Ennakoinnin arvo ei ole ennusteessa

Ennakointiraportit alkavat muistuttaa toisiaan. Kun luen kunnan, liiton tai oppilaitoksen vuoteen 2035 ulottuvaa ennakointia, tunnistan megatrendit jo otsikoista: väestö ikääntyy, työ pirstaloituu, tekoäly muuttaa kaiken. Tässä kirjoituksessa kerron, mistä samankaltaisuus mielestäni syntyy ja miten me teemme ennakointityön toisin.

Kaikki ovat lukeneet samat kolme raporttia

Samankaltaisuus ei johdu tekijöiden laiskuudesta. Se johtuu siitä, että ennakointityön lähdepohja on Suomessa hämmästyttävän kapea. Sitran megatrendit, muutama ministeriön tulevaisuuskatsaus, oman toimialan edunvalvojan selvitys ja ehkä yksi kansainvälinen konsulttiraportti. Kun sata organisaatiota rakentaa tulevaisuuskuvansa samasta viidestä dokumentista, lopputulos on sata muunnelmaa samasta kuvasta.

Tämä on ymmärrettävää. Megatrendiraportit ovat hyviä, ja ne on kirjoitettu juuri siksi, että niitä käytettäisiin. Ongelma ei ole niiden laadussa vaan siinä, että ne vastaavat kysymykseen, joka on kaikille sama: mihin suuntaan maailma menee. Organisaation oma kysymys on aina toinen: mitä tämä tarkoittaa meidän jäsenillemme, meidän asukkaillemme, meidän opiskelijoillemme. Siihen megatrendit eivät vastaa, eikä niiden pidäkään.

Kolme harhaa, jotka ennakointi perii lähteistään

Kapea lähdepohja tuo mukanaan kolme harhaa, jotka näkyvät ennakointiraporteissa toistuvasti.

Ensimmäinen on konsensusharha. Kun asiantuntijoiden näkemykset kootaan yhteen ja niistä muodostetaan yhteinen kanta, kuten perinteisessä Delfoi-menetelmässä tehdään, erimielisyys häviää keskiarvoon. Juuri erimielisyys olisi kuitenkin ollut arvokkain tieto, koska se kertoo, missä tulevaisuus on aidosti auki.

Toinen on tuoreusharha. Uusin raportti tuntuu luotettavimmalta, vaikka se usein vain toistaa edellisen. Kymmenen vuoden takainen tutkimus, joka ennusti jotain aivan muuta, on ennakoinnin kannalta monesti kiinnostavampi: se kertoo, kuinka paljon oletukset ovat ehtineet muuttua ja kuinka huonosti aiemmat ennusteet osuivat.

Kolmas on asiantuntijaharha. Philip Tetlockin pitkä tutkimussarja asiantuntijoiden ennusteista osoitti, että tunnetut asiantuntijat ennustivat tulevaisuutta hieman sattumaa paremmin, ja että parhaiten pärjäsivät ne, jotka haalivat tietoa monesta erilaisesta lähteestä ja päivittivät näkemystään usein. Yhden suuren teorian varassa ennustaneet pärjäsivät huonoiten. Ennakoinnissa tämä tarkoittaa, että lähteiden määrä ja erilaisuus on tulosta tärkeämpää kuin yksittäisen lähteen arvovalta.

Työ alkaa lähteistä, ei kysymyksestä

Teimme syksyllä kaupan alan organisaatiolle ennakointianalyysin vuoteen 2035. Suurin osa ajasta ei kulunut kirjoittamiseen vaan siihen, että selvitimme, mitä aineistoa aiheesta ylipäätään on olemassa. Tämä vaihe on meillä jokaisen toimeksiannon alku, ja se on jäänyt esityksissämme liian usein piiloon, vaikka raaka-aineet ratkaisevat lopputuloksen.

Tietolähdeanalyysi tarkoittaa käytännössä kolmea asiaa. Ensin tunnistetaan kattavasti, mitä tietoa kysymyksestä on olemassa: asiakkaan omien selvitysten rinnalle haetaan tutkimuksia, tilastoja ja kansainvälisiä aineistoja, joita kukaan ei ole ajatellut käyttää. Sitten jokainen lähde validoidaan: kuka sen on tehnyt, millä aineistolla, mihin kysymykseen se oikeasti vastaa. Lopuksi jokaiselle lähteelle määritellään rooli analyysissa. Yksi lähde antaa aikasarjan, toinen vertailukohdan, kolmas vastaväitteen.

Lähdeavaruus kasvaa tässä vaiheessa yleensä paljon suuremmaksi kuin asiakas odotti. Limingan kunnan ekoteollisuusalueen suunnittelua tukeneessa analyysissa lähteitä oli 432. Teollisuusliiton jäsenyysanalyysissa käytimme 23 erillistä tutkimusta, joista osa muodosti keskenään vuosien mittaisia aikasarjoja. Kiinnostavin havainto jälkimmäisestä oli, että yksikään 23 tutkimuksesta ei vastannut pääkysymykseen suoraan, mutta yhdessä ne muodostivat alueesta hyvin selkeän kuvan. Näin käy ennakoinnissa lähes aina: hyödyllisin lähde käsittelee harvoin juuri sitä asiaa, jota ollaan ennakoimassa.

Jokainen lähde käsitellään ensin erikseen, useammalla kielimallilla ja tutkijan tarkistamana, ja vasta sitten yhdistetään. Järjestys on olennainen. Jos aineisto syötetään yhtenä massana mihin tahansa tekoälytyökaluun, se tuottaa sujuvan tiivistelmän, jossa lähteiden painoarvot ja ristiriidat ovat kadonneet ennen kuin kukaan ehti nähdä niitä.

Ristiriidat ovat tulos, eivät virhe

Kun lähteet on käsitelty erikseen, niiden ristiriidat jäävät näkyviin. Siinä missä yksi aineisto ennustaa yhtä, toinen kertoo päinvastaista. Perinteisessä ennakointiraportissa tällainen kohta siloitellaan: valitaan uskottavampi lähde tai kirjoitetaan molemmat näkemykset samaan kappaleeseen niin, ettei kumpikaan enää sano mitään.

Me teemme toisin. Ristiriita nostetaan esiin omana havaintonaan, ja sen molemmat puolet palautetaan lähteisiinsä. Juuri näistä kohdista löytyvät kysymykset, joihin organisaation on itse otettava kantaa. Kun kaksi laadukasta aineistoa on eri mieltä esimerkiksi siitä, kasvaako vai supistuuko jokin työvoiman osa seuraavan kymmenen vuoden aikana, kyse ei ole tiedon puutteesta vaan aidosta epävarmuudesta. Sellaiseen ei vastata ennusteella vaan strategisella valinnalla: mihin varaudumme, ja mitä seuraamme, jotta tiedämme ajoissa, kumpi suunta toteutuu.

Tämä on sama oivallus, jonka Shellin skenaariosuunnittelijat tekivät 1970-luvulla. Heidän skenaarionsa eivät ennustaneet öljykriisiä. Ne tekivät sen mahdolliseksi ajatella etukäteen, ja siksi yhtiö reagoi kilpailijoitaan nopeammin, kun kriisi tuli. Ennakoinnin tehtävä ei ole poistaa epävarmuutta vaan jäsentää se niin, että päätöksentekijä näkee, mistä hän on epävarma ja miksi.

Jokainen väite palautuu lähteeseensä

Ennakointiraportin heikoin kohta on yleensä se, ettei lukija pysty tarkistamaan, mistä jokin väite on peräisin. Raportin lopussa on lähdeluettelo, mutta yksittäisen johtopäätöksen ja yksittäisen lähteen välinen yhteys on katkennut matkalla. Kun raportti kaksi vuotta myöhemmin osoittautuu jossain kohdassa vääräksi, kukaan ei enää tiedä, oliko vika lähteessä, tulkinnassa vai maailmassa.

Meidän työssämme jokainen havainto palautuu kohtaan, josta se on peräisin. Tämä ei ole muodollisuus vaan ennakoinnin käyttökelpoisuuden edellytys. Kun maailma seuraavan kerran yllättää, organisaatio voi avata analyysin ja katsoa, mitkä lähteet jo silloin viittasivat tähän suuntaan ja mitkä oletukset nyt pitää vaihtaa. Päivitys tehdään kohtaan, jossa muutos tapahtui, eikä koko raporttia tarvitse kirjoittaa uudelleen.

Tässä on myös ero geneerisiin tekoälytyökaluihin, joita moni organisaatio nyt kokeilee ennakointiin. Kuulen usein, että lähdekriittisesti tekoälyä käyttävä henkilöstö pystyy lähes samaan. Yksittäisen raportin tiivistämiseen se pystyykin. Ero syntyy, kun lähteitä on satoja, ne ovat eri muotoisia ja eri kielisiä, ja jokaisen väitteen pitää jälkikäteen olla auditoitavissa. Silloin kysymys ei ole enää työkalusta vaan prosessista: miten lähdeavaruus rakennetaan, miten se hallitaan ja miten synteesi pidetään jäljitettävänä alusta loppuun.

Mitä ennakoinnista jää käteen

Olen tullut siihen tulokseen, että ennakoinnin arvo ei ole ennusteessa. Kukaan ei tiedä, mitä vuonna 2035 tapahtuu, eikä laajakaan lähdepohja muuta sitä. Arvo on kolmessa muussa asiassa.

Ensimmäinen on jäsennetty epävarmuus: organisaatio tietää, mitkä asiat ovat lähteiden valossa melko varmoja, mitkä aidosti auki ja mitkä riippuvat sen omista valinnoista. Toinen on seurattavat signaalit: kun ristiriidat on tunnistettu, tiedetään myös, mitä mittaria tai ilmiötä kannattaa seurata, jotta näkee ajoissa, kumpaan suuntaan tilanne kallistuu. Kolmas on päivitettävyys: koska jokainen väite palautuu lähteeseensä, analyysi ei vanhene kerralla vaan kohta kerrallaan.

Silloin ennakointi ei ole raportti, joka hyväksytään ja arkistoidaan, vaan työkalu, johon palataan.

Menetelmällä on myös rajansa, ja ne on syytä sanoa ääneen. Laaja lähdeavaruus ei korvaa organisaation omaa hiljaista tietoa eikä sen henkilöstön kokemusta, vaan tuo niiden rinnalle ulkopuolisen vertailukohdan. Se ei myöskään tee strategisia valintoja. Analyysi näyttää, missä valinnat ovat ja mihin tietoon ne nojaavat. Valinnat tekee edelleen organisaatio itse, ja niin pitää ollakin.

Kysymys lukijalle

Kun teidän organisaationne viimeksi teki ennakointityötä, kuinka monta lähdettä sen takana oikeasti oli? Jos vastaus on alle kymmenen, raportti on todennäköisesti hyvä muunnelma samasta kuvasta, jonka sata muuta organisaatiota on jo piirtänyt. Oma kysymyksenne on vielä vastaamatta.

Kai Hakkarainen on Blue Communications Oy:n perustaja. Bluecom on tehnyt tiedolla johtamisen työtä organisaatioille vuodesta 1997, ja sen monilähteisen analyysin menetelmä tuottaa päätöksentekoon jäljitettävää tietoa julkisen ja yksityisen sektorin asiakkaille.