Non-Tech AI Advisory

Kus AI-d päriselt kasutatakse ja kus jääb rakendamata

AI-d proovitakse peaaegu igas ettevõtte valdkonnas, aga tööle on see pandud väga vähestes. Eurostati ja McKinsey andmed: kus on lihtne alustada, kus on suurim mõju, mis takistab ja kus Eesti seisab.

2025. aastal kasutas vähemalt üht AI-tehnoloogiat 20,0% Euroopa Liidu vähemalt kümne töötajaga ettevõtetest. Suurtest ettevõtetest 55%, väikestest ainult 17%. Eesti oli 23,4%-ga EL-i keskmisest eespool — aga Soomest (37,8%) jäi puudu 14 protsendipunkti.

Samal ajal ütleb McKinsey globaalne uuring, et 88% organisatsioonidest kasutab AI-d vähemalt ühes ärifunktsioonis. Numbrid ei ole vastuolus: Eurostat mõõdab kogu ettevõtete populatsiooni, McKinsey küsitleb organisatsioone, kes on juba AI-teemaga tegelemas. Aga koos näitavad nad ühte asja väga selgelt.

AI-d proovitakse peaaegu kõikjal. Päriselt tööle on see pandud väga vähestes kohtades. McKinsey järgi on ligi kaks kolmandikku organisatsioonidest endiselt katsetamise või piloodi faasis, ja ainult 39% suudab AI-le omistada mingitki mõju ärikasumile.

See postitus vaatab, millistes ettevõtte valdkondades AI päriselt kasutusele jõuab, millistes mitte, ja mis on nende kahe rühma vahel tegelik erinevus.

Kus Euroopa ettevõtted AI-ga on

Alustame ametlikust statistikast, sest see on ainus koht, kus numbrid on kontrollitavad ja riikide vahel võrreldavad.

AI kasutamine ettevõtetes 2025. aastal riikide kaupa: Taani 42%, Soome 37,8%, Rootsi 35%, Eesti 23,4%, EL-i keskmine 20%, Läti 12,2%

Eesti positsioon on huvitav. Oleme EL-i keskmisest eespool ja edestame mõlemat Balti naabrit — Leedut (21,3%) napilt, Lätit (12,2%) peaaegu kahekordselt. Aga võrdlus, mis loeb, on põhjapoolne: Soome ettevõtted kasutavad AI-d ligi poolteist korda sagedamini kui Eesti omad. Taani vahe on veel suurem.

Ettevõtte suurus mõjutab rohkem kui riik:

  • Suured ettevõtted (250+ töötajat): 55,03%
  • Keskmised (50–249): 30,36%
  • Väikesed (10–49): ligikaudu 17%

Oluline täpsustus mõistetes. Eurostat ei mõõda ainult ChatGPT kasutamist. AI alla arvestatakse teksti- ja pildianalüüs, kõnetuvastus, masinõpe, otsustusautomaatika, arvutinägemine, generatiivne AI ja autonoomsed masinad. Ettevõte, mille laos töötab kaamerapõhine kvaliteedikontroll, on selles statistikas AI-kasutaja täpselt samamoodi nagu ettevõte, kus turundaja kirjutab ChatGPT-ga tekste.

Milleks AI-d kasutatakse

Eurostat küsis AI-d juba kasutavatelt ettevõtetelt, mis eesmärgil nad seda teevad. Tähelepanu: allpool olevate protsentide nimetaja on AI-d kasutavad ettevõtted, mitte kõik ettevõtted.

  • Turundus või müük — 34,70%. Kõige levinum kasutuseesmärk kogu EL-is.
  • Ärihaldus, administratsioon või juhtimine — 31,05%.
  • Raamatupidamine, kontroll või finantsjuhtimine — ligikaudu 23%.
  • Tootmisprotsessid — ligikaudu 21%.
  • IT- ja küberturvalisus — ligikaudu 20%.
  • Teadus- ja arendustegevus — ligikaudu 19%.
  • Logistika — 6,08%. Selgelt viimane.

McKinsey globaalne pilt läheb samas suunas. Nende kaheksa aastat kestnud seeria järgi on kõige sagedamini AI-d kasutavateks funktsioonideks püsinud IT ning turundus ja müük, ning viimases uuringus on nende kõrvale tõusnud teadmushaldus — ettevõtte enda dokumentidest ja ajaloost vastuste leidmine. Tootmine ja tarneahel jäävad selgelt viimaste sekka. Pooled organisatsioonid kasutavad AI-d kolmes või enamas funktsioonis.

Metoodiline märkus. McKinsey avaldab funktsioonide täpsed protsendid ainult diagrammina, mitte tekstitabelina. Me ei avalda siin numbreid, mida me ei saa allikast üheselt kontrollida. Kvalitatiivne järjestus — IT, turundus/müük ja teadmushaldus eespool, tootmine ja tarneahel tagapool — on raporti enda tekstis sõnastatud ja seda saab tsiteerida kindlalt.

Miks mõnes valdkonnas on lihtne ja teises raske

Siin on postituse põhiline mõte, ja see ei ole see, mida numbrid esmapilgul näivad ütlevat.

Madal kasutusprotsent ei tähenda, et AI oleks selles valdkonnas vähem kasulik. See tähendab, et rakendamine on tehniliselt keerulisem ja kallim.

Turunduses saab töötaja AI-d kasutama hakata täna pärastlõunal. Töö toimub juba tekstiga, andmed on olemas, tulemust näeb kohe ja vea hind on väike. Tootmises võib vaja minna kaameraid, sensoreid, masinate andmeliideseid, kvaliteetset ajaloolist andmestikku, integratsioone ERP-iga ja tootmisprotsessi enda ümberkujundamist. Sama AI-võimekus, täiesti erinev juurutamise maksumus.

Ja siis tuleb teine, vastupidine leid. McKinsey küsis AI-d kasutavatelt organisatsioonidelt, kas nad on viimase 12 kuu jooksul näinud kulude vähenemist või tulude kasvu. Muster on ühemõtteline:

  • Kulude vähenemist raporteeritakse kõige sagedamini tarkvaraarenduses, tootmises ja IT-s.
  • Tulude kasvu raporteeritakse kõige sagedamini turunduses ja müügis, strateegias ja finantsjuhtimises ning toote- ja teenusearenduses.

Pane tähele: tootmine on samal ajal üks madalaima kasutusprotsendiga ja üks kõrgeima kulumõjuga valdkondi. See ei ole vastuolu — see on turuvõimalus. Kohti, kus AI on lihtne kasutusele võtta, on juba kõik konkurendid avastanud. Kohti, kus see on raske, aga mõju suur, on avastanud vähesed.

Neli välja: kus AI-d on lihtne kasutusele võtta ja kus see loob kõige rohkem väärtust

Praktiline järeldus juhile: ära vali esimest AI-projekti selle järgi, kus on kõige lihtsam alustada. Vali selle järgi, kus praegu kõige rohkem raha kaob — ja alusta seal kõige lihtsamast asjast.

Mida AI erinevates valdkondades päriselt teeb

Teadmushaldus ja ettevõtte sisemine info

McKinsey järgi on see üks kolmest kõige levinumast AI-kasutuse kohast — ja veel paar aastat tagasi seda nimekirjas polnud.

Ettevõtted ehitavad sisemisi assistente, mis leiavad vastuseid lepingutest, juhenditest, tootedokumentatsioonist, varasematest projektidest, koosolekute protokollidest, hinnakirjadest ja koolitusmaterjalidest. Töötaja ei pea enam teadma, millises kaustas info asub — ta küsib küsimuse ja saab vastuse koos allikaga.

Siin on aga konks, mida enamik ettevõtteid alahindab: AI ei tee halba teadmushaldust paremaks, ta teeb selle kiiremini levivaks. Kui alusdokumendid on aegunud, vastuolulised või ilma omanikuta, annab assistent enesekindla ja vale vastuse. Sellest, mida toimiv teadmiste süsteem päriselt nõuab, kirjutasime pikemalt postituses Second Brain: mida tähendab „teine aju".

Turundus

Sisu loomine, kliendisegmentide analüüs, personaliseerimine, kampaaniate optimeerimine, konkurentide jälgimine, SEO- ja GEO-analüüs.

Lihtsam tase on AI-ga reklaamteksti kirjutamine. Arenenum tase on süsteem, mis analüüsib kliendiandmeid, valib sihtrühma, loob igale segmendile eri sõnumi, käivitab kampaania, jälgib tulemusi ja teeb parandusettepanekuid.

Turunduses on tekkinud ka uus, varem olematu ülesanne: oma sisu masinloetavaks tegemine. Kui AI-otsing on see, kes ettevõtte kliendile soovitab, muutub oluliseks, kas AI ettevõtte teenusest üldse aru saab. Sellest kirjutasime postituses Veebis on nüüd rohkem masinaid kui inimesi.

Müük

Müügivihjete hindamine, kliendi tausta uurimine, kohtumiste ettevalmistamine, kõnede analüüs, CRM-i täitmine, pakkumiste koostamine, järgmise parima tegevuse soovitamine.

AI-agent võib leida sihtettevõtted, uurida nende tausta, tuvastada võimalikud vajadused, koostada personaalse esmase kirja, lisada kontakti CRM-i ja teha kohtumisest kokkuvõtte. Inimene peaks kontrollima sõnumeid, hinnastamist, lubadusi ja kõike, mis puudutab kliendisuhet.

Klienditeenindus

Korduvatele küsimustele vastamine, pöördumiste kategoriseerimine, vastuste mustandid, tõlkimine, kliendi emotsiooni tuvastamine, teenindajale vajaliku info leidmine.

Suurim väärtus ei tule tavaliselt vestlusrobotist. See tekib siis, kui AI-l on ligipääs õigetele tooteandmetele, tellimustele, juhenditele ja kliendiajaloole ning ta oskab juhtumi vajaduse korral inimesele üle anda.

IT ja tarkvaraarendus

IT-s: kasutajatoe automatiseerimine, süsteemivigade analüüs, logide uurimine, küberturbeintsidentide tuvastamine, dokumentatsioon. Tarkvaraarenduses: koodi kirjutamine ja selgitamine, testide loomine, vigade leidmine, vana tarkvara uuendamine.

Need on kaks valdkonda, kus kulumõju raporteeritakse kõige sagedamini. AI ei kaota vajadust arendajate järele — keegi peab endiselt määratlema nõuded, hindama arhitektuuri, kontrollima turvalisust ja vastutama töötava lahenduse eest.

Finants ja raamatupidamine

Arvete töötlemine, kulude kategoriseerimine, rahavoo prognoosimine, kõrvalekallete leidmine, aruannete koostamine, juhtimisinfo selgitamine.

Praktiline AI-finantsassistent võtab kokku kuu tulemused, võrdleb neid eelarve ja eelmise perioodiga, leiab ootamatud kulumuutused, prognoosib rahavoogu ja valmistab juhtkonnale kommentaarid. Lõplik vastutus raamatupidamise, maksude ja investeerimisotsuste eest jääb pädevale inimesele.

HR ja personalijuhtimine

Töökuulutused, ametiprofiilid, CV-de esialgne struktureerimine, intervjuuküsimused, sisseelamise toetamine, töötajate küsimustele vastamine, oskuste kaardistamine.

Kõrgema riskiga kasutus on kandidaatide automaatne järjestamine, tulemuslikkuse hindamine ja töösuhteid puudutavad otsused. Need võivad tekitada diskrimineerimise, läbipaistvuse ja regulatiivseid riske — EU AI Act käsitleb osa neist kõrge riskiga kasutusaladena.

Tootmine

Neli peamist kohta:

  • Ennustav hooldus. Masinate andmete põhjal prognoositakse, millal osa võib rikki minna.
  • Kvaliteedikontroll. Kaamerad ja arvutinägemine tuvastavad praaki kiiremini kui pistelised käsitsi kontrollid.
  • Tootmise optimeerimine. Seisakute, energiakulu, materjalikao ja järjekordade vähendamine.
  • Töötaja abistamine. Tehniliste juhiste leidmine, veateadete selgitamine, hooldusraportid.

Tarneahel, logistika ja laohaldus

Nõudluse prognoosimine, laoseisu optimeerimine, transpordi planeerimine, tarnijate riskide hindamine, tarnehäirete varajane tuvastamine.

Logistika oli Eurostati mõõdetud eesmärkidest kõige harvem — 6,08%. Põhjus on tõenäoliselt sama kui tootmises: vaja on kvaliteetseid reaalajaandmeid, integratsioone ja füüsiliste protsesside muutmist.

Õigus, risk ja vastavus

Lepingutingimuste leidmine, dokumentide võrdlemine, regulatsioonide jälgimine, võimalike rikkumiste tuvastamine, auditite ettevalmistamine.

AI võib leida sadadest lepingutest kõik vastutuse piirangud või märgistada lepingud, kus puudub nõutud andmekaitseklausel. Jurist otsustab, kas leitud probleem on sisuliselt oluline.

Juhtimine ja strateegia

Stsenaariumide koostamine, konkurentide analüüs, juhtimisraportite kokkuvõtmine, otsuste ettevalmistamine, eri andmeallikate ühendamine.

AI aitab vastata küsimustele nagu „miks käive eelmisel kuul langes", „millistes segmentides kasumlikkus kasvas", „millised kulud kasvavad kõige kiiremini", „kus on järgmise kvartali suurim risk". AI ei tohiks strateegilist otsust ise teha — tema roll on muuta info nähtavaks ja aidata juhil paremaid küsimusi küsida.

Küberturvalisus

Ebatavaliste tegevusmustrite tuvastamine, turvahoiatuste analüüs, andmepüügi avastamine, rünnete prioritiseerimine.

Siin on kontrast, mida tasub teadvustada: AI-d kasutavatest suurettevõtetest rakendab seda IT-turvalisuses 47,51%, väikestest ainult 14,51% — enam kui kolmekordne lõhe. Samal ajal kasutavad ka ründajad AI-d realistlikumate petukirjade, võltsitud häälte ja automatiseeritud rünnete loomiseks. Väikeettevõte seisab seega kasvava ohu vastu ilma sama kaitseta.

Kus AI jääb rakendamata — ja miks

Siiani rääkisime sellest, kus AI-d kasutatakse. Nüüd kõige olulisem küsimus: mis takistab neid, kes seda ei tee?

Eurostat küsis seda otse. 14,21% AI-d mittekasutavatest EL-i ettevõtetest oli AI kasutamist kaalunud, kuid otsustas selle vastu. Nende põhjused on väga ebavõrdselt jaotunud.

Miks ettevõtted AI-st loobusid: oskusteabe puudumine 70,89%, õiguslik ebaselgus 52,52%, andmekaitse 48,83%

  • Asjakohase oskusteabe puudumine — 70,89%. Ülekaalukalt suurim takistus.
  • Ebaselgus õiguslike tagajärgede osas — 52,52%.
  • Andmekaitse ja privaatsuse rikkumise mure — 48,83%.
  • Kõrged kulud või ühildamatus olemasolevate süsteemidega — ligikaudu 38–42%.
  • Ettevõtte jaoks lihtsalt mitte kasulik — 20,68%.

See on ehk kogu selle postituse kõige tähtsam number. Peamine takistus ei ole hind, tehnoloogia ega andmed. See on inimeste oskus. Ja oskus tähendab siin kahte eri asja: töötaja oskust AI-d oma töös kasutada, ja juhi oskust näha, milline protsess üldse AI-ga lahendatav on.

Teine ja kolmas põhjus — õiguslik ebaselgus ja andmekaitse — on samuti suuresti teadmise küsimus. EU AI Act on Eesti ettevõtte jaoks enamasti kergem, kui kardetakse: enamik igapäevaseid kasutusviise ei ole kõrge riskiga ja peamine kohustus on AI-pädevus ehk artikkel 4. Sellest kirjutasime lahti postituses AI Act jõustub päriselt.

Ka nende puhul, kes alustasid, jääb enamik pooleli

Kasutuselevõtt ei ole sama mis tulemus. McKinsey andmed:

  • 88% kasutab AI-d vähemalt ühes funktsioonis.
  • Ligi kaks kolmandikku ei ole veel skaleerimist alustanud — nad katsetavad või pilooditavad.
  • 39% suudab AI-le omistada mingitki mõju ärikasumile, enamik neist alla 5%.
  • 6% — nn kõrgsooritajad — omistavad AI-le üle 5% ärikasumist.

Agentide osas on lõhe veel suurem: 62% katsetab, ainult 23% skaleerib, ja mitte üheski üksikus funktsioonis ei ütle üle 10% vastajatest, et nad agente skaleerivad. Gartner prognoosib, et üle 40% agentse AI projektidest tühistatakse 2027. aasta lõpuks — peamiselt kasvavate kulude, ebaselge ärilise väärtuse ja puuduliku riskikontrolli tõttu.

McKinsey enda järeldus kõrgsooritajate kohta on, et neid ei erista tehnoloogia, vaid töövoogude põhjalik ümberkujundamine ja juhtkonna omanikutunne. Need, kes lisavad AI olemasolevale protsessile juurde, saavad väikese kiiruskasu. Need, kes protsessi ümber ehitavad, saavad mõõdetava tulemuse.

Kontrollpunktide läbimõtlemine — millal inimene kinnitab ja millal ainult jälgib — on selle ümberehituse osa, mitte takistus sellele. Sellest kirjutasime postituses Human-in-the-loop ja human-on-the-loop.

Millistes majandusharudes AI-d kõige rohkem kasutatakse

Eurostati EL-i statistikas on lõhe sektorite vahel suurem kui riikide vahel:

  • Info ja kommunikatsioon — 62,52%
  • Professionaalsed, teaduslikud ja tehnilised teenused — 40,43%
  • Kinnisvara — 24,82%
  • Majutus, administratiiv- ja tugiteenused, kaubandus, energeetika, tootmine — ligikaudu 15–21%
  • Transport ja ladustamine — ligikaudu 11%
  • Ehitus — 10,79% (madalaim)

Aga huvitavam on see, mida iga sektor AI-ga teeb:

  • Majutuses kasutas 58,82% AI-kasutajatest AI-d turunduses või müügis.
  • Jaekaubanduses 48,18% samuti turunduses või müügis.
  • Info- ja kommunikatsioonisektoris oli peamine kasutus teadus- ja arendustegevus, 42,51%.
  • Energia- ja veevarustuses paistis silma IT-turvalisus, 32,02%.
  • Tootmises oli kõige levinum kasutus turundus ja müük (30,41%) ning administratsioon ja juhtimine (27,05%) — mitte tootmisliin.

See viimane on kõige kõnekam leid kogu andmestikus. Isegi tootmisettevõtetes ei alustata AI kasutamist tootmisest. Alustatakse kontoripoolelt, sest seal saab tulemuse kiiremini ja väiksema investeeringuga. See on täiesti mõistlik alustamisviis — probleem tekib siis, kui sinna ka jäädakse ja tootmispoole potentsiaal jääb aastateks puutumata.

Kolm levinud viga valdkonna valikul

Andmete taga on kolm mustrit, mida näeme praktikas korduvalt.

Esimene viga: valitakse valdkond, kus on kõige lihtsam alustada, mitte kus on kõige rohkem kaotust. Tulemus on hulk väikeseid võite, mis kokku ei muuda ühtegi ärinäitajat. Ettevõte kasutab AI-d aktiivselt, aga finantsaruandes ei ole seda näha. See on täpselt see olukord, mida McKinsey number kirjeldab: 88% kasutab, 39% näeb kasumimõju.

Teine viga: AI lisatakse olemasolevale protsessile juurde, selle asemel et protsess ümber ehitada. Kui müügiinimene kasutab AI-d pakkumise mustandi kirjutamiseks, aga kogu ülejäänud protsess — kinnitusringid, hinnastamine, CRM-i sisestus, järeltegevus — jääb samaks, siis säästab ta 20 minutit kolmepäevasest tsüklist. Kõrgsooritajate eristaja ei ole parem tööriist, vaid see, et nad küsivad „kuidas see protsess näeks välja, kui me seda täna nullist ehitaksime?".

Kolmas viga: oskuste investeering jäetakse tegemata, sest tööriist tundub lihtne. ChatGPT avamine on lihtne. Selle teadmine, milline oma töö osa on AI-le usaldatav, millist väljundit peab kontrollima ja mida ei tohi sisendisse panna, ei ole. Eurostati number — 70,89% loobumistest oskusteabe puudumise tõttu — mõõdab neid, kes ei alustanudki. Neid, kes alustasid ja jäid esimesse kihti kinni, ei mõõda keegi, aga neid on tõenäoliselt rohkem.

Ühine joon: kõik kolm viga on juhtimisotsused, mitte tehnoloogiaotsused.

Kust ettevõte peaks alustama

Vale esimene küsimus on „millist AI-tööriista me vajame?". Õige esimene küsimus on, kus praegu kõige rohkem aega või raha kaob.

Otsi protsesse, kus kehtib vähemalt üks järgmistest:

  1. Töötajad kordavad iga päev samu tegevusi.
  2. Info otsimisele kulub palju aega.
  3. Suur osa tööst on dokumentide lugemine või kirjutamine.
  4. Otsuseid tehakse suure andmehulga põhjal.
  5. Kliendid ootavad kaua vastust.
  6. Inimesed kopeerivad infot ühest süsteemist teise.
  7. Vead või hilinemised põhjustavad otsest rahalist kahju.
  8. Ettevõttel on palju ajaloolisi andmeid, mida ei kasutata.

Praktikas liigutakse kolmes kihis:

Esimene kiht: töötaja isiklik produktiivsus. Tekstid, analüüsid, koosolekud, uurimistöö, dokumendid. Kiire kasu, väike risk, aga ka piiratud mõju — see kaob ära, kui inimene lahkub.

Teine kiht: meeskondlikud assistendid. Turunduse, müügi, HR-i, finantsi või klienditoe ühised assistendid, millel on ligipääs ettevõtte enda infole. Siin hakkab tekkima organisatsiooniline, mitte isiklik võimekus.

Kolmas kiht: integreeritud AI-protsessid ja agendid. AI ühendatakse CRM-i, e-posti, dokumendihalduse, ERP-i, klienditoe või tootmissüsteemidega ja täidab mitmeastmelisi töövooge. Siin on suurim mõju ja suurim nõue andmehalduse, kontrollpunktide ja vastutuse osas.

Enamik ettevõtteid on esimeses kihis. Enamik mõõdetavast ärilisest mõjust tekib teises ja kolmandas.

Ja kui Eurostati kõige suurem takistus on oskusteabe puudumine 70,89% juures, siis on selge, kus enamiku ettevõtete jaoks tegelik pudelikael on. Meie AI väljaõppe teenus tegeleb täpselt sellega, ja AI juurutamine sellega, mis tuleb pärast — millised protsessid ümber ehitada ja millises järjekorras.

Kokkuvõte

2026. aasta seisuga ei ole küsimus enam selles, millises ettevõtte osakonnas AI-d kasutada saab. Peaaegu igas.

Eristada tuleb kolme asja:

  1. Kus AI-d on lihtne kiiresti kasutusele võtta — teadmushaldus, turundus, müük, klienditeenindus, administratsioon.
  2. Kus AI võib luua kõige rohkem rahalist väärtust — tootmine, IT, tarkvaraarendus, finants ja tarneahel kulude poolel; turundus, müük, strateegia ja tootearendus tulude poolel.
  3. Kus rakendamine nõuab tugevamat andmehaldust, integratsioone ja inimvastutust — enamasti täpselt seal, kus mõju on suurim.

Valdkonna madal AI-kasutus ei tähenda, et AI seal ei töötaks. See tähendab, et keegi pole seda veel piisavalt hästi ära teinud — ja see on pigem võimalus kui hoiatus.

Korduma kippuvad küsimused

Millisest valdkonnast peaks väikeettevõte alustama?

Sealt, kus töötajad kulutavad kõige rohkem aega korduvale tööle — enamasti on see dokumentide otsimine, klientidele vastamine või müügimaterjalide koostamine. Need on ka valdkonnad, kus tulemust näeb nädalate, mitte kuudega. Suurema mõjuga, aga aeglasema tootmise- või tarneahela projekti tasub planeerida teise sammuna, kui esimene on tulemuse andnud.

Kas madal AI-kasutus tootmises tähendab, et AI seal ei tööta?

Ei. See tähendab, et rakendamine on kallim ja keerulisem — vaja on andureid, andmeliideseid ja protsessimuudatusi. Samal ajal raporteeritakse just tootmises koos tarkvaraarenduse ja IT-ga kõige sagedamini AI-st tulenevat kulude vähenemist. Madal kasutus ja kõrge mõju koos tähendavad, et konkurendid pole seda veel ära teinud.

Kui palju ettevõtteid tegelikult AI-st kasu saab?

McKinsey uuringus omistas 39% organisatsioonidest AI-le mingitki mõju ärikasumile ja ainult 6% üle 5% kasumist. Peamine erinevus edukate ja teiste vahel ei olnud tehnoloogia, vaid see, kas töövood ehitati ümber või lisati AI olemasolevale protsessile juurde.

Mis on kõige suurem takistus AI kasutuselevõtul?

Eurostati andmetel oskusteabe puudumine — seda nimetas 70,89% ettevõtetest, kes olid AI-d kaalunud, aga loobunud. See on ligi kaks korda sagedasem kui õiguslik ebaselgus (52,52%) või andmekaitsemure (48,83%). Hind ja tehnoloogia jäävad nimekirjas tahapoole.

Kas Eesti ettevõtted jäävad AI kasutamises maha?

Sõltub võrdlusest. EL-i keskmisest (20,0%) oleme 23,4%-ga eespool ja edestame nii Lätit kui Leedut. Põhjamaadest jääme selgelt maha: Soome 37,8%, Taani 42,0%. Kui võrdlusbaas on Balti turg, on Eesti heas seisus; kui konkurents on Põhjamaadega, on vahe märkimisväärne.

Allikad