Kuvittele: projektipäällikkösi laatii 20 minuutissa teknisen vaatimusmäärittelyn, johon ennen upposi puoli työpäivää. HR-tiimisi vastaa työntekijöiden kysymyksiin ympäri vuorokauden älykkään chatbotin avulla. Myyntimateriaalisi syntyvät nappia painamalla – ja asiakaskohtaisesti räätälöitynä.
Kuulostaa tieteistarinalta? Monissa yrityksissä tämä on jo totta – ainakin siellä, missä AI on otettu tietoisesti osaksi arjen tekemistä.
Mikä sitten erottaa nämä edelläkävijät yrityksistä, joissa ChatGPT-testit ja Excel-pohjat ovat edelleen arkipäivää? Miksi jotkut pk-yritykset etenevät määrätietoisesti eteenpäin, kun taas toiset juuttuvat ohjelmistosotkujen ja tietosuojahuolien väliin?
Kokemuksemme: ei teknologia itsessään ratkaise – vaan asenne, toimintamallit ja fokusoitu muutos.
Mikä tekee organisaatiosta tekoälykypsän?
Tekoälykypsä organisaatio on enemmän kuin joukko erilaisia työkaluja. Tekoäly ei ole yksittäinen IT-projekti vaan osa yrityksen DNA:ta.
Kokeneiden käytännön osaajien ja tuoreiden tutkimusten näkemykset kohtaavat: Kolme ydinelementtiä määräävät yrityksen AI-kypsyyden:
- Strateginen integrointi: AI nähdään arvoa luovana organisaatiotavoitteena – ei vain teknisenä leikkikenttänä.
- Kulttuurinen avoimuus: Työntekijät käyttävät AI-ratkaisuja luontevasti ja etsivät aktiivisesti uusia hyötykohteita.
- Operatiivinen erinomaisuus: Keskeiset AI-sovellukset toimivat luotettavasti ja luovat mitattavaa lisäarvoa.
Vain harva yritys saavuttaa nämä kaikki kolme osa-aluetta – monilla toteutus jää puolitiehen tai pyöritään jatkuvassa kokeilussa. Sillä ei ole väliä, kuinka monta AI-työkalua käytätte, vaan kuinka tarkasti organisaationne on rakennettu niiden ympärille.
Kuten Thomas, konepajateollisuudesta, osuvasti toteaa: ”Aluksi luulimme, että tarvitsemme vain oikean työkalun. Nyt tiedämme: meidän täytyi ensin muuttaa työtapojamme.”
Tekoälykypsän organisaation anatomia
Tekninen infrastruktuuri ja datakypsyys
Kaiken AI-muutoksen pohja? Selkeä näkymä omiin tietoihin – järjestelmällisesti rakentaen, ei keräämällä päämäärättömästi dataa.
Onnistuneissa yrityksissä siilot on purettu. Hyvä käytännön esimerkki: Ennen kuin chatbot voi palvella asiakkaita, dokumentit täytyy olla rakenteistettu ja löydettävissä. AI tarvitsee järjestystä ja kontekstia – muuten parhaastakin työkalusta on vähän hyötyä.
- Pilvipohjainen infrastruktuuri: Mahdollistaa modernien AI-työkuormien skaalauksen ja saatavuuden.
- API-hallinta: Yhdistää eri järjestelmät turvallisesti.
- Data governance: Varmistaa tiedon laadun ja käyttöoikeudet.
- Monitorointi ja näkyvyys: Seuraa AI-järjestelmien suorituskykyä ja pullonkauloja.
Markus, IT-johtaja, tiivistää: ”Halusimme aloittaa chatbotit heti, mutta tietomme lepäsivät 15 eri järjestelmässä, hajallaan. Vasta tietojen järjestämisen jälkeen pääsimme eteenpäin.” Kuulostaako tutulta?
Pyörää ei tarvitse keksiä uudelleen. Aloittakaa data-auditilla: Mitä tietoja on jo digitaalisesti? Missä puuttuu rakenne? Mitkä tiedot ovat liiketoiminnalle välttämättömiä? Tämä rehellinen tilannekuva on kestävän AI-kehityksen perusta.
Kulttuurinen muutos ja Change Management
Teknologia innostaa vain niin kauan kuin sitä käytetään ja siihen luotetaan. Kokemus osoittaa: Todellinen muutos alkaa pään sisältä.
Useat tutkimukset ja käytännön esimerkit vahvistavat: Yleisimmät AI-projektien epäonnistumisen syyt liittyvät harvoin tekniikkaan – tärkeämpää on työntekijöiden hyväksyntä ja motivaatio.
Onnistujat investoivat rohkeasti kokeilukulttuuriin ja oppimiseen. Anna HR-tiimistä kertoo: ”Aloitimme rennoilla ’AI-kahvisessioilla’ – viikoittain yksi työkalu, yksi käyttötapaus. Kenellä oli intoa, tuli mukaan – ilman pakkoa.”
- Bottom up, ei top down: Anna innostuksen kasvaa sisältäpäin ja hyödynnä varhaiset omaksujat moottorina.
- Virheet sallittuja: Kaikki AI-ideat eivät lennä – tärkeintä on oppia kokeiluista.
- Näkyvät onnistumiset jaetaan: Kun hyöty on käsinkosketeltavaa, tieto leviää luonnollisesti.
- Napakat, käytännölliset koulutukset: Mieluummin säännöllisiä lyhyitä oppimishetkiä kuin kertaluontoinen luento.
Ja ennen kaikkea: Kommunikoi AI tuottavuusboosterina. Näytä, mitä aikaa vievä tekeminen jää pois – ja innosta uusiin mahdollisuuksiin.
Strateginen johtaminen ja hallintomalli
AI-hankkeet tarvitsevat sekä selkeät raamit että toimintavapautta. Toimivaksi on osoittautunut johtamismalli, jossa vastuut ovat selkeät ja tiimit ketteriä.
AI ei kuitenkaan kulje itsestään. Se kuuluu johdon agendalle – joko toimitusjohtajan itsensä tai muun C-tason vastuuhenkilön alle.
| Taso | Vastuualue | Säännöllisyys |
|---|---|---|
| Strateginen ohjausryhmä | AI-strategia, budjetointi, tulosten seuranta | Neljännesvuosittain |
| Operatiivinen tiimi | Use case -kohdennus, resurssien jako | Kuukausittain |
| Työryhmät | Käytännön toteutus, testaus, optimointi | Viikoittain |
Kultainen keskitie: Yhtenäiset pelisäännöt (budjetti, tietosuoja) tuovat turvaa, liiallinen byrokratia puolestaan tappaa ketteryyden ja innovaation. Meillä toimii: Määritellyt periaatteet, rohkeat tiimit, nopea onnistumisten seuranta.
Kuten Thomas sanoo: ”Jokaisella AI-projektilla pitää olla liiketoimintahyöty ja asiakkaan tiedot suojattuna. Kolme kuukautta aikaa tuoda tuloksia. Loppu on tiimityötä.”
Juuri tämä johtamisen ja itseohjautuvuuden yhdistelmä on kullanarvoinen – ja varmistaa, ettei AI jää hallinnon nurkkiin pölyttymään.
Menestystekijät yksityiskohtaisesti
Henkilöstön enablement kivijalkana
Suurin kompastuskivi? AI-työkaluja hankitaan, mutta ihmiset jätetään ulkopuolelle. Silloin investointi menee hukkaan.
Tekoälymuutos alkaa ihmisestä. Ilman todellista osaamisen kehittämistä ja luottamusta teknologiaan jää läpimurto näkemättä.
Tehokas enablement-ohjelma rakentuu kolmen peruspilarin varaan:
Tietoisuus: Mihin AI yltää jo tänään? Missä rajat tulevat vastaan? Miten tämä liittyy omaan arkeen?
Taidot: Kuinka kirjoitan hyvän promptin? Miten arvioin AI-tuloksia kriittisesti? Miten käytän työkaluja järkevästi työpäivässä?
Muutosapu: Foorumi vinkkien jakoon, nopeaa apua kysymyksiin, ja tila palautteelle.
Anna kertoo arjesta: ”Meidän AI-kamut auttavat ensiaskelissa kädestä pitäen. Kuukausittaiset työpajat luovat varmuutta ja iloa. Slack-kanavalla kollegat tsemppaavat toinen toistaan.”
Tulos: Kohdennetulla enablementilla hyväksyntä ja tuottavuus nousevat huimasti – ei vain markkinatutkimusten mukaan, vaan erityisesti arjessa huomaten.
Pieni vinkki: Yleinen verkkokoulutus kaikille on mukava, mutta todellinen vaikutus tulee, kun tiimit löytävät omat käyttökohteensa. Pilottiryhmät, kokemusten vaihto ja asteittainen laajentaminen – näin AI-osaamisesta kasvaa pysyvä kilpailuetu.
Use case -lähtöinen lähestymistapa, ei pelkkä työkalukeskeisyys
Klassikkovirhe: Johto hankkii AI-lisenssejä leveällä kädellä ja odottaa tuottavuusihmettä – mutta mikään ei muutu.
Miksi? Jos aloitat työkalusta, tavoite hukkuu. AI-taitavat organisaatiot kääntävät asetelman: ensin liiketoimintaongelma, sitten oikea ratkaisu.
Markus kuvailee oppimiskäyrää nasevasti: ”Ennen kysyimme: Mitä AI:lla voi tehdä? Nyt kysymme: Missä arki tökkii?”
Tehokasta on jäsennelty use case -kartoitus:
- Ongelmat esiin: Mihin aika valuu? Mitkä hommat ovat tylsiä ja toistuvia?
- Hyödyn arviointi: Paljonko tässä on potentiaalia? Voiko hyödyn mitata?
- Tekniikan katselmus: Onko dataa tarpeeksi? Onko toteutus toteutettavissa?
- Pilotointi: Pienesti liikkeelle, nopeasti testaten, opit talteen.
Tyypillisiä käyttökohteita pk-yrityksissä:
- Sisällöntuotanto: Tarjoukset, myyntimateriaalit, blogitekstit
- Datanalyysi: Raportointi, ennusteet, trendikatsaukset
- Asiakaspalvelu: Chatbotit, tikettiohjaus, FAQ-automaatio
- Sisäinen tehokkuus: Kokousmuistiot, sähköpostien hallinta, prosessien optimointi
Tärkeää: Kaikki aiheet eivät ole vaivan väärti. Thomasin nyrkkisääntö: ”Mittarina tunnit ja eurot – jos niitä ei säästy, kyse on vain testistä.”
Tämä fokus tuo selkeyttä budjetointiin ja innostusta tiimeihin. Pelkkä hype ei maksa palkkoja – näytöt ratkaisevat.
Tietosuoja ja compliance mahdollistajina
Monia yrityksiä jännittää: hidastaako tietosuoja innovaatiota? Oikeasti se nopeuttaa, kun viestitään selkeästi, mitä on sallittua – ja mitä ei.
Saksassa tietosuoja on peruskauraa. Hyödynnä osaaminen: Selvät ohjeet tuovat luottamusta ja nopeuttavat päätöksiä.
- Datan luokittelu: Mitä sisältöä saa syöttää millekin AI-järjestelmälle? (esim. julkinen, sisäinen, luottamuksellinen)
- Privacy by design: Tietosuoja mietitään heti alussa – ei jälkikäteen.
- Läpinäkyvyys: Kerro, miten ja mihin tietoja käytetään.
- Säännölliset tarkistukset: Sopeuta prosessit aktiivisesti muuttuvaan lainsäädäntöön.
Neuvotteleva lähestymistapa: vihreä valo vähemmän kriittisille tiedoille, keltainen varovaisuutta vaativille, punainen erittäin arkaluonteisille. Tällä tavoin voit aloittaa riskittömästi – vaikkapa markkinointiteksteistä ennen asiakastietoja.
Yhteenveto: Yritykset, joilla on selvä compliance, nopeuttavat AI-projekteja, koska päätökset helpottuvat eivätkä jumiudu.
Kypsyysmalli tekoälyorganisaatioille
Jokainen yritys ei aloita samalta viivalta. Kypsyysmalli antaa mittapuun – ja näyttää, mikä on seuraava kehitysaskel.
Käytännössä neljä perusvaihetta korostuu:
Taso 1: Kokeileva (noin 60% yrityksistä)
Ominaisuudet: Yksittäiset työntekijät testaavat ChatGPT:tä ja muita työkaluja – ilman strategiaa tai pysyvyyttä.
Tyypillinen esimerkki: Joillakin kokeillaan promptteja, optimoidaan omia työrutiineja, testataan uusia sovelluksia yksin.
Haasteet: Puuttuvat raamit, epävarmuus tietosuojan suhteen, ei skaalautuvuutta – hallitsemattoman kasvu.
Seuraavat askeleet: Arvioi nykytila, määrittele ensimmäiset pelisäännöt ja nosta esiin paikallisia AI-mestareita.
Thomas muistelee: ”Jokaisella oli oma niksi. Toinen käytti ChatGPT:tä, toinen Midjourneytä – täydellinen työkalusavotta.”
Taso 2: Pilottiorientoitunut (noin 25%)
Ominaisuudet: Ensiaskeleet pilottiprojekteissa, governance kehittyy, työkalut arvioidaan järjestelmällisesti.
Tyypillinen toiminta: 3–6 kuukauden pilotit, mitattava lisäarvo, ensimmäiset koulutukset ja compliance-kehykset.
Haasteet: Skaalata onnistumisia, vauhdittaa muutosta, sulauttaa AI olemassa oleviin järjestelmiin.
Seuraavat askeleet: Laajenna onnistuneita projekteja, tunnista lisää use caseja, rakenna tekniset yhteydet.
Anna kertoo: ”Ensimmäinen HR-chatbottimme oli täysosuma. Se antoi vauhtia oikeaan muutokseen.”
Taso 3: Skaalautunut (noin 12%)
Ominaisuudet: AI-työkalut käytössä päivittäin, merkittävä osa henkilöstöstä hyödyntää niitä, mitattavia aika- ja kustannussäästöjä syntyy.
Toiminta: Yhdistettyjä alustoja, jatkuvaa optimointia, suunnitelmallinen muutosjohtaminen.
Haasteet: Kompleksisuuden hallinta, toimittajayhteistyö, innovaation ylläpito.
Seuraavat askeleet: Juurruta AI prosessiajatteluun ja kartoita omien mallien rakentamista.
Markus sanoo: ”Noin 80% hyödyntää AI:ta joka päivä. Tässä rakentamisessa mentiin askel kerrallaan.”
Taso 4: AI-native (tällä hetkellä vain muutamilla)
Ominaisuudet: AI on upotettu kaikkiin prosesseihin, kehitetään omia ratkaisuja, innovaatiokierrokset ovat nopeita.
Tekeminen: Omat mallit, dataohjatut liiketoimintamallit, tuoreet kumppanuudet.
Haasteet: Johtajuuden vahvistaminen, osaajien houkuttelu, vauhdissa pysyminen.
Huom! Kehitys ei ole lineaarista. Step-by-step-strategia nopeuttaa, mutta takapakit ja harppaukset kuuluvat asiaan. Tärkeintä: pysyä liikkeessä ja oppia jatkuvasti.
Mitatttavat indikaattorit ja KPI:t
Muutos edellyttää mittaamista. AI-kypsyys konkretisoituu sekä määrällisillä että laadullisilla tunnusluvuilla.
| Kategoria | KPI | Tavoite |
|---|---|---|
| Käyttöönotto | Aktiivisten käyttäjien osuus | > 70% |
| Tuottavuus | Ajan säästö per use case | > 25% |
| Laatu | Virheiden väheneminen AI-tuella | > 15% |
| Innovaatio | Uudet use caset/kvartaali | > 3 |
| ROI | Takaisinmaksuaika | < 12 kk |
- Kulttuurinen integraatio: Tuleeko AI:sta arkipäivää – vai vieläkö asiaa pohditaan?
- Strateginen ankkurointi: Onko AI osa tavoitteiden suunnittelua?
- Muutosvalmius: Kuinka nopeasti tiimit tarttuvat uusiin työkaluihin?
- Innovaatiotahto: Tuleeko ideoita kaikilta osa-alueilta?
Thomas käyttää nopeaa indikaattoria: ”Kun AI ei herätä enää hämmästystä, vaan auttaa työtä arjessa, olemme onnistuneet.”
Muista: Myös pehmeitä arvoja tulee mitata. Työntekijätyytyväisyys, halu oppia ja palautekierrokset kertovat konkreettisesti menestyksen vaiheesta.
Käytännön esimerkkejä ja oppeja
Menestystarina: automatisoitu tarjousprosessin lyhentäminen
Eräs konepajayritys lyhensi tarjousaikansa neljästä päivästä kuuteen tuntiin – AI yhdisti älykkäästi asiakastiedot, tekniset yksityiskohdat ja hinnat. Ydin: ensin tehtiin pohjatyö kuntoon, rakennettiin template ja tuotetiedot, vasta sitten tuotiin AI mukaan – ei toisinpäin.
Menestystarina: älykäs asiakaspalvelu
Keskikokoinen ohjelmistotalo luotti AI-pohjaiseen tukichatbottiin vastaamaan toistuviin kysymyksiin. 60% vähemmän vakio-tikettejä, asiakkaat tyytyväisempiä ja tuntuvat helpotukset tukitiimille – motivaatiota parhaimmillaan.
Klassiset kompastuskivet – ja miten kiertää ne:
- Työkaluralli: Joka kuukausi uusi AI-sovellus. Parempi: syvennä 2–3 työkalua ja integroi ne kunnolla arkeen.
- Liian suuret odotukset: AI kuvitellaan ihmeaseeksi, pettymys seuraa suurimmassa kipupisteessä. Ratkaisu: Aloita selkeistä, helposti mitattavista käyttötapauksista.
- Muutosjohtaminen unohtuu: Vain tekniikkaa kehitetään, ihmiset jäävät sivuun. Vinkki: Panosta muutokseen vähintään yhtä paljon kuin teknologiaan.
- Puutteellinen hallinta: Kaikki tekevät mitä sattuu. Parempi: selkeät säännöt, mutta riittävästi tilaa kokeilulle.
Anna tiivistää: ”Tekniset pulmat ratkeavat helpommin kuin luulin. Todellinen voimainponnistus onkin organisaation kehittäminen.”
Yhteenveto: AI-menestys ei ole pääosin tekniikkaprojekti, vaan älykkään organisaation, kohdennetun enablementin ja pitkäjänteisyyden yhteispeliä.
Tie tekoälykypsyyteen: Konkreettiset askeleet
Näin käynnistät muutoksen puolessa vuodessa:
- Analyysi ja tavoitteet (4 viikkoa)
- Dokumentoi AI:n nykytila yrityksessä
- Nosta esiin relevanteimmat use caset ja tulosta liiketoiminnalle
- Priorisoi nopeat voitot (”Quick Wins”)
- Governance kuntoon (2 viikkoa)
- Aseta selkeät pelisäännöt ja vastuut
- Jaa budjetti ja resurssit
- Pilotti käyntiin (12 viikkoa)
- Kokeile yksittäistä use casea prototyyppinä
- Arvioi ja tuo käyttöön oikeita työkaluja
- Kouluta ja tue ensimmäiset käyttäjät
- Mittaa tulokset ja jaa ne avoimesti
- Skaalausnäkymä (6 viikkoa)
- Varmista opit
- Rakenna enablementia askel askeleelta
- Valmistele toinen ja kolmas use case
Näin juurrutat kestävyyden (6–24 kuukautta):
- Kehitä teknologiaa: Kasvata yksittäisratkaisuista kohti kestäviä alustoja
- Ammattimaista organisaatiota: Piloteista kohti vakiintuneita prosesseja
- Kasvata sisäistä osaamista: Koulutukset, vertaisoppiminen, omat Best Practices
- Varmista innovaatiot: Peilaa omia ideoita ja markkinatrendejä
Markus neuvoo: ”Suunnittelemme aina puolivuotisjaksoissa. Se tuo rytmiä ja antaa liikkumavaraa – AI-maailmassa mikään ei pysy paikallaan.”
Tärkein oppi: Iteratiivinen kehitys. Mieluummin pienet onnistumiset säännöllisesti kuin villi hyppely hypejen perässä.
AI kannattaa – kun asetat liiketoimintahyödyn kaiken ytimenä. Lopulta menestys riippuu muutoksesta, ei työkalupakista.
Tekoälykypsyys ei ole saavutettava päämäärä, vaan jatkuva matka. Eikä ratkaise, kuka ostaa uusimman työkalun – vaan kuka rakentaa AI:sta strategisen, järjestelmällisen arjen osan.
Tulevaisuuden menestyjät ymmärtävät jo nyt: organisaation kehitys on avain AI:n hyödyntämiseen. He voittavat, ei siksi että teknologia olisi kuvitteellisen hienoa – vaan siksi, että he uudistuvat fiksusti, rohkeasti ja pitkäjänteisesti.
Haasta itsesi: Missä kohtaa yrityksesi on kypsyysmallissa – ja miltä voisivat jo 12 kuukauden päähän ulottuvat selkeät edistysaskeleet näyttää?
Usein kysytyt kysymykset
Kuinka kauan kestää, että yrityksestä tulee tekoälykypsä?
Se riippuu lähtötasosta, resursseista ja muutoksen tahdosta. Ensimmäiset onnistumiset syntyvät tyypillisesti 3–6 kuukaudessa. Laaja-alainen AI-integraatio arkeen – kokemuksemme mukaan – vie 12–24 kuukautta. Avain: systemaattinen toimintatapa, ei pelkkä touhuilu.
Millaisia investointeja AI-alkuun tarvitaan?
Kustannukset vaihtelevat toimialan, yrityksen koon ja tavoitteiden mukaan. Ensipilotteihin kannattaa varata noin 5 000–50 000 euroa – mukaan lukien työkalut, koulutukset ja ulkoinen tuki. Olennaista: mittaa ROI selkeästi ja tuo näkyviin viimeistään 12 kuukauden sisällä.
Kuinka käsittelen AI-pelkoja henkilöstön keskuudessa?
Avoimuus ja aktiivinen osallistaminen ovat tärkeintä. Näytä esimerkein miten AI helpottaa työtä ja vapauttaa aikaa arvokkaammille asioille. Käynnistä pilottiryhmät ja anna onnistumisten puhua puolestaan. Kommunikoi rehellisesti: AI on tuottavuuden tehostaja, ei työpaikkojen uhka.
Mitkä AI-työkalut soveltuvat aloitukseen?
Toimiviksi on osoittautunut sisällön generoinnin työkalut (esim. ChatGPT, Claude) ja automaatiot (kuten Microsoft Copilot tai Zapier). Tärkeintä ei kuitenkaan ole työkalu itse, vaan selkeä käyttötapaus: ensin ongelma, sitten oikea ratkaisu.
Miten varmistan GDPR-yhteensopivuuden AI-käytössä?
Luokittele datasi kriittisyyden mukaan ja määrittele jokaiselle tietoluokalle selkeät ohjeet työkalujen käyttöön. Aloita vähemmän arkaluonteisesta datasta, pidä prosessit avoimina ja dokumentoi tietojen käsittely – mukaan lukien säännölliset tarkistukset.
Voiko AI-muutos onnistua ilman ulkopuolista apua?
Periaatteessa kyllä – mutta kokemuksen mukaan yksin tekeminen vie aikaa ja altistaa virheille. Kohdennettu sparraus ja ulkopuolinen kokemus nopeuttavat oppimiskäyrää ja vähentävät sudenkuoppia. Parasta on yhdistää: strateginen tuki ulkopuolelta, toteutus omissa käsissä!
Miten mitataan AI-projektin ROI?
Määritä selkeät mittarit ennen projektin aloitusta: ajan säästö, virheiden vähentyminen, liikevaihto tai kustannussäästö. Ota vertailuarvot talteen, mittaa kehitystä säännöllisesti – ja muista huomioida myös epäsuorat hyödyt, kuten henkilöstön tyytyväisyys.
Mitkä ovat yleisimmät AI-projektien epäonnistumisen syyt?
Useimmiten ongelmat liittyvät ihmisiin, ei teknologiaan: puuttuva muutosjohtaminen, epärealistiset odotukset ilman tavoitteita, puuttuvat pelisäännöt ja datastrategia jarruttavat kehitystä. Itse teknologia on harvoin todellinen este.
Miten pysyä AI-kehityksen perässä?
Keskity ratkaistaviin liiketoimintahaasteisiin – oikeat työkalut kehittyvät siinä sivussa. Rakenna tiedonvaihto yrityksen sisälle, käy alan tilaisuuksissa ja verkostoidu muiden ammattilaisten kanssa. Älä juokse jokaisen trendin perässä – arvioi aina lisäarvoa!
Mikä rooli yrityskulttuurilla on AI-muutoksessa?
Merkittävä. Kokeiluhalukkuus, oppimisen ilo ja avoimuus ovat onnistumisen edellytyksiä – ja syntyvät monesti pienin askelin, ei kalvosulkeisissa. Myös varautuneessa organisaatiossa voi muuttaa: aloita uteliaista, iloitse arjen onnistumisista ja anna hyvän kiertää.
