Työpaikkasi säilyy. Saat saman palkan ja tuotat edelleen jotain hyödyllistä. Silti tieto siitä, että tekoäly pystyisi tekemään tehtävän, voi muuttaa kokemustasi työstä.

Toronton yliopiston taloustieteilijä Joshua S. Gans tarkastelee tätä mahdollisuutta heinäkuussa 2026 ilmestyneessä NBER-työpaperissa Replaceable but Employed: Automation and the Meaning of Work. Sen kysymys osuu tekoälykeskustelun katveeseen: mitä tapahtuu työn arvolle ennen kuin yhtäkään tehtävää automatisoidaan?

Tutkimus on teoreettinen ja vertaisarvioimaton työpaperi. Gans ei raportoi uutta työntekijäkyselyä tai koetta eikä mittaa, kuinka monen työn merkityksellisyys on jo heikentynyt. Hän rakentaa mallin siitä, millä ehdoilla niin voisi käydä. Sen avulla voi myös tarkastella omaa työtä ja suunnitella tekoälyn käyttöönottoa.

Lähdetään katsomaan mistä siinä on oikein kyse 👇

Gans erottaa työn merkityksestä kaksi osaa. Ensimmäinen syntyy hyödyllisestä lopputuloksesta: tekemäni työ auttaa jotakuta. Toinen syntyy omasta panoksesta: lopputulos on osittain minun työni ansiota.

Nämä voivat muuttua eri suuntiin. Kääntäjän tekemä teksti auttaa lukijaa edelleen, vaikka kone pystyisi tuottamaan kelvollisen käännöksen. Ohjelmoijan kirjoittama ohjelma voi toimia yhtä hyvin kuin ennenkin. Muutos koskee sitä, millaisena tekijä näkee oman osuutensa tuloksen syntymisessä.

Mallissa työntekijä vertaa tuotostaan siihen, mitä olisi saatavilla ilman hänen henkilökohtaista panostaan. Kun uskottava konevaihtoehto parantaa tätä vertailukohtaa, oman työn koettu lisäarvo pienenee. Tähän ei tarvita huonompaa suoritusta eikä työnantajan päätöstä korvata ihmistä.

Erottelu auttaa ymmärtämään myös sitä, miksi samasta tekoälytyökalusta voi syntyä erilaisia kokemuksia. Jos merkitys tulee ennen kaikkea asiakkaan saamasta avusta, automaation mahdollisuus ei Gansin perusmallissa vähennä sitä. Jos tekijälle on tärkeää, että apu syntyy juuri hänen osaamisestaan, vertailukohdan muutos voi tuntua suurelta.

Gansin mallissa mielekäs työ on työntekijälle etu, jolla on taloudellista arvoa. Ihminen voi hyväksyä kiinnostavasta ja merkityksellisestä tehtävästä pienemmän korvauksen kuin muuten samanlaisesta työstä. Kun etu heikkenee, tehtävän vastaanottamiseen tai siinä jatkamiseen vaadittu korvaus kasvaa.

Täysin joustavien palkkojen tapauksessa työnantaja korvaa menetyksen korkeammalla palkalla. Työntekijän kokonaishyöty säilyy mallissa ennallaan, mutta ihmistyön kustannus kasvaa yritykselle.

Jos palkka joustaa vain osittain, työntekijälle jää osa haitasta. Jos palkka ei muutu lainkaan, työ voi tuntua aiempaa huonommalta samalla korvauksella. Tämä tulos koskee mallin tilannetta, jossa työsuhde pysyy työntekijälle edelleen hyväksyttävänä; työstä lähteminen vaatisi oman tarkastelunsa.

Palkkareaktio vaikuttaa samalla siihen, kannattaako yrityksen automatisoida tehtävä. Kun ihmisen pitämiseen tarvittava korvaus kasvaa, kone voi muuttua edullisemmaksi vaihtoehdoksi, vaikka sen tekninen suorituskyky ei enää paranisi.

Kuva: AI-Sanomien havainnollistus Gansin teoreettisesta mallista. Osittainen palkkakompensaatio jakaa haitan työntekijän ja työnantajan kesken. Lähde: työpaperin osiot 3.1 ja 3.2.

Tästä ei seuraa ennustetta, että tekoälylle alttiiden ammattien palkat yleisesti nousisivat. Gans huomauttaa, että työpaikkojen määrän ja ammattiin jäävien työntekijöiden muutokset voivat vaikuttaa palkkoihin vastakkaiseen suuntaan. Palkkatilasto yksin ei kerro, mitä työn merkitykselle tapahtui.

Tutkimuksen yllättävin osa koskee ulkopuolista teknologiakehittäjää. Mallissa tämä voi esitellä koneen kyvykkyyden julkisesti ennen kuin myy yritykselle oikeuden käyttää sitä.

Esittely tekee konevaihtoehdosta työntekijälle uskottavan. Jos se vähentää ihmistyön merkityksellisyyttä ja menetys välittyy palkkavaatimukseen, yrityksen nykyinen toimintatapa kallistuu. Tällöin koneesta voidaan pyytää korkeampaa lisenssimaksua.

Tietyillä mallin oletuksilla demo voi jopa synnyttää kysynnän: kone ei olisi ollut ostamisen arvoinen alkuperäiseen ihmistyöhön verrattuna, mutta esittelyn heikentämä vaihtoehto tekee kaupasta kannattavan. Kehittäjä hyötyy muutoksesta kantamatta itse kaikkia sen kustannuksia. Gans kutsuu tätä merkitykseen liittyväksi ulkoisvaikutukseksi.

Tulos on ehdollinen. Mallissa julkinen esittely on maksuton, käyttöoikeuden voi edelleen myydä erikseen eikä esittelyn estämisestä voi sopia sitovasti etukäteen. Lisäksi näkyvyys perustuu todelliseen kyvykkyyteen. Tutkimus ei osoita, että pelkkä katteeton tekoälyhype synnyttäisi saman vaikutuksen tai että jokin nimetty yritys käyttäisi mekanismia tietoisesti.

Teknisen laadun paraneminen ja kyvykkyyden tunnettuuden kasvu on silti hyödyllistä erottaa. Parempi kone voi tuottaa enemmän arvoa. Pelkkä tunnettuuden kasvu ei mallissa paranna tuotosta, vaikka se voi muuttaa ihmistyön asemaa.

Tällaisten erojen lukemiseen sopii henkilökohtaiseen Plus-jäsenyyteen sisältyvä AI-uutisten lukutaito -kurssi. Se auttaa erottamaan tutkimuksen, demon ja tuoteväitteen toisistaan.