Tekoäly
Julkaistu : 28.04.2026
Luovuus on arjen selviytymisen ja hyvinvoinnin voimavara. Nykyisessä työelämässä paineet, aikatauluhaasteet ja jatkuvat muutokset vaativat meiltä kykyä löytää uusia ratkaisuja nopeasti ja joustavasti. Luovuus toimii tässä ’lisätehon’ lähteenä: se auttaa yksilöitä ja tiimejä keksimään keinoja sujuvoittaa työtä, keventää kuormaa ja toimia viisaammin, ei vain nopeammin tai tehokkaammin.
On selvää, että generatiivinen tekoäly (GenAI) muuttaa käyttäjän luovaa prosessia. Useissa tutkimuksissa on selvitetty, onko GenAI oikeasti luova (ks. esim. Luan, Kim & Zhou 2025). Vähemmän tutkimuksia sen sijaan on siitä, miten tekoälyn käyttö on yhteydessä ihmisen luovuuteen.
EU:n osarahoittamassa ja Haaga-Helia ammattikorkeakoulun toteuttamassa GEKKO-hankkeessa tunnistamme tapoja, joilla työntekijät voivat käyttää GenAI:ta organisaation arjessa tukemaan oppimista ja luovaa ongelmanratkaisua, ja selvitämme, miten työntekijän oppiminen GenAI:n kanssa voi siirtyä koko organisaation oppimiseksi.
Luovuus – tehokkuuden ja hyvinvoinnin tuki
Luovuus on yhteydessä positiivisiin tunteisiin. Luovuuden ja hyvinvoinnin välinen yhteys liittyy ainakin jossain määrin itsemääräytymisteoriasta tuttuihin perustarpeisiin: autonomiaan, kyvykkyyteen ja yhteenkuuluvuuteen. (Putney ym. 2024.) Luovat työskentelytavat tarjoavat tilaa oppimiselle ja merkityksellisyyden kokemuksille (Kaufman & Beghetto 2009).
Näin ymmärrettynä luovuus liittyy sekä selviytymiskykyyn että kukoistamiseen. Luovuus auttaa navigoimaan paineisen arjen keskellä ja samalla rakentamaan parempaa työelämää. Tämä kaksoisrooli – tehokkuuden ja hyvinvoinnin tuki – on tässä ajassa ajankohtaisempi kuin koskaan. Luovuus ei toki ole ratkaisu kaikkeen, silti organisaatioissa luovuus on viimekädessä innovaatioiden ennakkoehto.
Luovuus liittyy potentiaalisesti kaikkiin elämänalueisiin ja kaikkien arkeen (Putney ym. 2024), mutta sen määritelmä ei ole yksiselitteinen (Walia 2019). Jotkin luovuuden tunnusmerkit ovat kuitenkin melko laajalti hyväksyttyjä.
Stein (1953) määritteli taannoin luovan työn ’sellaiseksi uudeksi työksi, jonka ryhmä hyväksyy johdonmukaiseksi, hyödylliseksi tai tyydyttäväksi jossakin ajankohdassa’ ja korosti määritelmässään organisaatioille tärkeää hyötyä. Runco (2014) on samoilla linjoilla. Hänenkin mukaansa luovuus tuottaa jotain hyödyllistä, joka on myös tarkoituksellista, aikaisemmasta erottuvaa ja tekijäänsä ilmentävää. Kaikki luovuustutkijat eivät sisällytä omakohtaisuuden vaadetta luovuuden määritelmään (Kampylis & Valtanen 2010; Amabile & Pratt 2016). Se, kuinka hyödyllinen, tarkoituksellinen tai uusi loppuratkaisu on, voi vaihdella paljonkin ja silti sopia luovuuden määritelmään (Brainard 2024).
Hyöty näyttäytyy monesti parantuneena toimintana tai toimivana lopputuotteena. On kuitenkin huomattava, että jo ymmärryksen lisääntyminen voi täyttää luovan toiminnan edellytykset (Brainard 2024). Tästä näkökulmasta luovuutta voidaan pitää oppimisen lajina (Kaufman & Beghetto 2009). Pienetkin, vähittäiset luovat teot voivat edesauttaa työn arkea. Näkökulma korostaa kokeilukulttuurin merkitystä.
Luovuutta ei pidä kutistaa yksilölliseksi ilmiöksi vaan se on myös sosiaalinen ilmiö (Sawyer 2012; Amabile & Pratt 2016). Esimerkiksi Csikszentmihalyi (2014) on nähnyt luovuuden syntyvän yksilön, yhteisön ja kulttuurin vuorovaikutuksesta. Luovuus kytkeytyy siis aina myös kulttuuriin – siihen, millaisia ajattelun ja kokeilemisen tapoja organisaatiot ja yhteisöt sallivat ja tukevat.
Luovuus on ongelmanratkaisua
Silloin kun painotetaan toiminnan tarkoituksellisuutta, painotetaan samalla tekemistä, prosessia. Osa luovuustutkijoista pitää prosessia ja toimijuutta ensisijaisina tuotokseen nähden (Brainard 2024). Vaikka prosessi ei aina johtaisi luovaan tai hyödylliseen lopputulokseen ainakaan heti, niin harjoittelemalla luovaa prosessia parannetaan mahdollisuuksia myös lopputuotosten kehittymiseen. Luovan prosessin harjoittaminen luo myös tilan, jossa ratkaistavat ongelmat saavat tilaa (Walia 2019).
Luova prosessi aktivoituu Walian (2019) mukaan kontekstissa havaittavasta epätasapainosta. Luovuus on ongelman ratkaisua, mutta kaikki ongelmat eivät edellytä luovuutta. Erityisesti epämääräiset ongelmat, joihin on useita ratkaisuja, kuitenkin vaativat luovuutta. Tällöin on tärkeää pyrkiä ymmärtämään ongelmaa ja kiinnittää huomiota siihen, miten ongelma kehystetään. (Pham ym. 2023.) Erityisesti pitkällä tähtäimellä luovuuteen liittyy lisäksi olennaisesti ongelman ratkaisun rinnalla ongelman löytäminen (Csikszentmihalyi 2014).
Uutuus määrittyy usein lopputuotoksen perusteella, mutta yhtä lailla kyse voi olla esimerkiksi työmenetelmästä tai sosiaalisesta innovaatiosta. Uusi voi olla aivan uusi innovaatio, mutta uuden ei aina tarvitse olla kaikille uutta vaan jokin voi olla uutta kyseisessä organisaatiossa tai subjektiivisestikin ja siten luovaa (Brainard 2024).
Tekoälyn vaikutus luovuuteen
Amabile ja Pratt (2016) korostavat, että yksilön luovuus rakentuu kolmen tekijän varaan, joita ovat tehtävän mielekkyydestä nouseva sisäinen motivaatio, asiantuntijaosaaminen ja luovan prosessin taidot. GenAI:n tulo työhön koskettaa kaikkia näitä tekijöitä. Vaikka perusoletus ei välttämättä muutu, tuo GenAI prosessiin mukanaan sekä uusia vaatimuksia että uusia mahdollisuuksia. Joudumme määrittelemään uudelleen, mitä luovuus on ihmisen ja tekoälyn yhteisessä prosessissa.
GenAI:n käytön vaikutuksesta sisäiseen motivaatioon on toistaiseksi vain rajallisesti tutkimustuloksia ja tulokset ovat osin paradoksaalisia. Opiskelijoihin kohdistuneet tutkimukset viittaavat siihen, että GenAI:n käyttö voi kasvattaa motivaatiota (Xia ym. 2025). Samanaikaisesti on kuitenkin tunnistettu tekoälyn käytön aiheuttavan oppijassa riippuvuutta teknologiasta ja siten ’metakognitiivisen laiskuuden riskiä’ (Fan ym. 2025), jolloin ajattelun delegointi tekoälylle minimoi käyttäjän oman ponnistelun eikä rakenna sisäistä motivaatiota. Työskentely GenAI:n kanssa voi tehdä työstä hauskempaa, mutta riski on, että kun siirrytään takaisin työskentelyyn ilman GenAI:ta, sisäinen motivaatio laskee (Wu ym. 2025).
Vielä emme tiedä, miten paljon näissä tutkimustuloksissa näkyy generatiivisen tekoälyn uutuuden viehätys.
Toistaiseksi GenAI:n käytön ja asiantuntijuuden yhteyksistä on vain alustavia tutkimuksia. Vendraminelli ym. (2025) osoittavat kokeellisessa tutkimuksessaan, että GenAI ei tee käyttäjästään asiantuntijaa, ei varsinkaan silloin, kun uusi asiantuntemus on kaukana käyttäjän omasta asiantuntemuksesta. Toisaalta GenAI voi ehdottaa vaihtoehtoja, joita käyttäjä ei ole itse ajatellut ja inspiroida siten omat ennakkokäsitykset ylittävään ajatteluun. Jopa tekoälyn väärät vastaukset voivat olla luovan prosessin ja ongelmanratkaisun kannalta tärkeitä, koska ne voivat haastaa tekoälyn käyttäjää näkemään asiat toisin tai havaitsemaan puutteet omassa kysymyksessään.
GenAI voi lisätä yksilön luovuutta erityisesti käyttäjillä, jotka kokevat itsensä ei-luoviksi (Doshi & Hauser 2024). GenAI voi mahdollistaa kaikille pääsyn monipuoliseen tietoon (Sun ym. 2025), mikä edistää luovaa prosessia asiantuntijatyössä. Toisaalta GenAI saattaa kaventaa uuden sisällön monimuotoisuutta ja urauttaa käyttäjän ideointia. Luovuutta voi lisätä se, että GenAI voi auttaa alkuun ideoinnissa. (Doshi & Hauser 2024.)
Ihminen ja tekoäly luovana tiiminä
Mitä tulee luovaan prosessiin, niin GenAI voi auttaa, jos käyttäjä hyödyntää luovuutta edistäviä käyttötapoja metakognitiivisia strategioita, kuten oman GenAI:n käytön aktiivista reflektointia, itsearviointia ja tarkoituksenmukaista vaihtelua (Sun ym. 2025). Jos se, lisääkö vai vähentääkö tekoälyn käyttö ihmisen luovuutta, riippuu siitä, miten sitä käytetään (Sun ym. 2025), niin tarvitsemme nyt huomion kiinnittämistä jokapäiväisiin generatiivisen tekoälyn käyttökohteisiin ja käytäntöihin.
Tuore tutkimus (Luan, Kim & Zhou 2025) osoittaa, että pelkkä ideoiden kysyminen tekoälyltä ei vielä tee henkilöstä tai työstä luovempaa. Luovuus alkaa kehittyä vasta silloin, kun ihminen ja AI siirtyvät ideoinnista yhteiskehittelyyn: palautteen antamiseen, tarkentamiseen, vaihtoehtojen tutkimiseen ja uusien näkökulmien rakentamiseen. Tekoäly voi automatisoida tai laajentaa (augment) osaamistamme ja oppimistamme.
Tutkijat esittävät uutta määrittelyä augmented learning -käsitteelle. He ehdottavat, että käsitteen keskiössä on kollektiivinen oppiminen, joka kuvaa sellaista ihmisen ja tekoälyn välistä toimintaa, jossa luova laatu paranee. Tämä on mahdollista, kun käyttäjän ja GenAI:n yhteistyö muuttuu iteratiiviseksi prosessiksi, jossa palautteenanto, reflektointi ja idean yhteiskehittäminen nousevat ratkaisevaan rooliin ja käytössä huomioidaan se, että sekä käyttäjä että GenAI oppivat prosessissa sekä molempien kapasiteetti ja rajoitteet. (Luan, Kim & Zhou 2025.)
On suunnattava katse GenAI:n ja käyttäjän yhteistoimijuuteen. Se, minkälainen vuorovaikutus on erityisen hyvä ihmisen ja GenAI:n yhteiskehittelyssä, vaatii vielä tutkimusta (Luan ym. 2025). Sekä organisaatioiden että tutkijoiden on tutkittava niitä arkisia tapoja, joilla GenAI:ta käytetään, ja asetettava tavoitteeksi tietoinen kollektiivisen oppimisen kehittäminen. Kollektiivinen oppiminen voidaan tässä ymmärtää sekä ihmisen ja koneen välisenä oppimisena että organisaation yhteisenä oppimisena.
Ohjattua oppimista on tuettava sopivilla rakenteilla ja viestinnällä. GenAI:n arkikäytön kehittäminen jalostaa samalla organisaation kokeilu- ja oppimiskulttuuria, mikä puolestaan edistää innovaatiokulttuuria.
Ihmisen ja tekoälyn yhteistyö innovoinnissa edellyttää strategista ohjausta, kontekstin ymmärtämistä ja eettisten näkökohtien huomioimista. (Sedkaoui & Benaichouba 2024.)
GEKKO-hanke kehittää GenAI:n luovuutta ja oppimista edistävää käyttöä
Ajassa, jossa organisaatiot ja yhteiskunnat kamppailevat kompleksisten, visaisten ongelmien kanssa, tarvitsemme luovuutta ja innovaatioita. Ei kaiken ratkaisevana taikavoimana, vaan ajattelutapana, joka mahdollistaa uudenlaisten ratkaisujen hahmottamisen silloin, kun jo tunnetut ratkaisut yksin eivät riitä. Mitä tulee GenAI:hin, niin organisaatioille tämä merkitsee, että ei riitä, että GenAI vain otetaan käyttöön tai että tarkastellaan vain työn tehokkuutta.
Kaksivuotisen GEKKO-hankkeen nimi viittaa generatiivisen tekoälyn käyttökokemuksiin ja kollektiiviseen oppimiseen. Gekko on myös osuva vertauskuva. Gekko on eläin, joka on sopeutuvainen ja joka osaa lukea ympäristöään. Gekon tarttuvat varpaat mahdollistavat tarttumisen uusiin mahdollisuuksiin. Tarvittaessa gekko pudottaa häntänsä, irrottautuu vanhasta ja uudistuu.
GEKKO-hanke koostuu kahdesta osasta. Esiselvitysvaiheessa keräämme Helsingin kaupungin työntekijöiden kokemuksia GenAI:n käytöstä. Helsinki on investoinut tekoälyn käyttöön ja käyttäjien koulutukseen ja toimii GEKKO-hankkeen ankkuriorganisaationa. Toisessa vaiheessa muodostetamme kahdentoista uusimaalaisen pk-yrityksen oppimisverkosto, jossa jaetaan GenAI:n käyttökokemuksia. Verkostossa kehitetään yhdessä tapoja, joilla GenAI:ta käytetään tukemaan luovuutta ja oppimista organisaatioissa. Osallistuvat yritykset saavat nykytilakartoituksen, ja niistä osallistuu 3–4 henkilön ryhmä kahteen verkostotilaisuuteen sekä toimintaan digitaalisella oppimisalustalla.
EU:n osarahoittamassa ja Haaga-Helian toteuttamassa GEKKO – Generatiivisen tekoälyn käyttö ja kollektiivinen oppiminen -hankkeessa (2025–2027) tunnistetaan tapoja, joilla työntekijät voivat käyttää generatiivista tekoälyä organisaation arjessa tukemaan oppimista ja luovaa ongelmanratkaisua.
Lähteet
Amabile, T. M., & Pratt, M. G. 2016. The dynamic componential model of creativity and innovation in organizations: Making progress, making meaning. In Research in Organizational Behavior (Vol. 36, pp. 157–183). JAI Press.
Brainard, L. 2024. What is Creativity? The Philosophical Quarterly, (76(1)).
Csikszentmihalyi, M. 2014. The Systems Model of Creativity The Collected Works of Mihaly Csikszentmihalyi. Springer Science+Business Media.
Doshi, A. R., & Hauser, O. P. 2024. Generative AI enhances individual creativity but reduces the collective diversity of novel content (Vol.10). Science Advances.
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. 2025. Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530.
Kampylis, P. G., & Valtanen, J. 2010. Redefining creativity – Analyzing definitions, collocations, and consequences. Journal of Creative Behavior, 44(3), 191–214.
Kaufman, J. & Beghetto, R. 2009. Beyond Big and Little: The Four C Model of Creativity. Review of General Psychology, 13(1) 1–12.
Luan, Y. L., Kim, Y. J., & Zhou, J. 2025. Augmented Learning for Joint Creativity in Human-GenAI Co-Creation. Information Systems Research.
Pham, C. T. A., Magistretti, S., & Dell’Era, C. 2023. How do you frame ill-defined problems? A study on creative logics in action. Creativity and Innovation Management, 32(3), 493–516.
Putney, H., Silver, S., Silvia, P. J., Christensen, A. P., & Cotter, K. N. 2024. Why does Creativity Foster Well-Being? Autonomy, Competence, and Relatedness during Everyday Creative Activities. Journal of Research in Personality, 113.
Runco, M. A. 2014. Creativity: Theories and Themes: Research, Development, and Practice. Elsevier Science & Technology.
Sawyer, R. K. 2012. Explaining Creativity: The Science of Human Innovation (2.). Oxford University Press.
Sedkaoui, S., & Benaichouba, R. 2026. Generative AI as a transformative force for innovation: a review of opportunities, applications and challenges. European Journal of Innovation Management, 29(3), 677-701.
Stein, M. I. 1953. Creativity and Culture. Journal of Psychology: Interdisciplinary and Applied, 36(2), 311–322.
Sun, S., Zhuyi, A. L., Foo, M.-D., Zhou, J., & Lu, J. G. 2025. How and for Whom Using Generative AI Affects Creativity: A Field Experiment. Journal of Applied Psychology.
Vendraminelli, L., Dossantos, M., Annika, D., Mcfowland, H. E., Karunakaran, A., & Bojinov, I. 2025. The GenAI Wall Effect: Examining the Limits to Horizontal Expertise Transfer Between Occupational Insiders and Outsiders.
Walia, C. 2019. A Dynamic Definition of Creativity. Creativity Research Journal, 31(3), 237–247.
Wu, S., Liu, Y., Ruan, M., Chen, S., & Xie, X. Y. 2025. Human-generative AI collaboration enhances task performance but undermines human’s intrinsic motivation. Scientific Reports, 15(1).
Xia, Q., Li, W., Yang, Y., Weng, X., & Chiu, T. K. F. 2025. A systematic review and meta-analysis of the effectiveness of Generative Artificial Intelligence (GenAI) on students’ motivation and engagement. In Computers and Education: Artificial Intelligence (Vol. 9). Elsevier B.V.
Kuva: Shutterstock