Akava Works

Näkökulmia tekoälyyn, osa 8 – Markus Penttinen: EU ja tekoäly – mitä on tulossa?

Kun tekoäly tuli kaikkien huulille lähinnä ChatGTP:n läpimurron ansiosta, Euroopan unioni muun muassa loi maailman ensimmäisen tekoälyasetuksen, algoritmejä säätelevän alustatyödirektiivin ja panosti miljardeja alan tutkimukseen. Jo vuonna 2018 EU sai aikaiseksi ensimmäisen tekoälystrategian.

Mutta mitä on näköpiirissä tekoälyalalla nyt, kun Euroopan parlamentin vaalit on käyty ja uutta komissiota ollaan valitsemassa.

Ensimmäisenä on nostettava esiin jo päätettyjen säätelyhankkeiden toimeenpano. Tekoälyasetuksesta on tulossa tarkempia toimintaohjeita ja perusteilla on EU:n tekoälykeskus. Alustatyödirektiivi lähtee toteutettavaksi jokaiseen jäsenmaahan ja tämä työ alkanee Suomessa tulevana syksynä.

Asetuksen toimeenpanon merkitystä ei pidä vähätellä, päinvastoin. Tekoälyn kohdalla puhutaan voimakkaasti kehittyvästä alasta, jolla tehdään pioneerityötä. Miten kutakin lakia sovelletaan tekoälyn käytön eri tilanteissa ja eri aloilla vaikuttaa paljon kansalaisten, työpaikkojen ja yritysten arkeen. Esimerkiksi tekoälyasetuksen synnyttäminen oli iso monivuotinen urakka, mutta yhtä laaja tulee EU:n tekoälyä sivuuttavien säädöksen soveltamisesta käytännössä eri jäsenmaissa.

Hankkeissa näkyy työelämä, tietosuoja ja tekijänoikeudet

Yksi uusista mahdollisista EU:n tekoälyä koskevista hankkeista on työelämän tekoälydirektiivi. Se käsittelisi tekoälyn käyttöä työelämässä syrjimättömyyden, työturvallisuuden ja tietosuojan näkökulmasta. Esimerkkinä tästä on työntekijöiden valvonta tekoälyn avulla, algoritmien asetuksien syrjimättömyys ja tekoälyn sovellusten aiheuttamat työsuojelukysymykset. Parhaillaan Euroopan komissio tarkastelee kyseistä direktiiviä, jonka jälkeen se tulee mahdollisesti työmarkkinajärjestöjen lausuttavaksi. Tätä seuraisi työmarkkinajärjestöjen neuvottelut tai komission direktiiviesitys. Hankkeen liikkeellelähdöstä ei kuitenkaan ole vielä täyttä varmuutta.

Myös tekijänoikeudet ovat myllerryksessä tekoälyn vuoksi. Generatiivisen eli luovan tekoälyn esikoulutuksessa imuroidaan valtavia tietomääriä verkosta ja usein kysymättä tekijän lupaa. Yksi keskeinen kysymys on, onko tekoälyn avulla luodun teoksen oikeuksien omistaja tekoäly vai sitä käyttänyt ihminen. Tekijänoikeuksista sisämarkkinoilla on olemassa EU:n direktiivi ja aihetta sivutaan myös EU:n tekoälyasetuksessa. Tilanne on vaikuttaa silti sekavahkolta ja lait eivät pysy teknologian ja todellisuuden perässä.

On kovin mahdollista, että EU laittaa liikkeelle jonkun hankkeen tekijänoikeuksista, mutta muoto, sisältö ja aikataulu ovat vielä epäselviä. Tässä yhteydessä on syytä myös seurata Yhdysvaltojen kehitystä, jossa on meneillään merkittäviä ennakkotapauksia kuten New York Times vastaan Microsoftin tekoälytoiminta -oikeustapaus. Aika näyttää, miten tekijänoikeudet määritellään lainsäädännössä.

Tekoälyn käyttö koulutuksessa ja tutkimuksessa

Tekoälyn käyttö koulutuksessa ja oppimisessa on ollut viime aikojen kuumia puheenaiheita. Jo vuonna 2020 hyväksyttiin EU:n digitaalisen koulutuksen ohjelma, joka jatkuu vuoteen 2027 asti ja Erasmus+-ohjelmasta on rahoitettu vuosia tekoälyhankkeita. EU:n tekoälyasetus linjaa opetuksen olevan niin sanottu korkeariskinen ala, jossa tekoälyn väärinkäyttö johtaisi helposti merkittäviin haittoihin. Miten tämä otetaan huomioon tekoälyasetuksen soveltamisessa ja saadaanko myös siitä lisäohjeistusta?

EU:n tutkimuksen Horizon-ohjelmassa tekoäly kuuluu pääpainopisteisiin. Horizonin tukena on Digital Europe -ohjelma, joka tukee enemmän operationaalisia hankkeita. Erasmus+-ohjelman tavoin Digital Europe -tutkimusohjelma ja sen rahoitus on uusittavien listalla vuodesta 2025. Lisäksi tekoälyasetuksessa on luotu niin sanotut hiekkalaatikot (sandboxes) tutkimus- ja innovaatiotoimintaa varten. Ne tarjoavat mahdollisuuden kokeilevampaan ja kehittävämpään otteeseen kuin asetus antaisi muuten myöten. Miten ne saadaan toimimaan, avautuu tulevina vuosina.

Tekoälystä käytävässä kilpailussa vaaditaan osaamista

EU-alue on jäänyt altavastaajaksi, alihankkijaksi ja asiakkaaksi, mitä tulee tekoälytyöpaikkojen luontiin. Yhdysvallat ja jossain määrin Kiina hallitsevat työmarkkinoita tekoälyn saralla. Euroopan unionissa tilanne halutaan kääntää ja monenlaista ajatusta tuleviksi hankkeiksi on ilmassa.

Tekeillä on muun muassa Euroopan alueen niin sanottujen supertietokoneiden valjastaminen maanosan tekoäly-startupien sekä innovaattoreiden avustajiksi ja tukijoiksi. Tämä on yhdessä pääroolissa komission alkuvuonna 2024 julkaisemassa toimintaohjelmassa. Tekeillä on myös eurooppalaiset tietoalueet (data spaces), joissa tieto ja data pääsisi kulkemaan nykyistä helpommin esimerkiksi rajojen yli. Niin tiede kuin yritykset pääsisivät tapauskohtaisesti käyttämään tekoälyn tuottamaa tietovirtaa helpommin. Näiden tietoalueiden luomisessa menee oma aikansa, mutta esimerkiksi terveysalalla sellaisen luomisen pohjapäätökset on saatu aikaiseksi.

Toiseksi EU:lle on pitkälti jäänyt tekoälyn seriffin rooli kilpailuasioissa markkinoilla. Se käynee vastaisuudessakin terhakasti kiinni tekoälyjättien monopolipyrkimyksiin ja yrittää pitää kilpakenttää auki kaikille toimijoille. Kolmas EU:n lähivuosien rooli tekoäly ja työpaikat -areenalla on tutkimus ja innovaatiot, jossa edellä mainitut tutkimus- ja koulutusohjelmat ovat avainroolissa. EU-Euroopan helmasyntinä on pidetty sitä, että tutkimuksessa luodaan ja keksitään, mutta ei saada tuotteita kaupallistettua ja markkinoille. Kuinka tämä saadaan käännettyä, ei ole aivan helppo kysymys. Millään EU-direktiivillä tätä ei voi ukaasin lailla muuttaa.

Säätelyn keskiössä yksityisyydensuoja, innovaatiot ja kasvu

Kun unionin tuottamaa säätelyä on syntynyt, sitä arvioidaan ja kehitetään myös talouden kasvun näkökulmasta. Ruotsin entinen valtionvarainministeri, nykyisin teknoyhtiöiden johtotehtävissä toimiva Anders Borg totesi keväällä, että EU-säätely lepää tekoälyalan päällä kuin märkä viltti estäen sen kehittämisen. On kuitenkin muistettava, että yhdysvaltalaiset tekoälyjätit ottivat globaalin johtoasemansa jo vuosia sitten ja esimerkiksi EU:n tekoälyasetus astuu voimaan vasta parin vuoden päästä.

Silti koko digitalisaatioalan säätely käytäneen tulevina vuosina läpi. Kuluttajan- ja yksityisyydensuojat ovat säätelyn jatkokehityshankkeissa edelleen korkealla sijalla, mutta innovaatio ja kasvunäkökulma tulee vahvennetusti rinnalle.

Oma erityiskysymyksensä on tekoälyn vaatima energia. Esimerkiksi hakukoneeseen verrattuna tekoäly vaatii 5–10 kertaa enemmän sähköä. Yhdysvalloissa jo ihmetellään, mistä tämä määrä tasaista virrantuottoa saadaan ja miten sähköverkot kestävät kulutuksen nousua. Sama kysymys voi olla edessä Euroopassakin.

 

Artikkelin on kirjoittanut Akavan kansainvälisten asioiden päällikkö Markus Penttinen. 

Artikkeli on kahdeksas osa Akava Worksin ”Näkökulmia tekoälyyn” -artikkelisarjassa.

Kuva: DALL-E -tekoälysovelluksen tuottama kuva artikkelin teemoista.

Näkökulmia tekoälyyn, osa 7 – Tero Ojanperä: Tekoälyn käyttö tuo monia mahdollisuuksia yrittäjälle

Luovan eli generatiivisen tekoälyn läpimurto muuttaa liiketoimintaa ja luo mahdollisuuksia yrittäjille ja yrityksille. Tämän hyödyntäminen edellyttää panostusta osaamiseen. Korkeakoulutetut yrittäjät luovat korkeamman tuottavuuden työpaikkoja ja tekoäly tarjoaa keinon nopeuttaa tätä kehitystä. Suomen on keskityttävä systemaattisesti tekoälyn ja siihen liittyvään osaamisen kehittämiseen, jotta tekoälyn tarjoamat mahdollisuudet saadaan hyödynnettyä ja saavutetaan tulevaisuuden kilpailukykyinen talous.

Tässä artikkelissa tarkastellaan tekoälyn ja tekoälyyn perustuvien sovellusten vaikutuksia yrittäjyyteen ja yritystoimintaan. Tekoäly on mullistamassa liiketoimintaympäristöä parantamalla tehokkuutta, mahdollistamalla innovaatioita ja muokkaamalla markkinoita. Mutta tekoälyn käyttöönotto luo myös uhkia, kuten teknojättien kasvava valta, lisääntyvä säätely, työmarkkinoiden murros eli disruptio, eettiset haasteet ja yksityisyydensuojan riskit.

Tekoäly mullistaa työmarkkinat ja luo uutta liiketoimintaa

Tekoäly muokkaa yrityksiä ja yritystoimintaa muuttaen tietotyön luonnetta, korvaten ammatteja ja automatisoiden yhä korkeamman abstraktiotason tehtäviä. Tämä vapauttaa asiantuntijoiden aikaa luovempaan työhön. Luova eli generatiivinen tekoäly kykenee suorittamaan tehtäviä, jotka ovat perinteisesti vaatineet inhimillistä älykkyyttä ja luovuutta, kuten luonnollisen kielen ymmärtämistä ja tuottamista, kuvantunnistusta ja päätöksentekoa.

Tekoälyn tuoma muutos ei ole tulevaisuutta, vaan se on jo alkanut, erityisesti generatiivinen tekoäly on kiihdyttänyt tätä kehitystä. Jokainen ChatGPT:tä käyttänyt voi itse todeta, miten paljon se helpottaa jokapäiväistä työtä. Mutta tekoälyn tarjoamat mahdollisuudet liiketoiminnan kasvulle ylittävät jatkossa moninkertaisesti aikaisen vaiheen sovellukset, kuten nopeamman sähköpostin kirjoittamisen, markkinointitekstien luomisen tai yhteenvetojen nopeamman tuottamisen.

Tekoäly tuhoaa ja muuttaa ammatteja, luo uusia ja vaikuttaa siihen, miten työtä tehdään. Esimerkiksi ohjelmistokehityksessä tekoälyn vastuulle siirtyy merkittävä osa toteutuksesta ja testauksesta, mikä kasvattaa ohjelmistoarkkitehtien merkitystä kokonaisuuden hallinnassa. Aiemmin juristin työtä opittiin tekemällä rutiinityötä, vaikkapa luonnostelemalla sovintoehdotuksia vanhemman juristin ohjauksessa. Tekoälyn hoitaessa tällaisen rutiinityön vapautuu aikaa, mutta samalla nousee esiin kysymys, miten hoidetaan nuorempien ammatinharjoittajien koulutus.

Generatiivinen tekoälyn avulla voidaan kloonata ihmisen ääni. Kun tekoäly lukee äänikirjan, voidaan erikieliset versiot tehdä huomattavasti helpommin ja nopeammin kuin jos ihmiset lukisivat kirjat. Näin äänikirjojen kattavuus laajenee nopeammin uusille kielialueille. Tekoälypohjaiset chatbotit voivat tehostaa asiakaspalvelua. Arkkitehdit voivat nopeuttaa luomisprosessiaan ja saada uudentyyppisiä oivalluksia sisällyttämällä kuvantamispalvelut, kuten Midjourneyn, osaksi työnkulkuaan. Valokuvaus ja kuvien tuottaminen muuttuu, kun tekoälyn luomat kuvat näyttävät todellisemmilta kuin nykykameroiden tuottamat kuvat.

Tekoälyn taloudellinen arvo konkretisoituu sovellusten ja tuotteiden kautta, ei teknologian itsensä kautta. Generatiivinen tekoäly otetaan osaksi ohjelmistotuotteita. Aluksi tämä johtaa uusien ominaisuuksien tuomiseen olemassa oleviin ohjelmistoihin, kuten Microsoftin Copilot, Google Duet -tekoälyassistentti, Adoben Creative Fill -ominaisuudet ja Autodeskin tekoälyavustaja. Mutta kuten internet aikoinaan tekoäly luo täysin uusia innovatiivisia tuotteita ja palveluita. Jo nyt on syntynyt lukemattomia startup -yrityksiä, jotka hyödyntävät generatiivisen tekoälyn mahdollisuuksia. Esimerkiksi, tekoäly-yritys Leo AI on kouluttanut suunnittelukuvien avulla tuotesuunnittelun tekoälyavustajan (text-to-design). Sen avulla käyttäjä kuvailee haluamansa tuotteen tekstimuodossa tai hahmotelmana, jonka jälkeen ohjelmisto tekee tuotesuunnittelun sekä määrittää, mistä osista tuote tehdään. Suunnitelmaa voidaan kehittää vuorovaikutteisesti.

Uudet teknologiat luovat myös hassuilta tai oudoilta tuntuvia ilmiöitä. Sosiaalinen media ja sen tuoma käyttäytymisen muutos oli edellisen murroksen hedelmiä. Somepäivityksiä ja selfieitä pidettiin aluksi nuorten ilmiönä, mutta niistä tuli koko yhteiskunnan yhteinen käytäntö ja vaikuttamismekanismi. Nyt nuoret shokeeraavat jakamalla yksityiset WhatsApp-keskustelut ChatGPT-palveluun, joka antaa analyysin ihmissuhteista, huolista ja ongelmista keskusteluihin perustuen. Kyseessä on käytännössä tekoälyn kanssa käytävä terapiasessio. Vaikuttaa oudolta, mutta kun pääsemme eroon ennakkoluuloistamme, huomaamme, että kyseessä on uusi liiketoimintamahdollisuus ja jopa yhteiskunnallinen missio. Mielenterveyspalveluiden kysyntä kasvaa jatkuvasti ja emme pysty vastaamaan siihen ihmisvoimin. Tekoäly voi auttaa ja on selvää, että näin käy joka tapauksessa. Joku tarttuu tähän mahdollisuuteen, miksi ei siis suomalainen yrittäjä.

Generatiivinen tekoäly mahdollistaa kokonaan uusien kokemusten ja palveluiden luomisen. Vertaus internetin vallankumoukseen on osuva. Se mullisti tapamme kommunikoida ja loi aivan uudentyyppisiä palveluita. Tekoäly luo perustan uudenlaiselle liiketoiminnalle ja palveluille, joiden olemassaolosta meillä ei vielä ole käsitystä. On todennäköistä, että muutamista seuraavien vuosien aikana perustetuista yrityksistä tulee yhtä suuria tai ne jopa ohittavat edellisen aikakauden voittajat, kuten Googlen ja Facebookin.

Tekoälyn käyttö säästää aikaa ja laskee kustannuksia monella tavalla. Tekoäly voi esimerkiksi avustaa työntekijää markkinointitekstien laadinnassa. Näin työntekijältä vaaditaan vähemmän taitoja samaan työhön kuin aiemmin ja siten tarjolla on enemmän työvoimaa alemmalla kustannustasolla. Tekoäly voi korvata äänikirjan lukijat ja alentaa kustannuksia jopa 95 prosenttia verrattuna ihmislukijaan. Ohjelmistotyö nopeutuu, kun tekoäly koodaa käyttöliittymän kuvan perusteella.  Aiemmin vastaavaan työhön olisi vaadittu ohjelmoija tai kokonainen ohjelmoijatiimi. Nyt työ sujuu muutamassa sekunnissa aiemman viikon tai kahden sijaan.

Toisaalta yrityksille tekoälyn kehitys ei vielä tunnu suurelta vallankumoukselta. Jos tekoäly säästää tunnin päivittäistä työaikaa, työntekijä ei välttämättä käytä vapautuvaa aikaa tuottavasti. Tarvitaan suurempi muutos työnkuluissa ja toimintamalleissa, jotta hyötyä kertyy. Tämä vie aikaa, mutta muutos on vääjäämätön.

Kuten aiemmatkin teknologiamurrokset, tekoäly on synnyttänyt pöhinää eli hypeä ja siihen liittyvän kuplan. Korkojen noustessa kasvuyritysten rahoitus on laskenut, mutta tekoäly-yritysten rahoitus on kasvanut. Vuonna 2023 tekoäly-yritykset saivat rahoitusta yli 50 miljardia dollaria.  Tyypillisesti kuplan kasvaessa myös investoinnit nopeutuvat ja kasvavat, samoin innovaatiotoiminta, minkä seurauksena syntyy uusia yrityksiä, puhutaan ”tuottavasta kuplasta”.

Laajat kielimallit toimivat kasvun moottorina

Tekoälymurroksen taustalla ovat neuroverkkoihin perustuvat laajat kielimallit, jotka koulutetaan valtavalla määrällä tekstiaineistoa ymmärtämään kielen rakenteita ja merkityksiä. Sittemmin tekoälymalleja on koulutettu myös kuvilla, videoilla ja muilla aineistoilla. Nämä niin sanotut perustamallit (foundation models) tuottavat tekstiä, kuvia, musiikkia, liikkuvaa kuvaa ja jopa 3D-malleja tavalla, jonka ei aiemmin uskottu olevan mahdollista koneille. Kehitystä ovat vieneet eteenpäin pitkälti amerikkalaiset yritykset, mutta eurooppalaisetkin yritykset ovat aloittaneet omien tekoälymallien kehityksen, kuten suomalainen Silo AI Poro kielimallillaan samoin kuin saksalainen Aleph Alpha.

Tekoälymallit tarjoavat monipuolisia hyödyntämismahdollisuuksia. Sovellukset, kuten ChatGPT ja Bard, pystyvät vastaamaan kysymyksiin ja avustamaan erilaisissa tehtävissä, esimerkiksi sähköpostien, esseiden ja koodin kirjoittamisessa. Yrittäjille erityisen kiinnostavaa on kuitenkin se, miten he voivat rakentaa omia sovelluksiaan hyödyntäen laajoja kielimalleja. Tämä on mahdollista antamalla kehotteita mallille eli promptaamisen kautta sähköisen rajapinnan välityksellä tai ulkoisia tietovarastoja käyttäen. Lisäksi on mahdollista hienosäätää olemassa olevaa mallia tai kehittää omia erikoistuneita malleja. Loppujen lopuksi käyttötarkoitus ja investointikyky määrittävät, mikä menetelmä on paras.

Kehotteet eli promptit ovat ohjeita, joita hyödynnetään tekoälyohjelmiston suuntaamiseen siten, että se tuottaa käyttäjän toivomaa informaatiota tai lopputuloksia. Kehotteilla ohjaaminen eli promptien laatiminen on kehittynyt erityisosaamiseksi, ja yritykset rekrytoivat ”prompt-insinöörejä” luomaan näitä ohjeita. Kehotteille on myös muodostunut omia markkinapaikkoja, esimerkiksi PromptBase. Yhtenä esimerkkinä prompt engineering -menetelmällä tuotetusta sovelluksesta on Traverse AI, joka on oikeudellisiin kysymyksiin erikoistunut tekoälypalvelu. Sen pohjana oleva laajaa kielimallia on ohjattu noin 80 erilaisen lakialaan liittyvän kehotteen avulla sähköisen rajapinnan kautta. Sovelluksen kehittäminen kesti noin kaksi kuukautta.

Helpottaakseen tekoälysovellusten kehitystä Open AI on julkaissut oman alustansa, jonka avulla käyttäjät voivat luoda erilaisia versioita ChatGPT:stä omiin käyttötarpeisiinsa. Sovelluksen voi tehdä selittäen, mitä haluaa luoda. Koodaustaitoja ei tarvita. Kehitetyn tekoälybotin voi julkaista ChatGPT-sovelluskaupassa, (GPTStore). Näin yrittäjälle syntyy jakelukanava ja myöhemmin mahdollisuus ansaita tekoälysovelluksellaan. Esimerkiksi, Consensus-tekoälytutkimusavustaja hakee vastauksia ja voi laatia uutta sisältöä perustuen 200 miljoonaan tieteelliseen artikkeliin.

Generatiiviset tekoälymalleissa on myös ongelmia, kuten hallusinointi eli epätarkan tai väärän tiedon tuottaminen sekä ajantasaisen tiedon puute. Näitä ongelmia voidaan ratkaista *RAG (Retrieval-Augmented Generation) -lähestymistavalla, joka hyödyntää ulkoisia tietokantoja. Yhdistämällä käyttäjän prompti ja tietokannasta haettu informaatio tuotetaan laajan kielimallin avulla haluttu tulos. Tämä integraatio parantaa mallien tarkkuutta ja luotettavuutta erityisesti laajaa tietämystä vaativissa tehtävissä.

Hienosäätö on menetelmä, jossa perustamalli koulutetaan pienemmällä, tehtäväkohtaisella datajoukolla. Ajatuksena on hyödyntää mallin alkuperäisen koulutusprosessin aikana hankkimaa tietoa ja räätälöidä se tarkempaan tehtävään. Koulutus vaatii enemmän laskentaresursseja kuin kehotteilla ohjaus ja on siten kalliimpaa, mutta tuloksena on paremmin tehtävään sopiva malli.

Jos käytettävissä on omaa dataa, on myös mahdollista kouluttaa omia, erikoistuneita malleja, jotka ovat halvempia käyttää, energiatehokkaampia ja tarkempia kuin yleiset laajat kielimallit kuten GPT-4. Kääntöpuolena erikoistuneiden mallien kehittämisessä on usein suuremmat investoinnit, sillä ne vaativat merkittävän kokoluokan laskentatehoa.

Yritysten ja yrittäjien kannalta tilanne on erinomainen. Tekoälyä voi käyttää hyvin pienellä alkuinvestoinnilla ja tekoälysovellukset ovat kenen tahansa käytettävissä. Alkuun pääsee promptauksella, joka on yksinkertaisin ja edullisin tapa hyödyntää perustamalleja tiettyyn sovellukseen. Ja jos tarvitsee tarkempia tai monipuolisempia tuloksia, voi hyödyntää monimutkaisempia menetelmiä kuten ulkoista tietokantaa hyödyntävää RAGia, hienosäätöä tai erikoistuneita malleja.

Tekoälyagentit – korkeamman abstraktiotason automaatio

Generatiivisen tekoälyn mallit ja niiden saatavuus on demokratisoinut tekoälyä ja tuonut tekoälyn erityisesti yksilöiden ja Pk-yritysten saataville. **Mutta parempaa on luvassa, kun tekoäly kykenee suoriutumaan yhä monimutkaisemmista tehtävistä. Seuraava lupaava vaihe tekoälyn kehityksessä ovat tekoälyagentit. Ne ovat autonomisia tekoälytoimijoita, joille voidaan antaa itsenäisesti hoidettavia tehtäviä. Autonomiset tekoälyagentit voivat esimerkiksi tuottaa ja julkaista markkinointisisältöä eri alustoille ja määritellylle kohdeyleisölle mukautuen ulkoisen ympäristön muutoksiin säästäen aikaa ja vaivaa. Tai autonominen koodausagentti nopeuttaa sovelluskehitystä kirjoittamalla, testaamalla ja korjaamalla koodia.

Alla olevassa kuvassa kuvataan autonomisen tekoälyagentin toimintaa. Agentille asetetaan tavoite, jonka se jakaa pienempiin alatehtäviin käyttäen laajaa kielimallia eli agentti hyödyntää tekoälyä ymmärtääkseen tehtävän ja miten se jaetaan osatehtäviin. Tämä jakamisprosessi jatkuu itseään toistaen eli rekursiivisesti, kunnes alitehtävä on tarpeeksi pieni suoritettavaksi suoraan. Tehtävän suorittamisessa agentti hyödyntää kielimalleja, internettiä ja muita ulkoisia resursseja. Suorittamisen jälkeen agentti arvioi, onko tehtävä suoritettu. Jos se ei ole valmis, prosessi jatkuu. Agentti kykenee myös mukauttamaan toimintaansa tehtävän kuluessa ja saadessaan uutta informaatiota.

 

Ojanperä kuvio 1

 

Agentteja varten on kehitetty useita ohjelmistoalustoja, joiden avulla käyttäjät voivat määrittää ja ottaa käyttöön autonomisia tekoälyagentteja, esimerkiksi AutoGPT ja BabyAGI. Agenttien kehityksessä on vielä useita pulmia, esimerkiksi ohjelman sivuraiteille eksyminen, prosessien toistuminen, tehtävien keskeneräisyys ja kestävyyden puute.

Autonomiset agentit tuovat siis aivan uusia mahdollisuuksia liiketoimintaan. Yritykset voivat siirtää yhä monimutkaisempia tehtäviä tekoälyn suoritettavaksi tehostaen toimintaansa. Uusille yrityksille autonomiset agentit tuovat yhä uusia kyvykkyyksiä käyttöön entistä halvemmalla. Tulevaisuudessa näemme varmaan ihan uudentyyppisiä yrityksiä ja liiketoimintamalleja, jotka perustuvat autonomisiin agentteihin.

Kielimallit ja robotit luovat uusia liiketoimintamahdollisuuksia

 Kun yhdistämme laajat kielimallit ja robotiikan, syntyy oppivia robotteja. Älykkään robotiikan ydin on kyky oppia ja soveltaa oppimaansa uusiin, ennenkokemattomiin tilanteisiin. Näin robotit kykenevät suoriutumaan tehtävistä, joita ne eivät ole aiemmin kohdanneet. Kielimallit antavat myös roboteille uudenlaisia kognitiivisia kykyjä, jotka parantavat niiden toimintaa ja vuorovaikutusta ihmisten kanssa.

Robotiikan kehitys on viime aikoina ollut lupaavaa. Tutkijat kehittivät videodatasta oppivan järjestelmän. Se oppii videodatasta, joka esittää ihmisen tekemiä tehtäviä, jotka vaativat kahden käden ja koko kehon hallintaa. Robotti oppi muun muassa itsenäisesti valmistamaan ruokaa ja tarjoilemaan sitä. Norjalainen 1X Technologies on integroinut laajan Open AI -kielimallin kehittämäänsä humanoidirobottiin, joka toimii vartiointitehtävissä teollisuudessa. 1X:n lisäksi Tesla ja useat muut yritykset ovat kehittäneet yleiskäyttöisiä humanoidirobotteja, joiden ensimmäisten käyttökohteiden oletetaan olevan logistiikassa ja varastotöissä.

Robotit tarjoavat myös muunlaisia mahdollisuuksia kuin humanoidirobotit. Sveitsiläisen yliopiston EPFL:n tutkijat ovat kehittäneet neliömäisiä robottimoduuleja (roombots), jotka voivat liikkua ja tarttua toisiinsa sekä yhteistyössä muodostaa esineitä kuten tuoleja ja pöytiä. Rolls Royce on kokeillut hyönteis- ja käärmemäisen robotin soveltamista moottorin korjaukseen.

Robotiikan yleistyminen luo myös muita mahdollisuuksia yrittäjille, sillä robotteja pitää hallita. Karelics Cloud on kehittänyt robottilaivueiden hallintajärjestelmän rakennusroboteille, jonka tavoitteena on lisätä tehokkuutta, vähentää kustannuksia ja parantaa turvallisuutta rakennustyömaalla.

Tekoälyn soveltamiseen liittyvät uhkakuvat yrittäjyyden näkökulmasta 

Tekoälyn käyttöönottoon liittyy uhkakuvia, jotka voivat vaikuttaa sen mahdollistamiin liiketoimintamahdollisuuksiin ja yrittäjyyteen. Tekoälyteknologia ja valta voi keskittyä teknojätteille, jolloin ne määrittävät, mitä mahdollisuuksia jää muille. Niiden tekoälyalustojen nopea kehitystahti voi tehdä yrittäjien ponnistuksista turhia. Esimerkiksi liiketoiminnan perustaminen vanhan teknologian päälle voi olla riskialtista, kuten GPT-3:n tapauksessa. Useat yritykset rakensivat liiketoimintaa sen varaan mutta GPT-4:n tulo markkinoille toi mukanaan monia aiemmin erillisinä sovelluksina tarjottuja kyvykkyyksiä perusalustan osana.

***Euroopan tekoälyasetus pyrkii luomaan yhteiset pelisäännöt tekoälyn käytölle. Haasteena on teknologian jatkuva kehitys ja tekoälyn monimuotoisuus. Sääntelyn valvonta saattaa myös olla vaikeaa. Pahimmassa tapauksessa lisääntyvä sääntely johtaa byrokratiaan, liiketoimintamahdollisuuksien menetykseen ja tekoäly-yrittäjyysinnostuksen laimenemiseen Euroopassa.

Tekoälyn koulutusdataan ja tuotoksiin liittyvät tekijänoikeudet ovat kiistanalainen aihe, josta käydään oikeutta ja neuvotteluja. EU:n tekoälyasetuksella pyritään myös ottamaan kantaa tekoälyyn liittyviin oikeuksiin. Paljon kysymyksiä herättää esimerkiksi se, mitä dataa voi käyttää tekoälyn koulutukseen ja mitä ei. Tekoälyn tuottamat tekstit, kuvat ja muu sisältö voivat loukata tekijänoikeuksia. Viime kädessä käyttäjä on vastuussa tekoälyn tuotoksista ja siten yrittäjien pitää olla tietoisia tekijänoikeuksiin, yksityisyyden suojaan ja muihin juridisiin sekä eettisiin kysymyksiin liittyvistä kysymyksistä. Koulutuksella on tässä tärkeä merkitys.

Mutta suurempi uhkakuva suomalaisen yrittäjyyden kannalta on, että jäätäisiin vain odottamaan. Tekoälyn murros muuttaa yhteiskuntaa ja erityisesti liiketoimintaa, ja voittajia ovat sen aktiiviset soveltajat. Tekoälyn kehittäminen ja soveltaminen on kuitenkin tehtävä kestävien eettisten periaatteiden mukaan.

Tekoälyn vallankumous on korkeakoulutettujen yrittäjien kultakausi

Generatiivinen tekoäly on ”demokratisoinut” tekoälyn. Tämän vuoksi juuri nyt on korkeakoulutettujen yrittäjien kultakausi. Tuottavuus kasvaa, suunnittelutyön hinta laskee ja tekoälysovelluksia on helpompi rakentaa kuin aikaisemmin. Tekoälyteknologiat ovat nyt helpommin hyödynnettävissä ja saavutettavissa, mikä mahdollistaa innovaatioiden ja liiketoimintamallien kehittämisen ennennäkemättömällä nopeudella. Tämä aikakausi tarjoaa ainutlaatuisen tilaisuuden yrittäjille, jotka ymmärtävät ja osaavat hyödyntää tekoälyn tarjoamia työkaluja ja mahdollisuuksia luoden uudenlaisia palveluita ja ratkaisuja markkinoille.

Suomen Slush-sukupolvi tarttui ennakkoluulottomasti yrittäjyyden haasteeseen, ja syntyi monia yrityksiä, muun muassa Aiven, Supercell, Wolt, Iceye, IQM Quantum Computers, Smartly ja Supermetrics. Ne ovat luoneet talouskasvua ja työpaikkoja. Monet näistä yrityksistä rakensivat liiketoimintansa edellisten teknologiamurroksien tuomien alustojen päälle, kuten sovelluskauppojen, pilvipalveluiden ja sosiaalisen median päälle. Nyt alustana toimii generatiivinen tekoäly.

Jotta tämä mahdollisuus hyödynnettäisiin täysimääräisesti, tarvitaan ymmärrystä tekoälyaallon murroksen tuomista kyvykkyyksistä, muutoksen voimakkuudesta, uhkakuvista ja mahdollisuuksista. Korkeakoulujen pitää ymmärtää asemansa muutoksen mahdollistajana ja tuoda sekä tekoälyn opetus että tekoäly osaksi opetusta nopeammin. Suomen on keskityttävä järjestelmällisesi tekoälyn ja siihen liittyvään osaamisen kehittämiseen.

 

Artikkelin on kirjoittanut teknologia-alan asiantuntija ja Aalto yliopiston työelämäprofessori Tero Ojanperä.

Artikkeli on seitsemäs osa Akava Worksin ”Näkökulmia tekoälyyn” -artikkelisarjassa.

Kuva: DALL-E -tekoälysovelluksen tuottama kuva artikkelin teemoista.

 

* https://arxiv.org/pdf/2312.10997.pdf

** https://arxiv.org/pdf/2401.03428.pdf

*** https://www.consilium.europa.eu/fi/press/press-releases/2023/12/09/artificial-intelligence-act-council-and-parliament-strike-a-deal-on-the-first-worldwide-rules-for-ai/

Näkökulmia tekoälyyn, osa 5 – Petri Ylikoski: Tekoäly ja asiantuntijatyön muutos

Tekoäly ja teknologinen muutos

Tekoälyn kehitys on sekä kiehtovaa että hämmentävää. Asiaa ei auta, että jostakin syystä tekoälystä uutisoidaan eri tavoin kuin muista teknologioista. Tekoälystä kirjoitetaan tekijänä ja toimijana, kun muita teknologioita yleensä tarkastellaan selvästi välineinä. Fantasia tekoälystä toimijana haittaa nykyisen tekoälyn ymmärtämistä ja kätkee taakseen sovelluksien takana olevan ihmistyön. Tekoälyyn kannattaa suhtautua samalle tavoin kuin muihinkin uusin teknologioihin ja olla varovainen yksityiskohtaisten tulevaisuuden ennustusten kanssa. Esimerkiksi käy autonomisten ajoneuvojen kehittäminen. Teknologiayhtiöiden johtajat ovat vuosia ennustaneet, että täysin autonomiset ajoneuvot olisivat todellisuutta aivan lähitulevaisuudessa. Mutta vuodet ovat kuluneet ja ennusteet ovat osoittautuneet toiveajatteluksi. Kadut eivät ole täynnä robottitakseja, ja sellaiset saattavat pysyä kokeiluasteella hyvin pitkään, ellei niitä sitten lopeteta kokonaan kalliiden kustannusten vuoksi. (Brooks 2024.)

Tekoälyn kehitystä ei tule ajatella yhteiskunnallisessa tyhjiössä. Tekoälyn sovellutukset ovat sosio-teknisiä järjestelmiä. Ne pitävät sisällään tietojärjestelmien lisäksi ihmiset ja organisaatiot, jotka niitä kehittävät, käyttävät ja mahdollisesti ovat niiden käytön kohteina. Kyse on yhteiskunnallisesta ilmiöstä, jonka tuleva kehitys tulee riippumaan huomattavasti markkinakilpailusta, oikeudellisesta säätelystä ja viime kädessä siitä, kuinka käyttäjät ottavat järjestelmät haltuun. Tämä on erityisen tärkeää pitää mielessä pohdittaessa tekoälyn vaikutuksia työelämään ja asiantuntijatyöhön. Vielä ei tiedetä, mitkä ovat parhaita tapoja käyttää uusia välineitä ja millaisia käyttöjä tulisi ehdottomasti välttää. Emme myöskään tiedä, miten parhaiten toteuttaa ihmisen ja tekoälyn yhteistoiminta. Samoin kuin aikaisempien teknologioiden – kuten sähkön ja internetin – käyttöönoton kohdalla, odotettavissa on varsin pitkä kokeilu- ja oppimisjakso ennen kuin yksilöt ja organisaatiot ovat löytäneet parhaat tavat hyödyntää ja elää yhdessä uusien teknologioiden kanssa.

Kokeilujen myötä myös organisaatiot ja työtehtävät tulevat muuttumaan, eikä välttämättä parempaan suuntaan. Teknologinen muutos hävittää yllättävän harvoin kokonaisia ammatteja. Useimmiten muutos tapahtuu työtehtävien tasolla ja siinä, kuinka paljon työntekijöitä tarvitaan tehtävien suorittamiseen. Seuraavassa keskityn tarkastelemaan asioita työtehtävien muutoksen tasolla. Lähden liikkeelle tekoälyteknologioiden ominaisuuksista ja etenen sitten niiden käytön seurauksiin pitäen silmällä erityisestä asiantuntijatehtäviä.

Kaikki perustuu dataan

Sana-assosiaation perusteella tekoälyn salaisuus olisi sen älykkyydessä tai kyvyssä järkeillä. Mutta tosiallisesti kaiken perusta on data. Koneoppiminen ja muut tekoälymenetelmät perustuvat pohjimmiltaan datan säännönmukaisuuksien tunnistamiseen. Jos aiheesta ei ole dataa, ei tekoälystä ole siihen apua. Puutteellinen, epäedustava, systemaattisia virheitä sisältävä tai epätarkoituksenmukainen data vaarantaa tekoälyn soveltamisen, sillä se johtaa virhediagnooseihin, epäluotettaviin ennusteisiin ja syrjiviin päätöksiin (Hand 2020). Viime vuosikymmenten tekoälyn kehitys perustuukin pitkälti tietokoneiden laskentatehon ja saatavilla olevan datan määrän nopeaan kasvuun. Mitä tästä datan keskeisyydestä seuraa?

Yksi seuraus on, että datan tuottaminen ja hallinta ovat yhä keskeisempiä organisaatioiden toimintoja. Tämä tuottaa monia uusia dataan liittyviä työtehtäviä. Datan keräämisen ja käytön yhä laajemman oikeudellisen säätelyn myötä datan turvallisuudesta huolehtiminen tulee yhä tärkeämmäksi, erityisesti siten, että datan kohteiden yksityisyys tulee turvatuksi. Jotta eri lähteistä olevaa dataa voidaan käyttää, täytyy myös tietojärjestelmien ja niiden sisältämän datan olla yhteensopivaa. Tämä merkitsee suurta määrää työtä, joka liittyy yhtenäisten standardien luomiseen. Datan keräämisen ja käytön prosesseilta vaaditaan yhä suurempaa vastuullisuutta ja läpinäkyvyyttä, mikä merkitsee, että erilaiset datan, mallien ja prosessien auditointitehtävät ovat suuri tulevaisuuden kasvuala. Mitkään näistä uusista tehtävistä eivät ole puhtaasti tietoteknisiä asiantuntijatehtäviä, vaan ne vaativat usein oikeudellista ja sisällöllistä osaamista.

Vaikka datasta puhutaan uutena öljynä, sitä ajatellaan usein abstraktina informaationa. Moni tekoälyhanke on lähtenyt liikkeelle ajatuksesta, että tekoäly auttaa nopeasti säästämään kustannuksia tai tehostamaan toimintaa, mutta niissä on opittu kantapään kautta, että käyttökelpoinen data edellyttää usein paljon työtä ja resursseja. Datan tuottaminen ja sen turvallinen hallinnointi edellyttävät soveltuvan infrastruktuurin ja sen jatkuvan ylläpidon. Toiseksi, suuri määrä dataa ei riitä, sen tulee olla myös laadukasta ja relevanttia. Vaikka data syntyisi muun toiminnan sivutuotteena, sen laadun parantaminen saattaa edellyttää muutoksia työtehtäviin ja niiden sisältöön. Dataa täytyy kerätä, käsitellä ja kuratoida. Datan käyttökelpoisuuden arvioiminen edellyttää asianmukaista metadataa, tietoa datan alkuperästä ja käsittelytavoista. Tällainen datatyö jää usein näkymättömäksi, sillä se kasvaa pikkuhiljaa monien uudistusten myötä eikä sitä varten palkata erityistä henkilökuntaa. Asiantuntijatehtävissä työskentelevät saavat kuin vaivihkaa osansa näistä tehtävistä.

Esimerkkinä voi miettiä kuinka paljon esimerkiksi lääkäreiden ja sairaanhoitajien työstä nykyään liittyy datan syöttämiseen erilaisiin järjestelmiin (Bossen ym. 2019). Tulevaisuudessa automaatio ja erilaiset sensorit saattavat auttaa asioiden kirjaamisessa ja dokumentoinnissa, mutta ne tuovat mukanaan uusia tehtäviä, kuten sensorien ja järjestelmien ylläpito ja oikean toiminnan varmistaminen. Nämä datatyötehtävät tulevat tyypillisesti aikaisempien tehtävien lisäksi ilman, että tätä otetaan täysin huomioon töiden mitoituksessa. Usein tämä tarkoittaa, että työntekijällä on vähemmän aikaan varsinaisten tehtäviensä tekemiseen. Esimerkiksi hoitajilla ja lääkäreillä on yhä vähemmän aikaa potilaiden kanssa vuorovaikuttamiseen, kun he kasvavassa määrin tekevät datan keräämiseen ja ylläpitoon liittyviä tehtäviä. Tällaiset datatyön tuottamat vaihtoehtoiskustannukset olisikin syytä ottaa huomioon tietojärjestelmiä rakennettaessa.

Läpinäkyvyyden haaste

Monet tekoälyjärjestelmien tuottamat haasteet ovat tuttuja jo vanhemmista tietojärjestelmistä, jollaisia kaikki nykyaikaiset organisaatiot soveltavat. Tällaiset järjestelmät ovat usein vuosien kehitystyön seurauksena hyvin monimutkaisia, ja siksi on monesti vaikeaa arvioida niiden luotettavuutta ja ymmärtää niiden toimintaa. Tämä tuottaa ongelmia myös hallittavuudelle ja yhteensopivuudelle. Tekoälyn lisääminen järjestelmiin ei ole yksinkertaista ja voi tehdä järjestelmistä vielä vaikeampia ymmärtää. Uudet teknologiat rakentuvat yleensä vanhempien päälle, eivätkä tekoälyjärjestelmät ole poikkeus. Tekoälyn lisääminen saattaa parantaa käytettävyyttä, mutta se ei väistämättä ratkaise järjestelmien monimutkaisuutta ja sen tuottamia ongelmia.

Tekoälyjärjestelmät tuovat mukanaan myös uusia läpinäkyvyyden ja ymmärrettävyyden haasteita. Nämä tulevat esiin, kun tarkastellaan tekoälyn käyttöä päätöksenteossa (Levy ym. 2021). Automaattisessa päätöksenteossa voidaan erotella sääntöpohjaiset ja koneoppimiseen perustuvat ratkaisut. Sääntöpohjaisissa järjestelmissä tietokoneelle annetaan selkeät säännöt, joiden perusteella käsitellä tapauksia. Tällaiset järjestelmät eivät edellytä varsinaista tekoälyä, ja niiden keskeisiä riskejä ovat virheellisestä datasta tai ohjelmointivirheistä aiheutuvat virheelliset päätökset. Sen sijaan koneoppimiseen perustuvissa järjestelmissä on kaksi lisähaastetta. Ensinnäkin tällaiset järjestelmät tekevät päätöksiä perustuen sääntöihin, jotka ne ovat yleistäneet opetusaineistona käytetystä datasta. Tästä seuraa, että mikäli järjestelmän opettamisessa käytetty data on vinoutunutta esimerkiksi syrjivien käytäntöjen vuoksi, saattaa järjestelmä oppia nämä samat vinoumat ja ryhtyä toistamaan vastaavaa syrjivää käyttäytymistä. Samoin vinoumat voivat olla tulosta huonolaatuisesta tai epäedustavasta datasta. Joissakin tilanteissa järjestelmä tuottaa selkeästi vinoutuneita päätöksiä, joten voidaan päätellä, että jossakin on vikaa. Ongelman lähteen paikallistaminen onkin sitten vaikeampaa.

Järjestelmä voi olla myös vinoutunut ilman että se tuottaa helposti havaittavia räikeitä virhepäätöksiä. Tämä mahdollisuuden selvittäminen on vaikeaa, sillä tässä vaiheessa astuu kuvaan toinen tärkeä koneoppimismallien ominaisuus, niiden läpinäkymättömyys (Rosenfeld & Richardson 2019). Periaatteet, jotka malli on itselleen omaksunut, ovat käyttäjälle vaikeita tai mahdottomia ymmärtää. Tämä on haaste mallin kehittäneelle ohjelmoijalle, mutta vielä suurempi haaste järjestelmän käyttäjälle, joka ei ole tekoälyn asiantuntija. Haaste on merkittävä useasta syystä. Ensinnäkin järjestelmän käyttäjän tulisi pystyä arvioimaan milloin järjestelmä toimii tarkoitetulla tavalla ja milloin sen toiminnassa on jokin virhe. Tekoälymallia ei voi pitää oraakkelina, joka on aina oikeassa. Toiseksi kehittyneissä demokratioissa on totuttu ajattelemaan, että ihmistä koskevat päätökset tulee pystyä oikeuttamaan viittaamalla päätöksenteossa käytettyihin periaatteisiin. Tämä ei ole mahdollista koneoppimismallien tapauksessa. Emme tiedä tarkalleen, mihin perustuen tekoälymalli teki päätöksen, joten emme myöskään tiedä, ovatko ne hyväksyttäviä perusteita. Tämä muodostaa merkittävän haasteen tekoälyn käytölle automaattisessa päätöksenteossa, erityisesti julkisella sektorilla.

Päätöksenteossa käytettävien tekoälymallien läpinäkyvyys ja selitettävyys on elintärkeää oikeusvaltiossa. Mallien toimivuutta voidaan arvioida esimerkiksi tarkkailemalla niiden seurauksia eli sitä, kuinka ne käsittelevät erityyppisiä esimerkkitapauksia. Myös mallien vertailuun ja testaamiseen voidaan kehittää erilaisia tekoälyä hyödyntäviä välineitä. Huomattavaa on, että tällainen työ edellyttää varsin paljon sisällöllistä asiantuntemusta, joka ylittää puhtaan data-analyytikon perustaidot. Tarvitaan asiantuntijoita, jotka ymmärtävät, kuinka järjestelmän tulisi toimia ja ymmärtävät tekoälyjärjestelmän toimintaperiaatteet. Organisaatioilla tulisikin olla asiantuntijoita, jotka kykenevät osallistumaan uusien järjestelmien hankintaan ja rakentamiseen. Yhtä lailla on tärkeää, että organisaatiot kykenevät säilyttämään tällaiset asiantuntijat, sillä käyttäjien puutteellinen ymmärrys järjestelmästä on tärkeä läpinäkymättömyyden lähde.

Tekoälyjärjestelmien huono läpinäkyvyys tuleekin olemaan tulevaisuudessa merkittävä haaste ja rajoite niiden käyttöönotolle. Tekoälymallinen periaatteellisen läpinäkymättömyyden lisäksi hankaluuksia tuottavat liikesalaisuudet. Useimmat tekoälyjärjestelmät ovat yksityisten yritysten kehittämiä, joten niiden toiminnan yksityiskohdat ja koulutusdata ovat liikesalaisuuksia. Tämä tekee mallien arvioinnin vaikeaksi, ja kokemus osoittaa, että pelkkien myyntipuheiden perusteella ei tulisi tehdä tärkeitä päätöksiä. Tässä suuri syy sille, miksi erilaisten auditointikäytäntöjen ja standardien kehittyminen on aivan ensiarvoisen tärkeää.

Omanlaisensa läpinäkyvyyden haasteen muodostaa myös tekoälyvälineiden suuri määrä. Tästä on kokemuksia esimerkiksi laskennallisessa yhteiskuntatieteessä, jossa jatkuva virta uusia menetelmiä tekee todella vaikeaksi muodostaa käsitystä yksittäisten menetelmien luotettavuudesta. Kun yksittäistä menetelmää käytetään vain kourallisessa tutkimuksia, on lähes mahdotonta muodostaa käsitystä käytetyn menetelmän vahvuuksista ja heikkouksista. Menetelmien käyttäjät, tai tuloksien uskottavuuden arvioijat, eivät yleensä tunne menetelmien yksityiskohtia, joten monien tutkimusprosessissa tehtyjen oletusten merkitys tuloksille jää hämärän peittoon. Tämä merkitsee, että tutkimustulosten luotettavuus epävarma. Vastaavassa tilanteessa on moni uusien tekoälyvälineiden käyttäjä. Kuinka valita omaan tarkoitukseen sopiva väline? Miten arvioida kilpailevia välineitä? Kuinka paljon voin luottaa välineeni tuloksiin?

Tekoäly osana organisaatiota

Tekoälyä on useimmiten luontevinta ajatella tukiälynä, jossa ohjelmisto toimii ihmisen apuna. Tällöin tekoäly on väline, jonka hyödyllisyyden määrittää käyttäjän kyky käyttää sitä. Kaikissa tilanteissa tämä ei aina kovin hyvin kuvaa tekoälyn ja käyttäjän suhdetta. Joissakin sovelluksissa on pikemminkin kyse ihmisavusteisesta tekoälystä. Tällöin ohjelmisto suorittaa sellaisia tehtäviä, joita käyttäjä ei kykene tai halua toteuttaa. Ohjelmisto tarvitsee tällöin ihmistä joidenkin avustavien tehtävien suorittamiseen ja viime kädessä valvomaan prosessin ja tuotosten tarkoituksenmukaisuutta. Tämä asetelma ei toki ole uusi vaan tuttu tehtaista, joissa tuotantoprosessi on rakennettu koneiden ympärille.

Erikoistapaus ihmisavusteisesta tekoälystä on tekoälyohjelmistojen käyttö organisaation ja työntekijöiden johtamiseen. Tällöin ohjelmisto korvaa perinteisesti esimiesten tekemän työntekijöiden valvonnan, työnohjauksen ja arvioinnin. Esimerkiksi käyvät Amazonin jakelukeskukset, joissa ihmisiä tarvitaan pakettien siirtelyyn ja keräilyyn, sillä tällaiset tehtävät ovat liian vaikeita roboteille. Sen sijaan töiden johtaminen on pitkälti delegoitu tekoälyjärjestelmälle. Järjestelmä jakaa työntekijöille työtehtävät, seuraa heidän työskentelynsä tehokkuutta ja jopa tarvittaessa irtisanoo työntekijän (Crawford 2021). Vastaavan esimerkin tarjoavat puhelinpalvelukeskukset, joissa tietokonejärjestelmä seuraa työntekijöiden työtahdin lisäksi näiden käyttämää sanastoa ja puheäänen tunneilmaisua. Järjestelmä antaa tarvittaessa ohjaavaa palautetta kertoen, millaisia ilmauksia tulisi lisätä tai välttää asiakkaiden kanssa keskusteltaessa ja millä tavalla työntekijän tunneilmaisua tulisi korjata.

Tekoälyohjelmisto kohtelee työntekijöitä oletettavasti tasapuolisemmin, koska sillä ei ole henkilökohtaisia suhteita alaisiin. Mutta toisaalta järjestelmä saattaa olla työntekijöiden manipuloitavissa, millä saattaa olla merkittäviä vaikutuksia työmoraaliin. Toinen ongelma on, että esimerkiksi ohjelmistoihin saattaa olla sisäänrakennettuna kyseenalaisia oletuksia ihmisten käyttäytymisestä. Esimerkiksi yllä mainittu tunneilmaisun tunnistaminen saattaa perustua mallille, joka on tieteelliseltä kannalta kyseenalainen ja vinoutunut (Crawford 2021). Tällä saattaa olla merkittäviä sosiaalisista vuorovaikutusta vääristäviä vaikutuksia. On toki odotettavissa, että ajan myötä tällaiset ongelmat havaitaan ja korjataan, mutta siihen voi mennä pitkä aika, varsinkin jos ohjelmistojen toimintaperiaatteet ovat tarkoin varjeltuja liikesalaisuuksia.

Tekoälyjohtaminen on uusi asia, ja on vaikea ennustaa, millä tavoin se tulee kehittymään. Edellä kuvattuja varsin dystooppisia johtamisjärjestelmiä tuskin ulotetaan kovin pian asiantuntijatyöhön. Työnantajat ovat tähän asti välttäneet asiantuntijoiden työn mikromanagerointia, mutta jollakin tavoin tekoälyavusteinen johtaminen tulee ulottumaan myös asiantuntijatyötä tekeviin. Ja sikäli, kun asiantuntijalle kuuluu keskijohdon tehtäviä, voi hän jatkossa olla yhä enemmän johtamisjärjestelmää avustava tai täydentävä työntekijä kuin varsinainen esimies.

Asiantuntijuuden tulevaisuus

Aivan viime vuosiin asti tekoälyn ja yleisemmin tietotekniikan kehitys on suosinut asiantuntijoita. Uudet välineet ovat korvanneet ihmistyön rutiininomaisissa toistuvissa tehtävissä jättäen jäljelle tehtäviä, jotka edellyttävät luovuutta, ongelmanratkaisua ja asiantuntemusta. Vastaavasti välineiden kehittäminen ja käyttö ovat luoneet aivan uusia asiantuntijatehtäviä. Tähän asti tekoälyn kehitys onkin ollut pikemminkin uusi resurssi asiantuntijatyöhön kuin uhka. Parin viime vuoden aikana generatiivinen tekoäly on kuitenkin noussut haastamaan tätä tilannetta.

Generatiivisella tekoälyllä tarkoitetaan tekoälymalleja, jotka on suunniteltu tuottamaan uutta sisältöä, oli kyseessä siten teksti, ääni, kuva tai videomateriaali. Tunnettuja esimerkkejä generatiivisesta tekoälystä ovat kielimalli ChatGPT ja kuvia tuottava Midjourney. Generatiivisen tekoälyn taustalla on todella suuren aineistoon perustuva perustamalli, jota käyttäjän kanssa vuorovaikuttava botti – kuten ChatGPT – käyttää hyväkseen. Vaikka ChatGPT on periaatteessa malli, joka ennustaa tekstin seuraavia sanoja, on se osoittautunut hyödylliseksi hyvin erilaisten tekstien tuottamisessa, kääntämisessä ja sisällön jäsentämisessä. Generatiiviseen tekoälyyn liittyy monia periaatteellisia luotettavuuteen, tietoturvaan ja tekijänoikeuksiin liittyviä ongelmia ja on avoin kysymys, kuinka ne ratkaistaan. Näistä ratkaisuista tulee riippumaan, mihin suuntaan generatiivinen tekoäly kehittyy. En lähde arvailemaan tulevaisuutta tässäkään, vaan kuvailen millaisia tutkimustuloksia generatiivisen tekoälyn käytöstä on saatu.

Yksi alue, jolla generatiiviselle tekoälylle perustuvat työvälineet ovat jo laajassa käytössä, on ohjelmointityö. Microsoftin Copilot on ollut käytössä runsaan vuoden, ja se on selvitysten mukaan lisännyt merkittävässä määrin koodauksen nopeutta avustamalla usein toistuvien rutiinitehtävien hoitamista. Myös ohjelmoijien työtyytyväisyyden kerrotaan kasvaneen, kun rutiinitehtävistä irtautuminen mahdollistaa paremman keskittymisen olennaiseen. Tuottavuuden parantuminen onkin varsin odotettu vaikutus. Mutta mitä pidemmälle meneviä seurauksia uusilla generatiivisilla työvälineillä voisi olla?

Kiinnostava kysymys on, kenelle uusista välineistä on eniten hyötyä. Tähän asti välineet ovat suosineet osaavampia työntekijöitä, sillä heillä on paremmat mahdollisuudet hyödyntää uusia välineitä. Näyttää siltä, että ainakin joissakin tehtävissä generatiivinen tekoäly vähentää työntekijöiden välisiä eroja. Tutkittaessa generatiiviselle tekoälylle perustuvan avustajan vaikutusta asiakaspalvelijoiden työhön, havaittiin että suurimman hyödyn uudesta välineestä saivat uudet ja vähemmän taitavat työntekijät, kun taas kokeneet ja taitavat työntekijät eivät juuri hyötyneet välineestä (Brynjolfsson 2023). Tekoälyassistentin avustamana heikommat työntekijät selvisivät tehtävistään nopeammin, joutuivat pyytämään apua vähemmän ja asiakastyytyväisyys kasvoi. Tutkijoiden mukaan tämä perustui siihen, että assistentti antoi näiden työntekijöiden käyttöön kokeneempien työntekijöiden hiljaista tietoa, joka kavensi työntekijöiden välisiä tuottavuuseroja. On avoin kysymys, kuinka yleistettävissä tämä tulos on, mutta voi olettaa, että hyvin suunnitellut tekoälyvälineet nopeuttavat uusien tehtävien oppimista. Kiinnostava kysymys on, johtaako tämä siihen, että kokeneet työntekijät eivät enää ole työnantajalle yhtä arvokas resurssi.

Toinen kiinnostava kysymys on, mitä tapahtuu asiantuntijan taidoille ja tiedoille, kun ohjelmisto hoitaa yhä suuremman osan tehtävistä? Yksi mahdollisuus on, että työntekijälle jää enemmän aikaa keskittyä vaativiin tehtäviin ja pitää huoli tuotosten laadusta. Tämä vaikutus saattaa olla kuitenkin vain hetkellinen, sillä tuottavuuden kasvaessa myös odotukset kasvavat. Tällöin uuden teknologian seuraus on aikaisempaa tiukempi työtahti, joka merkitsee, että on vähemmän mahdollisuuksia perehtyä asioihin perusteellisesti.

Toinen kysymys liittyy siihen, mitä tapahtuu, kun kone hoitaa tehtävät ja työntekijän tehtäväksi jää valvoa mahdollisten virheiden varalta. Ihmiset eivät ole kovin hyviä tällaisissa tehtävissä. Esimerkit lentokoneista ja itseohjautuvista autoista osoittavat, että jos ihmisen tehtävä on vain valvoa itsenäisesti toimivaa järjestelmää, hänen huomiokykynsä herpaantuu, eikä hän pysty tai osaa reagoida tilanteissa, jossa sitä tarvittaisiin. Tässä onkin yksi tekoälyn ja ihmisen vuorovaikutuksen keskeisistä haasteista: kuinka suunnitella vuorovaikutus siten, että yhteistoiminta toimii mahdollisimman hyvin. Tältä kannalta tekoälyjärjestelmä, joka tekee tunnistettavia virheitä voisi olla parempi kuin sellainen, joka on suunniteltu tekemään mahdollisimman vähän virheitä (Dell’Acqua ym. 2023). Tällöin työntekijä ei voi tuudittautua ajatukseen, että kone hallitsee asian. Joka tapauksessa ihmisen ja koneen toimiva yhteistyö on tekoälyn kehittämisen suurimpia haasteita.

Automaatiolla voi olla vaikutuksia myös pidemmällä aikavälillä. Jos esimerkiksi tekoälyjärjestelmä korvaa ihmisen ongelmien tunnistamisessa tai vaikkapa lääketieteellisten kuvien tunnistamisessa, merkitsee tämä sitä, että ihmisasiantuntija ei enää saa harjoitusta tällaisissa tunnistamistehtävissä. Hänen kykynsä rapautuvat (Rinta-Kahila ym. 2023), tai myöhempien työntekijäsukupolvien kohdalla, eivät kehity lainkaan. Tällöin hänellä ei ole kykyä toimia myöskään niissä hankalissa tapauksissa, joissa tekoälyjärjestelmää ei voida luotettavasti käyttää. Kykyjen rapautumisen vuoksi ajattelumalli, jossa kone hoitaa rutiinitehtävät ja asiantuntija hoitaa vaikeat tapaukset, voi olla vaarallinen. Organisaatioiden tasolla käyttämättömien kykyjen rapautuminen voi tarkoittaa, että ne pikkuhiljaa menettävät inhimillistä pääomaansa. Tämä voi tulla esiin, kun esimerkiksi järjestelmiä vaihdetaan tai niissä on toimintahäiriöitä: työntekijät eivät enää pystykään niihin tehtäviin, jotka heidän oletetaan hallitsevan. Automaation toimiessa ja kannustimien puuttuessa osaamisen ylläpito ja päivittäminen on jäänyt tekemättä. Tässä jälleen hankala haaste tekoälyjärjestelmien kehittäjille: kuinka kehittää järjestelmiä, jotka eivät tuhoa inhimillistä asiantuntemusta, jota saatetaan vielä tarvita järjestelmien toiminnan arviointiin, uudelleen suunnitteluun tai sijaistamiseen.

Datalukutaito

Asiantuntijatyö tulee tekoälyn myötä muuttumaan. Yhä tärkeämmäksi tulee tietää, mihin erilaisia tekoälyvälineitä voi käyttää ja mitkä ovat niiden rajoitukset. Välineiden käytettävyys tulee paranemaan, mikä entisestään korostaa näiden välineiden ymmärtämisen tärkeyttä. Tästä syystä perinteisten analyyttisten ja kriittisten ajattelun taitojen merkitys tulee entisestään kasvamaan. On kyettävä näkemään kielimallin tuottaman hyvin jäsennetyn ja kauniisti kirjoitetun tekstin läpi ja arvioida sen argumentaation vahvuutta. Yleisemmin tarvitaan kykyä kriittisesti arvioida ja käsitellä tietoväittämiä.

Erityisen tärkeäksi tulee nousemaan datalukutaito. Sen perustana on ymmärrys siitä, kuinka dataa kerätään, prosessoidaan, analysoidaan, tulkitaan ja esitetään. Tämän päälle rakentuu tieto, kuinka data voi toimia näyttönä ja kuinka tekoäly käyttää hyväkseen datasta löydettäviä tilastollisia säännönmukaisuuksia. On tärkeää oivaltaa, että datalukutaito ei rajoitu datan käytön teknisiin ja tiedollisiin ulottuvuuksiin. Yhtä lailla tärkeää on ymmärrys datan käyttöä ohjaavista lainsäädännöllisistä ja eettisistä periaatteista. Datan – ja tekoälyn – kestävä käyttö edellyttää näiden eri ulottuvuuksien kokonaisvaltaista jäsentämistä.

Datalukutaitoa voidaan ajatella sekä kaikkien jakamana kansalaistaitona että tiettyjen tehtävien edellyttäminä taitoina. Jälkimmäisessä merkityksessä voimme pohtia, millaista datalukutaitoa tietyssä asiantuntijatehtävässä edellytetään, olisi sitten kyseessä rekisteriä ylläpitävä viranomainen, yhteiskuntatieteilijä, valmisteleva virkamies tai poliittinen päättäjä. Datalukutaitoa tarvitsevat myös yritysjohtajat, terveydenhuollon ammattilaiset ja kunnalliset päättäjät. Datalukutaito on edellytys realistisille odotuksille tekoälyn mahdollisuuksista ja vaaroista.

Yhteiskunnallisesti kestävä tekoäly ei perustu vain tekoälykehittäjien asiantuntemukselle. Tarvitaan laaja-alaista ihmisen psykologiaa, organisaatioiden ja markkinoiden toimintaa, lainsäädäntöä ja politiikkaa koskevaa asiantuntemusta. Edessä on suuria yhteiskunnallisia muutoksia ja kokeiluja, joista monet perustuvat epärealistisiin odotuksiin tekoälyn kyvyistä. Onkin syytä varautua siihen, että monet lähitulevaisuudessa käyttöön otettavat tekoälyä hyödyntävät järjestelmät eivät toimi tarkoitetulla tavalla. Onkin tärkeää pitää silmällä mitkä ovat todellisia uhkia. Jotkut uskovat, että tekoälyn suurin uhka on, että ihmistä huomattavasti älykkäämmät koneet tulevat hallitsemaan elämäämme. Läheisempi uhkakuva on sellainen, jossa yhteiskuntamme on riippuvainen tekoälyjärjestelmistä, jotka käyttävät epämääräistä dataa, joiden kehittäjät eivät ymmärrä niiden käyttötarkoitusta ja joiden käyttäjät eivät ymmärrä niiden toimintaa. Eläisimme huonosti toimivien mutta vaikeasti korvattavien järjestelmien armoilla ilman aitoa demokraattista kontrollia. Tällaisen dystopian välttäminen olisi hieno asia.

Lähteet

Brooks, Rodney 2024 blog: PREDICTIONS SCORECARD, 2024 JANUARY 01 https://rodneybrooks.com/predictions-scorecard-2024-january-01/

Bossen, C., Pine, K. H., Cabitza, F., Ellingsen, G., & Piras, E. M. (2019). Data work in healthcare: An Introduction. Health Informatics Journal, 25(3), 465–474. https://doi.org/10.1177/1460458219864730

Brynjolfsson, E., Li, D., & Raymond, L. 2023.

Generative AI at Work (arXiv:2304.11771). arXiv. http://arxiv.org/abs/2304.11771

Crawford, Kate 2021: Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press.

Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. 2023: Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4573321

Hand, David J. 2020: Dark Data. Why You Don’t Know Matters. Princeton University Press.

Levy, K., Chasalow, K. E., & Riley, S. (2021). Algorithms and Decision-Making in the Public Sector. Annual Review of Law and Social Science. https://doi.org/10.1146/annurev-lawsocsci-041221-023808

Rinta-Kahila, T., Penttinen, E., Salovaara, A., Soliman, W., & Ruissalo, J. (2023). The Vicious Circles of Skill Erosion: A Case Study of Cognitive Automation. Journal of the Association for Information Systems, 24(5), 1378–1412. https://doi.org/10.17705/1jais.00829

Rosenfeld, A., & Richardson, A. (2019). Explainability in human–agent systems. Autonomous Agents and Multi-Agent Systems, 33(6), 673–705. https://doi.org/10.1007/s10458-019-09408.

 

Artikkelin on kirjoittanut tieteen- ja teknologiantutkimuksen professori Helsingin yliopistossa Petri Ylikoski.

Artikkeli on viides osa Akava Worksin ”Näkökulmia tekoälyyn” -artikkelisarjassa.

Kuva: DALL-E -tekoälysovelluksen tuottama kuva artikkelin teemoista.

Lue artikkeli ohesta (pdf)

Tekoäly ja asiantuntijatyön muutos Akava Works -artikkeli 5_2024

Näkökulmia tekoälyyn, osa 4 – Paula Aura, Noora Wallenius: Tekoälyn käyttö asianajoalalla

Asianajoalan nykytila ja tekoälyn nopean kehityksen vaikutus alaan

Asianajoala on toiminut kauan samojen oletusten vallitessa. Työtä on ollut lähes poikkeuksetta aina tehtäväksi, ja sitä on tehty suurelta osin tuntihinnoittelulla. Alan työnteon tavat ovat pysyneet kovin muuttumattomina sitten internetin tulon 1990-luvulla. Toki vaihtelevat talouden suhdanteet ovat vaikuttaneet myös juridiikkaan ja uudet toimialat ovat muokanneet alan palvelutarjontaa.

Muiden liikeyritysten tapaan asianajotoimistot ovat luonnollisesti hyödyntäneet viime vuosikymmeninä ajallemme tyypillisiä työntekoa helpottavia teknologioita, kuten sähköpostia ja muita toimistosovelluksia, asiakirjahallintaa, Teamsia ja sähköisiä allekirjoituspalveluita. Ne ovat kuitenkin melko vähän automatisoineet työprosessejaan tai hyödyntäneet niin sanottuja disruptiivisia teknologioita, joilla tavoitellaan työnteon tavan tai palveluiden tarjoamisen käytäntöjen muuttamista ja merkittävää tuottavuuden kasvattamista. Tähän ei ole ollut juurikaan painetta, sillä palveluille on riittänyt kysyntää, eivätkä asiakkaat ole liiemmälti vaatineet teknologian käyttöä. Alan digitaaliset työvälineet ovat olleet kovin perinteisiä, ja samat tuotteet ovat käytössä laajalti koko asianajotoimialalla.

Koronapandemian aikaan liikeyrityksissä, myös asianajotoimistoissa, otettiin isoja harppauksia teknologian hyödyntämisessä. Digitalisaatio otti loikan, kun kanssakäyminen työpaikoilla ja asiakkaiden kanssa siirtyi osin pakon edessä pitkälti sähköisten työkalujen ja viestintävälineiden avulla hoidettavaksi kasvokkaisten kohtaamisten sijaan. Pandemian aikana esimerkiksi sähköisen allekirjoitustyökalun käyttöaste kasvoi toimistollamme merkittävästi: DocuSignin käyttö nelinkertaistui ja se juurrutti asemansa allekirjoittamisen välineenä. Myös Teamsin käyttö yhteydenpitoon ja viestimiseen yleistyi merkittävästi. Alallamme otettiin digitaalinen osaamisharppaus, jonka ansiosta teknologian hyödyntäminen on yhä luontevampi osa työntekoa myös nykyisessä etä- ja läsnätyötä yhdistävässä hybridityössä. Kyky ottaa käyttöön muun muassa luovaa eli generatiivista tekoälyä on nyt huomattavasti parempi kuin ennen pandemia-aikaa.

Vajaan kymmenen viime vuoden aikana toimialamme markkinaan on erityisesti kansainvälisessä toimintaympäristössä tullut myös teknologiapalveluntarjoajia (alternative legal service providor, ALSP), jotka lähtökohtaisesti tarjoavat juridisten palvelujen sijaan enemminkin teknologiatukea asianajotoimistoille ja muille juridisille toimijoille muun muassa laajojen tietoaineistojen läpikäyntiin laajoissa riidoissa tai yrityskauppatilanteissa. Luova eli generatiivinen tekoäly tuo lisää liiketoimintamahdollisuuksia sekä asianajotoimistoille että ALSP- ja IT-palveluntarjoajille.

Huomionarvoista on, että yksistään oikeudelliselle toimialalle suunnattujen teknologisten tuotteiden määrä on kasvanut viimevuoden aikana merkittävästi. Juridisen työn tueksi tai toisaalta sen disruptoimiseksi ei ole kehitetty koskaan aikaisemmin yhtä paljon sovelluksia kuin Open AI:n julkaistua ChatGPT 3.5 -teknologian marraskuussa 2022. Yksistään generatiivisen tekoälyn ympärille keskittyviä oikeudellisia tuotteita on tullut markkinoille kuluneen vuoden aikana useita kymmeniä.

Alalle on tehty viime vuoden aikana historiallisia teknologiainvestointeja. Kun esimerkiksi yhdysvaltalainen pääomasijoitusyhtiö Sequoia Capital koordinoi juridiseen työhön tarkoitetun tekoälyohjelmisto HarveyAI:n rahoituskierroksen huhtikuussa 2023, se keräsi rahoitusta eri tahoilta yhteensä 21 miljoonaa dollaria. Näin suuria investointeja ei luonnollisestikaan tehtäisi, ellei tuotteissa nähtäisi valtavaa kehitys- tai tuottopotentiaalia. Myös suuret kansainväliset asianajotoimistot ja globaalisti toimivat Big4-talot ovat panostaneet merkittävästi tuotteiden hankkimiseen ja jatkokehittämiseen.

Luovan eli generatiivisen tekoälyn mahdollisuuksista juridisessa työssä

Juristien työ on pitkälti kielen ja tulkinnan parissa työskentelyä. Pääosa juridisesta neuvonannosta on ollut kirjallisten tuotosten kirjallista arviointia, ja relevantti neuvonanto on tuotettu tekstimuodossa, viime vuosikymmeninä digitaalisesti. Aineistoa tekoälyn hyödynnettäväksi on kertynyt runsaasti.

Kotimainen julkisesti saatavissa oleva oikeudellinen aineisto on laajalti digitaalisessa muodossa. Tähän kuuluvat muun muassa oikeuskäytäntö, lainsäädäntö ja muu säädännäismateriaali sekä juridinen kirjallisuus. Viimeksi mainittu on toki osin vain tilaajien käytössä, mutta se on käytettävissä kuitenkin laajalti digitaalisena eli muodossa, jota luova tekoäly voi hyödyntää.

Tekoäly voi käsitellä ja analysoida tietoa nopeasti ja tehokkaasti, joten sillä on suuri potentiaali automatisoida asianajotoimistojen eri työroolien rutiininomaisia tehtäviä. Esimerkiksi juridinen tiedonhaku tai asiakirjojen läpikäynti sujuu tekoälyavusteisesti paljon tehokkaammin ja laadukkaammin kuin pelkästään ihmisvoimin. Tekoäly voi auttaa muun muassa sopimusten laadinnassa ja tekstintuotannossa. Sitä voidaan opettaa esimerkiksi yrityksen omalla datalla ja saada siten aikaan entistä käyttökelpoisempia lopputuloksia. Datan laaja hyödyntäminen mahdollistaa myös, että asiakkaille tarjotaan yhä personoidumpia palveluja syvällisemmän asiakasymmärryksen ansiosta sekä auttaa parantamaan juridisen päätöksenteon nopeutta ja tarkkuutta.

Tekoälyn kehitys on nopeaa ja sen soveltamismahdollisuudet lisääntyvät jatkuvasti. Emme osaa vielä edes hahmottaa, mitä kehityskulkuja tekoäly mahdollistaa ja miten se muuttaa juridisten palveluiden tuottamista ja tarjoamista. Tekoälyn kehittyessä myös käsitys sen mahdollisuuksista täsmentyy. Kun työ tehostuu ja osin automatisoituu, ihmisten aikaa vapautuu tuottavampiin tehtäviin. Taitava tekoälyn hyödyntäminen voi mahdollistaa yrityksille ennennäkemättömän tuottavuusloikan.

Useissa tekoälyn vaikutuksia arvioivissa tutkimuksissa ja raporteissa on ennakoitu, että juristien työnkuva muuttuu merkittävästi tekoälyn tultua käyttöön. Esimerkiksi investointipankki Goldman Sachs ennustaa raportissaan, että 44 prosenttia juristien työstä automatisoituu ChatGPT:n kaltaisten tekstiä tuottavien tekoälysovellusten avulla (Hatzius et al. 2023).

Teknologioiden hyödyntämisen seurauksena myös tuntiperusteinen laskutuskäytäntö, joka aiemmin mainittiin, varmasti muuttuu yhä enemmän kiinteähintaiseen tai arvopohjaiseen laskuttamiseen. Juridisten palveluiden tuottamiskustannukset voivat vaihdella suuresti kulloinkin käytössä olevien työkalujen mukaan.

Tarve oikeudelliselle osaamiselle tai juristeille ei ole kuitenkaan vähenemässä. Näemme jatkossa pikemminkin  uudenlaisia tehtäviä ja työnkuvia. Esimerkiksi Risto Linturi ennakoi, että lainoppineiden pöydille ilmaantuu pian uudenlaisia työtehtäviä, jotka ovat tekoälysovellusten aikaansaamia (Keränen 2023).

Tulevaisuuden juristin ydinosaamiset

Tekoälyn muuttaessa juristien työnkuvaa ja koko juridista alaa juristeilta vaadittava osaaminen täydentyy uudentyyppisillä taidoilla. Perinteiset juristin taidot eivät enää riitä vastaamaan liiketoimintaympäristön muutoksiin ja juridisen alan kehitykseen. Tulevaisuuden juristin työkalupakkia voi kuvata seuraavan visualisoinnin avulla:

Kuvio 1. Tulevaisuuden juristin ydinosaamiset.

 

Juridinen asiantuntemus on jatkossakin juristien osaamisen keskiössä. Sitä täydentävät perinteiset juristin taidot kuten kommunikointitaidot, kriittinen ajattelukyky ja ongelmanratkaisu, jotka säilyvät tärkeinä taitoina myös tulevaisuudessa. Ne eivät kuitenkaan yksinään riitä vastaamaan juridisen alan muutoksiin, vaan tulevaisuudessa juristeilta vaaditaan yhä enemmän ymmärrystä teknologiasta, sen käytöstä ja toimintalogiikasta. Juristeilla pitää olla kyky hyödyntää digitaalisia työkaluja ja teknologiaa tehokkuuden lisäämiseksi, ja heidän on osattava suhtautua oikealla kriittisyydellä tekoälyn tuotoksiin. Myös datan lukutaito korostuu tietomäärien kasvaessa. Tulevaisuudessa juristien on kyettävä ymmärtämään ja hyödyntämään dataa tehokkaasti osana päätöksentekoa.

Tekoälyn aikakaudella ihmissuhde- ja kommunikointitaidot korostuvat. Vaikka tekoäly on ottanut isoja harppauksia eteenpäin, se ei pysty korvaamaan ihmisen empatiakykyä tai tunneälykkyyttä, joita tarvitaan vahvojen asiakassuhteiden rakentamiseen ja toimivaan yhteistyöhön. Myös kompleksisten ongelmien ja kokonaisuuksien selkeä ja ymmärrettävä esittäminen korostuu tulevaisuudessa. Teknologian ja yhteiskunnan nopea muutos luo jatkuvasti uusia oikeudellisia haasteita, mikä painottaa monialaisen osaamisen tärkeyttä. Osaamisen laajentaminen juridiikan ulkopuolelle auttaa ennakoimaan ja ratkaisemaan monimutkaisia ja monialaisia tulevaisuuden ongelmia.

Generatiivisen tekoälyn nopea kehitys ja lisääntyvä käyttö on herättänyt keskustelua siitä, johtaako kehitys etenkin nuorten juristien kriittisten ajattelun taitojen heikkenemiseen. Taustalla on huoli, että juristit luottavat ja tukeutuvat liikaa tekoälyn tuottamiin tuloksiin, jolloin heidän oma kriittinen pohdintansa vähenee. Oikein käytettynä tekoäly voi kuitenkin päinvastoin kehittää nuorempien juristien kriittisen ajattelun taitoja. Tekoälyn hoitaessa rutiininomaiset tehtävät juristit pääsevät jo uran alkuvaiheessa keskittymään monimutkaisempiin sekä enemmän asiantuntemusta ja kriittistä ajattelua vaativiin tehtäviin. Tulevaisuudessa kriittisen ajattelun taidot ovat välttämättömiä myös tekoälyn tuottamien tulosten arvioinnissa.

Juristien kriittisen ajattelun taitojen kehittäminen voidaan nähdä yliopistojen, asianajotoimistojen ja yksilöiden yhteisenä vastuuna. Oikeustieteellisen koulutuksen opetussuunnitelmaan tulisi sisällyttää kursseja ja opintokokonaisuuksia, jotka keskittyvät juridiikan ja teknologian, erityisesti tekoälyn, yhtymäkohtiin. Yliopistoissa opiskelijoilla on tilaisuus kehittää kriittisen ajattelun taitoja turvallisessa ja ohjatussa ympäristössä sekä saada työkaluja monimutkaistenkin ongelmien analysointiin sekä eri näkökulmien arviointiin ja argumentointiin. Yliopistossa opittuja taitoja pitäisi päästä soveltamaan käytännön ympäristössä erilaisten työharjoitteluiden ja uran alkuvaiheen työpaikkojen kautta. Työympäristön tulisi olla sellainen, että se rohkaisee jatkuvaan oppimiseen ja teknologiamyönteiseen kulttuuriin. Yksilöillä on puolestaan vastuu kehittää osaamistaan ja pysyä ajan tasalla tekoälyn edistysaskelista. Yksilöiden kyky sopeutua ja suhtautua myönteisesti muutokseen kantaa pitkälle.

Tekoälyn käyttö juridisessa työssä ennen generatiivisen tekoälyn aikakautta

Tekoälyavusteiset ohjelmistot ovat kuuluneet juristien työkalupakkiin jo yli viiden vuoden ajan tarjoten etenkin tehokkaita koneoppimista hyödyntäviä työkaluja. Erityisesti dokumenttien läpikäyntiin ja tarkastamiseen (document review) ja sähköiseen todistusaineiston käsittelyyn (eDiscovery) suunnitellut työkalut, kuten Luminance ja Kira, ovat olleet edelläkävijöitä tässä muutoksessa. Tiedostoja automaattisesti analysoivat ohjelmistot säästävät merkittävästi aikaa ja parantavat analyysin laatua, sillä koneoppimista hyödyntämällä ohjelmistot voivat havaita yhteyksiä ja muita piileviä virheitä, jotka saattavat jäädä ihmiseltä huomaamatta. Koneoppimiselle ja laajemminkin tekoälylle on käyttöalaa erityisesti laajoissa yritysjärjestely- ja riitatilanteissa, joiden yhteydessä käydään usein läpi suuria määrä asiakirjoja toisinaan tiukassa aikapaineessa.

Koneoppimista on perinteisesti hyödynnetty myös sopimushallintajärjestelmissä, mutta generatiivinen tekoäly tuo niihin aivan uudenlaista tehoa ja käyttömukavuutta. Pelkkää koneoppimista hyödyntävät sopimushallintajärjestelmät keskittyivät pääasiassa asiakirjojen arkistointiin ja hakutoimintoihin. Sen sijaan generatiivinen tekoäly voi analysoida sopimusten riskejä ja puutteita sekä soveltuu seuraamaan sopimusten ehtoja, kuten erilaisia määräaikoja tai muita muutostarpeita. Tekoälyä on hyödynnetty myös koneavusteisessa kielenkääntämisessä, missä se voi lisätä konekääntämisen tehoa ja laatua. Esimerkiksi DeepL-tuotteessa käytetään neuroverkkoja ennustamaan ja mallintamaan lauseiden rakennetta, mikä parantaa konekäännösten laatua.

Generatiivinen tekoälykyvykkyys on sen kehityttyä integroitu edellä mainittuihin tuotteisiin. Esimerkiksi Luminancessa se tarkoittaa, että juristi voi tehdä hakuja valtaviin asiakirjamassoihin käyttämällä luonnollista kieltä monimutkaisten hakuehtojen sijaan ja keskustella tekoälyn kanssa myös juridisista aiheista. Jatkossa ei siis niinkään tarvita erityistä sovelluskohtaista käyttöosaamista. Generatiivinen tekoäly on otettu käyttöön nopeasti juuri käytön helppouden ja intuitiivisuuden vuoksi. Tästä osoituksena on se, ettei yksikään kuluttajille suunnattu sovellus ole ennen ChatGPT-3.5:n julkistamista saavuttanut yhtä nopeasti 100 miljoonaa käyttäjää. ChatGPT:llä tähän meni kaksi kuukautta (Hu, 2023).

Vaikka tekoälyn aiemmat sovellukset juridiikassa ovat hyödyllisiä, ne ovat olleet pääasiassa apuvälineitä ja vaatineet merkittävästi ihmisen ohjausta. Luovan eli generatiivisen tekoälyn yleistyessä tekoälyn merkitys ja kyvyt ovat laajentuneet. Generatiivinen tekoäly kykenee yhä monimutkaisempiin tehtäviin ja syvällisempään analyysiin ja tehostaa aiempia tekoälysovellutuksia entisestään sekä käytettävyydessä että kyvykkyydessä. Esimerkiksi siinä, missä koneoppimiseen pohjaava työkalu kykenee osoittamaan virheen sopimusluonnoksessa, generatiivista tekoälyä hyödyntävä työkalu voi tämän ohella tarjota ratkaisuehdotuksia.

Mitä yrityksissä tällä hetkellä tehdään generatiivisen tekoälyn parissa

Tekoäly kehittyy vauhdilla, mikä on pakottanut kaikki perinteisimpiäkin toimintatapoja suosivat toimijat ottamaan tekoälyn huomioon. Muutoksen nopeus ruokkii väistämättä itse itseään. Kun havahdutaan siihen, ettei tätä muutosta voi jättää huomiotta tai ohittaa, asioita tutkitaan ja kartoitetaan merkittävilläkin panostuksilla. Selvittelyt ja kokeilut ovat varsin monipolvisia, eikä valmista ratkaisua välttämättä löydy helpolla. Prosessi voi ottaa aikansa, mutta toisaalta ajan käyttö ja tietty harkinta varmistavat, että uudet ratkaisut saadaan mahdollisimman luontevaksi osaksi arjen tekemistä, jolloin ne tuottavat aitoa lisäarvoa käyttäjälleen.

Valtaosa juridisista toimijoista, asianajotoimistot mukaan lukien, selvittää tällä hetkellä parhaita käyttömahdollisuuksia ja -tapauksia tekoälylle ja mitkä työkalut tai sovellutukset sopisivat parhaiten yritysten prosesseihin ja eri työnkuvien tueksi. Tällä hetkellä tarjolla olevista työkaluista Microsoftin Copilot vaikuttaa lupaavalta. Sitä ei ole erityisesti suunniteltu juridiseen työhön, mutta on todettu olevan apua esimerkiksi tekstintuottamisessa ja tiivistämisessä, ideoinnissa, tiedonhaussa ja ylipäänsä Microsoft Office -työkalujen käytön tehostajana.

Monet yritykset ovat laatineet viime vuoden aikana ohjeistuksia generatiivisen tekoälyn käyttämiseen työtehtävissä ja kouluttaneet henkilökuntaa tekoälyn mahdollisuuksista ja riskeistä. Osa työnantajista on kieltänyt sen käytön kokonaan ja osa päinvastoin kannustaa tutustumaan ja hyödyntämään sitä työtehtävissä. Käyttipä tekoälyä tai ei, jonkinasteinen työn murros ja työtapojen muutos on tapahtumassa. Se mitä näemme nyt, on todennäköisesti vasta alkusoittoa.

Mitä paremmin yritys ja erityisesti sen työntekijät ovat selvillä siitä, mihin työn tuottavuutta tai laatua parantaviin tehtäviin tekoäly soveltuu ja mihin ei, sitä tehokkaampia ja tekoälyosaavampia työntekijöistä tulee. Kuten todettu, tekoäly ei syrjäytä mitään ammattikuntaa kokonaan, mutta esimerkiksi tekoälyä hyödyntävä juristi varmasti pärjää työmarkkinoilla paremmin kuin sille silmänsä ummistava kollega.

Eettinen näkökulma

Tekoälyn etiikka on tärkeä osa älykkäiden teknologioiden kehittämistä. Tekoäly tekee päätöksiä sen mukaan, miten se on ohjelmoitu ja millä tiedoilla se on opetettu. Tämä herättää kysymyksiä siitä, miten tietojamme käytetään ja kuka vastaa ”koneen” tekemistä päätöksistä, järjestelmien virheistä tai ennakoimattomista seurauksista. Kyse on laajemmin myös siitä, miten haluamme käyttää kehittyviä teknologioita. Jokainen tekoälyn käyttäjä tarvitsee tekoälyn lukutaitoa, jonka olennainen osa on eettisten kysymysten ymmärtäminen.

”Tekoälyn kaltaisten uusien teknologioiden hyödyntämiseen liittyy erilaisia sosiaalisia, yhteiskunnallisia, tietosuojaan ja ympäristöön liittyviä riskejä, joita organisaatioiden pitää ennakoida ja huomioida”, tiivistää Digi- ja väestötietoviraston Marko Latvanen (Savolainen 2023). Kun yritys hyödyntää tekoälyä, eettiset näkökohdat tulisi ottaa huomioon jo järjestelmää suunniteltaessa tai käyttöönottoa pohdittaessa. Tämä sisältää oikeudellisten näkökohtien huomioimisen, kuten esimerkiksi vastuu-, vahingonkorvaus-, ja tekijänoikeudelliset kysymykset sekä tekoälyn tuomien juridisten riskien ennakoimisen, ihmisoikeuksia unohtamatta.

Tekoälyn vaikutus asianajotoimistojen organisaatiorakenteeseen ja juristien vastuualueisiin

Työtehtävien tehostamisen ja juristien uudenlaisien osaamisvaatimusten lisäksi, tekoälyn vaikutus ulottuu tulevaisuudessa asianajotoimistojen organisaatiomalliin sekä juristien rooleihin ja vastuualueisiin. Perinteisesti suuret asianajotoimistot ovat noudattaneet niin sanottua pyramidirakennetta, jossa nuorempien juristien osuus on suuri verrattuna kokeneempiin senior-juristeihin ja osakkaisiin. Nuorempien juristien vastuulle kuuluvat usein rutiininomaisemmat tehtävät, kuten juridiset selvitykset sekä sopimusten ja muiden asiakirjojen luonnostelu. Teknologian kehittyessä yhä useampi nuorempien juristien rutiininomaisista työtehtävistä siirtyy kuitenkin tekoälyn hoidettavaksi. Tämä kehityskulku muuttaa nuorempien juristien työtä ja se keskittyy jatkossa enemmän monimutkaisempiin, luovaa ongelmanratkaisua vaativiin tehtäviin. Pyramidin huipulla osakkaiden ja muiden kokeneempien juristien työnkuvat pysyvät suhteellisen muuttumattomina, mutta myös heidän on sopeuduttava hyödyntämään tekoälyä työssään.

Kuva 2. Organisaatiomallin muutos pyramidirakenteesta rakettimalliin. (Mukaillen Veith et al. 2016)

 

Työvoiman määrässä ei kuitenkaan todennäköisesti nähdä isoja muutoksia, sillä tekoälyn korvaamat paikat täytetään uusilla tehtävillä. Muutosta voi kuvata rakettimallisen organisaatiorakenteen avulla (katso kuva 2). Tulevaisuudessa isoin muutos nähdään vastuualueiden muutoksina, uusien tehtävien syntymisenä sekä teknologian merkityksen kasvamisena. Muutos on jo nyt nähtävissä monissa asianajotoimistoissa, joihin on palkattu muun muassa projektinjohtamisen ammattilaisia sekä otettu käyttöön erilaisia legal tech -työkaluja. Myös teknologialiitännäiset roolit lisääntyvät jatkossa. Tulevaisuudessa on entistä suurempi tarve moniosaajajuristeille, joiden työssä yhdistyy sekä juridinen että teknologinen osaaminen. Heidän työnsä jakautuu kahteen pääalueeseen: yhtäältä perinteiseen juridiseen neuvonantoon erityisesti teknologiaan ja tietosuojaan liittyvissä kysymyksissä ja toisaalta juridisen alan teknisten työkalujen eli legal tech -työkalujen tehokkaaseen käyttöönottoon, opettamiseen ja hyödyntämiseen.

Yhteenveto

Generatiivisen tekoälyn avulla voidaan saavuttaa merkittäviä etuja ja muutoksia juridiikan alalla. Tekoälyn automatisoidessa rutiininomaisia, vähemmän vaativia tehtäviä, juristeilla on mahdollisuus keskittyä monimutkaisempiin, juridista asiantuntemusta vaativiin tehtäviin. Tämä heijastuu asiakasarvon ja työn tehokkuuden kasvamiseen. Myös työn mielekkyys lisääntyy työn keskittyessä mielenkiintoisempiin ja enemmän arvoa tuottaviin tehtäviin. Lisäksi toistuvista rutiinitehtävistä säästetty aika mahdollistaa paremman tasapainon työn ja vapaa-ajan välillä, mikä on nykypäivänä tärkeä kilpailutekijä.

Vaikka tekoälyn avulla voidaan automatisoida osa juristin tehtävistä, se ei korvaa juristien asiantuntemusta, strategista ajattelua, näkemyksellisyyttä, ihmissuhdetaitoja tai eettistä arvostelukykyä. Tekoälyn tuomat tehokkuusedut ovat kuitenkin niin merkittävät, että on mahdollista, että tekoälymyönteiset ja -osaavat juristit korvaavat juristit, jotka eivät sitä käytä. Jotta tekoälyä osataan hyödyntää mahdollisimman tehokkaasti ja eettisesti, on tärkeää ymmärtää sen toimintaperiaatteet ja rajoitukset sekä tunnistaa siihen liittyvät haasteet.

Yhteenvetona voidaan todeta, että generatiivisella tekoälyllä on tärkeä merkitys tulevaisuuden juristiammatin muokkaamisessa. Se sisältää lupauksen siitä, että hyödyntämällä sitä tehokkaalla ja vastuullisella tavalla sekä ymmärtämällä siihen liittyvät mahdollisuudet ja riskit, sen avulla voidaan saavuttaa tehokkuushyötyjä, parempia asiakastuloksia, kasvavaa työtyytyväisyyttä sekä parempaa työn ja vapaa-ajan tasapainoa.

 

Lähteet

Hatzius, Briggs, Kodnani & Pierdomenico (2023) Global Economics Analyst/The Potentially Large Effects of Artificial Intelligence on Economic Growth. Goldman Sachs, Economics Research. Saatavilla: https://www.key4biz.it/wp-content/uploads/2023/03/Global-Economics-Analyst_-The-Potentially-Large-Effects-of-Artificial-Intelligence-on-Economic-Growth-Briggs_Kodnani.pdf

Hu (2023) Reuters: ChatGPT sets record for fastest-growing user base – analyst note. Reuters. Saatavilla: https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/

Keränen (2023) Näin tekoäly muuttaa juristin työn. Juristiuutiset. Saatavilla: https://juristiuutiset.fi/nain-tekoaly-muuttaa-juristin-tyon/

Savolainen (2023) Eettinen pohdinta pitää tehdä ennen tekoälyn käyttöönottoa – kattava opas neuvoo organisaatioita tekoälyn vastuullisessa hyödyntämisessä. Digi- ja väestötietovirasto. Saatavilla: https://www.edilex.fi/uutiset/88057

Veith, Bandlow, Harnisch, Wenzler, Hartung & Hartung, D. (2016) How Legal Technology Will Change the Business of Law. BCG & Bucerius Law School.

 

Artikkelin ovat laatineet Castrén & Snellmanin Director of Knowledge Management & Innovation Paula Aura ja kauppatieteinen maisteri ja oikeustieteen ylioppilas Noora Wallenius.

Artikkeli on neljäs osa Akava Worksin ”Näkökulmia tekoälyyn” -artikkelisarjassa.

Kuva: DALL-E -tekoälysovelluksen tuottama kuva artikkelin teemoista.

 

Näkökulmia tekoälyyn, osa 3 – Saara Malkamäki: Tekoälystä tukea sote-ammattilaisten työhön sekä sairauksien ehkäisyyn

Kuinka moni uskaltaa sanoa tietävänsä paljon tekoälystä tai osaavansa luoda tekoälypohjaisia tuotteita tai palveluita? Ei vielä moni. Kuitenkin meidän kaikkien terveysalan toimijoiden tulisi tietää asiasta, oppia soveltamaan tekoälyä jokapäiväisessä työssämme ja kasvattaa osaamistamme datan ja tekoälyn hyödyntämisessä, koska varmaa on, että tekoäly tulee vaikuttamaan koko sosiaali- ja terveysalaan. Mutta kysymys on, miten ja millä tavalla?

Tekoälyn käyttö herättää epävarmuutta ja kysymyksiä: Voi olla vaikea pysyä kärryillä, mikä on olennaista, mitä riskejä tekoälyn käyttöön liittyy ja miten nämä riskit voivat toteutua omassa työnkuvassa.

Tähän tekstiin on koottu esimerkkejä siitä, miten tekoälyä hyödynnetään tällä hetkellä terveysalalla ja millaisia potentiaalisia käyttökohteita tekoälyn hyödyntämisessä on näköpiirissä lähitulevaisuudessa. Yhden mahdollisen käyttötapauksen havainnollistajana toimivat otteet Idan, 44-vuotiaan akuuttilääkärin, työvuorosta sairaalan päivystyksessä helmikuussa vuonna 2034.

Kello 22.00. Ida aloittaa työvuoronsa. Sairaalan iltapäivystäjältä siirtyy Idalle yksitoista potilasta. Ida silmäilee potilaslistan ja lukee tekoälyn tuottaman sekä iltalääkäreiden tarkastaman raportin potilaista. Hyvältä vaikuttaa, voi tulla melko rauhallinen yö. Idan työpari triagehoitaja Juuso ottaa potilaat vastaan ja laittaa heidät kiireellisyysjärjestykseen. Tekoäly auttaa Juusoa luomalla valmiin mutta muokattavan ehdotuksen kiireellisyysjärjestyksestä.

Tekoälyä hyödynnetään jo nyt usealla eri tavalla terveysalalla

Viime vuoden marraskuussa Helsingin ja Uudenmaan sairaanhoitopiiri (HUS), Sosiaali- ja terveysministeriö sekä Fimea järjestivät viidennen vuosittaisen terveydenhuollon tekoälypäivän, jossa useat eri asiantuntijat esittelivät tekoälyn kehitystä, haasteita ja mahdollisuuksia.

Tekoälypäivillä kuultiin, kuinka tekoälyn kehittäminen aivoverenvuodon diagnostiikan osalta on kestänyt 6,5 vuotta ja jatkuu yhä. Jotta tekoälyä on voitu kehittää ja neuroverkon algoritmia kouluttaa, on pitänyt piirtää käsin 90 potilaan aivoverenvuodon kuvat. Tähän on kulunut tyypillisesti 11 tuntia per potilas. Tämän lisäksi esimerkiksi ulkomaiset todentamiset, eri neuroverkkojen muodostaminen erityyppisille aivoverenvuototyypeille, erillisten järjestelmien ja laitteiden käyttöönotto, tieteellisten artikkelien kirjoitus ja julkaisu ja tutkimusluvat ovat ottaneet aikansa.

Kliinisestä tutkimuksesta matka lääkinnälliseksi laitteeksi ja innovaatioiden käyttöönottoon hoidossa on pitkä. Tekoälyä voidaan kuitenkin hyödyntää monin eri tavoin terveydenhuollossa. Viime vuonna HUSissa oli käytössä 20 tekoälymallia, joista esimerkkeinä päivystyksen ruuhkatilanne, älykäs lähetelajittelija ja annosteluohjeen rakenteistaja. Generatiivista eli kielellistä tekoälyä käytettiin kliinisessä ja hallinnollisessa tekstintuotossa sekä tiedon kokoajana. Älykäs lähetelajittelija säästi ajankäyttöä 13 henkilötyövuotta vuodessa ja annosteluohjeen rakenteistaja -sovelluksen käytöllä säästettiin 35 henkilötyövuotta vuodessa. HUSissa käytetään myös ohjelmistorobotiikkaa, ja vuonna 2022 käytössä oli kymmenen tekoälyllä rikastettua ratkaisua sekä kliinisissä että hallinnollisissa tehtävissä. Automaatio on tuonut uusia mahdollisuuksia ja ratkaisuja eri toimintoihin, ja robotti tekee töitä jo yli 100 henkilötyövuoden edestä vuodessa. Puhutaan siis merkittävistä hyödyistä.

Tekoälystä ei voi puhua ilman dataa

Yllä kuvatut esimerkit osoittavat, että tekoälyn hyödyntämisessä terveysalalla on laaja skaala erilaisia ratkaisuja, joiden kehittäminen vie joissakin tapauksissa useita vuosia ja joissakin päästään hyvin lyhyessä ajassa liikkeelle ja tuotantoon. Näitä kaikkia ratkaisuja tarvitaan. Ne ovat vain kovin erilaisia.

Oleellista on kuitenkin ymmärtää, että tekoälyä ei kannata tarkastella yksittäisenä osa-alueena vaan osana laajempaa datatalouden kontekstia, eli teknologian, digitalisaation ja datan parempaa hyödyntämistä. Erilaisten dataratkaisujen kautta voidaan uudistaa sosiaali- ja terveydenhuoltoa sekä luoda kasvua ja kilpailukykyä alalle.

On myös tärkeää ymmärtää, että tekoälyä varten tarvitaan runsaasti dataa eri muodoissa. Yleensä tekoälyn käytön yhteydessä puhutaan isojen datamassojen hyödyntämisestä ei-rakenteellisessa muodossa, kun taas robotille parasta olisi rakenteellinen data. Datan täytyy olla myös löydettävissä, käytettävissä, yhteen toimivaa ja uudelleenkäytettävää.

Tekoäly mahdollistaa yksilöllisemmän hoidon sekä parempaa päätöksentekoa ja ennakointia

Kello 1.09. Ida hoitaa kahta vatsakipuista ja yhtä kovasta huimauksesta kärsivää potilasta. Ida tutkii vatsakipupotilaan huolellisesti laboratoriokokeiden ja tietokonekuvien perusteella. Tietokonekuvien analysoinnissa on käytetty tekoälyä, mikä on nopeuttanut tulosten saantia sekä analyysien tarkkuutta. Ida löytää potilaan tiedot yhdestä paikasta tekoälyn tuottaman synteesin avulla. Aiemmin hän joutui etsimään potilasta koskevia tietoja ja tutkimustuloksia useista järjestelmistä.

OECD:n pian julkaistava Artificial Intelligence and the Healthcare Workforce nostaa esille useita hyötyjä tekoälyn hyödyntämisestä yksilötasolla ja yhteisötasolla sekä kliinisissä ja hallinnollisissa tehtävissä. Kaiken keskiössä on potilaiden parempi hoito, jota tekoälyn avulla voidaan suunnitella ja toteuttaa yhä yksilöllisemmin. Potilaat voivat saada hoitoa etänä, sillä tekoälyä hyödyntävät etävalvontalaitteet voivat lähettää potilaista reaaliaikaisia tietoja terveydenhuollon ammattilaisille. Tekoälypohjaiset virtuaaliassistentit voivat puolestaan auttaa yksilöitä esimerkiksi tapaamisten kalenteroinnissa.

Yhteisötasolla tekoäly voi ennustaa terveydenhuollon tarpeita sairaalaympäristössä ja optimoida resursseja kuten henkilöstöä, laitteita ja tarvikkeita sen mukaisesti. Myös väestön terveydentilaa voidaan analysoida ja tarvittavia toimia suunnitella helpommin tekoälypohjaisten analyysien pohjalta. Kliinisessä päätöksenteossa tekoäly voi näyttöön perustuvasti auttaa terveydenhuollon ammattilaisia tekemään parempia päätöksiä kuvantamisessa tulkitsemalla esimerkiksi sydänkuvia. HUSin diagnostiikkakeskuksessa käytetään jo nyt jokaisen sydänkuvan analysointiin tekoälyä.

Henkilön terveysriskiä voidaan myös ennustaa tekoälypohjaisesti, millä voidaan ehkäistä sairauksien syntymistä. Hallinnollista työtä pystytään tehostamaan virtaviivaistamalla työnkulkua ja tiedonhallintaa esimerkiksi potilastietojen osalta. Myös alati kehittyvien lakien ja säädösten noudattamisessa tekoäly voi minimoida riskejä ja auttaa tarkistamaan tietoja.

Generatiivinen tekoäly vapauttaa lääkärin ja hoitajan työajasta vähintään viidenneksen

Tekoälyn potentiaali on valtava, ja Suomen etu on, että tarvittavaa teknologiaa on jo olemassa, digitalisaatiossa ollaan pitkällä ja myös sosiaali- ja terveysdataa on kertynyt tarpeeksi. Accenturen Suomessa tekemän tutkimuksen mukaan (Rauhala 2023) pelkästään generatiivinen tekoäly voi minimissään vapauttaa lääkärin ja hoitajan työstä 20 prosenttia ja hallinnollisista töistä 35 prosenttia työaikaa. Tämä tapahtuu poistamalla kielellisiä tehtäviä, joita näissä töissä on 40–70 prosenttia.

Sitran Datasta voimaa sote-järjestelmään -selvityksen (Larsio 2023) mukaan tietoon perustuvalla ennaltaehkäisyllä on mahdollista saavuttaa yli 400 miljoonan euron säästöt vuodessa, kun tunnistetaan riskiryhmät dataa ja tekoälyä hyödyntämällä, tehdään tietoon perustuvia päätelmiä ja hoitosuunnitelmia, seurataan potilaiden tilaa ja hoitovastetta sekä ohjataan potilaiden omahoitoa. Saavutetut suorat kustannussäästöt voidaan kohdentaa yhä kasvavaan sote-palvelutarpeeseen.

Nämä kaksi esille tuotua esimerkkiä ovat vain murto-osa tekoälyn tuomasta säästöpotentiaalista, mutta jo ne yksinään kertovat, että tekoäly voi tuoda valtavia hyötyjä väestön ikääntymisestä johtuviin haasteisiin resurssipulasta kipuilevalle terveydenhuollolle.

Ei ole järkevää tarkastella vain euroja ja säästöjä

Jos esimerkiksi tekoälyn avulla voidaan hoitaa enemmän hoitoa tarvitsevia potilaita kuin nykyisin, kustannukset nousevat suuremmiksi hoidettavien potilasmäärien myötä. Sote-alan suurin kuluerä on henkilöstökulut, ja suoraviivaisin tapa säästää kustannuksissa on henkilöstökulujen karsiminen, mikä näkyy vahvasti tällä hetkellä hyvinvointialueilla.

Kuitenkin meidän tulisi puhua myös alan kasvusta ja kilpailukyvystä sekä kyvystä tehdä rohkeita investointeja, jotka tuottavat todennettuja terveysvaikutuksia, hyvinvointia ja säästöjä myös pitkällä aikavälillä ja ennaltaehkäisevästi. Tärkeintä on arvioida, mitä hyötyjä tekoälyn avulla voidaan saavuttaa yhteiskunnassa ja kuinka hyvin sen avulla voidaan tuottaa hyvinvointia ja terveyttä ihmisille. Tekoälyn tulisi olla sosiaali- ja terveysalan työkalu, jolla saamme haluttua muutosta ja vaikuttavuutta aikaan. Vaikuttavuuden mittarit tulisi myös rakentaa tukemaan tavoitetta.

Yksi esimerkki uudentyyppisestä vaikuttavuusperusteisesta toiminnasta ja mittareista on tulosperusteinen rahoitussopimus (Social Impact Bond SIB), joka soveltuu erityisesti ennaltaehkäisevään toimintaan. Lapset-SIBissä vaikuttavuuden mittarit on laadittu siten, että julkinen sektori maksaa vain saavutetuista tuloksista. Tällä hetkellä 1 188 lasta perheineen saa ennaltaehkäiseviä palveluita, jotka on suunniteltu vastaamaan alueen lasten ja nuorten tarpeita. Mukana olevat kunnat ovat laskeneet säästävänsä 30 miljoonaa euroa lastensuojelun kustannuksissa.

Kello 3.52. Ida kutsutaan ompelemaan haavoja, jotka teini-ikäinen potilas on aiheuttanut itselleen. Yöaikaan korostuvat mielenterveys- ja päihdeongelmat. Idan potilaalle on aiemmin määrätty masennukseen lääketieteelliseen näyttöön perustuvaa digitaalista hoitoa. Ida tarkistaa potilaan käyttämän sovelluksen tiedoista, miten potilaan arki on sujunut ja millainen mieliala potilaalla on ollut viimeisen kahden kuukauden aikana. Tekoäly auttaa Idaa löytämään muut potilaaseen liittyvät tiedot kuten lääkitystiedot, koulupoissaolot ja sijaishuoltopaikan merkinnät nopeasti ja tehokkaasti. Tietojen avulla Ida pystyy hahmottamaan potilaan vointia ja elämäntilannetta kokonaisvaltaisesti, mikä auttaa Idaa tarjoamaan potilaalle hänelle sopivaa jatkohoitoa.

Tekoälyn käyttöön liittyy myös riskejä

Perinteisesti tekoälyn riskit, jotka vaikuttavat terveydenhuoltoon, sote-alaan ja sote-ammattilaisten työhön, liittyvät datan harhoihin ja vinoumiin sekä vääriin tietoihin. Puuttuvat tiedot voivat aiheuttaa ongelmia, ja tekoälymallit voivat muiden ohjelmistojen tavoin sisältää virheitä.

Tekoälymallit voivat myös kohdella eri ihmisryhmiä eri tavoin. Artificial intelligence in medicine and the disclosure of risks -artikkelin (Kiener 2020) mukaan rintasyöpää sairastavien naisten joukossa mustilla naisilla oli pienempi todennäköisyys tulla testatuksi korkean riskin ituratamutaation osalta verrattuna valkoisiin naisiin, vaikka heillä oli yhtä suuri riski tällaisiin mutaatioihin. Siten geneettisten testien tuloksista riippuva tekoälyalgoritmi kuvaa todennäköisemmin väärin rintasyövän riskiä mustilla potilailla kuin valkoisilla potilailla.

Eettisestä näkökulmasta tekoälyn hyödyntämisen tulisi olla reilua ja tasa-arvoista, eikä se saisi johtaa syrjintään. Ammattilaisilla on velvollisuus ymmärtää käyttämiensä tekoälytyökalujen riskit, ja niitä tulisi myös valvoa. Käyttäjät voivat aiheuttaa isoja ongelmia, jos he eivät ymmärrä hyödyntämäänsä tekoälypohjaista työkalua tai käyttävät sitä väärin. Sääntely, erityisesti monimutkainen ja vielä keskeneräinen EU:n tekoälyasetus, voi aiheuttaa viivästyksiä tekoälyn hyödyntämisessä ja käyttöönotossa terveysalalla.

Suurin riski on tekoälyn käyttämättä jättäminen sote-alalla

On tärkeää huomioida tekoälyyn ja dataan liittyvät riskit sekä eettiset näkökulmat. Yhtä tärkeää, ellei vielä tärkeämpää, on pohtia, mitä tapahtuu, jos emme ota käyttöön tekoälyä. Tätä näkökulmaa harvoin tuodaan esille. Usein terveysalalla kuulee keskustelua lainsäädännön tai kehittämisen esteistä, tiedon anonymiteetin varmistamisesta, tietoturvasta ja siitä, kuka on vastuussa, jos jokin menee pieleen. Me suomalaiset emme ota mielellämme riskejä, jos siitä seuraa mahdollisuus epäonnistua.

Tekemättömyyden seuraukset voivat olla merkittävät erityisesti sosiaali- ja terveysalalla. Tekoälyn käyttämättömyys voi tarkoittaa digitaalisen ja terveyteen liittyvän epätasa-arvon kasvamista, yksityisyyden suojaan liittyvien riskien lisääntymistä, tieteellisen kehityksen hidastumista, ihmisten luottamuksen heikentymistä sekä terveydenhuollon ammattilaisten työuupumuksen lisääntymistä, joka johtuu hallinnollisen taakan lisääntymisestä. (Sutherland, Keelara 2024.) Sosiaali- ja terveyspalveluiden osalta tekoälyn menetetyt mahdollisuudet voivat vaikuttaa palvelujen laadun ja saatavuuden heikkenemiseen.

OECD:n Tekoäly ja terveydenhuollon työvoima -kyselyyn vastanneet lääketieteelliset yhdistykset ympäri maailmaa uskovat, että tekoälyn hyödyt terveydenhuollossa ovat merkittävämpiä kuin sen riskit. On helppo yhtyä vastaajien näkemykseen. Samalla yhteiskunnalliseen keskusteluun olisi hyvä nostaa esille kysymys siitä, pitäisikö tekoälyn käyttöönotto terveydenhuollossa tehdä pakolliseksi. Vaikka ajatus pakollisuudesta kuulostaa vaativalta, on tärkeää keskustella riskeistä, mitä liittyy siihen, että tekoälyä ei oteta käyttöön sote-alalla.

Mitä tavoittelemme Suomessa tekoälyllä sosiaali- ja terveysalalla?

Tämä kysymys on keskeinen ja sitä tulisi tarkastella yhdessä laajemman kontekstin ja terveysalan vision kanssa. Haluammeko, että ihmiset saavat tulevaisuudessa enemmän hoitoa vai että hoitoa tarvitsevat ihmiset saavat hoitoa, joka tehoaa? Haluammeko aidosti ehkäistä sairauksien syntyä ja panostaa ennalta ehkäisevään terveydenhuoltoon?

Suomen terveysalan kasvun ja kilpailukyvyn visiossa 2030 sanoitettiin ensimmäistä kertaa, että Suomi on vuoteen 2030 mennessä päättänyt toteuttaa 50/50-vision, jonka mukaan puolet terveydenhuollon budjetista käytetään ennaltaehkäisevään terveydenhoitoon ja puolet sairaanhoitoon. Nykyisin ennaltaehkäisevään terveydenhoitoon panostetaan noin 5–10 prosenttia, eli matkaa tavoitteeseen on reilusti. Tärkeintä on kuitenkin yhteinen tahtotila ja suunta. Miten tekoäly voi tukea tämän tavoitteen toteutumisessa?

Kello 4.30. Ida viilettää vastaanotto- ja tarkkailuhuoneiden välillä. Pääosa Idan potilaista on ikääntyneitä. Sairaalan päivystys on ollut pitkään ruuhkainen, mutta ruuhkaa on saatu purettua hyödyntämällä tekoälyä jatkohoitopaikkojen riittävän määrän varmistamisessa. Tekoälyn avulla on ennustettu jatkohoitopaikkojen tarvetta päivystyksen ja osastojen reaaliaikaisten tietojen pohjalta ja optimoitu sen mukaan resursseja. Kymmenien tuntien odotusaika jatkohoitopaikkaan on onnistuttu lyhentämään alle puoleen. Tämä on helpottanut Idan ja muiden päivystyksen henkilöstön työkuormaa.

Tekoäly vai tukiäly – kumpaa haluamme?

Miten voimme rakentaa tekoälyä tukemaan työtämme sote-alalla nyt ja tulevaisuudessa? Onko tekoäly autonomista päättelyä tekevä äly, joka tekee päätökset puolestamme ja vie työpaikkamme tulevaisuudessa vai auttaako tekoäly meitä työssämme, päätöksenteossamme ja osaamisessamme? Voimmeko itse vaikuttaa tekoälyn tulevaisuuteen?

Tulevaisuuksia on aina monia, ja rakennamme tulevaisuutta tämänhetkisillä päätöksillämme. Teknologiakehityksen ja tekoälyn osalta tulevaisuuskeskustelu on erityisen tärkeää, koska tekoälyn tulevaisuus on meille tuntematon. Emme täysin ymmärrä tekoälyn mahdollisuuksia, uhkia ja vaikutuksia, jolloin on tärkeää pohtia, minkälaisen tulevaisuuden haluamme ja miten tekoäly voi auttaa meitä pääsemään toivottuun tulevaisuuteen terveysalalla. Tämä auttaa meitä rakentamaan tekoälyn osaksi suurempaa tarkoitusta ja toivottavaa tulevaisuutta.

ETLAn muistiossa generatiivisen tekoälyn vaikutuksista todetaan, että teknologisen kehityksen suunta sekä sen hyötyjen ja haittojen jakautuminen ovat lopulta yhteisön tekemiä sosiaalisia ja poliittisia valintoja. Tekoälyn tämänhetkisen kehityssuunnan nähdään painottuneen liikaa ihmistyön korvaamiseen sen täydentämisen sijaan.

Tekoälyä tulee kehittää ihmisten ehdoilla ja ihmisiä varten

Myös Tuukka Lehtiniemi (2023) Helsingin yliopistolta on tutkinut ja kirjoittanut tekoälypohjaisen ennakoinnista sosiaalityössä ja tuo esille tekoälyä koskevia tunnistettuja ongelmia lastensuojelussa. Espoon kaupungin kokeilu, jossa kehitettiin tekoälytyökalu lastensuojelun asiakkuuden ennustamiseksi, ei ollut yhteensopiva käytännön sosiaalityön kanssa. Haastateltavat sosiaalityöntekijät eivät odottaneet tekoälyltä ennakointitiedon tuottamista vaan tukea tiedontuotannon prosessille. Tekoälytyökalua ei kuitenkaan ollut suunniteltu asiakastyötä vaan riskin ennakointia varten. Lehtiniemi korostaa, että tekoälyn tulisi tukea ihmisten työtä sen sijaan, että se korvaisi ihmisten ammattitaitoa.

Tekoäly ei ikinä voi korvata ihmistä varsinkaan hoitotyössä, jossa empatiakyky ja kyky ymmärtää eri henkilöiden tilanteita kokonaisvaltaisesti on tärkeää. Tekoälyä tulisikin kehittää sote-alan ammattilaisten omista lähtökohdista tukemaan heidän työtään sekä mahdollistamaan ennalta ehkäisevä terveydenhuolto, joka tukee parhaalla mahdollisella tavalla ihmisten hyvinvointia ja terveyttä.

Kello 5.05. Kaikki sisään tulleet potilaat on tutkittu, ja Ida tekee rästiin jääneitä saneluita, joiden tiedot siirtyvät tekoälyn avulla suoraan oikeisiin kohtiin potilastietojärjestelmään. Ida tarkistaa, että tiedot ovat oikein. Ida ehtii sanelun ohessa juomaan kupin kahvia.

Tekoäly vaikuttaa eniten korkeakoulutettujen työnkuvaan

Tekoäly terveydenhuollossa -kyselytutkimuksen (2018) mukaan tekoäly tulee muuttamaan tulevaisuudessa eniten lääkäreiden (77), toiseksi eniten sairaanhoitajien (43) ja kolmanneksi eniten lähihoitajien (21) työnkuvaa. Näin vastaajat vastasivat kysymykseen, keiden terveydenhuollon ammattilaisten työnkuvat muuttuvat tulevaisuudessa tekoälyn myötä. ETLAn generatiivisen tekoälyn muistio nostaa esille, että aiemmista teknologiamurroksista poiketen generatiivisen tekoälyn vaikutukset kohdistuvat eniten työmarkkinoiden korkeakoulutettuihin ja tietotyöläisiin.

Kysyttäessä uskovatko vastaajat tekoälyn heikentävän työllisyystilannetta oman ammattikuntansa keskuudessa 74 prosenttia vastasi ei ja 8 prosenttia vastasi kyllä, 18 prosenttia ei osannut sanoa. Tärkein syy, miksi vastaajat eivät uskoneet tekoälyn heikentävän työllisyystilannetta oli, että hoitotyössä tarvitaan tulevaisuudessakin ihmisten välisiä kohtaamisia. Myöskään ETLAn muistion tutkimustulokset eivät tue ihmistyön häviämistä generatiivisen tekoälyn kontekstissa. Ikääntymisen takia monet maat ovat tilanteessa, jossa osaajia ei ole riittävästi saatavilla.

Tekoälyn ja massadatan hyödyntäminen ovat kysytyimpiä taitoja vuoteen 2027 mennessä

Tekoälyyn liittyvä osaamisen puute hoitohenkilökunnan keskuudessa (47) nousi toiseksi suurimmaksi esteeksi tekoälyn hyödyntämiselle terveydenhuollossa. Vain tietojärjestelmiin liittyvät haasteet (55) koettiin vielä suuremmaksi esteeksi. Huoli ei ole tuulesta temmattu. Maailman talousfoorumin Future of Jobs 2023 -raportin (Masterson 2023) mukaan 44 prosenttia työntekijöiden ydinkyvykkyyksistä muuttuu seuraavaan viiden vuoden aikana, ja kysytyimpiä taitoja vuoteen 2027 mennessä ovat analyyttinen ajattelu, luova ajattelu sekä tekoälyn ja massadatan hyödyntäminen. Kuusi kymmenestä työntekijästä tarvitsee koulutusta ennen vuotta 2027, mutta raportin mukaan vain puolella työntekijöistä nähdään olevan käytettävissään riittävät koulutusmahdollisuudet.

Koulutusmahdollisuuksiin tulisi panostaa sosiaali- ja terveydenalalla. Yliopistot ja korkeakoulut ovat luoneet terveystieteisiin dataosaamiseen ja tekoälyyn keskittyviä opintokokonaisuuksia, mutta yhtä tärkeää on oppia työssä ja työn ohessa. Työmarkkinoiden muutoksen johtava tutkija, MIT:n yliopiston professori David Autor (2023), painottaa, että generatiivisen tekoälyn hyödyntäminen lisää koulutettujen tietotyöläisten kyvykkyyksiä. Vain käyttämällä tekoälysovelluksia ja suhtautumalla avoimesti ja uteliaasti uusiin teknologisiin mahdollisuuksiin voi kehittää omaa osaamistaan. Jokainen voi tutustua tekoälyn eri sovelluskohteisiin, opetella tulevaisuusajattelua ja ennakointia omassa työssänsä tai esimerkiksi osallistua tekoälyn maksuttomalle Elements of AI -peruskurssille. Tekoälyn hyödyntäminen edellyttää laaja-alaista osaamista sosiaali- ja terveysalalla ja osaajia, jotka hallitsevat riittävän hyvin niin palvelujen sisältöihin, teknologisiin ratkaisuihin kuin myös lainsäädäntöön liittyvät asiat.

Ammattilaiset päättävät, mihin tekoälyä kehitetään

Tekoäly muuttaa koko sosiaali- ja terveysalaa nyt ja tulevaisuudessa. On tärkeää valjastaa tekoäly ehkäisemään sairauksien syntyä ja luomaan parempaa hyvinvointia ja terveyttä ihmisille. Meidän tulee mahdollistaa tarvittava ja laadukas hoito niille, jotka sitä tarvitsevat ja siitä hyötyvät sekä panostaa aidosti ennalta ehkäisevään terveydenhuoltoon. Meidän tulee myös varmistaa, että ammattilaiset koordinoivat tekoälyyn liittyvää kehitystä sote-sektorilla ja että ihmiset tekevät lopulliset päätökset tekoälyn pohjalta. On meistä kiinni, miten ja millä tavalla rakennamme tekoälyn tukemaan tavoitteitamme ja työtämme.

Kello 8.00. Aamukahdeksalta Ida kertoo päivävuoroon tulevalle päivystäjälle Baydaalle, että kolme potilasta odottaa jatkohoitopaikkaa. Yö on ollut melko rauhallinen. Ida nauttii työstään, vaikka päivystys on raskasta. Mielekästä työstä tekee sen, että hän pystyy auttamaan ihmisiä nopeasti. Myös tiimityö hoitajien kanssa pelaa hyvin. Ida huikkaa hyvät päivänjatkot kollegalleen ja lähtee kotiinsa nukkumaan.

Suosituksia tekoälyn kehittämiseen ja käyttöönottoon sote-alalla

  1. Valjastetaan tekoäly tukemaan sosiaali- ja terveysalan tulevaisuuden visiota ja auttamaan 50/50-visioon pääsemissä, jonka mukaan puolet terveydenhuollon budjetista käytetään ennaltaehkäisevään terveydenhoitoon.
  2. Tehdään rohkeita investointeja uusiin teknologioihin, datan hyödyntämiseen ja tekoälyyn, jotka auttavat tuottamaan todennettuja terveysvaikutuksia, hyvinvointia ja säästöjä myös pitkällä aikavälillä ja ennaltaehkäisevästi.
  3. Hyödynnetään dataa ja tekoälyä monella eri tavalla niin TKI-toiminnassa, hoidossa ja sairauksien ehkäisyssä kuin hallinnollisissa tehtävissä ja tiedolla johtamisessa.
  4. Kehitetään ja käytetään tekoälyä tukemaan reilua, tasa-arvoista ja syrjimätöntä sosiaali- ja terveydenhuoltoa
  5. Otetaan rohkeasti tekoäly käyttöön työpaikoilla ja tiedostetaan, että suurin riski on sen käyttämättä jättäminen.
  6. Kehitetään tekoälyä ihmisten ehdoilla ja ihmisiä varten tukemaan sote-ammattilaisten työtä sekä mahdollistamaan ihmisille hyvinvointia, terveyttä ja hyvää hoitoa.
  7. Varmistetaan, että työntekijät saavat tarvitsemansa koulutusmahdollisuudet ja pystyvät oppimaan uusista teknologioista, datan hyödyntämisestä ja tekoälystä työssään ja työn ohessa
  8. Rakennetaan tekoäly siten, että se on paras mahdollinen tulevaisuuden työkaveri, joka ratkaisee tehtäviä ja ongelmia tehokkaasti, tehostaa prosesseja ja vapauttaa työaikaa ihmisten kohtaamiseen hoitotyössä.

Kirjallisuutta

AbbVie, Finanssiala ry, Hyvinvointialan liitto, Lääkäriliitto, Sitra, Soste, Tehy, YTHS. (2018). Tekoäly terveydenhuollossa -kyselytutkimus. https://www.sitra.fi/app/uploads/2018/07/2018kestavaterveydenhuoltotekoalykyselyraportti.pdf.

Ash, N., Sutherland, E., Eiszele, S. (2024). Artificial Intelligence and the Healthcare Workforce. OECD. Draft version, unpublished.

Helsingin yliopisto (2023) Elements of AI. https://course.elementsofai.com/fi.

Kauhanen, A., Pajarinen, M., Rouvinen, P. (25.10.2023). Generatiivisen tekoälyn vaikutuksista. ETLA Muistio 128. ISSN 2323-2463. ETLA-Muistio-Brief-128 (1).pdf

Kiener, M. (2020, October 22). Artificial intelligence in medicine and the disclosure of risks. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7580986/

Lapset SIB (2024). https://www.lapsetsib.fi/fim/Home.

Larsio, A. (8.5.2023). Datasta voimaa sote-järjestelmään. ISSN 2737-1042 (verkkojulkaisu). https://www.sitra.fi/julkaisut/datasta-voimaa-sote-jarjestelmaan.

Lehtiniemi, T. (22.9.2023). Tekoälystäkö apua lastensuojeluun?. https://sosdigi.weebly.com/blogi/tekoalystako-apua-lastensuojeluun.

Lehto, P. Malkamäki, S. (15.2.2023). Suomen terveysalan kasvun ja kilpailukyvyn visio 2023. Sitra työpaperi. ISSN 2737-1042 (verkkojulkaisu). https://www.sitra.fi/julkaisut/suomen-terveysalan-kasvun-ja-kilpailukyvyn-visio-2030.

Masterson, V. (2023, May 1). World Economic Forum. Future of jobs 2023: These are the most in-demand skills now – and beyond. https://www.weforum.org/agenda/2023/05/future-of-jobs-2023-skills.

Rauhala, M. (marraskuu 2023). LinkedIn-kirjoitus Accenturen tekemästä generatiivisen tekoälyn selvityksestä Suomessa. https://www.linkedin.com/posts/marko-rauhala-a5867b_sote-suurisoteseminaari-activity-7125365842866782208-5zTf?utm_source=share&utm_medium=member_desktop.

Strauss, D. (2023, August 10). David Autor: ‘We have a real design choice about how we deploy AI’. The Financial Times. https://www.ft.com/content/9c087da3-63d2-%204d73-97dc-023025b529aa.

Sutherland, E., Keelara, R. (2024, January 19) AI in Health – Huge Potential, Huge Risk. https://www.oecd.org/health/AI-in-health-huge-potential-huge-risks.pdf.

 

Artikkelin on laatinut Sitran asiantuntija Saara Malkamäki. Hän kehittää Suomelle parasta tulevaisuutta Sitrassa rakentamalla reilua datataloutta ja edistämällä sosiaali- ja terveystietojen käyttöä Suomessa ja Euroopassa.

Artikkeli on kolmas osa Akava Worksin ”Näkökulmia tekoälyyn” -artikkelisarjassa.

Kuva: DALL-E -tekoälysovelluksen tuottama kuva artikkelin teemoista.

Lue artikkeli ohesta (pdf)

Tekoälystä tukea sote-ammattilaisten työhön sekä sairauksien ehkäisyyn Akava Works -artikkeli 3_2024

Työttömyyden pitkittyminen: miten koulutusaste, kansallisuus ja työttömäksi jäämisen ajankohta vaikuttavat?

Johdanto

Työttömyyden kestojen tarkastelu on yksi osa Akava Worksin säännöllisesti julkaistavaa työttömyyskatsausta. Kestojen tarkastelu on keskeistä, sillä se antaa kokonaisvaltaisemman käsityksen työttömyyden kehityksen dynamiikasta. Työttömyyden nousua voi esimerkiksi selittää yhtä lailla uusien työttömyysjaksojen lisääntyminen kuin pitkäaikaistyöttömyyden kasvu.

Työttömyyskatsauksissamme on perinteisesti keskitetty siihen, kuinka monella työttömällä työnhakijalla työttömyys on kestänyt tietyn ajanjakson, kuten esimerkiksi 0–3 kuukautta, 3–12 kuukautta tai yli vuoden. Tässä artikkelissa työttömyyden kestoa tutkitaan hieman eri näkökulmasta. Tarkastelussa keskitytään siirtymiin eripituisten kestojaksojen välillä eli siihen, kuinka monella työttömällä työnhakijalla työttömyyden kesto ylittää 1 kuukauden, 2 kuukauden, 3 kuukauden jne. Tästä siirtymästä käytetään myös käsitettä työttömyyden virta.

Työttömyyden virtaa tarkastelemalla saadaan parempi käsitys siitä, kuinka todennäköisesti alkanut työttömyysjakso venyy yli tietyn keston. Työttömyyden pitkittymisen tiedetään muun muassa vaikeuttavan uudelleentyöllistymisen mahdollisuutta. Lisäksi jatkossa työttömyyden pitkittyminen voi vaikuttaa työttömyysturvan tasoon, vaikka ansiopäivärahan maksuajan enimmäiskesto ei ole tullut vastaan (yleensä 300 tai 400 päivää). Kirjoitushetkellä hallitus kaavailee ansioturvaan uutta porrastusta siten, että 8 työttömyysviikon jälkeen tuki laskee 80 prosentin tasolle ja 34 viikon jälkeen 75 prosentin tasolle alkuperäisestä. Hallitusohjelmassa myös esitetään, että työn perusteella oleskeluluvan saaneiden ulkomaan kansalaisten tapauksessa oleskelulupa voitaisiin jatkossa perua, mikäli työttömyys on jatkunut yli kolme kuukautta.

Lomautusjaksot selvästi työttömyysjaksoja lyhyempiä

Kuviossa 1 on esitetty työttömien työnhakijoiden sekä lomautettujen työttömyyden virta yli erinäisten kestojen vuosina 2013–2022. Kukin piste kuviossa kertoo sen, kuinka suuri osuus x kuukautta aiemmin alkaneista työttömyysjaksoista keskimäärin jatkui edelleen. Kuten käyrien muodosta näkyy, mitä kauemmin työttömyys on kestänyt, sitä epätodennäköisemmin se katkeaa kuukauden sisällä. Lomautettujen työttömyysjaksot ovat keskimäärin selvästi lyhyempiä kuin työttömien. Noin puolet työttömien työnhakijoiden työttömyysjaksoista päättyy kolmen kuukauden sisällä, kun vastaavasti lomautuksista suunnilleen puolet kestää alle yhden kuukauden.

Virtalukujen laskennasta lyhyesti

Tämän artikkelin analyysi perustuu Työ- ja elinkeinoministeriöltä (TEM) erillispyyntönä saatuihin tilastoihin. Tarkastelujakso koostuu vuosista 2013–2022, jonka jokaisen kuukauden osalta on haettu tieto alkaneiden työttömyysjaksojen lukumääristä sekä x kuukautta aiemmin yhä jatkuvien työttömyysjaksojen lukumääristä. Yhteensä tietoa on siis 120 kuukauden osalta. Jokaiselle yksittäiselle kuukaudelle on laskettu eri kestojen virtaluvut jakamalla x kuukautta aiemmin alkaneiden yhä jatkuvien työttömyysjaksojen lukumäärä x kuukautta aiemmin alkaneiden työttömyysjaksojen lukumäärällä. Esimerkiksi maaliskuussa 2022 alkoi 25 088 työttömyysjaksoa (pois lukien lomautetut), joista huhtikuussa 2022 jatkui yhä 18 723. Näin ollen 1 kk:n virtaluku huhtikuulle 2022 on:

(18 723 / 25 088) * 100 = 74,6 %

Toistamalla em. laskuprosessi tarkastelujakson jokaisen 120 kuukauden osalta vuosina 2013–2022 ja laskemalla saaduista kuukausikohtaisista luvuista keskiarvo saadaan kuviossa 1 esiintyvä 1 kk:n virtaluvun keskiarvo (75,5 prosenttia). Sama prosessi on tämän jälkeen toistettu kaikkien muiden kestojen eli 2, 3, 4, 5, 6, 9 ja 12 kuukauden osalta.

Artikkelissa esiintyvät keskiarvot ovat saatu yksinkertaisesti laskemalla kullekin kestolle keskiarvo 120 eri kuukauden virtalukujen perusteella.

Keskiarvoja ei ole painotettu työttömäksi jääneiden lukumäärillä. Artikkelin tarkastelun kannalta ei ole suurta merkitystä sen suhteen, käytetäänkö painotettuja vai painottamattomia keskiarvoista. Oheisessa taulukossa on vertailun vuoksi esitetty työttömien työnhakijoiden virtalukujen painottamattomat sekä alkaneiden työttömyysjaksojen määrillä painotetut keskiarvot:

Taulukko 1: Työttömyyden virtalukujen keskiarvot yli eri kestojen työttömillä työnhakijoilla 2013–2022. Painottamaton keskiarvo on saatu laskemalla kuukausikohtaisista virtaluvuista yksinkertainen keskiarvo. Painotettua keskiarvoa on painotettu työttömäksi jääneiden henkilöiden lukumäärällä. Lähde: TEM ja Akava Worksin omat laskelmat

Kuvio 1: Työttömyyden virta yli eri kestojen työttömillä työnhakijoilla ja lomautetuilla keskimäärin vuosina 2013–2022. Havaintoja ei ole saatavilla 7, 8, 10 tai 11 kuukauden kestojen osalta. Lähde: TEM ja Akava Worksin laskelmat

Lomautettujen tilanne poikkeaa merkittävästi työttömistä työnhakijoista. Ensinnäkin lomautuksille on usein annettu ennalta määritetty kesto, joka voi olla enintään 90 vuorokautta. Toisin sanoen lomautetuilla on muita työttömiä useammin selvä tieto siitä, koska heidän työttömyytensä päättyy. Toiseksi lomautetuilla ei ole työttömistä työnhakijoista poiketen työnhakuvelvoitetta, jos lomautus on kestänyt alle kolme kuukautta. Useilla lomautetuilla ei siis ole tarvetta ylipäänsä hakea töitä toisin kuin työttömillä työnhakijoilla.

Edellä mainittujen syiden takia lomautettujen tarkastelu ei ole mielekästä, mikäli halutaan selkeämpi käsitys siitä, kuinka kauan työttömäksi joutuneen henkilön työnhaku tyypillisesti kestää. Tästä syystä tässä artikkelissa keskitytään jatkossa pelkästään työttömiin työnhakijoihin.

Pieniä eroja koulutusasteiden ja kansallisuuksien välillä

Koulutus suojaa työttömyydeltä eli mitä koulutetummasta työikäisestä henkilöstä on kyse, sitä epätodennäköisemmin hän on työtön. Henkilön joutuessa työttömäksi korkeampi koulutustaso ei kuitenkaan yksiselitteisesti näyttäisi nopeuttavan työllistymistä (kuvio 2). Peruasteen tutkinnon varassa olevilla työttömyys venyy todennäköisemmin kuin muiden koulutusasteiden suorittaneilla, mutta vastaavasti toisen asteen tutkinnon suorittaneilla työttömyys pitkittyy harvemmin kuin korkeakoulutetuilla. Loppujen lopuksi erot työllistymisessä koulutusasteiden välillä eivät ole järin suuret. Esimerkiksi vuosina 2013–2022 kolme kuukautta työttömäksi jäämisen jälkeen yhä työttömänä oli perusasteen tutkinnon suorittaneista keskimäärin 51 prosenttia, toisen asteen tutkinnon suorittaneista 47 prosenttia ja korkeakoulutetuista 49 prosenttia.

Syyt työnhaun venymisen taustalla saattavat erota koulutusasteittain. Perusasteen tutkinnon varassa olevan henkilön kohdalla voi olla todennäköisempää, että tutkinnon puuttuminen rajaa haettavien työpaikkojen valikoimaa. Myös ikärakenne voi vaikuttaa, sillä enintään perusasteen tutkinnon suorittaneita on enemmän yli 54-vuotiaiden joukossa. Korkeakoulutettujen hakemissa työpaikoissa sitä vastoin on muille tyypillisempää pitkät ja monivaiheiset rekrytointiprosessit. Tämä saattaa osaltaan selittää sitä, miksi etenkin lyhyellä aikavälillä korkeakoulutetut työllistyvät jopa perusasteen varassa olevia hitaammin.

Kuvio 2: Työttömyyden virta koulutusasteittain yli eri kestojen työttömillä työnhakijoilla keskimäärin vuosina 2013–2022. Havaintoja ei ole saatavilla 7, 8, 10 tai 11 kuukauden kestojen osalta. Lähde: TEM ja Akava Worksin laskelmat

Toisen EU-maan kansalaisilla työttömyys pitkittyy todennäköisemmin kuin muun ulkomaan tai Suomen kansalaisilla (kuvio 3). Kolme kuukautta työttömäksi jäämisen jälkeen EU-kansalaisista keskimäärin 53 prosenttia on yhä työttömänä, kun vastaava osuus muilla ulkomaalaisilla sekä Suomen kansalaisilla on 48 prosenttia. Kiinnostavaa kyllä, EU-maiden ulkopuolelta saapuneiden työnhaku pitkittyy jopa harvemmin kuin suomalaisilla työnhakijoilla, kun työttömyyden alkamisesta on kulunut vähintään kolme kuukautta.

Kuvio 3: Työttömyyden virta kansallisuuden mukaan yli eri kestojen työttömillä työnhakijoilla keskimäärin vuosina 2013–2022. Havaintoja ei ole saatavilla 7, 8, 10 tai 11 kuukauden kestojen osalta. Lähde: TEM ja Akava Worksin laskelmat

Ulkomaan kansalaisten osalta pitää ottaa huomioon, että osa heistä saattaa muuttaa Suomen kansalaisia herkemmin pois maasta työttömyyden pitkittyessä. Toisin sanoen henkilön työnhaku voi katketa yksinkertaisesti siitä syystä, ettei hän enää asu Suomessa. EU:n ulkopuolelta saapuneiden työttömien tapauksessa poismuutto ei välttämättä ole vapaaehtoista, sillä työn perusteella maassa asuvien oleskelulupa voidaan perua työttömäksi jäämisen jälkeen. Käytännössä ulkomaalaisten suurempi muuttoherkkyys voi merkitä sitä, että kuvio 3 saattaa paikoitellen antaa liian positiivisen kuvan ulkomaalaisten uudelleentyöllistymisestä Suomessa.

 

Työttömyyden pitkittymisessä paljon hajontaa

Kuviossa 4 on esitetty työttömät työnhakijoiden työttömyyden virran hajonta kuukausittain tarkastelujaksolla 2013–2022. Sininen käyrä vastaa keskiarvoa ja turkoosilla varjostettu alue niitä arvoja, joille 90 % tarkastelujakson kuukausista sijoittuvat. Katkoviivat kuvaavat tarkastelujaksolla havaittuja maksimi- ja minimiarvoja. Toisin sanoen minimi- ja maksimikäyrien pisteet vastaavat kukin yksittäistä kuukautta vuosilta 2013–2022, jolloin työttömyysjaksojen venyminen oli ennätyksellisen korkealla tai matalalla tasolla.

Kuvio 4: Työttömien työnhakijoiden työttömyyden virran hajonta eri kestoilla vuosina 2013–2022. Turkoosilla varjostettu alueelle sijoittuu 90 prosenttia tarkastelujakson kuukausista. Katkoviivat vastaavat tarkastelujaksolla havaittuja minimi- ja maksimiarvoja. Havaintoja ei ole saatavilla 7, 8, 10 tai 11 kuukauden kestojen osalta. Lähde: TEM ja Akava Worksin laskelmat

Kuviosta voidaan havaita, että etenkin lyhyemmän keston työttömyysjaksoilla on paljon hajontaa työttömyyden pitkittymisen suhteen. Esimerkiksi vuosina 2013–2022 kolme kuukautta aiemmin alkaneista työttömyysjaksoista keskimäärin 49 prosenttia jatkui edelleen, mutta pahimmillaan työnhauista yli kolmen kuukauden keston ylitti 66 prosenttia. Vastaavasti parhaimmillaan vain 35 prosenttia alkaneista työttömyysjaksoista ylitti kyseisen keston. Tämä hajonta äärihavaintojen välillä kertoo yksinkertaisesti siitä, että työttömyyden pitkittymiseen vaikuttaa suuresti työttömäksi jäämisen ajankohta. Esimerkiksi suurin osa tarkastelujaksolla 2013–2022 havaituista maksimiarvoista koskee vuonna 2020 alkaneita työttömyysjaksoja, jolloin koronapandemian myötä työttömyys kasvoi poikkeuksellisen nopeasti.

Työttömäksi jäämisen kalenterikuukaudella suuri merkitys

Kuten edellisessä kappaleessa todettiin, työttömyyden pitkittymisen todennäköisyyteen vaikuttaa työttömäksi joutumisen ajankohta. Yksi merkittävä syy kuviossa 4 havaittuun hajontaan erityisesti lyhyellä aikavälillä on vuodensisäinen kausivaihtelu työttömyyden pitkittymisessä. Yksinkertaisesti tällä tarkoitetaan sitä, että työllistymisen nopeuden kannalta työttömäksi jäämisen kalenterikuukaudella on suuri merkitys.

Karkeasti ottaen työttömyyden pitkittymisen kannalta huonoin ajankohta jäädä työttömäksi on loppukevät tai alkukesä (kuvio 5). Vastaavasti helpoiten työllistyvät ne, jotka ovat jääneet työttömäksi loppukesällä tai alkusyksystä. Kesän lomakaudella on selvästi työllistymistä hidastava vaikutus. Tarkastelujaksolla 2013–2022 toukokuussa työttömäksi jääneistä henkilöistä kolme kuukautta myöhemmin oli yhä työttömänä keskimäärin 55 prosenttia. Vain kuukautta myöhemmin, eli kesäkuussa, alkaneiden työttömyysjaksojen osalta vastaava osuus oli enää 39 prosenttia. Tämä vaikutus ei liene hirveän yllättävää, sillä useassa organisaatiossa rekrytoinnit ovat tauolla kesän aikana. Lisäksi jo sovitut uudet työsuhteet alkavat monessa tapauksessa vasta kesälomien jälkeen.

Kuvio 5: Työttömien työnhakijoiden työttömyyden virtaluvun keskiarvo 1–4 kuukauden kestoilla työttömyysjakson alkamiskuukauden mukaan 2013–2022. Lähde: TEM ja Akava Worksin laskelmat

Kesä hidastaa etenkin korkeakoulutettujen ja ulkomaalaisten työllistymistä

Korkeakoulutetuilla kesän työllistymistä hidastava vaikutus näyttäisi korostuvan muiden koulutusasteiden työttömiä selvemmin. Tämä käy hyvin ilmi, kun tarkastellaan työttömyyden pitkittymistä yli kahden kuukauden keston (kuvio 6). Tämä kesto vastaa kutakuinkin samaa aikarajaa (8 viikkoa), jonka jälkeen kirjoitushetkellä kaavaillulla ansioturvan uudessa porrastusmallissa työttömyysturva laskee 80 prosentin tasolle alkuperäisestä.

Toukokuussa työttömäksi jääneistä korkeakoulutetuista keskimäärin 76 prosenttia oli kaksi kuukautta myöhemmin eli heinäkuussa yhä työttömänä. Muiden koulutusasteiden työttömillä vastaava osuus on 68 prosenttia. Kalenterikuukausikohtaiset erot koulutusasteiden työttömien työllistymisen suhteen rajoittuvat pääasiassa juuri kesään ja kevääseen. Loppukesästä lopputalveen ulottuvan jakson välillä erot ovat hyvin vähäisiä tai käytännössä olemattomia. Tätä voisi mahdollisesti selittää se, että ylemmillä toimihenkilöillä uusien työsuhteiden alkamiset sijoittuvat herkemmin syksylle. Moni toimisto toimii kesällä vajaamiehityksellä, jolloin perehdytyksen kannalta se ei ole otollisin hetki uuden työsuhteen aloittamisajankohdaksi.

Kuvio 6: Työttömien työnhakijoiden työttömyyden 2 kk:n virtaluvun keskiarvo korkeakoulutetuilla verrattuna muihin koulutusasteisiin työttömyysjakson alkamiskuukauden mukaan 2013–2022. Lähde: TEM ja Akava Worksin laskelmat

Kesäkuussa 2023 aloittaneen Orpon hallituksen hallitusohjelmassa esitetään, että työn perusteella oleskeluluvan saanut henkilö voi hakea työtä enintään kolme kuukautta ennen kuin hänet poistetaan maasta. Eri kansalaisuuksien välillä on melko suurta kausivaihtelua sen suhteen, kuinka työllistyminen onnistuu tämän kolmen kuukauden aikarajan sisällä (kuvio 7). Ulkomaan kansalaisilla on nähtävästi suomalaisia useammin vaikeuksia työllistyä kesän aikana. Työttömäksi huhtikuussa jääneistä EU:n ulkopuolisten maiden kansalaisista 62 prosenttia ja EU-kansalaisista 60 prosenttia oli kolme kuukautta myöhemmin, eli heinäkuussa, yhä työttömänä. Suomen kansalaisilla vastaava osuus oli 52 prosenttia. Kesän jälkeen erot kansallisuuksien välillä supistuvat selvästi. EU:n ulkopuolelta saapuneiden työttömyys pitkittyy syksyllä ja talvella ajoittain jopa harvemmin kuin Suomen kansalaisilla.

Kuvio 7: Työttömien työnhakijoiden työttömyyden 3 kk:n virtaluvun keskiarvo kansalaisuuksittain työttömyysjakson alkamiskuukauden mukaan 2013–2022. Lähde: TEM ja Akava Worksin laskelmat

Kuten aiemmin todettu, on hyvä pitää mielessä, että osa ulkomaan kansalaisista saattaa muuttaa pois maasta työttömyyden pitkittyessä. EU:n ulkopuolelta saapuneiden tapauksessa muutto voi olla pakollista oleskeluluvan peruuntumisen myötä. Tällöin TEM:n tilastoissa ulkomaalaisen työnhaku näyttää katkeavan, vaikka syynä ei suinkaan ole työllistyminen Suomessa. Näin ollen kuvio 7 saattaa antaa todellisuutta positiivisemman kuvan ulkomaan kansalaisten työllistymisen todennäköisyydestä kalenterikuukausittain. 

Yhteenveto

Kymmenen vuoden kattavan tarkastelujakson (2013–2022) perusteella voidaan karkeasti ottaen todeta, että suunnilleen puolet uusista työttömistä työnhakijoista työllistyy kolmen kuukauden sisällä. Lomautukset kestävät sitä vastoin keskimäärin huomattavasti lyhyemmän ajan, sillä noin puolet niistä päättyvät jo yhden kuukauden sisällä.

Työttömyyden pitkittymisen todennäköisyyteen etenkin lyhyellä aikavälillä vaikuttaa vuodensisäinen kausivaihtelu. Toisin sanoen tiettyinä kalenterikuukausina alkaneet työttömyysjaksot tuppaavat venymään useammin kuin toisina. Selvemmin tämä tulee ilmi kesällä, jolloin järjestään työttömien työnhakijoiden työllistymisen mahdollisuudet laskevat. Tämä ilmiö korostuu jonkin verran enemmän korkeakoulutetuilla ja ulkomaan kansalaisilla.

Lopulta on hyvä nostaa esille kahta maan hallituksen kaavailemaa muutosta, joissa työttömyyden kestolla on keskeinen rooli. Ensimmäiseksi työttömien ansioturvaan kaavaillaan porrastusta, jonka seurauksena ansioturvan taso laskee 80 prosenttiin 8 työttömyysviikon ja 75 prosenttiin 34 työttömyysviikon jälkeen. Erityisesti ensimmäinen 80 prosentin porrastus kohtaisi työttömiä hyvin eri lailla riippuen yksinkertaisesti siitä, minä kalenterikuukautena he jäävät työttömäksi. Esimerkiksi vuosina 2013–2022 toukokuussa työttömäksi jääneistä keskimäärin 69 prosentilla työttömyysturvan taso olisi uudessa mallissa laskenut 80 prosenttiin. Heinäkuussa työttömäksi jääneillä vastaava osuus oli enää 50 prosenttia. Korkeakoulutettujen kohdalla riski kohdata porrastetun mallin 80 prosentin leikkuri on jonkin verran suurempi kuin muilla.

Toinen maininnan arvoinen hallituksen kaavailema muutos on oleskelulupiin kaavailtava niin sanottu kolmen kuukauden sääntö. Tämä aikaraja itsessään ei ole täysin uusi uudistus, sillä Migrin oman ohjeistuksen perusteella oleskelulupa voidaan jo tätä nykyä perua, mikäli työttömyys on kestänyt vähintään kolme kuukautta (ks. https://migri.fi/luvan-peruuttaminen). Myös työttömäksi jäämisen kalenterikuukaudella on suuri merkitys siihen, miten suuri riski tämän aikarajan kohtaamiseen on. Vuosina 2013–2022 huhtikuussa työttömäksi jääneistä EU:n ulkopuolisista ulkomaan kansalaisista keskimäärin 62 prosenttia ei onnistunut työllistymään kolmen kuukauden sisällä. Sitä vastoin loppukesästä tai alkusyksystä työttömäksi jääneistä ulkomaalaisista selvästi useampi onnistui työllistymään samassa ajassa.

Tutkintomuotoinen opiskelu yliopistosta valmistumisen jälkeen

Artikkelin aineistona on uraseurantakysely, joka lähetettiin vuonna 2018 niille henkilöille, jotka viisi vuotta aiemmin eli vuonna 2013 olivat suorittaneet ylemmän korkeakoulututkinnon suomalaisessa yliopistossa.

Vuonna 2013 yliopistosta ylemmän korkeakoulututkinnon suorittaneista ja uraseurantakyselyyn vastanneista henkilöistä 26 prosenttia oli suorittanut joitain tutkintomuotoisia opintoja viiden vuoden sisällä valmistumisesta. Suosituimpia olivat tieteelliset tai taiteelliset jatko-opinnot, joita oli suorittanut 13 prosenttia vastaajista. Vastaajista kahdeksan prosenttia oli suorittanut uuteen korkeakoulututkintoon tähtääviä opintoja ja yhtä suuri osuus oli suorittanut valmistumisen jälkeen muun määrittelemättömän tutkinnon.

Tieteellisiä tai taiteellisia jatko-opintoja suorittaneet eivät merkittävästi poikkea tutkintotyytyväisyyden tai koettujen työttömyysjaksojen osalta niistä vastaajista, jotka eivät ole suorittaneet valmistumisen jälkeen mitään tutkintomuotoisia opintoja. Jatko-opintoja suorittaneet kokevat myös muita useammin työnsä vastaavan vaativuudeltaan hyvin heidän yliopistollista koulutustaan. Vastaavasti jatko-opintoja suorittaneet kokevat hieman muita useammin saaneensa yliopistolta hyvät taidot ja työelämävalmiudet.

Valmistumisen jälkeen uuteen korkeakoulututkintoon tähtääviä opintoja tai muun määrittelemättömän tutkinnon suorittaneet ovat muita useammin tyytymättömiä alkuperäiseen yliopistotutkintoonsa. Näissä ryhmissä myös työttömyysjaksot sekä kokemus nykyisen työn vaativuuden epäyhteensopivuudesta alkuperäisen tutkinnon kanssa on yleisempää. Lisäksi näissä ryhmissä koetaan useammin yliopiston antaneen riittämättömät työelämävalmiudet.

Artikkeli on ohessa käytettävissä pdf-tiedostona

Tutkintomuotoinen opiskelu yliopistosta valmistumisen jälkeen

Perustutkimus tieteen ja innovaatioiden perustana

Artikkeli tarkastelee perustutkimuksen määritelmää ja sisältöä sekä miten perustutkimus on tiedepolitiikassa ymmärretty innovaatioprosessin osana. Tiedepolitiikka on useiden vuosikymmenien ajan uudistanut käsitystä perustutkimuksesta sekä käsitystä suoraviivaisesti etenevästä, lineaarisesta innovaatioprosessista. Tiedepolitiikassa käytettyä perustutkimuksen käsitettä ei voida pitää perustutkimuksen ideaalin synonyyminä tai tutkimuksen käytännön tason kuvaajana, mutta käsite on vaikuttanut pitkään länsimaiseen käsitykseen tieteestä ja tiedepolitiikasta.

Artikkelissa pohditaan, miksi perustutkimukseen panostaminen on välttämätöntä uusien innovaatioiden syntymiselle. Artikkeli laajentaa ja syventää keskustelua perustutkimuksen merkityksestä uusien innovaatioiden synnylle ja käytännön sovelluksille.

Artikkelin kirjoittajat

Erika Lilja on Eriarvoisuuden, interventioiden ja uuden hyvinvointiyhteiskunnan (INVEST) lippulaivan projektipäällikkö ja kehittää uudenlaista tutkimuskokonaisuutta ja osaamiskeskittymää, jonka tavoitteena on luoda tulevaisuuden osaamista ja kestäviä ratkaisuja yhteiskunnan haasteisiin sekä edistää taloudellista kasvua kehittämällä muun muassa uusia sosiaalisia innovaatiota. Lilja tekee akateemista tutkimusta tiedepolitiikasta, tieteen ja tutkimuksen avoimuudesta sekä strategisen tutkimuksen yhteiskunnallisesta vaikuttavuudesta.

Jussi Kivistö toimii Tampereen yliopistossa hallintotieteen, erityisesti korkeakouluhallinnon professorina ja Higher Education Group -tutkimusryhmän esimiehenä. Kivistön tutkimusintressit liittyvät korkeakoulujen rahoitukseen, korkeakoulujen hallintoon ja johtamiseen sekä korkeakoulu- ja tiedepolitiikan ajankohtaisiin kysymyksiin.

Artikkeli on käytettävissä ohessa pdf-tiedostona

Perustutkimus tieteen ja innovaatioiden perustana

Maalittamisen kriminalisointia kannatetaan

Maalittamisen määritelmä

Rikos- ja prosessioikeuden professori emeritus Pekka Viljanen kirjoitti Akava Worksin tilauksesta maalittamisen kriminalisointia käsittelevän artikkelin, jossa esitettiin maalittamisen juridinen määritelmä. Akava Worksin kyselyssä maalittaminen pyrittiin määrittelemään niin, että se kattaisi Viljasen artikkelissa tarkoittaman toiminnan, mutta olisi vastaajien kannalta riittävän helposti ymmärrettävä. Kyselyssä maalittaminen määriteltiin seuraavalla tavalla:

”Maalittamisella tarkoitetaan toimintaa, jossa henkilöä häiritään järjestelmällisesti tai yllytetään muita osallistumaan kyseisen henkilön järjestelmälliseen häirintään. Häirintä voi olla suoraa tai epäsuoraa. Maalittamisella pyritään vaientamaan ihmisiä tai epäasiallisesti vaikuttamaan heidän toimintaansa esimerkiksi uhkailemalla, painostamalla tai levittämällä maalittamisen kohdetta koskevaa yksityisluontoista tai virheellistä tietoa.”

Valtaosa kyselyyn vastanneista kannattaa maalittamisen kriminalisointia

Suhtautumista maalittamisen kriminalisointiin selvitettiin kyselyssä väittämällä: ”Maalittamiseen osallistuminen pitäisi säätää rikoslaissa rangaistavaksi teoksi”. Edeltävien viiden vuoden aikana työssään edellä määritellyn kaltaista maalittamista kokeneista vastaajista 74 prosenttia suhtautui myönteisesti maalittamisen kriminalisointiin. Vastaajista, jotka eivät ole työssään joutuneet maalittamisen kohteeksi, maalittamisen kriminalisointiin suhtautui myönteisesti 70 prosenttia.

Kaavio: maalittamisen kriminalisointi vastausjakaumat
Kaavio ”Maalittamiseen osallistuminen pitäisi säätää rikoslaissa rangaistavaksi teoksi”, maalittamista kokeneiden ja muiden vastaajien vastausjakaumat.

Maalittamista kohteeksi joutuneissa oli suhteellisesti muita vastaajia enemmän niitä, jotka olivat täysin samaa mieltä maalittamisen kriminalisointia koskevan väittämän kanssa ja suhteellisesti vähemmän niitä, jotka olivat väittämän kanssa osittain samaa mieltä.

Noin kymmenen prosenttia kaikista vastaajista suhtautui ainakin osittain kielteisesti maalittamisen kriminalisointiin ja noin viidennes ei ottanut selvää kantaa maalittamisen kriminalisointia koskevaan väittämään.

Henkilöä koskevan väärän tiedon levittäminen on yleisintä

Kyselyn mukaan yleisin maalittamisen muoto on henkilöä koskevan väärän tiedon levittäminen. Vastaajista, jotka ilmoittivat joutuneensa työssään maalittamisen kohteeksi 62 prosenttia vastasi, että heistä oli levitetty väärää tietoa. 41 prosenttia oli kokenut epäasiallista vaikuttamista työyhteisön ulkopuolelta. 36 prosenttia vastasi, että oli joutunut työyhteisön ulkopuolisen painostuksen kohteeksi. 29 prosentin vastasi, että muita oli yllytetty uhkaamaan, painostamaan heitä tai levittämään heistä virheellistä tietoa. Epäsuoran maalittamisen kohteeksi vastasi joutuneensa 12 prosenttia maalittamisen kohteeksi joutuneista.

Taulukko: Maalittamisen ilmeneminen maalittamisen kohteeksi joutuneilla.
Taulukko: Maalittamisen ilmeneminen maalittamisen kohteeksi joutuneilla.

 

Kyselyn toteutus

Kyselyaineisto kerättiin 15.–29.3.2021. Kyselyyn vastasi yhteensä 7 333 henkilöä, jotka olivat seuraavien akavalaisten liittojen jäseniä:

  • Akavan Erityisalat
  • AKI-liitot
  • Ammattiliitto AVA
  • Insinööriliitto
  • Opetusalan ammattijärjestö OAJ
  • Professoriliitto
  • Sosiaalialan korkeakoulutettujen ammattijärjestö Talentia
  • Suomen Lakimiesliitto
  • Suomen Poliisijärjestöjen Liitto SPJL
  • Suomen Terveydenhoitajaliitto STHL
  • Tekniikan Akateemiset TEK
  • Tieteentekijät
  • Tradenomit
  • Yhteiskunta-alan korkeakoulutetut

Aineisto painotettiin niin, että aineisto vastasi sukupuoli-, ikä- ja jäsenliittorakenteeltaan perusjoukkoa (työvoimaan kuuluva jäsenistö kyselyyn osallistuneissa liitoissa).

 

Kyselyn päätulokset ovat käytettävissä myös englanniksi
Main findings of questionnaire survey concerning work related targeting and shaming

_________

Sivupäivitys: linkki englanninkieliseen versioon lisätty 23.4. 10.15

 

 

Kotitalousvähennykseen oikeuttavien palveluiden ostaminen ja vähennyksen taso – mitä sanovat akavalaiset?

Akava Works selvitti yhteistyössä Kantarin kanssa 20–64-vuotiaiden akavalaisten palkansaajien kotitalousvähennyksen käyttöä sekä näkemyksiä kotitalousvähennyksestä. Kyselylomakkeen vastausaika oli 12.2.2021–21.2.2021. Kyselyyn vastasi 1 012 akavalaista. Vastanneista 46 prosenttia oli hakenut edeltävien 24 kuukauden aikana kotitalousvähennystä. Vastanneista 53 prosenttia ei ollut hakenut vähennystä ja vajaa prosentti ei osannut sanoa, oliko hakenut edeltävien 24 kuukauden aikana kotitalousvähennystä.

Kotitalousvähennykseen oikeuttavia palveluita ovat kotia tai vapaa-ajan asuntoa varten ostetut remontti- ja asennuspalvelut, siivous ja kotitalouspalvelut sekä erilaiset hoivapalvelut. Näistä palveluista selvästi suosituimmat ovat erilaiset remontti- ja asennuspalvelut, joita ainakin joskus kertoo käyttävänsä peräti 70 prosenttia kaikista kyselyn vastaajista (kuvio 1). Ainakin joskus siivouspalveluita käyttää 35 prosenttia vastaajista ja pieni 14 prosentin joukko vastaajista käyttää siivouspalveluita vähintään kerran kuukaudessa. Hoivapalveluiden ostaminen on selvästi muita palveluita harvinaisempaa. Peräti 82 prosenttia kertoo, ettei osta koskaan kyseisiä palveluita.

Kuvaaja: Kuinka usein ostat tai käytät seuraavia palveluita?
Kuvio 1: Erilaisten palvelujen käytön frekvenssi vastaajien keskuudessa.

Kotitalousvähennykseen oikeuttavia palveluita ostetaan monista syistä, joista mikään yksittäinen ei näyttäisi nousevan selvästi muita tärkeämmäksi (kuvio 2). Yli puolet vastaajista kertoo palveluiden ostamisen syyksi sen, etteivät omat taidot riitä palveluiden tekemiseen itse. Lisäksi itse tekemistä voi rajoittaa erilaisten lupien puute, mikä on ilmeistä esimerkiksi sähkötöissä. Runsas kolmannes vastaajista kertoo lupien puutteen palveluiden ostamisen syyksi. Vaikuttaisi myös siltä, että monet ostetuista palveluista ovat sellaisia, jotka olisi mahdollista tehdä itse, mutta ne päätetään ulkoistaa helpottaakseen omaa elämää.

Vastaajista 43 prosenttia kertoo oman ajan säästämisen tärkeäksi syyksi ostaa kotitalousvähennykseen oikeuttavia palveluita. Palveluiden ostamisen motiivien perusteella voisi myös väittää, että kotitalousvähennys itsessään lisää palveluiden kulutusta. Noin puolet vastaajista kertoo ostavansa kotitalousvähennykseen oikeuttavia palveluita sen takia, että kotitalousvähennys alentaa palvelun lopullista hintaa.

kuvaaja: Miksi ostat kotitalousvähennykseen oikeuttavia palveluita?
Kuvio 2: Vastaajien kertomia syitä kotitalousvähennyksen oikeuttavien palveluiden ostamiseen. Vastaajat saivat valita useamman syyn.

Kuviossa 3 on kuvattu erilaisiin palveluihin vastaajien käyttämien rahasummien jakaumaa. Mukana on kunkin palvelun osalta vain ne vastaajat, jotka ovat edeltävien 24 kuukauden aikana ostaneet kyseistä palvelua. Remontti- ja siivouspalveluiden kohdalla noin puolet palveluita käyttäneistä osti niitä edellisen kahden vuoden aikana alle 2 000 eurolla. Siivouspalveluihin käytetään taas selvästi vähemmän rahaa, sillä puolet vastaajista osti palveluita enintään 1 000 eurolla. Osa vastaajista oli ostanut erilaisia palveluita yli 10 000 eurolla edellisen kahden vuoden aikana, mikä kuukausitasolla tarkoittaa keskimäärin useita satoja euroja. Remonttipalveluita vähintään 10 000 eurolla ostaneita oli 17 prosenttia palveluita käyttäneistä, mikä on sama osuus kuin hoivapalveluita vähintään 10 000 eurolla ostaneilla. Siivouspalveluita vähintään 10 000 eurolla oli ostanut edellisen kahden vuoden aikana 13 prosenttia palveluita käyttäneistä.

Kuvaaja: Kuinka paljon kotitaloutesi on käyttänyt rahaa edellisten 24 kk aikana seuraaviin palveluihin?
Kuvio 3: Vastaajan kotitalouden käyttämä raha erilaisiin palveluihin. Mukana vain palveluita ostaneet vastaajat.

Miten kotitalousvähennyksen poistaminen vaikuttaisi erilaisten palveluiden kulutukseen?

Kuviossa 4 on esitetty kyselyyn vastanneiden näkemykset liittyen edellä mainittuun kysymykseen. Mukana ovat kunkin palvelun osalta vain ne vastaajat, jotka kertovat ainakin joskus käyttävän kyseistä palvelua (ks. kuvio 1). Hieman palvelun mukaan vaihdellen noin 30–40 prosenttia vastaajista on sitä mieltä, ettei kotitalousvähennyksen poisto vaikuttaisi lainkaan vähennykseen oikeuttavien palveluiden ostamiseen. Jos kotitalousvähennyksen poistolla kuitenkin koetaan olevan jotain vaikutusta palveluiden kulutukseen, se on ennen kaikkea kielteinen. Siivous- ja kotitalouspalveluita ostavista vastaajista peräti 63 prosenttia kertoo kotitalousvähennyksen poiston vähentävän palveluiden kulutusta. Remonttipalveluiden kohdalla vastaava osuus on 54 prosenttia ja vastaavasti hoivapalveluiden kohdalla 42 prosenttia.

Kuvaaja: Jos kotitalousvähennys poistettaisiin, ostaisitko seuraavia palveluja
Kuvio 4: Kotitalousvähennyksen poiston vaikutus vastaajien palveluiden kulutukseen. Mukana kunkin palvelun osalta vain ne vastaajat, jotka kertovat edes joskus käyttävän kyseistä palvelua.

Vastaajien suhtautuminen kotitalousvähennyksen tason muutoksiin

Kirjoitushetkellä kotitalousvähennyksen enimmäismäärä on 2 250 euroa vuodessa. Kotitalousvähennyksen saa vain ostetun palvelun työn osuudesta, jonka arvosta taas 40 prosenttia on verotuksessa vähennyskelpoista. Lisäksi kotitalousvähennykseen liittyy 100 euron omavastuu, eli mikäli vuodessa ostaa työtä alle 250 eurolla, kotitalousvähennystä ei saa lainkaan. Saadakseen maksimivähennyksen tulee työtä ostaa yritykseltä vuodessa 5 875 euron edestä ((5 875 euroa x 40 %) – 100 euroa) = 2 250 euroa).

Jos kotitalousvähennyksen omavastuun suuruuteen ei kosketa, kotitalousvähennyksen tasoa voidaan parantaa kahdella tavalla. Joko vähennyksen enimmäismäärää nostetaan nykyisestä 2 250 eurosta tai vähennyskelpoisen työn prosenttiosuutta nostetaan nykyisestä 40 prosentista.

Mikäli kotitalousvähennyksen vähennyskelpoisen työn osuutta kasvatetaan, se nostaa kaikkien alle enimmäismäärän vähennystä käyttävien saamaa verohelpotusta. Tämä taas välillisesti laskee ostettujen palveluiden hintaa ja on omiaan lisäämään niiden kysyntää. Kotitalousvähennystä aiemmin hakeneista 72 prosenttia kertoo ostavansa enemmän palveluita, mikäli vähennyskelpoisen työn osuutta nostettaisiin (kuvio 5). Muista vastaajista näin ajattelee 42 prosenttia. Melko harva vastaaja on sitä mieltä, ettei vähennyskelpoisen työn osuuden nosto vaikuttaisi lainkaan kulutettuihin palveluihin. Aiemmin kotitalousvähennystä hakeneista näin ajattelee vain 10 prosenttia ja muista 19 prosenttia.

Kuvaaja: Jos vähennettävää osuutta nostettaisiin, ostaisin enemmän tai kalliimpia palveluita.
Kuvio 5: Vastaajien suhtautuminen verotuksessa vähennettävän työn osuuden kasvattamiseen. Kotitalousvähennystä hakeneet ovat ne vastaajat, jotka edeltävien 24 kuukauden aikana on hakenut vähennystä.

Toinen tapa parantaa kotitalousvähennyksen tasoa on nostaa sen enimmäismäärää. Enimmäismäärän nostaminen toisaalta hyödyttää vain niitä kotitalousvähennyksen saajia, jotka myös nykyään hakisivat täyttä kotitalousvähennystä. Jos henkilöllä ei aiemmin ollut aietta hakea kotitalousvähennyksen enimmäismäärää, miksi hän tekisi niin enimmäismäärän kasvaessa?

Kyselyyn vastanneista aiemmin kotitalousvähennystä hakeneista 68 prosenttia kertoo ostavansa suuremmalla summalla palveluita, mikäli kotitalousvähennyksen enimmäismäärää nostettaisiin (kuvio 6). Muista vastaajista samaa mieltä oli selvästi pienempi 34 prosentin joukko, mikä on varsin ymmärrettävää. Jos henkilö ei hae nykyään lainkaan kotitalousvähennystä, vähennyksen enimmäismäärän nostaminen ei luultavasti tee siitä hänelle merkittävästi houkuttelevampaa. Selvänä vähemmistönä ovat he, joiden mielestä vähennyksen enimmäismäärän nostolla ei olisi vaikutusta palveluiden kulutukseen. Näin ajattelee 15 prosenttia nykyään kotitalousvähennystä käyttävistä vastaajista ja 26 prosenttia muista vastaajista.

Kuvaaja: Jos kotitalousvähennyksen enimmäismäärää nostettaisiin, ostaisin enemmän tai kalliimpia palveluja
Kuvio 6: Vastaajien suhtautuminen kotitalousvähennyksen enimmäismäärän kasvattamiseen. Kotitalousvähennystä hakeneet ovat ne vastaajat, jotka edeltävien 24 kuukauden aikana on hakenut vähennystä.

 

Kuten aiemmin on mainittu, kotitalousvähennyksen enimmäismäärän nostaminen kasvattaisi saadun vähennyksen määrää vain heidän tapauksessaan, jotka myös nykyään hakisivat täyttä vähennystä. On kuitenkin mahdollista, että osalla näistä henkilöistä saadun vähennyksen kasvu ei niinkään johtuisi ostettujen palveluiden lisääntymisestä, vaan joka tapauksessa ostettavien palveluiden ”valumisesta” vähennyksen piiriin. Saadakseen tällä hetkellä enimmäisvähennyksen työtä tulisi ostaa vuodessa 5 875 eurolla. Jos esimerkiksi tiedossa on välttämätön kattoremontti, jossa työn osuus maksaa 10 000 euroa, kotitalousvähennyksen enimmäismäärän nostaminen kasvattaisi saadun vähennyksen määrää nykyisestä. Itse päätökseen ostaa kattoremontti vaikuttaa kuitenkin todennäköisemmin katon teknisen käyttöiän vastaantulo kuin muutokset kotitalousvähennyksen enimmäismäärän tasoon.

Jopa 85 prosenttia kertoo käyttävänsä enemmän rahaa palveluihin, mikäli vähennyksen enimmäismäärää nostettaisiin.

Vaikka palveluita ostetaan riippumatta kotitalousvähennyksen enimmäismäärästä, luultavasti tapahtuu myös vähennyksen käytön optimointia. Toisin sanoen osa vähennyksen saajista välttää ostamasta kalenterivuoden aikana enempää palveluita kuin mihin on mahdollista saada kotitalousvähennystä. Tällaisessa tapauksessa vähennyksen enimmäismäärän nostaminen voi lisätä palveluiden kulutusta. Myös kyselyn aineisto antaa viitteitä, että tietynlaista optimointia harrastetaan. Erityisesti juuri ne vastaajat, jotka verovuonna 2020 hakevat täyttä tai lähes täyttä vähennystä ovat sitä mieltä, että vähennyksen enimmäismäärän nostaminen lisäisi heidän palvelujen ostoa (kuvio 7).
Vähintään 2 000 eurolla vähennystä hakevista jopa 85 prosenttia kertoo käyttävänsä enemmän rahaa palveluihin, mikäli vähennyksen enimmäismäärää nostettaisiin.

Kuvaaja: Jos kotitalousvähennyksen enimmäismäärää nostettaisiin, ostaisin enemmän tai kalliimpia palveluja
Kuvio 7: Osuus vastaajista, jotka kertovat ostavansa enemmän ja/tai laadukkaampia palveluita, jos kotitalousvähennyksen enimmäismäärää nostettaisiin. Osuutta on tarkastelu sen mukaan, kuinka paljon vastaaja kertoo hakevansa vähennystä vuonna 2020.

 

 

Ohessa artikkeli pdf-tiedostona

Kotitalousvähennykseen oikeuttavien palveluiden ostaminen ja vähennyksen taso – mitä sanovat akavalaiset Artikkeli 4_2021

 

Tutustu myös artikkeliin kotitalousvähennyksen työllistävästä vaikutuksesta

Kotitalousvähennys työllistää >

Pasi Sorjosen artikkeli kotitalousvähennyksen käytöstä eri tuloluokissa ja vähennyksen vaikutuksesta kotitalousvähennykseen oikeuttavan työn kysyntään.