Tag Archives: generatiivinen tekoäly

Mistä muutos johtuu?

24/02/2026

Jätä kommentti

Vain muutos on pysyvää, sanotaan. Tavallaan tämä on ihan totta – maailmahan on muuttunut aina. Samaan aikaan asia on kuitenkin mahdollista sivuuttaa. Monet meille keskeiset asiat kun pysyvät muuttumattomina vuodesta toiseen. Itse asiassa monet perustavanlaatuiset inhimilliset kysymykset ovat aivan samalla tolalla kuin tuhat vuotta sitten. Asian laita on niin kuin tulevaisuusvaliokuntaneuvos Olli Hietanen sen esitti vuonna 2017:

Ajatus siitä, että kaikki muuttuu, on hypeä. Mitä me teemme nyt sellaista, jota emme tehneet jo vuonna 1017? On varsin todennäköistä, että vuonna 3017 me syömme, rakastamme, nukumme, teemme töitä ja liikumme. Toisin sanoen, isolla aikajänteellä esille nousee enemmän pysyvyyksiä kuin muutoksia.

Maailma siis muuttuu mutta ei myöskään muutu. Muutos ei ole ongelma silloin, kun muutossykli eli muutosten esiintymistiheys on riittävän pitkä. Kun muutossykli mitataan vuosikymmenissä, muutoksiin on aikaa varautua eivätkä ne horjuta jo olemassa olevia rakenteita. Viime vuosina muutossykli on kuitenkin alkanut käydä yhä lyhyemmäksi. Siinä missä vielä 1900-luvulla mullistuksia tapahtui ehkä muutaman kerran vuosikymmenessä, nyt niitä tulee jo vuosittain – ellei peräti jo kuukausien välein.

Kiihtyvään muutokseen on karkeasti ottaen kolme syytä.

Ensimmäinen on jatkuva informaatioteknologian kehittyminen. Muutosta siivittävät keksinnöt ja oivallukset edellyttävät informaatiota. Jos informaatio on hidasta ja paikallista – kuten vielä parisataa vuotta sitten – myös keksintöjä syntyy harvemmin. Nyt elämme aikaa, jolloin informaatio on valonnopeaa ja hyperglobaalia. Voit saman tien jakaa verkossa kirjaa lukiessasi tai kuunnellessasi saamasi oivalluksen, ja se voi saavuttaa silmän­ räpäyksessä tuttavasi maapallon toiselta puolen.

Toinen syy muutokseen on globalisaatio. Siinä missä aiemmin keskeinen poliittinen yksikkö oli yksittäinen valtio, nyt politiikkaa tehdään globaalilla näyttämöllä. Kiinassa tehdyt päätökset heijastuvat amerikkalaiseen kauppapolitiikkaan, ja niiden vaikutus näkyy vaikkapa Pihtiputaan K-Marketin omenoiden hinnan vaihtelussa. Tämä puolestaan muuttaa tapaa, jolla Suomessa tehdään poliittisia päätöksiä, joilla voi olla taas oma vaikutuksensa vaikkapa Viroon ja Ruotsiin – ja niin edelleen.

Kolmas syy muutokseen ovat mustat joutsenet. Tämä filosofi Nassim Talebin tunnetuksi tekemä käsite tarkoittaa tapahtumia, jotka ovat määritelmällisesti ennustamattomia mutta joilla on välittömiä ja valtavia globaaleja seurauksia. Mustat joutsenet seuraavat itse asiassa edellä mainituista ilmiöistä ja niiden keskinäisistä takaisinkytkennöistä.

Kun yksi muutos tapahtuu informaatioteknologiassa – vaikkapa nyt viime vuosina kuohuttanut generatiivinen tekoäly – se vaikuttaa myös globaaliin geopolitiikkaan, esimerkiksi Yhdysvaltojen ja Kiinan kauppasuhteisiin ja mikrosirujen sääntelyyn. Tällaiset takaisinkytkennät puolestaan johtavat yhä useammin siihen, että jopa erittäin epätodennäköiset ilmiöt toteutuvat. Tällaisia äkkivääriä käänteitä ovat historiassa olleet esimerkiksi kotitietokoneen keksiminen, internet ja viimeisimpänä generatiivinen tekoäly. Tai näkökulmasta riippuen myös vuosien 2007–2009 finanssikriisi, koronapandemia ja vuoden 2022 energian hintakriisi. Myös mustilla joutsenilla on takaisinkytkentöjä toisiinsa, ja tämä johtaa siihen, että sitä mukaa kuin epävarmuus lisääntyy, se myös ruokkii itse itseään.

Suhteemme tietoon voi olla neljänlaista.

Jos tiedämme vastauksen, se on tunnettu. Jos emme tiedä vastausta, mutta tiedämme mitä kysyä – vaikkapa tieteellisessä tutkimusprojektissa – asia on tuntematon. Jos sen sijaan emme tiedä edes kysymystä, asia on tuntematon tuntematon. Esimerkiksi kysymys ”Miten suuret kielimallit vaikuttavat tietotyön työmarkkinarakenteisiin?” olisi ollut vielä vuonna 2020 käytännössä vailla merkitystä, eikä sellaista kukaan osannut kysyä. Nyt olemme siirtyneet aikaan, jossa suurten kielimallien – eli nykytekoälyratkaisujen – työmarkkinavaikutuksia voidaan jo mitata ja tarkastella, eli kysymys on mielekäs. Vastaus kuitenkin on ainakin vielä osin tuntematon. Lopuksi on myös joukko seikkoja, joista ei voida muotoilla yksiselitteistä kysymys-vastaus-paria. Esimerkiksi uskonnolliset tai esteettiset kysymykset ovat sellaisia, ettei niihin ole tietoteoreettisesti mahdollista vastata, samaten tietyt matematiikan ja logiikan itseviittaavat kysymykset.

Alati nopeammin muuttuvassa maailmassa keskeisintä on ymmärtää, että tuntemattomien tuntemattomien seikkojen määrä kasvaa jatkuvasti. Tästä syystä emme enää voi kovinkaan suurella varmuudella sanoa, mitä seuraavaksi tapahtuu. Siksi keskeiseksi avaintaidoksi onkin nyt noussut muutoskyvykkyys – kyky reagoida äkillisiin muutoksiin ja kenties myös hyödyntää niitä.

Teksti on ote keskiviikkona julkaistavasta uutuuskirjastani Myrskyhevonen – Kuinka lakkaat huolehtimasta ja opit syleilemään muutosta? Kirjassa käsittelen alati kiihtyvän muutoksen juurisyitä ja esittelen monipuolisen menetelmäjoukon muutoksessa joustamiseen ja sen hyödyntämiseen. Tutustu kirjaan tarkemmin täältä.

Tulevaisuuden työmarkkinamurrokset edellyttävät muutoskyvykkyyden vahvistamista

16/12/2025

2 kommenttia

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,
  • nopeuttamalla nousevien teknologioiden käyttöönottoa,
  • tukemalla yrittäjyyttä ja innovaatiotoimintaa, ja
  • 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.

Neljä askelta tekoälyn strategiseen käyttöönottoon

01/04/2025

3 kommenttia

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.

Tekoälyratkaisujen sahalaitainen raja.

Tekoälyratkaisuille on jo nyt osoitettu lukuissisa tutkimuksissa kymmenien prosenttien hyötyjä tuottavuudessa, luovuudessa ja jopa työhyvinvoinnissa. Kuitenkin esimerikiksi Upworkin viimesyksyisessä kyselyssä 2500 vastaajasta 77% koki, että tekoälyn käyttöönotto on laskenut kokonaistuottavuutta. Aikaa tuhrautuu uusien ratkaisujen opiskeluun ja tekoälyn virheiden korjailuun.

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.

Tekoälyn kehityksen hidastuminen antaa tilaa ymmärtää käynnissä olevaa murrosta

03/04/2024

1 kommentti

Viime kuukausina generatiivisen tekoälyn kehittyminen on hidastunut selvästi. Koko viime vuoden kestänyt lähes viikottainen muutosvauhti näyttäisi nyt ainakin hetkeksi helpottaneen.

Siinä, missä vielä viime marraskuuhun asti uusia läpimurtoja tuli kuukausittain tai jopa viikoittain, lähtien kevään OpenAI:n GPT4-kielimallista, Midjourneyn fotorealistisesta 5. versiosta ja päättyen loppuvuoden Rabbitin ja Humanen tekoälyvimpaimiin ja GPT:n integroituun versioon, ovat tämän vuoden uudistukset koskeneet lähinnä sitä, kuinka kilpailukykyisiä Anthropicin, Inflectionin ja Googlen kielimallit ovat GPT4:n kanssa. Suurin alkuvuoden aikana tapahtunut generatiivisen tekoälyn läpimurto on Sunon itsessään erittäin vaikuttava musiikintekoalusta. Musiikki on kuitenkin ainakin toistaiseksi marginaalinen generatiivisen tekoälyn sovellusala verrattuna teksti- ja kuvaratkaisuihin.

Tämä hidastuminen on saanut monet tekoälykriitikot iloitsemaan. Onpa jopa puhuttu siitäkin, että viime vuonna toivottu kuuden kuukauden tauko tekoälyteknologian kehityksessä on sittenkin toteutunut, tosin tässä tapauksessa vain siksi, että teknologian kehittyminen on usein äkkiväärää ja yllättävää. Monet ovat myös rientäneet julistamaan koko generatiivisen tekoälyn kuplaksi. Missä ovat ne kymmenien prosenttien tuottavuushyödyt, joita viime vuoden tutkimuspaperit ovat lupailleet? Missä on tietotyön murros?

Tosi asiassa se, että joka viikko ei ole luvassa uutta lelua on tekoälyn käyttöönoton kannalta hyvä juttu.

Generatiivinen tekoäly, ja erityisesti suuriin kielimalleihin perustuvat ratkaisut, ei ole mikään taikaluoti, joka muuttaa kaiken yhdessä yössä. Siitä huolimatta kyseessä on läpimurtoteknologia, jonka jo nyt saatavilla olevat ratkaisut mahdollistavat sellaisia käyttötarkoituksia, jotka vielä pari vuotta sitten olisivat olleet tieteisfiktiota. Olisi oikeastaan ihan toivottavaa, että hypetys tekoälyn ympärillä helpottaisi hieman – jotta pääsisimme ihan normaalissa arjessa tutustumaan ja integroimaan näitä ratkaisuja osaksi työtämme.

Olennaisinta uusien työkalujen ja menetelmien käyttöönotossa on tunnistaa, mihin ne soveltuvat. Kuten Wharton-professori Ethan Mollick on kirjoittanut, tekoälyn käyttösovellukset sijoittuvat sahalaitaisen rajan molemmin puolin: joissain käyttötarkoituksissa tekoäly voi jopa heikentää työn tuloksia. Kielimallit eivät toimi hakukoneina, mutta ne ovat loistavia sparrailussa. Ne eivät ole luotettavia kvantitatiivisessa analyysissa, mutta kvalitatiivisessa analyysissa niistä voi olla paljon hyötyä. Kielimallien merkittävä vahvuus on erilaisten tekstien tiivistäminen ja muuntaminen. Kielimallin avulla voi tiivistää tieteellisen artikkelin pääkohdat ja pyytää opettamaan sen sisällön kuin 8-vuotiaalle. Sen avulla voi myös muuttaa esimerkiksi tieteellisen tekstin lähdeluettelon formaatin erilaiseksi – pelkästään tämä yksi ominaisuus säästää tutkijoiden työaikaa tuntikaupalla kuukaudessa.

Tavallaan tekoälyä koskeva hypetys on turhaa. Näissä vimpaimissa riittää ihmeteltävää jo sellaisina kuin ne nyt ovat.