Tekoälytyökalu voidaan ottaa käyttöön yhdessä iltapäivässä. Työtapa ei muutu yhtä nopeasti.

Tämä ero näkyy jo suomalaisissa yrityksissä. Tilastokeskuksen mukaan 38 prosenttia vähintään kymmenen henkilöä työllistävistä yrityksistä käytti tekoälyteknologioita keväällä 2025. Dokumentoituja tekoälykäytäntöjä oli kuitenkin vain 15 prosentilla.

Käyttö siis leviää nopeammin kuin yhteiset toimintatavat. Siksi yrityksen tekoälyraportti voi näyttää hyvältä samaan aikaan, kun työ etenee lähes entiseen tahtiin.

Yrityksen AI-alustan admin-näkymä tunnistaa helposti, onko työntekijä avannut työkalun viimeisen 30 päivän aikana. Se ei näe, mitä avaamisen jälkeen tapahtui.

Yksi käyttäjä pyytää tiivistämään sähköpostin. Toinen kokoaa samassa ajassa asiakasanalyysin viidestä lähteestä, tarkistaa väitteet ja tallentaa toimivan työvaiheen muiden käyttöön. Molemmat näkyvät raportissa aktiivisina käyttäjinä.

OpenAI:n yritysasiakasdatassa aktiivisimmat käyttäjät erottuivat selvästi mediaanista. Käyttömäärän 95. prosenttipisteessä olevat työntekijät lähettivät kuusinkertaisen määrän viestejä mediaanikäyttäjään verrattuna. Ohjelmointi- ja data-analyysitehtävissä ero oli vielä suurempi.

Luku kertoo yhden toimittajan asiakkaista, joten sitä ei pidä yleistää koko työelämään. Viestimäärä ei myöskään todista hyötyä. Havainto on silti tärkeä: käyttöasteen sisällä voi olla valtava ero siinä, kuinka laajasti ja vaativasti työkalua hyödynnetään.

Harvardin tutkimusryhmä on kuvannut tekoälyn kyvykkyyksiä rosoiseksi rajapinnaksi. Malli auttaa joissakin tehtävissä paljon ja toisissa vähän tai väärällä tavalla. Siksi osaaminen ei tarkoita mahdollisimman pitkää kehotetta. Taitava käyttäjä tunnistaa, milloin tekoäly sopii tehtävään, mitä kontekstia se tarvitsee ja missä kohdassa ihmisen pitää tarkistaa tulos.

AI-Sanomien katsaus tekoälyn käytöstä yrityksissä auttaa asettamaan käyttöluvut oikeaan mittakaavaan.

Kun uusi tekoälytyökalu avataan koko organisaatiolle, käyttäjät eivät etene yhtenä joukkona. Osa alkaa rakentaa omia työnkulkujaan saman tien. Osa kokeilee työkalua silloin tällöin. Moni jatkaa kuten ennenkin, vaikka lisenssi on olemassa.

Pelkkä kirjautumisten tarkastelu jättää kolme olennaista asiaa piiloon:

Johtopäätös ei ole, että koko henkilöstö pitäisi kouluttaa tehokäyttäjiksi. Kaikkien työ ei sitä vaadi. Yrityksen pitää ensin tietää, missä tehtävissä syvä osaaminen kannattaa ja missä tekoäly on parempi rakentaa valmiiksi osaksi prosessia.

Kuvitellaan kaksi ohjelmistokehittäjää, joilla on käytössään sama koodiavustaja.

Ensimmäinen kirjoittaa: “Korjaa kirjautuminen.” Avustaja muuttaa kuutta tiedostoa. Kehittäjä vilkaisee testien vihreää tulosta ja hyväksyy muutoksen. Viikkoa myöhemmin tuotannossa paljastuu, että samalla vaihtui ympäristöasetuksen oletusarvo.

Toinen kehittäjä rajaa tehtävän yhteen virhetilanteeseen. Hän antaa avustajalle projektin ohjetiedoston, pyytää ensin suunnitelman ja jättää mallille vain harkintaa vaativat kohdat. Toistuvan tarkistuslogiikan hän siirtää testattavaan koodiin. Lopuksi hän lukee koko muutosvertailun, poistaa ylimääräisen asetusrivin ja yhdistää pienen korjauksen.

Ero syntyy neljästä tavasta:

Sama periaate toimii myös myynnissä, markkinoinnissa, taloushallinnossa ja henkilöstötyössä. Jos tehtävä toistuu, hyvä toimintatapa kannattaa tallentaa. Claude-ympäristössä tähän voi käyttää skillejä eli tehtäväkohtaisia taitotiedostoja. AI-Sanomien Claude Skills -opas näyttää rakenteen.

McKinseyn vuoden 2025 kyselyssä 88 prosenttia vastaajista kertoi organisaationsa käyttävän tekoälyä säännöllisesti vähintään yhdessä toiminnossa. Vain noin kolmannes kertoi tekoälyn skaalaamisesta organisaatiossa. Noin kuusi prosenttia täytti tutkimuksen korkean suoriutumisen yhdistelmäehdot, joihin kuuluivat tulosvaikutus ja työnkulkujen uudistaminen.

Kuuden prosentin luku ei ole tekoälyhankkeiden yleinen onnistumisaste. Se kuvaa tiukasti rajattua ryhmää yhden kyselyn sisällä.

Samasta syystä paljon siteerattua väitettä, jonka mukaan 95 prosenttia tekoälypiloteista epäonnistuu, ei pidä lukea yleislakina. MIT:n Project NANDA julkaisi luvun alustavassa raportissa, jossa 95 prosentilla tarkastelluista yrityshankkeista ei havaittu mitattavaa tulosvaikutusta. Raportti myös luettelee oman otoksensa ja mittaustapansa rajoituksia. Luku ei siis tarkoita, että 95 prosenttia kaikesta tekoälyn käytöstä olisi hyödytöntä.

Parempi kysymys kuuluu: kuinka suuri osa työstä muuttui tavalla, jonka voi havaita tuloksessa?

Ajatellaan yritystä, jossa kymmenen prosenttia käyttäjistä kuluttaa 90 prosenttia kaikista tokeneista. Jos kokonaiskulutus kasvaa kymmenkertaiseksi, kasvu voi edelleen tulla lähes kokonaan samalta pieneltä ryhmältä. Yritys näyttää aktiivisemmalta, vaikka enemmistön työ ei olisi muuttunut lainkaan.

Binäärinen aktiivisuusmittari kannattaa korvata vähintään seuraavalla jatkumolla:

Yleinen kehotekoulutus auttaa alkuun, mutta se ei vielä kerro, osaako työntekijä käyttää tekoälyä omassa työssään. Harjoitustehtävän pitää muistuttaa todellista työtä ja arvioinnin pitää tarkastella koko prosessia.

Osaamiskuilu voi jopa kasvaa työkalujen kehittyessä. Uudet agentit, muistitoiminnot ja integraatiot antavat eniten niille, jotka osaavat jo rajata tehtävän, hallita kontekstia ja tarkistaa lopputuloksen. Käyttöliittymä helpottuu, mutta vaativan käytön edellyttämä työtaito kasvaa samalla.

Myynnin harjoitus voi olla tarjouspyynnön analyysi. Taloushallinnossa tehtävänä voi olla ostolaskun poikkeuksen selvittäminen. Viestinnässä työntekijä voi joutua kokoamaan lähteistetyn asiantuntija-artikkelin. Lopputuloksen rinnalla tarkastetaan lähteet, korjaukset, käytetty aika ja tietoturvarajaukset.

Koulutuksen pitäisi vastata viiteen kysymykseen:

Organisaation tehtävä on tehdä hyvän käytännön jakamisesta kannattavaa. Tehokäyttäjä tarvitsee aikaa dokumentointiin, näkyvyyttä työnsä vaikutukselle ja yhteisen paikan, johon taitotiedostot, tarkistuslistat ja esimerkit tallennetaan. Muuten osaaminen jää henkilökohtaiseksi niksiksi.

Yksi käyttöönotto-ohjelma ei palvele kaikkia. Käytännössä organisaatio tarvitsee kaksi rinnakkaista polkua.

Tehokäyttäjille annetaan vaativia tehtäviä, käyttödataa ja mahdollisuus verrata työtapoja. He rakentavat yhteisen kirjaston, jossa jokaisesta käytännöstä näkyvät:

Näin organisaatio ei yritä kopioida yhden ihmisen lahjakkuutta. Se kopioi tarkistettavan prosessin.

Kaikkien ei tarvitse oppia rakentamaan agentteja. Useimmille tavoite on lyhyempi työvaihe ja helpompi päivä, ei itse työkalun mestaruus. Monelle parempi kokemus syntyy, kun tekoäly toimii taustalla siinä järjestelmässä, jossa työ muutenkin tapahtuu.

Agentti voidaan kytkeä suoraan CRM-, ERP- tai taloushallintojärjestelmään. Ostolaskuprosessissa se voi lukea laskun, verrata sitä tilaukseen, ehdottaa tiliöintiä ja nostaa poikkeaman käsittelijälle. Ihminen hyväksyy, hylkää tai korjaa ehdotuksen. Korjauksista kertyy samalla aineistoa prosessin parantamiseen.

Tällainen ratkaisu tarvitsee selkeät käyttöoikeudet, lokituksen, hyväksyntärajat ja pysäytysmekanismin. AI-agentin turvallisuusopas käy läpi valvonnan periaatteet.

Jos taustalla toimivat työpöytäavustajat ovat uusi aihe, lue myös Tekoäly käyttää tietokonettasi. Siinä käsitellään automaation uutta käyttöliittymää ja sen rajoja.

Käyttöastetta ei tarvitse poistaa. Se pitää vain asettaa oikealle paikalle muiden mittareiden rinnalle.

“Sijoitetun pääoman tuotto tokenia kohti” kuulostaa houkuttelevalta, mutta tokeni ei ole liiketoiminnan lopputulos. Talousmittari kannattaa sitoa vakioituun työmäärään, kuten 1 000 käsiteltyyn tapaukseen. Laske mukaan mallikulut, integraatiot, valvonta, ihmisen korjaustyö ja virheiden kustannus.

Tekoälystrategia muuttuu käyttökelpoiseksi vasta, kun se kytketään tällaisiin työn mittareihin. AI-Sanomien 90 päivän tekoälystrategiamalli auttaa viemään valitut kokeilut johtoryhmän rytmiin.

Seuraavan 30 päivän aikana ei tarvita uutta koko yrityksen tekoälyohjelmaa. Valitse yksi riittävän toistuva työnkulku, jossa lopputulos voidaan mitata.

Seuraavassa johtoryhmän raportissa “aktiivisia käyttäjiä” voi yhä pitää mukana. Sen viereen tarvitaan kolme riviä: kuinka suuri osa työstä muuttui, paraniko lopputulos ja paljonko ihmisen korjaustyötä jäi.

Siitä alkaa käyttöasteen sijaan todellinen käyttöönotto.