Tekoäly
Julkaistu : 20.05.2026
Suuriin kielimalleihin (LLM) perustuvat generatiiviset tekoälysovellukset, kuten ChatGPT ja Copilot, ovat muuttaneet organisaatioiden arkea nopeasti ja perusteellisesti. Niitä käytetään rutiininomaisesti osana ajattelutyötä esimerkiksi luonnoksien laatimiseen, työn suunnitteluun, merkitysten muodostamiseen ja tukemaan päätöksentekoa (Balbeo 2026).
Yleinen diskurssi tuntuu korostavan sitä, että generatiivisen tekoälyn avulla työtä voidaan tehdä aiempaa nopeammin, helpommin ja matalammalla kynnyksellä. Raportit syntyvät hetkessä, työhön liittyviä ongelmia voidaan käsitellä useammasta näkökulmasta, sähköposteja tuotetaan automaattisesti ja analyysit voidaan tehdä muutamalla kehotteella.
Tämä kehitys on kiistatta lisännyt työn tehokkuutta, mutta samalla se on muuttanut myös sitä, miten ajattelu ja oppiminen tapahtuu organisaatoissa. Tekoäly ei ainoastaan automatisoi yksittäisiä työtehtäviä, vaan yhä useammin myös niitä ajatteluprosesseja, joissa aiemmin vaadittiin tiedon etsimistä, punnitsemista ja perustelemista. Kun ratkaisut ja vastaukset ovat välittömästi saatavilla, herää kysymys, mitä tapahtuu oppimiselle ja kriittiselle ajattelulle, jos ajattelun vaivannäkö vähenee.
Haaga-Helian Gekko – Generatiivisen tekoälyn käyttökokemukset ja kollektiivinen oppiminen -hankkeessa tutkimme tätä jännitettä erityisesti työntekijöiden käyttökokemusten näkökulmasta. Kiinnostuksemme kohdistuu siihen, miten generatiivisen tekoälyn käyttö voi tukea oppimista ja luovuutta sekä yksilö- että organisaatiotasolla. Näiden kysymysten jäsentämiseksi tarkastelemme seuraavaksi aihetta käsittelevää tutkimuskirjallisuutta.
Oppiminen rakentuu ponnistelun varaan
Organisaatioissa oppiminen on perinteisesti ymmärretty kokemukseen perustuvaksi prosessiksi, jossa yksilöt ja yhteisöt tunnistavat ongelmia, kokeilevat ratkaisuja ja muokkaavat toimintaansa saadun palautteen perusteella (Levitt & March 1988; Argote 2012). Merkittävä osa tästä organisaation oppimisesta tapahtuu epämuodollisesti työn arjessa eli tilanteissa, joissa tarvitaan omaa pohdintaa, arviointia ja ongelmanratkaisua (Marsick & Watkins 2001).
Keskeinen mekanismi oppimisessa on tiedollinen aukko, hetki, jolloin ihminen tunnistaa, ettei tiedä jotain, ja joutuu näkemään vaivaa sen ratkaisemiseksi. Juuri tämä ponnistelu mahdollistaa syvemmän ymmärryksen syntymisen. Generatiivinen tekoäly voi kuitenkin katkaista tämän prosessin.
Kun ratkaisu on välittömästi saatavilla, oppimisprosessin keskeiset vaiheet eivät välttämättä aktivoidu samalla tavalla kuin tilanteissa, joissa yksilö joutuu itse tunnistamaan ja paikkaamaan tiedollisen aukon (Rausch 2025). Työ voidaan kyllä suorittaa tehokkaasti, mutta ilman oman ymmärryksen syvenemistä. Tämä voi ajan myötä vähentää tarvetta harjoittaa omaa kriittistä ajattelua.
Ajattelun ulkoistaminen ja kriittisen arvioinnin heikkeneminen
Kriittisellä ajattelulla tarkoitetaan yleisellä tasolla kykyä pohtia tilanteita huolellisesti, analysoiden ja arvioiden, ja ehdottaen toimintatapoja. Kriittinen ajattelu ottaa huomioon asiaan liittyvät osapuolet sekä päätösten vaikutukset ja seuraukset. (Lovelace & Dyck 2016.)
Vaikka tekoäly voi tukea oppimista ja kriittistä ajattelua esimerkiksi tilanteissa, joissa sitä hyödynnetään erilaisten näkökulmien tarkasteluun, siihen liittyy myös riski kriittisen ajattelun heikkenemisestä. Tekoälyn tuottamat vastaukset ovat usein nopeita ja vakuuttavan oloisia, mikä voi saada vastaajan pitämään vastauksia objektiivisina ja johdonmukaisina (ks. Larson ym. 2024).
Kriittisen ajattelun heikentyminen on ongelmallista, koska generatiivinen tekoäly tuottaa myös virheitä, vinoumia ja keskenään ristiriitaista sisältöä (Wiesenfeld & Kellogg 2026). Tutkimus viittaa myös siihen, että ihmiset voivat alkaa luottaa tekoälyn tuottamiin vastauksiin esimerkiksi silloin, kun tekoäly vaikuttaa yhteistyökykyiseltä proaktiivisuuden, aktiivisen kuuntelun ja nopean, tilanteisiin reagoinnin kautta (Glikson & Woolley 2020). Syntyy vaarallinen yhdistelmä, jos kriittinen ajattelu heikkenee samalla, kun virhealtis teknologia ottaa yhä suuremman roolin tiedon tuottamisessa ja päätöksenteossa.
Jos työhön liittyvät oppimiskokemukset rakentuvat toimintamallissa, jossa tekoäly tuottaa valmiit vastaukset, ajattelun ponnistelu ja tiedon sisäistäminen voivat jäädä vajavaiseksi. Pitkällä aikavälillä tämä voi heikentää ajattelun laatua ja kykyä arvioida tietoa itsenäisesti.
Näennäissuoriutumisen sudenkuoppa
Ajattelun ulkoistaminen voi näkyä myös työssä syntyvän sisällön laadussa. Generatiivinen tekoäly mahdollistaa nopeasti tuotetun ja viimeistellyn näköisen sisällön, joka on kuitenkin sisällöllisesti ohut tai virheellinen. Tätä ilmiötä on kuvattu käsitteellä workslop: työ näyttää pätevältä, vaikka sisältö ei kestä kriittistä tarkastelua (Niederhoffer ym. 2025).
Kyse ei ole silloin enää vain yksilön ongelmasta. Kun organisaatioihin alkaa kertyä näennäisesti laadukasta mutta sisällöllisesti heikkoa tietoa, päätöksenteon laatu voi kärsiä. Pahimmillaan virheet lisääntyvät, luottamus tietoon heikentyy ja samoin käy organisaatioiden toimintaedellytyksille.
Sama teknologia voi toisaalta vahvistaa oppimista
Generatiivinen tekoäly ei kuitenkaan ole yksiselitteinen uhka oppimiselle. Parhaimmillaan se voi toimia ajattelun tukena eikä sen korvaajana. Tutkimuksessa tämä nähdään augmentaationa: tekoäly täydentää ihmisen ajattelua sen sijaan, että se automatisoi sen (Raisch & Krakowski 2021). Keskeiseksi muodostuu se, miten työskentelemme tekoälyn kanssa.
Tekoäly voi olla erityisen hyödyllinen silloin, kun tekoälyn antama tieto aidosti yhdistetään omaan tietoon ja harkintaan ’tenttaamalla tekoälyä (Lebovitz ym. 2022). Tärkeää kuitenkin on, että ihmisellä säilyy vastuu kriittisestä ajattelusta ja arvioinnista. Se myös kannattaa. Kun esimerkiksi käyttäjät haastavat tekoälyä tai muokkaavat ja hylkäävät sen tuottamia ehdotuksia, he tuntevat suurempaa varmuutta myös omasta ajattelustaan (Balbeo 2026).
Tekoälyä kannattaakin käyttää sparraukseen, vaihtoehtojen avaamiseen ja omien ajatusten kirkastamiseen. Oppiminen siirtyy tiedon tuottamisesta tiedon arviointiin ja soveltamiseen (Li & Yeo 2024). Tämä edellyttää kuitenkin käyttäjältä aktiivista roolia, jossa tekoälyn tuottamaa tietoa on arvioitava, kyseenalaistettava ja muokattava omaan kontekstiin sopivaksi. Tämä käyttötapa ei kuitenkaan ole välttämättä intuitiivinen. Tehokkuus ohjaa helposti käyttäytymistä, ja vaivaton ratkaisu valitaan helposti vaivallisen ajatteluprosessin sijaan.
Sekä yksilöillä että organisaatioilla on keskeinen vastuu tekoälyn käyttötapojen muovaamisessa. Yksilöt voivat vaikuttaa oppimiseensa valitsemalla tilanteita, joissa ajattelua ei ulkoisteta kokonaan tekoälylle (Rausch 2025). Organisaatioiden puolestaan on luotava käytäntöjä, joissa tekoälyn tuottamaa tietoa arvioidaan, rajataan ja tarvittaessa hylätään. Wiesenfeld ja Kellogg (2026) kuvaavat tätä tiedon karsinnan (curating) ja käytön rajaamisen (guardrailing) kautta.
Työpaikoilla olisi tärkeää käydä tietoista keskustelua siitä, miten generatiivinen tekoäly integroidaan osaksi työtehtäviä, jotta sen hyödyt tukevat oppimista ja työntekijöiden kriittinen ajattelu säilyy.
Tekoäly tekee meistä tyhmempiä, jos annamme sen tehdä niin
Generatiivisen tekoälyn vaikutus oppimiseen ei määräydy teknologian vaan käyttötavan perusteella. Organisaatioissa tehtävien suurten kielimallien haasteena on se, että niiden tuottamalta tiedolta puuttuu sosiaalinen ja tilanteeseen sidottu näkökulma, joka ihmisellä yleensä on (Faraj ym. 2026). Sama teknologia voi siten heikentää ajattelua, jos se korvaa ponnistelun, tai vahvistaa sitä, jos se tukee reflektiota, kriittistä arviointia ja tiedon arviointia suhteessa omaan ymmärrykseen asiasta.
Keskeinen kysymys ei ole, käytämmekö tekoälyä, vaan miten käytämme sitä. Kun tekoälyä hyödynnetään tietoisesti ajattelua tukevana välineenä ja oppimisen prosesseja suojellaan, se voi auttaa ihmisiä tulemaan tekoälyn avulla viisaammiksi, ei tyhmemmiksi.
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
Argote, L. 2012. Organizational learning II: Theory, method, and practice. New York: Springer.
Balbeo, S. 2026. Generative artificial intelligence reliance and executive function attenuation: Behavioral evidence of cognitive offload in high-use adults. Technology, Mind, and Behavior, 1–7.
Faraj, S., Perez-Torrents, J., Mantere, S. and Bhardwaj, A. 2026. A time for monsters: Organizational knowing after large language models. Strategic Organization, 1–14.
Glikson, E. and Woolley, A.W. 2020. Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627–660.
Larson, B., Moser, C., Caza, A., Muehlfeld, K. and Colombo, L. 2024. Critical thinking in the age of generative AI. Academy of Management Learning; Education, 1–6.
Lebovitz, S., Lifshitz-Assaf, H. and Levina, N. 2022. To engage or not to engage with AI for critical judgements: How professionals deal with opacity when using AI for medical diagnosis. Organization Science, 33(1), 126–148.
Levitt, B. and March, J.G. 1988. Organizational learning. Annual Review of Sociology, 14, 319–340.
Li, J. and Yeo, R.K. 2024. Artificial intelligence and human integration: A conceptual exploration of its influence on work processes and workplace learning. Human Resource Development International, 27(3), 367–387.
Lovelace, K., Eggers, F. and Dyck, L. 2016. I do and I understand: Assessing the utility of web-based management simulations to develop critical thinking skills. Academy of Management Learning & Education, 15, 100–121.
March, J.G. 1991. Exploration and exploitation in organizational learning. Organization Science, 2(1), 71–87.
Marsick, V.J. and Watkins, K.E. 2001. Informal and incidental learning. New Directions for Adult and Continuing Education, 89, 25–34.
Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K. and Hancock, J.T. 2025. AI-generated “workslop” is destroying productivity. Harvard Business Review. Haettu: 19.5.2026.
Raisch, S. and Krakowski, S. 2021. Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46(1), 192–210.
Rausch, A. 2025. Artificial intelligence for informal workplace learning: a problem-solving perspective. Frontiers in Organizational Psychology, 3, 1–23.
Wiesenfeld, B.M. and Kellogg, K.C. 2026. Generative organizational learning: Affordances for new modes of knowledge search, creation, transfer, and forgetting with LLMs. Strategic Organization, 1-29.
Kuva: Shutterstock