Siirry sisältöön

Tekoälyllistä organisaatiosi

AI-opas johtajalle

Kirjoitettu

Kirjoittaja: Teemu Malinen

Sisältö

1 Miksi tekoäly herättää niin paljon tunteita?

Yhdysvaltalaisen IIHS:n kyselyssä yli 2 000 vastaajasta 48 % piti turvallisena käsien poisottamista ratista termin ”autopilot” kohdalla. Sen sijaan neljän muun kuljettajaa avustavan järjestelmän kohdalla maksimissaan 33 % ajatteli samoin.[2] Näin, vaikka testiin osallistuneille ei etukäteen kerrottu termien lisäksi mitään muuta tietoa järjestelmistä.

Kieli ohjaa mieltä.

Sanan ”älypuhelin” ihminen ymmärtää intuitiivisesti vain näppäräksi laitteeksi. Termin ”tekoäly” ihminen mieltää helposti tieteiskirjallisuudesta opitusti huippuälykkäästi ja usein pahantahtoisesti ajattelevaksi toimijaksi. Toisin sanoen ennen kuin saimme tekoälyn arkiseen käyttöömme, termiin oli jo latautunut uhkaava mielikuva.

Olemme myös tottuneet siihen, että ohjelmistot toimivat deterministisesti eli tuottavat saman vastauksen samalla syötteellä. Generatiivisen tekoälyn vastaus taas valitaan todennäköisyysjakaumasta, joten sama syöte tuottaa eri kerroilla erilaisen vastauksen. Tekoälyn käyttämä kielimalli siis rikkoo hallinnan tunteemme. Kone ei välttämättä toimikaan niin kuin halusimme tai odotimme.

Tunnetta on vaikea muuttaa faktoilla

Tutkijat järjestivät noin 3 000 italialaiselle yritykselle kokeen, jossa niille kerrottiin, kuinka moni kilpailija hyödyntää jo tekoälyä. Tiedosta huolimatta yritysten aikeet tekoälyn hyödyntämiseksi eivät muuttuneet. Sen sijaan robotiikan käyttöönottoa suunnittelevien yritysten osuus kasvoi 37,6 prosentista 44,3 prosenttiin, kun ne kuulivat kilpailijoiden todellisen käyttötason.[3] Vastaava tieto siis muutti aikeita robotiikan osalta, mutta ei tekoälyn.

McKinseyn elokuussa 2026 julkaistussa selvityksessä 32 % tekoälyä säännöllisesti hyödyntävistä organisaatioista odotti vuoden sisällä henkilöstövähennyksiä tekoälyn vuoksi. Toteumaksi mitattiin vain 14 % eli yli puolet ennakoitua vähemmän.[4] Silti 39 % samasta vastaajajoukosta arvioi henkilöstövähennyksiä myös seuraavalle vuodelle. Vaikka saatavilla oli tuoretta ja vertailukelpoista faktaa, se ei vaikuttanut yritysten odotusarvoihin.

Tekoälyn ulottuvuuksia on vaikea hahmottaa

Tekoäly ei ole yksittäinen teknologia (kuten sähköinen allekirjoitus) tai projekti (kuten ERP-hanke). Se muuttaa samanaikaisesti ainakin organisaation prosesseja, oppimista, johtamista, dataa ja tietoturvaa.

Yhdellä yrityksellä generatiivinen tekoäly on jo päivittäisessä käytössä, mutta ilman kunnollista hallintaa, mittareita tai johtamista.[5] Toisella yrityksellä hallinta on vahvaa, mutta käyttö saattaa olla vähäistä (arvontuotosta puhumattakaan).

Asia, jota on vaikea tarkalleen hahmottaa, on hankalampi mitata. Tästä saattaa seurata, että aihe vaikuttaa kokoaan suuremmalta. Vankka kokemuskaan ei automaattisesti takaa arvion luotettavuutta (luku 4.2).

Ei ihme, että organisaation tekoälyllistäminen saatetaan mieltää vaikeaksi, jos ei tiedä mistä kannattaisi aloittaa tai miten hyötyjä mitata.

Yhteenveto päättäjälle

Yksittäiset kysymykset, kuten ”hyödynnättekö tekoälyä?” tai ”kuinka pitkällä olette?”, antavat harvoin luotettavan kuvan todellisesta tilanteesta.[4][6] Tarvitaan useita näkökulmia, jotka yhdessä muodostavat kokonaiskuvan organisaation tekoälytilanteesta.

Oppaan mukana esitellään myös maturiteettimalli, jolla päättäjä voi arvioida organisaationsa tekoälyn maturiteettitasoa konkreettisten havaintojen kautta.

2 Kuinka suuri aalto AI oikeasti on?

Uusi teknologia julistetaan herkästi vallankumoukselliseksi: pilvi, mobiili, esineiden internet, lohkoketju ja niin edelleen. Termi ”vallankumous” ei kuitenkaan luokittele muutoksen laajuutta. Ratkaisevaa on taloudellisen vaikuttavuuden laajuus.

2.1 Kahden kokoluokan teknologia-aaltoja

Jaan tässä oppaassa teknologia-aallot kahteen kokoluokkaan. Talouden kokoinen aalto muuttaa arvonluonnin periaatteita laajasti yli toimialarajojen. Internet, josta myöhemmin kehittyi digitalisaatio, oli esimerkki tästä ilmiöstä.

Toimialan kokoinen aalto taas muuttaa yksittäisen toimialan tai funktion perusteellisesti. Pilvipalvelut mullistivat esimerkiksi IT:n osalta hankinnat ja ylläpidon, mutta tämä ei pakottanut konepajoja muuttamaan liiketoimintamallejaan perinpohjaisesti.

Ero on ratkaiseva. Talouden kokoinen aalto pyyhkäisee jokaisen toimialan yli ajan saatossa. Toimialan kokoinen aalto taas voidaan käsitellä rajatumpana päätöksenä, ellei oma organisaatio satu osumaan juuri kyseiseen toimialaan. Esimerkiksi SaaS-yritykselle pilveistämisestä tuli oletusmalli, mutta perinteinen yritys saattoi perustellusti jättää palvelimet omaan konesaliinsa.

Päättäjän tehtävänä on hahmottaa, onko aalto toimialan vai talouden kokoinen. Ensin mainitun osalta toimenpiteitä ei välttämättä tarvita (ainakaan heti), mutta jälkimmäisen osalta vaikutus on vääjäämätön jollain aikavälillä.

Kuinka paljon internet lopulta vaikutti talouteen?

McKinsey teki 2011 tutkimuksen internetin talousvaikutuksista. Tutkimuksessa internet vastasi 3,4 % kolmentoista tutkitun maan bruttokansantuotteesta. Kehittyneissä talouksissa internet selitti 21 % BKT:n kasvusta mittausta edeltäneiden viiden vuoden aikana.[7]

Päättäjän kannalta kiinnostavampaa on kuitenkin se, että 75 % internetin tuottamista hyödyistä syntyi perinteisillä toimialoilla, ei internetyrityksissä.[7] Teknologian suurin arvo syntyi liiketoimintaan sovellettaessa.

Adoptio nopeutuu joka aallossa

Cominin ja Hobijnin tutkimuksen mukaan teknologian keksimisestä sen käyttöönottoon kului historiallisesti keskimäärin 45 vuotta, mutta viive lyhenee koko ajan. Uuden sukupolven teknologia adoptoidaan nopeammin kuin edellinen.[8]

ChatGPT tavoitti miljardi kuukausikäyttäjää noin kolmessa vuodessa, edellinen ennätys oli kahdeksan vuotta.[9] Teknologiainvestoinnit selittivät keväällä 2026 yli kolmanneksen Yhdysvaltain talouskasvusta.[10]

Keskuspankkien yhteistoimintajärjestö BIS arvioi kesäkuussa 2026 AI-investointien vastaavan noin yhtä prosenttiyksikköä Yhdysvaltain BKT:n kasvusta vuonna 2025. Luku kuvaa investointimenojen kysyntävaikutusta. BIS raportoi 20–50 prosentin suuruusluokassa olevaa ajansäästöä tehtävätasolla.[11]

Silti lähes yhdeksän kymmenestä päättäjästä ei ole nähnyt muutosta tuottavuudessa viimeisen kolmen vuoden aikana: kasvua näyttää toistaiseksi synnyttäneen investoiminen itse.[12]

Mitä tekoälyn osalta ennustetaan?

McKinsey arvioi vuonna 2023 generatiivisen tekoälyn luovan 2,6–4,4 biljoonaa dollaria uutta arvoa vuosittain.[13] Goldman Sachs arvioi vuonna 2023 tekoälyn nostavan globaalia BKT:tä lopulta noin 7 prosentilla ja tuottavuuden vuosikasvua noin 1,4 prosenttiyksiköllä.[14] Arvio kuvaa kymmenen vuoden kertymää siitä, kun teknologia on otettu käyttöön noin puolessa yrityksistä.[14]

Muun muassa OECD ja IMF lähestyvät tekoälyä makrotalouden näkökulmasta rakentaen sen ympärille globaaleja kasvuskenaarioita.[15][16] Tekoälyä ei luonnollisesti voi suoraan verrata internetiin, mutta laajuus on nähtävissä, vaikka kokoluokasta liikkuu erilaisia ennusteita.

Yhteenveto päättäjälle

Onko tekoäly talouden vai toimialan kokoinen aalto? Jos kyseessä on talouden kokoinen aalto, mihin liiketoiminnan osaan se vaikuttaa ensimmäiseksi?

Tämän oppaan lähtökohta on, että tekoäly on talouden kokoinen aalto. Päättely perustuu laajaan tutkimusaineistoon, mutta lopullinen kokoluokka selviää vasta jälkikäteen.

2.2 Kuinka paljon hype värittää tekoälykeskustelua?

Kun uusi teknologia herättää suuria odotuksia, markkina saattaa hinnoitella tulevaisuuden ylioptimistisesti. Tällöin pörssiin voi syntyä kupla, joka saattaa myöhemmin puhjeta arvostusten romahtaessa. Osakekurssien lasku ei ole kuitenkaan suoraan sidoksissa teknologiaan tai sen tuottamaan arvoon organisaatioiden toiminnassa. Julkisessa keskustelussa teknologia ja kupla sekoittuvat.

Seuraavissa kappaleissa on esitelty kaksi konkreettista esimerkkiä markkinahinnoittelusta teknologian osalta.

Dotcom-kupla 2000–2002

Nasdaq Composite nousi 5 132 pisteeseen 10.3.2000 ja laski 1 185 pisteeseen 23.9.2002. Markkina-arvoa katosi noin 4,4 biljoonaa dollaria.[17] Pets.com lopetti toimintansa marraskuussa 2000 ja eToys ajautui konkurssiin.[18] Romahduksesta muistetaan yleensä epäonnistumiset.

Selviytyjät ovat jääneet vähemmälle huomiolle. Amazonin osake laski noin 90 %, mutta yhtiö selvisi eBayn ja Ciscon lailla. Google listautui pörssiin vasta vuonna 2004 kuplan puhkeamisen jälkeen.[18] Internet-aallon yksi suurimmista voittajista ei ollut vielä edes listautunut, kun koko ilmiö jo julistettiin epäonnistuneeksi.[18]

Vertaisarvioidun tutkimuksen mukaan dotcom-yritysten viiden vuoden eloonjäämisaste oli lähes 50 prosenttia.[17] Luku on alempi kuin perinteisessä valmistavassa teollisuudessa, jossa noin kaksi kolmesta uudesta yrityksestä selviää viisi vuotta.[17] Sen sijaan se vastaa hyvin muiden nopeasti kasvavien toimialojen alkuvaiheen kehitystä.

Täsmällisempi tulkinta onkin, että noin puolet yrityksistä hävisi, mikä on tavallinen ilmiö toimialan syntyessä. Pörssi vain hinnoitteli odotukset uudelleen, teknologia ei kadonnut mihinkään.

SaaSpocalypse 2026

Anthropic julkaisi 12.1.2026 Claude Cowork -tuotteen, joka kykeni tekemään toimistotyötä melko autonomisesti suoraan henkilöstön omalla koneella ja työtiedostoilla.[19]

Syntyi tulkinta, että käyttäjäkohtaisesti hinnoiteltujen SaaS-ohjelmistojen liiketoimintamalli olisi katoamassa. Miksi ostaa kapeaan tehtävään suunnattua SaaS-ohjelmistoa, kun yrityskohtaisesti personoitavan työkalun saa muutamalla kympillä kuussa?

Tämän vuoksi runsasta sataa yhdysvaltalaista yhtiötä seuraava pörssikori menetti noin 25 % arvostaan vajaassa kuudessa viikossa. Esimerkiksi LegalZoom laski lähes 20 %.[19] Ilmiö sai nimen SaaSpocalypse.

Hyvin nopeasti tunnelmat muuttuivat. Anthropic ilmoitti 24.2.2026 kumppanoituneensa juuri niiden ohjelmistoyhtiöiden kanssa, joiden pelättiin kärsivän eniten, kuten Salesforce, Intuit ja DocuSign.[20] Yritysten kurssit nousivat takaisin nopeasti, ja analyytikot arvioivat alkuperäisen myyntiaallon olleen ylimitoitettu.[20]

Toukokuussa 2026 ohjelmistosektori teki parhaan kuukautensa sitten vuoden 2001: iShares Expanded Tech-Software ETF nousi 21 % yhdessä kuukaudessa.[21]

Markkina siis hinnoitteli neljässä kuukaudessa saman teknologian vaikutukset kahteen kertaan eri tavoin. Ensin voimakkaan pessimistisesti ja sitten lähes yhtä voimakkaan optimistisesti.

Yhteenveto päättäjälle

Teknologian arvostus- ja hyötytasot kannattaa pitää erillään. Ensin mainitun määrittelee markkina, jälkimmäisen jokainen organisaatio itse. Hyötytaso löytyy tarkastelemalla oman organisaation liiketoimintaa ja prosesseja pörssikurssien sijasta.

Tämän oppaan tarkoituksena on auttaa ymmärtämään tekoälyä ja kannustaa luomaan organisaatiolle siihen sopiva suhde.

2.3 Miten AI eroaa aiemmista megatrendeistä?

Tekoäly on ollut käytössä edelläkävijäyhtiöiden ydinliiketoiminnassa jo useamman vuosikymmenen ajan koneoppimisen saralla. Generatiivinen tekoäly on uutta, mutta mekanismi on vastaava: kerrytetään dataa ja malli tekee ennusteen, joka ohjaa päätöksentekoa. Edellä mainittu toistuu tuhansia tai miljoonia kertoja päivässä.

Amazon otti käyttöön ”item-to-item collaborative filtering” -suosittelujärjestelmän vuonna 1998. Menetelmää kuvaava tieteellinen artikkeli dokumentoi järjestelmän käytön ja on myöhemmin saanut IEEE:n Test of Time -palkinnon.[22][23]

Googlen vuonna 2015 julkaisema RankBrain oli vuoteen 2016 mennessä käytössä kaikissa sen hauissa.[24] Vuonna 2026 julkaistussa vertaisarvioidussa Netflixin suosittelua koskevassa tutkimuksessa pelkkään TOP-listaan siirtyminen vähentäisi katselun todennäköisyyttä 12 % ja kymmenen vuotta vanhempaan algoritmiin 4 %.[25]

Yhteenveto päättäjälle

Tekoäly eroaa aiemmista talouden kokoisista megatrendeistä siinä, että sen toimintamallista on jo vuosikymmenten näyttö. Edelläkävijäyritykset ovat rakentaneet tekoälyn osaksi ydinliiketoimintaansa 1990-luvulta asti.

Kyse ei ole kuitenkaan siitä, miten rakentaa seuraava Amazon tai Google, vaan: ”Mikä päätös toistuu organisaatiossamme niin usein, että sen parantaminen tai nopeuttaminen edes muutamalla prosentilla tuottaisi merkittävän liiketoiminta-arvon pitkällä aikavälillä?”

3 Tekoälyn perusteet päättäjälle

3.1 Tekoälyn peruskäsitteet

Kirjoittajan kokemuksen mukaan tekoäly avautuu helpommin, kun sen rinnastaa käsitteellisesti ja terminologisesti digitalisaatioon. Katso alta selventävä taulukko.

Digitalisaatio vs. tekoälyllistäminen

Digitalisaatio vs. tekoälyllistäminen Taulukkomainen kuvio neljässä sarakkeessa: digitalisaatiotermi, mitä termi tarkoittaa, mittakaava ja tekoälytermi. Ensimmäinen rivi: digitointi tarkoittaa analogisen tiedon muuttamista digitaaliseen muotoon, mittakaava on tehtävä, ja vastaava tekoälytermi on tehtäväautomaatio. Toinen rivi: digitalisointi tarkoittaa organisaation prosessin tai toiminnan uudelleenmuotoilua hyödyntäen laajasti uuden teknologian mahdollisuuksia, mittakaava on organisaatio, ja vastaava tekoälytermi on tekoälyllistäminen. Kolmas rivi: digitalisaatio tarkoittaa laajempaa yhteiskunnallista muutosta ja ilmiötä, mittakaava on yhteiskunta, ja vastaava tekoälytermi on tekoälymuutos. Tekoälytermien sarake on korostettu, koska se on kuvion johtopäätös: tekoälyllistäminen on organisaatiotason muutos, ei tehtävätason automaatiota. Digitalisaatio vs. tekoälyllistäminen Tekoälyllistäminen on organisaatiotason muutos. Digitalisaatiotermi Mitä termi tarkoittaa? Mittakaava Tekoälytermi Digitointi Analogisen tiedon muuttaminen digitaaliseen muotoon. Tehtävä Tehtäväautomaatio Digitalisointi Organisaation prosessin tai toiminnan uudelleenmuotoilu hyödyntäen laajasti uuden teknologian mahdollisuuksia. Organisaatio Tekoälyllistäminen Digitalisaatio Laajempi yhteiskunnallinen muutos ja ilmiö. Yhteiskunta Tekoälymuutos © 2026 Sofokus. AI-assisted visualization.

Digitointi tarkoittaa esimerkiksi paperilomakkeen muuntamista verkkolomakkeeksi. Tehtäväautomaatio on valittu tässä tekoälymaailman analogiaksi. Yksittäinen tehtävä automatisoidaan ilman, että muutoksessa hyödynnetään tekoälyn mahdollisuuksia muotoilla uudelleen prosesseja tai toimintaa. Esimerkiksi palaveritallenne annetaan kielimallille, joka tekee sen perusteella muistion. Palaverijärjestelyt, muistiojakelu tai päätöksenteko eivät muutu, vain kirjoitustyö automatisoidaan.

Digitalisointi on organisaation itsensä suorittamaa aktiivista toimintaa, jolla pyritään muotoilemaan uudelleen kokonaisia prosesseja ja siten muuttamaan logiikkaa jopa toimialatasolla, kuten vaikkapa verkkoasiointi muutti pankkitoiminnan. Digitalisointia vastaavaksi termiksi tämä opas ehdottaa termiä tekoälyllistäminen.

Tekoälyllistäminen on päättäjälle hyödyllinen uusi termi. Se ei kuvaa yleistä yhteiskunnallista ilmiötä, vaan kaikkea organisaation omaa toimintaa, jolla se pyrkii laajasti hyödyntämään tekoälyä mitattavaa hyötyä tuottaen. Muita synonyymejä termille ovat vierasperäinen AI-transformointi, AI-sointi tai tekoälyistys.

Digitalisaatio on laajempi yhteiskunnallinen ilmiö, jonka AI-maailman vastinetta valtiovarainministeriö nimitti toukokuussa 2026 tekoälymuutokseksi.[26] Sitran selvitys joulukuulta 2025 puhuu tekoälymurroksesta.[27] Tekoälymuutos ei ole yksittäisen organisaation valittavissa oleva asia, vaan ilmiö etenee toimenpiteistä riippumatta.

Kuten edellä käy ilmi, tekoälyn suomenkielinen terminologia on hyvin tuoretta ja vasta vakiintumisvaiheessa.

3.2 Tekoälyn teknologiset perusteet

Aloitetaan hyvillä uutisilla: päättäjän ei tarvitse juurikaan ymmärtää tekoälyn teknisiä yksityiskohtia. Seuraavien peruslainalaisuuksien ymmärtäminen riittää jo pitkälle:

  • Mikä on generatiivinen tekoäly?
  • Mihin kielimallin vastauksen laatu perustuu?
  • Mikä on tekoälyagentti ja mitä hyötyä siitä on?

Tämän luvun lopussa esitellään lyhyesti rajapintastandardit, joihin päättäjä saattaa törmätä esimerkiksi tarjouspyynnöissä tai teknologiakeskusteluissa.

Generatiivinen tekoäly vastaa todennäköisyyksiin perustuen

Kielimalli generoi syötteelle todennäköisimmän jatkon. Malli ei hae vastausta tietokannasta tai tiedä onko sen tuottama vastaus käyttäjälle totta.

Vaikka mallilla ei olisi riittävästi tietoa, se tuottaa silti parhaan vastauksen, mihin se pystyy. Sama kysymys voi myös tuottaa eri kerroilla hieman erilaisen vastauksen, koska vastaus valitaan todennäköisyysjakaumasta. Mitä vähemmän kielimallilla on tietoa aiheesta, sitä helpommin malli hallusinoi. Vastaavasti vastauksen laatua voidaan parantaa tehokkaasti antamalla kielimallille enemmän ja parempaa kontekstia.

Ajattelun voi ostaa, muisti pitää rakentaa

Mediassa korostuu yhtiöiden nokittelu kärkimallien (ChatGPT, Claude, Gemini jne.) kehityksellä, mikä saattaa antaa väärän mielikuvan siitä, mikä tekoälyn käytössä ratkaisee.

Mallien väliset erot ovat pienentyneet nopeasti. Avoimet kielimallit ovat noin neljä kuukautta suljettuja kärkimalleja jäljessä.[28] McKinsey arvioi kehityksen johtavan siihen, että mallit vähitellen konvergoivat ja kilpailuetu siirtyy dataan ja kontekstiin.[29]

Käytännössä vastauksen laatu riippuu useimmiten enemmän siitä, mitä tietoa malli saa käyttöönsä vastaushetkellä. Tarjouspyyntöön vastaava malli tarvitsee esimerkiksi hinnaston, tarjousmallit ja asiakashistorian. Ilman kunnollista taustoitusta parhaankin mallin vastaus jättää toivomisen varaa.

Tästä syystä organisaatiot rakentavat yhteisen kontekstikerroksen, nk. organisaatiomuistin (”Organizational memory”), josta mallit ja agentit saavat tarvitsemansa tiedon. Aivot (kielimalli) tarvitsevat organisaatiomuistia, jotta niiden toiminta pysyy tarkoituksenmukaisena. Tämän vuoksi organisaatiomuistin rakentaminen on johdon tehtävä, ei IT-harjoitus.

Mallin vaihtaminen on suhteellisen helppoa ja nopeaa. Laadukkaan kontekstin rakentaminen on sen sijaan hidasta, ja juuri siksi siitä muodostuu kilpailuetu. McKinseyn mukaan kolmen vuoden aikana kerrytetty konteksti voi erottaa muuten samanlaisia ohjelmistoja käyttävät organisaatiot toisistaan.[29]

Agentti tarvitsee käsityksen yrityksen datasta

Ihmiselle on selvää, mitä esimerkiksi asiakas, tilaus tai kate omassa organisaatiossa tarkoittavat. Kielimallille nämä pitää kuvata erikseen. Ilman selkeää ja yhteistä tietoperustaa agentit tekevät erilaisia päätelmiä samasta datasta, jolloin virheet lisääntyvät järjestelmän laajentuessa. McKinseyn mukaan kahdeksan kymmenestä yrityksestä pitää datapuutteita yhtenä esteenä agenttien laajamittaiselle käyttöönotolle.[30]

Chat vastaa, agentti toimii

Chat vastaa käyttäjän kysymykseen. Agentti puolestaan on kytketty yrityksen dataan ja työkaluihin, jolloin se voi suorittaa työvaiheita itsenäisesti: hakea tietoa, vertailla vaihtoehtoja, täyttää lomakkeita, käynnistää prosesseja tai lähettää viestejä.

AI-Chat vs. AI-agentti Kaksi rinnakkaista kytkentäkaaviota, joissa on sama kielimalli molemmilla puolilla, joten ero syntyy kytkennöistä eikä mallista. Vasemmalla chat: käyttäjä lähettää kysymyksen kielimallille ja saa vastauksen takaisin, eikä muita kytkentöjä ole; mallia ei ole kytketty organisaation tietoihin tai järjestelmiin. Oikealla agentti: sama kielimalli saa käyttäjältä tehtävän ja on lisäksi kytketty yrityksen dataan, työkaluihin ja järjestelmiin, minkä ansiosta se suorittaa työvaiheita itsenäisesti: hakee tietoa, vertailee vaihtoehtoja, käynnistää prosesseja ja viestii. AI-Chat vs. AI-agentti Kummassakin on sama kielimalli, erona integraatiot. Chat vastaa Käyttäjä kysymys vastaus Kielimalli Mallia ei ole kytketty organisaation tietoihin tai järjestelmiin. Agentti toimii Käyttäjä tehtävä Kielimalli Yrityksen data Työkalut Järjestelmät Agentti osaa mm. hakea tietoa, vertailla vaihtoehtoja, käynnistää prosesseja ja viestiä. © 2026 Sofokus. AI-assisted visualization.

Ero ei synny ensisijaisesti kielimallin älykkyydestä vaan siitä, mihin järjestelmiin, tietoihin ja työkaluihin malli on kytketty. Oppaassa myöhemmin esiteltävässä AI-maturiteettimallissa tuotannossa toimivat agentit kuvaavat prosessitason kyvykkyyttä, ja turvallisen käytön luvussa keskeinen kysymys on, kuinka laajat oikeudet agentille voidaan antaa.

Agenttien luokittelusta ei ole vielä vakiintunutta käytäntöä. Esimerkiksi McKinsey käyttää saman vuoden julkaisuissaan keskenään erilaisia luokittelumalleja.[31] Tässä oppaassa pitäydytään yksinkertaisessa erossa AI-chatin ja tekoälyagentin välillä.

Miten tekoäly vaikuttaa ohjelmistojen käyttöön?

Ohjelmistojen kytkemistä toisiinsa kutsutaan integroimiseksi ja sen mahdollistajaa rajapinnaksi. Ohjelmistojen rajapinnat ovat kehittyneet kolmessa vaiheessa. Ensimmäisessä vaiheessa jokainen integraatio rakennettiin erikseen. Jokainen järjestelmäpari vaati oman projektinsa.

Toisessa vaiheessa API:sta tuli tuote. Salesforce, eBay ja Amazon avasivat ohjelmointirajapintansa 2000-luvun alussa, ja ohjelmistojen arvo alkoi perustua myös siihen, kuinka helposti ne voitiin liittää muihin järjestelmiin.[32]

Kolmannessa vaiheessa rajapintaa käyttää ihmisen sijasta tekoälyagentti. MCP on tämän kehityksen nykystandardi. Anthropic julkaisi standardin vuonna 2024, OpenAI ja Google ottivat sen käyttöön vuonna 2025, ja saman vuoden lopulla hallinta siirtyi Linux Foundationin alaiselle Agentic AI Foundationille. Anthropicin mukaan luovutushetkellä joulukuussa 2025 aktiivisia julkisia MCP-palvelimia oli yli 10 000 ja protokollan kahta ohjelmistokirjastoa ladattiin yli 97 miljoonaa kertaa kuukaudessa.[33]

Jos agentti osaa käyttää järjestelmiä suoraan MCP:n kautta, mitä tapahtuu tyypillisen SaaS-sovelluksen käyttäjäkohtaisille lisensseille?

Forrester arvioi helmikuussa 2026, että yritysten ydintoiminnot pysyvät edelleen SaaS-ohjelmistojen varassa, mutta hinnoittelu siirtyy vähitellen käyttäjäkohtaisista lisensseistä kulutus- ja tulospohjaisiin malleihin. Samalla se ennustaa SaaS-kulutuksen kasvavan 318 miljardista dollarista vuonna 2025 noin 576 miljardiin dollariin vuoteen 2029 mennessä.[34] Gartner arvioi, että agenttinen tekoäly koskee vuoteen 2030 mennessä enintään noin viidennestä yritysten SaaS-kulutuksesta.[35]

Yhteenveto päättäjälle

Seuraavassa on muutama keskeinen kysymys päättäjälle esitettäväksi omassa organisaatiossa:

  • Mitä tietoa kielimallille pitäisi antaa, jotta se voisi antaa mahdollisimman hyviä vastauksia? Ovatko vastaukset jo koneen ulottuvilla?
  • Kuka vastaa tiedon oikeellisuudesta ja yhtenäisyydestä?
  • Mihin järjestelmiin agentteja voi kytkeä ja miten niitä hallitaan turvallisesti?
  • Mitä valmisohjelmistoja meillä on kaiken kaikkiaan käytössä? Miten valmisohjelmistojen hinnoittelu muuttuisi, jos niitä käyttäisi agentti ihmisen sijasta?

4 Miten arvo tekoälystä siirtyy viivan alle?

4.1 Kuljetuskontit ja tekoäly

Huhtikuussa 1956 muunnettu tankkeri Ideal-X lähti Port Newarkista Houstoniin mukanaan 58 merikonttia. Tapahtumaa pidetään konttiliikenteen lähtölaukauksena, mutta maailman kauppa ei muuttunut yhdessä yössä. Kansainvälinen kontitus alkoi yleistyä vasta noin kymmenen vuotta myöhemmin, kun konttien mitat oli standardoitu ja eri toimijat sitoutuivat samoihin käytäntöihin.[36]

Todellinen hyöty siis syntyi vasta, kun koko järjestelmä rakentui sen ympärille. Satamat tarvitsivat uudet nosturit, laivat uuden rakenteen, rekat ja junat yhteensopivat alustat, varastot uuden logiikan ja satamatyö uudet toimintatavat. Kontti ei ollut vain uusi kuljetusväline, vaan yhteinen sopimus kaikkien toiminnan muuttamisesta.

Tutkimukset vahvistavat saman ilmiön. Taloustieteilijät eivät mitanneet kontituksen vaikutuksia tarkastelemalla pelkkää merikuljetusta, vaan koko intermodaalista kuljetusketjua tehtaan portilta asiakkaalle saakka. Juuri tästä syntyi tuottavuushyöty: tavaraa ei enää tarvinnut purkaa ja lastata uudelleen kuljetusmuodon vaihtuessa.[36]

Kun kokonaisuudesta poistetaan muu ketju ja jäljelle jää pelkkä satamakontitus, vaikutus maailmankauppaan putoaa noin kolmannekseen.[36] Sama kontti eri järjestelmällä tuottaa vain murto-osan hyödystä.

Vaikutukset kasvoivat vielä noin viisitoista vuotta sen jälkeen, kun molemmat kauppakumppanit olivat siirtyneet konttijärjestelmään.[36] Suurimmat hyödyt syntyivät vähitellen, kun yhä useampi toimija mukautti omat prosessinsa samaan toimintamalliin.

Vastaava analogia pätee tekoälyyn

Jos tekoälyä käytetään vain tehtävien nopeuttamiseen, mutta prosessit säilyvät samana, muistuttaa tilanne satamakontitusta ilman rautateitä tai maantiekuljetuksia. Uusi teknologia on otettu käyttöön, mutta ympäröivä järjestelmä säilyy ennallaan.[37]

Päättäjän keskeisin pohdinta ei ole, mitä tekoäly voisi nopeuttaa, vaan minkä perustavan rajoitteen se voisi poistaa.

Reckitt selvitti tekoälyn käyttökohteita toiminnassaan esimerkiksi asiakaspalvelun osalta. Useimmat selvityskohteet indikoivat tuotto ja ajallista säästöä, mutta johto hylkäsi ne silti. Perusteluna oli yksittäiskohteiden irrallisuus toisistaan ilman strategisen edun tuottamista.[38]

4.2 Mihin tekoälyn hyödyt päätyvät?

Tanskalaisessa tutkimuksessa työntekijöiden kyselyvastaukset yhdistettiin koko maan rekisteriaineistoon, jolloin koettua ajansäästöä voitiin verrata samoilta henkilöiltä mitattuihin työaika- ja ansiovaikutuksiin. Työntekijät arvioivat säästävänsä noin kolme prosenttia työajastaan. Rekisteriaineistossa vaikutus ansioihin ja työtunteihin oli kuitenkin nolla.[39]

Korealaisessa kyselyaineistossa työaika lyheni keskimäärin 3,8 %, mutta säästyneen ajan määrä ei ollut yhteydessä työn tuotokseen. Osa siirtyi työpäivän sisäiseen vapaa-aikaan, minkä tutkijat tulkitsivat työntekijöiden hyvinvointihyödyksi eivätkä ongelmaksi.[40]

Tämä on tärkeä havainto. Vapautunut aika voi tuottaa arvoa myös lisääntyneen työhyvinvoinnin kautta, jota voi syntyä esimerkiksi lisääntyneestä hallinnan tai aikaansaamisen tunteesta.

Laajaa tutkimusnäyttöä siitä, mihin tekoälyn vapauttama aika siirtyy, ei kuitenkaan toistaiseksi ole. Vapautunut aika ei siirry liiketoiminnalliseen tulokseen itsestään ilman johtamista. Mielekkään ja kestävän linjauksen teko onkin koko organisaation yhteinen haaste.

Hyödyt jakautuvat epätasaisesti

Tekoälystä saatava hyöty riippuu ennen kaikkea tehtävästä.

Asiakaspalvelun kenttäkokeessa tekoäly lisäsi ratkaistujen tapausten määrää keskimäärin 15 % tunnissa ja kokemattomilla työntekijöillä jopa 30 %.[41]

Konsulttikokeessa tulokset jakautuivat kahtia. Kun tehtävä pysytteli tekoälymallin osaamisalueella, parani työn laatu 33,9 %. Kun tehtävä ylitti mallin kyvyt, oikeiden ratkaisujen osuus laski 19 prosenttiyksikköä.[42] Käyttäjä ei yleensä huomaa ylittäneensä tätä rajaa.

Toisen organisaation tulos ei ennusta omaasi

Myös saman ammattiryhmän sisällä tulokset voivat olla täysin vastakkaisia.

METR-tutkimuksessa kokeneet avoimen lähdekoodin kehittäjät hidastuivat keskimäärin 19 %.[43] Toisessa tutkimuksessa kolmen yrityksen satunnaistetut kokeet osoittivat kehittäjien saavan 26 % enemmän tehtäviä valmiiksi viikossa.[44]

Tutkimukset eivät silti kumoa toisiaan. Tehtävät, työympäristöt ja osallistujat olivat erilaisia.

Itsearvio ei korvaa mittaamista

METR:n kokeessa kokeneet ohjelmistokehittäjät arvioivat tekoälyn nopeuttaneen työtään noin 20 prosenttia, vaikka mittaus osoitti työn hidastuneen 19 prosenttia.[43] Tanskan rekisteriaineistossa työntekijät arvioivat säästävänsä tekoälyn avulla noin kolme prosenttia työajastaan, mutta vaikutusta työtunteihin tai ansioihin ei havaittu.[39] Kummassakin tutkimuksessa havaittu ero oli järjestelmällinen, ei satunnainen.

Itsearvio vs. mittaus Kolme riviä, joissa arvio ja mittaus ovat vastakkain. METR-kokeessa kokeneet ohjelmistokehittäjät arvioivat työnsä nopeutuneen 20 prosenttia, mutta mittaus osoitti 19 prosentin hidastumisen; ero on 39 prosenttiyksikköä väärään suuntaan. Tanskan rekisteriaineistossa työntekijät arvioivat säästävänsä noin kolme prosenttia työajastaan, mutta vaikutus ansioihin ja työtunteihin oli nolla. McKinseyn elokuun 2026 selvityksessä 32 prosenttia organisaatioista odotti henkilöstövähennyksiä vuoden sisällä, ja toteumaksi mitattiin 14 prosenttia. Jokaisella rivillä arvio on mittausta suurempi, eli harha osoittaa samaan suuntaan kolmessa toisistaan riippumattomassa aineistossa. Itsearvio vs. mittaus Taipumus liioitella itsearvioinnissa näkyy kolmessa eri tutkimuksessa. Arvio Todellisuus Ero METR-koe Kokeneet ohjelmistokehittäjät avoimen lähdekoodin tehtävissä +20 % työ nopeutui −19 % työ hidastui 39 %-yksikköä väärään suuntaan Tanskan rekisteriaineisto Työntekijöiden oma arvio rinnastettuna rekistereihin ~3 % työajasta säästyy 0 vaikutus ansioihin ja työtunteihin 100 % arvioidusta säästöstä ei näy rekisterissä McKinsey, elokuu 2026 Tekoälyä säännöllisesti hyödyntävät organisaatiot 32 % odotti henkilöstövähennyksiä 14 % toteutui vuoden sisällä >50 % ennakoitua vähemmän © 2026 Sofokus. AI-assisted visualization.

Itsearvioitu ajansäästö ei riitä liiketoimintalaskelman perustaksi.

Yhteenveto päättäjälle

Luvun johtopäätökset voidaan tiivistää seuraaviin asioihin:

  • Liiketoimintalaskelmia ei kannata perustaa itsearvioidulle ajansäästölle.
  • Prosessikohtaiset ennen-jälkeen mittaukset antavat realistisemman tilannekuvan mahdollisesta ajansäästöstä.
  • Vapautuneen ajankäytön ohjaus on johtamiskysymys. Jos sitä ei tehdä, aika on ajautunut muualle.

Kun tavoitteena on liiketoimintavaikutus, ratkaisevaa ei ole työkalun käyttöönotto vaan työnkulun muuttaminen.[45][46]

Rajaus. Tässä luvussa esitetyt tutkimukset perustuvat kansainvälisiin aineistoihin. Julkaistuja, vastaavan tason vaikuttavuustutkimuksia suomalaisista organisaatioista ei toistaiseksi ole saatavilla. Lähin vertailukohta on Tanskan rekisteritutkimus.[39]

5 Mitä tekoäly vaatii organisaatiolta?

5.1 Tekoälyn OHJAA-malli

Tekoälyn OHJAA-malli on oppaan kirjoittajan kehittämä AI-aikakauden sovellus nk. OHJ-ketjusta.[47] Organisaation näkökulmasta omistaja määrittää tahtotilan, hallitus valvoo ja johto toimeenpanee. Edellä kuvattu muodostaa perinteisen OHJ-ketjun. Vaikka ketju ei yksinään määritä organisaation AI-maturiteettitasoa, yksikin ketjusta puuttuva lenkki voi vaikeuttaa organisaation tekoälyllistymistä merkittävästi.

Organisaatiolla on todennäköisesti jo perinteiset johtamisen ohjenuorat kuten omistajatahto, liiketoimintastrategia ja vuosisuunnitelma käytössään. Tekoälyn OHJAA-malli lisää mukaan Asiakkaat ja Asiantuntijat korkeaan AI-maturiteettiin tähtäävälle organisaatiolle. Vaikka edellä mainitut roolit eivät olekaan osa perinteisesti ymmärrettyä johtoketjua, niiden huomiointi sekä lyhyellä että pitkällä tähtäimellä on aivan keskeistä tekoälyllistämisen onnistumiseksi.

Alla on kuva OHJAA-mallista sekä lyhyt kuvaus siitä, miltä tekoälyllistäminen näyttää tyypillisesti eri roolien näkökulmista.

Modernin asiantuntijayhtiön OHJAA-malli ja sen läpileikkaava tekoälystrategia Kuvion keskellä on Asiakas ja sen ympärillä neljä roolia: Asiantuntijat ylhäällä, Johto vasemmalla, Omistajat oikealla ja Hallitus alhaalla. Jokaisen roolin ja keskellä olevan asiakkaan välillä on kaksisuuntainen nuoli. Asiakkaan sisältö on odotukset palvelutasolle, asiakkaan tarve ohjaa palvelua sekä data ohjaa palvelua ja päätöksiä; ohjenuorana asiakassopimus, ja tekoälyrivinä tekoälyn vaikutus palvelutasoon sekä käytön läpinäkyvyys ja dataehdot. Asiantuntijoiden sisältö on arvoihin perustuvat toiveet ja rajaukset, työnteon kulttuuri ja yhteisöllisyys, psykologinen turvallisuus ja työn merkityksellisyys sekä mahdollisuus vaikuttaa omaan ja yhtiön kehittämiseen; tekoälyrivinä käytön pelisäännöt ja tekoälyavusteisen työn laatuvastuu, ja ohjenuorana kulttuurikäsikirja. Johdon sisältö on tyypillisesti yhden tai kahden vuoden horisontti, toimeenpano ja raportointi hallitukselle, tavoiteasetanta ja mittaaminen, johtaminen ja valmentaminen sekä sisäisen tiedonkulun varmistaminen; tekoälyrivinä tekoälytavoitteet, mittarit ja osaaminen sekä vapautuneen ajan kohdentaminen, ja ohjenuorana vuosisuunnitelma eli budjetti. Omistajien sisältö on tyypillisesti yli viiden vuoden horisontti, tahtotila ja arvot, riskitaso sekä kasvu vai kannattavuus; tekoälyrivinä tekoälytahtotila eli riskitaso ja investointihalukkuus, ja ohjenuorana omistajatahto. Hallituksen sisältö on tyypillisesti kahden tai viiden vuoden horisontti, operatiivisen ja strategisen menestyksen varmistaminen, vaatimustenmukaisuuden varmistaminen sekä tiedonkulun varmistaminen ulkoisille sidosryhmille; tekoälyrivinä tekoälyn vaikutus liiketoimintamalliin ja kilpailuasemaan sekä sääntelyn ja riskitason valvonta, ja ohjenuorana liiketoimintastrategia. Tekoälystrategia ei ole oma laatikkonsa eikä ketjun jäsen, vaan läpileikkaava kerros: katkoviivainen kehä ympäröi koko kuvion, sen sisäpuoli on sävytetty yhtenä kenttänä, ja jokaisessa viidessä elementissä tekoälyrivi on omana katkoviivaisena laatikkonaan elementin alimmaisena. Tekoälyn OHJAA-malli Tekoälystrategia läpileikkaa kaikki roolit OHJAA-mallissa. Tekoälystrategia Asiantuntijat Arvoihin perustuvat toiveet ja rajaukset Työnteon kulttuuri ja yhteisöllisyys Psykologinen turvallisuus ja työn merkityksellisyys Mahdollisuus vaikuttaa omaan ja yhtiön kehittämiseen Ohjenuora Kulttuurikäsikirja Käytön pelisäännöt ja tekoälyavusteisen työn laatuvastuu Johto Tyypillisesti 1–2 v horisontti Toimeenpano ja raportointi hallitukselle Tavoiteasetanta ja mittaaminen Johtaminen ja valmentaminen Sisäisen tiedonkulun varmistaminen Ohjenuora Vuosisuunnitelma (budjetti) Tekoälytavoitteet, mittarit ja osaaminen, vapautuneen ajan kohdentaminen Asiakas Odotukset palvelutasolle Asiakkaan tarve ohjaa palvelua Data ohjaa palvelua ja päätöksiä Ohjenuora Asiakassopimus Tekoälyn vaikutus palvelutasoon, käytön läpinäkyvyys ja dataehdot Omistajat Tyypillisesti >5 v horisontti Tahtotila ja arvot Riskitaso Kasvu vai kannattavuus Ohjenuora Omistajatahto Tekoälytahtotila: riskitaso ja investointihalukkuus Hallitus Tyypillisesti 2–5 v horisontti Operatiivisen ja strategisen menestyksen varmistaminen Vaatimustenmukaisuuden varmistaminen Tiedonkulun varmistaminen ulkoisille sidosryhmille Ohjenuora Liiketoimintastrategia Tekoälyn vaikutus liiketoimintamalliin ja kilpailuasemaan, sääntelyn ja riskitason valvonta © 2026 Sofokus. AI-assisted visualization. Modernin asiantuntijayhtiön OHJAA-malli ja sen läpileikkaava tekoälystrategia Sama kuvio kapealle näytölle. Leveässä kuviossa Asiakas on keskellä ja neljä roolia sen ympärillä. Tässä versiossa samat viisi elementtiä ovat allekkain: ensin Asiakas, sitten Asiantuntijat, Johto, Omistajat ja Hallitus. Oikeassa reunassa kulkeva pystyviiva vastaa leveän kuvion kaksisuuntaisia nuolia: jokainen neljästä roolista on kaksisuuntaisessa suhteessa keskellä olevaan asiakkaaseen. Asiakkaan sisältö on odotukset palvelutasolle, asiakkaan tarve ohjaa palvelua sekä data ohjaa palvelua ja päätöksiä; ohjenuorana asiakassopimus, ja tekoälyrivinä tekoälyn vaikutus palvelutasoon sekä käytön läpinäkyvyys ja dataehdot. Asiantuntijoiden sisältö on arvoihin perustuvat toiveet ja rajaukset, työnteon kulttuuri ja yhteisöllisyys, psykologinen turvallisuus ja työn merkityksellisyys sekä mahdollisuus vaikuttaa omaan ja yhtiön kehittämiseen; tekoälyrivinä käytön pelisäännöt ja tekoälyavusteisen työn laatuvastuu, ja ohjenuorana kulttuurikäsikirja. Johdon sisältö on tyypillisesti yhden tai kahden vuoden horisontti, toimeenpano ja raportointi hallitukselle, tavoiteasetanta ja mittaaminen, johtaminen ja valmentaminen sekä sisäisen tiedonkulun varmistaminen; tekoälyrivinä tekoälytavoitteet, mittarit ja osaaminen sekä vapautuneen ajan kohdentaminen, ja ohjenuorana vuosisuunnitelma eli budjetti. Omistajien sisältö on tyypillisesti yli viiden vuoden horisontti, tahtotila ja arvot, riskitaso sekä kasvu vai kannattavuus; tekoälyrivinä tekoälytahtotila eli riskitaso ja investointihalukkuus, ja ohjenuorana omistajatahto. Hallituksen sisältö on tyypillisesti kahden tai viiden vuoden horisontti, operatiivisen ja strategisen menestyksen varmistaminen, vaatimustenmukaisuuden varmistaminen sekä tiedonkulun varmistaminen ulkoisille sidosryhmille; tekoälyrivinä tekoälyn vaikutus liiketoimintamalliin ja kilpailuasemaan sekä sääntelyn ja riskitason valvonta, ja ohjenuorana liiketoimintastrategia. Tekoälystrategia ei ole oma laatikkonsa eikä ketjun jäsen, vaan läpileikkaava kerros: katkoviivainen kehä ympäröi kaikki viisi elementtiä ja jokaisessa elementissä tekoälyrivi on omana katkoviivaisena laatikkonaan elementin alimmaisena. Tekoälyn OHJAA-malli Tekoälystrategia läpileikkaa kaikki roolit OHJAA-mallissa. Asiakas Odotukset palvelutasolle Asiakkaan tarve ohjaa palvelua Data ohjaa palvelua ja päätöksiä OhjenuoraAsiakassopimus Tekoälyn vaikutus palvelutasoon, käytön läpinäkyvyys ja dataehdot Asiantuntijat Arvoihin perustuvat toiveet ja rajaukset Työnteon kulttuuri ja yhteisöllisyys Psykologinen turvallisuus ja työn merkityksellisyys Mahdollisuus vaikuttaa omaan ja yhtiön kehittämiseen OhjenuoraKulttuurikäsikirja Käytön pelisäännöt ja tekoälyavusteisen työn laatuvastuu Johto Tyypillisesti 1–2 v horisontti Toimeenpano ja raportointi hallitukselle Tavoiteasetanta ja mittaaminen Johtaminen ja valmentaminen Sisäisen tiedonkulun varmistaminen OhjenuoraVuosisuunnitelma (budjetti) Tekoälytavoitteet, mittarit ja osaaminen, vapautuneen ajan kohdentaminen Omistajat Tyypillisesti >5 v horisontti Tahtotila ja arvot Riskitaso Kasvu vai kannattavuus OhjenuoraOmistajatahto Tekoälytahtotila: riskitaso ja investointihalukkuus Hallitus Tyypillisesti 2–5 v horisontti Operatiivisen ja strategisen menestyksen varmistaminen Vaatimustenmukaisuuden varmistaminen Tiedonkulun varmistaminen ulkoisille sidosryhmille OhjenuoraLiiketoimintastrategia Tekoälyn vaikutus liiketoimintamalliin ja kilpailuasemaan, sääntelyn ja riskitason valvonta Tekoälystrategia © 2026 Sofokus. AI-assisted visualization.

Omistajat pohtivat tyypillisesti organisaation kehittämistä pisimmällä aikajänteellä. Omistajien tärkein tehtävä on asettaa organisaatiolle tahtotila. Mihin maturiteettitasoon tähtäämme ja paljonko olemme valmiita panostamaan tavoitteisiin pääsemiseksi?

Hallituksen tehtävänä on varmistaa organisaation kilpailukyky liiketoimintastrategian kautta. Vaikka tekoäly on vain yksi strateginen teema, organisaatiolla on syytä valita kanta siihen.

Johdon tehtävänä on toteuttaa valittua liiketoimintastrategiaa ja varmistaa, että tekoälyllistämiseen liittyvät asiat toteutuvat käytännössä. Tämä opas on tarkoitettu tukemaan erityisesti tätä roolia, koska tekoäly tuo mukanaan niin paljon uusia asioita päättäjille. Yksi keskeisimmistä uusista asioista on tekoälyn kautta vapautuneen ajan johtaminen järkevästi.

Organisaation tekoälyllistäminen on erityisesti johtamisharjoitus.

Moderni organisaatio huomioi ja osallistaa omat asiantuntijansa tekoälyllistämiseen. Voidaan tehdä oletus, että asiantuntijoilla tekoäly on jo käytössään, kyse on enemmänkin siitä ohjaako ja tukeeko organisaatio riittävästi. Suhtautuminen tekoälyyn vaihtelee työpaikan menettämisen pelosta palavaan innostumiseen ja kaikkeen siltä väliltä. Tekoäly saattaa muokata totuttuja työrooleja nopeassakin tahdissa, aiheesta lisää luvussa 5.2. Vähimmillään kannattaa luoda yhdessä pelisäännöt, valita työkalut ja kouluttaa riittävästi.

Organisaation näkökulmasta asiakkaat liittyvät tekoälyllistämiseen ainakin kahta reittiä, joista toiseen voi itse vaikuttaa, mutta toiseen ei juurikaan. Organisaatio voi esimerkiksi ohjata sitä millä tavoin tekoälyn käyttö näkyy asiakassopimuksissa tai vaikuttaa palvelutasoon. Markkina taas päättää sen, miten esimerkiksi asiakkaiden ostokäyttäytyminen muuttuu tekoälyn yleistymisen johdosta. Organisaatiolle jää valinta siitä, miten markkinamuutokseen vastataan.

OHJAA-mallissa tekoälystrategia on sijoitettu tarkoituksella kaikkia rooleja leikkaavaksi elementiksi, koska useimmilta organisaatioilta löytyy jo perinteiset ohjenuorat. Eräs käytännöllinen tapa tekoälyllistämiseen on tuottaa ensimmäinen versio AI-strategiasta siten, että kukin rooli pohtii omaan kenttäänsä liittyviä teemoja ja lopputulos vedetään yhteen.

Tavoitetilassa erilliselle AI-strategialle ei ole enää tarvetta, koska periaatteet ovat sulautuneet osaksi organisaation normaalia johtamisjärjestelmää. Tällöin tekoäly on siirtynyt erillishankkeista luontevaksi osaksi johtamiskäytäntöjä, asiakaslupausta, kulttuurikäsikirjaa ja niin edelleen.

Kokonaisuutena pitkälle viety tekoälyllistäminen on organisaatiokulttuurin muutosoperaatio.

5.2 Miten tekoäly muuttaa osaamista?

PwC julkaisi kesäkuussa 2026 selvityksen, jossa listattiin tehtäviä, joita eri ammattirooleihin lisättiin 2022-2025 välisenä aikana. Tehtävät pisteytettiin sen mukaan, kuinka paljon ne nojaavat inhimillisiin kykyihin kuten empatia, näkemyksellisyys, luovuus tai toivo. Sitten tehtävät jaettiin ryhmiin pohjautuen siihen, kuinka paljon tekoäly rooleihin vaikutti. Roolit, joihin tekoäly vaikutti eniten, lisättiin tehtäviä 2,5 kertaa enemmän kuin ammattirooleihin, joissa vaikutus oli vähäisin.[48]

Pisteitä kiinnostavampaa oli kuitenkin logiikka, jolla tekoäly vaikutti rooleihin. Alla oleva kuvio selventää oppaan tulkintaa aiheesta.

Sama tekoäly, eri lopputulos Kaksi riviä, joissa on sama tehtäväkirjo rutiinista harkintaa vaativaan työhön ja sama osaamiseste sen keskellä. Professionalisoituvassa roolissa, 22 prosenttia ilmoitetuista työpaikoista, tekoäly hoitaa rutiinin ja ihmiselle jää harkintaa vaativa osa, jolloin rima nousee ja asiantuntemus erottelee tekijöitä entistä selvemmin. Demokratisoituvassa roolissa, 52 prosenttia, ihmiselle jää työ johon pystyy aiempaa useampi tekijä ja tekoäly hoitaa osaamisesteen takana olevan osan, jolloin rima laskee ja asiantuntemus lakkaa erottelemasta tekijöitä toisistaan. Rivien alla hakasulje: suunnittelupäätös, työn suunnittelija määrittää kumpaan suuntaan rooli kehittyy. Sama tekoäly, eri lopputulos Kun tekoäly hoitaa rutiinia, roolin rima nousee. Kun se hoitaa vaativan osuuden, roolin rima laskee. Rutiini Osaamiseste Harkintaa vaativa työ Professionalisoituva rooli · 22 % ilmoitetuista työpaikoista Tekoäly hoitaa rutiinin Ihmiselle jää harkintaa vaativa osa Rima nousee Asiantuntemus erottelee tekijöitä entistä selvemmin. Demokratisoituva rooli · 52 % ilmoitetuista työpaikoista Ihmiselle jää työ, johon pystyy aiempaa useampi tekijä Tekoäly hoitaa osaamisesteen takana olevan osan Rima laskee Asiantuntemus lakkaa erottelemasta tekijöitä toisistaan. Suunnittelupäätös Työn suunnittelija määrittää, kumpaan suuntaan rooli kehittyy. © 2026 Sofokus. AI-assisted visualization.

Ammatillisen roolin kehittymistä ohjaa kumpaan tekoälyä hyödynnetään: rutiineihin vai harkintaa vaativaan osaan. Mikäli tekoäly hoitaa rutiinitehtäviä kuten valvontaa, ihmiselle jää vaativat päätökset ja erikoistapaukset (vrt. radiologin työ). Tämä tarkoittaa käytännössä sitä, että ihmiseltä vaadittava osaamisen vaatimustaso roolin suhteen kasvaa.

Osaamisesteellä tarkoitetaan kynnystä, jonka ylitykseen on vaadittu tyypillisesti vuosien työkokemus roolista. Mikäli tekoälylle annetaan osaamisesteen takana oleva työ, se madaltaa vaatimustasoa tietyn tehtävän suorittamiseksi (vrt. kääntäjän työ).

Päättäjälle on oleellista inventoida oman organisaationsa ammatilliset roolit ja miettiä kumpaan suuntaan niitä kannattaisi kehittää tekoälyavusteisesti. Tämä näkemys antaa suuntaviivoja henkilöstön kouluttamiseen ja tukemiseen sekä urapolkujen uudistamiseen hallitusti.

Ihmisen valvontakuorma

Automaation ja ihmisen suhdetta toisiinsa on tutkittu jo kolmenkymmenen vuoden ajan. Automaatiossa ihmistyö muuttuu aktiivisesta passiivisempaan valvontarooliin. Mikäli järjestelmä toimii systemaattisesti oikein, kasvaa luottamus ja samalla havainnointi heikkenee.[49]

Laboratoriossa kaksikymmentä minuuttia muita tehtäviä riittää siihen, että vireys valvoa laskee.[49] Agenttisuustutkimus toi ilmi epäonnistumisen todennäköisyyden kasvun myös tehtävän pituuden mukaan.[50] Toisin sanoen kun virheestä tulee todennäköisempi, sen havaitsemisesta tulee epätodennäköisempi.

Tekoälyn käyttöönoton yhteydessä on tärkeää suunnitella edellisen luvun mukaisesti, kumpaan suuntaan ammatillinen rooli muuttuu. Kun rutiinityö vähenee, valvontakuormitus kasvaa. Mikäli tekoäly poistaa vaativan työvaiheen, kuormitus vähenee ja kaistaa vapautuu toisaalle.[4]

5.3 Kustannukset ja budjetointi

Stanford AI Index seuraa hintaa kiinnitetyllä kyvykkyystasolla. Edullisin GPT-3.5 tasoinen malli maksoi marraskuussa 2022 kaksikymmentä dollaria per miljoona tokenia ja lokakuussa 2024 seitsemän senttiä.[51]

Vaikka tokenien hinnoittelu ovat relevantteja, tekoälyllistämisen näkökulmasta kannattaa seurata muitakin asioita. Seuraavissa kappaleissa käsitellään tekoälyllistämiseen liittyvien kustannusten osa-alueita.

Palkkakustannukset ja tekoäly

BCG antaa nyrkkisäännön 10-20-70 tekoälyn budjetointiin: kymmenys algoritmeihin, viidennes teknologiaan ja dataan sekä loppuosa prosesseihin ja ihmisiin.[52] McKinsey taas kertoo, että tokenit vievät 20-25 % ja ihmisvalvonta loput agentisointikuluista.[29]

Tekoälyn kustannusjakauma Kaksi rinnakkaista jakaumapalkkia asteikolla nollasta sataan prosenttiin. Ylempi palkki on BCG:n nyrkkisääntö 10-20-70: kymmenys algoritmeihin, viidennes teknologiaan ja dataan ja loput 70 prosenttia prosesseihin ja ihmisiin. Alempi palkki on McKinseyn jako agentisointikuluista: tokenit vievät 20-25 prosenttia ja ihmisvalvonta loput 75-80 prosenttia. Kummassakin jaossa ihmistyö on suurin kustannuserä, eli tekoälyn kustannukset ovat valtaosin palkkakustannuksia korkean maturiteetin organisaatioissa. Tekoälyn kustannusjakauma Isojen konsulttitalojen näkemysten mukaan ihmisen aika on tekoälyn suurin kuluerä. BCG nyrkkisääntö 10-20-70 10 % 20 % 70 % algoritmit teknologia ja data prosessit ja ihmiset McKinsey agentisointikulut 20–25 % 75–80 % tokenit ihmisvalvonta © 2026 Sofokus. AI-assisted visualization.

Kummassakin ihmistyö on suurin kustannuserä. Hieman yllättävästi tekoälyn kustannukset ovatkin valtaosin palkkakustannuksia korkean maturiteetin organisaatioissa.

Järjestelmäkulut

Modernin IT-järjestelmän ylläpitokustannukset ovat arviolta 10-20 % rakennuskustannuksista.[29] Generatiivisten tekoälyratkaisujen toistuvat kulut ylittävät helposti alkuinvestoinnin.[29] Tämä johtunee siitä, että tekoälyn vieminen syvälle organisaation toimintaan edellyttää integraatiotason ratkaisuja ja tuotteet kehittyvät voimakkaasti. Agenttien käyttökuntoon virittely ei siis ole kertaluontoista työtä.

Investoinnin mittatikkuna kannattaa suosia valmiin työn kustannusta. Jos se olisi esimerkiksi käytössä olevien agenttien tai tokenien määrä, optimoitaisiin helposti vääriä asioita. Organisaatiolle on lopulta tärkeintä ymmärtää kokonaiskustannukset ja -tuotot.

Tokenien hinnan laskeminen saattaa synnyttää ajatuksen, että kustannukset olisivat laskussa, mutta realistisempaa on, että kaikki kapasiteetti käytetään joka tapauksessa ja pisimmällä olevat optimoivat kustannuksiaan tehokkaimmin. Tehokkaimmin agenttisuutta hyödyntävät käyttävät myös tokeneita kokonaisuudessaan enemmän.[53]

Yhteenveto päättäjälle

Kustannusten osalta päättäjän kannattaa selvittää mm. seuraavia:

  • Onko valvonta ja prosessien tekoälyllistäminen huomioitu budjetoinnissa erikseen?
  • Mitä tietyn työn lopputulos kustantaa ja mitä se tuottaa? Mihin suuntaan kustannus liikkuu?
  • Kuka päättää tekoälybudjetoinnista?

6 Hallittu tekoälyn hyödyntäminen

”Voinko syöttää tämän tekoälylle?” on kysymys, jota esitetään yhä useammin organisaatioissa. Taustalla on tekoälytyökalujen kielimallien toiminta, jossa käyttäjien syötteillä opetetaan malleja ja tämän sivutuotteena data tallentuu toimittajan palvelimille. Luottamuksellisen tai salassapidon alaisen tiedon osalta pitää huomioida mallin ajoympäristö.

Seuraavassa esitellään päätapoja hallita tekoälyn hyödyntämän tiedon tallentamista. Huomaa, että kuvassa organisaatio käyttää tekoälymallia itse tai suoraan mallitoimittajalta, eikä esimerkiksi SaaS-palvelun kautta.

Tekoälymallin ajoympäristöt Taulukkomainen kuvio, jossa on kuusi riviä allekkain ja kolme saraketta: ajoympäristön nimi, laatikoitu toimenpide ja laatikoimaton riski. Rivit eivät muodosta nousevaa järjestystä. Ajoympäristö A, julkinen kuluttajapalvelu: työntekijä käyttää julkista kuluttajapalvelua omalla tilillään; jäljelle jää, että data voi mennä mallin kehittämiseen, käsittelysopimusta ei ole, lokia ei ole eikä kukaan tiedä, kuka syöttää mitä. Ajoympäristö B, yritystilaus tai yritysrajapinta: käsittelysopimus, sovittu säilytyskäytäntö ja kielto käyttää dataa koulutukseen; jäljelle jäävät datan sijainti ja alihankkijaketju. Ajoympäristö C, EU-alue ja eurooppalainen operoija: malli ajetaan EU-alueella ja mallia operoi eurooppalainen toimija; jäljelle jäävät toimittajariippuvuus ja kapeampi mallivalikoima. Ajoympäristö D, oma eristetty ympäristö: ympäristö on oma ja eristetty; ylläpitovastuu siirtyy ostajalle. Ajoympäristö E, ladattava malli omassa konesalissa: julkisesti ladattavaa tekoälymallia ajetaan omalla laitteistolla eikä data poistu omasta verkosta; laskenta-, osaamis- ja päivityskustannus jää taloon. Ajoympäristö F, verkosta irrotettu: verkko on irrotettu kokonaan; malli ei näe mitään ulkoista lähdettä ajon aikana. Ajoympäristöjen B–E ympärillä on katkoviivakehys, jonka nimilappu on datan salaus käytönaikaisesti. Tekoälymallin ajoympäristöt Erilaiset ajoympäristövaihtoehdot organisaatiolle. Ajoympäristö Toimenpide Riskit Ajoympäristö A Julkinen kuluttajapalvelu Työntekijä käyttää julkista kuluttajapalvelua omalla tilillään. Data voi mennä mallin kehittämiseen. Käsittelysopimusta ei ole, lokia ei ole eikä kukaan tiedä, kuka syöttää mitä. Datan salaus käytönaikaisesti Ajoympäristö B Yritystilaus tai yritysrajapinta Käsittelysopimus, sovittu säilytyskäytäntö ja kielto käyttää dataa koulutukseen. Datan sijainti ja alihankkijaketju. Ajoympäristö C EU-alue, eurooppalainen operoija Malli ajetaan EU-alueella. Mallia operoi eurooppalainen toimija. Toimittajariippuvuus ja kapeampi mallivalikoima. Ajoympäristö D Oma eristetty ympäristö Ympäristö on oma ja eristetty. Ylläpitovastuu siirtyy ostajalle. Ajoympäristö E Ladattava malli omassa konesalissa Julkisesti ladattavaa tekoälymallia ajetaan omalla laitteistolla. Data ei poistu omasta verkosta. Laskenta-, osaamis- ja päivityskustannus jää taloon. Ajoympäristö F Verkosta irrotettu Verkko on irrotettu kokonaan. Malli ei näe mitään ulkoista lähdettä ajon aikana. © 2026 Sofokus. AI-assisted visualization. Tekoälymallin ajoympäristöt Sama sisältö kapealle näytölle: kuusi jaksoa allekkain, ei nousevaa järjestystä. Jokaisessa jaksossa on ajoympäristön tunnus ja nimi, laatikoitu toimenpidelohko sekä sen alla nuolen osoittama riskiteksti ilman laatikkoa. Ajoympäristö A, julkinen kuluttajapalvelu: työntekijä käyttää julkista kuluttajapalvelua omalla tilillään; jäljelle jää, että data voi mennä mallin kehittämiseen eikä käsittelysopimusta tai lokia ole. Ajoympäristö B, yritystilaus tai yritysrajapinta: käsittelysopimus, sovittu säilytyskäytäntö ja kielto käyttää dataa koulutukseen; jäljelle jäävät datan sijainti ja alihankkijaketju. Ajoympäristö C, EU-alue ja eurooppalainen operoija: malli ajetaan EU-alueella ja mallia operoi eurooppalainen toimija; jäljelle jäävät toimittajariippuvuus ja kapeampi mallivalikoima. Ajoympäristö D, oma eristetty ympäristö: ympäristö on oma ja eristetty; ylläpitovastuu siirtyy ostajalle. Ajoympäristö E, ladattava malli omassa konesalissa: mallia ajetaan omassa konesalissa eikä data poistu omasta verkosta; laskenta-, osaamis- ja päivityskustannus jää taloon. Ajoympäristö F, verkosta irrotettu: verkko on irrotettu kokonaan; malli ei näe mitään ulkoista lähdettä ajon aikana. Ajoympäristöillä B–E on kullakin katkoviivakehys, jonka yhteinen nimilappu on datan salaus käytönaikaisesti. Tekoälymallin ajoympäristöt Erilaiset ajoympäristövaihtoehdot organisaatiolle. Datan salaus käytönaikaisesti Ajoympäristö A Julkinen kuluttajapalvelu Toimenpide Työntekijä käyttää julkista kuluttajapalvelua omalla tilillään. Riskit Data voi mennä mallin kehittämiseen. Käsittelysopimusta ei ole eikä lokia. Ajoympäristö B Yritystilaus tai yritysrajapinta Toimenpide Käsittelysopimus, sovittu säilytyskäytäntö ja kielto käyttää dataa koulutukseen. Riskit Datan sijainti ja alihankkijaketju. Ajoympäristö C EU-alue, eurooppalainen operoija Toimenpide Malli ajetaan EU-alueella. Mallia operoi eurooppalainen toimija. Riskit Toimittajariippuvuus ja kapeampi mallivalikoima. Ajoympäristö D Oma eristetty ympäristö Toimenpide Ympäristö on oma ja eristetty. Riskit Ylläpitovastuu siirtyy ostajalle. Ajoympäristö E Ladattava malli omassa konesalissa Toimenpide Mallia ajetaan omassa konesalissa. Data ei poistu omasta verkosta. Riskit Laskenta-, osaamis- ja päivityskustannus jää taloon. Ajoympäristö F Verkosta irrotettu Toimenpide Verkko on irrotettu kokonaan. Riskit Malli ei näe mitään ulkoista lähdettä ajon aikana. © 2026 Sofokus. AI-assisted visualization.

Ajoympäristö A viittaa siihen, että työntekijä käyttää julkista tekoälymallia oman tilinsä kautta. Tämä on maturiteettitasolle 1 tunnusomainen tilanne, joka ei ole suositeltava riskien vuoksi.

Ajoympäristöt B ja C ovat muuten vastaavia, mutta jälkimmäisessä mallia ajetaan EU-alueella ja sitä operoi eurooppalainen tekoälytoimija. Huomaa, että kielimallin sijainti ja toimittaja voivat erota toisistaan esimerkiksi käytettäessä jotain mallia hyödyntävää SaaS-tuotetta. Ajoympäristöt D, E ja F ovat vaihtoehtoja silloin kun ei haluta, että malliin päätyy organisaation tai asiakkaan dataa.

Tyypillisesti organisaatioille riittävät ajoympäristöt D ja E, koska niitä on vielä haluttaessa mahdollista päivittää ulkoverkon kautta. Ajoympäristö F on harvinaisempi skenaario, missä halutaan ehdottomasti varmistaa, että ympäristö ei ole kytköksissä ulkoverkkoon.

Ajoympäristö ei suoraan määrittele turvatasoa

Ajoympäristöistä ei voi tehdä suoraan päätelmää turvallisuudesta, koska esimerkiksi vaihtoehdoissa E ja F organisaatio ottaa itse vastuun sen järjestämisestä ja ylläpidosta. Itse ylläpidettävät eivät sovellu kaikille organisaatioille.

Organisaatioissa voidaan hyödyntää kerralla useampaa ajoympäristöä. Esimerkiksi markkinointidataa voidaan hyödyntää tekoälypalvelun yritystilauksella (B ja C), kun taas asiakasdataa käsitellään omassa ympäristössä (D ja E). Useimmat organisaatiot hyödyntävätkin useampaa tapaa.[29]

Fin (entinen Intercom) koulutti asiakaspalvelumalliaan omilla asiakaspalvelukeskusteluillaan. Koulutukseen se hyödynsi 60 hengen asiantuntijaryhmää ja omaa laskentainfrastruktuuria.[54]

EU:n tekoälyasetus: mikä on voimassa nyt

EU tekoälyasetus muuttui vuonna 2026 (”AI Omnibus” -päivitys, asetus EU 2026/1744), joten verkosta löytyy vielä runsaasti vanhentunutta tietoa aiheesta.[55] Lähes kaikille organisaatioille on yhteistä tekoälyn läpinäkyvyys ja lukutaitovaatimukset.

Henkilöstön tekoälylukutaitoa (”AI literacy”) koskevat vaatimukset astuivat voimaan jo aiemmin, ja laajasti sovellettavat läpinäkyvyysvelvoitteet (Artikla 50) astuivat voimaan 2. elokuuta 2026. Ne koskevat kaikkia yrityksiä, jotka käyttävät tekoälyä asiakasrajapinnassaan.

Chatbottien ja muiden järjestelmien on esitettävä selvästi käyttäjälle, että toisessa päässä on kone. Tekoälyllä luodut videot, äänet ja kuvat sekä teksti (synteettinen sisältö) on merkittävä digitaalisesti ja koneluettavasti esimerkiksi vesileimoilla.

Tekoälyasetuksen liitteen III mukaan tekoälyn käyttö rekrytoinnissa, kuten ansioluetteloiden automaattinen seulonta tai videohaastattelujen analysointi sekä työsuhteen hallinnassa luokitellaan korkean riskin järjestelmiksi. Rekrytointitekoäly on siis laissa määritelty korkean riskin alueeksi, mutta yrityksillä on nyt vuoden 2027 loppuun asti aikaa saattaa niiden auditoinnit ja tekniset dokumentit kuntoon. Avoimuusvelvoite astui kuitenkin jo voimaan.

Yhteenveto päättäjälle

Kysymyksiä omaan organisaation päättäjälle:

  • Minkälaista dataa meillä ja mikä ajoympäristö niihin sopisi?
  • Onko meillä valmiuksia itse ylläpitää omaa tekoäly-ympäristöä?
  • Olemmeko me tutustuneet EU:n tekoälyasetukseen ja varmistaneet toimivamme sen mukaisesti?

7 Tekoälyn tulevaisuus

Keskittyykö tekoälymarkkina kuten alustatalous?

Tekoälyn perustusmallien markkina saattaa Vipran ja Korinekin arvion mukaan kehittyä vastaavasti kuten digitaaliset alustat 2000-luvun alussa.[56] Aluksi markkinaan syntyy iso joukko erilaisia toimijoita, mistä seuraa vuosien tappiollinen kilpailu. Lopulta markkina karsiutuu muutamaan voittajaan. Alati kiihtyvä vauhtipyörä (vrt. Amazon flywheel), mittakaavaedut ja loppukäyttäjien vähäinen vaihtohalukkuus lisäävät markkinan fokusoitumista.

Alustat eroavat kuitenkin tekoälystä. Loppukäyttäjä saa saman hyödyn kielimallistaan riippumatta mitä muut käyttävät. Tästä seuraa heikompi verkostovaikutus.[56] Markkinat voivat silti keskittyä, mutta se edellyttää käyttäjien sitouttamista ja datan kerryttämistä.

Tekoäly tulee laitteisiin

Ääriesimerkki keskittymisestä on nähtävissä SpaceX:n listausdokumentaatiosta, missä sama henkilö (Elon Musk) omistaa yhtiörypästä, joka kehittää tekoälymalleja (Grok), tietoliikenneyhteyksiä (Starlink), humanoidirobotteja (Optimus), itseohjautuvia ajoneuvoja (Tesla), suunniteltua sirutuotantoa (Terafab) sekä interplanetaarisia datakeskuksia ja asumista (SpaceX).[57][58] Kyseessä on toki vasta visio, mutta esitteen mainitsema ”Physical AI” on käsite, joka on hyvä painaa mieleen. Älykkäät ruohonleikkurit ovat vasta alkua.

Mistä resurssista tulee tekoälyn myötä niukkaa?

Kun jokin kyvykkyys muuttuu halvaksi ja yleisesti saatavaksi, se ei enää pysty erottelemaan hyviä ja huonoja yrityksiä toisistaan lähtötilanteesta huolimatta. Kilpailuetu siirtyy sinne, mistä tulee niukkaa.[37]

Sama mekanismi kuvattiin luvussa 4.1 konttiliikenteen kautta. Suurin muutos ei syntynyt kontista, vaan sen ympärille rakennetun järjestelmän uudelleenjärjestelystä. Tekoälyssä niukkuus siirtyy koordinaatioon: kykyyn järjestää työ, tieto ja päätöksenteko uudelleen nopeammin kuin kilpailijat.

Mikä osa oman yrityksen osaamisesta muuttuu halvaksi ja yleisesti saatavilla olevaksi ja mihin kilpailuedun rakentaminen kannattaisi siirtää?

Eduskunnan tulevaisuusvaliokunta on kehittänyt Radical Technology Inquirer (RTI) -menetelmää vuodesta 2012 lähtien ennakoidakseen, miten teknologinen murros muuttaa yhteiskuntaa seuraavien 20 vuoden aikana. Tuorein, vuoden 2026 raporttipäivitys on luotu tekoälyavusteisesti ja tarkastelee yhteiskunnallisia muutoksia vuosina 2026–2045.[59] Asiantuntija-arviot saattavat auttaa päättäjää hahmottamaan oman toimiala muutoksia.

Yhteenveto päättäjälle

Päättäjän kannattaa esittää mm. seuraavia kysymyksiä:

  • Mitkä tekoälyyn liittyvät päätökset pitävät toimintamme edelleen mahdollisimman joustavana ja muutosvalmiina?
  • Jos tekoälymarkkina keskittyisi vielä voimakkaammin, mitä se tarkoittaisi organisaatiollemme ja sen toimintaympäristölle?
  • Mitkä pullonkaulat tulevat todennäköisesti poistumaan omalta toimialaltamme? Milloin tämä tulisi tapahtumaan?
  • Mitkä nykyisistä kyvykkyyksistämme tulevat yleistymään ja hinta alenemaan merkittävästi?
  • Mitä tämä tulee tarkoittamaan kilpailuedullemme?

Päättäjien tehtävänä on keskittyä tunnistamaan mihin suuntaan niukkuus, arvontuotto ja riippuvuudet siirtyvät tulevaisuudessa.

Lähteet

  1. Tilastokeskus, Generatiivista tekoälyä käyttäneiden osuus nousi 41 prosenttiin (12.11.2025).
  2. Insurance Institute for Highway Safety (IIHS), New studies highlight driver confusion about automated systems, 20.6.2019; taustapaperi What’s in a name? Drivers’ perceptions of the use of five SAE Level 2 driving automation systems (IIHS-viitetietue 2190).
  3. Cullen, Faia, Guglielminetti, Perez-Truglia & Rondinelli, The Innovation Race: Experimental Evidence on Advanced Technologies. NBER Working Paper 34532, 12/2025 (PDF).
  4. McKinsey & Company, The state of AI in 2026: On the road to ROI, 25.8.2026.
  5. Gillespie, Lockey, Ward, Macdade & Hassed, Trust, attitudes and use of artificial intelligence: A global study 2025. University of Melbourne ja KPMG, 2025.
  6. Bonney, Breaux, Dinlersoz, Foster, Haltiwanger & Pande, U.S. Census Bureau: BTOS:n tekoälylisäkysely, CES Working Paper 26-25, 4/2026.
  7. McKinsey Global Institute, Internet matters: The Net’s sweeping impact on growth, jobs, and prosperity, 5/2011.
  8. Comin & Hobijn, An Exploration of Technology Diffusion. American Economic Review 100(5), 2010.
  9. Sensor Tower Reutersin kautta, 2.6.2026: ChatGPT nopein sovellus miljardiin mobiilikäyttäjään, ~3,5 vuotta julkaisusta (Maps, YouTube ja TikTok 5–8 v).
  10. ING, Q2/2026: tekoälyinvestoinnit selittivät 36–50 % Yhdysvaltain vuosineljänneksen BKT-kasvusta laskentatavasta riippuen.
  11. BIS (Kansainvälinen järjestelypankki), Annual Economic Report 2026, luku I Progress and peril, 28.6.2026, Box A.
  12. NBER Working Paper 34836, 2–3/2026.
  13. McKinsey, The economic potential of generative AI, 6/2023.
  14. Goldman Sachs, Global Economics Analyst, 26.3.2023 (Hatzius, Briggs, Kodnani, Pierdomenico).
  15. Filippucci, Gal, Laengle & Schief (OECD Economics Department), Macroeconomic productivity gains from Artificial Intelligence in G7 economies. OECD Artificial Intelligence Papers No. 41, 6/2025.
  16. Kansainvälinen valuuttarahasto (IMF), World Economic Outlook Update: Global Economy — Steady amid Divergent Forces, 19.1.2026.
  17. Goldfarb, Kirsch & Miller, Was there too little entry during the Dot Com Era?, Journal of Financial Economics 2007 (työpaperiversio 10.4.2006).
  18. Pets.com (11/2000), eToys, Amazonin −90 %:n kurssipudotus ja Googlen listautuminen 2004.
  19. The Batch (DeepLearning.AI), Claude Cowork plugins trigger a SaaS stock selloff, 27.2.2026.
  20. CNBC, Software stocks rebound as Anthropic announces new partnerships, 24.2.2026.
  21. CNBC, Software stocks wrap up best month since 2001 as talk of ”SaaSpocalypse” subsides, 29.5.2026.
  22. Smith & Linden, Two Decades of Recommender Systems at Amazon.com, IEEE Internet Computing 2017.
  23. Linden, Smith & York, Amazon.com Recommendations: Item-to-Item Collaborative Filtering, IEEE Internet Computing 2003. DOI 10.1109/MIC.2003.1167344.
  24. RankBrain 10/2015: Search Engine Land ja Googlen omat lausunnot.
  25. Zielnicki, Aridor, Bibaut, Tran, Chou & Kallus, The value of personalized recommendations: Evidence from Netflix. International Journal of Industrial Organization 108, artikkeli 103304, verkossa 6/2026, painettu numero 10/2026. DOI 10.1016/j.ijindorg.2026.103304 · ISSN 0167-7187 · Elsevier. Avoin rinnakkaisversio arXiv:2511.07280 (v1 10.11.2025 → v5 8.6.2026, CC BY 4.0), myös CESifo Working Paper 12257 ja SSRN 5741805.
  26. Valtiovarainministeriö, tiedote Kunnat ja hyvinvointialueet kokoontuivat pyöreiden pöytien keskusteluihin: tekoälymuutos vaatii johtajuutta ja yhteistyötä, 27.5.2026.
  27. Ruokonen, Mika, Tehtävänä tekoälymurros. Sitran selvitys 254, 15.12.2025.
  28. Epoch AI, avoimien ja suljettujen kärkimallien kykyero. Päivitetty 29.5.2026.
  29. McKinsey (Hämäläinen, Patel, Blumberg, Catlin & Lala), Is that AI agent worth it? Agentic economics and the modern operating model, McKinsey Quarterly / QuantumBlack, 13.7.2026.
  30. McKinsey Technology (Tavakoli, Goodman, Rowshankish, Kumar, Soller, Barreto, Parekh & Litta Modignani), Building the foundations for agentic AI at scale, 2.4.2026.
  31. McKinsey, Seizing the agentic AI advantage (13.6.2025) ja When can AI make good decisions? The rise of AI corporate citizens (4.6.2025).
  32. API-talouden ankkuripäivät: Salesforcen API helmikuussa 2000, eBayn API 20.11.2000, Amazon Web Services -API 15.7.2002.
  33. MCP-aikajana: julkistus 11/2024 (Anthropic), OpenAI 3/2025, Google DeepMind 4/2025, luovutus Agentic AI Foundationille (Linux Foundation) 12/2025. Latausluvut: Anthropic, Donating the Model Context Protocol and establishing of the Agentic AI Foundation, 9.12.2025.
  34. Forrester, Kate Leggett ym., SaaS as we know it is dead: how to survive the SaaSpocalypse, 11.2.2026. Globaali SaaS-kulutus 318 mrd $ (2025) → 512 mrd $ (2028) → 576 mrd $ (2029).
  35. Gartner, lehdistötiedote Gartner Says $234 Billion in Enterprise Application Software Spend Is at Risk from Agentic AI, 1.7.2026.
  36. Bernhofen, El-Sahli & Kneller, Estimating the effects of the container revolution on world trade. Journal of International Economics 98 (2016).
  37. Sangeet Paul Choudary, Reshuffle: Who wins when AI restacks the knowledge economy, 2025.
  38. Challagalla, Khan & Beaulieu, Stop Running So Many AI Pilots. Harvard Business Review 11–12/2025.
  39. Humlum & Vestergaard, Still Waters, Rapid Currents (aik. Large Language Models, Small Labor Market Effects). NBER Working Paper 33777, 5/2025, revisio 3/2026.
  40. Suh & Oh, Generative AI and the Reallocation of Time: Productivity, Leisure, and Fulfilling Work. arXiv:2602.12695, 13.2.2026.
  41. Brynjolfsson, Li & Raymond, Generative AI at Work. Quarterly Journal of Economics 140(2), 2025.
  42. Dell’Acqua, McFowland III, Mollick ym., Navigating the Jagged Technological Frontier. Organization Science 37(2), 2026. Ennakkorekisteröity kenttäkoe, 758 konsulttia.
  43. METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 10.7.2025. arXiv:2507.09089. 16 kokenutta kehittäjää, 246 todellista tehtävää omissa repoissaan.
  44. Cui, Demirer, Jaffe, Musolff, Peng & Salz, The Effects of Generative AI on High-Skilled Work. Työpaperi 6/2025, jälkirekisteröinti AEARCTR-0014530. Kolme satunnaistettua koetta, 4 867 kehittäjää (Microsoft, Accenture ja nimetön Fortune 100). Keskivirhe 10,3 %-yks.; kirjoittajien oma varaus ”each experiment is noisy”.
  45. Dell’Acqua, McFowland III, Mollick ym., The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641, 2025. Kenttäkoe Procter & Gamblella, n = 776; ammattilaiset ratkoivat yhtiön omia tuotekehitystehtäviä.
  46. Jabarian & Henkel, Voice AI in Firms: A Natural Field Experiment on Automated Job Interviews. arXiv:2607.28222, 7/2026.
  47. Haapanen, Mikko, Hiltunen, Arto & von Weymarn, Tom, OHJ – Omistajien, hallituksen ja johdon osaaminen, yhteistyö ja vallankäyttö. Boardman, 5/2022. ISBN 978-952-60747-2-9.
  48. PwC, Two futures for jobs in an AI era: 2026 Global AI Jobs Barometer, kesäkuu 2026.
  49. Parasuraman & Riley, Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors 39(2), 1997 · Parasuraman & Manzey, Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors 52(3), 2010.
  50. METR, time horizon -mittaus · Ord, arXiv:2505.05115 (puoliintumisaikamalli).
  51. Stanford HAI (Institute for Human-Centered AI), Artificial Intelligence Index Report 2025, 7.4.2025.
  52. Budjetin kohdennusperiaate. Boston Consulting Group, Closing the AI Impact Gap, 2025.
  53. Bai, Huang, Wang, Sun, Mihalcea, Brynjolfsson, Pentland & Pei, How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks. arXiv:2604.22750, 24.4.2026 (v2 29.4.2026).
  54. Fin (ent. Intercom), Announcing Fin Apex: the age of vertical models is here, 26.3.2026; taustana VentureBeatin haastattelu 26.3.2026.
  55. Asetus (EU) 2024/1689 muutettuna asetuksella (EU) 2026/1744 (Digital Omnibus, EUVL 24.7.2026, voimaan 27.7.2026); konsolidoitu teksti EUR-Lexissä.
  56. Korinek & Vipra, Concentrating intelligence: scaling and market structure in artificial intelligence. Economic Policy (Oxford) 40(121), 1/2025.
  57. Space Exploration Technologies Corp., Form S-1 Registration Statement. U.S. Securities and Exchange Commission, 20.5.2026, rekisteröintinumero 333-296070.
  58. Tesla, Q2 2026 earnings call, 22.7.2026.
  59. Björkroth, Linturi, Jussila, Höyssä & Eriksson, Societal transformations 2026–2045. Tulevaisuusvaliokunnan julkaisu 2/2026, Suomen eduskunta, 27.5.2026.
  60. Valtioneuvoston kanslia ja valtiovarainministeriö, Talouspoliittinen ministerivaliokunta linjasi julkisen hallinnon tekoälymuutoksen kiihdyttämisestä ja organisoinnista (tiedote 25.6.2026).
  61. Elinkeinoelämän keskusliitto EK, EK:n kysely: Vain joka kymmenes yritys synnyttää uutta liiketoimintaa tekoälyllä (tiedote 8.9.2026).
  62. AI Finland ja Business Finland, Näin Suomi hyödyntää tekoälyä 2026 (2026; katsauksen koosti Demos Helsinki niiden toimeksiannosta): PDF julkaistu aifinland.fi:ssä huhtikuussa 2026.
Sofokus founder

About the author

Founder & Chairman

Teemu Malinen

Teemu on tutkinut digitaalisen liiketoiminnan trendejä ja niiden vaikutusta liiketoiminnan kehittämiseen ja kilpailukykyyn yli 30 vuoden ajan. Nousevia ilmiöitä, kuten tekoälyä, hän tarkastelee samasta näkökulmasta: mitä ilmiö tarkoittaa liiketoiminnalle ja miten organisaatio saa siitä arvoa omaan toimintaansa. Teemu kirjoittaa digitaalisesta liiketoiminnasta, modernista yrityskulttuurista ja startup-sijoittamisesta. Hän kirjoittaa aiheista oppaita ja blogikirjoituksia sekä käy puhumassa tapahtumissa.

Read more articles (157)