Tekoälyn taloudesta on puhuttu kahdella tavalla. Toisessa kaikki on kuplaa. Toisessa kaikki kasvaa rajatta.

Exponential View'n tuore The State of the AI Economy -raportti yrittää tehdä asiasta tylsemmän ja hyödyllisemmän: laskea, paljonko generatiivisesta tekoälystä todella maksetaan, missä kohtaa pinoa raha näkyy ja miten se suhteutuu valtavaan infrastruktuurirakentamiseen.

Raportin pääväite on selvä. AI-kysyntä on todellisempaa kuin monessa aiemmassa teknologiavaiheessa, koska se näkyy jo toteutuneena liikevaihtona. Samalla investointien kokoluokka on niin suuri, että pelkkä kasvu ei riitä. Hinnan, tokenimäärän, käyttöasteen ja asiakasarvon pitää osua yhtä aikaa kohdalleen.

Raportti rajaa luvut tarkasti. Mukana ovat GenAI-sovellukset, foundation model -rajapinnat ja AI-pilvi tai compute silloin, kun ne myydään erillisenä palveluna. Ulkona ovat sirut, AI-mainonnan vaikutus, legacy-ohjelmistojen AI-lisäominaisuudet, rahoitus ja investoinnit. Liikevaihtoluvut ovat pääosin globaaleja Kiina pois lukien.

Tämä rajaus on tärkeä, koska muuten sama dollari näkyisi monta kertaa. Jos asiakas maksaa sovellukselle 100 dollaria, sovellus maksaa mallitoimittajalle 60 dollaria ja mallitoimittaja maksaa inferenssihostauksesta 30 dollaria, markkina ei ole 190 dollaria. Exponential View jakaa arvonlisän pinoon niin, että sama raha lasketaan vain kerran.

Raportin hyödyllisin lähtökohta on kysynnän näkyvyysongelma. Siruyhtiöt ja hyperskaalaajat raportoivat julkisesti paljon. Niiden CapEx, tilaukset ja marginaalit näkyvät sijoittajille. Asiakaspuoli on ollut hankalampi: suurimmat mallilaboratoriot ovat yksityisiä, ja julkiset ohjelmistoyhtiöt piilottavat AI-tulot usein isompien segmenttien sisään.

Raportin mukaan generatiivisen AI-talouden kasvu on poikkeuksellisen nopeaa. Vuonna 2023 alalla kesti 180 päivää lisätä uusi miljardi dollaria kumulatiivista liikevaihtoa. Nyt siihen menee alle kaksi päivää. Realisoitu liikevaihto kasvaa raportin mukaan kolme kertaa nopeammin kuin aiemmat IT-aallot.

Tämä ei vielä todista, että kaikki nykyiset AI-yhtiöt ovat hyviä sijoituksia. Se todistaa vähemmän, mutta tärkeämmän asian: kysyntä ei ole kokonaan kuvitteellista. Yritykset ja kuluttajat maksavat jo AI-sovelluksista, mallirajapinnoista ja laskennasta.

Samalla raportti muistuttaa mittakaavasta. 175 miljardin dollarin vuosivauhti kuulostaa valtavalta, mutta suhteessa Yhdysvaltain BKT:hen AI-liikevaihto on vasta 0,42 prosenttia. IT-sektorin osuus on raportissa 9,4 prosenttia. AI on siis yhtä aikaa iso ja varhainen.

Raportti katsoo myös, millaisia hyötyjä yritykset itse väittävät saavansa. S&P 500 -yhtiöiden AI-maininnoista seitsemän kymmenestä liittyy kustannussäästöihin, ajansäästöön tai läpimenon kasvuun. Liikevaihdon kasvu on pienempi osa väitteitä.

Tämä on loogista.

Jos yritys säästää miljoonan kustannuksissa, se näkyy suoraan katteessa. Jos yritys lisää miljoonan liikevaihtoa, sen päälle tulee usein myynnin, palvelun, toimituksen ja asiakastuen kustannuksia. Siksi ensimmäiset AI-hankkeet näyttävät usein tehokkuushankkeilta.

Se ei tee niistä huonoja. Mutta se rajaa odotuksia.

AI-Sanomissa käsittelin samaa ilmiötä jutussa Tekoäly ei vie työtäsi. Se vie osan tehtävistäsi. Tekoälyn arvo ei synny vain siitä, että nykyinen tehtävä tehdään nopeammin. Suurempi arvo syntyy, kun työnkulku suunnitellaan uudelleen. Raportin luvut sopivat tähän kuvaan: ensin säästetään, vasta myöhemmin rakennetaan uusia prosesseja ja tuotteita.

Yritykselle tämä tarkoittaa kahta mittaria rinnakkain:

Ensimmäinen kysymys maksaa investointia takaisin. Toinen ratkaisee, syntyykö pysyvää kilpailuetua.

Raportin dramaattisin osio käsittelee investointeja. Hyperskaalaajien ja neocloudien kumulatiivinen CapEx yltää Exponential View'n mukaan 2 biljoonaan dollariin vuoteen 2026E mennessä. AI-linkitetty investointi on 535 miljardia dollaria yli pre-AI-trendin.

Tätä lukua pitää lukea varovasti.

Raportti huomauttaa itse, että kokonais-CapEx ei ole sama asia kuin puhdas AI-CapEx. Microsoft, Amazon, Google, Oracle, Meta ja neocloudit rakentavat samaan aikaan tavallista pilveä, SaaS-kapasiteettia, logistiikkaa, metaverse-hankkeita ja muuta infrastruktuuria. Silti suunnan näkee: AI on muuttanut investointikäyrää.

Keskustelu AI-kuplasta osuu yleensä tähän kohtaan. Jos kaikki rakentavat konesaleja, siruja ja sähkökapasiteettia samaan aikaan, kysymys on yksinkertainen: kuka maksaa käytön?

Exponential View'n vastaus on alustavasti myönteinen, mutta varovainen. Q4 2025 oli raportin mukaan ensimmäinen neljännes, jolloin AI-infran neljännesvuositulot ylittivät CapExin poistokuorman. Q1 2026:ssa headroom oli 19 prosenttia hyperskaalaaja ja neocloud -tuloissa ja 32 prosenttia kaikissa GenAI-tuloissa.

Tämä on hyvä uutinen vain tietyllä tavalla. Tulot kattavat nykyisen poistotason. Ne eivät vielä todista, että koko kumulatiivinen rakentaminen on kannattavaa, eivätkä ne huomioi kaikkia muita kustannuksia. Raportin oma sanamuoto on käytännössä tämä: nyt mennään juuri ja juuri yli riman, mutta seuraava rima nousee sitä mukaa kun uutta kapasiteettia tulee käyttöön.

Raportin neljäs iso teema on token. Se ei ole täydellinen arvon mittari, mutta se on tällä hetkellä paras yhteinen yksikkö AI-talouden seuraamiseen.

Tokenimäärät ovat raportin mukaan kasvaneet yli 30 × 10^15 tokeniin kuukaudessa. Se tarkoittaa yli 30 miljoonaa miljardia tokenia kuukaudessa. Vuosikasvuksi raportti arvioi 14-kertaisen kasvun.

Tämä kasvu ei tule vain chatboteista. Agentit, päättelymallit, työkalukutsut, koodausagentit ja monivaiheiset työnkulut kuluttavat paljon enemmän tokeneita kuin yksittäinen keskustelu. Kun malli lukee dokumentteja, suunnittelee tehtävän, kutsuu työkaluja, tarkistaa vastauksen ja korjaa itseään, tokenikulutus kasvaa nopeasti.

Tämä näkyy jo arjen käyttökokemuksessa. Yksinkertainen kysymys voi maksaa hyvin vähän. Monivaiheinen agenttityö voi käyttää samaan tavoitteeseen satoja kertoja enemmän tokeneita. Siksi kuuden kerroksen agenttiarkkitehtuurioppaassa mallikerroksen valinta ei ole vain kysymys siitä, mikä malli on paras. Se on kysymys siitä, mitkä mallit valitaan, milloin niitä käytetään, miten niitä reititetään ja miten kustannuksia seurataan.

Raportin kiinnostavin tokeniväite koskee hintajoustoa. Exponential View arvioi tokenikysynnän hintajoustoksi noin 1,2-1,8. Käytännössä: jos tokenien hinta laskee 10 prosenttia, käyttö kasvaa 12-18 prosenttia. Tällöin kokonaiskulutus voi kasvaa, vaikka yksikköhinta laskee.

Tässä on AI-talouden ydinkysymys. Jos Sam Altmanin väite pitää edes osittain paikkansa, eli saman AI-tason käyttö halpenee noin 10-kertaisesti vuodessa, vanhat kannattavuuslaskelmat vanhenevat nopeasti. Käyttötapaus, joka oli vuosi sitten liian kallis, voi olla tänään järkevä. Ja käyttötapaus, joka on tänään rajalla, voi ensi vuonna olla oletustoiminto.

Tokenimäärä on helppo laskea. Arvoa on vaikeampi laskea.

Raportti tekee hyvän erottelun. Syöttötokenit ja päättelytokenit ovat usein tuotantokustannusta. Käyttäjä ei maksa niistä siksi, että tokeni itsessään olisi arvokas, vaan siksi, että niiden avulla syntyy hyödyllinen lopputulos. Siksi Exponential View ehdottaa laadulla painotettuja output-tokeneita paremmaksi arvon yksiköksi.

Tämä kuulostaa tekniseltä, mutta yritykselle ajatus on hyvin käytännöllinen. Ei kannata mitata vain sitä, paljonko AI:tä käytetään. Pitää mitata, mitä käytöllä saadaan aikaan.

Hyviä mittareita ovat esimerkiksi:

Jos yritys optimoi vain tokenihintaa, se voi säästää väärästä kohdasta. Jos se optimoi vain parasta mallia, se voi maksaa turhasta. Oikea kysymys on, mikä malli ja mikä työnkulku tuottaa riittävän hyvän lopputuloksen pienimmällä kokonaiskustannuksella.

Raportin viides osa käsittelee arvon kaappausta. Tekoälypino alkaa siruista ja energiasta, jatkuu hostaukseen ja malleihin, ja päätyy sovelluksiin sekä käyttäjän saamaan hyötyyn.

Exponential View'n mukaan liikevaihto on yhä keskittynyttä, mutta sekoitus muuttuu. Arvo liikkuu pinoa ylöspäin sovelluksiin ja malleihin.

Tässä on kaksi yhtä aikaa totta olevaa asiaa.

Ensinnäkin Nvidia ja infrastruktuuritoimijat ovat olleet AI-aallon selviä voittajia, koska fyysinen pullonkaula on ollut laskenta. Toiseksi pitkäaikainen asiakasarvo ei välttämättä jää pysyvästi sinne. Jos laskenta halpenee, mallit lähestyvät toisiaan ja avoimet painot kurovat eroa kiinni, sovelluksen työnkulku, data ja jakelu alkavat painaa enemmän.

Raportti kiteyttää tämän mallilaboratorioiden näkökulmasta: frontier-laboratoriot voivat puolustaa preemiohinnoittelua jonkin aikaa, mutta eilisen frontier muuttuu nopeasti tavaraksi. Avoimet mallit painavat hintaa alaspäin, varsinkin tehtävissä, joissa riittää hyvä ja halpa malli.

OpenRouter-data havainnollistaa ilmiötä. Raportin mukaan itsevalikoituneilla OpenRouter-käyttäjillä Google + OpenAI + Anthropic -mallien tokeniosuus on laskenut 72 prosentista 33 prosenttiin. Tämä ei kuvaa koko markkinaa, mutta se kertoo kehittäjien ja mallireitityksen suunnasta.

Tämä liittyy suoraan suomalaisen yrityksen AI-strategiaan. Yhteen malliin lukittuminen on huono lähtökohta. Mallit vaihtuvat, hinnat laskevat ja ominaisuudet kopioituvat. Arvo syntyy yhä useammin siitä, että yrityksellä on oma data, omat arviointikriteerit, omat työnkulut ja kyky vaihtaa mallia ilman että koko järjestelmä rakennetaan uudelleen.

Avoimista malleista kirjoitin myös AI-Sanomien Gemma 4 -artikkelissa. Kun mallit toimivat paikallisesti tai omassa ympäristössä, kustannus ei ole ainoa hyöty. Datan sijainti, tietosuoja ja riippumattomuus muuttuvat strategisiksi kysymyksiksi.

Raportti ei ole käytännön opas suomalaiselle pk-yritykselle, mutta siitä voi johtaa selkeän toimintamallin.

Monessa organisaatiossa AI-kulut ovat vielä sekalainen kasa ChatGPT-tilauksia, Copilot-lisenssejä, API-laskuja, kokeiluprojekteja ja kehittäjien omia työkaluja. Se riitti kokeiluvaiheessa. Tuotantovaiheessa se ei riitä.

Seuraa ainakin:

Jos et mittaa tätä, et tiedä, syntyykö AI:stä arvoa vai vain uusi SaaS-lasku.

Kaikkea ei kannata ajaa parhaalla mallilla. Kaikkea ei kannata ajaa halvimmalla mallilla.

Yksinkertainen reititysmalli voi näyttää tältä:

Tämä on sama perusajatus kuin pilvessä yleensä. Et aja kaikkea kalleimmalla instanssilla vain siksi, että se on paras. Valitset resurssin tehtävän mukaan.

Raportti näyttää, että tokenimäärät kasvavat valtavasti. Yrityksessä sama ansa näkyy käyttöasteena. Jos työntekijät käyttävät AI:tä paljon, se näyttää hyvältä. Mutta käyttö ei vielä kerro arvoa.

Hyvä AI-mittari päättyy liiketoimintaan tai työhön:

Tokeni on laskutusyksikkö. Tehty työ on arvon yksikkö.

Raportin avoin mallikulma on erityisen tärkeä. Jos avoimet mallit kurovat kiinni riittävän monessa tehtävässä, suljettujen mallien hinnoitteluvoima kapenee. Tämä ei tarkoita, että frontier-mallit katoavat. Se tarkoittaa, että niiden käyttö pitää perustella.

Yrityksen kannattaa siksi erottaa kolme asiaa:

Tämä jako säästää rahaa ja vähentää toimittajalukkoa.

Stanfordin AI Index 2026 -koosteessa yksi kiinnostavimmista luvuista oli GPT-3.5-tasoisen mallin käytön hinnan romahdus: noin 20 dollarista 0,07 dollariin miljoonaa tokenia kohti marraskuun 2022 ja lokakuun 2024 välillä. Exponential View'n raportti vie saman ajatuksen pidemmälle: jos hinnat laskevat ja käyttö kasvaa vielä nopeammin, AI:n kannattavuusraja liikkuu jatkuvasti.

Tämä tarkoittaa, että vuoden 2024 laskelma ei riitä vuoden 2026 päätökseen. Tee uudelleen ne laskelmat, joissa AI jäi liian kalliiksi. Erityisesti kannattaa tarkistaa:

Jos kustannus on pudonnut ja laatu noussut, aiemmin järjetön käyttötapaus voi olla nyt tylsän kannattava.

Raportin perusteella parempi kysymys ei ole, onko AI kupla. Parempi kysymys on, missä kohtaa pinoa arvo lopulta jää käteen.

Kysyntä näyttää todelliselta. Liikevaihto kasvaa nopeasti. Tokenimäärät kasvavat vielä nopeammin. Konesaleja rakennetaan valtavalla vauhdilla. Samaan aikaan hinnat laskevat, avoimet mallit painavat preemioita ja sovelluskerros yrittää kaapata asiakkaan arjen.

Tämä on epämukava yhdistelmä. Se voi olla samaan aikaan hyvä teknologialle, hyvä käyttäjille ja vaikea monelle nykyiselle liiketoimintamallille.

Suomalaisen yrityksen johtopäätös on käytännöllinen. Älä rakenna AI-strategiaa yksittäisen mallin, yksittäisen toimittajan tai tämän hetken hinnaston varaan. Rakenna kyky mitata käyttöä, vaihtaa mallia, suojata dataa, reitittää tehtäviä ja arvioida lopputuloksia.

AI-talouden isoin taistelu ei ole enää vain siitä, kuka kouluttaa älykkäimmän mallin. Se on siitä, kuka muuttaa laskennan, datan ja työnkulut oikeaksi asiakasarvoksi.

Lisää tekoälyoppaita ja -uutisia: aisanomat.fi