MobAI – kun tekoälystä tulee tiimin jäsen

Monessa organisaatiossa tekoäly otetaan käyttöön yksi ihminen kerrallaan. Yksi tekee kalvoja Copilotilla, toinen analysoi testituloksia tekoälyn avulla ja kolmas käyttää sitä koodin testaamiseen.

Tämä voi nopeuttaa yksilöiden työtä. Monimutkainen tuote- ja palvelukehitys ei kuitenkaan ole vain yksilön tuottavuusongelma. Siinä tarvitaan yhteistä tilannekuvaa, liiketoiminnan ja asiakkaan ymmärtämistä, eri alojen asiantuntijoiden yhteistyötä sekä jatkuvaa päätöksentekoa.

Siksi seuraava askel ei ole vain entistä parempi henkilökohtainen AI-assistentti.

Se on tekoäly, joka toimii tiimin osana.

Tätä varten on MobAI.

Tekoäly osaksi yhteistä työtä

MobAI® yhdistää mob-työskentelyn ja tekoälyn. Tiimi työskentelee yhdessä saman todellisen ongelman parissa samaan aikaan tekoälyn avustuksella.

Tekoäly voi auttaa esimerkiksi tiedon hakemisessa, vaihtoehtojen tuottamisessa, ohjelmoinnissa, analyysissä ja prototyyppien rakentamisessa. Ihmiset tuovat työhön tavoitteet, liiketoimintaymmärryksen, kokemuksen, arvostelukyvyn ja vastuullisuuden.

Kyse ei ole tilanteesta, jossa yksi ihminen kirjoittaa kehotteita ja muut katsovat. Kyse ei myöskään ole siitä, että jokainen työskentelee erikseen oman tekoälynsä kanssa ja että tulokset yritetään lopuksi sovittaa yhteen.

MobAI:ssa tiimi on oppimisen ja tekemisen perusyksikkö. Tekoäly ei ole työn ulkopuolinen työkalu vaan yksi osallistuja yhteisessä työskentelyssä.

MobAI-termiä käytti ensimmäisen kerran Joe Justice toukokuussa 2023. Menetelmä rakentuu Woody Zuillin tunnetuksi tekemän mob programmingin eli software teamingin pohjalle: koko tiimi työskentelee yhdessä saman asian parissa. MobAI lisää työskentelyyn aktiivisesti osallistuvan tekoälyn. Joe Justice ja Agile Business Institute

Koodaustiimistä agenttien rakentajaksi ja valvojaksi

Koodausagentit pystyvät jo suunnittelemaan ratkaisuja, kirjoittamaan ja testaamaan koodia sekä käyttämään itsenäisesti erilaisia työkaluja. Seuraava kehitysaskel on useiden erikoistuneiden agenttien muodostamat agenttitiimit ja -parvet.

Tämä ei poista ihmistiimin tarvetta. Päinvastoin.

Mitä itsenäisemmin agentit toimivat, sitä tärkeämmiksi tulevat niiden tavoitteet, rajat, käyttöoikeudet, arvioinnit ja valvonta. Ihmisten pitää pystyä ymmärtämään:

• mitä tehtävää kukin agentti suorittaa
• mitä tietoja ja työkaluja se käyttää
• mitä se siirtää seuraavalle agentille
• millä perusteella tulos hyväksytään
• missä kohdassa tarvitaan ihmisen päätös
• miten virheellinen toiminta pysäytetään.

MobAI tarjoaa tähän käytännöllisen tiimimallin.

Kuljettaja käyttää yhteistä työkalua. Navigoija auttaa valitsemaan seuraavan askeleen. Muu tiimi arvioi agentin ehdotuksia, tuo tarvittavaa asiantuntemusta ja seuraa kokonaisuuden etenemistä. Roolit vaihtuvat säännöllisesti, jotta osaaminen, vastuu ja ymmärrys eivät jää yhdelle henkilölle.

Työ etenee lyhyissä kierroksissa. WikiAgilen harjoituksissa olemme käyttäneet 7 minuutin iteraatioita. Jokaisen kierroksen jälkeen tarkastellaan, mitä agentti teki, mitä opittiin, mitä pitää testata ja millaista lisäkontekstia seuraava kierros tarvitsee.

Näin koodaustiimi ei ainoastaan käytä valmiita agentteja. Se oppii yhdessä rakentamaan, ohjaamaan, arvioimaan ja parantamaan niitä – ja kantamaan vastuun niiden toiminnasta.

MobAI-ajattelussa ihmistiimi muodostaa agenttien ympärille jatkuvan palaute-, valvonta- ja oppimissilmukan. Ilman arviointia agentin toiminta voi ajautua sivuun ihmisten asettamasta tavoitteesta.

Agentti voi esimerkiksi oppia optimoimaan väärää mittaria tai läpäisemään testin ratkaisematta varsinaista ongelmaa. Koodausagentti saattaa saada kaikki testit näyttämään vihreiltä muuttamalla testejä sen sijaan, että korjaisi ohjelmiston. Tätä kutsutaan reward hackingiksi. OpenAI: How we monitor internal coding agents for misalignment

Agenttiparvessa yhden agentin virheellinen oletus voi siirtyä seuraavalle agentille ja muuttua tämän työn lähtötiedoksi. Näin pienetkin virheet voivat kertautua ja tuottaa odottamattomia systeemitason seurauksia. Anthropic: Patterns and problems in emerging multiagent systems

Tavoitteena ei ole, että ihminen hyväksyy käsin agentin jokaisen välivaiheen. Se poistaisi suuren osan agenttien tuomasta nopeudesta. Tavoitteena on rakentaa tarkoituksenmukainen valvonta: agentit toimivat sovituissa rajoissa, niiden työstä jää jälki, poikkeamat tunnistetaan ja riskialttiit tilanteet eskaloidaan ihmisille.

Samalla tiimi parantaa palautteen perusteella agenttien ohjeita, arviointeja, algoritmeja ja suojakaiteita.

MobAI ei ole vain koodaamisen menetelmä

MobAIta voidaan käyttää myös silloin, kun halutaan edetä nopeasti liiketoiminnan tarpeesta toimivaan prototyyppiin.

Kaikkien ei tarvitse osata rakentaa AI-agentteja. Eikä kaikkia kannata kouluttaa agenttikehityksen asiantuntijoiksi. Samaan tiimiin voidaan sen sijaan tuoda liiketoiminnan ja prosessin tuntijat, tuotehallinta, agenttien rakentamisen osaaja sekä tarvittavat tietoturva-, juridiikka- ja teknologiasasiantuntijat.

Käytettävyyssuunnittelija voi esimerkiksi rakentaa prototyypin yhdessä liiketoiminnan, tuotehallinnan ja agenttiosaajan kanssa. Tarvetta, käyttökokemusta ja ratkaisua tarkennetaan samanaikaisesti sen sijaan, että tehtävä siirtyisi vaiheittain osastolta toiselle.

Sama periaate toimii laitekehityksessä. Fyysisen tuotteen tai komponentin simulaatiota voidaan rakentaa yhdessä laiteasiantuntijan, ohjelmisto-osaajan ja tekoälyn kanssa. Simulaatio ei poista fyysisen tuotteen rakentamisen tarvetta, mutta se aikaistaa palautetta ja oppimista.

MobAI on myös muutoksen menetelmä.

Pelkkä koulutus tekoälyn mahdollisuuksista ei yleensä muuta organisaation toimintaa. Ihmisten pitää saada kokea, miltä uudenlainen työ tuntuu.

WikiAgilen työpajoissa olemme käyttäneet oppimisen välineenä esimerkiksi robottien ohjelmointia. Osallistujien ei tarvitse osata Pythonia tai robotiikkaa ennestään. He kokevat käytännössä, kuinka monialainen tiimi voi tekoälyn avulla oppia nopeasti, kokeilla, epäonnistua turvallisesti ja saavuttaa tuloksen.

Tämän jälkeen samaa toimintatapaa voidaan soveltaa organisaation omiin tuotteisiin, palveluihin ja prosesseihin.

MobAIta sovelletaan jo ohjelmistokehitystä laajemmin

MobAI on nuori käsite, joten julkisesti dokumentoituja yritysesimerkkejä on vielä vähän. Menetelmää on kuitenkin käytetty ohjelmistojen lisäksi esimerkiksi laite- ja elektroniikkasuunnittelussa, tuotantorobotiikassa, sulautetuissa järjestelmissä, tuotesuunnittelussa, liiketoiminnan kehittämisessä ja koulutuksessa.

Ruotsissa MobAIta on opetettu esimerkiksi KataCon Europessa. Julkisesti kuvatussa TRATONin esimerkissä kehitystiimi ryhtyi käyttämään yhteisiä, päivittäisiä mob-työskentelyjaksoja tekoälyn tukemana. Tavoitteina olivat nopeampi ongelmanratkaisu, avainhenkilöriippuvuuksien vähentäminen ja yhteisen omistajuuden vahvistaminen. TRATON-tiimin kokemuksia

Suomessa olemme WikiAgilella käyttäneet MobAIta tuotekehityksessä, johtamisessa ja organisaatiomuutoksissa. Menetelmän ydin ei ole tietyssä tehtävässä tai toimialassa, vaan siinä, että ongelman ratkaisemiseen tarvittavat ihmiset, osaaminen ja tekoäly alkavat työskentelemään yhdessä.

AI-Native SAFe kulkee samaan suuntaan

Scaled Agile julkisti AI-Native SAFe:n kesäkuussa 2026 ja esitteli kokonaisuuden syyskuussa SAFe Summitissa. Kyse ei ole vain tekoälyominaisuuksien lisäämisestä vanhan SAFe-kehyksen päälle, vaan AI-aikaan tarkoitetusta toimintamallista. AI-Native SAFen julkistus

AI-Native SAFe ei käytä MobAI-nimeä. Sen tiimimallissa on kuitenkin paljon samoja ydinelementtejä.

AI-Native-tiimi yhdistää tuoteosaamisen, rakentamisosaamisen, toimiala-asiantuntemuksen ja tekoälyn. Ihmiset säilyttävät vastuun päätöksistä ja laadusta, vaikka agentit nopeuttavat toteutusta. Työ etenee jatkuvana suuntaamisen, havainnoinnin ja reagoinnin virtana. AI-Native Teams, Roles and ARTs

AI-Native SAFe korostaa myös autonomisten agenttien valvontaa. Hallinta muodostuu säännöistä, automaattisesta poikkeamien tunnistamisesta ja ihmisen harkinnasta. AI Governance and Ethics

AI-Native SAFe ei siis nimeä MobAIta osaksi malliaan. Sen tiimimallissa näkyy kuitenkin sama perustava muutos yksilöllisestä tekoälyn käytöstä yhteiseen ja valvottuun AI-työhön.

AI-natiiviksi ei tulla ostamalla lisää työkaluja

Organisaatiosta ei tule AI-natiivia siten, että kaikille hankitaan tekoälylisenssi.

Muutos tapahtuu vasta, kun tekoäly liitetään yhteiseen työhön: ongelmien määrittelyyn, vaihtoehtojen tutkimiseen, kokeilemiseen, päätöksentekoon ja oppimiseen.

MobAI tekee tämän muutoksen näkyväksi, turvalliseksi ja harjoiteltavaksi.

Kun tekoälystä tulee tiimin jäsen, kysymys ei enää ole vain siitä, kuinka nopeasti yksi ihminen saa aikaan enemmän.

Kysymys on siitä, kuinka nopeasti koko tiimi pystyy oppimaan, valvomaan tekoälyä, ratkaisemaan oikeita ongelmia ja muuttamaan ideat arvoksi.