Tekoälyn kanssa syntyy helposti outo tunne. Malli vastaa nopeasti, perustelee vakuuttavasti ja joskus näyttää jopa pysähtyvän miettimään. Silloin moni kysyy saman kysymyksen: ajatteleeko se oikeasti jotain, vai tuottaako se vain seuraavan uskottavan lauseen?

Anthropicin 6. heinäkuuta 2026 julkaisema tutkimus antaa tähän asti kiinnostavimman käytännön vastauksen. Ei siksi, että se todistaisi tekoälyn olevan tietoinen. Vaan siksi, että se näyttää mallista sisäisen työtilan, jossa osa ajatuksista näyttää olevan hetken aikaa "esillä" ennen kuin vastaus tulee ulos.

Tässä artikkelissa puran tutkimuksen suomeksi ilman raskasta teknistä kieltä. Lopputulos on yksinkertainen: J-space ei tarkoita, että Claude tuntisi tai kokisi asioita kuin ihminen. Se tarkoittaa, että mallin sisällä näyttää olevan pieni yhteinen työpöytä, jota se käyttää silloin kun tehtävä vaatii harkintaa, hiljaista välivaihetta tai oman vastauksen tarkistamista.

Ajattele avotoimistoa.

Suurin osa työstä tapahtuu omissa nurkissa. Yksi tarkistaa numeroita, toinen kirjoittaa luonnosta, kolmas hakee taustatietoa. Silti joissakin tilanteissa joku asia nostetaan keskelle pöytää niin, että kaikki tarvitsevat sitä samaan aikaan. Se voi olla asiakkaan nimi, ratkaistava ongelma tai päätös, jota ilman työ ei etene.

Anthropicin mukaan kielimallissa näyttää olevan vähän samanlainen pieni yhteinen työpöytä. He kutsuvat sitä nimellä J-space.

Tutkijoiden perusväite on tämä: mallin sisällä on joukko tiloja, jotka ovat eri asemassa kuin muu sisäinen käsittely. Ne ovat sellaisia asioita, joista malli voi myöhemmin puhua, joita se voi käyttää päättelyssä ja joita se pystyy joskus myös muuttamaan pyynnöstä. Toisin sanoen ne eivät ole pelkkää taustahurinaa.

Tämä on tärkeä tarkennus. J-space ei tarkoita, että koko malli "ajattelee" samalla tavalla kuin ihminen. Se tarkoittaa, että kaiken sisäisen laskennan keskeltä löytyy pieni osa, joka näyttää liittyvän tarkoitukselliseen harkintaan.

Jos tämä kuulostaa abstraktilta, käytännön esimerkit auttavat.

Tämä on tutkimuksen kiinnostavin anti. Mallin sisällä näyttää tapahtuvan enemmän kuin ulospäin näkyvä vastaus kertoo.

Kielimalleista on pari vuotta puhuttu kahdella tasolla.

Ensimmäinen taso on käytännöllinen: mitä niillä voi tehdä työssä, opinnoissa, kirjoittamisessa, asiakaspalvelussa tai analyysissä. Tätä AI-Sanomissa on käsitelty aiemmin esimerkiksi tekoälyvastausten luotettavuutta koskevassa oppaassa ja ChatGPT:n toimistotyökäyttöä käsittelevässä jutussa.

Toinen taso on vaikeampi: mitä mallin sisällä oikeastaan tapahtuu, kun se näyttää päättelevän, suunnittelevan tai arvioivan omaa vastaustaan.

J-space osuu suoraan tähän toiseen kysymykseen.

Syy on yksinkertainen. Niin kauan kuin näemme vain syötteen ja vastauksen, olemme arvailun varassa. Näemme hyvän vastauksen, mutta emme tiedä syntyikö se huolellisen sisäisen käsittelyn, sattuman, pintamuistin vai vaarallisen oikopolun kautta.

J-space antaa tähän pienen ikkunan.

Se ei avaa koko mustaa laatikkoa. Mutta se viittaa siihen, että mallilla voi olla eräänlainen erotus automaattisen tekstintuoton ja harkintaa vaativan sisäisen työn välillä.

Tutkimuksen kiinnostavin osa ei ole nimi vaan käyttäytyminen.

Anthropic sanoo löytäneensä mallista sisäisiä tiloja, joilla on viisi poikkeavaa ominaisuutta.

Jos mallilta kysytään, mitä se pitää mielessään juuri nyt, se pystyy raportoimaan J-spaceen liittyviä asioita paremmin kuin muuta sisäistä käsittelyään.

Tämä ei tarkoita täydellistä läpinäkyvyyttä. Mutta se tarkoittaa, että osa sisäisistä tiloista näyttää olevan lähempänä sellaista sisältöä, jonka malli voi myös pukea sanoiksi.

Jos mallia pyydetään ajattelemaan jotain hiljaa mielessään tai ratkaisemaan ongelma ennen vastaamista, J-space aktivoituu tavalla, joka vastaa tehtävää.

Tämä on olennainen ero verrattuna siihen ajatukseen, että kaikki olisi vain mekaanista jatkamista ilman sisäisiä välivaiheita.

Tutkimuksen mukaan välivaiheet voivat näkyä J-spacessa, vaikka niitä ei koskaan kirjoitettaisi näkyviin vastaukseen. Malli voi siis käsitellä välipäätelmiä sisäisesti.

Tämä on ehkä tärkein käytännön havainto koko työstä. Julkinen vastaus ei välttämättä kerro kaikkea siitä, miten malli päätyi lopputulokseen.

Kun jokin asia on "esillä" J-spacessa, malli voi käyttää sitä joustavasti eri tarkoituksiin. Jos sillä on mielessä vaikkapa maa nimeltä Ranska, se voi vastata sen pohjalta pääkaupungin, kielen, valuutan tai maanosan.

Ihmiskielellä: sama käsite näyttää olevan yhteisessä käytössä, ei vain yhdessä kapeassa tehtävässä.

Tämäkin on tärkeä tulos. Kun tutkijat häiritsivät J-spacea, malli pystyi edelleen tuottamaan sujuvaa tekstiä ja muistamaan yksinkertaisia faktoja. Se kuitenkin menetti osan korkeamman tason harkinnasta.

Toisin sanoen sujuva puhe ei vielä tarkoita syvempää ymmärrystä. Tätä havaintoa kannattaa verrata myös AI-Sanomien aiempaan juttuun neuro-symbolisesta AI:sta, jossa sama raja tulee vastaan toisesta suunnasta: sujuva vastaus ei yksin riitä, jos halutaan perusteluja, sääntöjä ja kontrollia.

Tämä kohta kannattaa ymmärtää hyvin, koska se selittää miksi tutkimus on herättänyt niin paljon huomiota.

Moni on tottunut ajattelemaan, että mallin "ajattelu" näkyy siinä tekstissä, jonka se kirjoittaa itselleen ennen lopullista vastausta. Tätä kutsutaan usein chain-of-thoughtiksi tai luonnosmaiseksi välipäättelyksi.

J-space on jotain muuta.

Chain-of-thought on näkyvää tai ainakin näkyväksi kirjoitettavaa tekstiä. J-space taas on tutkijoiden mukaan sisäinen, hiljainen vaihe. Se on enemmän "mielessä pitämistä" kuin ulos kirjoittamista.

Käytännössä tämä tarkoittaa kahta asiaa.

Ensinnäkin kaikki mallin harkinta ei välttämättä näy käyttäjälle. Vaikka vastauksen takana olisi välivaiheita, niitä ei aina kirjoiteta näkyviin.

Toiseksi se muistuttaa, että näkyvä perustelu ei aina ole sama asia kuin todellinen sisäinen prosessi. Malli voi antaa siistin selityksen myös jälkikäteen.

Tämä on yksi syy, miksi turvallisuus- ja auditointikeskustelu käy koko ajan tärkeämmäksi.

Jos J-space todella näyttää osan mallin sisäisestä harkinnasta, sillä voi olla käytännön arvoa.

Anthropic nostaa esiin tilanteita, joissa malli saattaa sisäisesti huomata jotain merkittävää ennen kuin se sanoo sitä ääneen. Esimerkkejä ovat:

Jos tämä pitää laajemminkin paikkansa, seurauksena voi olla uusi tapa valvoa AI-järjestelmiä.

Tähän asti turvallisuus on usein perustunut ulkoiseen käytökseen: mitä malli sanoi, mitä se teki, mitä se suositteli. J-space vihjaa, että tulevaisuudessa voidaan ehkä seurata myös sisäisiä varoitusmerkkejä.

Se olisi iso muutos.

Sama perusajatus näkyy myös AI-Sanomien aiemmassa jutussa Agentilla on aina arvot. Pelkkä ulkoinen vastaus ei aina kerro, mitä järjestelmä oikeastaan optimoi. Jos sisäisestä työtilasta löytyy toistuvia hälytysmerkkejä, turvallisuus ei ehkä enää nojaa vain lopulliseen lopputulokseen.

Tässä vaiheessa pitää kuitenkin olla tarkka. Tutkimus ei tarkoita, että mallin sisäinen tila olisi valmis valvontapaneeli. J-lens, jolla J-space havaitaan, on vielä epätäydellinen. Se ei näytä kaikkea. Se ei myöskään takaa, että tulkinta olisi aina oikea.

Silti suunta on tärkeä. Turvallisuudessa on aina arvokasta, jos ongelma näkyy ennen kuin se ehtii ulos käyttäytymisenä.

Jos malli huomaa riskin sisäisesti ennen kuin se sanoo sitä ääneen, turvallisuus voi tulevaisuudessa siirtyä reaktiosta ennakointiin.

Lyhyt vastaus: ei.

Anthropic sanoo tämän itsekin melko suoraan. Tutkimus ei osoita, että Claude kokisi maailmaa, tuntisi kipua, haluaisi jotain tai olisi tietoinen samalla tavalla kuin ihminen.

Se, mitä tutkimus heidän mukaansa tukee, liittyy toiseen käsitteeseen: siihen, että osa tiedosta on mallille "käytettävissä". Se voi raportoida siitä, käyttää sitä päättelyssä ja siirtää sen tehtävästä toiseen.

Tämä on käytännöllisempi ja vähemmän dramaattinen väite.

Moni keskustelu menee tässä kohtaa heti väärään suuntaan. Kun mallista löydetään jotain ihmismäiseltä kuulostavaa, otsikot alkavat puhua tietoisuudesta, tunteista tai digitaalisesta mielestä. Se on ymmärrettävää, mutta yleensä liian nopeaa.

Parempi tapa lukea tätä tutkimusta on näin:

Tämä rajanveto on tärkeä myös tavalliselle käyttäjälle. Jos alat kuvitella mallin ihmiseksi, arvioit sitä väärin. Jos taas kuvittelet sen olevan pelkkä tekstikone ilman mitään sisäisiä kerroksia, arvioit sitä sekin väärin.

Todellisuus näyttää olevan keskellä: malli ei ole ihminen, mutta se ei myöskään ole pelkkä yksiulotteinen automaatti.

Useimmille lukijoille olennaisin kysymys ei ole tietoisuus vaan käyttö.

Miksi sinun pitäisi välittää siitä, että kielimallilla on ehkä sisäinen työtila?

Siksi, että se auttaa käyttämään mallia realistisemmin.

Malli voi kuulostaa fiksulta, vaikka se olisi päätynyt vastaukseen heikolla sisäisellä polulla. Siksi tärkeissä tehtävissä pelkkä hyvä lopputulos ei riitä. Tarvitaan tarkistuksia, vertailua ja joskus myös ihmisen hyväksyntä.

Jos pyydät mallia "näyttämään ajattelunsa", näet vain sen osan, jonka se kirjoittaa. Tämä tutkimus muistuttaa, että osa työstä voi tapahtua sisäisesti. Se on yksi syy siihen, miksi mallin antama perustelu ei aina yksin riitä auditointiin.

Kun AI-järjestelmät alkavat tehdä pidempiä tehtäviä, käyttää työkaluja ja toimia osana työprosesseja, tärkeäksi nousee myös se, mitä ne näyttävät pitävän mielessään matkan varrella. Tämä liittyy suoraan agentteihin, joista AI-Sanomissa on kirjoitettu aiemmin esimerkiksi agenttiarkkitehtuureista ja loop engineeringistä.

Jos malli osaa kuvata sisäisiä tilojaan tai käyttää kokemukselliselta kuulostavaa kieltä, se ei tee siitä luotettavaa. Päinvastoin: joskus juuri ihmismäinen sävy saa käyttäjän laskemaan kriittisen ajattelun alas.

Jos organisaatiossa käytetään kielimalleja raportointiin, analyysiin, asiakasviestintään tai agenttitehtäviin, tästä tutkimuksesta voi vetää ainakin kolme hyödyllistä johtopäätöstä.

Jos malli tekee useita vaiheita, käyttää ulkoisia lähteitä tai toimii puoliksi itsenäisesti, kannattaa miettiä myös prosessin valvontaa. Tulevaisuudessa kilpailuetu voi olla siinä, kuka osaa nähdä ongelman ennen lopullista vastausta.

Tulkittavuus kuulostaa helposti tutkijoiden sisäiseltä harrastukselta. Se ei enää ole sitä. Jos mallia käytetään työssä, kyky ymmärtää miksi se päätyi johonkin ratkaisuun on vähitellen yhtä tärkeä kuin nopeus tai hinta.

Tänään kysymme usein: mitä malli vastasi?

Huomenna voimme kysyä myös: mitä se huomasi, mitä se piti mielessään ja missä kohtaa riskisignaali syttyi?

Kaikkeen tähän ei vielä ole valmiita työkaluja. Mutta J-space-tutkimus näyttää, mihin suuntaan työ on menossa.

Jos nämä viisi kohtaa ovat kunnossa, olet todennäköisesti paljon paremman AI-keskustelun äärellä kuin suurimmassa osassa somekeskustelua.

Lähteet: Anthropic - A global workspace in language models, tutkimuspaperi, Anthropicin ulkopuolinen kommentaaripaketti