Tekoäly tuo tulosperusteiset liiketoimintamallit kaikkien ulottuville – vaikeinta on niiden skaalaaminen

Julkaistu aiheella Strategia, AI

Eveliina Lakka

Liiketoimintastrategi

Eveliina Lakka on Nitorin liiketoimintastrategi, joka väitteli hiljattain tohtoriksi dataohjautuvista liiketoimintamalleista. Tässä artikkelissa hän tarkastelee, mitä tulosperusteisten liiketoimintamallien skaalaaminen vaatii tekoälyn aikakaudella. Artikkeli perustuu hänen tutkimukseensa, joka julkaistiin Industrial Marketing Management -lehdessä vuonna 2026.

11. marraskuuta 2026 · 7 min lukuaika

Kaikki haluavat myydä tuloksia, mutta vain harva onnistuu. Liiketoiminta- ja P&L-vastuussa oleville tämä on dilemma: Kun tekoäly hoitaa yhä useampia tehtäviä itsenäisesti käyttäjien puolesta, entistä useammat yritykset pystyvät veloittamaan tuloksista tuotteiden, käyttötuntien tai tehdyn työn sijaan. Tämän muuttaminen skaalautuvaksi liiketoimintamalliksi on kuitenkin vaikeaa.

Moni tunnetuimmista tulosperusteisista liiketoimintamalleista tulee teollisuudesta. Klassiset esimerkit ovat monelle tuttuja: Rolls-Royce myy moottoreiden sijaan lentotunteja, ja Michelin laskuttaa renkaiden sijaan niillä ajettuja kilometrejä. Tekoäly madaltaa kynnystä tulosten tuottamiseen, mittaamiseen ja hyödyntämiseen, mikä tuo tulosperusteiset liiketoimintamallit lähes minkä tahansa yrityksen ulottuville. MIT CISR arvioikin, että liiketoimintamallit muuttuvat entistä tulosperusteisemmiksi, kun tekoäly hoitaa yhä suuremman osan varsinaisesta työstä ja asiakkaat vaativat tiiviimpää yhteyttä hinnan ja saamansa arvon välille.

Arki näyttää kuitenkin vielä toiselta. Bainin analyysi noin 200 B2B-ohjelmistoyrityksestä osoitti, että vain noin joka kymmenes tekoälyn hinnoittelumalli on sidottu tuloksiin. Muut veloittavat tekoälyn tekemästä työstä, kuten laskenta-ajasta tai käytetyistä krediiteistä, tai sen tuottamista tuotoksista, kuten luonnoksista tai päivitetyistä tietueista.

Tahtotilaa ja kokeiluja siis riittää, mutta tulosperusteisten mallien skaalaaminen pysyväksi liiketoiminnaksi on yhä vaikeaa. Monet teollisuusyritykset ovat opetelleet vuosien ajan tulosten tuottamista, mittaamista ja hinnoittelua, ja nämä kokemukset paljastavat, mihin skaalaaminen usein juuttuu. Tämä artikkeli perustuu tutkimukseen, jonka tein yhdessä tutkijakollegoideni kanssa yhdeksästä tulosperusteisia liiketoimintamalleja soveltavasta teollisuusyrityksestä. Tutkimus julkaistiin hiljattain Industrial Marketing Management -lehdessä.

Skaalaaminen ei ole sama asia kuin kasvu

Skaalaamisesta on tullut yleissana, jota käytetään usein kasvun synonyyminä. Yritys voi kuitenkin kasvaa olematta skaalautuva. Pohjimmiltaan skaalaamisessa on kyse siitä, että arvoa syntyy enemmän ilman, että kustannukset kasvavat samassa suhteessa. Toisin sanoen, tuotokset kasvavat nopeammin kuin panokset.

Tekoäly tuo kasvun ja skaalautumisen eron terävästi esiin. Perinteisessä ohjelmistossa yksi uusi käyttäjä ei juuri lisää laskentakustannuksia, mutta tekoälyssä jokaisella suoritetulla tehtävällä on käyttökustannus. Nämä kustannukset laskevat nopeasti, mutta samalla tekoäly ottaa hoitaakseen yhä pidempiä ja monimutkaisempia tehtäviä, joten yhden asiakkaan palveleminen voi maksaa aivan eri verran kuin seuraavan.

Skaalaamista ei kannatakaan nähdä erillisenä lineaarisena vaiheena, joka alkaa pilottien ja kokeilujen jälkeen. Se on kyvykkyys, joka pitää rakentaa suoraan osaksi liiketoimintamallia, eli sitä, miten arvoa luodaan, tuotetaan ja kotiutetaan. Sopivin skaalauslogiikka ei myöskään ole staattinen, vaan se muuttuu liiketoiminnan kypsyessä.

Neljä tapaa skaalata

Tutkimuksessamme tarkastelimme tulosperusteisten liiketoimintamallien skaalaamista neljän eri skaalauslogiikan kautta. Logiikat ovat peräisin yleisestä skaalaustutkimuksesta, joten vaikka kohdeyritykset olivat teollisuudesta, ne tarjoavat hyödyllisen näkökulman myös muille tulosperusteisia liiketoimintamalleja hyödyntäville yrityksille:

Mittakaavaedut (Economies of scale)

Miten voimme tuottaa enemmän arvoa pienemmillä resursseilla standardoinnin ja toiston avulla?

Hyvä esimerkki tästä on tekoälypohjainen asiakastuki. Se on harvoja alueita, joissa tulosperusteinen hinnoittelu on yleistynyt, koska ratkaistu asiakaspalvelutilanne on yleensä helppo mitata ja standardoida. Jos haluttu lopputulos ja onnistumisen kriteerit joudutaan sopimaan erikseen jokaisen asiakkaan kanssa, myynnistä ja toimituksesta tulee kustomoitu projekti, jota on vaikeampi skaalata. Sama pätee toimitukseen: jos jokainen uusi asiakas vaatii räätälöidyn käyttöönoton tai datan siivouksen, volyymi kasvaa, mutta katteet eivät.

Laajuuden edut (Economies of scope)

Miten voimme laajentaa ja syventää tekemistämme asiakkaille hyödyntämällä samoja kyvykkyyksiä useammissa tarjoomissa?

Asiakkaat arvostavat eniten tekoälyä, joka hoitaa kokonaisen tehtävän eikä vain yksittäistä työvaihetta. Toimittaja, joka vastaa koko tehtävästä, voi myös helpommin ottaa vastuun koko lopputuloksesta.

Tutkimuksessa havaittiin sama ilmiö teollisuusyrityksissä. Kypsimmät yritykset ottivat asiakkailtaan hoitaakseen kokonaisia prosesseja ja laajensivat palvelujaan niiden sisällä. Yksi kemianteollisuuden yrityksistä rakensi palveluja, jotka ennakoivat, mitä asiakkaan tehtaalla on tapahtumassa, ja säätivät kemikaaleja automaattisesti reaaliaikaisen datan perusteella. Kun tekoäly hoitaa seurannan ja säädön automaattisesti, yhteistyö ei vaadi asiantuntijaa jokaisen asiakkaan rinnalle, joten mallia voi skaalata useammalle asiakkaalle. Samalla riskit kasvavat: mitä tiiviimmin toimittaja on mukana asiakkaan prosesseissa, sitä enemmän sen tulokset riippuvat asiakkaan järjestelmistä, datasta ja päätöksistä sekä muista mukana olevista kumppaneista.

Oppimisen edut (Economies of learning)

Miten voimme oppia kilpailijoitamme nopeammin ja muuttaa oppimamme paremmiksi prosesseiksi ja tarjoomaksi?

Tutkimuksemme mukaan tulosperusteisia malleja vasta kokeilevissa yrityksissä opit jäivät usein muutaman asiantuntijan varaan. Eräs haastateltu johtaja kiteytti ongelman näin: ”Jos datan analysointi vaatii kokeneen asiantuntijan, miten voimme skaalata sitä?” Tekoäly voi ratkaista tämän siirtämällä ihmisasiantuntijoiden osaamisen malleihin, jotka toimivat ilman, että ihmisasiantuntija on paikalla.

Automatisoinnilla on kuitenkin myös kääntöpuolensa. Mitä enemmän osaamista siirretään ohjelmistoon, sitä toistettavampaa työstä tulee, mutta samalla vähenee harkinnanvaraisuus totutusta poikkeavissa tilanteissa. Esimerkiksi asiakaspalveluohjelmistoja kehittävä Zendesk testasi kuukausien ajan poikkeustapauksia ja määritteli, mikä lasketaan ratkaistuksi, ennen kuin se pystyi veloittamaan asiakkaita tulosperusteisesti. Tuloksen määrittely on siis ensimmäinen asia, joka on opittava.

Rakenteelliset edut (Economies of structure)

Miten voimme rakentaa organisaation, teknologian ja kumppanuudet niin, ettei monimutkaisuus kasva liiketoimintaa nopeammin?

McKinseyn arvion mukaan jokainen tekoälymallin kehittämiseen käytetty dollari edellyttää yleensä noin kolme dollaria muutoksen johtamiseen, kuten koulutukseen ja tulosten seurantaan. Myös myynti muuttuu tulospohjaisten mallien mukana. Kun tulot kertyvät käytön mukaan, työ ei pääty sopimukseen. Kriittistä on auttaa asiakasta ottamaan ratkaisu käyttöön ja saamaan se toimimaan, jotta tavoitellut tulokset myös toteutuvat.

Tutkimuksessamme kypsimmät yritykset perustivat tulosperusteisille tarjoomille omat tiiminsä, joissa oli erikoistuneita rooleja ratkaisumyyjistä data-analyytikoihin. Tekoälyn voidaan odottaa vievän kehitystä laajemmin samaan suuntaan: kun se hoitaa yhä suuremman osan työstä, ihmisten tehtäväksi jää asettaa tavoitteet ja reunaehdot, seurata tuloksia ja vastata niistä.

Kypsyys ratkaisee, mikä skaalauslogiikka on sopivin

Tutkimuksessamme tunnistettiin kolme kypsyysvaihetta sen mukaan, kuinka pitkälle yritys on edennyt kertaluonteisista piloteista kohti vakiintunutta tapaa tuottaa tuloksia asiakkailleen. Neljällä skaalauslogiikalla on eri painoarvo näissä eri kypsyysvaiheissa:

Alkuvaihe: skaalaaminen oppimisen kautta

Tässä vaiheessa skaalautuminen rakentuu ennen kaikkea oppimisesta: jokainen pilotti kertoo, mikä toimii ja mitä voidaan myöhemmin vakioida. Tuloksia on kuitenkin vaikea mitata, ja niiden tuottaminen on muutaman asiantuntijan varassa, joten opit eivät siirry projektista toiseen. Suurin este skaalaamiselle on usein standardoitujen prosessien ja luotettavan datan puute.

Vakiintunut vaihe: skaalaaminen standardoinnin kautta

Skaalautuminen rakentuu tässä vaiheessa ennen kaikkea standardoinnista: samaa mallia voidaan monistaa helposti useammille asiakkaille. Luvattu lopputulos on siten tässä vaiheessa yleensä sellainen, jonka yritys pystyy itse takaamaan, kuten vaikka laitteiden käytettävyys. Asiakkaan laajempi hyöty, kuten tehokkaampi tuotanto, syntyy kuitenkin vasta, kun asiakas toimii yrityksen analyysien ja suositusten pohjalta. Tähän kuitenkin yrityksellä on usein vain rajallinen vaikutusvalta, joka tekee syvemmästä skaalauksesta vaikeaa.

Edistynyt vaihe: skaalaaminen laajuuden ja rakenteiden kautta

Tässä vaiheessa yritys tekee usein asiakkaan suorituskykyyn perustuvia sopimuksia, joissa se lupaa asiakkaalle suoria liiketoiminnan tuloksia, kuten tehokkaamman prosessin. Tämä on mahdollista, koska asiakas antaa sille vastuun kokonaisista prosesseista. Skaalautuminen rakentuu ennen kaikkea laajuudesta ja rakenteista: yritys syventää ja laajentaa palvelujaan asiakkaiden prosessien sisällä. Tämä usein vaatii tiimien, kumppaneiden ja järjestelmien yhteensovittamista. Haasteena on, että mitä useampi toimija on mukana, sitä vaikeampi kokonaisuutta on hallita. Suurin este skaalaamiselle onkin tiimien, kumppaneiden ja järjestelmien yhteensovittaminen.

Nämä vaiheet eivät ole portaita, jotka jokaisen yrityksen pitäisi nousta järjestyksessä. Se, mihin vaiheeseen yritys tähtää, on strateginen valinta, joka riippuu sen kyvykkyyksistä, riskinsiedosta ja skaalausmahdollisuuksista.

Mitä tämä tarkoittaa tekoälyn aikakaudella:

Lopputuloksen määrittelyä ei voi ulkoistaa tekoälylle. Tekoäly voi analysoida dataa, ehdottaa mittareita, tunnistaa poikkeustapauksia ja mitata tuloksia automaattisesti. Sen sijaan yrityksen ja asiakkaan on sovittava, mitä luvataan, miten tulos todennetaan, kuka kantaa riskin ja miten kiistatilanteet ratkaistaan.
Vakiintunut vaihe voi olla myös päämäärä. Tutkimuksemme mukaan osa yrityksistä voi löytää itselleen hyvän position juuri tästä vaiheesta: standardoidut palvelusopimukset tuovat ennustettavat tulot ilman, että toimittajan tarvitsee ottaa syvempää vastuuta asiakkaan prosesseista. Bainin markkina-analyysi kertoo, miksi ennustettavuus on tärkeää: noin neljä viidestä tekoälyhinnoittelua käyttöön ottavasta toimittajasta myy ennakkoon maksettuja krediitti- tai käyttöpaketteja, koska ne tuovat asiakkaille ennustettavat budjetit ja toimittajille vakaat tulot.
Luottamus ratkaisee, kuinka pitkälle voi edetä. BCG:n raportoiman ostajakyselyn mukaan noin neljännes ostajista arvioi tulosten riippuvan usein tekijöistä, joita toimittaja ei hallitse. Tekoäly voi muuttaa tätä: sen sijaan, että toimittaja antaa suosituksia ja tulos riippuu siitä, toimiiko asiakas niiden mukaan, tekoäly voi toteuttaa ne itse. Tämä onnistuu kuitenkin vain, jos asiakas antaa toimittajalle kontrollin prosesseistaan, ja sen asiakas tekee vain, jos se luottaa toimittajaan. Tutkimuksessamme luottamus rakentui vaiheittain: alkuvaiheessa asiakkaat olivat varovaisia jakamaan dataa, vakiintuneessa vaiheessa tuloksia seurattiin yhdessä, ja edistyneessä vaiheessa asiakkaat antoivat kokonaisia prosesseja toimittajan vastuulle.

Se, skaalautuvatko tulosperusteiset mallit, riippuu vähemmän teknologiasta kuin yrityksen kyvystä standardoida, oppia, organisoitua ja ansaita asiakkaan luottamus, jotta se voi vähitellen ottaa hoitaakseen yhä suuremman osan asiakkaan prosessista. Siksi kannattaa aloittaa kysymällä, missä vaiheessa yritys on nyt ja mikä skaalauslogiikka siihen sopii.