Tekoälyn käyttö ja tekniikan akateemisten palkat yksityisellä sektorilla

 
Johdanto

Harppaukset generatiivisen tekoälyn kehityksessä ovat inspiroineet runsaasti keskustelua ja spekulaatioita ilmiön vaikutuksista työmarkkinoille. Teorian tasolla vaikutusmekanismit ymmärretään hyvin, mutta ne vetävät eri suuntiin. On mahdotonta ennustaa tarkasti, miten tekoäly tulee muokkaamaan eri ammattien kysynnän ja vastaavasti niiden työllisyyden ja palkkatason. Tarvitaan monipuolista ja jatkuvaa empiiristä tutkimusta tekoälyn työmarkkinavaikutuksista. Tekoälyn käyttöönotto on prosessi, jonka eri vaiheissa työmarkkina- ja yhteiskunnalliset vaikutukset ovat erilaisia, mikä korostaa jatkuvan seurannan tarvetta.

Suomessa tekoälyn vaikutuksia työmarkkinoille on selvittänyt eniten ETLAn tutkimustiimi. Vuonna 2024 julkaistun tutkimuksen mukaan (Kauhanen ja Rouvinen, 2024) eniten generatiiviselle tekoälylle altistuneissa ammateissa palkat olivat kasvaneet jonkin verran nopeammin eikä työllisyydessä havaittu eroa tekoälylle altistuneiden ja muiden ammattien välillä. Tulokset implikoivat, että ainakin tässä vaiheessa ja koko talouden tasolla generatiivinen tekoäly on nostanut siihen altistuneiden ammattien tuottavuutta eikä ole korvannut ihmistyötä. Toisen tutkimuksen mukaan (Kauhanen ja Rouvinen, 2026) generatiivinen tekoäly ei ole vaikuttanut nuorten työllisyyteen ja palkkakehitykseen toisin kuin esimerkiksi Yhdysvalloissa, jossa on havaittu tekoälyaltistukseen liittyviä syrjäyttämisvaikutuksia nuorten työntekijöiden keskuudessa (Brynjolfsson ym., 2025)

Edellä mainituissa suomalaisissa tutkimuksissa kuin myös yleensä alan kirjallisuudessa, analyysin tavoitteena on selvittää, onko työmarkkinoilla eroja enemmän ja vähemmän tekoälyn altistuneiden ammattien välillä. Lisäksi on olemassa joukko tutkimuksia, joissa koeolosuhteissa on selvitetty (Brynjolfsson, Li ja Raymond, 2023; Choi ja Schwarcz, 2025; Noy and Zhang) parantaako tekoäly sitä hyödyntävien työntekijöiden työsuoritusta. Tyypillinen tulos näissä on, että tekoäly parantaa työsuoritusta ja vieläpä niin, että ne, joilla työsuoritus oli heikoin, hyötyivät eniten. Näistä tutkimuksista ei kuitenkaan saa tietoa tekoälyn vaikutuksista palkkaan. Ammatin sisäisten työsuorituserojen vähenemisen pitäisi johtaa supistuviin palkkaeroihin ammatin sisällä, mutta ammatin yleinen palkkataso voi joko nousta tai laskea.    

Käsillä oleva tutkimus on kansainvälisestikin harvinainen, koska siinä selvitetään henkilötasolla yhteyttä tekoälyn käytön ja palkan välillä datasta, joka sisältää yksityiskohtaista tietoa yli 8 000 tekniikka-alan yliopistokoulutuksen saaneiden, pääosin diplomi-insinöörien, palkoista, tekoälyn käytöstä, koulutuksesta, työkokemuksesta, asemasta organisaatiossa, työtehtävien painopisteistä, toimialasta ja työnantajan koosta. Tekniikan akateemiset on tyypillinen ”korkean altistuminen ryhmä”: he ovat vähintään maisterin koulutuksen saaneita, kuuluvat usein korkeimpaan tuloneljännekseen, moni työskentelee ICT-sektorilla tai teollisuudessa, asuu suurissa kaupungeissa (ks. Kauhanen ym., 2023, s.8, fig 3). Vahvasti tekoälylle altistuneissa ammateissa tekoälyn käyttöönotto voi vahvistaa tai heikentää palkkoja ja työllisyyttä riippuen siitä kumpi kahdesta vaikutuksesta dominoi: työn tuottavuuden paraneminen vai ihmistyön korvaaminen.

Keskeinen tulos on, että yksityissektorin tekniikan akateemisten palkat korreloivat positiivisesti tekoälykäytön kanssa ottaen huomioon laaja joukko taustatekijöitä, jotka heijastavat eroja työntekijöiden inhimillisessä pääomassa, iässä ja sukupuolessa, työtehtävissä ja tynantajan ominaisuuksista. Tekoälyn käytön kasvattaminen ei kuitenkaan liity palkkatasoon lineaarisesti, vaan tekoälyn käytön kasvaessa palkkakasvu tasaantuu.

Estimoidut tekoälykäyttäjien palkkapreemiot johtuvat mitä todennäköisemmin kahdesta eri syystä. Osin kysymys on niin sanotusta sisäisestä eli endogeenisestä valikoitumisesta. Havaittuun tekoälyn käytön määrään mitä ilmeisemmin vaikuttaa henkilön kyky ja halu käyttää sitä, mikä vuorostaan riippuu muun muassa henkilön yleisestä oppimiskyvystä ja avoimesta suhtautumisesta muutokseen. Siksi on todennäköistä, että tekoälyn käyttäjiksi on valikoitunut henkilöitä, jotka muutenkin suoriutuvat työssään paremmin ja vastaavasti saavat parempaa palkkaa kuin ne, jotka eivät käytä tekoälyä. Näin ollen havaittu tekoälyn käyttäjien palkkapreemio ei johdu suoraan tekoälyn käytöstä. On kuitenkin hyvin epätodennäköistä, että tekoälykäyttäjien palkkapreemio selittyy kokonaan valikoitumismekanismilla, sillä tekoälykäyttäjät tuskin haaskaisivat aikaa ja energiaa työkaluihin, jotka eivät paranna heidän työsuoritustaan. Katson siis, että havaittu palkkavaikutus osin heijastaa todellista tekoälyn aikaansaama työsuorituksen parannusta.

Vaikka päätulos tukee näkemystä, että ainakin tässä vaiheessa tekoälyn käyttö vahvistaa tekniikan alan akateemisten työmarkkina-asema, analyysi paljastaa, että tulos ei ole universaali. Hyvin pienessä ryhmässä, joka pitää tekoälyä kumppaninaan, palkat ovat selvästi matalampia kuin muuten samankaltaisilla henkilöillä. Ryhmä eroaa muista tekoälyn käyttäjistä monessa suhteessa: he käyttävät erityisen paljon työssään tekoälyä, kokevat vahvasti, että tekoäly on tehnyt heistä tuottavampia ja samanaikaisesti katsovat, että tekoäly muuttaa merkittävästi heidän työnsä sisältöä. He myös kokevat muita enemmän huolta kyvystään sopeutua tekoälyn työmarkkinavaikutuksiin. Tämä kaikki viittaa siihen, että tässä ryhmässä työntekijöiden tekoälyn käyttö korvaa työntekijöiden tietotaitoa.    

2. Tutkimuksen tarkoitus, menetelmä ja aineisto

Tässä tutkimuksessa selvitetään yksityissektorilla työskentelevien TEKin jäsenten palkan yhteyttä tekoälyn käyttöön. Tarkastelussa on yksityissektori kahdesta syystä: palkanmuodostusmekanismien todennäköiset erot sektoreiden välillä ja TEKin jäsenten voimakas keskittyminen yksityiselle sektorille. 
 
Tutkimusmenetelmänä on tavallinen regressioanalyysi, jolla selvitetään, missä määrin henkilöiden väliset palkkaerot liittyvät tekoälyn käyttöä kuvaaviin muuttujiin, kun otetaan huomioon laaja joukko työntekijään, työtehtävään ja työsuhteeseen liittyviä taustatekijöitä. Jos tekoälyn käyttö parantaa tuottavuutta, kuten on syytä olettaa, tekoälyn käytöllä odotetaan olevan palkkaa nostava vaikutus. Toisaalta tekoälyn käyttö saattaa samanaikaisesti alentaa työtehtävien suorittamisessa vaadittavia taitoja, jolloin tietyn osaamisen merkitys vähenee ja palkkakin voi jäädä pienemmäksi.
 
Tulosten tulkinnassa on otettava huomioon, että tutkimusaineistossa havaittuun tekoälyn käyttöön todennäköisesti vaikuttaa henkilön kyky ja halu käyttää sitä, mikä vuorostaan riippuu muun muassa henkilön yleisestä oppimiskyvystä ja avoimesta suhtautumisesta muutokseen. Näin ollen tilastomallin tekoälyyn liitetty palkkavaikutus saattaa ainakin osin heijastaa yleisiä henkilöiden välisiä tuottavuuseroja. Tästä syystä mallien kertoimet eivät mittaa tarkkaan syy-yhteyssuhteiden voimakkuutta, eli sitä, paljonko tietynlainen tekoälyn käyttö vaikuttaa palkkaan. Sen sijaan riittävän suuret myönteiset vaikutukset ovat näyttö sen puolesta, että tekoälyn käyttö parantaa tuottavuutta. Mahdolliset kielteiset vaikutukset taas osoittaisivat, että sen lisäksi että tekoälyn käyttö parantaa tuottavuutta, se vähentää tehtävässä tarvittavia taitoja ja/tai niiden kompleksisuutta.
 
Tutkimuksen pohja-aineistona on Tekniikan akateemisten (TEK) työmarkkinatutkimuksen aineisto. TEK on tekniikka-alan eli diplomi-insinöörien (DI), arkkitehtien ja vastaavan tekniikan tai luonnontieteen yliopistokoulutuksen saaneiden etu- ja palvelujärjestö. Enemmistö työikäisistä diplomi-insinööreistä on TEKin jäseniä. TEK toteuttaa työmarkkinatutkimuksensa vuosittain kyselytutkimuksena, joka lähetetään työvoimaan kuuluville jäsenille.
 
Vuoden 2025 aineisto on kerätty loka–marraskuussa 2025. Vastauksia on saatu yhteensä noin 9 337, joten vastausprosentti on noin 20 (Lähde: https://www.tek.fi/fi/tietoa-tekista/tutkimus/tyomarkkinatutkimus-tmt ). Tämän artikkelin analyysia varten ensin poimittiin ne, jotka ovat ilmoituksensa mukaan kokoaikatyössä olevia palkansaajina, 8 051 henkilöä, joista yksityisellä sektorilla työskenteleviä on 6 812 (84,6 prosenttia). Noudattaen TEKin tutkijoiden käytäntöä analyysistä rajatiin pois ne, jotka olivat ilmoittaneet palkaksi alle 1 500 euroa/kuukaudessa (49 jäsentä). Lisäksi analyysistä jäi pois parisataa havaintoa, joissa jokin analyysissä tarvittavista taustamuuttujatiedoista puuttuu. Lopullisessa tutkimusaineistossa on 6 438 henkilöä, jotka ovat yksityissektorilla palkansaaja-asemassa ja kokoaikatyössä olevia TEKin jäseniä.
 
Aineisto sisältää seuraavat tekoälyä ja sen käyttöä koskevat kysymykset:
A. Kuinka paljon käytät tekoälyä työssäsi?
B. Miten kuvailisit tekoälyn ensisijaista roolia työssäsi?
C. Neljä tekoälyä koskevaa väittämää, joiden paikkaansa pitävyyttä vastaaja pyydetään arvioimaan Likert-asteikolla (Täysin eri mieltä, Jokseenkin eri mieltä, Jokseenkin samaa mieltä, Täysin samaa mieltä, ei osaa sanoa EOS)
D. Mihin ensisijaisesti käytät tekoälyä työssäsi?
E. Oletko mukana suunnittelemassa tai kehittämässä tekoälytyökaluja, joita yrityksesi käyttää tai suunnittelee käyttävänsä?

Taulukko 1. Tekoälyn käyttö työssä

A. Tekoälyn käytön määrä työssä (tuntia viikossa)
Käyttö		Osuus
Alle 1 tunti		40,5 %
1–3 tuntia		38,8 %
3–5 tuntia		23,1 %
5–10 tuntia		5,1 %
Yli 10 tuntia		3,5 %
B. Tekoälyn ensisijainen rooli työssä
Rooli		Osuus
Työkalu		58,1 %
Avustaja		38,9 %
Työkaveri		1,5 %
Pääkumppani		0,5 %
Kilpailija		<0,1 %
Muu / EOS		1,1 %
C. Asenteet tekoälyä kohtaan työssä (ääripäät)
Väittämä	Täysin eri mieltä	Täysin samaa mieltä
Riittävästi työaikaa tekoälyn opiskeluun	8,3 %	30,3 %
Lisännyt tuottavuutta	4,2 %	21,7 %
Muuttaa toimenkuvaa	20,0 %	6,1 %
Huoli sopeutumisesta	32,7 %	4,0 %
D. Tekoälyn käyttötarkoitukset työssä
Käyttötarkoitus
Tietojen analysointi		53,4 %
Uusien konseptien tutkiminen		41,4 %
Sisällöntuotanto		39,2 %
Koodaus		33,9 %
Luova tuki		33,1 %
Automatisointi		21,2 %
Turvatoimet		7,6 %
Muu		0,9 %
E. Osallistuminen tekoälytyökalujen suunnitteluun ja kehittämiseen
Osallistuminen
Ei osallistu / EOS		67,8 %
Välillisesti		23,0 %
Suoraan		9,1 %

Huom. Kaikki muut osiot koskevat vain vastaajia, jotka käyttävät tekoälyä työssään (n=5151, 80 %). D-osiossa on voinut valita useamman vaihtoehdon.
 
 
Analyysia varten aineisto jaetaan kahteen ryhmään: tekoälyä käyttäviin ja niihin, jotka eivät käytä tekoälyä. ”Ei‑käyttäjiksi” määritellään ne vastaajat, jotka ovat vastanneet ”En käytä työssäni tekoälyä” kysymykseen ”Miten ensisijaisesti käytät tekoälyä työssäsi?”. Tekoälyn käyttäjiksi luokitellaan vastaavasti ne, jotka ovat valinneet jonkin muun vastausvaihtoehdon tai useampia vaihtoehtoja, sillä useamman vaihtoehdon valitseminen on sallittua.
 
Osa vastaajista, jotka ilmoittivat, etteivät käytä tekoälyä työssään, vastasi silti muihin tekoälyä koskeviin kysymyksiin. Toisaalta osa jätti nämä kysymykset vastaamatta tai valitsi vastaukseksi ”En osaa sanoa”. Jotta analyysin tulkinnat olisivat selkeitä ja perustuisivat mahdollisimman suureen havaintomäärään, regressiomallit rakennetaan siten, että tuloksista voidaan lukea sekä tekoälyn käyttäjien palkkaero suhteessa muihin että tekoälyn käyttäjien väliset erot, jotka liittyvät erilaisiin tekoälyyn liittyviin muuttujiin.
 
Aineistossa tekoälyn käyttäjä on 5 246 eli 80 prosenttia kaikista. Heidän vastaustensa jakauma on kuvattu taulukossa 1. Vaikka tekoälyn käyttö on yleistä, se on tyypillisesti vähäistä. Yhteensä 80 prosenttia ilmoittaa käyttävänsä tekoälyä alle kolme tuntia viikossa ja alle neljä prosenttia yli 10 tuntia viikossa.
 
Tekoäly nähdään pääsääntöisesti työkaluna tai avustajana, ja vain harva vastaaja pitää sitä kumppanina tai kilpailijana. Hieman yllättävää on, että tekoälyä ei käytetä useimmin rutiinitehtävien automatisointiin tai koodaukseen, vaan tietojen analysointiin sekä uusien konseptien ymmärtämiseen. Tekoälyn käyttäjät kokevat pääosin saaneensa riittävästi työaikaa tekoälyn käytön oppimiseen, arvioivat tekoälyn parantavan työnsä tuottavuutta, eivät koe tekoälyn muuttavan toimenkuvaansa merkittävästi eivätkä ole erityisen huolissaan sopeutumisestaan tekoälyn yleistymiseen.
 
Valtaosa tekoälyn käyttäjistä ei osallistu tekoälyn suunnitteluun ja kehittämiseen. Ne, jotka osallistuvat, tekevät sen useimmiten välillisesti ja ovat valinneet vastausvaihtoehdon ”Annan oman panokseni, mutta en osallistu varsinaiseen kehitystyöhön”.
 
Ne vastaajat, jotka eivät käytä tekoälyä työssään, eroavat asenteiltaan tekoälyn käyttäjistä, mutta vastausten tulkintaa hankaloittaa suuri ”En osaa sanoa” ‑vastausten osuus. Esimerkiksi noin neljännes ei‑käyttäjistä ei pysty arvioimaan, vaikuttaako tekoäly heidän työtehtäviinsä. Suuri EOS‑vastausten osuus on luontevaa, sillä monilla ei ole kokemusta tekoälystä ja he työskentelevät tehtävissä tai rooleissa, joissa tekoälyn käyttöönotto ei ole vielä ajankohtaista.
 
Ylipäätään tekoälyn käyttäjät ja ei‑käyttäjät eroavat monien taustatekijöiden suhteen. Keskeiset erot on esitetty taulukossa 2. Monet näistä eroista vaikuttavat itsessään palkkatasoon. Tekoälyn käyttäjien keskimääräinen palkkataso onkin noin kymmenen prosenttia korkeampi. Seuraavassa luvussa regressioanalyysin avulla pyritään erottamaan näihin taustatekijöihin liittyvät palkkavaikutukset niistä vaikutuksista, jotka liittyvät suoranaisemmin tekoälyn käyttöön.
 
Taulukosta 2 ilmenee, että tekoälyn käyttäjät ovat muita nuorempia ja heillä tutkinnon suorittamisesta on kulunut lyhyempi aika. Sukupuolijakauman osalta ryhmien välillä ei havaita eroa.
 
Koulutustaustan mukaan tarkasteltuna tekoälyn käyttö painottuu selvästi tietotekniikkaan, tietojenkäsittelyyn ja tuotantotalouteen. Sen sijaan rakennus‑ ja konetekniikan koulutustaustoissa tekoälyn käyttö on keskimääräistä harvinaisempaa.
Tekoälyn käyttäjät toimivat muita useammin johto‑ ja erittäin vaativissa asiantuntijatehtävissä. Työsuhdemuodon (vakituinen vs. määräaikainen) suhteen ei havaita merkittäviä eroja tekoälyn käyttäjien ja muiden välillä. Myöskään todellisen viikkotyöajan pituus ei eroa ryhmien välillä. Tekoälyn käyttäjien työsuhde on kuitenkin muita useammin kestänyt alle vuoden.
 
Työtehtävissä havaitaan selkeä polarisaatio. Tekoälyn käyttäjät sijoittuvat muita useammin tietojenkäsittelyyn ja ohjelmistosuunnitteluun, strategiseen suunnitteluun ja johtamiseen sekä tutkimus‑ ja kehittämistehtäviin. Sen sijaan tuotantoon, valmistukseen ja perinteiseen tekniseen suunnitteluun liittyvissä tehtävissä tekoälyn käyttäjien osuus on selvästi pienempi.
 
Hyvin selkeitä eroja on myös toimialoittain tarkasteltuna. Tekoälyn käyttäjät ovat voimakkaasti yliedustettuja tietotekniikan palvelualalla. Vastaavasti metalli‑ ja konepajateollisuus sekä suunnitteluala ovat suhteellisesti yleisempiä niiden vastaajien joukossa, jotka eivät käytä tekoälyä.
 
Suurin absoluuttinen ero tekoälyn käyttäjien ja muiden välillä koskee työpaikan sijaintia. Viisikymmentäviisi prosenttia tekoälyn käyttäjistä työskentelee Uudellamaalla, kun muista vastaajista näin tekee 44 prosenttia. Sen sijaan tekoälyn käyttäjien ja muiden sijoittuminen erikokoisiin työnantajayrityksiin on hyvin samankaltaista.
 
Taulukko 2. Tekoälyn käytön yhteys taustatekijöihin

	Tekoälyn käyttäjät	Muut	Ero	p‑arvo
Havaintojen lukumäärä	5151 (80 %)	1287 (20 %)
Palkka, euroa/kk	6450	5855	595	0,000
Henkilön ikä	43,4	45,2	-1,8	0,000
Tutkinnon ikä	16,4	18	-1,5	0,000
Koulutusohjelma tai pääaine
tietotekniikka	0,12	0,06	0,06	0,000
tuotantotalous, tietojohtaminen	0,1	0,06	0,04	0,000
rakennustekniikka	0,05	0,08	-0,03	0,000
konetekniikka	0,12	0,21	-0,09	0,000
Toimiasema
johto	0,07	0,04	0,03	0,000
erittäin vaativat asiantuntijatehtävä	0,22	0,19	0,03	0,011
vaativat asiantuntijatehtävät	0,34	0,4	-0,06	0,000
asiantuntijatehtävät	0,11	0,14	-0,03	0,001
Toimiala (sopimusala)
tietojenkäsittely, ohjelmistosuunnittelu	0,18	0,10	0,09	0,000
strateginen suunnittelu tai johtaminen	0,08	0,03	0,05	0,000
tutkimus tai kehittäminen	0,1	0,07	0,03	0,002
tuotanto, valmistus tai ylläpito	0,06	0,1	-0,04	0,000
projektitoiminta	0,1	0,14	-0,04	0,000
suunnittelu (rakenne-, arkkitehtuuri- jne.)	0,07	0,16	-0,09	0,000
Mihin toimintoon kuuluvia tehtäviä teet pääasiassa?
tietotekniikan palveluala	0,17	0,06	0,11	0,000
muut yksityiset palvelut	0,11	0,08	0,03	0,005
metalli, konepajat	0,19	0,26	-0,07	0,000
suunnitteluala	0,14	0,21	-0,07	0,000
Työpaikan maakunta Uusimaa	0,55	0,44	0,12	0,000
Työsuhde kestänyt alle vuoden	0,12	0,09	0,03	0,002

 

Regressioanalyysin tulokset

Taulukko 3. Tekoälyn käyttö ja TEKin jäsenten palkat yksityissektorilla

Selitettävä muuttuja: logaritmoitu säännöllinen kuukausipalkka
	(1)	(2)	(3)	(4)
Käyttää tekoälyä (0/1 indikaattori)	0,0855*** (0,0091)	0,0256** (0,0090)
Tekoälyn käytön intensiteetti
Ei käytä tekoälyä	ref.	ref.	ref.	ref.
0–1 tuntia viikossa			0,0245** (0,0092)	0,0214** (0,0098)
1–3 tuntia viikossa			0,0380*** (0,0103)	0,0348*** (0,0108)
3–5 tuntia viikossa			0,0508*** (0,0136)	0,0475*** (0,0141)
5–10 tuntia viikossa			0,0758*** (0,0177)	0,0726*** (0,0180)
Yli 10 tuntia viikossa			0,0843*** (0,0224)	0,0810*** (0,0227)
Nainen x tekoälyn käyttäjä				0,0142 (0,0136)
Tekoälykäyttäjä × mukana kehitystyössä (ristitermi)
En ole / En osaa sanoa		ref.	ref.	ref.
Suunnittelussa (kyllä)		0,0127 (0,0107)	0,0071 (0,0108)	0,0086 (0,0108)
Kontribuoi (ei suunnittelussa)		0,0264*** (0,0070)	0,0249*** (0,0071)	0,0248*** (0,0071)
Tekoälykäyttäjä × käsitys tekoälyn ensisijaisesta roolista (ristitermi)
Avustaja		ref.	ref.	ref.
Työkalu		-0,0035 (0,0056)	-0,0030 (0,0056)	-0,0030 (0,0056)
Työkaveri		-0,0021 (0,0253)	-0,0116 (0,0255)	-0,0118 (0,0255)
Pääkumppani		-0,0954** (0,0439)	-0,1149** (0,0446)	-0,1149** (0,0445)
Kilpailija		vain yksi havainto	vain yksi havainto	vain yksi havainto
Muu / en osaa sanoa		0,0116 (0,0215)	0,0135 (0,0214)	0,0137 (0,0213)
Kontrollimuuttujat mukana	Ei	Kyllä	Kyllä	Kyllä
Havainnot	6438	6438	6438	6438
R²	0,012	0,658	0,659	0,659

Huomautukset: OLS-estimaatit. Mallit (2)–(4) sisältävät laajan joukon yksilö-, työ- ja yritystason kontrollimuuttujia. Robustit keskivirheet suluissa. *** p < 0,001, ** p < 0,01, * p < 0,05.
 
Taulukossa 3 raportoidaan keskeiset tulokset palkan ja tekoälyn käytön yhteydestä tutkimusaineistossa. Kaikissa malleissa selitettävä muuttuja on logaritmoitu säännöllisen työajan palkka. Kun selitettävä muuttuja on logaritmi, mallin selittäjien kertoimet kertovat, kuinka monta log‑prosenttia palkka muuttuu, kun selittäjän arvo kasvaa yhden yksikön. Log‑prosentit ovat pienillä arvoilla hyvin samankaltaisia kuin tavalliset prosentit. Mallissa (1) on vain yksi selittäjä: indikaattori, jonka arvo on yksi, henkilö on tekoälykäyttäjä ja nolla jos ei ole. Koska mallissa ei ole muita selittäjiä, kerroin 0,086 tarkoittaa, että tekoälykäyttäjien palkka on keskimäärin 8,6 log‑prosenttia[1].   
 
Malliin (2) on lisätty kaikki kontrollimuuttujat sekä ristitermit, jotka kuvaavat tekoälykäyttäjien vastauksia tekoälyä koskeviin kysymyksiin, lukuun ottamatta tekoälyn käyttöintensiteettiä (eli kuinka monta tuntia viikossa tekoälyä käytetään). Tekoälyn käyttäjien palkkapreemio putoaa tässä mallissa kahteen ja puoleen log‑prosenttiin, mutta säilyy tilastollisesti merkitsevänä. Eli osoittautuu, että tekoälyn käyttäjien suora palkkaero muihin nähden ei liity pääosin tekoälyn käyttöön, vaan muihin palkkaan vaikuttaviin taustatekijöihin.
 
Malli (3) eroaa mallista (2) siinä, että 0/1‑indikaattorin sijasta tekoälyn käytön yhteyttä palkkaan mitataan tekoälyn käytön intensiteetillä. Edelleen referenssiryhmänä ovat ne, jotka eivät käytä tekoälyä. Tulosten mukaan mitä enemmän tekoälyä käytetään, sitä korkeampi palkkataso on. Jo ne, jotka käyttävät tekoälyä alle tunnin viikossa, saavat pari prosenttia korkeampaa palkkaa kuin ne, jotka eivät käytä tekoälyä lainkaan. Kun tekoälyn käyttö on yli kymmenen tuntia viikossa, palkkapreemio on jo kahdeksan log‑prosentin luokkaa. Vaikuttaa myös siltä, että palkkapreemio kasvaa aluksi lineaarisesti tekoälyn käytön lisääntyessä, mutta vaikutus tasaantuu, kun tekoälyn käyttö ylittää kymmenen tuntia viikossa. Tähän havaintoon palataan myöhemmin.

Tärkeä kysymys on, onko naisten ja miesten palkkojen yhteys tekoälyn käyttöön erilainen. Mallissa (4) ristitermin Nainen × tekoälykäyttäjä kerroin on pieni ja positiivinen eli tämä viittaa siihen, että tekoälyn käyttö saattaa hyödyttää naisia marginaalisesti enemmän kuin miehiä, mutta tilastollisesti tämä ei ole merkitsevää. Aineistossa ei ole riittävää näyttöä, että tekoälyn käytön yhteys palkkaan on sukupuolesta riippuvainen.
 
Analyysin mukaan ne, jotka osallistuvat suoraan työnantajayrityksen tekoälytyökalujen suunnitteluun ja kehittämiseen, eivät saa parempaa palkkaa kuin muut vastaavassa asemassa olevat. Sen sijaan ne, jotka ilmoituksensa mukaan osallistuvat välillisesti tähän, saavat pienen mutta tilastollisesti merkitsevän palkkapreemion. Mahdollinen selitys on, että ne, jotka osallistuvat suoraan tekoälytyökalujen kehittämiseen, ovat usein johtajia, joiden tehtäviin kuuluu yritystoiminnan kehittäminen, kun taas kontribuuttorit eli kehittämiseen osallistuvat ovat tyypillisesti erityisasiantuntijoita, joilla on arvokasta tietotaitoa nimenomaan tekoälyyn liittyvissä kysymyksissä.
 
Kaikissa laajoissa malleissa (2)–(4) henkilöt, jotka pitävät tekoälyä ensisijaisesti kumppanina, saavat selvästi pienempää palkkaa kuin muuten vastaavat tekoälyn käyttäjät, jotka pitävät tekoälyä ensisijaisesti avustajana, työkaluna tai työkaverina. Tekoälyä kumppanina pitäviä on vähän, vain 26. He poikkeavat merkittävästi kokemuksiltaan ja suhtautumiseltaan muista tekoälyn käyttäjistä. Heistä 70 prosenttia käyttää tekoälyä yli kymmenen tuntia viikossa (kaikista käyttäjistä vain 3,5 prosenttia), 80 prosenttia on sitä mieltä, että tekoäly on tehnyt heistä tuotteliaampia (21 prosenttia kaikista käyttäjistä vastaa näin), ja 54 prosenttia on täysin samaa mieltä siitä, että tekoäly muuttaa heidän tehtävänsä merkittävästi (kaikista tekoälyn käyttäjistä vain kuusi prosenttia). Kyseisestä ryhmästä 19 prosenttia on täysin samaa mieltä siitä, että kyky sopeutua tekoälyn tuomiin työelämän muutoksiin huolettaa, kun tekoälyn käyttäjien koko ryhmässä näin kokee neljä prosenttia.
 
Kaikkiaan vaikuttaa siltä, että tekoälyän kumppaniksi mieltävät ovat vahvemmin altistuneita tekoälylle kuin käyttäjät yleensä. Heidän vastauksensa tekoälyä koskeviin väitteisiin, poikkeuksellisen suuri tekoälyn käyttö työssä sekä vastaavassa asemassa olevia pienempi palkkataso viittaavat siihen, että he ovat mahdollisesti tehtävissä, joissa tekoäly tehostaa työtä tavalla, joka vähentää heidän tietotaitonsa merkitystä.
 
Tekoälyä koskevilla väittämillä ja tekoälyn käyttötarkoituksilla ei havaittu olevan merkitystä palkanmuodostuksessa. Nämä tulokset ovat saatavilla pyynnöstä.

Yhteenveto

Analyysi osoittaa, että TEKin yksityissektorilla työskentelevien palkan ja tekoälyn käytön välillä on selkeä, tilastollisesti merkitsevä yhteys. Käytetyn tutkimusmenetelmän rajoitusten vuoksi havaittu yhteys mitä todennäköisimmin syntyy kahden mekanismin yhteisvaikutuksesta. Havaittu tekoälyn käyttö liittyy muun muassa henkilön yleiseen oppimiskykyyn ja avoimeen suhtautumiseen uuteen. Oppimiskykyiset ja kokeiluhaluiset henkilöt yleensä suoriutuvat työssään muita paremmin ja saavat korkeampaa palkkaa. Näin ollen tilastomallin tekoälyyn liitetty palkkavaikutus todennäköisesti osin heijastaa yleisiä henkilöiden välisiä tuottavuuseroja. Tästä syystä mallien kertoimet eivät mittaa tarkasti syy‑yhteyssuhteiden voimakkuutta, eli sitä, kuinka paljon tietynlainen tekoälyn käyttö vaikuttaa tuottavuuteen ja palkkaan. Toisaalta kyvykkäät ihmiset eivät käyttäisi työssään tekoälyä, ellei se parantaisi heidän työsuorituksiaan. Havaitut positiiviset vaikutukset ovat siis joka tapauksessa näyttö sen puolesta, että tekoäly pääsääntöisesti tukee käyttäjien suorituskykyä, mutta ei korvaa heidän ammattitaitoaan, jolloin heidän palkkansa paranevat.
 
 
 
 
 
Kuvio 1: Tekoälyn käytön intensiteetti ja palkka, Malli (3)

Tekoälyn intensiteetin ja palkan välinen yhteys on esitetty kuviossa 1. Kuviossa vaaka‑akselilla käyttöintensiteetin luokat on rajattu mustilla viivoilla siten, että luokkien leveyserot näkyvät. Mallin (3) tekoälyn käyttöä kuvaavat palkkapreemiot on piirretty pystyakselille sinisinä pisteinä, jotka on sijoitettu kunkin käyttöintensiteetin luokan keskipisteeseen, paitsi viimeisen luokan osalta, jossa piste on sijoitettu 12,5 tunnin kohdalle. Sinisten pisteiden läpi kulkevat janat kuvaavat tekoälyn käyttöintensiteettiin liittyvän palkkapreemion 95 prosentin luottamusväliä. Estimaattien pistearvot on yhdistetty sinisellä viivalla helpottamaan tekoälyn käyttöintensiteetin ja palkkapreemion kasvun välisen yhteyden hahmottamista.

Aluksi palkkapreemio kasvaa lineaarisesti tekoälyn käyttöintensiteetin myötä, mutta kasvu tasaantuu voimakkaasti, kun viikkokäyttö ylittää kynnyksen, joka sijaitsee jossain viiden ja kymmenen tunnin välissä. Havainto herättää kysymyksen, onko niin, että tietyn käyttömäärän jälkeen tekoälyn käytön lisääntyminen johtaa palkan laskuun. Tämä on mahdollista, jos hyvin runsas tekoälyn käyttö kytkeytyy henkilön ammattitaidon korvautumiseen tekoälyllä. Tutkimuksessa tunnistettiin yksi pieni ryhmä, jonka kohdalla saattaa olla meneillään prosessi, jossa henkilökohtainen ammattitaito korvautuu tekoälyllä.

Tutkimuksen tulokset tukevat näkemystä, että tekniikka‑alan yliopistokoulutuksen saaneet sijoittuvat tehtäviin, joissa nykyisenkaltaisen tekoälyn käyttöönotto mahdollistaa tuottavuuden nousun, mutta riski, että tekoäly syrjäyttää ihmistyötä, on pieni. Koska TEKin jäsenistä yli 80 prosenttia käyttää tekoälyä alle kolme tuntia viikossa (mukaan lukien ne, jotka eivät käytä tekoälyä ollenkaan), tämän tutkimuksen perusteella potentiaali tekoälyavusteiselle tuottavuuden parantamiselle tekniikan akateemisten kentässä on vielä suurelta osin hyödyntämättä.

Kirjallisuus

Kauhanen, Antti, Pajarinen, Mika & Rouvinen, Petri (25.10.2023). “Occupational Exposure to Text- and Code-Generating Artificial Intelligence in Finland”. ETLA Brief no. 127. https://pub.etla.fi/ETLA-Muistio-Brief-127.pdf

Kauhanen, Antti ja Rouvinen, Petri (19.11.2024). “Assessing Early Labor Market Effects of Generative AI: Evidence from Population Data”. ETLA Working Papers No 121. https://pub.etla.fi/ETLA-Working-Papers-121.pdf
 
Kauhanen, Antti & Rouvinen, Petri (27.1.2026). “AI Has Not Impacted the Youth Labor Market in Finland”. ETLA Working Papers No 135. https://pub.etla.fi/ETLA-Working-Papers-135.pdf
 
Brynjolfsson, Erik, Chandar, Bharat, and Ruyu Chen. (2025). “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence.” Stanford Digital Economy Lab, Stanford, California. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/
 
 
Gimbel, Martha, Kendall, Joshua, and Ryan Kulsakdinun. (2026). “Labor Market AI Exposure: What Do We Know?” The Budget Lab at Yale, New Haven, CT.  https://budgetlab.yale.edu/research/labor-market-ai-exposure-what-do-we-know
 
Brynjolfsson, E., D. Li and L. Raymond (2023) “Generative AI at Work, National Bureau of Economic Research”, Cambridge, MA, https://doi.org/10.3386/w31161.
 
Choi, Jonathan H. and Schwarcz, Daniel (2025) “AI Assistance in Legal Analysis: An Empirical Study” Journal of Legal Education 384 (2025), Available at SSRN: http://dx.doi.org/10.2139/ssrn.4539836
 
Noy, Shakked and Zhang, Whitney (2023), “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence”. Available at SSRN: http://dx.doi.org/10.2139/ssrn.4375283
 
 ________
 
 [1] Vastaa noin 9 ”tavallista” prosenttia geometristen keskipalkkojen erona. Tavallisen aritmeettisen keskipalkan ero on 10 prosenttia.