LegalOn puolitti Codex-kulut kehitystä hidastamatta

LegalOn Technologies tarjoaa Professional AI -ratkaisuja maailmanlaajuisesti ja tukee tekoälyllä juridista työtä sekä muita keskeisiä liiketoimintoja. Yhdistämällä toimialaosaamisen tekoälyyn se antaa ihmisille mahdollisuuden keskittyä monimutkaisiin arviointeihin ja päätöksiin. Tavoitteena on tekoälyyn perustuva johtaminen, joka parantaa liiketoiminnan päätöksenteon laatua ja nopeutta.

Lähestymistapa ulottuu tuotteita laajemmalle: tekoälystä tehdään myös organisaation oman toiminnan perusta. Yhtiö liitti Codexin osaksi kehitysprosessiaan ja laajensi sen käyttöönottoa koko organisaatiossa päivittäisen käytön kautta.

Käytön vakiintuessa nousi esiin uusi haaste: kustannusten hallinta. Suorituskykyisten mallien rajaton käyttö saattoi kasvattaa kuluja, mutta yleiset rajoitukset uhkasivat heikentää tekoälyn tuomia tuottavuushyötyjä.

Miten kustannuksia voisi pienentää hidastamatta kehitystä? LegalOn Technologies ratkaisi haasteen valitsemalla GPT‑6‑mallien (Astra, Luna) ja GPT‑6.1 Solin välillä tehtävän vaativuuden ja kehitysvaiheen mukaan sekä sovittamalla budjetit kunkin liiketoiminnan kasvuvaiheeseen. Yhtiö puolitti kustannukset kehitystä hidastamatta.

Aluksi yhtiö antoi kehittäjille rajattoman käyttöoikeuden pääasialliseen malliinsa GPT‑5.5:een Nopea tila -asetuksella. Kehittäjät laajensivat sen käyttöä suunnitteluun, toteutukseen ja arkiseen työhön. Kokeilemalla he oppivat, miten vastuut kannattaa jakaa ihmisten ja tekoälyn kesken.

Suorituskykyisten mallien rajattoman käytön jatkaminen olisi kuitenkin väistämättä ylittänyt vuosibudjetin. Yhtiön tekoälyavusteisen kehityksen osaamiskeskus AI-powered Development CoE (AID CoE) alkoi laatia ohjeita mallien valintaan. AID CoE testasi ja seurasi malleja, ja esihenkilöt jakoivat sen havainnot tiimeilleen. Näin jokainen kehittäjä pystyi valitsemaan itsenäisesti kuhunkin tehtävään sopivimman mallin.

Uusien ohjeiden myötä yhtiö siirtyi kyvykkäimmän mallin käytöstä kaikissa tehtävissä kullekin tehtävälle sopivan mallin valintaan. Tiimit aloittivat kevyellä mallilla ja siirtyivät kyvykkäämpiin malleihin tehtävien vaativuuden kasvaessa.

Hallinnan tueksi yhtiö otti myös käyttöön järjestelmätason rajoituksia ylläpitäjän asetuksilla ja määritti kuukausittaiset käyttörajat osastoille ja yksittäisille käyttäjille. AID CoE seuraa käyttöä ja muuttaa rajoja liiketoiminnan tarpeiden mukaan.

Näiden rajoitusten puitteissa tehty sisäinen testaus auttoi tarkentamaan valintaperusteita. Kevyin malli GPT‑6 Luna toteuttaa koodia selkeiden vaatimusten pohjalta. GPT‑6.1 Sol tukee tavanomaista suunnittelua, data-analyysia ja asiakirjojen laatimista. Kyvykkäin malli GPT‑6 Astra hoitaa vaativaa harkintaa edellyttävät tehtävät, kuten arkkitehtuurisuunnittelun. Mallin valinnasta tehtävän mukaan tuli vähitellen tiimien yhteinen käytäntö.

Mallien valinnan rinnalla yhtiö alkoi rajoittaa Nopea tila -asetuksen käyttöä oletusarvoisesti ja sallia sen vain tarpeen mukaan erillisestä pyynnöstä. Muutos herätti huolta kehitysnopeudesta, mutta tiimit säilyttivät suorituskyvyn ja varmistivat sujuvan siirtymän esimerkiksi suorittamalla tehtäviä rinnakkain.

Yhtiö asetti myös tekoälymenojen budjettikatot osasto-, ryhmä- ja henkilötasolle. Vakiintuneen LegalOn-liiketoiminnan odotettiin parantavan kustannustehokkuutta jopa noin 20 %, kun taas käynnistysvaiheen uusille liiketoiminnoille annettiin runsaat budjetit tekoälyn aktiiviseen käyttöön kannustamiseksi.

LegalOn Technologiesin vanhempi kehityspäällikkö Yuta Tokitake kertoo, että uusissa liiketoiminnoissa nopeus asetettiin kustannustehokkuuden edelle. Tavoitteena oli hyödyntää tekoälyä laajasti, jotta saataisiin enemmän aikaan ja lopulta vauhditettaisiin liiketoiminnan kasvua.

Mallien valinta, toimintojen rajoitukset ja liiketoimintakohtaiset budjetit pienensivät yhdessä arvioituja päivittäisiä kustannuksia noin 65 %. Näin kokonaisbudjetti pysyi hallinnassa ja resursseja voitiin ohjata liiketoimintoihin, joita yhtiö halusi kasvattaa.

Mallien käytön optimointi ja resurssien strateginen kohdentaminen tuottivat seuraavat tulokset:

• Kyvykkäimmän mallin käytöstä kaikissa tehtävissä siirryttiin valitsemaan GPT‑6 Astra, GPT‑6.1 Sol tai GPT‑6 Luna tehtävän vaativuuden ja kehitysvaiheen mukaan.

• Kehitystyön suorituskyky säilyi Nopea tila -asetuksen oletusarvoisista rajoituksista huolimatta. Tätä tukivat tiimien käytännöt, kuten tehtävien rinnakkainen suoritus.

• Budjettikatot yhdistivät vakiintuneiden liiketoimintojen noin 20 % paremman tehokkuuden ja aktiiviset investoinnit uusiin liiketoimintoihin.

• Valinta GPT‑6‑ ja GPT‑6.1‑mallien välillä pienensi arvioituja päivittäisiä kustannuksia 65 % GPT‑5.5:een verrattuna.

Optimoimalla mallien käyttöä yhtiö pienensi kustannuksia tinkimättä kehitysnopeudesta tai laadusta. Tiimit huomaavat myös, että tekoäly lyhentää jatkuvasti aikaa kehityksestä julkaisuun.

Yhtiö katsoo kuitenkin pidemmälle tulevaisuuteen. Tekeekö pelkkä nopeampi kehitys tekoälyinvestoinnista onnistuneen? Nopeamman kehityksen ja asiakasarvon välinen yhteys oli yhä epäselvä. ”On lähes itsestään selvää, että tekoäly voi nopeuttaa järjestelmien kehittämistä ja päivittämistä”, Tokitake sanoo. ”Haluamme ennen kaikkea ymmärtää, tuottaako nopeampi kehitys todella arvoa asiakkaille.”

Kysymys sai yhtiön kehittämään oman mittarin, jolla tekoälyinvestointeja arvioidaan kehitysnopeuden ja käyttömäärän sijaan asiakasarvon perusteella.

Tokitake selittää: ”Tekoälyä käytettäessä voimme seurata yksittäisten tehtävien kustannuksia, mutta koko työkokonaisuuden eli ominaisuusjulkaisun kokonaiskustannukset jäävät usein pimentoon. Siksi suunnittelimme mittauksen niin, että kukin ominaisuusjulkaisu muodostaa yhden kokonaisuuden. Yhdistämällä julkaisun tuottaman asiakasarvon sen todellisiin tekoälykustannuksiin pyrimme tekemään investoinnin tuoton näkyväksi ja mittaamaan sen tarkasti.”

Yhtiö rakentaa parhaillaan tietojenkäsittelyprosessia tämän mittarin laskentaa varten. Valmistuttuaan se tekee todellisen investoinnin tuoton näkyväksi asiakasarvon näkökulmasta. LegalOn Technologies etenee tekoälykustannusten hallinnasta kohti teknologiainvestointien suoraa kytkemistä liiketoiminnan arvoon.

Seuraava tavoite on muuttaa yksittäisten kehittäjien tekoälyosaaminen koko organisaation kyvykkyydeksi. Ensimmäiseksi yhtiö aikoo rakentaa tietopankin käytännön kokemusten keräämiseen ja jakamiseen. Sinne kootaan tietoa esimerkiksi parhaista malliyhdistelmistä suunnitteluun, toteutukseen ja katselmointiin. Näin yksittäisistä onnistumisista saadaan nopeasti koko yhtiön yhteisiä hyviä käytäntöjä.

Nämä tiimien käytännön kokemuksiin perustuvat muutokset muovaavat myös organisaatiota ja rekrytointia. Tekoälyn tuomat tuottavuushyödyt saavat yhtiön arvioimaan perusteellisesti uudelleen ihmisten ja tekoälyn työnjakoa sekä henkilöstösuunnitelmiaan. Yhtiö on jo alkanut painottaa tekoälytaitoja rekrytoinnissa samalla, kun sen investointistrategia ja organisaatiorakenne kehittyvät.

Tekoälyn käyttöönoton muuttaminen pysyväksi kilpailueduksi edellyttää jatkuvaa tasapainon hakemista hallinnan ja tiimien toimintavapauden välillä. AID CoE ja tietoturvatiimi optimoivat yhdessä suorituskykyä, kustannuksia ja riskejä useista näkökulmista. Ne rakentavat joustavaa toimintamallia, joka tukee kokeiluja koko organisaatiossa.