Kun johtoryhmä hyväksyy ERP- tai AI-investoinnin, se ei osta teknologiaa vaan parempaa toimintakykyä: tehokkaampia prosesseja, vanhan infran korvaamista, uutta arvoa datasta ja parempaa asiakaskokemusta. Silti sama kaava toistuu molemmissa liian usein. Käyttöönotto viivästyy, budjetti ylittyy, numerot eivät täsmää, AI:n vastaukset eivät ole luotettavia ja johto joutuu kysymään, missä luvattu liiketoiminta-arvo on.
Ongelma ei ole teknologiassa, vaan usein datassa, sen laadussa ja omistajuudessa. Ilman selkeää vastuuta ERP- ja AI-hankkeesta kasvaa kallis ja hallitsematon liiketoimintariski, joka päätyy ennemmin tai myöhemmin hallituksen asialistalle.
ERP- tai AI-hankkeen merkittävä riski löytyy omasta datasta
Tutkimukset osoittavat, että ERP- ja AI-hankkeiden suurin riski ei usein liity valittuun teknologiaan. Gartnerin vuoden 2024 analyysin mukaan yli 70 % vuoteen 2027 mennessä käyttöönotettavista ERP-hankkeista ei saavuta alkuperäisiä liiketoimintatavoitteitaan, ja jopa neljännes epäonnistuu vakavasti. Panorama Consultingin mukaan 58 % ERP-käyttöönotoista ylittää aikataulunsa ja 71 % budjettinsa. AI-hankkeissa sama ilmiö näkyy vielä jyrkempänä: Gartnerin mukaan vähintään 30 % generatiivisen AI:n hankkeista pysäytetään PoC-vaiheen jälkeen, usein huonon datan laadun ja puutteellisen riskienhallinnan vuoksi.
Kyse ei ole siitä, etteivät järjestelmät toimisi. ERP-ratkaisut ovat kypsempiä kuin koskaan, ja parhaat AI-mallit pystyvät jo erittäin vaativiin tehtäviin. Ongelma syntyy siitä, että kumpikaan ei voi tuottaa luotettavia lopputuloksia ilman kelvollista dataa. Ohjelma tai kielimalli ei huomaa loogista datavirhettä, se vain laskee, päättelee ja tuottaa vastauksen annetun datan pohjalta.
Data aliarvioidaan usein kahdesta syystä. Ensin, se nähdään teknisenä tehtävänä, jonka usein luullaan toimittajan hoitavan. Toiseksi datan todellinen kunto paljastuu usein vasta hankkeen loppuvaiheessa, kun on jo aikataulu- ja budjettipaineita. Silloin tehdään kompromisseja ja oikaistaan juuri siinä kohdassa, joka voi ratkaista koko hankkeen onnistumisen.
Suuri riski ei ole toimittajan roadmapissa, vaan omassa datassa ja sen epäselvässä omistajuudessa. Ennen investointipäätöstä johdon on tiedettävä, missä kunnossa data on ja kuka siitä vastaa. Ilman omistajaa data on kuin yhteispelto ilman isäntää: kaikki käyttävät sitä, moni muokkaa sitä, mutta kukaan ei vastaa sadon laadusta.
Uusi järjestelmä ei korjaa huonoa dataa – se paljastaa sen
Yksi johtoryhmien sitkeimmistä harhaluuloista on, että uusi ERP siivoaa datan käyttöönoton yhteydessä, tai että AI osaa päätellä oikein myös heikkolaatuisesta datasta. Todellisuudessa käy päinvastoin: uusi järjestelmä tekee näkyväksi kaiken sen, mikä vanhassa toimintamallissa oli ”sinnepäin”, ja AI skaalaa samat virheet nopeammin, laajemmin ja vaikeammin auditoitavina.
Puutteelliset tuotetiedot, duplikaatit, ristiriitaiset yksiköt ja epäselvät luokittelut eivät katoa mihinkään ERP-käyttöönotossa vaan ne muuttuvat näkyviksi virheellisiksi rekistereiksi ja toimimattomiksi prosesseiksi. AI-kontekstissa samat ongelmat näkyvät väärinä ennusteina, hallusinaatioina ja virheellisinä luokitteluina.
McKinseyn ERP-transformaatiotutkimukset kuvaavat saman perusvirheen: organisaatiot siirtävät vanhat prosessit ja rikkinäisen datan uuteen järjestelmään, mutta odottavat silti parempaa lopputulosta. Gartnerin arvion mukaan 83 % datamigraatioprojekteista ylittää suunnitellun aikataulunsa. Käytännössä tämä tarkoittaa, että kun datamigraatio viivästyy, viivästyy usein koko hanke.
CIO:n ja johtoryhmän epämukava kysymys:
Ennen uutta ERP- tai AI-investointia johdon on saatava rehellinen vastaus yhteen kysymykseen: kuinka hyvin voimme luottaa omaan dataamme? Jos vastaus on “emme tiedä”, investointi on jo riskissä. Ilman luotettavaa dataa uusi järjestelmä on keisari ilman vaatteita: ulospäin moderni, mutta sisältä tyhjä. Totuus paljastuu viimeistään käyttöönotossa, kun joku uskaltaa sanoa ääneen sen, minkä kaikki näkevät: ”Tämä ei toimi.”
Uusi järjestelmä perii kaiken – myös vanhat virheet
Tässä on artikkelin ydin: ERP-datamigraatio on paljon enemmän kuin tekninen datansiirto, se on liiketoiminnan muistin, toimintamallien ja suorituskyvyn siirtämistä. Sama pätee tekoälyhankkeisiin: kyse ei ole kielimallin luomisesta, vaan dataan pohjautuvasta älykkäästä automaatiosta ja päätöksentekokyvystä. Jos tämä perusta lepää epäluotettavan datan varassa, myös lopputulos on epäluotettava. Siksi datan laatu ja siivous eivät ole vain it-projekteja, ne ovat usein onnistuneen ERP- tai tekoälysiirtymän kriittisin työvaihe.
Kun asiakas- ja toimittajarekisterit, tuoterakenteet, hinnastot, varastosaldot, kirjanpidon dimensiot ja avoimet tilaukset siirretään uuteen järjestelmään, mukana siirtyy myös toimintamalleja sekä datan vahvuudet ja heikkoudet. Uusi ERP ei niitä korjaa niitä, vaan se tekee ne näkyviksi aiempaa nopeammin. AI-hankkeessa sama data ohjaa ennusteita, luokitteluja ja automaatioita, usein niin, ettei virheiden alkuperää enää tunnisteta.
Silti kriittinen datatyö nähdään yhä usein pelkkänä teknisenä toteutuksena. Työ tehdään Excel-taulukoilla, SQL-skripteillä ja yksittäisten asiantuntijoiden manuaalisina tehtävinä. Roolipohjaiset työnkulut, hyväksynnät ja auditoitavat säännöt puuttuvat. Lopputulosta ei näe: ennen go-liveä harva pystyy luotettavasti kertomaan, mikä data on valmis ja mikä ei. IDC:n 2024 SME Technology Survey tukee havaintoa: 67 % epäonnistuneista ERP-migraatioista liittyy puutteelliseen ymmärrykseen nykyisistä liiketoimintaprosesseista.
CIO:n, CFO:n ja hallituksen yhteinen riski:
Manuaalinen ERP-migraatio ei ole vain tehoton ja virhealtis toimintamalli, se on vaikeasti johdettava liiketoimintariski. ERP- tai AI-hankkeen datatyötä ei voi johtaa vain aikataulun tai budjetin varassa. Valmiiden tehtävien prosenttiosuus ei kerro hankkeen todellista tilaa, jos kriittisen datan laatu, hyväksynnät ja virheet eivät ole näkyvissä. Ilman tätä näkyvyyttä johto ja hallitus eivät näe todellista liiketoimintariskiä ja joutuvat tekemään etenemispäätöksiä puutteellisen tilannekuvan perusteella.
Tutkimukset vahvistavat saman: data ratkaisee usein ERP- ja AI-hankkeen onnistumisen
Eri tutkimukset päätyvät samaan johtopäätökseen: huono data lisää kustannuksia, viivästyttää käyttöönottoja ja heikentää AI-hankkeiden luotettavuutta.
- IBM Institute for Business Value (2025): 43 % operatiivisista johtajista tunnistaa datan laadun tärkeimmäksi dataan liittyväksi prioriteetikseen. Yli 25 % organisaatioista arvioi menettävänsä huonon datan takia vähintään 5 M USD vuodessa. [ibm.com]
- MIT Sloan Management Review: yritykset menettävät 15–25 % vuotuisesta liikevaihdosta huonon datan seurauksena. [integrate.io]
- Accenture (2026): 72 % johtajista totesi, ettei heillä ole luotettavaa laadukasta dataa ja hallintamallia AI:n tuotannollistamiseen; yli 80 % viivyttää tai rajoittaa AI-hankkeitaan datan riskien vuoksi. [accenture.com]
- Deloitte: data governance ei ole kertaluonteinen projekti vaan jatkuva liiketoimintakäytäntö. [deloitte.com]
Luvut kertovat rakenteellisesta ongelmasta, joka realisoituu joka kerta, kun uutta ERP:iä tai AI-mallia yritetään ottaa käyttöön ilman että datan laatu ja omistajuus on ratkaistu.
Kaksi tapaa johtaa datan siirtoja: liian myöhään tai ennakoivasti
Perinteinen malli: Excel, kiire ja viime hetken korjaukset
Datatyö käynnistyy usein myöhään, kun toimittaja saa lähdedatan migraatiopohjaan tai AI-hankkeen koulutusaineistoksi. Excel-tiedostoja kerätään eri järjestelmistä, virheet nousevat esiin vasta viikkoja ennen go-liveä ja korjauksia tehdään käsin kiireen keskellä. Testiajot venyvät, käyttöönotto siirtyy ja tuotantoon päätyvä ratkaisu ei vastaa liiketoiminnan odotuksia. ERP:ssä tämä näkyy täsmäämättöminä rekistereinä ja väärinä numeroina; AI:ssa alhaisena osumatarkkuutena ja epäluotettavina vastauksina.
Data First -malli: data kunnossa hyvissä ajoin ennen käyttöönottoa
Data First -mallissa datan laatu, omistajuudet ja säännöt määritellään heti hankkeen alussa. Jokaiselle kriittiselle datakokonaisuudelle nimetään liiketoiminnan omistaja, ja datatyö viedään läpi hallitulla, auditoitavalla työnkululla. Virheet, hyväksynnät ja korjaukset ovat näkyviä ja toistettavia. Ennen go-liveä johto tietää, mikä data on valmista, mikä vaatii korjausta ja missä käyttöönoton datariskit ovat.
Ratkaiseva ero ei ole työkalussa, vaan siinä milloin datatyö aloitetaan, kuka siitä vastaa ja miten datatyön riskit tehdään näkyviksi.
Kertaluonteinen datamigraatio ei tuo jatkuvaa liiketoiminta-arvoa
Hallittu datamigraatio ratkaisee yhden kriittisen vaiheen: se vie oikean datan uuteen ERP-järjestelmään tai AI-ratkaisun käyttöön. Se ei kuitenkaan ratkaise pysyvää kysymystä: miten data pysyy luotettavana käyttöönoton jälkeen, kuukauden, vuoden ja viiden vuoden päästä.Data ei pysy kunnossa itsestään. Uusia tuotteita syntyy, toimittajat vaihtuvat, sääntely muuttuu, prosessit elävät ja AI-mallit ajautuvat driftiin. Ilman jatkuvaa datan hallinnan kerrosta, Data Controlia, uuden ERP:n data alkaa ajan myötä muistuttaa vanhaa lähtötilannetta, ja AI-ratkaisujen luotettavuus heikkenee. Kertaluonteinen migraatio ilman jatkuvuutta palauttaa organisaation yhteispellolle, jota moni muokkaa, mutta kukaan ei vastaa sadosta.
Ketju on yksinkertainen: hallittu migraatio → jatkuva datan hallinta (Data Control) → auditoitava liiketoiminta-arvo. Jos jatkuva hallinta puuttuu, investointi ei muutu pysyväksi liiketoiminta-arvoksi. Lopputuloksena on vain uusi järjestelmä tai uusi AI-malli, jonka data alkaa rapautua heti käyttöönoton jälkeen.
Go-live ei vapauta johtoa datavastuusta: Datamigraatio vie organisaation go-liveen, mutta laadukkaan datan ylläpito on jatkuva prosessi ja johtamisvastuu. Ilman datan hallintakerrosta, Data Controlia, samat ongelmat palaavat käyttöönottoprojektin jälkeen: raportit eivät täsmää, päätöksenteko hidastuu ja AI-ratkaisut tuottavat tuloksia, joita johto ei voi luotettavasti käyttää.
Datan hallinta tekee datan laadusta johdettavan kyvykkyyden
Datan hallinta (Data Control) ei ole ohjelmisto tai lisäpalvelu, jonka voi ostaa ja unohtaa. Se on hallittu prosessi datan ylläpitoon, puhdistukseen ja rikastamiseen, ja se kattaa omistajuudet, muutoksenhallinnan ja auditoinnit. Sen tehtävänä on varmistaa, että liiketoiminta voi aidosti luottaa dataan kaikissa prosesseissaan yli järjestelmärajojen, myös käyttöönoton jälkeen.
- Raportointi ja AI-mallien luotettavuus. Johdon raportointi, ennusteet ja AI-ratkaisut ovat vain niin luotettavia kuin data, jonka varaan ne rakennetaan. Jos lähtödataan ei luoteta, myöskään raportteihin tai mallien tuloksiin ei voi luottaa.
- Päätöksenteon nopeus. Nopea päätöksenteko edellyttää yhteistä ja luotettavaa näkymää dataan. Jos dataa joudutaan jatkuvasti sovittamaan yhteen Excelissä tai tarkistamaan manuaalisesti, päätöksenteosta tulee hidasta, kallista ja epävarmaa.
- Compliance ja jäljitettävyys. Tuoteturvallisuus, ESG, EU AI Act ja muu sääntely edellyttävät, että datan alkuperä, muutokset ja hyväksynnät voidaan todentaa. Data Control tekee datasta auditoitavaa, ei vain käytettävää.
- Skaalautuminen. Kansainvälinen kasvu, yritysjärjestelyt, uudet järjestelmät ja AI:n laajamittainen hyödyntäminen edellyttävät yhtenäistä datamallia yli järjestelmärajojen. Ilman jatkuvaa Data Controlia jokainen uusi maa, yksikkö tai järjestelmä lisää kompleksisuutta
Vertaus taloushallintoon on osuva. Kirjanpitoa ei hoideta kerran vuodessa siivouspäivänä, vaan jatkuvana, säänneltynä ja auditoituna prosessina. Datan hallinta pitäisi olla samalla tasolla: omistettua, valvottua, jäljitettävää ja johdettavaa. AI:n myötä tämä ei ole enää vain hyvä tahtotila, vaan liiketoiminnan ja riskienhallinnan perusvaatimus.
Tee datasta johdettava ja auditoitava osa riskienhallintaa. Data Control kannattaa nostaa samalle tasolle kuin taloushallinto, compliance ja sisäinen valvonta. Se ei ole IT:n teknistä taustatyötä, vaan jatkuva johtamismalli, jolla varmistetaan, että data on hyödynnettävää, omistettua, mitattua, hyväksyttyä ja jäljitettävää.
Johtopäätökset
- ERP- ja AI-hankkeiden iso liiketoimintariski löytyy usein omasta datasta. ERP ja AI toimivat vain niin hyvin kuin data, jonka varaan ne rakennetaan. Ennen investointipäätöstä johdon pitää tietää, kuinka luotettavaa data on ja kuka siitä vastaa.
- Data ei ole IT:n tekninen sivutehtävä vaan johdon riski. Sen laatu, omistajuus ja hallinta pitää johtaa samalla vakavuudella kuin investointibudjetti.
- Kertaluonteinen migraatio ei tuo pysyvää liiketoiminta-arvoa. Kertaluonteinen migraatio vie uuteen järjestelmään, mutta data alkaa rapautua heti käyttöönoton jälkeen. Datan hallintakerros (Data Control) varmistaa, että data pysyy käyttökelpoisena myös jatkossa.
- Data tarvitsee omistajat. Ilman nimettyä vastuuta data palaa yhteispelloksi: kaikki käyttää, moni muokkaa, kukaan ei vastaa sadosta.
- AI ei korjaa dataongelmaa – se skaalaa sen. Siksi AI-strategia tulisi aina alkaa datastrategiasta.
Tee tärkein päätös ennen järjestelmävalintaa
Ennen seuraavaa ERP- tai AI-investointia pysähdy yhteen kysymykseen: luotammeko dataan, jonka varaan investointi rakennetaan? Jos vastaus on epäselvä, silloin investoinnin suurin riski ei ole teknologiassa, vaan omassa datassa.
Ratkaise data ennen seuraavaa ERP- tai AI-investointia. Tähän asti on ehkä selvitty siiloilla, Excelillä, hiljaisella tiedolla ja manuaalityöllä. Uusi ERP tai AI-ratkaisu ei kuitenkaan poista näitä ongelmia, se tekee niistä näkyvämpiä, nopeampi ja pahimmillaan monin verroin kalliimpia. Jos data jätetään ratkaisematta, joku kyllä laskuttaa käyttöönoton lisätyöstä, korjausprojekteista ja AI:n kasvavista käyttökustannuksista. Liiketoiminta maksaa hinnan kasvavana riskinä, ja vastuu palaa lopulta sinne missä investointipäätös tehtiin: johdolle.
FAQ
- Miksi monet ERP- ja AI-hankkeet epäonnistuvat? Gartnerin 2024 analyysin mukaan yli 70 % ERP-hankkeista ja vähintään 30 % generatiivisen AI:n hankkeista epäonnistuu tavoitteissaan. Yleisin taustasyy ei ole teknologia, vaan datan laadun ja omistajuuden aliarviointi liiketoiminnan riskinä. [gartner.com]
- Mikä on datamigraation ja datan hallinnan ero? Näiden erot löytyvät elinkaaresta ja laajuudesta. Datamigraatio (Data Migration) on kertaluonteinen ja auditoitu projekti, jossa data siirretään vanhasta järjestelmästä uuteen järjestelmään. Datan hallinta taas (Data Management, Data Governance, Data Control) on jatkuva johtamiskyvykkyys, joka varmistaa datan laadun ja luotettavuuden arjen prosesseissa käyttöönoton jälkeen, yli järjestelmärajojen.
- Kuka omistaa datan ERP- ja AI-hankkeissa – IT vai liiketoiminta? Liiketoiminta. IT tarjoaa alustan ja järjestelmät, mutta datan omistajuus, hyväksynnät ja vastuut kuuluvat liiketoiminnalle. Deloitte on nostanut tämän yhdeksi keskeisimmistä havainnoistaan. [deloitte.com]
- Kuinka paljon huono data maksaa? Gartner arvioi kustannuksen keskimäärin 12,9 M USD vuodessa organisaatiota kohti. IBM Institute for Business Value 2025 -tutkimuksen mukaan yli 25 % yrityksistä menettää huonon datan takia vähintään 5 M USD vuodessa. [gitnux.org] [ibm.com]
- Milloin datatyö pitäisi aloittaa ERP- tai AI-hankkeessa? Ei lopussa, vaan alussa. DataFirst -mallissa laatu, säännöt ja omistajuudet on tiedossa jo ennen kuin ensimmäinen mapping-taulukko tai koulutusdata avataan. Näin virheet löytyvät ajoissa: ne testataan, korjataan ja tuotantoon vienti (go-live) tapahtuu hallitusti, ilman yllätyksiä.
Tommi Hyyrynen, CEO, Lanttu.io