Kun työntekijä ei käytä tekoälyä, johto näkee helposti asenneongelman. Todellinen este voi olla kiire, puuttuva käyttöoikeus, pelko työn muuttumisesta, perusteltu pettymys laatuun tai se, ettei tekoälystä ole kyseisessä tehtävässä vielä hyötyä.

Siksi ensimmäisen kysymyksen pitäisi olla: mitä näyttöä meillä on siitä, miksi tämä henkilö ei käytä tekoälyä?

Tässä oppaassa kuvattu L0–L3-malli antaa yhteisen kielen yrityksen eri käyttötavoille. Se ei ole tieteellisesti validoitu kypsyysmittari eikä henkilöstön arvosana. Sama ihminen voi olla L1 yhdessä tehtävässä ja L0 toisessa. Kaikkien ei myöskään tarvitse edetä L3-tasolle. Nämä ovat huomioita ja esimerkkejä elävästä elämästä työskenneltyäni yli 3 vuotta yrityksien AI-valmentajana ja -kouluttajana.

Mallin lähdeketju on hyvä tuntea ennen sen käyttöä. Peter Yang kuvasi maaliskuussa 2026 julkaistussa artikkelissaan Ramp-yhtiössä käytettyä nelitasoista ajattelua. Siinä tasot muodostivat selvästi nousevan asteikon, jolla työntekijöitä haluttiin siirtää ylöspäin.

Heti alussa on mielestäni tärkeä painottaa, että L1 ole L0:aa parempi ihminen tai työntekijä. Tasot kuvaavat erilaisia tapoja suhtautua tekoälyyn ja käyttää sitä organisaatiossa.

Tämä opas perustuu podcastissa esitettyyn sovellukseen. Mukana on lisäksi yksi AI-Sanomien käytännön täydennys: L0-tilanne, jossa työntekijä haluaisi käyttää tekoälyä mutta ei saa tai pysty käyttämään sitä.

Kehikossa on neljä tasoa. L4-tasoa podcastissa ei määritellä, joten sellaista ei lisätä tähänkään oppaaseen.

Taso kannattaa merkitä työtehtävälle, ei ihmisen otsaan. Myyntipäällikkö voi käyttää tekoälyä päivittäin tarjousten valmistelussa, rakentaa tiimilleen toistettavan asiakasanalyysin ja jättää luottamukselliset sopimusneuvottelut kokonaan tekoälyn ulkopuolelle. Samalla henkilöllä on silloin L1-, L2- ja L0-toimintaa.

L0 kertoo vain näkyvästä lopputuloksesta: tekoäly ei ole merkityksellinen osa henkilön työtä. Se ei kerro syytä. Siksi L0-tason henkilöiden kouluttaminen on liian karkea toimenpide. Eri tilanteet tarvitsevat eri vastauksen.

Näennäiskäyttäjä osallistuu koulutukseen, avaa työkalun ja lähettää pyydetyn viestin. Sitten hän palaa entiseen työtapaansa. Tekoälyn käyttö näkyy tilastossa mutta ei työssä.

Syynä voi olla irrallinen yleiskoulutus. Henkilö oppi käyttämään käyttöliittymää mutta ei löytänyt yhtään omaan työhön sopivaa tehtävää. Jos johto seuraa kirjautumisia, näennäiskäyttö näyttää vieläpä onnistumiselta.

Kaikki eivät innostu uudesta teknologiasta. Kiinnostumaton työntekijä ei välttämättä vastusta muutosta. Hän ei vain näe yhteyttä työkalun ja oman työnsä välillä.

Yleinen puhe tuottavuudesta harvoin korjaa tätä. Parempi testi on yksi konkreettinen käyttötapaus, esimerkiksi asiakkaan pitkän viestin tiivistäminen ennen vastaamista. Jos tehtävästä ei synny hyötyä, kokeilua ei tarvitse väkisin jatkaa.

Uuden työkalun opettelu vie aluksi aikaa. Kokenut asiantuntija voi tehdä nykyisen tehtävänsä nopeasti ja laadukkaasti, kun taas tekoälykokeilu hidastaa työtä viikkojen ajan. Yrityksen parhaat suorittajat voivat aivan perustellusti kuulua tähän ryhmään.

Tällöin johto päättää, kannattaako toimivaa työtä häiritä. Jos kokeilulle on painava syy, se tarvitsee varattua työaikaa. Uutta oppimista ei voi piilottaa täyteen työpäivään.

Työntekijä voi pelätä, että tekoäly vähentää henkilöstöä, kaventaa hänen päätösvaltaansa tai tekee hänen osaamisestaan vähemmän arvokasta. Huolta ei poisteta sillä, että johto kertoo tekoälyn olevan ”vain työkalu”. Työn muuttumisesta tarvitaan rehellisempi keskustelu.

Yhdysvaltalaisen Pew Research Centerin vuoden 2025 kyselyssä huoli tekoälyn vaikutuksesta työpaikkoihin oli yleinen. Tuloksia ei voi siirtää suoraan Suomeen, mutta niiden perusteella huolta ei kannata kuitata yksittäisen työntekijän tekosyynä.

Kuunteleva ilmapiiri auttaa tässä. Amy Edmondsonin psykologista turvallisuutta käsitellyt tutkimus yhdisti turvallisuuden palautteen pyytämiseen, virheistä keskusteluun ja kokeilemiseen. Tutkimus ei käsitellyt tekoälyä, mutta sen johtamisoppi sopii tähän: ihmiset tuovat keskeneräiset kokeilut ja ongelmat todennäköisemmin esiin, kun he eivät pelkää siitä seuraavan rangaistusta.

Työn muutosta kannattaa käsitellä tehtävien kautta. AI-Sanomien analyysi Tekoäly ei vie työtäsi. Se vie osan tehtävistäsi auttaa erottamaan ammatin, tehtävät ja vastuut toisistaan.

Laatuun pettynyt työntekijä on jo kokeillut tekoälyä. Tulos ei täyttänyt asiakkaan, lain, ammattikäytännön tai oman työn vaatimuksia. Tämä kritiikki voi olla yrityksen arvokkainta palautetta.

758 konsultin kenttäkokeessa GPT-4 auttoi mallille sopivissa tehtävissä mutta heikensi tuloksia mallin osaamisrajan ulkopuolisessa tehtävässä. Myös 5 172 asiakaspalvelijaa koskenut tutkimus osoitti hyötyjen vaihtelevan työntekijän kokemuksen mukaan. Sama työkalu ei siis auta kaikkia tehtäviä tai käyttäjiä samalla tavalla.

Tämä kuudes ryhmä on AI-Sanomien käytännön täydennys podcastin viiteen ryhmään. Siihen kuuluu työntekijä, joka haluaisi käyttää tekoälyä mutta ei pysty tai saa käyttää sitä.

Hyväksytty työkalu, lisenssi tai käyttöoikeus voi puuttua. Tarvittava aineisto voi olla liian arkaluonteista tarjolla olevassa palvelussa käsiteltäväksi. Ohjeistus voi olla niin epäselvä, että käyttämättömyys on turvallisin valinta. Myös saavutettavuus, kieli, laite, verkkoyhteys tai työn fyysinen luonne voi estää käytön.

Haastattelussa kannattaa kysyä ainakin nämä seitsemän kysymystä:

Käyttömäärä ei ratkaise näitä kysymyksiä. AI-Sanomien opas Tekoälyn käyttöaste on väärä mittari näyttää, miksi työn muutos ja tuotoksen laatu kertovat enemmän kuin kirjautumisten määrä.

L1 käyttää tekoälyä säännöllisesti ja voi kokea, ettei enää halua työskennellä ilman sitä. Tyypillisiä tehtäviä ovat sähköpostien luonnostelu, tiivistäminen, teknisen dokumentaation tulkinta, ideointi, vaihtoehtojen vertailu ja kokouksiin valmistautuminen.

Hyöty kohdistuu yleensä käyttäjän omaan työhön. Toimiva käyttötapa voi jäädä yksityiseksi niksiksi, jota yritys ei osaa toistaa tai mitata. Runsas käyttö ei myöskään tee ihmisestä automaattisesti L2-rakentajaa.