Tekoäly
Julkaistu : 01.04.2026
Generatiivisen tekoälyn (GenAI) nopea yleistyminen on luonut organisaatioille uuden haasteen, miten arvioida realistisesti omaa valmiutta hyödyntää GenAI:ta liiketoiminnassa. Kypsyysmallit ovat työkaluja, jotka on kehitetty juuri tähän tarpeeseen. Niiden avulla organisaatio voi tunnistaa nykyisen tilansa, asettaa realistisia tavoitteita ja suunnitella kehityspolkunsa. Kypsyysmalleja on kehitetty eri toiminta-aloille, alun perin laadun varmistukseen rakennettu kehikko (Crosby 1979) on laajasti levinnyt erilaisiin IT prosesseihin mutta myös esimerkiksi taloushallintoon (Kortesalmi 2025).
AIKAA!-hankkeessa lähdimme liikkeelle kartoittamalla, mitä tekoälyn ja erityisesti generatiivisen tekoälyn kypsyysmalleja on jo saatavilla. Tavoitteena oli löytää valmis, käyttökelpoinen työkalu hankkeemme kohdeyrityksille. Vaihtoehtoja oli tarjolla niin akateemiselta kuin kaupalliselta kentältä.
Olemassa olevien mallien kartoitus
Tarkastelimme useita eri malleja. Akateemiselta puolelta tutustuimme muun muassa Schuster et al. (2021) ja Schmidgal et al. (2022) pk-yrityksille suunnattuihin tekoälykypsyysmalleihin, joissa molemmissa hyödynnetään viittä tasoa ja useita dimensioita. Perehdyimme myös Haaga-Heliassa kehitettyyn toiminnalliseen arviointityökaluun ja sen kysymyspatteristoon (Kudryavtsev ym. 2025).
Kaupalliselta puolelta kävimme läpi EY:n generatiivisen tekoälyn kypsyysmallin, AWS:n GenAI-kypsyysmallin (2024), EU:n EDIH-verkoston Open DMAT -arviointityökalun (European Commission n.d.) sekä BDC:n digitaalisen kypsyyden arviointikyselyn (2024).
Erityisen lupaavalta vaikutti Banhin (2025) GAI-MM-malli (Generative AI Maturity Model), joka on suunniteltu nimenomaan generatiivisen tekoälyn organisatorisen käyttöönoton tukemiseen. Se jäsentää kypsyyden viiteen tasoon ja tarkastelee viittä keskeistä ulottuvuutta: ihmisiä, organisaatiota, prosesseja, dataa ja teknologiaa. Tämä kokonaisuus vaikutti riittävän kattavalta ja samalla GenAI-spesifiltä lähtökohdalta.
PK-yrityksille oma kypsyysmalli
Ongelma oli kuitenkin lähes yhteinen kaikille löytämillemme malleille: ne oli suunniteltu suurempien organisaatioiden tarpeisiin tai edellyttivät sellaista taustaymmärrystä, jota hankkeemme kohdeyrityksillä ei välttämättä ole. AIKAA!-hanke kohdistuu pk-yrityksiin, joille generatiivinen tekoäly saattaa olla vasta ensikosketuksessa. Tarvitsimme mallin, joka on riittävän yksinkertainen ollakseen käyttökelpoinen mutta riittävän kattava ollakseen merkityksellinen.
Päätimme rakentaa oman mallin olemassa olevien pohjalta. GAI-MM:n viitekehys toimi tärkeimpänä lähtökohtana, mutta muokkasimme rakennetta, tasoja. Lisäsimme myös kysymyspatteriston, jonka avulla kypsyystason voi määrittää jopa itse.
AIKAA!-hankkeen GenAI-kypsyysmalli
Kehittämämme malli sisältää viisi kypsyystasoa ja viisi arvioitavaa ulottuvuutta (kts. taulukko alla). Tasot kuvaavat organisaation etenemistä GenAI:n ensiaskelista kohti strategista hyödyntämistä. Ulottuvuudet puolestaan varmistavat, että arviointi kattaa sekä teknisen että inhimillisen ja strategisen näkökulman.
Malli käytännössä: ensimmäiset kokemukset
Kypsyysmallit saattavat antaa harhaanjohtavan kuvan siitä, että jokaisen organisaation tulisi pyrkiä korkeimmalle tasolle. Näin malleja ei tarvitse kuitenkaan käyttää.
Esimerkiksi kehittämässämme mallissa useimmille pk-yrityksille taso 3 (Hyödyntäjä) on realistinen ja samalla erittäin arvokas tavoite: GenAI on aktiivisessa käytössä, prosessit tehostuvat ja organisaatio oppii jatkuvasti. Taso 5 on luonteva tavoite yrityksille, jotka myyvät tai kehittävät itse GenAI-pohjaisia ratkaisuja. Tällaisia pk-yrityksiä löytyy Suomesta jo enenevissä määrin.
Mallin tueksi kehitimme strukturoidun kysymyspatteriston, joka kattaa kaikki viisi ulottuvuutta. Olemme testanneet mallia jo kolmessa suomalaisessa pk-yrityksessä, ja kokemukset ovat olleet rohkaisevia. Yritys saa testituloksensa sekä kirjallisesti, että tiivistettynä (Kuva 1).Jatkamme mallin testaamista ja kehittämistä ja julkaisemme lopullisen GenAI kypsyysmallin syksyllä.
Malli ei toimi ainoastaan mittausvälineenä. Arviointikeskustelu itsessään on osoittautunut arvokkaaksi, sillä se auttaa organisaatioita jäsentämään omaa suhdettaan generatiiviseen tekoälyyn ja tunnistamaan konkreettisia kehitysaskeleita.
AIKAA! Älykästä ja inhimillistä automaatiota mikro- ja PK-yritysten arkeen -hanke kehittää generatiivisen tekoälyn hyödyntämistä suomalaisissa mikro- ja pk-yrityksissä tavoitteenaan parantaa sekä työhyvinvointia että tuottavuutta. Hankkeessa arvioidaan yritysten GenAI-kypsyystaso, pilotoidaan käytännön ratkaisuja ja tuetaan verkostoitumista yritysten ja asiantuntijoiden välillä. Tulokset ja parhaat käytännöt levitetään valtakunnallisesti, jotta ne hyödyttävät laajasti eri toimialoja ja oppilaitoksia.
Lähteet
AWS. 2024. Maturity model for adopting generative AI. AWS Prescriptive Guidance. Url: Maturity model for adopting generative AI on AWS – AWS Prescriptive Guidance.
Banh, L. 2025. Developing a Generative AI Maturity Model for Supporting the Organizational Adoption Journey. GAI-MM. Conference: 20th International Conference on Wirtschaftsinformatik. Munster, Germany.
BDC. 2024. Digital Maturity Assessment. Luettu 10.12.2025.
Crosby, P. B. 1979. Quality is Free – The Art of Making Quality Certain (W. H. Morgan & C. Nagy, Eds.). McGrawHill.
European Commission. European Digital Innovation Hubs Network. Open DMAT – Digital Maturity Assessment Tool. Luettu 11.12.2015.
Kortesalmi, H. 2025. Intelligent accounting digital maturity model for small and medium-sized accounting firms. Journal of Accounting & Organizational Change, Vol. 21 No. 7 pp. 307–329.
Kudryavtsev, D., Moilanen, T., Laatikainen, E. & Khan, U. A. 2025. AI Implementation Capability Assessment and Development Planning: Towards a Tool for SMEs. 2025 IEEE 23rd World Symposium on Applied Machine Intelligence and Informatics (SAMI).
Schmidgal, B., Kujath, M., Kolomiichuk, S.,Rentzsch, M., and Häberer, S. 2022. Development of an AI Maturity Model for Small and Medium-sized Enterprises. 2nd IFSA Winter Conference on Automation, Robotics & Communications for Industry 4.0 (ARCI’ 2022), Andorra la Vella, Andorra.
Schuster, T., Waidelich, L., Volz, R. 2021. Maturity Models for the Assessment of Artificial Intelligence in Small and Medium-Sized Enterprises. In: Wrycza, S., Maślankowski, J. (eds) Digital Transformation. PLAIS EuroSymposium 2021. Lecture Notes in Business Information Processing, vol 429. Springer, Cham.
Kirjoittajat ovat pyytäneet tekoälyltä palautetta ja korjausehdotuksia ammattiyleisölle kohdistetusta kirjoituksesta.
Kuva: Shutterstock