Professori Sarah Chasins kuvaili leikkisästi kielimallien osaavan tehdä hyvältä näyttävää tekstiä, joten ne ovat hyviä tehtävissä, joissa tarkoitus on tehdä tekstiä, joka näyttää hyvältä (Tech Support 2025). Lausahduksen alatekstistä voi huomata, että hänen mielestään hyvä rakenne ja kielioppi eivät kuitenkaan ole kaikki kaikessa.
MITissä tehty tutkimuksessa todettiin, että vain 5 % generatiiviseen tekoälyyn, esimerkiksi kielimalleihin, perustuvista kehitysprojekteista päätyy vaiheeseen, jossa niiden tuloksia voidaan edes mitata (Challapally et al. 2025). Tutkimus on saanut paljon julkisuutta, mutta kuten usein käy, tutkimusta käsitellään vain huomiota herättävän yksittäisen tuloksen kautta. Kun tutkimuksen lukee tarkemmin, sieltä paljastuu onnistumisen edellytykset.
Yksi tutkimuksen osa käsittelee aloja, joilla generatiivinen tekoäly on todettu toimivaksi ja miten. Tutkimuksen mukaan alueet, joilla generatiiviset tekoälyt ovat aidosti muuttaneet toimintatapoja, ovat teknologia sekä media ja tietoliikenne (Challapally et al. 2025). Mikä erottaa nämä alat esimerkiksi terveydenhuollosta tai rahoituspalveluista, joissa käyttöönotto on ollut hidasta?
Teknologia-alalla on taipumus tehdä tuotteita itselleen. Raportissa mainitaan esimerkkinä disruptiosta uudet työkalut ohjelmistokehittäjille (Challapally et al. 2025, 5). Tekoälyjen käyttöönotto vaatii kehitettävien prosessien ymmärrystä, ja teknologian parissa työskentelevät ihmiset ymmärtävät parhaiten omat prosessinsa, joten työkaluja rakennetaan juuri niihin tarkoituksiin. Samaan aikaan näyttää siltä, että saavutettu etu on itse asiassa lumetta ja todellisuudessa esimerkiksi ohjelmoijat työskentelevät merkittävästi hitaammin näiden työkalujen kanssa. (Becker et al. 2025)
Median parissa taas on tilaa subjektiivisuudelle. Jos esimerkiksi mainoksen kohdistus menee hiukan pieleen tai tulos on heikompi kuin ihmisen tekemä, se ei ole ongelma, jos tämä prosessi voidaan tehdä huomattavasti nopeammin kuin ihmisvoimin. Markkinoinnin ideoinnissakin on tilaa näkemyksille, kun erilaisia toimivia vaihtoehtoja on paljon.
Kolmas ala, jolla generatiivisia tekoälyjä käytetään paljon, on asiantuntijapalvelut. Tutkimuksen mukaan tämä ei näy esimerkiksi laadukkaampana lopputuloksena, vaan kielimallit istuvat helposti näiden yritysten aiempiin työskentelytapoihin, eivätkä ne ole aiheuttaneet varsinaista muutosta. (Challapally et al. 2025)
Juuri näiden alojen edustajat ovat kuitenkin ne, jotka ohjaavat muita käyttämään tekoälyjä. Nämä asiantuntijat perustelevat tekoälyjen käytön vähyyttä esimerkiksi ”taitovajeella”. Suosittelija ei siis ymmärrä, että kielimallien hyödyllisyys ei ole samanlaista kaikissa ammateissa, vaan siirtää vastuun tästä eteenpäin.
Kielimallien käyttö skaalautuu huonosti
AI Jooga on LAB-ammattikorkeakoulun ja LADECin yhteinen projekti, jossa pyritään siirtymään tekoälyjen käytössä henkilökohtaisesta hyödyntämisestä laajemmin koko organisaation prosessien kehittämiseen (LAB 2026).
AI Joogassa tehdyissä yritysten tekoälyvalmiuksien kartoituksissa näkyy, että monessa yrityksessä käytetään kielimalleja tehokkaasti yksittäisten ongelmien ratkaisemiin. Nämä ongelmat ovat usein sellaisia, jotka liittyvät juuri johonkin tiettyyn projektiin tai tehtävään, jotka tehdään vain kerran tai harvoin. Niiden automatisointi ei siis ole tehokasta.
Challapally et al. (2025, 18) antaa monia suosituksia hitaasti eteneville organisaatioille liittyen siihen miten generatiivisia järjestelmiä pitäisi lähestyä. Näiden tavoite on hyvä: ehdotettuja järjestelmiä pyritään rakentamaan tekoälyagenttien avulla joustavammaksi ja helppokäyttöisemmäksi, mutta samaan aikaan tämä on tällä hetkellä hyvin teoreettista. Kukaan ei ole vielä pystynyt osoittamaan, että tämä toimii käytännössä. Agentit ovat suosittu puheenaihe, mutta käytännössä ne ovat kalliita, tekevät paljon virheitä ja luovat tietoturvaongelmia.
Kirjoittaja
Aki Vainio työskentelee tietojenkäsittelyn lehtorina LAB-ammattikorkeakoulussa. Hänen henkilökohtaisen sivustonsa liikenne on kymmenkertaistunut kielimallien nousun jälkeen. Voidaan siis olettaa, että 90 % tämän sivuston liikenteestä on agentteja.
Lähteet
Becker, J., Rush, N., Barnes, B. & Rein, D. 2025. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv. Viitattu 15.6.2026. Saatavissa https://arxiv.org/pdf/2507.09089
Challapally, A., Pease, C., Raskar, R. & Chari, P. 2025. The GenAI Divide – The state of AI in business 2025. MIT NANDA. Viitattu 8.5.2026. Saatavissa https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
LAB. 2026. AI Jooga – tekoälyllä innovoiden liikkuvuutta ja voimaa liiketoimintaan. Hanke. LAB-ammattikorkeakoulu. Viitattu 8.5.2026. Saatavissa https://lab.fi/fi/projekti/ai-jooga-tekoalylla-innovoiden-liikkuvuutta-ja-voimaa-liiketoimintaan
madartzgraphics. 2016. Headache, Head ache, Pain image. Free for use. Pixabay. Viitattu 17.5.2026. Saatavissa https://pixabay.com/photos/headache-head-ache-pain-head-ache-1910644/
Tech Support. 2025. Professor Answers Coding Questions (video). WIRED. Viitattu 15.5.2026. Saatavissa https://www.youtube.com/watch?v=PZ_ebxkNZmo
