From pilot to profit: A conceptual framework for AI-driven design automation

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-12-12

Department

Major/Subject

Electronics and Electrical Engineering

Mcode

Degree programme

Bachelor's Programme in Electrical Engineering
Sähkötekniikan kandidaattiohjelma
Kandidatprogrammet i elektroteknik

Language

en

Pages

27

Series

Abstract

The rapid advancement of artificial intelligence (AI) technology has compelled enterprises and organizations to reconfigure their operational models. Despite substantial resource allocation toward AI implementation, a significant proportion of projects lack the anticipated results. Recent reports indicate that AI solutions fail at a rate nearly double that of IT projects from a decade ago. However, different factors have been identified between failed pilot initiatives and solutions that successfully scale to production. The reasons for failure are mainly strategic, including ambiguous objectives, poor data quality, and friction in workflow integration. While general-purpose solutions for AI implementation exist, frameworks in the context of design automation are scarce. The objective of this thesis is to address this research gap by developing a conceptual framework for AI development within the context of design automation. The study is a literature review that synthesizes causes of failure, critical success factors, and theoretical aspects key to success, such as requirements engineering and data management. The literature review revealed that in addition to technical capabilities, success depends on the ability to integrate solutions into existing workflows. Based on the analysis, the resulting Pilot-to-Profit framework is structured around four primary concepts: Goal Granularity, Data Maturity, Task-Technology Fit, and Human-AI Collaboration. The framework provides a systematic model for bridging the so-called GenAI Divide and developing productive solutions. This model can be utilized to evaluate the automation potential of design work and the viability of implementing AI solutions.

Tekoälyteknologian nopea kehitys on haastanut yrityksiä ja organisaatioita uudistamaan toimintamallejaan. Vaikka tekoälyn implementointiin on kohdennettu huomattavia resursseja, merkittävä osa hankkeista ei saavuta odotettuja tuloksia. Viimeaikaiset raportit osoittavat, että tekoälyratkaisut epäonnistuvat lähes kaksi kertaa useammin kuin IT-projektit kymmenen vuotta sitten. Epäonnistuneiden pilottihankkeiden ja tuotantoon onnistuneesti skaalautuvien ratkaisujen välillä on kuitenkin tunnistettu erottavia tekijöitä. Epäonnistumisen syyt ovat pääasiassa strategisia, kuten epäselvät tavoitteet, datan heikko laatu sekä työnkulun integrointiin liittyvät haasteet. Vaikka tekoälyn käyttöönottoon on olemassa yleiskäyttöisiä ratkaisuja, suunnitteluautomaation kontekstiin soveltuvia viitekehyksiä on niukasti. Tämän työn tavoitteena on vastata tähän tutkimusaukkoon luomalla käsitteellinen viitekehys tekoälyn kehittämiselle suunnitteluautomaation kontekstissa. Tutkimus on kirjallisuuskatsaus, joka syntetisoi epäonnistumisen syitä, kriittisiä menestystekijöitä sekä onnistumisen kannalta keskeisiä teoreettisia näkökulmia, kuten vaatimusmäärittelyä ja datanhallintaa. Kirjallisuuskatsaus osoitti, että teknisten kyvykkyyksien lisäksi menestys riippuu kyvystä integroida ratkaisut olemassa oleviin työnkulkuihin. Analyysin perusteella muodostettu Pilot-to-Profit -viitekehys rakentuu neljän pääkäsitteen ympärille: tavoitteiden hienojakoisuus (Goal Granularity), datan kypsyysaste (Data Maturity), tehtävän ja teknologian yhteensopivuus (Task-Technology Fit) sekä ihmisen ja tekoälyn yhteistyö (Human-AI Collaboration). Viitekehys tarjoaa systemaattisen mallin niin kutsutun generatiivisen tekoälyn kuilun (GenAI Divide) ylittämiseksi ja tuottavien ratkaisujen kehittämiseksi. Tätä mallia voidaan hyödyntää suunnittelutyön automaatiopotentiaalin ja tekoälyratkaisujen toteutettavuuden arvioinnissa.

Description

Supervisor

Turunen, Markus

Thesis advisor

Oulasvirta, Antti
Koskinen, Teemu

Keywords

tekoäly, suunnitteluautomaatio, teoreettinen viitekehys

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202512309714

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC