati TI-d kliendivestluste analüüsimiseks, kuid lõplikud soovitused valideeris müügiesindaja oma kogemuse ja konteksti põhjal.

Tehisintellekti kasutuselevõtt müügis ja turunduses on organisatsiooni strateegiline valik ja töökorralduslik muutus. Uuringu ja intervjuude tulemused kinnitavad, et tehnoloogia iseenesest ei loo ärilist väärtust – selle määravad töötajate teadmised, oskused ja võime rakendada TI-d vastutustundlikult ning sihipäraselt.

Edukaks rakendamiseks vajalikud oskuste kategooriad

• Strateegiline mõtlemine – TI rakendamine müügi- ja turundusprotsessides peab toetama selgeid ärieesmärke – näiteks kliendikogemuse parandamine, müügitulu kasv või turunduskulude optimeerimine. Vajalik on oskus seostada TI võimalused ettevõtte ärimudeli ja tuluvoogudega ning mõtestada TI kasutamise mõju sihtgruppide ja brändistrateegia seisukohalt.
• Andmepädevus ja TI-tööriistade kasutamine – TI kasutamine turunduses eeldab oskust andmeid koguda, töödelda ja analüüsida. Samuti tuleb osata rakendada sobivaid tööriistu – alates keelemudelitest (nt ChatGPT, Copilot) kuni CRM-platvormide sisseehitatud TI-funktsioonideni. Hästi struktureeritud andmed on eelduseks personaalsete pakkumiste, sihitud kampaaniate ja automatiseeritud suhtluse loomiseks.
• Kommunikatsioon ja loovus – TI ei asenda loovust, vaid võimendab seda. Efektiivne TI kasutus eeldab võimet formuleerida sisukaid ja täpseid sisendeid, hinnata tulemuste kvaliteeti ning kohandada sõnumeid eri kanalite ja sihtrühmade jaoks. Loovtöö kvaliteet sõltub seega kasutaja arusaamast kontekstist ja sihtrühmast.
• Eetika ja privaatsus – turunduses ja müügis rakendatav TI puutub sageli kokku tundlike andmetega. Seetõttu on vältimatult vaja tunda isikuandmete kaitse üldmääruse ja andmete konfidentsiaalsuse nõudeid ja vastutustundliku TI kasutuse põhimõtteid. Ettevõtetes on edukalt rakendatud sisemudeleid, et vältida andmeleket ja säilitada klientide usaldus.
• TI-projektide juhtimine ja koostöö – tõhus TI kasutuselevõtt eeldab mitme osalise – turundajate, andmeanalüütikute, IT-tiimide ja juhtide – koostööd. Vajalikud on projektijuhtimise oskused, sh selge probleemipüstitus, tasuvuse ja mõjude hindamine, rollide jaotus ning iteratiivne arendusprotsess. Just hästi juhitud koostöö loob eelduse, et TI ei jää prototüübiks, vaid toob ärilist kasu ja innovatsiooni.
• Kohanemis- ja hindamisoskus – müügi- ja turundusmeeskonnad peavad suutma kriitiliselt hinnata TI tulemusi ning otsustama, millal peab sekkuma inimene. Tehnoloogia areneb kiiresti, seetõttu on oluline paindlikkus, õppimisvalmidus ja suutlikkus kohandada strateegiaid vastavalt uutele tööriistadele ja turuolukorrale.

Peamised tähelepanekud

• Eesti ettevõtete kogemus näitab, et väärtus TI kasutamisest tekib alles siis, kui TI on integreeritud igapäevastesse tööprotsessidesse ja seotud ärieesmärkidega.
• Edu eeldab teadlikku juhtimist, kvaliteetseid andmeid, töötajate oskuste arendamist ning eetiliste ja õiguslike piiride järgimist.
• Kõige olulisemaks kujuneb töötajate võime kombineerida tehnoloogiat ja inimlikku loovust – luues nii personaalset kliendikogemust kui ka strateegilist konkurentsieelist.

Automatiseeritud lahendused – juturobotid, virtuaalassistendid ja intelligentsed iseteenindussüsteemid – muudavad kliendisuhtluse kiiremaks, kättesaadavamaks ja järjest isikupärasemaks. Uuenduslikuks lähenemiseks on TI-assistentide ja -agentide loomine, kus vestlused, failid ja juhised on koondatud ühte keskkonda. Klienditeeninduses tähendab see töömahu vähendamist, järjepidevuse hoidmist ja kiiremat ligipääsu varasematele andmetele, mis aitab vältida kordustööd ning lühendada vastamise aega.

Eesti ettevõtete kogemused näitavad, et suurimad takistused TI kasutuselevõtul ei tulene tehnoloogiast, vaid inimeste hoiakutest ja teadlikkusest. Paljud lahendused sünnivad alt-üles initsiatiivide kaudu – motiveeritud spetsialistid katsetavad ja jagavad tulemusi kolleegidega. Edukas skaleerimine eeldab aga strateegilist juhtimist, tööprotsesside kohandamist ja töötajate oskuste arendamist.

Rahvusvahelised uuringud kinnitavad sama mustrit. McKinsey (2023) raporti hinnangul võib märkimisväärne osa generatiivse TI rakendamise potentsiaalist tulla klienditeenindusest. Suurim mõju saavutatakse, kui TI aitab automatiseerida kliendisuhtlust, tugevdada iseteeninduskanaleid ja kiirendada reageerimist, säilitades samas teeninduse kvaliteedi ja inimliku kontakti. Eriline kasu avaldub vähem kogenud töötajate puhul, kelle töö kvaliteet ja produktiivsus paraneb tänu TI soovitustele ja juhendamisele.

McKinsey (2025) uuringus rõhutatakse, et ettevõtted, kes on lõiminud TI strateegiliselt klienditeenindusse, saavad vastu lühemad ooteajad, suurema kliendirahulolu ja tugitiimide väiksema töökoormuse. Edu sõltub töötajate oskusest anda sisukaid sisendeid, hinnata väljundeid kriitiliselt ja sekkuda, kui TI ei suuda olukorda piisavalt täpselt lahendada.

Generatiivse TI kasutusvõimalused klienditeeninduses hõlmab (McKinsey, 2023):

• kliendi iseteenindust – vestlusrobotid annavad koheseid ja personaalseid vastuseid, vähendades inimtööjõudu vajavate kontaktide hulka kuni 50%;
• probleemide lahendamist esmasel kontaktil – TI hangib kiiresti vajaliku info, aidates klienditeenindajal küsimusi lahendada kohe;
• vastamisaja lühendamist – TI pakub reaalajas soovitusi järgmiste sammude kohta;
• müügikasvu – kliendiandmete ja käitumise põhjal saab TI soovitada personaalseid tooteid ja pakkumisi;
• kvaliteedikontrolli ja koolitust – TI tuvastab vestlustest mustreid ja annab soovitusi töötajate arendamiseks.

Generatiivse TI rakendamine võib suurendada klienditeeninduse tootlikkust 30–45% funktsiooni praegustest kuludest. Samas on rõhutatud, et lisaks kulude kokkuhoiule mõjutab TI ka kliendirahulolu ja lojaalsust, mis on pikaajalise edu võti. (McKinsey, 2023)

Tuginedes Eesti ettevõtete kogemustele ja rahvusvahelistele uuringutele, saab eristada viis võtmeoskuste kategooriat, mis määravad TI kasutamise edukuse klienditeeninduses. Järgnevalt on kirjeldatud iga oskuse sisu, põhjendust ja vajadust.

Tehisintellekti rakendamine klienditeeninduses mõjutab otseselt kliendikogemust, rahulolu ja lojaalsust. Strateegiline mõtlemine tähendab võimet seada TI kasutus vastavusse organisatsiooni äriliste eesmärkide ja kliendikesksusega. Oluline on mõista, millistes teeninduse etappides loob TI suurimat väärtust (nt korduvate päringute automatiseerimine, ooteaegade vähendamine) ning millal on inimlik sekkumine asendamatu.

Rahvusvahelised uuringud kinnitavad, et tootlikkuse ja teeninduse kvaliteedi suurim kasv saavutatakse just siis, kui TI on lõimitud strateegiliselt – aidates kiirendada esmast probleemilahendust ja parandada iseteeninduse taset, kuid säilitades vajaduse korral ka inimliku kontakti. Eesti ettevõtete kogemused näitavad, et strateegilise raamistiku puudumisel võib TI jääda katsetuste tasandile, pakkumata pikaajalist väärtust.

Vajalikud teadmised ja oskused

• Oskus siduda TI-lahendused klienditeeninduse strateegiliste eesmärkidega (nt rahulolu suurendamine, kulude vähendamine, töökoormuse optimeerimine).
• Suutlikkus hinnata, millistes klienditeekonna etappides on TI kasutamine mõjusaim ja millal on vaja inimese osutatavat teenust.
• Arusaam TI mõju kohta kliendilojaalsusele.
• Oskus määratleda eesmärgid ja mõõdikud TI kasutuselevõtuks ning hinnata tulemuste mõju.

Näide intervjuust: teenindussektoris rakendati klienditeeninduses juturobot, mis vähendas ooteaegu ja koormust tugitiimidele.

Näide intervjuust: ettevõte tõi esile, et aeg tehnoloogia kasutuselevõtuks klienditeeninduses peab olema küps – vale ajastus raiskab ressursse.

Näide intervjuust: teenindusettevõte kasutas TI-d töömahukaimas protsessis, säästes iga kliendikontakti pealt aega ning suurendades töötajate produktiivsust.

Näide intervjuust: kogenud klienditeenindajad rõhutasid, et TI peab olema tööriist, mitte eesmärk omaette – kõige olulisem on tagada kliendile positiivne kogemus ja brändi usaldusväärsus.

TI-võimaluste rakendamine eeldab oskust kasutada ja mõista tööriistu nagu juturobotid, iseteenindusportaalid. Samuti tuleb mõista, kuidas TI teeb otsuseid olemasolevate andmete põhjal.

Klienditeenindajad puutuvad iga päev kokku tohutu hulga kliendiinfoga. Oskus kasutada TI-tööriistu selle info haldamiseks ja klientide vajaduste ennustamiseks aitab parandada reageerimiskiirust, ennetada probleeme ja suurendada teeninduse kvaliteeti. Lisaks muutub üha olulisemaks võime eristada, millised probleemid sobivad TI-le lahendamiseks ja millal on vaja inimese sekkumist.

TI-põhiste tööriistade efektiivseks kasutamiseks ja kliendiandmete mõtestatud tõlgendamiseks otsuste tegemisel on tarvis kindlaid teadmisi ja oskusi.

Vajalikud teadmised ja oskused

• Oskus koguda, töödelda ja analüüsida kliendiandmeid ning kasutada neid teenuse parandamiseks.
• Teadlikkus TI tööriistade võimalustest ja piirangutest (nt juturobotid, sentimentide analüüs, CRM-i lisafunktsioonid).
• Teadmised TI tööriistade tööprotsessidesse lõimimise võimalustest.
• Suutlikkus hinnata andmete kvaliteeti ja sobivust TI mudelite jaoks.

Näide intervjuust: teenindusmeeskond kasutas TI-d korduvate pöördumiste mustrite tuvastamiseks, et täiustada iseteenindusportaali.

Näide intervjuust: CRM-andmete analüüs TI abil võimaldas pakkuda kliendile personaalseid pakkumisi.

Kuigi TI võib automatiseerida paljusid kliendisuhtluse aspekte, jääb oluline roll inimese empaatiavõimele ja oskusele kujundada kliendile usaldusväärne suhtlus – ka siis, kui see käib osaliselt TI abil.

Efektiivne suhtlus TI-lahenduste kaudu eeldab, et teenindajad oskavad TI-le sisestada kontekstitundlikke juhiseid ning hinnata, kas TI vastus vastab kliendi ootustele ja tunnetusele. Lisaks on vajalik oskus sekkuda õigel ajal ja viisil, kui TI ei suuda olukorda adekvaatselt lahendada. Empaatiline ja kontekstitundlik teenindus tugevdab kliendi usaldust ka siis, kui osa teenindusest on automatiseeritud.

Vajalikud teadmised ja oskused

• Oskus hinnata ja kohandada TI loodud sõnumeid kliendi profiili ja olukorra järgi.
• Oskus tuvastada emotsioone ning rakendada empaatiat, sh märgata kliendi frustratsiooni või segadust ja pakkuda toetavat suhtlust.
• Oskus hallata multikanali suhtlust, kasutades TI tuge (nt e-kiri, chat, telefon).
• Oskus kohandada keelekasutust ja toone, sh kasutada TI abi eri suhtlusstiilides (nt ametlik vs. vaba, eesti vs. inglise keel).

Näide intervjuust: klienditeenindusettevõtte kogemus näitab, et TI ei pruugi alati mõista kliendi probleemi olemust – inimliku kvaliteedikontrolli roll on endiselt tähtis.

Näide intervjuust: juturobot lahendas lihtsamad päringud, kuid emotsionaalselt pingelised olukorrad suunati teadlikult teenindajale.

Klienditeeninduses on TI kasutamine lahutamatult seotud andmekaitse, privaatsuse ja eetilise vastutusega. Töötajad peavad teadma, milliseid andmeid võib TI-süsteemides kasutada ja milliseid mitte, samuti seda, kuidas vältida andmeleket või kallutatust. Samuti on oluline, et kliendid tunneksid, et nende andmeid kasutatakse läbipaistvalt ja usaldusväärselt.

Rahvusvaheline kogemus näitab, et ebaeetiline või hooletu andmekäsitlus võib kahjustada brändi mainet ja viia õiguslike probleemideni. Eestis on ettevõtted hakanud üha enam kasutama sisemisi TI-lahendusi just selleks, et vähendada riski tundlike andmete sattumiseks avalikesse mudelitesse.

Vajalikud teadmised ja oskused

• Teadmised isikuandmete kaitse üldmäärusest ja andmekaitse põhimõtetest ning oskus hinnata, milliseid andmeid ja milliste piirangutega tohib TI töödelda.
• Teadmised TI läbipaistvuse tagamise põhimõtetest kliendisuhtluses ning oskus otsustada, millal tuleb suhtlus suunata inimesele.
• Oskus hinnata eetilisi riske, sh TI kallutatust, vigast infot või väärkommunikatsiooni.
• Oskus määrata tundlikud olukorrad, kus TI kasutamine ei ole sobilik (nt kaebused, tundlik tagasiside).
• Teadmised avatud ja suletud TI-süsteemide erinevustest ning arusaam, millal sobib kasutada ettevõttesisest tööriista või avatud platvorme nagu ChatGPT.

Näide intervjuust: organisatsioonis on reegel, et ettevõtteandmeid ei sisestata avatud mudelitesse – turvalisus on esmatähtis.

Näide intervjuust: erinevus avatud ja suletud süsteemide vahel mõjutas strateegilist otsust – valiti enda väiksem keelemudel konfidentsiaalsuse tagamiseks.

Näide intervjuust: teenindusettevõtte kogemus näitas, et TI-d ei saa kasutada otseses kliendisuhtluses – riskid on liiga suured. Lõplik otsus peab jääma inimesel põhinevaks, vältimaks õiguslikke ja eetilisi riske.

TI kasutuselevõtt klienditeeninduses eeldab läbimõeldud projektijuhtimist ja meeskondadeülest koostööd. Edukaks rakendamiseks tuleb siduda klienditeeninduse eesmärgid tehnoloogiliste võimalustega, kaasata eri osalised (teenindajad, IT-spetsialistid, juhid) ning juhtida muutusi süsteemselt.

Eesti ettevõtete kogemus näitab, et paljud TI-lahendused sünnivad alt-üles-initsiatiivide kaudu, kuid nende skaleerimine eeldab strateegilist juhtimist ja ressursside planeerimist. Rahvusvaheline kogemus kinnitab, et iteratiivne arendus ja mõju hindamine on kriitilised, et lahendused jõuaksid prototüübist reaalse ärilise kasuni.

Vajalikud teadmised ja oskused

• Oskus määratleda TI-lahenduste kasutusjuhtumeid ja leida konkreetseid probleeme, mida TI saab lahendada (nt korduvad küsimused, ooteajad).
• Oskus määrata rollid ja vastutus projektides, sh selge rollijaotus teeninduses, IT-s ja juhtimises.
• Oskus seada mõõdikuid ja hinnata mõju (nt ooteaeg, lahenduskiirus), tulemusi jälgida ja parendada.
• Oskus juhtida muudatusi ja sisekommunikatsiooni, sh töötajate kaasamine, vastupanu vähendamine ja koolitusvajaduste määratlemine.
• Oskus vahendada tehniliste ja äriosaliste vahelist suhtlust, sh tõlkida teenindusvajadused arenduskeelde ja vastupidi.

Näide intervjuust: klienditeenindajate roll TI treenimisel on keskne – nemad annavad sisendi ja hindavad tulemuse adekvaatsust.

Näide intervjuust: ettevõtte kogemus näitab, et TI integreerimine töövoogu andis tulemuse alles siis, kui meeskond kohandas sellest lähtuvalt ümber ka oma protseduurid.

Tehisintellekti rakendamine klienditeeninduses ei ole pelgalt tehnoloogiline täiendus, vaid organisatsiooni strateegiline valik, mis mõjutab otseselt kliendisuhtlust, rahulolu ja lojaalsust. Uuringud ja intervjuud näitavad, et TI toob suurimat väärtust siis, kui seda kasutatakse eesmärgipäraselt ja seotult klienditeekonna kriitiliste etappidega – korduvate päringute automatiseerimiseks, esmaste probleemide lahendamiseks ning teenindusaja lühendamiseks. Samas rõhutavad kõik allikad, et inimlik mõõde ja empaatia jäävad ka tulevikus klienditeeninduse lahutamatuks osaks.

Eesti ettevõtete kogemused kinnitavad, et tehnoloogilised barjäärid ei ole TI kasutuselevõtu suurim takistus. Peamine väljakutse peitub inimeste teadlikkuses, hoiakutes ja oskustes. Paljud TI kasutuslood on alguse saanud alt-üles-initsiatiividest, kuid laiem skaleerimine ja süsteemne väärtuse loomine nõuavad strateegilist juhtimist, tööprotsesside kohandamist ning töötajate oskuste arendamist.

Rahvusvahelised uuringud (McKinsey, 2023 McKinsey, 2025) kinnitavad, et suurim tootlikkuse ja teenusekvaliteedi kasv tuleneb TI kasutamisest klienditeeninduses, eriti vähem kogenud töötajate toetamisel.

Uuringus ja praktikas eristub viis võtmeoskuste kategooriat.

• Strateegiline mõtlemine – oskus siduda TI kasutus kliendistrateegia ja ärieesmärkidega: nt millistes teenindusetappides rakendada TI-d, millal eelistada inimteenindust, millisel hetkel peab teenindamine TI-lt inimesele üle minema (sellest sõltub kliendirahulolu, -lojaalusus ja ettevõtte usaldusväärsus)
• TI-tööriistade valdamine, sh oskus kirjutada sihipäraseid prompte ja hinnata TI vastuseid
• Suhtlemisoskus ja empaatia – TI kasutamine ei tähenda emotsioonitu teeninduse standardiseerimist; oluline on säilitada kliendikeskne lähenemine ja oskus märgata frustratsiooni, pakkuda toetust ning kohandada suhtluse tooni eri olukordades.
• Eetika ja andmekaitse – teadmised isikuandmete kaitse üldmäärusest, läbipaistvuse nõuetest, isikuandmete töötlemise piiridest ja TI kallutatuse riskidest. Usaldus kliendisuhtluses sõltub sellest, kuidas ettevõte tagab andmete turvalisuse ja väärtuste järjepidevuse.
• TI-projektide juhtimine ja koostöö – võime juhtida TI-lahenduste juurutamist teenindusprotsessides, planeerida tasuvust ning korraldada koostööd eri osakondade vahel.

Peamised tähelepanekud

• TI kasutuselevõtu edu sõltub eelkõige töötajate teadlikkusest, oskustest ja valmisolekust tehnoloogiat suunata ning kriitiliselt hinnata.
• Automatiseerimine võimaldab vähendada inimtööjõudu vajavate kontaktide hulka, kuid inimteenindus jääb vajalikuks keerukates ja emotsionaalselt tundlikes olukordades.
• Strateegiline lähenemine TI kasutusele klienditeeninduses loob pikaajalise väärtuse: suurendab rahulolu, tõstab efektiivsust ja aitab hoida brändi usaldusväärsust.
• Organisatsioonid, kes suudavad siduda tehnoloogia ja inimliku empaatia, saavutavad suurima konkurentsieelise.

Tehisintellekti rakendamine tootearenduses on kujunemas oluliseks konkurentsieeliseks: see kiirendab arendust, suurendab protsesside tõhusust ja vähendab inimlikke eksimusi. McKinsey hinnangul võivad TI-põhised tööriistad kasvatada tootearenduse efektiivsust kuni 30% ning aidata tuua paremaid tooteid kiiremini turule; tulemuste saavutamine eeldab aga spetsiifilisi oskusi ja teadlikkust TI võimalustest ja piirangutest.

Järgnevalt on kirjeldatud TI-ga seotud võtmeoskusi tootearenduses.

Tehisintellekti kasutamine tootearenduses algab õigesti määratletud ärivajadusest. Probleemipõhine mõtlemine tähendab võimet sõnastada ärivajadus viisil, mis on tõlgitav tehnilisse keelde ja mida on võimalik lahendada sobivate TI-võtetega. Oluline on osata eristada, kas tegemist on ennustava, klassifitseeriva või generatiivse ülesandega ning kuidas selle lahendamine loob väärtust. Kui eesmärk on hägus või liiga üldine, võib TI rakendamine viia ebatõhusate või kasutute tulemusteni.

Rahvusvahelised uuringud kinnitavad, et TI edukus sõltub strateegiliselt seatud prioriteetidest – TI peab teenima selgelt määratletud eesmärki ja lahendama konkreetset äriprobleemi (Bughin jt, 2019). Eesti ettevõtete kogemused näitavad, et selgelt sõnastatud ärivajadus on projektide õnnestumise eelduseks.

Vajalikud teadmised ja oskused

• Oskus siduda TI kasutus tootearenduse ärieesmärkidega (nt kulude optimeerimine, arenduse kiirendamine, toodete kvaliteedi parandamine).
• Suutlikkus hinnata, millist tüüpi probleemiga on tegemist ja kas see on TI-ga lahendatav.
• Arusaam TI-lahenduste ärilisest mõjust ning oskus vältida üleinseneerimist.
• Oskus määratleda probleemist lähtuvad mõõdikud ja tulemuse hindamise kriteeriumid.

Näide intervjuust: projekti õnnestumiseks peab olema selgelt sõnastatud, miks seda tehakse – kas eesmärk on optimeerida kulusid või kasvatada tulusid.

Tehisintellekti väärtus tootearenduses sõltub suuresti sellest, kui sujuvalt on lahendused lõimitud olemasolevatesse tööprotsessidesse. Lõimimine tähendab võimet ühendada TI-moodulid tootmise ja arenduse süsteemidega (nt ERP, sensorandmete vood, CAD-tarkvara) viisil, mis tagab lahenduste skaleeritavuse ja praktilise kasutatavuse. Kui TI jääb eraldiseisvaks katsetuseks, ei suuda see püsivat väärtust pakkuda.

Rahvusvaheline kogemus rõhutab, et suurim kasu saavutatakse siis, kui TI on osa protsessi tervikust – alates prototüüpimisest kuni tootmiseni. Eesti ettevõtete kogemused kinnitavad, et liidestuse kvaliteet (nt dashboard’ide loogika ja andmevoogude haldamine) on sageli projekti õnnestumise või ebaõnnestumise peamine tegur.

Vajalikud teadmised ja oskused

• Oskus lõimida TI-lahendused olemasolevatesse arendus- ja tootmissüsteemidesse (nt ERP, CAD, pilvelahendused).
• Arusaam skaleeritavuse ja töökindluse tagamise põhimõtetest.
• Oskus kavandada ja hallata andmevoogusid, mis annavad sisendi TI mudelitele.
• Võime tagada süsteemide jälgitavus ja tulemuste läbipaistvus (nt dashboard’ide kaudu).

Näide intervjuust: tööstusettevõte otsis TI-lahendust, mida on võimalik skaleerida kogu tootmismahule.

Näide intervjuust: nägemismudeli kasutuselevõtu edukus sõltus otseselt sellest, kui hästi oli see liidestatud dashboard’ide ja tööprotsessidega.

Näide intervjuust: disainiprotsessidega tegelev ettevõte kasutas Midjourneyt, et kiiresti visandada tootekontseptsioone ja lahendusi – see võimaldas väiksema ajakuluga visualiseerida ideid, täpsustada tellija ootusi ja suunata projekteerimist sobivas suunas.

Paljud TI-lahendused loovad väärtust alles siis, kui need kohandatakse ettevõtte spetsiifiliste vajaduste ja andmetega. Mudelite õpetamine ja häälestamine tähendab eeltreenitud mudelite täiendamist (fine-tuning) ettevõtte parameetrite, terminoloogia ja konteksti järgi. Edukas kohandamine eeldab masinõppe põhimõtete tundmist ning oskust vältida üle- (overfitting) või alatreenimist.

Rahvusvaheline kogemus näitab, et kohandatud mudelid võimaldavad saavutada üldotstarbeliste lahendustega võrreldes suuremat täpsust ja usaldusväärsust. Eesti kogemus kinnitab, et domeenispetsiifiline teadmine tuleb inimestelt – spetsialistidelt, kes aitavad mudelit suunata.

Vajalikud teadmised ja oskused

• Masinõppe põhimõtete ja eeltreenitud mudelite (nt LLM-id, CNN-id) kohandamise oskus.
• Andmete ettevalmistamine, puhastamine ja struktureerimine.
• Arusaam mudeli valideerimisest, generaliseerimisest ja ületreenimise riskidest.
• Oskus kasutada asjaomaseid tööriistu (nt TensorFlow, PyTorch, Hugging Face).

Näide intervjuust: TI-d treeniti küsimuste-vastuste kaudu, kus sisuteadmised pärinesid valdkonna ekspertidelt.

Tehisintellekti lahenduste kvaliteet sõltub otseselt sisendandmete kvaliteedist. Kui andmed on puudulikud, aegunud või ebatäpsed, muutuvad ka mudeli väljundid ebausaldusväärseks. Seetõttu on andmeanalüüs ja -kvaliteedi juhtimine tootearenduses üks kriitilisemaid oskusi.

Eesti ettevõtete kogemused kinnitavad, et ettevõtted alahindavad sageli andmete korrastamise tähtsust. Sageli pettutakse TI-lahendustes, kui tegelik probleem peitub hoopis ettevõtte enda dokumentatsiooni ja andmestike puudulikkuses. Eduka rakendamise eelduseks on selged tööprotseduurid, mis tagavad andmete pideva korrastamise ja kvaliteedikontrolli.

Vajalikud teadmised ja oskused

• Oskus teostada andmeauditeid ja tuvastada andmelünki.
• Arusaam andmete ajakohasuse, täielikkuse ja täpsuse olulisusest.
• Andmete korrastamise ja versioonihalduse põhimõtted.
• Andmete kallutatuse ja ebausaldusväärsuse riskiteadlikkus.

Näide intervjuust: TI ei saa aru, kui andmed ei ole korras – kõik, mis on arvutis kirjas, peab olema ühene ja tõene, muidu ei saa TI aru, milline versioon on õige.

Näide intervjuust: andmekvaliteet on kõige kriitilisem tegur TI kasutuselevõtul; sageli sõltub projekti edu just dokumentatsiooni korrastatusest. Sageli pettutakse, kui TI-lahendus annab mittekvaliteetseid vastuseid, aga ei mõelda, et see info põhineb suuresti ettevõtte enda dokumentatsioonil. Seetõttu tuleb andmeid ja dokumentatsiooni korrastada enne tehisintellekti rakendamist ja hoida ettevõttes töötajaid, kes sellega pidevalt tegelevad või seda tööd koordineerivad. Muidu muutub TI mõju mõttetuks.

Masinnägemise rakendused võimaldavad parandada tootearenduse ja tootmise kvaliteeti, asendades või täiustades inimsilma automaatse kontrolliga. Nägemismudelid suudavad tuvastada defekte, mõõta tooteid ja jälgida liikumist, vähendades vigade hulka ja säästes ressursse.

Rahvusvaheline kogemus näitab, et visuaalanalüüsi rakendamine võib oluliselt vähendada toormekadu ja suurendada tootmisprotsessi kiirust. Eesti ettevõtete kogemus kinnitab, et masinnägemise lahendused võivad tuua märkimisväärset rahalist kokkuhoidu, kui need on integreeritud tootmisliinide ja automaatikaga.

Vajalikud teadmised ja oskused

• Oskus kasutada masinnägemise tehnikaid (nt objektituvastus, defektide tuvastamine, mõõtmine).
• Võime hinnata mudelite täpsust ja töökindlust tootmiskeskkonnas.
• Arusaam visuaalanalüüsi lõimimisest automaatika ja tootmisliinidega.
• Katsete kavandamise ja valideerimise oskus.

Näide intervjuust: TI suudab visuaalse teabe põhjal tooteid eristada paremini kui inimsilm. Lisaks aitab lahendus vähendada toorme raiskamist, tuues aastas 60 000 – 80 000 euro suuruse kokkuhoiu.

Generatiivse tehisintellekti edukas rakendamine sõltub oskusest anda süsteemile täpseid, kontekstitundlikke ja ülesandekohaseid juhiseid, mis suunavad mudeli töötama soovitud viisil. Sama oluline on oskus hinnata saadud tulemuste usaldusväärsust ning dokumenteerida kasutatud juhised korduvuse tagamiseks.

Eesti ettevõtete kogemus kinnitab, et promptimise ja valideerimise oskus on üks peamisi faktoreid, mis eristab tehisintellekti edukat kasutust pealiskaudsest katsetamisest. Tootearenduses tähendab see, et juhised peavad olema seotud konkreetse arendusülesandega – olgu selleks tootekontseptsiooni visandamine, materjalide võrdlus või testitulemuste tõlgendamine.

Vajalikud teadmised ja oskused

• Oskus koostada kontekstitundlikke ja ülesandekohaseid prompte.
• Arusaam mudeli tööloogikast ja piirangutest.
• Tulemuste kriitiline hindamine (täpsus, relevantsus, kallutatus).
• Promptide ja tulemuste dokumenteerimine korduskasutuse jaoks.

Näide intervjuust: kvaliteedikontrolli protsessis lasti TI-l analüüsida testandmete põhjal võimalikud defektid. Valideerimine inseneride poolt näitas, et osa mudeli järeldusi põhines ebapiisaval sisendil.

Näide intervjuust: tooteinsener kasutas generatiivset TI-d uue disainivisandi loomiseks. Alles täpsed juhised materjalide, mõõtmete ja koormuspiiride kohta tõid sobivad variandid.

Näide intervjuust: arendustiim kasutas TI-d kasutajaliidese prototüüpide loomiseks. Edukas oli see, kui prompt sisaldas infot sihtrühma vajaduste, kasutusstsenaariumide ja soovitud disainistiili kohta. Lihtsate käskude korral genereeris mudel aga standardseid ja vähekasulikke lahendusi.

Tehisintellekti rakendamine tootearenduses nõuab tihedat koostööd eri valdkondade spetsialistide vahel. Edukas arendusprotsess hõlmab äri-, inseneri-, andmeteaduse ja disainimeeskondi, kelle teadmised ja kogemused üksteist täiendavad. Koostööoskus tähendab siin võimet tõlkida ärivajadused tehnilisteks kirjeldusteks ning samal ajal selgitada tehniliste lahenduste ärilist väärtust.

Rahvusvaheline ja Eesti kogemus näitavad, et interdistsiplinaarsus on põhitegur, mis eristab edukaid projekte takerdunutest. Kui koostööpartnerid ei jaga piisavalt infot või ettevõte ei panusta aktiivselt aega ja ressursse, võivad projektid jääda seisma isegi siis, kui teadus- või arendusasutused on valmis tehnilist poolt vedama.

Vajalikud teadmised ja oskused

• Oskus juhtida TI-projekte agiilsete või hübriidsete metoodikate abil (nt SCRUM).
• Suutlikkus tõlkida äriülesanded tehnilisteks kirjeldusteks ja tehnilised lahendused äriväärtuseks.
• Koordineerimisoskus testimise ja kasutuselevõtu etappides.
• Suhtlemis- ja kaasamisoskus, sh skeptikute kaasamine ja interdistsiplinaarse meeskonnakultuuri kujundamine.
• Arusaam eri osaliste (äri, arendus, teadus, disain) rollidest ja väärtusest arendusprotsessis.

Näide intervjuust: kuigi TI-lahendust arendab teadusasutus, rõhutati, et ettevõtja peab panustama aega ja ressursse – vastasel juhul projekt ei liigu edasi.

Näide intervjuust: väikeettevõtte ja ülikooli koostööprojektis selgus, et pelgalt teadusasutuse tehniline kompetents ei olnud piisav. Projekti edu eeldas ka ettevõtte ärilise fookuse ja turu tundmise kaasamist, et arendatud TI-lahendus vastaks tegelikule kliendivajadusele ja looks ettevõttele väärtust.

Tehisintellekti kasutuselevõtt tootearenduses muudab töökorraldust ja nõuab aktiivset muutuste juhtimist. Innovatsioonivõime tähendab oskust tuvastada uusi TI rakendusi, hinnata nende potentsiaalset väärtust ja lõimida need olemasolevatesse tööprotsessidesse. Samuti on oluline oskus juhtida organisatsioonilisi muudatusi ja selgitada töötajatele, kuidas TI nende tööd täiendab, mitte ei asenda.

Vajalikud teadmised ja oskused

• Oskus juhtida innovatsiooniprotsessi ideest skaleerimiseni.
• Võime hinnata TI rakenduste ROI-d ja pikaajalist mõju.
• Muutuste juhtimise ja kommunikatsiooni oskus organisatsioonis.
• Oskus motiveerida töötajaid TI-d kasutama kui töö tõhustajat, mitte asendajat.

Näide intervjuust: ettevõte tõi turule uue testimise lahenduse, kus osa laborikatseid asendati TI-põhiste simulatsioonidega. Innovatsioon ei seisnenud ainult uue tehnoloogia juurutamises, vaid ka töökorralduse muutmises: laboritöötajad suunati rutiinsete katsete asemel keerulisemate juhtumite analüüsimisele. See suurendas nii efektiivsust kui ka töötajate motivatsiooni, kuna TI vabastas aega suurema lisandväärtusega töö jaoks.

Tehisintellekti rakendamine tootearenduses kujuneb järjest kaalukamaks konkurentsiteguriks. TI-põhised tööriistad võimaldavad kiirendada arendusprotsessi, suurendada toodete funktsionaalsust ja kvaliteeti ning vähendada vigu. Eduka rakendamise eelduseks on aga spetsiifilised oskused, mis ulatuvad tehnilisest teadmisest strateegilise ja süsteemse mõtlemiseni.

Tootearenduses vajalike TI-oskuste peamised kategooriad on järgmised.

• Probleemipõhine mõtlemine ja ärivajaduste sõnastamine – TI rakendamine algab selgelt määratletud ja äriliselt põhjendatud probleemist. Vale probleemipüstitus viib ebatõhusate tulemusteni või ülemäärase keerukuseni (üleinseneerimise risk).
• Tehniline pädevus ja TI-mudelite tundmine – vajalik on arusaam masinõppe loogikast, mudelite õpetamisest ja generatiivse disaini kasutamisest (nt alternatiivsete lahenduste genereerimine ja hindamine simuleeritud keskkonnas).
• Tööprotsesside lõimimine ja süsteemne mõtlemine – TI-lahenduste efektiivsus sõltub nende sujuvast lõimimisest olemasolevatesse töövoogudesse (nt CAD-süsteemide või testkeskkondadega). Töötajad peavad olema võimelised kombineerima katseandmeid TI-toega simulatsioonidega ning juhtima iteratiivseid arendustsükleid. Nõutav on arusaam nii tarkvara kui ka füüsilise toote arenduse eripäradest.
• Andmekvaliteedi haldamine ja visuaalse info mõistmine – usaldusväärsed andmed on tulemusliku TI kasutuse eeldus. Spetsialistid peavad suutma hinnata sisendite kvaliteeti, hallata eri tüüpi andmeid ning mõista andmestike piiranguid.
• Koostöö ja innovatsioonivõimekus – TI kasutamine nõuab interdistsiplinaarset meeskonnatööd inseneride, andmeteadlaste ja äri vahel. Innovatsioonimeelsus ja katsetamisjulgus on võtmetähtsusega, eriti valdkondades, kus standardlahendused puuduvad.

Peamised tähelepanekud

• Intervjuude põhjal annab TI kasutus olulist ajasäästu dokumentide koostamisel ja disainivisandite loomisel.
• TI levikut inseneerias pidurdavad sageli sobivate sisendandmete puudus ja asjaolu, et valdkonnaspetsiifilised teadmised on seotud ärisaladustega ning pole mudelite treenimiseks kättesaadavad.
• Valdkonna ekspertide tehtav tulemuste valideerimine jääb ka edaspidi TI-lahenduste usaldusväärsuse peamiseks eelduseks.
• Ettevõtted, kes on suutnud lõimida TI tööriistad struktureeritud protsessidesse, on saavutanud suuremat efektiivsust ja väiksemat veamäära – näiteks tootmisvigade vähenemine visuaalse kontrolli automatiseerimise abil või seadistamisaegade lühenemine mudelipõhise optimeerimise kaudu.
• TI rakendamine tootearenduses eeldab eelkõige süsteemset mõtlemist, koostöövalmidust ning valmisolekut protsesse ja meeskondi ümber kujundada.
• Tööprotsesside integreerimine ja süsteemne mõtlemine.

Ettepanek: luua veebipõhine õppematerjal lõppkasutajate TI-alaste oskuste arendamiseks.

Põhjendus: TI rakendamise edu sõltub eelkõige kasutajate oskustest ja hoiakutest, mitte tehnoloogiast endast. Interaktiivne õppematerjal (MOOC-tüüpi) aitaks inimestel samm-sammult harjutada tööriistade valikut, promptide loomist ja tulemuste hindamist (nt tööriista valik → esimene prompt → tulemuse hindamine). Lisaks suurendaks see kriitilise mõtlemise ja turvalise käitumise oskust, mis uuringu järgi on TI igapäevakasutuse põhialus.

Vastutajad: JustDigi koostöös MKMi ja HTMiga

Soovitused ettepaneku elluviimiseks

• Kasutada lihtsat keelt ja visuaale, et õppematerjal sobiks ka baastasemel digioskusega kasutajale (turvalised esimesed trepiastmed).
• Kaaluda sisselogimise võimaluse (nt Smart-ID või Mobiil-ID) lisamist ja personaalse arengutee salvestamist.
• Avaldada need materjalid mõnel olemasoleval õppeplatvormil, näiteks Digiriigi Akadeemias.
• Lähtuda õppematerjalide koostamisel usaldusväärsuse ja sõltumatuse põhimõttest, vältides kallutatust.
• Sisustada õppematerjal peatükis „Tehisintellekti kasutamiseks vajalikud oskused“ kirjeldatud teadmiste ja oskuste saavutamiseks vajalike teemadega.
• TI-teemalised õppematerjalid koostada nii, et üldpõhimõtted oleksid kiiresti muutuvatest detailidest eristatavad. Materjalidesse lisada juhiseid ja ülesandeid, mis arendavad õppijate oskust hinnata ja leida uusimat infot TI arengu kohta, et nad ei sõltuks ainult olemasolevast sisust. Kaaluda võimalust lisamoodulite pakkumiseks olukorras, kus TI võimekuse arenedes lisanduvad aja jooksul lõppkasutaja vaates olulised funktsionaalsused.
• Koostada funktsioonipõhine "promptiraamat" (nt 50 näidet teeninduse, halduse, turunduse, analüüsi, majandusarvestuse, personalitöö vallas või mõnes eraelulises küsimuses). Kasutajale on vaja kergesti mõistetavaid näiteid ja töövahendeid ja -võtteid sisendi koostamiseks tööl või eraelus.
• Lisada tööriistapõhised proovi-kohe-harjutused (nt koosolekute memode koostamine, turundusteksti loomine).
• Kirjeldada põhisammud eesti keeles toimiva TI-assistendi (nt ChatGPT Custom GPT või Copilot Workflow) ülesehitamiseks.
• Kaaluda võimalust katsetada õppematerjalide sobivust ja tulemuslikkust testgrupiga.
• Koostöös eriala- ja ettevõtlusliitudega turundada tehisintellekti õppematerjale eri sihtrühmadele, nii edasijõudnutele kui ka algajatele TI-kasutajatele.

Ettepanek: luua partnerlusplatvorm TI-alase nõustamise pakkumiseks (sh konsultatsioonid ja projektitugi) TI-kontekstis prioriteetsetel ettevõtlusaladel.

Põhjendus: väiksemad ettevõtted jäävad sageli TI kasutuselevõtus maha, sest neil napib teadmisi ja ressursse. Ekspertide kaasamine aitaks neil vältida katsetamist „pimesi“ ja rakendada TI-d seal, kus on suurim tootlikkuse kasvupotentsiaal. Sellest sõltub ka Eesti ettevõtete konkurentsivõime võrreldes innovatsiooniliidritega. Vajadus on kompetentsete nõustajate järele, kes mõistavad valdkonda, saavad aru ettevõtte probleemist, oskavad küsida ettevõttest lähtuvaid küsimusi, et leida üles kohad, kuhu ettevõtte esindaja on toppama jäänud, ja kel on samal ajal teadmised ettevõtte vajadustega sobituvatest eri TI-tööriistakomplektidest. Senine lähenemine ettevõtete toetamiselt (a la AIRE), vajaks läbimõtlemist. Vaja oleks laiemat hõlmatust, fookuse seadmist toe pakkumisele ka generatiivse TI-lahenduste rakendamisel, kaasates ekspertidena laia asjatundjate ringi alates teadusasutustest kuni TI erilahendusi pakkuvate IT-ettevõteteni. EIS-i programmid, nagu "Digitaliseerimise meistriklass", "Ettevõtte arenguprogramm", "Disainibuldooser", „Start-up Estonia“ on juba näidanud, et ekspertnõustamine kiirendab uute tehnoloogiate juurutamist.

Vastutajad: MKM (EIS), kaasates TI alal praktilist kogemust omavaid ettevõtteid ja kõrgkoole

Soovitused ettepaneku elluviimiseks

• Valida TI-kontekstis prioriteetsed ettevõtlusalad. Potentsiaali hindamise kriteeriumid võiksid olla näiteks ekspordisuutlikkus, lisandväärtus ja tootlikkus, TI-rakendamise potentsiaal (edulood ja konkurentsieelised TI rakendamisel, nt kvaliteetsed andmed) (vt ptk „Tehisintellekti rakendamise potentsiaal Eesti ettevõtetes“).
• Toetada nõustamismudelite loomist prioriteetsetele kasvuvaldkondadele, rajades TI-nõustajate võrgustiku sarnaselt nt EIS-i mentorite võrgustikuga.
• Finantseerida üks ühele (probleemipõhist) nõustamist TI kontekstis prioriteetsetel ettevõtlusaladel tegutsevatele VKE-dele, kus TI-ekspert aitab ettevõttel sõnastada probleemi ja hinnata võimalusi selle lahendamiseks TI abil.²²²²
• Edendada juhtide osalust kogemusõppel ja ettevõtetevahelisel teadmusvahetusel. Näiteks korraldades parima TI rakendamise praktikaga tutvumiseks õppekäike või -reise prioriteetsetel ettevõtlusaladel tegutsevatele juhtidele.
• Luua TI-lahenduse tellimise või rakendamise teekaart koos näidisjuhtumite kirjeldusega eri ettevõtlusalade vaates.
• Kaasates erialaliite, tõhustada teavitamist TI-alastest nõustamisvõimalustest ja toetusmeetmetest. Vaadata üle toetusmeetmete tingimused, muutes toetuse kättesaadavamaks ka neile ettevõtetele, kellel on senine kogemus arendustegevuse ja taotluste koostamisega vähene.
• Eelistada toetusprogrammides projekte, kus on otsustajate tasandil strateegiline eestvedaja.
• Soodustada väikeste sammudega katsetamist (nt testrakenduste loomise töötoad) ka nende projektide puhul, kus kohest tasuvust ei ole võimalik hinnata.
• Luua koostöös erialaliitudega näidisjuhendid kogemuste jagamise formaatide juurutamiseks organisatsioonides, näiteks TI-kasutuslugude seminarid, õpitoad, ajurünnakud konkreetsetele probleemidele TI abil lahenduste leidmiseks.

Ettepanek 3.1: toetada juhtimises TI-alast innovatsioonivalmidust, et muuta TI rakendamisele suunatud arendustegevus süsteemseks ja tulemuslikuks.

Põhjendus: TI loob väärtust vaid siis, kui selle rakendamine on juhitud strateegiliselt, mitte pelgalt üksikute katsetuste tasandil. Uuring rõhutab, et juhtidel peab olema oskus siduda TI organisatsiooni äriprotsesside ja eesmärkidega ning vältida üleinseneerimist. Innovatsioonivalmiduse kasvatamine loob keskkonna, kus TI muutub igapäevaseks tootlikkuse allikaks.

Vastutajad: kõrgkoolid, HTM

Soovitused ettepaneku elluviimiseks

• Koolidel luua täiendusõppe võimalused TI-põhise innovatsiooni juhtimiseks vajalike teadmiste ja oskuste arendamiseks, nt mikrokraadiprogrammid, kursused. Ülevaade vajalikest teadmistest ja oskustest, mida õppes arendada, on peatükkides „TI-l põhinevate lahenduste tellimiseks vajalikud oskused“ ja „TI-põhise innovatsiooni juhtimiseks vajalikud oskused“.
• HTM-il kaaluda võimalust toetada osalemist koolitusprogrammides, mis on suunatud TI-põhise innovatsiooni juhtimiseks.

Ettepanek 3.2: toetada TI-alaste õppemoodulite arendamist eri ärifunktsioonide esindajatele (nt klienditeenindus, turundus ja müük, tootearendus).

Põhjendus: Erinevad ärifunktsioonid nõuavad TI rakendamisel erinevaid oskusi – näiteks turunduses loovust ja strateegilist mõtlemist, tootearenduses aga süsteemset mõtlemist ja andmekvaliteedi haldamist. Üldised koolitused tehisintellekti teemadel ei kata ametikohtade ja ärifunktsioonide tegelikke vajadusi. Intervjuudes rõhutati, et tõhus õpe peab lähtuma konkreetsetest tööülesannetest ja valdkondlikust kontekstist, näiteks klienditeeninduses, turunduses, müügis või tootearenduses. Rollipõhised moodulid aitavad siduda TI praktiliste tööülesannetega ning vähendavad riski, et õpitu jääb üldiseks ja rakenduseta.

Vastutajad: koolid, kaasates praktilise tehisintellektikogemusega ettevõtteid

Soovitused ettepaneku elluviimiseks

• Õppemoodulid peavad lähtuma spetsiifilisest tööfunktsioonist ja toetama igapäevaseid tööülesandeid (sh tööriistade valiku põhimõtted, turvalisusnõuded), mitte pakkuma vaid üldist ülevaadet TI-st. Rikastada koolitused praktiliste näidetega – “probleem → TI-põhine lahendus”. Ülevaade vajalikest oskustest ja teadmistest, mida õppemoodulites käsitleda, on peatükis „TI võimaluste kasutamine ärifunktsioonides“.
• Lõimida õppemoodulid kutse-, kõrgharidus- ja täiendusõppe asjaomastesse õppekavadesse.
• Kutse-, kõrgharidus- ja täiendusõppe pakkujatel lõimida andmekaitse teema kõigisse TI teemasid sisaldavatesse õppekavadesse. Ülevaade vajalikest oskustest ja teadmistest, mida õppemoodulites käsitleda, on peatükis „Rollipõhine vaade TI-oskuste vajadusele“ ja „TI võimaluste kasutamine ärifunktsioonides“.

Ettepanek: soodustada kollektiivset õppimist organisatsioonisisese kogemuste jagamise kaudu (TI-kogukond) praktikutest eestvedajate abil (TI-saadikud) ning eestvedajate võrgustamist kogemuste jagamiseks.

Põhjendus: uuring rõhutab, et TI kasutuselevõtu tegelik väärtus tekib siis, kui kogemusi jagatakse ja kollektiivne õppimine saab tavapraktikaks, mitte kui TI jääb üksikute entusiastide tööriistaks. Kollektiivne õppimine aitab ületada töötajate hirme, vähendada teadmiste ja oskuste puudusest tulenevaid takistusi ning toetada organisatsioonikultuuri, mis soosib katsetamist ja uuendusi. TI-saadikud saavad olla praktilised eestvedajad, kelle kaudu luuakse usaldust uute lahenduste suhtes ja kiirendatakse nende igapäevast kasutuselevõttu. Lisaks näitab nii rahvusvaheline kui ka Eesti praktika, et kogemuste vahetamine võrgustikes (nt andmetarkuse alal) on efektiivne viis heade lahenduste levitamiseks ja arengulõhe vähendamiseks.

Vastutajad: MKM, kaasates TI-alal kollektiivse õppimise kogemusega ettevõtteid

Soovitused ettepaneku elluviimiseks

• Kaaluda TI kontekstis prioriteetsetel ettevõtlusaladel organisatsioonisiseste TI-saadikute rolli loomise toetamist selleks sobivate töötajate teadmiste arendamise kaudu (nt mini- grandid/stipendiumid õppereisideks, et tutvuda parima praktikaga, sh välisettevõtetes; konverentsidel osalemiseks), et alustada kollektiivse õppimise protsessi ettevõtetes (TI-kogukond).
• Julgustada, võimaluse korral soodustada TI-saadikutest organisatsioonideülese võrgustiku moodustamist (nagu „Andmetarkuse võrgustik“) parima praktika jagamiseks.

OSKA süsteemis kasutatavate terminite allikad:

1. kehtivad õigusaktid (nt kutseseadus);
2. rahvusvahelised kokkulepped (nt klassifikaatorid);
3. oskuste rakkerühma eestvedamisel ekspertide ühistööna sõnastatud kokkulepped (sh Emakeele Seltsi keeletoimkond);
4. OSKA nõunike kogus sõnastatud kokkulepped.

Ametite klassifikaator – ISCO on ametite klassifikaator, siinses töös viidatakse selle lühendiga klassifikaatori 2008. aasta versioonile 1.5b.

Amet, ametikoht (ingl occupation/job) – tööülesannete kogum, mida isik täidab oma töökohal ja mille eest ta saab tasu. Ametinimetused ja kutsenimetused võivad kokku langeda.

Ametiala (ingl occupation) – sarnaste ametite kogum.

Ametialagrupp – OSKA andmemudeli ühik, mis koondab ametialad 70 grupiks, kasutades ametite klassifikaatorit ja Eesti majanduse tegevusalade klassifikaatorit.

Ametirühm (ingl group of occupations) – sarnaste ametialade kogum ametite klassifikaatoris (AK).

Eriala (ingl speciality) – teaduse, tehnika, kunsti vms kitsam, suhteliselt kindlamini piiritletud ala; spetsiaalala. Eriala seostub eelkõige õppimise ja õppekavaga, vahel spetsialiseerumisalaga õppekavas. Eriala nimetusena kasutatakse tegevusala nimetust (mitte tegijanime, nagu kutse puhul).

Ettevõtlussektor – siia alla kuuluvad kõik ettevõtted, organisatsioonid ja institutsioonid, mille põhitegevus on kaupade tootmine või teenuste (v.a kõrgharidusteenuste) pakkumine müügiks majanduslikult tasuva hinna eest.

Innovatsioon – uute ideede ja teadmiste kasutamine uudsete lahenduste rakendamiseks. Innovatsioon hõlmab toodete ja teenuste väljatöötamist ja uuendamist (tooteinnovatsioon), turgude hõivamist ja laiendamist (turuinnovatsioon), uute tootmis-, tarne- ja müügimeetodite loomist ja juurutamist (protsessiinnovatsioon), uuendusi juhtimises ja töökorralduses (organisatsiooniinnovatsioon) ning töötingimuste ja personali oskuste arendamist (personaliinnovatsioon).

Kompetentsus (ingl competence) – tegevuses väljenduv teadmiste, oskuste ja hoiakute kogum, mis on eelduseks teatava tööosa täitmisel.

Koordinatsioonikogu – põhiülesanne on juhtida tööturu koolitustellimuse formeerimist ja leida tasakaal kutsetegevuse valdkondade vajaduste vahel. OSKA koordinatsioonikogu moodustab vastutav minister seaduse alusel²³²³.

Kvalifikatsioon (ingl qualification) – hindamise ametliku tulemusena tunnustatud kompetentsus. Kvalifikatsioonid jagunevad järgmiselt: hariduslikud kvalifikatsioonid (educational qualifications) ja kutsekvalifikatsioonid (occupational qualifications).

Kompetents (igl competency) – tegevuses väljenduv teadmiste, oskuste ja hoiakute kogum, mis on eeldus teatava tööosa täitmisel. Kompetentsid jagunevad üldisteks ja kutsespetsiifilisteks kompetentsideks.

Kutsespetsiifilised kompetentsid (ingl specific hard skills) – tööosade ja -ülesannetega otseselt seotud madala ülekantavusega kompetentsid.

Lisandväärtus – rahalises väljenduses toodang (teenused), millest on maha arvatud vahetarbimine.

OSKA (ingl system for monitooring and anticipating labour market training needs) – tööjõu- ja oskuste vajaduse seire- ja prognoosisüsteem.

OSKA koordinatsioonikogu (ingl OSKA Coordination Council) – OSKA juhtorgan, mille põhiülesanne on tööturu koolitustellimuse formeerimise juhtimine ja tasakaalu leidmine kutsetegevuse valdkondade vajaduste vahel. Koordinatsioonikogu moodustab vastutav minister seaduse alusel.

OSKA valdkond (ingl sector for labour market training needs monitoring and forecasting) – sarnaste majandustegevus- või kutsealade kogum, mille ulatuses koostatakse valdkondlik tööturu koolitusvajadus ja tegutseb eksperdikogu.

Oskus (ingl skill) – võime sihipärast tegevust planeerida ja ellu viia.

Oskuste vajadus (ingl skills anticipation) – teave valdkonnas edukaks hakkamasaamiseks vajalikest olulistest kompetentsidest ning nende puudujääkidest töötajatel; kahaneva ja kasvava vajadusega kompetentsidest; tulevikuoskustest; kompetentsiprofiilide kirjeldamise vajadusest (ka kutsestandardite olemasolust).

Tööjõud (ingl labour force) tööga hõivatud ja töötud. Töötuks loetakse isik, kes ei tööta, otsib aktiivselt tööd ning on valmis töö leidmisel tööle asuma.

Tööjõu tootlikkus lisandväärtuse alusel (edaspidi: tootlikkus) ehk tööviljakus – näitab, kui palju lisandväärtust on loodud tööga hõivatud isiku kohta (lisandväärtuse ja tööga hõivatud isikute arvu suhe).²⁴²⁴

Tööjõuvajaduse prognoos (ingl labour demand forecast) – võimalikke tööturu arengusuundumusi arvestav ja töötajate vajadust kirjeldav arvuline hinnang, kui palju võiks olla vaja täiendavaid töötajaid erinevates OSKA valdkondades, ametirühmades ja haridustasemetel.

Tööjõuvajaduse seire (ingl monitoring of labour demand) – majanduses rakendatud tööjõu ja OSKA valdkondades esineva tööjõuvajaduse kohta andmete kogumine, analüüsimine ning avaldamine nii tervikuna kui ka ametirühmade, valdkondade ja haridustasemete kaupa, kasutades kvantitatiivseid ja kvalitatiivseid meetodeid.

Tööturu koolitusvajadus (ingl labour market training needs and the number of commissioned study places) – tööjõuvajaduse prognoosist ja oskuste vajadusest lähtuv OSKA valdkondade põhine ettepanekute ning soovituste kogum koolituskohtade planeerimiseks ja õppesisu arendamiseks erinevate haridusliikide ja -tasemete ning õppevaldkondade kaupa.

Valdkonna eksperdikogu (VEK) (ingl sectoral expert panel) – ekspertidest moodustatud koostöökogu, mille ülesanne on OSKA valdkonnas tööturu koolitusvajaduse väljaselgitamine ja täitmise seire. Valdkonna eksperdikogu võib oma töö paremaks korraldamiseks (näiteks alavaldkonna koolitusvajaduse väljaselgitamiseks) moodustada töörühmi, kaasates sinna ka liikmeid eksperdikogust väljastpoolt.

Õppekavagrupp – kõrgharidusstandardis kehtestatud liigitus, mis hõlmab õppesuundi või õppekavade rühmi ning mille alusel saab õppeasutus taotleda ja Vabariigi Valitsus anda õppeasutusele õiguse korraldada kõrgharidustaseme õpet ning väljastada vastavaid akadeemilisi kraade ja diplomeid.

Üldised kompetentsid – sisaldavad suures ulatuses kõikidele kvalifikatsioonidele ülekantavaid käitumuslikke kompetentse, mis on seotud hoiakutega ja inimese võimega oma oskusi rakendada (nt suhtlemine, kohanemine ja toimetulek). Samuti kuuluvad üldiste kompetentside hulka keskmise ja suure ülekantavusega teadmistel ning oskustel põhinevad kompetentsid (nt IKT-, õigus-, majandusalane ja keskkonnateadlikkus).

Sissejuhatus: uuringu eesmärk ja fookus: andmete ja tehisintellektiga seotud oskused ning teadmised majandussektorites eri ametialadel, kus TI-kasutamise kasvupotentsiaal ning mõju lisandväärtusele ja tootlikkusele on suurim. Hinnata, millised tegevused/teenused on vajalikud andmete ja tehisintellektiga seotud oskuste ning teadmiste suurendamiseks tööturul, et kutsuda esile positiivset mõju ettevõtluse ja ühiskonna jaoks.

1. Ettevõtte taust ja lahenduse kontekst

   • Palun kirjeldage lühidalt oma ettevõtet, selle tegevusvaldkonda ning selgitage, millist väärtust ja kellele loob kasutatav TI-lahendus.

2. Lahenduse mõju

   • Ettevõtte juhtide valmisolek lahenduse kasutuselevõtuks (innovatsiooniks)? Millised on juhtide oskused ja kui oluline on juhi roll selles protsessis?
   • Milliste argumentidega selgitati töötajatele TI-lahenduse kasutuselevõttu? Milliseid muudatusi tehti tegevusprotsessides
   • Andke hinnang, milline on olnud teie TI-lahenduse kasutamise mõju.
   • Kas ettevõttes kasutatav lahendus toetab kulude optimeerimist või tulu kasvu?

3. TI kasutuselevõtt ja töötajate valmisolek

   • Millised töötajate ametikohad on TI kasutuselevõtust kõige enam mõjutatud?
   • Kas ja kuidas muutusid töötajate tööülesanded pärast TI kasutuselevõttu?
   • Milliste oskuste järele vajadus aktualiseerus TI kasutuselevõtuga?
   • Kas ja kuidas on töötajaid TI kasutamiseks koolitatud? (Kui jah, siis kuidas koorus välja koolitusvajadus – st kellele ja mida oli vaja juurde õpetada?)

4. Tulevik ja soovitused

   • Millised on peamised väljakutsed, millega ettevõte seisab silmitsi seoses TI-lahenduste arendamise ja kasutamisega?
   • Kuidas tagada TI-projekti jätkusuutlikkus olukorras, kus ei ole tegemist n-ö karbitootega: uue info lisandumine, mudeli pidev õpetamine – kes seda teeb, kust tulevad andmed, milliste oskustega töötajaid selleks on vaja?
   • Kuidas näete TI rolli arengut oma ettevõttes järgmisel viiel aastal?
   • Milliseid riiklikke meetmeid või toetusprogramme peate kõige olulisemaks töötajate TI-alaste oskuste arendamiseks?
   • Kas teil on muid ettepanekuid, kuidas riik saaks toetada TI ja andmetega seotud oskuste arendamist?

Footnotes

1. IBM (2024). Artificial intelligence (AI) is technology that enables computers and machines to simulate human learning, comprehension, problem solving, decision making, creativity and autonomy. https://www.ibm.com/think/topics/artificial-intelligence?utm_source=chatgpt.com ↩

2. Statistikaameti uuringu „Infotehnoloogia ettevõttes“ põhjal, täpsemalt uuringust https://stat.ee/et/node/104 ↩

3. Ettevõtete käest küsitakse TI tehnoloogia kasutamise kohta konkreetsete näidete varal, vt täpsemalt ankeedist https://www.stat.ee/et/kusimustikud/infotehnoloogia-ettevottes-2024-aasta. ↩

4. 2023 . a ja 2024. a olid innovatsiooniliidrid Taani, Rootsi, Soome ja Holland. https://projects.research-and-innovation.ec.europa.eu/en/statistics/performance-indicators/european-innovation-scoreboard/eis-2024#/eis. ↩

5. Ettevõtluses TI rakendamise liiderriigid: Taani, Rootsi, Belgia, Soome, Luksemburg, Holland. ↩

6. TI rakendamise liiderriikides keskmiselt toovad suurettevõtted võrreldes Eesti suurettevõtetega rohkemal määral välja takistusi TI kasutusele alates oskuste nappusest, andmete kättesaadavusest kuni õiguslike ja eetiliste tagajärgede ebaselguseni (vt lähemalt Eurostat, isoc_eb_TI https://ec.europa.eu/eurostat/databrowser/view/isoc_eb_ai__custom_17005159/default/table). ↩

7. Statistikaamet, tabel IT149: tehisintellekti tehnoloogiaid kasutanud ettevõtted. ↩

8. Ettevõtluses TI rakendamise liiderriigid 2024: Taani, Rootsi, Belgia, Soome, Luksemburg, Holland (vt joonist 4). ↩

9. Administratiivsetes protsessides TI-lahenduste kasutamine hõlmab Statistikaameti ankeedi kohaselt järgimisi näiteid: virtuaalsed assistendid; kõne konvertimine tekstiks (transkriptsioonid); masinõppel põhinev automaatne planeerimissüsteem; masinõppel põhinev andmeanalüüs / strateegiline otsustamine, nt riskihindamine; masintõlge. ↩

10. B2B – lühend väljendist Business to Business, eesti k ettevõttelt ettevõttele suunatud müük. ↩

11. B2C – lühend väljendist Business to Customers, eesti k ettevõttelt tarbijale suunatud müük. ↩

12. Ettevõtluses TI rakendamise liiderriigid 2024: Taani, Rootsi, Belgia, Soome, Luksemburg, Holland (vt joonist 4). ↩

13. Jaotuse aluseks on Eesti Majanduse Tegevusalade Klassifikaator (EMTAK), ↩

14. Sealhulgas info ja side, finants ja kindlustus, õigus, teadus- ja arendustegevus. ↩

15. Sealhulgas info ja side, finants ja kindlustus, õigus, teadus- ja arendustegevus. ↩

16. Vt täpsemalt jooniselt 4 ↩

17. plugin on pistikprogramm (hõlpsalt paigaldatav, olemasoleva tarkvarakomponendi võimalusi laiendav). Eesti õigekeelsussõnaraamat ÕS 2018. ↩

18. Oskuste ülevaade on peatükis 3.1 „Tehisintellekti kasutamiseks vajalikud oskused“ ↩

19. Üleinseneerimine tähendab olukorda, kus probleemile luuakse lahendus, mis on tarbetult keerukas, kallis või mahukas võrreldes tegeliku vajaduse ja loodava väärtusega. ↩

20. ROI näitab, kui suur on investeeringust saadav kasu võrreldes investeeringu maksumusega. ↩

21. Oskuste ülevaade on peatükis 3.1 „Tehisintellekti kasutamiseks vajalikud oskused“. ↩

22. Eksperdihinnangu järgi on 50–250 töötajaga ettevõtetel TI-lahenduste rakendamine problemaatilisem võrreldes mikro- ja suurettevõtetega, kuna neil on protsessid muutunud keerukamaks, samal ajal kui juhtimisvõimekust napib. Mikroettevõtted on paindlikumad ja vajalike lahenduste kasutuselevõtt lihtsam (nt kasutajalitsentside arv väiksem) ning suurettevõtetel harilikult piisavalt finantsvõimekust teenuste sisseostmiseks, vajalike oskustega inimeste palkamiseks või koolitamiseks. ↩

23. Koordinatsioonikogusse kuuluvad Haridus- ja Teadusministeeriumi, Majandus- ja Kommunikatsiooniministeeriumi, Sotsiaalministeeriumi, Rahandusministeeriumi, Siseministeeriumi, Eesti Tööandjate Keskliidu, Eesti Kaubandus-Tööstuskoja, Teenistujate Ametiliitude Keskorganisatsiooni TALO, Eesti Ametiühingute Keskliidu, Töötukassa ja Eesti Panga esindajad. ↩

24. Täpsemalt: National accounts based productivity indicators. Eurostat. https://ec.europa.eu/eurostat/cache/metadata/en/nama_10_prod_esms.htm. ↩