Kun tekoäly tekee luonnoksen minuutissa, tietotyöläisen arvo siirtyy ongelman valintaan, työn ohjaamiseen ja lopputuloksen arviointiin.

Olet ehkä jo huomannut tämän: ennen meni tunti ensimmäisen luonnoksen tekemiseen. Nyt tekoäly tekee sen muutamassa minuutissa.

Silti työpäivä ei muuttunut tyhjäksi. Tilalle tuli vaikeampi kysymys: oliko tämä edes oikea tehtävä, oikea rajaus ja oikea tapa käyttää aikaa?

Phil Chen, entinen OpenAI:n ja Google DeepMindin työntekijä, tiivisti X:ssä asian tavalla, joka jäi pyörimään mieleeni. Hänen mukaansa tekoälymallit paranevat kaikessa, jolle voidaan kirjoittaa selkeä arviointifunktio. Toisin sanoen: jos tehtävän onnistumisen voi mitata nopeasti ja melko yksiselitteisesti, koneella on hyvät edellytykset oppia tekemään se paremmin.

Tämä tekninen huomio osuu suoraan tietotyön ytimeen ja omaan päivittäiseen arkeeni.

Jos tekoäly tekee yhä paremmin ne tehtävät, joissa tavoite on valmiiksi annettu, ihmisen arvo siirtyy kohtaan ennen tehtävää ja kohtaan sen jälkeen. Ensin pitää valita oikea ongelma. Sitten pitää arvioida, onko AI:n tekemä ratkaisu totta, hyödyllinen ja käyttökelpoinen.

Chenin käyttämä termi “loss function” kuulostaa helposti liian tekniseltä artikkeliin. Sen voi sanoa arkisemmin näin:

Jos tehtävälle voidaan osoittaa etukäteen, miltä hyvä vastaus tai lopputulos näyttää, tekoälyllä on etulyöntiasema.

Koulutehtävä on tästä puhdas esimerkki. Tehtävä annetaan valmiina. Vastaukselle on olemassa selkeä arviointikriteeri. Oikea tai hyvä vastaus voidaan pisteyttää. Suuri osa koulutehtävistä ja moni työelämän rutiini toimii samalla logiikalla.

Kirjoita yhteenveto tästä tekstistä. Tee taulukko näistä luvuista. Etsi virheet tästä koodista. Laadi ensimmäinen versio asiakasviestistä. Muotoile palaverimuistio.

Nämä ovat edelleen hyödyllisiä tehtäviä. Ne vain eivät enää ole yhtä vahvoja erottautumisen paikkoja kuin ennen.

Työelämän vaikeampi osa alkaa yleensä aikaisemmin:

Tämä on se kohta, jossa suomalaisen tietotyöläisen kannattaa havahtua. AI:n käyttäminen ei tarkoita vain nopeampaa tekstin, koodin tai analyysin tuotantoa. Se tarkoittaa työn uudelleenjakoa.

Aiemmin ammattilainen saattoi erottua sillä, että hän teki hyvän ensimmäisen version. Nyt lähes kaikki saavat kelvollisen ensimmäisen version käyttöönsä. Ammattilainen erottuu sillä, että hän tietää, mitä ensimmäisellä versiolla tehdään.

Tekoäly ei poista vanhoja taitoja yhdessä yössä. Kirjoittaminen, analysointi, laskeminen, suunnittelu ja koodaaminen ovat edelleen hyödyllisiä. Mutta niiden päälle tulee uusi kerros.

Tämä on myös syy, miksi pelkkä “osaan käyttää ChatGPT:tä” ei riitä pitkään. Työkalun käyttö on lähtötaso. Erot syntyvät siitä, osaako käyttäjä muuttaa oman työnsä rakennetta.

AI-Sanomissa olen käsitellyt samaa ajatusta aiemmin agenttien näkökulmasta jutussa Tekoälyagentit muuttavat tietotyön: siiloista työnkulkujen orkestrointiin. Agenttien suurin vaikutus syntyy työn rakenteen muuttamisesta. Ne pakottavat kysymään, miksi työ on järjestetty juuri näin.

Tässä kohtaa AI-keskustelu menee usein liian yksinkertaistetuksi. Sanotaan, että AI lisää tuottavuutta. Monessa tehtävässä se pitää paikkansa. Mutta väärään tehtävään käytetty tuottavuus ei luo oikeaa arvoa.

Boston Consulting Groupin kanssa tehty kenttäkoe on hyvä muistutus tästä. Tutkijat seurasivat 758 konsulttia, jotka tekivät realistisia ja tietointensiivisiä konsulttitehtäviä GPT-4:n kanssa tai ilman sitä.

Kun tehtävät olivat AI:n vahvuusalueella, tulokset paranivat selvästi. AI:ta käyttäneet konsultit tekivät keskimäärin 12,2 prosenttia enemmän tehtäviä, 25,1 prosenttia nopeammin ja laadukkaammin kuin verrokkiryhmä.

Mutta kun tehtävä vietiin mallin kyvykkyyden ulkopuolelle, AI:n käyttäjät olivat 19 prosenttiyksikköä harvemmin oikeassa kuin ne, jotka tekivät työn ilman AI:ta.

Tutkijat kutsuvat tätä (heikosti suomennettuna) rosoiseksi teknologiseksi rajaksi. AI:n kyky vaihtelee tehtävästä toiseen. Se voi olla erittäin vahva yhdessä tehtävässä ja yllättävän heikko toisessa, vaikka tehtävät näyttävät ihmiselle samankaltaisilta.

Tietotyöläiselle tämä on käytännön varoitus. AI:n antama vastaus voi näyttää vakuuttavalta silloinkin, kun se on väärässä. Vielä vaarallisempaa on, että se voi tehdä huonosti valitusta tehtävästä tehokkaan näköisen.

Sama näkyy koodissa. AI voi kirjoittaa toimivan näköisen toteutuksen nopeasti. Mutta jos arkkitehtuuri on väärä, ylläpidettävyys huono tai turvallisuusrajat epäselvät, nopea koodi muuttuu myöhemmin velaksi. Agenttien rakentamisessa tätä samaa teemaa käsittelee kuuden kerroksen arkkitehtuuriopas: ensin pitää ymmärtää data, työkalut, muisti, malli ja orkestrointi. Vasta sitten kannattaa antaa agentille enemmän vastuuta.

“AI:n käyttäjä” on liian kapea sana AI-ajan tietotyöläiselle. Parempi kuvaus on ihminen, joka ohjaa koneen tekemää työtä ja kantaa vastuun siitä, että työ osuu oikeaan.

Tämän voi jakaa viiteen rooliin.

Ongelman kehystäjä kysyy ennen tekemistä: mitä tässä oikeasti yritetään saada aikaan?

Tämä kuulostaa itsestäänselvältä, mutta arjessa se unohtuu helposti. Ihmiset pyytävät raporttia, kun he tarvitsevat päätöksen. Pyytävät esitystä, kun he tarvitsevat yhteisen näkemyksen. Pyytävät kampanjaa, kun heidän pitäisi ensin ymmärtää miksi asiakkaat eivät osta.

AI tekee pyydetyn asian nopeasti. Siksi huono pyyntö muuttuu nopeammin huonoksi tuotokseksi.

Kaikkea ei kannata antaa AI:lle. Kaikkea ei kannata tehdä itse.

Työnjaon suunnittelija osaa erottaa rutiinin harkinnasta. AI voi tehdä ensimmäisen version, vertailla vaihtoehtoja, tiivistää lähteitä, muotoilla taulukon ja ehdottaa rakenteen. Ihminen päättää, mikä on tärkeää, mikä on riskialtista ja missä kohtaa tarvitaan toisen ihmisen hyväksyntä.

Tämä ajattelu näkyy myös loop engineering -oppaassa. Hyvä agenttisilmukka ei anna AI:lle kaikkea valtaa. Se määrittää herätteen, lähteet, tarkistuksen, muistin ja kohdan, jossa ihminen tekee päätöksen.

AI:n tuottama vastaus pitää tarkistaa eri tavalla kuin ihmisen tekemä teksti.

Ihminen tekee usein näkyviä virheitä: unohtaa osion, sekoittaa luvun tai kirjoittaa kömpelösti. AI tekee usein uskottavia virheitä. Se voi kuulostaa varmalta, yhdistää lähteitä väärin, jättää epävarmuuden kertomatta tai käyttää oikeaa termiä väärässä yhteydessä.

Laadun arvioija tarkistaa vähintään kolme asiaa:

AI ei tunne organisaation hiljaista tietoa samalla tavalla kuin ihminen. Se ei tiedä, miksi tietty asiakas on herkkä aihe. Se ei tiedä, mikä sisäinen hanke epäonnistui viime vuonna. Se ei näe, kenen luottamus pitää voittaa ennen kuin päätös etenee.

Kontekstin tuoja yhdistää AI:n tuotoksen todelliseen tilanteeseen. Tässä kohtaa kokemus, toimialatuntemus ja ihmisten välinen ymmärrys ovat edelleen arvokkaita.

Phil Chen nostaa esiin viimeisen osuuden, sen työn, joka tekee keskinkertaisesta tuotoksesta käyttökelpoisen. Tämä on AI-ajassa entistä tärkeämpää.

Keskinkertainen luonnos syntyy nopeasti. Siksi viimeistely erottaa ammattilaisen massasta.

Viimeistely ei tarkoita vain pilkkujen korjaamista. Se tarkoittaa rakennetta, sävyä, lähteitä, päätöksen valmistelua, käyttöönottoa ja sitä, että joku oikeasti hyötyy työstä.

Microsoft Researchin ja Carnegie Mellon Universityn CHI 2025 -tutkimus tuo tähän tärkeän lisäkulman. Tutkijat kysyivät 319 tietotyöläiseltä, miten generatiivinen AI vaikuttaa kriittiseen ajatteluun työssä. Aineistossa oli 936 konkreettista esimerkkiä AI:n käytöstä.

Havainto oli kaksijakoinen.

Kun ihmiset luottivat enemmän AI:hin, he raportoivat vähemmän kriittistä ajattelua. Kun he luottivat enemmän omaan osaamiseensa, he arvioivat AI:n vastauksia aktiivisemmin.

Toisin sanoen: AI ei automaattisesti tee ihmisestä parempaa ajattelijaa. Se voi myös houkutella ohittamaan ajattelun, varsinkin kiireessä ja matalan riskin tehtävissä.

Samalla tutkimus osoitti, että kriittinen ajattelu ei vain vähene. Se muuttaa muotoaan. Työn painopiste siirtyy suoraan tekemisestä AI:n työn ohjaamiseen:

Tämä on sinulle lukija ehkä koko jutun tärkein kohta. AI:n käyttäminen hyvin ei tarkoita, että ajattelet vähemmän. Se tarkoittaa, että ajattelet eri kohdassa prosessia.

BCG:n raportti “Where’s the Value in AI?” kertoo, että suurin osa yrityksistä ei vielä saa AI:sta merkittävää arvoa. Raportin mukaan 22 prosenttia yrityksistä on edennyt proof-of-concept-vaihetta pidemmälle ja 4 prosenttia luo merkittävää arvoa.

Yksi BCG:n kiinnostavimmista havainnoista on 10/20/70-sääntö. AI-johtajat käyttävät karkeasti 10 prosenttia panostuksesta algoritmeihin, 20 prosenttia teknologiaan ja dataan sekä 70 prosenttia ihmisiin ja prosesseihin.

Tämä kannattaa lukea myös yksittäisen työntekijän näkökulmasta.

Jos käytät 90 prosenttia ajasta uuden työkalun ominaisuuksiin ja 10 prosenttia oman työnkulun muuttamiseen, painopiste on väärässä paikassa. Työkalut vaihtuvat. Työn suunnittelu jää.

Suomessa sama haaste näkyy yritystasolla. AI-Sanomien artikkelissa Näin suomalaiset yritykset käyttävät tekoälyä vuonna 2025 käsiteltiin havaintoa, että tekoälyä käytetään jo laajasti, mutta kirjalliset strategiat ja ohjeistukset laahaavat perässä. Työkalu on siis usein ennen prosessia.

Yksittäinen tietotyöläinen voi toimia toisin. Hän voi rakentaa omiin tehtäviinsä pienen käytännön mallin: missä AI auttaa, miten lopputulos tarkistetaan ja milloin ihminen päättää.

Tämä kaikki voi kuulostaa abstraktilta, joten katsotaan muutama tavallinen tietotyön rooli.

AI tekee kampanjaluonnoksen, otsikot, sähköpostiversiot ja somenostot. Ihmisen työ on päättää, mikä on todellinen lupaus, kenelle se annetaan ja mikä riski syntyy, jos kampanja tuo vääränlaisia liidejä.

AI tiivistää henkilöstökyselyn avovastaukset. Ihmisen työ on tunnistaa, mitkä teemat ovat todellisia signaaleja, mitkä yksittäisiä purkauksia ja mihin esihenkilöiden pitää tarttua.

AI rakentaa ensimmäisen analyysin ja listaa vaihtoehtoja. Ihmisen työ on tarkistaa oletukset, ymmärtää asiakkaan poliittinen ja taloudellinen tilanne sekä muuttaa analyysi päätökseksi.

AI kirjoittaa koodia ja testejä. Ihmisen työ on päättää arkkitehtuuri, ylläpidettävyyden taso, tietoturvarajat ja se, mihin kohtaan järjestelmää muutosta kannattaa edes tehdä.

AI tekee raportin, tiivistää palaverit ja nostaa poikkeamat. Ihmisen työ on päättää, mihin puututaan, ketä kuullaan ja miten päätös perustellaan ihmisille.

Näissä kaikissa AI tekee näkyvän tuotoksen. Ihmisen arvo on usein näkymättömämmässä kohdassa: rajauksessa, arvioinnissa, kontekstissa ja vastuussa.

Tämän artikkelin voi tiivistää yhteen käytännön työkaluun. Ennen kuin annat tehtävän AI:lle, kysy nämä neljä kysymystä.

Jos et tiedä, mihin työtä käytetään, AI tekee helposti näyttävän välituotteen. Raportti, yhteenveto tai esitys toimii välineenä päätökselle, ei päämääränä.

Kirjoita tavoite näin:

Anna AI:lle se osa, jossa nopeus, vaihtoehtojen tuottaminen, muotoilu tai tiivistäminen auttaa. Pidä ihmisellä se osa, jossa panokset, arvot, riskit tai ihmisten välinen luottamus ratkaisevat.

Tarkistus pitää suunnitella ennen tuotosta. Muuten olet jo ehtinyt ihastua siistiin vastaukseen.

Hyvä tarkistus voi olla:

Viimeinen 10 prosenttia voi olla otsikon terävöitys, lähteiden lisääminen, päätösmuistion tiivistys, asiakkaalle sopiva sävy, riskien kirjaaminen tai vastuuhenkilön nimeäminen.

Tämä on se kohta, jonka moni jättää tekemättä, koska AI:n ensimmäinen versio tuntuu jo valmiilta. Juuri siksi se on erottautumisen paikka.

Tämä artikkeli keskittyy työn muutokseen, mutta käytännön työkalu auttaa. Näitä voi käyttää melkein missä tahansa asiantuntijatyössä.

AI tekee monesta tietotyön osasta helpompaa. Se on hyvä asia. Ensimmäisen luonnoksen ei tarvitse enää olla se kohta, johon kaikki aika kuluu.

Mutta vaikeat valinnat eivät katoa. Ne siirtyvät näkyvämmiksi.

Mikä ongelma on tärkeä? Mitä ei kannata tehdä? Mitä dataa saa käyttää? Miten tarkistamme tuloksen? Kuka kantaa vastuun? Milloin työ on oikeasti valmis?

Tämän takia tietotyöläisen ei kannata rakentaa omaa arvoaan vain sen varaan, että hän tuottaa nopeasti. Nopeutta saa jatkossa yhä halvemmalla. Paljon kestävämpi arvo syntyy siitä, että sinuun voi luottaa oikeiden ongelmien valitsijana, AI:n järkevänä käyttäjänä ja työn viimeistelijänä.

Tekoäly tekee ensimmäisen version. Sinun työsi alkaa siitä.

Lisää tekoälyoppaita ja -uutisia: aisanomat.fi