Kuidas ehitada AI-valmisolekut avalikus sektoris?

Minu viimase aja fookus on Riigi Tugiteenuste Keskuse (RTK) Hankearu projekt, et mõtestada, strateegiliselt suunata ja praktiliselt rakendada tehisaru kasutamist riigihangete ökosüsteemis. Eesmärk on muuta hankeprotsessid nutikamaks ja tõhusamaks. Kuid algoritmide juurutamine on vaid võrrandi üks muutuja. Tõeline, pikaajaline proovikivi peitub organisatsiooni enda muutumises, kohanemisvõimes ajas toimuvate muutustega. Kuidas kasvatada töötajate teadlikkust, maandada riske ning seada vundament laiapõhjalisele AI-valmisolekule kogu avalikus sektoris?

Eesti digiriik on teinud pika teekonna lihtsate e-teenuste ajastust andmeühiskonda ja on nüüd sisenemas “personaalse riigi” faasi. Selles faasis puudub paljudel teenustel mitte-digitaalne vaste ning fookus on proaktiivsusel. Riik ei digitaliseeri enam bürokraatiat, vaid muudab selle nähtamatuks, isikustatud abiliseks, kes tegutseb kodaniku kasuks juba enne, kui viimane probleemi teadvustab. Kuid selle “nähtamatusega” kaasnevad ka riskid.

Hanked, kui riigi juhtimise ja investeeringute võtmeelement

Riigihanked on riigi toimimise mootor. Tehisintellekt pakub siin enneolematut hooba, olgu selleks anomaaliate tuvastamine turul, rutiinse andmetöötluse automatiseerimine või massiivsete hankedokumentide semantiline analüüs. Nutikad süsteemid suudavad märgata mustreid seal, kus inimsilm seda tähele ei pane.

Ometi ei eksisteeri tehnoloogia vaakumis. Edukas tehisaru rakendamine eeldab, et me ei osta lihtsalt tarkvara, vaid loome lahendusi, mis optimeerivad protsesse läbipaistvalt ja kulusäästlikult, olles tihedalt integreeritud asutuse tegelike vajadustega. Me ei taha tehnoloogiat tehnoloogia, ülespuhutud reklaami ega üldise AI vaimustuse pärast, vaid efektiivsuse ja töövoogude parendamiseks.

Riik peab hankima probleemilahendust ja iteratiivsust, mitte pelgalt “IT lahendusi”. Tehisintellekti juurutamist tuleb alustada väiksematest, madala riskiga pilootprojektidest spetsiaalsetes liivakastides multidistsiplinaarsete meeskondade toel. Alles pärast väärtuse tõestamist saab loodud lahendusi turvaliselt skaleerida. Tihti on osa sellistest uuendusest hoopis protsesside kaasajastamine ja/või muudatused seadusandluses.

Aspekt	Vana viis (traditsiooniline IT-hange)	Uus viis (probleemipõhine hange)
Fookus	Mahukas tehniline spetsifikatsioon, pikk eelanalüüs.	Probleemipüstitus ja oodatav mõju, vähem detaile rutiinsetele niigi teada heade praktikate dubleerimisele.
Meeskond	IT-osakonna soolo.	IT + valdkonna ekspert + jurist + eetik, ehk siis domeenispetsialistid.
Protsess	Lineaarne “kõik korraga” juurutus, väikeste agiilsete elementidega, kuid enamasti siiski kosemudel.	Iteratiivne arendus ja liivakastis prototüüpimine, sh “vaibkooditud” demod, visuaalid ja stsenaariumid kitsaskohtade operatiivseks ning kuluefektiivsemaks läbimängimiseks enne lõplikku otsust.

Organisatsiooni anatoomia ja teadlikkuse kasvatamine

Tehnoloogiast märksa keerukam on inimfaktori adresseerimine. AI ajastul valitseb reaalne oht kognitiivseks laiskuseks (cognitive offloading). Sellest on samuti kirjutanud Jaan Aru, et tehisaru võtab ära motivatsiooni vaimselt pingutada. See on olukord, kus iseseisev mõtlemine ja kriitiline analüüsivõime delegeeritakse masinale, eeldades ekslikult süsteemide absoluutset objektiivsust. Seetõttu on RTK ja seotud asutuste jaoks kriitilise tähtsusega ehitada üles tugev strateegiline arusaam AI piirangutest, andmeprivaatsusest ja algoritmilisest kallutatusest.

Pikaajaline edu nõuab töötajate pidevat ümberõpet ja uute analüütiliste oskuste arendamist. Et säilitada töötajate rahulolu ning vältida “digitaalset teilorismi” ehk suurenenud algoritmilist järelevalvet ja stressi, tuleb töötajaid aktiivselt kaasata AI tööriistade disaini, jättes neile igapäevatöös autonoomia ja professionaalse otsustusõiguse.

Samuti tuleb teadlikult vältida lõkse, kus automatiseerimise tuhinas suretatakse välja valdkonna spetsialistide pealekasv. Kui AI võtab üle nooremspetsialistide traditsioonilised rutiinsed ülesanded, kaob neil võimalus baasteadmisi ja intuitsiooni arendada. Selle vastu aitab organisatsioonis teadlikult rakendatav liivakella mudel: nooremtöötajate positsioone hoitakse alles, kuid nende väljaõpe disainitakse ümber nii, et rutiinse töö asemel treenitakse varakult iseseisvat hindamis- ja otsustusvõimet. Nooremametnikud peaksid lahendama koos seeniorspetsialistidega AI poolt välja filtreeritud kõige keerukamaid erandeid, kiirendades seeläbi ekspertiisi kasvu. Õpe läbi keeruliste olukordade (Scott H. Youngi raamat “Ultralearning”). AI-kirjaoskusega ekspertide pidev järelkasv on riigiaparaadi jätkusuutlikkuse selgroog.

Andmed, kui vältimatu eeldus

Tehisintellekt on andmeteaduse hierarhia püramiidi tipus. Selle aluseks peavad olema kvaliteetsed, kättesaadavad ja esinduslikud andmed. “Prügi sisse, prügi välja” põhimõte rakendub tehisintellekti puhul sõna otseses mõttes. Puudulikud andmed toovad kaasa ebakorrektsed, mittevastavad otsused ja diskrimineerimise. Jätkusuutlikuks AI kasutuselevõtuks tuleb lahendada pärandsüsteemide (legacy) piirangud ja rakendada kindlat andmete valitsemist, mis tagab koostalitlusvõime ning kaitseb kodanike privaatsust.

Andmeteaduse hierarhia liigub vundamendist tipuni järgmiselt: kogumine (sensorid, logid) → liigutamine ja salvestamine (usaldusväärne infrastruktuur, X-tee) → uurimine ja muutmine (puhastamine, anomaaliate tuvastus) → agregeerimine ja märgistamine (analüütika, treeningandmed) → õppimine ja optimeerimine (AI). Iga samm on eelduseks järgmisele. Organisatsioon, mis üritab AI-d juurutada ilma alumisi kihte korrastamata, ehitab maja liivale.

Eesti digiriigi arhitektuuris on kriitiliseks komponendiks andmejälgija (data tracker) ja nõusolekuteenus (consent service). Need tagavad, et kodanik näeb täpselt, kes ja miks on tema andmeid vaadanud, ning saab kontrollida nende kasutamist uutes teenustes. Tehisintellekti treenimine anonümiseeritud ja sünteetilistel andmetel tagab, et isikustatud proaktiivsus ei muutu massiliseks jälgimiseks.

Proportsionaalsed turvapiirded ja riskipõhine lähenemine

Avalik sektor ei tohi opereerida vastutustundeta musta kasti algoritmide toel. Tagatud peab olema süsteemide seletatavus ja läbipaistvus. Kooskõlas süsteemi riskitasemega tuleb kehtestada human-in-the-loop lähenemine, kus inimene on alati otsustusahelas. Selles mudelis teeb tehisintellekt ära andmetöötluse ja rutiinse töö, kuid lõpliku otsuse teeb inimene. See on eriti oluline diskretsiooni nõudvates või inimõigusi puudutavates küsimustes. Jah, AI on alati kallutatud.

Riskipõhine lähenemine lähtub Kanada ADM-mudelist, klassifitseerides AI mõju neljale tasemele. See on hea täiendus EL-i tehisaru määrusele (EU AI Act).

Riskitase	Mõju	Näide	Nõutav kontroll
Tase 01	Minimaalne	Rämpspostifiltrid, üldinfo	Kõige vähem piirav; nõuab peamiselt automatiseeritud süsteemi ja selle eesmärgi alusdokumentatsiooni.
Tase 02	Mõõdukas	Dokumendihaldus, analüütika	Nõuab sisemisi eksperdihinnanguid, algoritmilise loogika dokumenteeritud selgitust ning teostatud algoritmilise mõju hindamist (AIA).
Tase 03	Kõrge	Toetuste hindamine, tervishoid	Nõuab süsteemi kirjelduste kättesaadavust avalikkusele, inimese sekkumise protokolle ja auditeid enne süsteemi toodangusse laskmist.
Tase 04	Väga kõrge	Inimõigused, sotsiaalne kindlustatus	Maksimaalsed piirangud: hõlmab pidevat seiret mudeli hälvete ja kallutatuse (drift/bias) suhtes, põhjalikku selgitatavust klientidele ning ametlikku inimese osalusega (human-in-the-loop) heakskiitu.

Agendipõhistes süsteemides peab riskide maandamise tagama neljakihiline valitsemismudel: “poliitika-kui-kood” (policy-as-code) reeglid, platvormipõhised turvapiirded, integreeritud turvaspetsialistide järelevalve ning kogenud domeeni eksperdi kohustuslik heakskiit muudatustele.

Bürokratt ja agentne AI: hangete uued tööriistad

Kujutame natuke nüüd ette, kuidas võiks asjad olla, kus Bürokratt ei ole pelgalt vestlusbot, vaid koostöövõimeline agentide võrgustik. Iga asutus haldab oma valdkonnaspetsiifilist AI agenti (või mitut), mis suhtleb teiste agentidega turvaliselt X-tee kaudu. Kodanik saab suhelda riigiga ühest aknast, kasutades loomulikku keelt ja häält, ilma et ta peaks teadma, milline ministeerium millise teenuse eest vastutab.

Agentne AI tähistab strateegilist nihet: süsteemid ei vasta ainult küsimustele, vaid suudavad iseseisvalt planeerida, kasutada tööriistu ja teha tehinguid. Riigihangete kontekstis on see muutus eriti mõjus. Autonoomsed agendid suudavad teostada turu-uuringuid ja agregeerida pakkujate andmeid eri platvormidelt, kontrollida pakkumuste vastavust tehnilistele nõuetele ja tuvastada anomaaliaid dokumentatsioonis, samuti sünteesida hankelepingute olulisi tingimusi ning märgistada riskikohad enne inimese lõplikku ülevaatust. Kutsuda osalema ettevõtjaid, kes muidu jääksid varju või kes ei oskaks infot ise leida, kuid kelle teenus või toode võib samas väärtuslik olla. Kogu protsessile minev aeg, mis kulub turu-uuringule, pakkumuste võrdlusele ja lepingute analüüsile, väheneb drastiliselt. See ei tähenda, et ametnikke saab asendada, vaid seda, et nende tähelepanu saab suunata sinna, kus inimlik hinnang ja ekspert-teadmised ning kogemus on asendamatud.

Teema	AI kasutus	Ilma tehisaruta
Turu-uuring ja pakkujate kaasamine	Agent teeb ristpäringuid Äriregistris, veebis ja valdkondlikes andmebaasides, identifitseerides ka uued potentsiaalsed teenusepakkujad.	Kutsutakse vaid varasemalt tuttavaid pakkujaid; kasutaja teadmatusest jäävad turu parimad või innovaatilisemad tegijad varju.
Dokumendi-mallid ja nõuete vastavus	Agent kategoriseerib nõudeid, võrdleb tingimusi ja avastab vastuolusid kuupäevades, tähtaegades ning spetsifikatsioonides.	Mahukates dokumentides jäävad mallide faktivead, risti-vastukäivad viited ja erinevad kuupäevad tähelepanuta.
Tehniline spetsifikatsioon ja kontekst	Agent analüüsib tehniliste tingimuste selgust ja aitab märgistada liiga kitsaid või subjektiivseid nõudeid.	Subjektiivne või ebatäpne sõnastus teeb pakkumise tegemise keeruliseks ja tekitab vaidlusi.
Pakkumuste võrdlus ja anomaaliad	Agent teostab pakkumuste esmase vastavuskontrolli, otsib anomaaliaid (nt ebaloomulikult madal hind) ja koondab võrdlustabelid.	Suure mahu tõttu ei suudeta tuvastada peidetud riske, arvutusvigu või pakkujatevahelisi anomaalseid mustreid.
Lepingu tingimused ja riskianalüüs	Agent sünteesib lepingu olulised punktid, võrdleb neid näidismallidega ja märgistab ebatavalised või ohtlikud klauslid.	Rutiinne lepinguteksti lugemine väsitab; olulised riskikohad ja õiguslikud komistuskivid jäävad märkamata.

Iga sellise kasutusjuhu juures on oma risk ja selle maandamise viis.

Teema	Risk	Maandamine
Turu-uuring ja pakkujate kaasamine	AI võib pakkuda tegevuse lõpetanud või ebapädevaid ettevõtteid.	Inimene kontrollib AI koostatud tarnijate nimekirja enne kutsete saatmist.
Dokumendi-mallid ja nõuete vastavus	Kasutaja eeldab täielikku vigadeta analüüsi ega märkagi tehisaru eksimusi.	AI-d kasutatakse pre-check tööriistana, lõpliku faktikontrolli teeb kasutaja.
Tehniline spetsifikatsioon ja kontekst	AI ei taju reaalset konteksti ega elulist hetkeolukorda (nt spetsiifilised kohapealsed tingimused).	Kasutaja peab mõistma mudeli ennustuslikku olemust ja kohandama tingimused olustikule vastavaks.
Pakkumuste võrdlus ja anomaaliad	Kasutaja ei süvene detailidesse ja teeb otsuse tehisaru pinnapealse koondtulemi põhjal.	AI teeb musta töö, kuid hindamisotsuse teeb ekspert omal vastutusel.
Lepingu tingimused ja riskianalüüs	AI võib alahinnata juriidilist või strateegilist nüanssi, mis pole standardne.	AI toob välja riskikohad, kuid lõpliku õigusliku hinnangu annab kasutaja (jurist või spetsialist).

Ilma tehisaruta on peamiseks riskiks inimliku ressursi raiskamine ja tähelepanematusest tingitud vead. AI kasutamisel on peamiseks riskiks jällegi mõttelaiskus ja vastutuse delegeerimine masinale. Parim tulemus sünnib sünergias, kus agentne AI teeb mahuka eeltöö ning kasutaja teeb teadliku, ekspertteadmisel põhineva lõpp-viimistluse.

“Igal organisatsioonil on vältimatu vajadus strateegia järele, et rakendada ja kasutada agente nii kliendisuhtluses kui ka sisemistes kasutusjuhtudes.”

Sinan Aral, MIT Sloan professor, Agentic AI, explained | MIT Sloan

Mõõdetav väärtus: kus AI tõesti töötab

Iga juurutatud lahendus peab tooma mõõdetavat kasu, sel peab olema omanik ja plaan selle hoolduseks selle planeeritud eluea vältel. Eesti kogemus näitab, et AI rakendamine optimeerib ressursse seal, kus andmemaht ületab inimvõimekuse. Näidetest vast juba lähemalt mõnes järgmises loos.

Mida saad Sina juhina teha juba homme hommikul?

Tehisintellekti integreerimine ei ole ühekordne projekt, vaid organisatsiooni “operatsioonisüsteemi” jooksev värskendamine. See on tegelikult üsna loomulik, küll ehk veidi kiirendatud, evolutsioon, protsesside ja mõtteviisi kaasajastamine, optimeerimine ja täiendamine.

Kaardista töövood. Otsusta iga algatuse puhul: kas kasutame mõnd valmislahendust, paneme olemasolevatest komponentidest midagi kokku või ehitame päris ise ehk rätseplahendusena? Enamik projekte peaks jääma sinna “kasuta olemasolevat” või “koosta valmis ehitusklotsidest” valdkonda. Kui valid ise ehitamise tee ja hakkad jalgratast leiutama, on vajalik kogenud tuumikmeeskond, väike, selge mandaadiga üksus, kellel on lõpuni vastutus ja võimekus agentide käitumist ise siluda. Ise ehitamist tänapäeva AI võimekus võimaldab, kui on olemas valdkonna spetsialistid, kuid sellise tiimi puudumisel riskid oluliselt suurenevad.

• Eeldusel, et protsesside ja digitaliseerimisega on juba tegeletud, vaata, kus saaks AI abil rutiinseid tegevusi veelgi lihtsustada;
• Vii läbi töötubasid;
• Loo avatud suhtlus nii ideedest, kui riskidest.

Välju silotornist. Lõpeta eraldiseisva ops-tiimi kasutamine. Moodusta üks integreeritud üksus, millel on lõpuni vastutus agentide käitumise eest. Tiimid peavad suutma agentide käitumist ise juhtida. Mõtle iga teenuse või toote põhiselt nii, et oleks üks tervikult toimiv tiim, mitte killustatud osad. See võib olla ka osa tervikust, kuid peaks oma osa suutma sellisel juhul iseseisvalt hallata ja vastutab selle eest ise.

Pane reeglid paika. Sea turvapiirded, poliitika kui kood, pane paika üldiselt põhimõtted ja reeglid ning saavuta juhtkonna sisuline heakskiit AI-kaasamisele. Jälgi, taga läbipaistvus, mõõda AI kasutust: tokenid, mudelid, sisend-väljund.

Kaitse järelkasvu. Kuna AI automatiseerib lihtsad ülesanded, disaini uued viisid nii, kuidas nooremad töötajad saavad õppida ja kogemust omandada. Investeeri inimestesse, kes mõistavad klienti, regulatsioone ja toote nüansse, need on valdkonnad, mida AI ei suuda katta.

Liikudes proaktiivse ja personaalse riigihalduse suunas, on meil vaja säilitada protsessides inimlik mõõde. Süsteemid võivad analüüsida turutingimusi, optimeerida lepinguid ja sünteesida tekste, kuid eetiline kompass, empaatia ning lõplik vastutus otsuste ees ei ole algoritmidele delegeeritavad.

Ma veel ei tea, kuidas ja kus on parim tehisaru agentsel viisil kasutada. Minu missioon täna ongi leida see hea tasakaalupunkt masina kalkuleeritud efektiivsuse ja inimese asendamatu taju vahel. Luues strateegia, mis on ühtaegu innovaatiline ja turvaline, sillutades teed riigiasutusele, kus tehnoloogia ei võõranda, vaid võimestab meid.

Tõeliselt iseseisev digiriik peab oma mõistust pidevalt arendama, mitte seda pimesi rentima.