Ehtiikö tekoäly ajattelun edelle?

Opetan Haaga-Heliassa palvelumuotoilua, asiakaskokemusta, digitaalista markkinointia ja tekoälyn soveltamista. Käytännössä opetan siis aloja, jotka ovat jatkuvassa muutoksessa.

Tekoäly ei enää vain tuota tekstiä, kuvia tai ideoita, vaan se pystyy käyttämään työkaluja, käsittelemään aineistoja, muuttamaan järjestelmiä ja viemään tehtäviä varsin itsenäisesti eteenpäin. Opettajana aloin pohtia, miten tällaista muutosta voi opettaa uskottavasti, jos sitä tarkastelee ulkopuolelta. Oma taustani on liiketoiminnassa, palvelumuotoilussa, strategiatyössä, markkinoinnissa ja myynnissä. Syvällinen ohjelmistokehityksen osaaminen sen sijaan ei kuulu taustaani.

Kesällä 2026 päätin kokeilla asiaa käytännössä. Ryhdyin rakentamaan digitaalisia palveluja Googlen Antigravity -kehitysympäristössä tekoälyagenttien avulla. Halusin selvittää, miten asiantuntijatyö muuttuu tilanteessa, jossa huomattava osa teknisestä toteutuksesta voidaan antaa tekoälyn tehtäväksi. Olen kutsunut kokeilua itseironisesti koodari-larppaukseksi (vrt. live action role playing eli LARP).

Muutamassa kuukaudessa huomioni siirtyi vähitellen pois siitä, kuinka paljon tekoäly pystyy tekemään. Tärkeämmäksi kysymykseksi nousi se, milloin tekoälyn kannattaa antaa toimia ja milloin sen etenemistä pitää hidastaa, rajata tai tarkistaa.

Tutkiminen ja toteuttaminen eivät etene samaan tahtiin

Agenttisessa kehitysympäristössä keskustelu ja toiminta liittyvät toisiinsa eri tavalla kuin tavallisessa keskustelubotissa. Ajatusta voi pohtia keskustellen, mutta samalla järjestelmä voi tulkita pohdinnan tehtäväksi ja ryhtyä muuttamaan tiedostoja, testaamaan ratkaisuja tai rakentamaan toteutusta.

Törmäsin tähän jatkuvasti. Saatoin vasta hahmotella mahdollista etenemistapaa, kun agentti jo toteutti sitä. Teknisesti ratkaisu saattoi olla aivan kelvollinen, kuitenkin oma ajatteluni oli vielä kesken. Agentti vei ja minä ihmettelin, mitä tapahtuu.

Barke, James ja Polikarpova (2023) erottavat koodia tuottavan tekoälyn käytössä kaksi työskentelytapaa: acceleration-tilassa käyttäjä tietää jo melko hyvin, mitä tavoittelee, kun taas exploration-tilassa hän vasta tutkii ongelmaa ja vaihtoehtoja.

Omassa työssäni nämä menivät helposti ristiin. Minä saatoin vielä tutkia samalla, kun agentti jo toteutti. Vauhti oli hurja, ja matka alkuperäisestä ajatuksesta palvelussa testattavaan ominaisuuteen saattoi kestää vain minuutteja.

Nopeus ei kuitenkaan poista tarvetta ymmärtää ongelmaa. Shin, Polyanskaya, Lucero ja Oulasvirta (2025) havaitsivat, ettei kielimallin käyttö parantanut suunnittelijoiden tuottamien ongelmakehysten laatua. Kokemattomilla suunnittelijoilla se myös heikensi koettua toimijuutta ja kasvatti eroa kokeneisiin.

Agenttisessa työssä havainto on olennainen: mitä nopeammaksi toteuttaminen muuttuu, sitä tärkeämpää on pysähtyä miettimään, mitä ongelmaa oikeastaan ollaan ratkaisemassa. Muuten vääristyneeseen ongelmaan voidaan rakentaa erittäin tehokas ratkaisu. Gandhin sanoittama viisaus siitä, että kiiruhtaminen ei kannata väärän valinnan vallitessa, pätee erinomaisesti myös tekoälyäaikaan.

Työtapa muotoutuu vähitellen

Kokeiluni alussa minulla ei ollut selvää mallia siitä, miten ihmisen ja tekoälyn välinen työnjako pitäisi järjestää. Käytännöt syntyivät vähitellen työn edetessä. 

Ensimmäinen agentin toimintaa rajaava sääntötiedosto syntyi jo kesäkuussa. Sen jälkeen mukaan työskentelyyni tuli suunnitteluvaiheita, tarkistuspisteitä, erilaisia työskentelytapoja ja laadunvarmistuksen käytäntöjä. Jälkikäteen aineistosta näkyy selvä muutos, sillä aluksi pyrin lähinnä parantamaan tekoälyn toimintakykyä, mutta vähitellen huomioni siirtyi siihen, miten sen toimintaa kannattaa rajata ja ohjata. 

Elokuussa tähän tuli konkreettinen syy. Agentti korjasi verkkopalvelussa olleen teknisen ongelman, mutta lisäsi samalla käyttöliittymään kuvitteellisen 50 prosentin kumppaniedun. Samalla se populoi palvelun taustatietokantaan sepittäen samalla kuvitteellisia kumppaneita ja asiakaskokemuksia. 

Liiketoiminnan, asiakaskokemuksen ja luottamuksen näkökulmasta tilanne oli kestämätön. Sama toistui kun toisessa palvelussa loi toimialaan liittyvää yrityslistausta. Tekoäly keksi kuvitteellisia yrityksiä todennettujen yritysten sekaan. Tämän takia jouduin rakentaman uusia tuotantokäytäntöjä, joilla testiaineisto erotettiin aiempaa selvemmin oikeasta ja varmennetusta tiedosta. 

Kokemus muutti käsitystäni myös valvonnasta. Ihmisen tehtävä ei voi rajoittua lopputuloksen tarkistamiseen työn valmistuttua. Dhanorkar, Passi ja Vorvoreanu (2026) tunnistavat agenttien käytössä neljä valvonnan tapaa: ennakoivan kontrollin, yhteissuunnittelun, reaaliaikaisen seurannan ja jälkikäteisen tarkastuksen. Käytännössä tämä tarkoittaa esimerkiksi reunaehtojen asettamista ennen työn alkua, suunnitelman tarkistamista yhdessä agentin kanssa, työn seuraamista sen edetessä sekä lopputuloksen ja tehtyjen muutosten tarkistamista jälkikäteen.

Oma työskentelyni alkoi kehittyä samaan suuntaan. Huomio siirtyi vähitellen siitä, mitä agentti oli tehnyt, siihen, millaisin ehdoin sen annetaan ylipäätään ryhtyä toimeen. 

Jouduin yllä olevasta johtuen arvioimaan uudelleen rakenteisiin tarvittavan ’hyödyllisen kitkan’ merkitystä. Olin ottanut tekoälyagentit käyttöön nopeuttaakseni tekemistä, mutta käytännössä hyvä työskentely edellyttää tarkoituksellisia pysähdyksiä. Joissakin tilanteissa agentin pitää aina ensin laatia suunnitelma, kun taas toisissa eteneminen vaatii ihmisen hyväksyntää. Työn valmistumista ei myöskään voi päätellä pelkästään siitä, että agentti ilmoittaa olevansa valmis. Tarvitaan muuta näyttöä, varmistamisprosesseja ja -malleja. 

Jo ennen generatiivisten kielimallien läpimurtoa Buçinca, Malaya ja Gajos (2021) tutkivat ihmisten toimintaa tekoälyavusteisessa päätöksenteossa. He havaitsivat, että käyttäjät saattoivat tukeutua tekoälyn suositukseen silloinkin, kun se oli väärä. Tutkimuksessa tarkoituksellisesti harkintaa lisäävät käyttöliittymäratkaisut vähensivät tällaista liiallista luottamista tekoälyyn, vaikka käyttäjät eivät aina pitäneet niiden aiheuttamasta lisävaivasta.

Vaikka tutkimus ei koskenut nykyisiä generatiivisia tekoälyagentteja, sen havainto on kiinnostava myös niiden käytössä, sillä kaikkea kitkaa ei ehkä kannata poistaa, jos sen tehtävänä on saada ihminen pysähtymään ja arvioimaan tekoälyn ehdotusta. 

Kuka määrittää suunnan?

Hitzigin ja kollegoiden (2026) noin 400 000 tekoälyavusteisen ohjelmointityön istuntoa kattaneessa analyysissa ihmiset vastasivat suuresta osasta suunnitteluun liittyvistä ratkaisuista, kun taas tekoäly osallistui ennen kaikkea toteutukseen. Sama työnjako alkoi hahmottua myös omassa työssäni.

Ihmisen vastuulle jäivät ennen kaikkea ongelman määrittely, vaihtoehtojen punnitseminen, valintojen tekeminen ja lopputuloksen arviointi. Agentti puolestaan oli vahvimmillaan ehdotusten tuottamisessa, toteuttamisessa, testaamisessa ja muokkaamisessa.

Raja ei ole tarkka eikä sen tarvitsekaan olla. Tekoäly voi osallistua ongelman jäsentämiseen ja ihminen voi puuttua toteutuksen yksityiskohtiin. Vastuu suunnasta on silti syytä pitää ihmisellä. Tästä käytetään alalla nimityksiä Human-in-the-Loop ja Human-in-the-Lead.

Olen käyttänyt tästä ilmaisua ’ajattelun ja toiminnan eritahtisuus’. Ilmaisu on omani, mutta itse ilmiö liittyy pitkään ihmisen ja tietokoneen vuorovaikutuksen tutkimusperinteeseen. Niin sanotussa mixed-initiative interaction -tutkimuksessa on tarkasteltu sitä, miten aloite ja toimintavalta siirtyvät ihmisen ja järjestelmän välillä sekä milloin järjestelmän pitäisi toimia, odottaa tai pyytää ihmiseltä vahvistusta (Horvitz 1999). Myös toiminnan ajoituksen on havaittu vaikuttavan käyttäjän kokemaan hallintaan ja toimijuuteen (Yu, Blackwell, Wilson & Anunciação 2017).

Agenttisessa työssä kysymys saa uuden mittakaavan. Ihminen saattaa vielä muodostaa käsitystä ongelmasta samalla, kun agentti toimii jo ikään kuin ratkaisu olisi valittu. Tällöin kyse ei ole vain siitä, kuka tekee tehtävän, vaan myös siitä, milloin aloite saa siirtyä pohdinnasta toteutukseen. Agentille on siksi määriteltävä, missä kohdissa se voi edetä itsenäisesti ja missä tarvitaan ihmisen päätös tai vahvistus. Muuten tehokas toteutus voi edetä nopeasti myös väärään suuntaan.

Toteutuksen nopeutuminen tekee ongelman määrittelystä ratkaisevan tärkeää. Kun tekninen toteutus voidaan viedä ajatuksesta kokeiltavaksi ratkaisuksi minuuteissa, väärä suunta ei enää hidastu toteutuksen vaivaan vaan etenee yhtä tehokkaasti kuin oikeakin.

Agenttinen tekoäly voi siis moninkertaistaa paitsi hyvän päätöksen vaikutuksen myös huonosti kehystetyn ongelman seuraukset. Nopeus ei korjaa päätöksenteon laatua, vaan tekee sen merkityksen entistä näkyvämmäksi.

Tekoälyosaamiseen kuuluu oman ajattelun tunnistaminen

Kokeilu muutti käsitystäni siitä, mitä tekoälyosaamisella korkeakoulussa pitäisi tarkoittaa. Nykyinen opetus painottuu edelleen helposti kehotteiden kirjoittamiseen, työkalujen käyttöön ja tekoälyn tuottaman sisällön arviointiin.

Ne ovat tarpeellisia taitoja, mutta agenttien kanssa ne eivät enää riitä. Käyttäjän pitäisi pystyä tunnistamaan, missä vaiheessa oma ajattelu on ja kuinka paljon toimintavaltaa tekoälylle kannattaa siinä vaiheessa antaa.

Tämä havainto osuu kiinnostavasti yhteen Arenen päivitettyjen tekoälysuositusten kanssa. Niissä kriittinen ajattelu nostetaan keskeiseksi tekoälylukutaidon osaksi. Opiskelijan pitäisi tunnistaa, mitä tekoäly voi ja ei voi tehdä, arvioida sen käytön tarkoituksenmukaisuutta sekä käyttää tekoälyä oman ajattelunsa tukena, ei sen korvaajana. (Arene 2026.)

Agenttien yleistyessä tähän tulee mielestäni vielä yksi ulottuvuus: opiskelijan pitää osata arvioida paitsi tekoälyn tuottamaa sisältöä myös sitä, mitä tekoälyn annetaan tehdä ja miksi.

Löydös vaikuttaa suoraan omaan opetukseeni. En pidä enää riittävänä tehtävää, jossa opiskelija vain käyttää tekoälyä ja arvioi lopputulosta. Oppimistilanteessa pitäisi tehdä näkyväksi myös työnjako:

• mitä opiskelija päätti itse,
• mitä hän delegoi tekoälylle,
• millä perusteella hän hyväksyi ratkaisun ja
• missä vaiheessa hän joutui muuttamaan omaa ajatteluaan.

Tekoälyn käytön pitäisi siis tuottaa näkyviin myös opiskelijan omaa harkintaa.

Tässä suhteessa myös monet nykyiset tekoälyohjeet näyttävät oikeansuuntaisilta, mutta kuitenkin vielä osin keskustelubottien aikakaudelle laadituilta. Kun tekoäly alkaa toimia käyttäjän puolesta, vastuullisuus ei koske enää vain oikeita lähteitä, tietosuojaa tai tekoälyn käytöstä kertomista.

Olennaiseksi tulee myös toiminnan valvonta. TENKin (2026) tutkimusta koskevassa tekoälysuosituksessa vastuu työn sisällöstä, johtopäätöksistä ja luotettavuudesta säilyy tutkijalla. Sama periaate on mielestäni hyödyllinen myös opetuksessa, jossa tekoälylle voi antaa tehtäviä, mutta vastuuta ei voi delegoida samalla tavalla.

Tästä syystä opettaisin agenttisen tekoälyn käyttöä yhä enemmän oman ajattelun tarkkailuna ja ohjaamisena. Opiskelijan pitää oppia erottamaan tutkiminen päätöksenteosta, tunnistamaan omia oletuksiaan, perustelemaan delegointinsa ja huomaamaan tilanteet, joissa tekoälyn eteneminen on syytä pysäyttää.

Tekoälyosaaminen ei silloin tarkoita vain taitoa saada järjestelmä tekemään jotakin. Siihen kuuluu kyky ymmärtää, miksi jotakin tehdään ja kuka päätöksestä vastaa.

Agenttisen tekoälyn yleistyessä opetuksen keskeinen kysymys ei siis ole vain, saako tekoälyä käyttää. Olennaisempaa on oppia käyttämään sitä tavalla, jossa ihmisen oma ajattelu, asiantuntemus ja vastuu säilyvät mukana. Mitä enemmän tekoäly pystyy tekemään puolestamme, sitä tärkeämmäksi tulee opettaa, milloin sen kannattaa antaa toimia.

Kuva: Shutterstock