Tekoälystä puhutaan usein kuin yhdestä tappavasta iskusta tietotyölle. Ensin meillä on nykyinen työelämä, sitten tulee LLM-malli ja sen johdosta valtaosa toimistotyöstä katoaa.
Benedict Evansin näkemys on kuivempi ja hyödyllisempi. Tekoäly automatisoi yksittäisiä tehtäviä. Työ on yleensä jotain laajempaa.
Ero kuulostaa pieneltä, mutta suomalaiselle yritykselle se on koko tekoälystrategian alku. Jos automatisoit väärän asian, saat nopeamman version vanhasta prosessista. Kun ymmärrät, missä työssä arvo syntyy, voit rakentaa uuden toimintatavan.
VisiCalc-hetki: joillekin mullistus, toisille sivutyökalu
Evans vertaa nykyistä tekoälyhetkeä taulukkolaskennan syntyyn. Kun VisiCalc tuli markkinoille 1970-luvun lopulla, kirjanpitäjille ja talousihmisille se oli välitön järkytys. Työ, joka vei viikon, tapahtui yhtäkkiä sekunneissa.
Juristille tai toimittajalle sama työkalu oli kiinnostava, mutta työn kannalta sivuasia.

Näin kannattaa katsoa myös generatiivista tekoälyä. Ohjelmistokehittäjille Claude Code, Cursor ja muut koodityökalut voivat tuntua samalta kuin VisiCalc talousosastolle. Ennen ja jälkeen. Monessa muussa roolissa muutos tulee epätasaisemmin: osa tehtävistä nopeutuu, osa pysyy lähes ennallaan, osa muuttuu vasta, kun koko prosessi suunnitellaan uudelleen.
Tilastokeskuksen mukaan tekoälyteknologioita käytti 38 prosenttia suomalaisista yrityksistä vuonna 2025. Käyttö on siis jo arkea, mutta muutos ei ole vielä mennyt koko talouden läpi. Monessa yrityksessä tekoäly on tekstin luonnostelija, kokousmuistion tekijä tai koodiavustaja. Se on alku. Ei päätepiste.
Sama tilasto näyttää olennaisen kitkan: vain 15 prosenttia yrityksistä oli dokumentoinut tekoälyohjelmien tai -järjestelmien käyttöön liittyviä ohjeita, käytäntöjä tai toimintatapoja. Käyttö leviää nopeammin kuin johtaminen.
Yrityksen ensimmäinen virhe on ajatella, että tämä on IT-hankinta. Toinen virhe on ajatella, että kyse on pelkästä tuottavuustyökalusta.
Tekoäly on tapa järjestää työtä uudelleen.

Tehtävä ei ole sama asia kuin työ
Tärkein erottelu on tehtävän ja työn välinen ero.
Tehtävä voi olla koodirivin kirjoittaminen, PowerPoint-esityksen tekeminen, asiakassähköpostin luonnostelu, raportin tiivistäminen tai tietyn tuotteen etsiminen. Tekoäly osuu näihin hyvin. Se on nopea, halpa ja monessa ensimmäisessä versiossa tarpeeksi hyvä.
Työ on usein muuta => Mitä kannattaa rakentaa? Kenelle tuote on? Miksi asiakas ostaisi sen? Miten organisaation sisäinen politiikka vaikuttaa päätökseen? Kuka hyväksyy muutoksen? Mikä on riski, jos tekoäly tekee virheen? Mitä jätetään tekemättä?
Tässä kohtaa moni tekoälyhanke menee vinoon.
Yritys katsoo prosessia ja kysyy: "Minkä vaiheen voimme automatisoida?" Parempi kysymys on: "Mikä tässä työssä on oikeasti vaikeaa?"
Otetaan esimerkiksi suomalainen B2B-myyntitiimi.
Tekoäly voi kirjoittaa ensimmäisen version tarjouksesta. Se voi tiivistää CRM-muistiinpanot, ehdottaa vastauksia asiakkaan kysymyksiin ja tehdä kilpailijavertailun. Kauppa ei silti synny siksi, että tarjous on kirjoitettu nopeasti. Kauppa syntyy, kun myyjä ymmärtää asiakkaan päätöksenteon, taloudellisen paineen, sisäiset vastustajat ja ostajan henkilökohtaisen riskin.
Tarjouksen kirjoittaminen on tehtävä. Kaupan rakentaminen on työ.
Sama koskee juridiikkaa. Tekoäly voi laatia sopimusluonnoksen ja etsiä puuttuvia ehtoja. Vastuunjako, neuvotteluasema, riskin hinnoittelu ja asiakkaan luottamus eivät kuitenkaan katoa malliin.
Sama koskee ohjelmistokehitystä. Tekoäly voi tehdä koodia. Vaikeampi kysymys on, mitä koodia kannattaa tehdä ja millainen järjestelmä kestää tuotantokäytön, tietoturvan, ylläpidon ja asiakkaan muuttuvat tarpeet.
Automaatio voi lisätä työtä
Työmarkkinakeskustelu jää usein kiinni yhteen kysymykseen: montako työpaikkaa tekoäly poistaa?
Kun jokin halpenee, sitä tehdään usein enemmän. Excel ei poistanut investointipankkiireja, vaikka se automatisoi valtavan määrän laskentaa. Ohjelmistokirjastot, käyttöjärjestelmät ja kehitysympäristöt eivät poistaneet ohjelmoijia, vaikka ne kirjoittivat kehittäjien puolesta paljon sellaista, mikä ennen piti tehdä käsin.
Ne muuttivat tekemisen kohdetta.
Kun analyysin hinta laskee, yritys voi tehdä enemmän analyysejä. Kun ohjelmiston ensimmäinen versio syntyy päivässä, yritys voi kokeilla enemmän tuoteideoita. Kun raportti syntyy tunnissa, johtoryhmä voi pyytää niitä useammin.
Tämä ei tarkoita, etteikö työpaikkoja katoaisi. Kyllä niitä katoaa. Varsinkin tehtävissä, joissa työ koostuu lähes kokonaan toistettavasta digitaalisesta käsittelystä eli yksittäisistä tehtävistä. Yrityksen kannalta olennaisempi kysymys on, mihin vapautunut kapasiteetti siirtyy.
Jos säästetty aika muuttuu paremmaksi asiakastyöksi, nopeammaksi tuotekehitykseksi tai laadukkaammaksi päätöksenteoksi, tekoäly kasvattaa tekemistä. Jos säästö valuu vain henkilöstökustannusten leikkaamiseen, vaikutus jää kapeaksi. Usein myös lyhytnäköiseksi.
Siksi tekoäly synnyttää konsulttibuumin
Evansin yksi käytännöllisimmistä huomioista koskee konsultteja ja forward-deployed engineer -rooleja. Yrityksillä ei yleensä ole viiden tai kymmenen ihmisen vapaata tiimiä odottamassa, että joku keksii uudistaa sisäiset työnkulut.
Tekoälyn käyttöönotto on projekti. Ensin pitää tunnistaa prosessit. Sitten pitää valita mallit ja työkalut. Sen jälkeen ne pitää yhdistää CRM:ään, ERP:iin, dokumentteihin, tietovarastoihin, asiakaspalveluun ja raportointiin. Lopuksi ihmiset pitää kouluttaa uuteen työtapaan.
Tämän takia konsultit, järjestelmäintegraattorit ja tekoälyn käyttöönottoon erikoistuneet tiimit ovat nyt kiinnostavia. Tekoäly ei poista käyttöönoton työtä. Se tekee siitä kiireellisempää.
Suomalaisessa keskisuuressa yrityksessä tämä näkyy yleensä näin:
Johto haluaa "ottaa tekoälyn käyttöön".
Työntekijät käyttävät jo ChatGPT:tä, Copilotia tai Claudea omilla tavoillaan.
IT huolehtii tietoturvasta ja käyttöoikeuksista.
Juridiikka, data ja vaatimustenmukaisuus jäävät epäselviksi.
Kukaan ei omista prosessimuutosta.
Tässä on tyhjä tila. Se yritys, joka nimeää omistajan ja rakentaa järjestelmällisen toimintamallin, pääsee edelle. Muut jäävät kokeilukulttuuriin, jossa jokainen tekee pieniä parannuksia omassa nurkassaan.
Kaipaatko kokenutta AI-konsulttia auttamaan yritystäsi tai tiimiäsi tässä aiheessa? 🤔
Nappaa sitoumukseton etäkahvittelu aika niin jaan ideoitani ja ajatuksiani aiheesta.
Mallit voivat muuttua infrastruktuuriksi
Suhtaudun epäilevästi ajatukseen, että kaikki AI:n tuottama arvo jäisi malliyhtiöille. Evansin kätevänä vertauksensa on pilvi- ja teleinfra: teknologia voi olla valtavan monimutkaista ja silti matalan katteen infrastruktuuria, jos asiakkaalle ei lopulta ole väliä, minkä toimittajan päällä sovellus pyörii.
Tämä on suomalaiselle yritykselle tärkeä muistutus.
Tekoälystrategiaa ei kannata rakentaa sen varaan, että yksi malli voittaa kaiken. Mallit vaihtuvat, hinnat laskevat ja ominaisuudet kopioituvat. Se, mikä tänään tuntuu taialta, on ensi vuonna perusominaisuus.
Kestävämpi etu syntyy kolmesta asiasta:
Omasta datasta ja sen laadusta.
Prosesseista, joihin tekoäly on oikeasti upotettu.
Jakelusta, asiakassuhteista ja toimialaymmärryksestä.
Jos olet tilitoimisto, et voita sillä, että käytät "parasta mallia". Voitat, jos rakennat asiakkaan kirjanpidon, kassavirtaennusteen, verosuunnittelun ja neuvonnan ympärille palvelun, jota kilpailijan on vaikea kopioida.
Jos olet teollisuusyritys, malli ei ole ydinetu. Ydinetu on tuotantodata, laatujärjestelmä, huoltohistoria, toimitusketjun ymmärrys ja kyky viedä tekoäly osaksi työnjohtoa.
Jos olet ohjelmistoyritys, malli on rakennuspalikka. Arvo syntyy käyttöliittymästä, työnkulusta, asiakkaan ongelman ymmärtämisestä ja siitä, että ratkaisu on kiinni arjen järjestelmissä.

Käytännön ohjeet suomalaisille yrityksille
Tästä analyysi muuttuu tekemiseksi. Suomalainen yritys voi aloittaa tekoälytyön neljän laatikon mallilla. Eli aletaan hommiin!


