Suomen toimintaympäristö muuttuu yhä ennakoimattomammin teknologisten, geopoliittisen ja taloudellisten murrosten seurauksena. Työmarkkinoiden murroksiin varautuminen edellyttää vahvaa ymmärrystä siitä, että epävarmuus on pysyvä olosuhde, ei poikkeus. Yhteiskunnan keskeisin tulevaisuusvalmius on siis kyky sopeutua muutoksiin ja hyödyntää niitä.
Teknologiamurrokset – erityisesti generatiivinen tekoäly – muuttavat työelämän rakenteita nopeasti. Muutokset kohdistuvat yksittäisiin työtehtäviin, mikä tekee osaamistarpeiden ennakoinnista vaikeaa. Samalla suurten vaikutusten ennakoimattomat tai epätodennäköiset tapahtumat (mustat ja harmaat joutsenet) näyttävät tihentyvän. Tämä korostaa tarvetta lisätä rakenteellista muutoskyvykkyyttä.
Suomen resilienssi on kansainvälisesti vahva, mutta antifragiliteettia – kykyä hyödyntää sokkeja ja muutoksia uusien mahdollisuuksien luomiseen – voidaan vahvistaa merkittävästi. Tähän voidaan vaikuttaa erityisesti:
varmistamalla kaikkien pääsy jatkuvaan oppimiseen,
lisäämällä työmarkkinoiden ja sosiaaliturvan joustavuutta.
Keskeinen suositus on siirtää tulevaisuuspolitiikan painopiste muutoskyvykkyyden vahvistamiseen. Kun yhteiskunnalliset rakenteet tukevat jatkuvaa oppimista, nopeaa sopeutumista ja innovaatioita, Suomi ei ainoastaan selviydy tulevista murroksista, vaan voi myös hyödyntää ne uuden kasvun ja kilpailukyvyn lähteinä.
Ongelman ydin on siinä, ettei kukaan osaa ennalta määritellä, mitkä osaamisalueet ovat tarkkaan ottaen disruptiouhan alaisia. Itse asiassa niin sanottujen mustien ja harmaiden joutsenten – eli ennustamattomien tai erittäin epätodennäköisten suurten vaikutusten tapahtumien – esiintymissykli näyttää myös kiihtyvän. Jo nyt 2000-luvun aikana tällaisia murrostapahtumia on esiintynyt lähes yhtä paljon kuin koko 1900-luvulla yhteensä.
Aiempia mustia ja harmaita joutsenia ovat muun muassa sosiaalisen median nousu, koronapandemia ja generatiivinen tekoäly. On luultavaa, että seuraava tällainen suurten vaikutusten tapahtuma tapahtuu 1–3 vuoden sisällä. Koska musta joutsen -tapahtumia ei voida ennustaa ja harmaa joutsen -tapahtumienkin toteutuminen on erittäin epätodennäköistä, on selvää, ettei kaikkiin tällaisiin skenaarioihin voidaan valmistautua.
Lisäksi on myös näkyvillä olevia potentiaalisia kriisejä, vaikkapa yleistekoälyn (AGI) kehittäminen tai USA-Kiina -suhteiden eskalaatio, joihin suhteessa yhteiskunnallinen valmiutemme on melko heikko. Onnistuessaan esimerkiksi yleistekoäly saattaisi käytännössä keskittää lähes kaiken asiantuntijatyön arvon pääasiassa palveluntuottajayrityksille, ja sen vaikutus työmarkkinarakenteisiin ulottuisi kaikkeen tietotyöhön. Jotkut asiantuntijat arvioivat tällaisten ratkaisujen olevan mahdollisia jo 5 vuoden sisällä.
On siis lähes varmaa, että lähitulevaisuudessa kohtaamme jälleen suuren kriisin tai disruption, johon emme ole ennalta varautuneet. Mustat joutsenet eivät ole enää vain villejä kortteja, vaan ne ovat normaali osa nykyistä toimintaympäristöä. Kuten Peter Hinssen totesi Nordic Business Forumissa 2025, maailma ei ole enää “new normal”, vaan olemme siirtyneet aikakauteen, jonka määritelmä on “never normal”.
Johtuen markkinoiden ja työmarkkinoiden ennakoimattomasta kehittymisestä parhaiten erilaisiin tulevaisuusskenaarioihin valmistaudumme erityisesti lisäämällä yhteiskunnan resilienssiä ja antifragiliteetia. Tämä onnistuu panostamalla sellaisiin yhteiskuntarakenteisiin ja käytäntöihin, jotka lisäävät jatkuvaa oppimista, uusien teknologioiden nopeaa käyttöönottoa, innovaatiokyvykkyyttä ja työmarkkinoiden dynaamisuutta.
Luultavasti mikään tulevaisuuteen kohdistuva ennustuksemme ei sellaisenaan toteudu. Sen sijaan tulevaisuudenkestävää yhteiskuntaa rakennetaan vahvistamalla kansallista muutoskyvykkyyttämme – siis taitoja ja kyvykkyyksiä joiden avulla emme vain selviä muutoksista vaan voimme myös kääntää ne uuden kasvun ja kehityksen mahdollisuuksiksi.
Teksti on ote marraskuussa 2025 sivistysvaliokunnalle kirjoittamastani lausunnosta koskien valiokunnan tulevaisuusselontekoa. Lue koko lausunto täältä.
Yksi suurimmista muutoskyvykkyyden esteistä on pelko. Itse asiassa iso osa nykyihmisten huonovointisuudesta johtuu siitä, että pelon aiheita on paljon, eikä tähän auta, vaikka lukisi sata kirjaa siitä, että suurin osa peloista on oikeasti aiheettomia. Pelko johtaa myös siihen, että emme uskalla ottaa riskejä. Pelko rahan, terveyden, maineen tai muun menettämisestä ohjaa pelaamaan varman päälle ja luomaan byrokraattisia rakenteita, jotka palkitsevat ennen kaikkea – ja joskus ainoastaan – virheiden välttämisestä.
Toki on toimialoja, joilla virheet täytyy minimoida niin pitkälti kuin vain suinkin mahdollista – sanotaan vaikkapa lentoliikenne tai sydänkirurgia. Näillä aloilla uuden innovatiivisen menetelmän testaaminen Piilaakson ”liiku nopeasti ja riko asioita” -eetoksella johtaisi pian täystuhoon. Samaan aikaan kuitenkaan yksikään toimiala ei ole koskaan täysin vapaa virheistä – ja ehkä hieman paradoksaalisesti juuri nämä korkean riskin toimialat ovat usein juuri niitä, jotka ovat kehittäneet myös jalostuneimmat menetelmät virheistä oppimiseen.
Suuri osa peloista kohdistuu epäonnistumiseen. Mitä jos mokaan tämän? Jos homma ei onnistu? Jos häviän? Toki jos kyse on vaikkapa koripallo-ottelusta, ottelun lopuksi yksi joukkue voittaa ja toinen häviää ja sillä sipuli. Mutta suurimmassa osassa ihmiselämää epäonnistuminen ei ole näin yksioikoista. Itse asiassa ison osan elämästä voi elää epäonnistumatta lainkaan muuttamalla tapaa suhtautua virheisiin ja epäonnistumisiin.
Ja myös koripallossa kehitys tapahtuu parhaiten nimenomaan virheitä kohti nojaamalla. Niin kuin maailman menestyksekkäimpiin kuuluva koripalloilija Michael Jordan totesi: ”Olen heittänyt yli 9000 heittoa ohi urallani. Olen hävinnyt lähes 300 peliä. 26 kertaa minulle on annettu mahdollisuus voittoheittoon ja olen epäonnistunut. Olen epäonnistunut kerran toisensa jälkeen elämässäni. Ja juuri siksi menestyn.”
Jotkut toimialat ovat luontaisesti antifragiileja, eli ne hyöytyvät muutoksesta, koska joka ikinen moka tekee niistä vahvempia. Nämä toimialat ovat yleensä sellaisia, joissa riskin realisoituminen johtaa täystuhoon, esimerkiksi lentoliikenneala. Kuten Nassim Taleb totesi keskustelussaan Daniel Kahnemanin kanssa, lentoliikenneala on yksi harvoista, joka ei anna yhdenkään virheen mennä hukkaan. Lentoliikenne on yksi tilastollisesti turvallisimmista matkustusmuodoista. Siitä huolimatta se, niin kuin mikään inhimillinen toiminta, ei ole vapaa virheistä. Ja kun virhe tapahtuu, sen hinta on kova: kokonainen koneellinen ihmisiä. Tästä syystä toimialalla jokainen onnettomuus analysoidaan viimeistä piirua myöten ja analyysin tulokset jaetaan pitkälti kaikkien alan toimijoiden kesken, jotta koko ala olisi taas hiukan turvallisempi. Tämä kuvaakin hyvin antifragiilia lähestymistapaa epäonnistumisiin – ja itse asiassa yhtä kaikkein syvällisintä antifragiliteetin kulmakivistä.
Epäonnistumista tapahtuu nimittäin vain silloin kun epäonnistut epäonnistumisen hyödyntämisessä.
Jos sen sijaan opettelet tavan kääntää epäonnistumiset oppimiskokemuksiksi, suurimman osan elämästäsi toiminnallasi ja tekemiselläsi on vain kahdenlaisia lopputulemia: onnistumista ja oppimista.
Teknologian tutkimuskeskus VTT on järjestänyt viime vuosina epäonnistumisgaaloja. VTT:n tilaisuuksissa palkitaan vuosittain kaikkein pahiten möhlännyt työntekijä. Vuonna 2025 palkinto myönnettiin esimerkiksi tutkimusinsinöörille siitä, että hän oli onnistunut pudottamaan tiivisteiden osia bioreaktoriin. VTT:n tiedotteessa todettiin: ”Moka oli iso.”
Peliyhtiö Supercellistä on puolestaan uutisoitu maailmanlaajuisesti, kuinka he juhlivat epäonnistumisia. Kun pelitiimi toteaa, ettei peli ole riittävän hyvä, he kuoppaavat sen erityisessä tilaisuudessa. Supercell ei siis juhli pelkästään onnistuneita pelijulkaisuja tai miljarditulojen rajapyykkien ylittämistä – vaan samppanjaa juodaan erityisesti pelien hautajaisissa. Tästä moni on rientänyt tekemään sen johtopäätöksen, että teknologiayritykset pitävät epäonnistumisista.
Tosiasiassa kukaan ei pidä epäonnistumisesta, eikä sitä kohti kannata pyrkiä. Avainasemassa on se lainalaisuus, että mitä suuremmalla riskillä toimimme, sitä suuremmaksi kasvaa todennäköisyys epäonnistua. Sitä luultavampaa on siis, että jokin aktiviteetti epäonnistuu. Ja koska epäonnistumiset ovat epämiellyttäviä kokemuksia, alamme ennen pitkää vältellä riskialttiita aktiviteetteja – ellemme sitten opettele hyödyntämään epäonnistumisia.
Voit hyödyntää epäonnistumisia tekemällä niistä analyysin ja rakentamalla suosituksia ja toimintakehotuksia, joiden pohjalta myöhemmissä projekteissa osataan toimia eri tavalla. Prosessi voi edetä esimerkiksi seuraavasti:
1. Kirjoita ylös yksin tai tiimisi kanssa pieleen menneen projektin pääkohdat.
2. Pohdi, missä kohtaa on tehty virheitä.
3. Pyri tunnistamaan, mitkä syyt ovat johtaneet virheisiin.
4. Määrittele, millä tavoin toimitte jatkossa toisella tavalla.
5. Sanoita määritelmiesi pohjalta toimintakehotukset ja jaa ne tiimillesi tai peräti koko organisaatiollesi.
Yksinkertainen menetelmä epäonnistumisten hyödyntämiseen on myös aikoinaan kehittämäni tekniikka nimeltä erehdysten hallinta. Kun huomaat töpänneesi, kirjoita ylös ensin mahdollisimman inhorealistinen kuvaus pieleen menneestä tapauksesta. Kirjoita sitten uusi sanoitus siitä, miten toimit ensi kerralla vastaavassa tilanteessa eri tavalla. Näin ohjaat ajatteluasi kahdella tavalla uuteen suuntaan. Ensinnäkin mielesi kääntyy harmituksen sijaan tulevaisuuden mahdollisuuksiin. Toiseksi luot myös konkreettisia toimenpiteitä, joiden avulla et ainakaan töppää ihan samalla tavoin uudelleen.
Jokainen meistä pelkää lähtökohtaisesti epäonnistumisia, mutta opettelemalla systemaattisen tavan hyödyntää mokia teet niistä yhden keskeisimmistä muutoskyvykkyyden kivijaloista. Jos moka ei olekaan lorun loppu, vaan tärkeä tiedonlähde, syntyy riskialttiistakin tekemisestä lopulta vain joko onnistumisia tai opppimiskokemuksia.
Olin aikoinaan Salt Lake Cityssa paneelissa opetusteknologian arvostetuimpiin kuuluvassa ASU/GSV-konferenssissa. Konferenssin pääpuhujia ovat olleet muun muassa Microsoftin perustaja Bill Gates ja ex-presidentti George W. Bush.
Yksi paneelikeskustelijoista oli kiinalaissyntyinen, Wall Streetillä miljoonaomaisuuden luonut pankkiiri. Keskustelimme erilaisten koulutusjärjestelmien vaikutuksesta menestykseen. Pankkiiri kertoi, että hän oli kotoisin pienestä kiinalaiskylästä. Siellä hän oli lapsesta saakka oppinut paiskimaan ahkerasti töitä ja näkemään vaivaa menestyksensä eteen. Kiinalaista koulutusjärjestelmää määrittävät eräänlaisena osaamisen porttina toimivat Zhongkao- ja Gaokao-kokeet. Nämä kokeet määräävät, pääseekö oppilas jatkamaan opintojaan. Jos kokeesta pääsee läpi, pääsee eteenpäin. Jos ei pääse, putoaa kärryiltä ja täytyy etsiä töitä. Paneelimme pankkiiri oli läpäissyt kokeet ryhmänsä parhaimpana, hankkinut tutkinnon Harvardin yliopistosta jälleen luokkansa parhaana ja oli nyt arvokonferenssissa esittelemässä menestyksensä salaisuutta. ”Olen susi”, pankkiiri sanoi. ”Minä tiedän mitä haluan ja otan sen, ja sillä siisti.”
Totesin tähän, että meidän suomalainen systeemimme on vähän erilainen. Meillä koulutuksen tarkoituksena ei ole eritellä jyviä akanoista vaan antaa kaikille suomalaisille tasa-arvoiset mahdollisuudet pärjätä elämässä. Suomalainen koulu ei ehkä tuota nobelisteja tai Wall Street -pankkiireja samassa määrin kuin amerikkalainen tai kiinalainen. Mutta se ei myöskään sysää miljoonia koulutusjärjestelmän ulkopuolelle. Toki meidänkin koulutusjärjestelmässämme on haasteita ja puutteita – mutta se on kuitenkin mahdollistanut sen, että maamme, joka väkiluvultaan vastaa yhtä kiinalaisen suurkaupungin lähiötä, pärjää globaalissa kilpailussa erinomaisesti. Sanoin lopulta: ”Suomessa me emme osaa kouluttaa susia. Me olemme ennemminkin vähän niin kuin pikkupossuja. Osaamme tehdä yhdessä kaikenlaista, meillä on pääsääntöisesti ihan hyvä olla ja aika ajoin onnistumme isommissakin haasteissa.”
Susi kuvaa vahvuutta. Siis kykyä tyrmätä haasteet ja muutokset alkuunsa. Pikkupossut ovat puolestaan jatkuvasti sinne tänne vipeltäviä söpöjä otuksia, jotka yhdessä kykenevät mukautumaan monenkinlaisiin muutoksiin – vaikka yksin eivät pärjäisikään. Hyvä esimerkki suomalaisesta pikkupossukulttuurista on yhteiskuntamme maailman parhaimpiin arvioitu kyky mukautua koronapandemiaan. Meillä on juuri sopiva yhdistelmä pientä pikkumyymäistä ilkikurisuutta ja muumihenkistä luotettavuutta, minkä ansiosta esimerkiksi koronasulut ja rokotusketjut toimivat pääsääntöisesti erinomaisesti.
Perinteisesti on ajateltu, että erilaiset oliot – ihmiset, organisaatiot, yhteiskunnat – ovat joko heikkoja tai vahvoja.
Kaikki pärjäävät, kun tilanne on hallinnassa, mutta kun kriisi iskee, heikot sortuvat ja vahvat porskuttavat. Tätä mielikuvaa pönkittävät lukemattomat sankaritarinat, joissa usein kirjaimellisesti vahvat superyksilöt kannattelevat kriisiin ajautunutta ihmisjoukkoa, sekä historialliset narratiivit suurmiehistä, jotka luotsaavat muuten niin heikkoa yhteiskuntaa läpi sotien ja epidemioiden. Heikot tarvitsevat siis vahvan sankarin tai johtajan rinnalleen pärjätäkseen.
Tämä kahtiajako on kuitenkin valheellinen. Tosiasiassa on neljä erilaista tapaa orientoitua muutokseen, ja niistä kaksi on erityisen tehokkaita.
Jos korostetaan heikkoutta ja vahvuutta, ajatellaan, että tavat reagoida haasteisiin ovat staattisia. Sekä heikko että vahva etenevät samaa rataa, vaikka maailma muuttuisikin. Heikko on kuitenkin passiivinen siinä missä vahva on aktiivinen. Heikko särkyy, vahva pärjää. Paitsi kunnes ei pärjääkään. Klassikkotarinat ovat täynnä kertomuksia sellaisistakin vahvoista sankareista, jotka lopulta sortuvat kohdatessaan ylitsepääsemättömän haasteen, kuten Akilles ja Simson. Jopa Teräsmies kohtasi lopulta voittajansa. Etenkin nykyisessä alati muuttuvassa maailmassa vahvoina näyttäytyvät johtajat ja julkkikset saattavat todellisuudessa käydä päivittäisiä kamppailuja itsensä kanssa, ja joidenkin kohdalla ne kostautuvat. Esimerkkejä tästä ovat traagisen elämän eläneet musiikkitaivaan tähdet Amy Winehouse, Prince ja Michael Jackson sekä kirjallisuuden jättiläiset Sylvia Plath, Jack Kerouac ja Raymond Carver. Edes oman alansa ykköseksi nouseminen ei siis aina riitä.
Muutoksessa pärjää nähdäkseni parhaiten omaksumalla dynaamisen muutosstrategian. Kyse on siis täysin erilaisesta tavasta suhtautua muutokseen kuin jos pyritään vain vahvistamaan omaa yhteiskunnallista asemaa, varallisuutta, uraa tai muita kilkkeitä, mitä meille markkinoidaan onnistumisen kriteerinä. Dynaamisia muutosstrategioita on nähdäkseni kaksi, ja ne jakautuvat hieman samanlaiselle aktiivinen–passiivinen-akselille kuin heikkous ja vahvuus – sillä erotuksella, että siinä missä passiivinen staattinen muutosstrategia on tuhoisa heti kun muutos iskee, dynaaminen passiivinen muutosstrategia taas auttaa selviämään haasteista.
Muutosstrategiat voivat olla dynaamisia tai staattisia ja aktiivisia tai passiivisia.
Dynaamiset muutosstrategiat ovat resilienssi eli muutosjoustavuus ja antifragiliteetti eli muutoksesta hyötyminen. Resilienssi tarkoittaa joukkoa asenteita, tekniikoita ja menetelmiä, joiden avulla on mahdollista mukautua muutostilanteisiin tehokkaasti ja taiten. Antifragiliteetti tarkoittaa puolestaan asenteita, tekniikoita, prosesseja ja rakenteita, joiden avulla muutostilanteista on myös mahdollista hyötyä. Resilientti on kuin paju, joka taipuu tuulessa – se ei katkea, vaikka iskisi millainen myräkkä, ja myrskyn jälkeen se palaa ennalleen. Antifragiili on puolestaan kuin lihas, joka joutuu jatkuvan haasteen eteen esimerkiksi voimaharjoittelussa. Se mukautuu haasteeseen, mutta sen sijaan että se palautuisi ennalleen, sen uusi tila on vahvempi kuin aiempi.
Sekä muutosjoustavuus että muutoksen hyödyntäminen auttavat pärjäämään muutoksessa. Molemmat ohjaavat myös ajattelemaan muutosta jos nyt ei ihan aina mahdollisuutena niin ainakin jonakin sellaisena, jota ei tarvitse pelätä. Jatkuvan tulevaisuudesta huolehtimisen sijaan voit keskittyä elämään nykyhetkeä täydemmin ja pystyt kehittymään myös tilanteissa, jotka haastavat sinua ennennäkemättömällä tavalla. Siksi sekä muutosjoustavuuden että muutoskestävyyden tekniikoita kannattaa opetella ja harjoitella, jotta pystyt luomaan vankan ja dynaamisen perustan, jonka turvin kohtaat tulevat muutokset ja mustat joutsenet luottavaisin mielin.
Kiinalaiskirjailija Cixin Liun science fiction -eepos Kolmen kappaleen probleema käynnistyy visaisella mysteerillä. Tutkijat ja etenkin fyysikot ympäri maailmaa ovat lannistuneet tieteellisen tutkimuksen haasteiden kanssa ja osa on päätynyt jopa epätoivon hetkellä itsemurhaan. Kun asiaa tutkiva etsivä kaivelee asiaa tarkemmin, käy ilmi, että täysin yllättäen fysiikan lait ovat lakanneet toimimasta. Toisin sanoen, hiukkaskiihdyttimissä ja muissa laboratoriolaitteissa tehdyt kokeet eivät yllättäen enää vastaakaan fysiikan teorioita ja lakeja. Tieteilijät ovat ihmeissään.
Lopulta syyksi selviää ulkoavaruuden olioiden maahan lähettämä sofoni – tekoälyn ohjaama alkeishiukkanen, joka pystyy vakoilemaan kaikkea ihmisten viestintää, sotkemaan tieteelliset kokeet tai vaikkapa piirtämään silmän pinnalle viestejä. Vastaanotettuaan maasta radiolähetyksen, Trisolaris-planeetan oliot ovat lähettäneet laivaston maata kohti. Koska sen saapumisessa menee vuosikausia, avaruusoliot ovat oivaltaneet, että meidän tieteellinen kehityksemme tulee pysäyttää – muutenhan voi olla, että kun valloituslaivasto saapuu, olemmekin kehittyneet avaruusolioita pidemmällle. Tästä syystä he ovat lähettäneet sofonit maahan. Tilanne vaikuttaa toivottomalta – onko tiede lakannut lopullisesti toimimasta ja onko ihmiskunnan kehitys pyshätynyt tähän?
Nykytodellisuudessa painimme hieman samanlaisen ongelman parissa – sillä erotuksella, että avaruusolioiden lähettämien alkeishiukkasten sijaan tieteellinen ennustaminen muuttuu jatkuvasti haastavammaksi siksi, että maailma muuttuu koko ajan monimutkaisemmaksi.
Jo antiikin kreikasta asti vallitsi toivetila siitä, että jonain päivänä osaisimme selittää ihan kaiken. 1900-luvulla tämä ideaali sai kuitenkin perustavanlaatuisia kolhuja Gödelin epätäydellisyysteoreemasta, Tarskin metatasoja pursuavasta totuusteoriasta ja Alan Turingin tietokoneiden alkuajatuksena toimineesta Turingin koneen keskeytysongelmasta. Nämä ja monet muut näkökulmat osoittavat, ettei lopullista totuutta voida koskaan ilmaista jäännöksettä – aina on joitain kysymyksiä tai väitteitä, joita ei voida ratkaista muuten kuin siirtymällä käytössä olevan teorian tai mallin ulkopuolelle.
Wolfram Alpha -alustastaan tunnetuksi tullut fyysikko Stephen Wolfram esittää, että perusongelma kaikessa tutkimuksessa on, että havainto tiivistää aina todellisuudessa mutkikkaampia ilmiöitä. Jos vaikka pudotat pallon korkealta ja mittaat, että se kiihtyy 9,81 sekuntia per metrin neliö, olet todellisuudessa tiviistänyt tähän teoreettiseen huomioon valtavan määrän informaatiota, joka ei sisälly itse havaintoon. Esimerkkisi pallon muodostavien molekyylien ja atomien rakenteen tai vaikkapa ilmamolekyylien koostumuksen ja liikkeen.
Tässä onkin tieteellisen tutkimuksen yksi keskeisimpiä vaatimuksia: kyky tiivistää teoriaan ja ennusteeseen ne muuttujat, jotka ovat ennusteen kannalta oikeasti olennaisia – mutta ei yhtään enempää tai vähempää. Tähän perustuu myös Vilhelm Occamilaisen kuulu partaveitsi: jos kaksi teoriaa selittää ilmiön yhtä hyvin (eli suomeksi ennustaa mitä siitä seuraa), tulee valita niistä yksinkertaisempi.
Mutta mitäs nyt sitten kun maailma muuttuu alati monimutkaisemmaksi? Kun merkityksellisiä – siis ennustamisen kannalta olennaisia – muuttujia on yhä enemmän ja enemmän?
Tieteellinen metodi pyrkii niputtamaan yhteen joukon havaintoja ja löytämään teorian, jonka avulla tämän tyyppisiä havaintoja voidaan ennustaa myöhemmin tilastollisin menetelmin. Jos on todettu, että kaikki tähän asti havaitut tuhat joutsenta ovat valkoisia, tutkija luo teorian: “joutsenet ovat valkoisia”. Tai jos on todettu, että vain 10% koronarokotteen saanutta potilasta sairastaa vakavan taudin, mutta sairaalahoitoa tarvitsevista potilaista rokottamattomia on 80%, tutkimus mahdollistaa teorian: “koronarokote ehkäisee vaikeaa tautimuotoa”.
Tiede ei kuitenkaan kerro lopullisia totuuksia. Mitä mutkikkaammasta ilmiöstä on kyse, sitä heikommin tilastolliset menetelmät edistävät ennustamista. Kun kyse on ilmiöistä, joissa tuntemattomia muuttujia on miljoonia – esimerkiksi talous, teknologia, geopolitiikkka – on tilastollinen ennuste yhä useammin väärin. Tämä johtuu siitä, ettei yhdenkään teorian ennustusvoima ole 100% – vaan ennusteen ulkopuolelle jää aina ääri-ilmiöitä, joihin ennuste ei pure. Erityisen monimutkaisten ilmiökimppujen – esimerkiksi sellaisten, jotka liittyvät talouteen, teknologiaan ja geopolitiikkaan – kohdalla ennustaminen on päivä päivältä vaikeampaa.
Jokainen tieteellinen teoria pyrkii ennustamaan ilmiön tai ilmiökimpun todennäköisyyttä jossakin suhteessa ilmiön intensiteettiin. Ennusteen ulkopuolelle – eli harmaiden katkoviivojen vasemmalle ja oikealle puolelle – jäävät aina äärimmäisen epätodennäköiset matalan intensiteetin ja korkean intensiteetin ilmiöt.
Tämä johtuu ensinnäkin siitä, että itse ilmiökimppujen sisällä – sanotaan vaikkapa tekoäly tai suurvaltapolitiikka – on alati kasvavavaa volatiliteettia eli epävakaisuutta. Tuntemattomia tuntemattomia on yhä enemmän. Lisäksi jokainen uusi muutos – kielimallien kehitys tai Trumpin toinen presidenttikausi – luo vielä voimakkaampia takaisinkytkentöjä, jotka keikuttavat venettä entisestään. Kun soppaan heitetään vielä se, että nämä ilmiökokonaisuudet – teknologia, geopolitiikka ja globaali talous – vielä ruokkivat toinen toisiaan, on siis jatkuvasti todennäköisempää, että jotain epätodennäköistä tapahtuu seuraavaksi.
Tieteelliset teoriat perustuvat pyrkimykseen luoda ennustepuitteet sille, millä intensiteetillä käsiteltävä ilmiö esiintyy. Epidemiaennusteet povaavat, että tänä syksynä esiintyy taas joukko flunsaviruksia, mukana luultavasti myös erilaisia koronavariantteja. Ennusteen ulkopuolelle jää tilanne, jossa viruksia ei esiinnykään tai ne ovat niin heikkoja ettei kukaan sairastu – sekä vuoden 2020 tilanne, jossa yksi koronavariantti olikin kuolettava. Talousennusteet povaavat talouskasvulle jonkinlaista maltillista vaihteluväliä; huomioimatta jäävät sekä totaalinen talousromahdus että myöskin räjähdysmäinen kasvu. ADHD-tutkimukset luovat käsityksen tapausten toteutuneesta esiintymistiheydestä tutkimusaineistoon pohjaten. Teoria ei huomioi tilanteita, joissa ensi vuonna ADHD-diagnooseja ei tehdä lainkaan – tai niitä tehdään moninkertaisesti ennustetta enemmän. Ja niin edelleen.
Tarkoittaako tämä siis sitä, että populistit ovat oikeassa, tiede on kuollut ja jokaisen kannattaa “tehdä oma tutkimuksensa” – eli googlata mielipiteensä tai etsiä niille vahvistusta Vauva.fi:stä ja Ylilauta-foorumista? Ei tietenkään. Tiede toimii kyllä – yleensä. Eli jos nyt vaikka pitäisi veikata, miltä näyttävät osakekurssit, maailmantilanne tai teknologia ensi maaliskuussa, luultavaa on, että todellisuus vastaa suurimmassa osassa tapauksista ennusteita. Paitsi ehkä yhdessä tai kahdessa. Ongelmana on kuitenkin, ettei kukaan meistä – etenkään parhaimmat akateemiset asiantuntijat – pysty sanomaan, missä kohtaa ennuste falskaa. Asiantuntijuus kun on nimenomaan sitä todennäköisimpien todennäköisyyksien ennustamista parhaiden teorioiden nojalla. Silloin kun todellisuus vetää teorian litteäksi, akateemisen asantuntijuuden arvo on olematon.
Suurimman osan meistä kannattaa kuitenkin suurimman osan aikaa luottaa suurimpaan osaan tieteellisiä teorioita. Ainakin enemmän kuin vauva.fi -keskusteluun.
Vaikka on luultavaa, että jokin tieteellinen teoria kohtaa jonkin mullistavan ääri-ilmiön, on todennäköistä, että suurin osa teorioista pitää kuitenkin paikkansa.
On kuitenkin yksi erityistilanne, jossa sinun saattaa kannattaa luottaa enemmän omaan ajatteluusi kuin tutkimukseen. Nimittäin jos intuitiivinen ajattelukykysi synnyttää oivalluksen, joka on ristiriidassa tutkimustiedon kanssa. Intuitioiden kanssa pitää kuitenkin olla varovainen, koska kyse ei ole mistä tahansa päähänpistoista. Intuitiolla on kolme avainkriteeriä:päätöksen täytyy koskea elämänaluetta, jolla on ennustettavuutta, päätöksen täytyy koskea elämänaluetta, jossa sinulla on mittava ja monipuolinen kokemus ja päätöksen täytyy koskea elämänaluetta, jossa aktiivisena eivät ole perustavanlaatuiset viettitoiminnot: syöminen, suvunjatkaminen tai reviirin puolustaminen.
Jos nämä kolme ehtoa täyttyvät, on mahdollista, että intuitiosi on osunut johnkin sellaiseen oivallukseen, jota tilastolliset menetelmät eivät tavoita.
Kuitenkin suurin osa mullistavista tapahtumista on sellaisia, joita on mahdoton ennustaa en enempää tilastollisesti kuin intuitiivisesti. Tästä syystä meidän pitääkin nähdäkseni päivittää kokonaan tapamme suhtautua ennustamiseen ja opetella aivan uudenlaisia ajattelutapoja ja ajattelun työkaluja, joiden avulla voimme säilyttää toimintakyvyn myös silloin kun yllätys osuu kohdalle. Erityisen arvokasta on nähdäkseni perehtyä Nassim Talebin esittelemään antifragiliteetin käsitteeseen.
Myös Cixin Liun Kolmen kappaleen probleeman avainhaaste alkoi ratketa nimenomaan taitavan ajattelun avulla. Vaikkeivät hiukkaskiihdyttimet enää toimineet vanhaan malliin, ihmiset valitsivat joukostaan kourallisen ajattelijoita, joiden tehtävänä oli pyrkiä löytämään ratkaisu ihmiskuntaa piinanneeseen ongelmaan. Lopulta nämä seinänkohtaajat löysivätkin tavan pysäyttää trisolarislaisten valtausreissun.
Miten siis toimia maailmassa, jossa ennustaminen ei ole enää usein mahdollista?
Ensimmäinen johtopäätös on, että etenkin suuryrityksissä suosittu skenaariotyö on yhä useammin hyödytöntä, joskus jopa vaarallista. Jos omaan toimialaan kohdistuu musta joutsen, ei sitä löydy varmasti yhdestäkään ennakkoskenaariosta. Sen sijaan skenaarioilla voi myös olla lannistava vaikutus. Usein skenaariot laaditaan optimistisesti, neutraalisti ja pessimistisesti. Nyt kun yhteiskunnallinen keskustelu on lähinnä mollivoittoista, iso osa työntekijöistä saattaa kiinnittää huomion pessimistiseen skenaarioon, jolloin siitä voi jopa tulla itseään toteuttava profetia.
Negatiivisen tulevaisuuskuvan sijaan tarvitaankin toiveikkuutta. Yksi tapa lisätä toivoa tulevasta on käyttää aikaa sen pohtimiseen, mikä voisi olla paras mahdollinen tulos toiminnallemme vaikkapa viiden vuoden päästä – huomioiden samalla kaikki inhorealistiset haasteet, jotka juuri nyt tunnistamme. Miten voidaan laatia realistinen mutta myös aidosti innostava toivekuva siitä, mitä tekemisestämme voi parhaassa tapauksessa seurata? Kun katse on positiivisessa päämäärässä, monet esteet voivat jopa jäädä sivuun ja muutokset kääntyä mahdollisuuksiksi.
Muutosta voi myös hyödyntää vahvistamalla omaa ja organisaation antifragiliteettia. Antifragiliteetti tarkoittaa sitä, että kun maailmassa tapahtuu muutos, et pelkästään selviä siitä – vaan peräti hyödyt siitä.
Mustien joutsenten kanssa ei siis tule painia. Niiden kanssa kannattaa tanssia.
Teoriat ja skenaariot toimivat hyvin kun maailma on stabiili – mutta yhä useammin se ei ole. Se ei kuitenkaan tarkoita, että tiede ja teoriat tulisi heittää roskiin ja jokaisen ”tehdä oma tutkimuksensa”. Sen sijaan teorioita kannattaa hyödyntää dynaamisesti. Hyvin laaditut teoriat pitävät normaalisti aivan hyvin paikkansa – paitsi kunnes eivät pidä. Tutustu siis syvällisesti oman alasi keskeisimpiin teorioihin ja seuraa niitä niin pitkään kun ne toimivat – mutta säilytä valmius myös muuttaa suuntaa, jos maailman tapahtumat osuvatkin teoreettisen ennusteen ulkopuolelle.
Antifragiliteetin yksi keskeinen tekijä on vaihtoehtoisuus. Jos toimivia reittejä on vain yksi ja se menee tukkoon, toiminta loppuu siihen. Yksi erinomainen keino lisätä vaihtoehtoisuutta on jatkuva oppiminen. Laajenna osaamistasi nykyisen toimialasi ulkopuolelle opiskelemalla laajasti uusia asioita kiinnostustesi mukaan. Tässä erinomaisesti toimii niin sanottu T-malli. Pidä huoli siitä, että sinulla on vähintään yksi toimiala, jolla osaamisesi on riittävän syvällistä arvon tuottamiseen tämänhetkisessä työmarkkinassa – mutta laajenna osaamistasi monipuolisesti myös muille alueille. Jos työmarkkina sukeltaakin avainalallasi, sinulla on näin heti valmiudet laajentaa osaamista uusille aloille, jotka eivät ennen olleet mahdollisia.
Yksi yleisimpiä antifragiliteettia lisääviä tekniikoita on niin sanottu punttistrategia. Sen avainajatus on keskitien ratkaisujen välttämäinen. Sen sijaan kannattaa yhdistellä sekä erittäin varmoja että erittäin riskialttiita ratkaisuja. Näitä kannattaa toteuttaa esimerkiksi suhteessa 80/20 tai 90/10. Älä siis lopeta päivätyötäsi, vaan tee siitä työelämän kivijalka – mutta ala sen ohella vaikkapa iltaisin tai viikonloppuisin kokeilemaan erilaisia sivutoimisia ratkaisuja, jotka onnistuessaan voivat johtaa ihan uudenlaiseen menestykseen. Opettele kokeilemaan nopeasti uusia ratkaisuja. Tee vaikkapa tekoälyn avulla verkkosivut sivutoimiselle osaamisellesi, jaa ne sosiaaliseen mediaan ja katso, mitä tapahtuu. Opiskele verkkomainontaa – tai paina vaikkapa paperisia esitteitä osaamisestasi.
Lopuksi, muuttuvassa maailmassa erityisen voimallista on opetella hyödyntämään erehdyksiä. Jos lisäät riskialttiimpia aktiviteetteja elämässäsi tai kasvatat kokeilujen määrää, on varmaa, että osa aloitteista menee mönkään. Ensi alkuun ehkä jopa suurin osa. Tässä paras tapa mukautua muuttuvaan maailman myllerrykseen on tehdä jokaisesta erehdyksestä pieni analyysi ja pohtia mikä meni pieleen, ja mitä teet ensi kerralla eri tavoin. Kun et anna yhdenkään erehdyksen mennä hukkaan, synnytät jatkuvaa kasvua ja kehitystä, muuttui maailma miten tahansa.
Muutos on uusi normaali, eikä se siitä puhumalla muuksi muutu.
Muutos on kuitenkin myös oikein tarkasteltuna valtava mahdollisuus, jonka nojalla voimme jopa rakentaa ihmiskeskeisempää ja innostavampaa tulevaisuutta. Keskeisessä roolissa muutoksen ja mustien joutsenten kanssa elämisessä on vahvistaa omaa muutoskyvykkyyttä ja erityisesti luoda antifragiileja käytäntöjä ja rakenteita, joissa muutoksen yllättäessä voimme jopa hyötyä siitä.
Musta joutsen on Nassim Talebin vuonna 2007 samannimisessä kirjassaan esittelemä käsite. Se kuvaa äkkinäistä muutosta, jota on mahdotonta ennustaa ja jolla on mittavat maailmanlaajuiset seuraukset. Tarkastelutavasta riippuen näitä ovat esimerkiksi kotitietokoneen keksiminen, internet ja tekoälyn läpimurto – tai sitten finanssikriisi, koronapandemia ja populismin nousu.
Nyky-yhteiskunta perustuu edelleen ajatukselle siitä, että tulevaisuutta voidaan ennustaa. Ajatuksena on, että pystymme riittävässä määrin kuvailemaan, miten talous, ympäristö, tutkimus, teknologia tai yhteiskunta toimivat vaikkapa viiden vuoden päästä, jotta voimme valmistautua siihen. Suurin osa ilmiöistä onkin yhä ennustettavissa; ne nimittäin toimivat jatkossa aivan kuten nytkin. Ongelmana on, että yhä suurempi joukko ilmiöitä on kuitenkin pudonnut tällaisen ennustettavuuden ulkopuolelle.
Siis vaikka suurin osa asioista voidaan ennustaa, yhä useampia ei voida. Nämä ovat juuri niitä mustia joutsenia.
Mustien joutsenien esiintymistiheys on alkanut viime vuosina kiihtyä merkittävästi. Siinä, missä vielä 1800-1900 -luvuilla tällaisia murroksia nähtiin vuosikymmenten välein, viimeisten 15 vuoden aikana mustien joutsenten esiintymistä on alkanut tapahtua vain muutaman vuoden välein, viime aikoina jopa useammin. Koronakriisi 2020, Ukrainan sota keväällä 2022, energiakriisi syksyllä 2022, generatiivinen tekoäly syksyllä 2022, Trumpin uudelleenvalinta syksyllä 2024, kauppasota keväällä 2025 ja niin edelleen. Näissä kaikissa on kyse ilmiöistä, joita vielä jopa muutamia kuukausia aiemmin asiantuntijat ovat pitäneet tilastollisesti mahdottomina. Ja sitä ne ovatkin olleet. Kun maailman muutokset vaikuttavat toisiinsa yhä syvemmin ja kun näitä muutoksia tapahtuu nopeammin, yhä useampi todellinen mullistus onkin tilastollisesti äärimmäisen epätodennäköinen.
Tiede operoi todennäköisyyksillä. Toisin sanoen, tieteellisellä menetelmällä voi olla järkevää sanottavaa vain ilmiöistä, jotka jäävät jonkin teorian puitteissa todennäköisimmiksi. Ääri-ilmiöitä ei voida koskaan kuvata teoreettisesti riittävällä tarkkuudella, koska niitä on käytännössä lukematon määrä. Tiede kuitenkin myös toimii useimmiten hyvin ihan samasta syystä – se pystyy kertomaan suurimman osan aikaa, miten asiat toimivat. Paitsi kunnes se ei pysty. Ja tämä on siis maailma, jota kohti olemme kovaa vauhtia siirtymässä.
Mustat joutsenet eivät nimittäin vain esiinny yhä useammin – ne myös ruokkivat toisiaan. Korona avasi Venäjälle mahdollisuuden edetä Ukrainan suunnitelmiensa kanssa. Venäjän pakotteet puolestaan aiheuttivat valtavan energian hintapiikin. Tämä puolestaan kiihdyttää inflaatiota, joka ruokkii tyytymättömyyttä, joka sai yhä useamman äänestämään Trumpia, jonka hedelmiä nyt sitten keräilemme. Ja seuraava tällainen käänne odottaa jo nurkan takana.
Seuraava musta joutsen on jo tulossa, mutta se ei ole mikään aiemmin mainituista. Kuten käsite on määritelty, kukaan ei pysty sanomaan, mikä seuraava tällainen murros todellisuudessa on.
Mikä siis auttaa silloin kun maailma muuttuu yhä ennustamattomammaksi ja hämmentävämmäksi? Ei ainakaan muuttumattomattomuuden toiveeseen takertuminen, kuten toimivat nyt monessa paikassa valtaan nousseet populistit ja uuskonservatiivit. Maailmaa ei voi enää peruuttaa 1980-luvulle vaikka tekisi mitä. Jokaisella vaikutuksella on vastavaikutus, ja populismin esiin nousu onkin itse asiassa itsessäänkin vain jälleen yksi muutosvoima maailmassa.
Taleb luki 2007 kirjassaan muutoksen madonluvut. Hän tarjoaa kuitenkin vuonna 2012 julkaistussa teoksessaan Antifragile myös toivon kipinän. On nimittäin olemassa menetelmiä ja strategioita, joiden avulla muutoksessa on mahdollista pärjätä – ja ehkä jopa hyötyäkin siitä.
Perinteisempi muutoskyvykkyys, resilienssi, tarkoittaa kykyä mukautua muuttuviin tilanteisiin. Se edellyttää oikeanlaisia psykologisia tekniikoita ja kykyä reagoida nopeasti muuttuviin tilanteisiin. Taleb tarjoaa kuitenkin myös toisenlaisen ratkaisun. Antifragiliteetti tarkoittaa muutoskyvykkyyttä, jossa luodaan toimintamalleja ja rakenteita, jotka itse asiassa hyötyvät siitä, kun muutos iskee. Antifragiliteettiin perustuvat muun muassa lihaskuntoharjoittelu, jossa pienet lihasvauriot johtavat vahvistuneeseen lihakseen ja rokotukset, jossa heikennetty virus parantaa puolustuskykyä.
Samalla tavoin antifragiilit yksilöt, yhteisöt ja yhteiskunnat hyötyvät siitä, kun niitä koetellaan. Antifragiilissa toimintamallissa perusajatus on, että muutos nähdäänkin nimenomaan hyvänä asiana. Yrityksen ja erehdyksen kautta on mahdollista jatkuvasti kehittää omaa osaamista. Panostamalla kokeiluihin ja uuden kehittelyyn on mahdollista luoda ratkaisuja, joita kukaan ei edes osaa vielä kysyä. Altistus jatkuville pienille haasteille, jotka eivät johda ihmisen tai organisaation kuolemaan, vahvistaa myös pärjäämään suurempien haasteiden äärellä.
Antifragiliteetin kehittäminen ja vahvistaminen onkin yksi voimallisimpia lähestymistapoja muutoksessa myllertävässä maailmassa pärjäämiseen. Tähän on myös olemassa lukuisia konkreettisia menetelmiä, esimerkiksi teorioiden dynaaminen hyödyntäminen, jatkuva osaamisen päivitäminen ja kokeilujen lisääminen. Näihin palaan tarkemmin seuraavassa blogikirjoituksessa.
Uudet tekoälyratkaisut ovat ihmeellisiä silloin kun ne toimivat – kunnes ne eivät toimi. Vaikka uusilla ratkaisuilla, esimerkiksi ChatGPT:llä tai Co-Pilotilla voi tehdä toinen toistaan hämmentävämpiä asioita, usein tekoälyratkaisut tuottavat myös virheellisiä tuloksia. Monesti ne eivät myöskään vain toimi sillä tavalla kuin luulisi.
Tekoälyn käytössä keskeisessä roolissa onkin kyky tunnistaa oman toimialasi tekoälyn sahalaitainen raja.
Se tarkoittaa epätarkkaa rajaa sen välillä, mihin tekoälyä kannattaa juuri sinun työssäsi käyttää ja missä ei. Yleensä hyviä käyttötapoja ovat esimerkiksi suunnittelu ja ideointi. Huonoja puolestaan tiedonhaku ja päättely. Kuitenkin viime aikoina esimerkiksi Deep Research -mallit ovat ensimmäistä kertaa tehneet tekoälyratkaisuista riittävän luotettavia, että niitä voi myös käyttää joillakin toimialoilla tiedon kartoittamiseen. Samaten päättelytekoälyt pystyvät jo ajoittain hyvinkin taitavaan järkeilyyn – paitsi silloin kun eivät pysty.
Pahimmillaan tämä on organisaatioissa, joissa on vaan lätkäisty päälle Co-Pilot tai Google Workspace AI -tilaus ja pidetään sitten peukkuja, että kaikki sujuu hyvin. Usein ei suju.
Yksilötasolla tekoälyn käyttöä voi harjoitella vaikkapa Tekoälyn pikaoppaan ohjeiden mukaan. Organisaatiotasolla tekoälyn sujuva käyttöönotto edellyttää kuitenkin taitavaa strategista ajattelua.
Ensiksi, organisaation johdon täytyy tutustua riittävän yksityiskohtaisesti uusimpiin ratkaisuihin ja opetella ymmärtämään, miten nämä vimpaimet oikeasti toimivat. Tekoäly ei ole taikarobotti, joka korvaa ihmisen – vaan tilastollinen järjestelmä, joka oikein käytettynä voi laajentaa merkittävästi ihmisen ajattelu- ja toimintakapasiteettia.
Toiseksi, tekoälyn käyttöönotto ei kuulu IT-osastolle – vaan toimivalle johdolle. Johdon täytyy ensin määritellä ne strategiset tavoitteet, joihin tekoälyltä toivotaan lisätukea. Halutaanko esimerkiksi markkinointia tehostaa teksti- ja kuvatekoälyillä? Halutaanko asiakasrajapintaan uusia bottiratkaisuja? Halutaanko tiimien työn suunnittelua tukea päättelytekoälyillä? Halutaanko yrityksen markkinatilannetta seurata tutkimustekoälyillä?
Kolmanneksi, kun tekoälyn tukemat strategiset tavoitteet on määritelty, täytyy valita oikeat tekoälyratkaisut tukemaan tavoitteita. Esimerkiksi Microsoftin ja Googlen toimistotekoälyt voivat tukea merkittävästi tekstin tuottamista tai presentaatioiden laatimista – mutta luovassa sparrailussa tai suunnittelussa ne jäävät johtavien kielimallibottien jalkoihin. Kuvanluonnissa on puolestaan käynnissä jatkuva kilpajuoksu erityisesti OpenAI:n ja Midjourneyn välillä, puhumattakaan videoista, musiikista ja äänestä.
Neljänneksi, tekoälyn käyttöönotto kannattaa tehdä organisaatiossa hallitusti ja systemaattisesti. Uudet ratkaisut kannattaa aluksi testata pienemmillä pilottiryhmillä. Samalla kun uudet ratkaisut siirtyvät käyttöön, kannattaa käyttöönottoa tukea järjestämällä esimerkiksi kuukausittain tai kvartaaleittain ”best practices” -tilaisuuksia. Näissä työntekijät voivat verrata positiivisia ja negatiivisia kokemuksiaan toimialakohtaisesti ja jakaa parhaita vinkkejä tekoälyn hyödyntämiseen. Tätä osaamisen jakamista voi myös tukea arjessa järjestämällä parhaille vinkeille – ja pahimmille sudenkuopille – vaikkapa oman Teams- tai Slack-kanavan.
Oikein käytettynä uudet tekoälyratkaisut mahdollistavat merkittäviä tuottavuusloikkia ja ne voivat myös lisätä työhyvinvointia. Se, mitä oikein käyttäminen kussakin organisaatiossa tai kullakin toimialalla tarkoittaa selviää kuitenkin vain yhdistämällä rohkeat kokeilut kriittiseen arviointiin.
Tekoälyn strateginen käyttöönotto edellyttää siis ymmärrystä siitä, mihin vimpainta oikeasti tarvitaan; siitä, mitkä ratkaisut parhaiten soveltuvat mihinkin tehtävään; ja siitä, miten oman organisaation työntekijät todellisuudessa pääsevät uusista ratkaisuista hyötymään.
Noin vuosi sitten kirjoitin siitä, miten uusien tekoälyratkaisujen kehitys näytti hidastuneen. Moni akateeminen asiantuntija arvioikin tuolloin, että Piilaaksossa optimismia synnyttänyt skaalahypoteesi olisi tullut tiensä päähän. Näin näyttääkin tapahtuneen: pelkästään kielimallien kokoa ja harjoitusaineistoa kasvattamalla ei päästä enää juurikaan parempiin tuloksiin, kuten vaikkapa hiljattain julkaistu GPT4.5 -kielimalli osoittaa.
Kehitys ei kuitenkaan ole sittenkään hidastunut, päin vastoin.
Siinä, missä ydinmallien kohdalla skaalahyödyt eivät toki toistaiseksi tunnu kasvavan, on viime aikoina löytynyt aivan uudenlaisia tapoja hyödyntää nykyteknologiaa niin, että tulokset ovat ajoittain jälleen ällistyttäviä. Viime kuukausina onkin palattu takaisin pari vuotta sitten startanneesen ennennäkemättömään muutossykliin, jossa uusia läpimurtoja tapahtuu kuukausittain.
Vuodenvaihteen tienoilla julkaistut päättelykielimalllit – esimerkiksi OpenAI:n o1 ja o3, Googlen Gemini Thinking ja pörssejä ravistellut kiinalainen Deepseek – hyödyntävät jo aiemmin syötemuotoilussa avainasemaan nousseita päättelypuu- ja päättelyketjutekniikoita. Näissä malleissa päättely on rakennettu sisään pohjimmiltaan ihan normaaliin kielimalliin. Tuloksena on huomattavasti aiempaa luotettavampi tekoälybotti – jos kohta päättelymallitkin tekevät aika ajoin erikoisia virheitä arkipäättelyn puutteellisuudesta jekkusyötteisiin lankeamiseen.
Vielä järisyttävämpi murros liittyy kuitenkin alkuvuodesta läpilyöneisiin syvätutkimusmalleihin, kuten Gemini Deep Research ja Open AI:n kielimallien Deep Research -moodi. Kielimallin luotettavuus on aina haastavaa, jopa päättelymallien kohdalla, koska pohjimmiltaan kyse on aina sanajoukkojen tilastollisesta yleisyydestä. Jos kielimalli veikkaa yhdenkin sanan väärin, voi koko lopputuotos mennä plörinäksi.
Tutkimusmallit suitsevat tätä ongelmaa hyödyntämällä laajasti luotettavista lähteistä kokoon kaavittua tutkimusaineistoa itse syötteen laatimisessa. Sen sijaan, että ne arvaisivat vain sana kerrallaan tai edes hyödyntäisivät muutamaa verkkohakua, tutkimusmallien tekstintuottamisen taustalla vaikuttaa myös laaja aiempi tieteellinen aineisto, jonka avulla vimpain pystyy laatimaan aiheesta kuin aiheesta noin 20-sivuisen tutkimusraportin. Työ, johon aiemmin vaadittiin akateemisesti pitkälle kouluttautuneen tutkijan paneutumista kuukausikaupalla, on nyt mahdollista suorittaa noin puolessa tunnissa.
Tämäkään teknologia ei kuitenkaan korvaa ihmistä.
Ensinnäkin, edes tutkimusmalleilla ei kannata synnyttää julkaistavaksi tarkoitettavaa tekstiä, vaan niiden hyöty on ennen kaikkea saada nopeasti ylätason ymmärrys tutkittavasta asiasta. Erityisen arvokasta tämä on, koska mallien tuottama tutkimusraportti sisältää nyt suorat viitteet käytettyihin aineistoihin. Tutkimustekoäly ei siis keksi lähdeviitteitä kuten aiemmat, vaan viittaa systemaattisesti olemassa oleviin artikkeleihin.
Toiseksi, tutkimusmallin tuottaman raportin arviointi vaatii edelleen syvällistä substanssiosaamista. Koska tekoäly tekee yhä virheitä ajoittain, on kriittistä, että raportin arvioi joku syvällisesti sen käsittelemää aihetta ymmärtävä ihminen. Silti, ainakin omissa kokeiluissani tutkimustekoälyn virheiden määrä ei ole juurikaan ylittänyt sitä, mitä voisi keskimäärin olettaa vaikkapa kandidaatintyötä laativalta opiskelijalta. Virhemarginaalia voi pienentää entisestään laatimalla samalla syötteellä raportin sekä Geminillä että ChatGPT:llä. Näin toimin itse käytännösä joka tutkimuskysymyksen osalta tällä hetkellä.
Teknologian kehityksen ei tarvitse perustua vain yhtä rataa kulkevaan jatkuvaan kasvuun vaikkapa Mooren lain tapaan. Teknologia voi kehittyä myös laadullisesti, eli keksimällä uusia tapoja käyttää jo olemassa olevia ratkaisuja. Tästä on nähdäkseni kyse nyt etenkin uusien päättely- ja tutkimusmallien kohdalla.
Laadullisen kehittämisen ansiosta tekoälyratkaisujen kiihtyvälle kehitykselle ei siis sittenkään näytä olevan ainakaan vielä näkyvillä olevaa ylärajaa.
Tekoälyn ja ihmismielen yhteyksiä ja eroja käsittelevä uutuuskirjani Konemieli julkaistiin tänään.
Kirjassa tartun muun muassa seuraaviin kysymyksiin:
Mikä mieli on ja miten se toimii?
Mistä uusissa tekoälyratkaisuissa on oikeasti kyse?
Miten tietokone prosessoi informaatiota?
Miten aivojen toiminta eroaa tietokoneen toiminnasta?
Millä tavalla mieli ja kieli liittyvät toisiinsa – ja miten tekoälyratkaisut synnyttävät ihmismäistä kielenkäyttöä?
Millä tavalla tekoälyratkaisuja kannattaa käyttää – ja millä tavalla ei?
Miten tekoäly vaikuttaa yhteiskuntaan nyt ja lähitulevaisuudessa?
Onko ajatteleva kone oikeasti mahdollinen – tai onko sellaisia jo nyt?
Olen tutkinut ihmismieltä, sen toimintaa ja rakenteita yli 15 vuoden ajan. Olen myös tutustunut vuosien varrella läheisesti erilaisiin koneoppimis- ja tekoälyteknologioihin. Tämän takia olin vielä muutama vuosi sitten hyvin skeptinen koskien tekoälyteknologiaan liitettyjä odotuksia. Vielä kolme vuotta sitten olisin sanonut suoraan, että tutkimusnäyttöni pohjalta ajatteleva kone on käytännössä mahdoton.
Perehdyttyäni viimeisen kahden vuoden ajan yksityiskohtaisesti uusien tekoälyratkaisujen – erityisesti suurten kielimallien taustalla vaikuttavan muuntajateknologian – toimintaan, olen käytännössä päätynyt täysin aiempaa vastakkaiseen näkemykseen. Muuntaja-arkkitehtuuri mallintaa ihmisen kielenkäyttöä niin tarkasti, että sen pohjalta voidaan nyt simuloida lähes täysin inhimillistä vuorovaikutusta – siis keskustelua. Kun teen tekoälyä koskevia valmennuksia ja puheenvuoroja, esittelenkin itseni nykyään yleensä ”toipuvaksi tekoälyskeptikoksi”.
Vain runsaat kaksi vuotta sitten alkanut generatiivisen tekoälyn esiinmarssi on jo nyt muuttanut lähtemättömästi tietotyötä. Samalla se on tarjonnut ennennäkemättömän ikkunan myös meidän oman mielemme tarkasteluun. Koskaan aiemmin ei ihmismielen toimintaa ole kyetty mallintamaan matemaattisesti näin yksityiskohtaisesti. Tekoälyn ja mielen tutkimus muodostavatkin silmukan, jossa toinen ruokkii toista – tällä hetkellä niin kiihtyvällä nopeudella, että uusia läpimurtoja tulee jopa kuukausittain.
Kirjassani pyrin muodostamaan yleistajuisen kuvan siitä, mitä nyt tiedämme ihmismielestä ja siitä, miten uudet tekoälyratkaisut toimivat. Vertailen erilaisia tutkimustuloksia ja pyrin muodostamaan kirkkaan kuvan siitä, mikä mieli on ja mitä sen simulointi edellyttää. Erityisesti pyrin ymmärtämään miten tekoälyratkaisut vaikuttavat meihin ja yhteiskuntaamme nyt ja lähitulevaisuudessa – ja mitä kaikki tämä tarkoittaa inhimillisen ajattelun kehittymiselle.
Tällä hetkellä käytettävissä olevat tekoälyratkaisut eivät vielä ajattele ihmisen tapaan, eikä niillä ole vielä siis varsinaista mieltäkään. On kuitenkin nähtävissä kolme mahdollista kehityskulkua, joiden ansiosta ajatteleva kone voisi olla sittenkin mahdollista rakentaa.
1. Modulaariset tekoälyjärjestelmät
Ensimmäinen on nykyjärjestelmien kehittäminen modulaarisesti. Jos kielimallille rakennetaan jonkinlainen päätöksenteko- ja reflektiomoduuli ja havaintoa ennakoivat aistijärjestelmät, se voi alkaa käyttäytyä hyvinkin ihmismäisesti. Jo nykyjärjestelmiin on rakennettu tällaisia moduuleja. Uusimpia kielimalleja koulutetaan myös multimodaalisesti, eli tekstisisällön ohella ne oppivat tulkitsemaan ja tuottamaan kuvia ja ääntä.
Kielimallin perusarkkitehtuuri ei muutu sen koulutuksen jälkeen muutoin kuin jos sitä jatkokoulutetaan esimerkiksi käyttäjäpalautteen perusteella.
Jotta kielimalli toimisi ihmismäisemmin, pitäisi rakentaa jonkinlainen takaisinkytkentäjärjestelmä muovaamaan sen merkitysrakenteita samaan tapaan kuin ihmisen mielen käsiterakenteet muovautuvat kokemuksen mukaan. Toisin sanoen tekoälyratkaisulle pitäisi rakentaa kyky muistaa jo käytyjä keskusteluja; nyt sen ”muisti” rajoittuu yleensä vain käynnissä olevaan keskusteluun, jonka se syöttää aina kokonaisuudessaan muuntaja-arkkitehtuurinsa jauhettavaksi aina kun käyttäjä laajentaa käyttökontekstia lisäämällä tekstiä syötteeseen. (OpenAI on tosin kehittänyt ChatGPT:n yhteyteen karkean muistijärjestelmän laajennuksen, joka poimii aika ajoin keskustelusisällöistä osia erilliseen tietokantaan, josta se voi palauttaa niitä myöhempiin keskusteluihin. Tämä mekanismi toimii kuitenkin aivan eri tavalla kuin ihmisen hermoverkkopohjainen muisti.)
Ihmismielen kiinnostava ominaisuus on myös tietoisen mielen rajallisuus. Nykytutkimusten mukaan ihminen kykenee tietoisesti pitämään mielessä vain noin 3–5 asiaa. Pitäisikö tekoälyllekin rakentaa tällainen ”työmuisti”, johon se rekisteröisi vain murto-osan sen valtavan kielimallin tuottamista syötteistä? Kenties tietoinen ajattelu edellyttää toimintakyvyn ohella myös rajoitteita.
2. Tiedollisten toimintojen emergenssi
Toinen mahdollinen kehityskulku on, että pelkästään kielimalleja kehittämällä ja jalostamalla monet yllä kuvatuista haasteista ratkeavat mallin emergenttien ominaisuuksien kautta. Aiemmin pidin tätä hyvin epätodennäköisenä, mutta esimerkiksi viime aikoina mallien selkeästi parantunut päättelykyky johtuu itse mallin kehittymisestä ja laajentumisesta. Lisäksi kielimallien jatkokehittely uudenlaisilla algoritmimenetelmillä kuten ajattelupuu (tree of thought) ja ajatteluketju (chain of thought) mahdollistaa aiempaa huomattavasti luotettavamman päättelyn kuten esimerkiksi OpenAI:n viimeisin o1-kielimalli osoittaa.
Tällaista tiedollisten toimintojen emergenssiä ilmenee jo nyt jossakin määrin jo kaikissa olemassa olevissa ratkaisuissa.
Yksi kiinnostava huomio kielimalleista on, että kielimalleihin ei ole koodattu minkäänlaista syntaktista rakennetta, vaan teksti syntyy todennäköisyysalgoritmilla sana sanalta. Eli kaikki kielioppi ja logiikka, mitä kielimalli tuottaa, syntyy sanojen merkitysten keskinäisten yhteyksien ja muuntajan tarkkaavaisuusmekanismin kautta. Perinteisesti ajateltiin, että ajattelu on primääristi syntaktista, eli ajattelun rakenteet määräävät puitteet ajatusten sisällölle. Kielimallit herättävät kysymään, että mitä jos näin ei olekaan.
Tällä hetkellä tekoäly kykenee miljardien merkitysparametrien nojalla muodostamaan kieliopillisesti täysin eheitä lauseita siitä huolimatta, että järjestelmällä ei ole mitään algoritmia, joka määrittelisi, mitkä sanat ovat verbejä, substantiiveja, konnektiiveja ja niin edelleen. Voiko olla, että myös ihmisten tapauksessa syntaksi onkin vain eräänlainen jälkikäteen tehty analyysi, jolla luodaan kielenkäyttöön säännönmukaisuutta? Ihminenhän ymmärtää hyvin myös Yoda-kieltä eli kieliopillisesti väärää kielenkäyttöä sekä ainakin harjoittelun jälkeen jopa epäloogisia väitteitä, kuten zen-kōaneja. Näin tekee myös tekoäly.
3. Uudet tekoälyteknologiat
Kolmas vaihtoehto on, kuten esimerkiksi yksi tekoälyn kolmesta ”kummisedästä” Yann LeCun on esittänyt, että todellisen ajattelevan koneen rakentaminen vaatii sittenkin uudenlaista teknologiaa. Esimerkiksi LeCunin kehittelemä JEPA-arkkitehtuuri perustuu hyvin toisentyyppiseen lähtökohtaan kuin suurissa kielimalleissa, mikä voi tarjota kiinnostavia näkökulmia tekoälyn kehittämiseen. Voi myös olla, että ajatteleva kone edellyttää jonkinlaista yhdistelmää edellä mainituista.
Tätä kirjoitettaessa yleisessä tiedossa olevilla tekoälyratkaisuilla ei vielä ole kykyä itsenäiseen toimintaan. On selvää, ettei nykyjärjestelmillä ole vielä kyvykkyyttä ihmisen systeemi 2:n tyyppiseen ajatteluun: ne eivät kykene vielä kovinkaan taitavaan algoritmiseen päättelyyn, eikä niillä ole kykyä spontaaniin itsereflektioon. Myös systeemi 1:n tyyppinen spontaanius – päähän ”pälkähtävät” ajatukset – puuttuu tekoälyratkaisuilta toistaiseksi.
Teksti on muotoiltu osin uuden 23.1. julkaistavan kirjani Konemielipohjalta. Kirjassa vertailen ihmismielen ja tekoälyratkaisujen toimintaa ja rakennetta nykytutkimuksen näkökulmasta ja hahmottelen ajatuksia siitä, voisiko ajattelevaa konetta mahdollista rakentaa nyt tunnettujen teknologioiden avulla. Tutustu kirjaan tarkemmin täältä.
Ajattelun ammattilainen 