Aluksi artikkelissa määritellään, mitä on työajalla tapahtuva osaamisen kehittäminen ja oppiminen sekä kuvataan osaamisen kehittämisen eri muotoja. Esillä ovat osaamisen kehittämisen tavoitteet ja edellytykset, esimerkiksi kehittämistä tukeva kulttuuri, työnantajan ja työntekijän myötävaikutus, aika ja taloudelliset edellytykset. Artikkeli tuo tutkimustietoa osaamisen kehittämisestä ja siihen kytkeytyvistä vaikutusmahdollisuuksista ja siinä arvioidaan osaamisen kehittämistä koskevaa lainsäädäntöä. Artikkeliin kuuluu ehdotuksia, joilla kasvattaa työnantajan roolia osaamisen kehittämisessä erityisesti lainsäädännön kautta.
Euroopan unionin tasolta esillä ovat jatkuvaa oppimista koskevat perusoikeuskirja, sosiaalisten oikeuksien pilarin 1 kohta sekä neuvoston kaksi suositusta: suositus pienistä osaamiskokonaisuuksista ja suositus henkilökohtaisista oppimistileistä. Tarkastelun piirissä on seuraava lainsäädäntö: työsopimuslaki, työaikalaki, valtion virkamieslaki, kunnan ja hyvinvointialueen viranhaltijalaki sekä evankelisluterilaisen kirkon viranhaltijalaki. Yhteistoiminnan osalta esillä ovat yhteistoimintalaki, laki yhteistoiminnasta valtion virastoissa ja laitoksissa ja kunnan ja hyvinvointialueen yhteistoimintalaki. Lisäksi tarkastelen tasapuolisen kohtelun velvoitetta ja tasa-arvolain ja yhdenvertaisuuslain sääntelyä. Esillä on myös opintovapaalaki. Artikkelissa tarkastelen ja arvioin Ruotsin lainsäädäntöä, joka koskee työajalla tapahtuvaa osaamisen kehittämistä ja tätä koskevia sopimusratkaisuja. Esillä on myös Tanskassa käytössä oleva valtion henkilöstön osaamisen kehittämisen järjestelmä, jonka pääperiaatteet esittelen lyhyesti.
Työajalla tapahtuva osaamisen kehittäminen on laaja ja moninainen kokonaisuus. Se sulkee sisäänsä organisaation kulttuurin, rakenteet ja arvot. Keskeisiä ovat toisaalta työnantajan, toisaalta yksilön tarpeet ja päämäärät. Työnantajan näkökulmasta osaaminen on keskeinen menestystekijä. Yksilön näkökulmasta osaaminen on olennainen työllistyvyyttä ylläpitävä tekijä, ja keskeisiä edellytyksiä osaamisen kehittämiselle ovat aika ja raha. Osaamisen kehittäminen edellyttää sitä tukevia lainsäädäntöratkaisuja ja lakien aktiivista soveltamista. Hyvä yhteistoiminta ja hyvä työturvallisuus tukevat osaamisen kehittämistä. Nämä näkökulmat ovat esillä artikkelissa.
Artikkelin kirjoittaja on Helena Lamponen, OTT, työoikeuden dosentti (HY, TY), LL.M., VT.
Helena Lamponen on erikoistunut työoikeuteen ja on tehnyt pitkän uran Akavan Erityisaloissa lakimiehenä 1989–2010 sekä johtajana ja tiimin vetäjänä 2014–2024. Hän toimi Suomen ensimmäisenä yhteistoiminta-asiamiehenä vuosina 2010–2014. Lamponen toimii nykyisin yrittäjänä.
Keskustelu aikuisten työssä ja työn vuoksi tapahtuvasta oppimisesta on virinnyt Suomessa viime vuosina erityisesti 2019 aloitetun parlamentaarisen jatkuvan oppimisen reformin siivittämänä. Taustalla on ymmärrys työelämän laajasta muutoksesta, joka haastaa kaikkien työikäisten osaamista luoden sille uudenlaisia vaatimuksia ja siten jatkuvan oppimisen tarpeita. Huomio jatkuvan oppimisen tukemisessa on 2020-luvulla siirtymässä erityisesti aliedustettujen ryhmien, kuten vähäisen pohjakoulutuksen omaavien, oppimisen turvaamiseen ja koulutustasoa nostavan oppimisen edistämiseen. Samaan aikaan on tärkeää edelleen huomioida myös korkeakoulutettujen ja asiantuntijatyössä toimivien osaamisen turvaaminen: oppimisen tarve on muuttuvassa maailmassa päättymätön.
Tässä artikkelissa paneudutaan osaamisen ja asiantuntijuuden käsitteisiin sekä asiantuntijuuden kehittymisen ja osaamisen vanhenemisen teemoihin. Artikkelissa päähuomio kohdistetaan asiantuntijatyön erityisyyteen oppimisen kontekstina sekä kolmeen keskeiseen perusteluun, joiden vuoksi asiantuntijoiden osaamisen kehittäminen edellyttää tukea ja panostuksia. Lopuksi koostetaan tietoa siitä, millä tavalla ja mistä lähtökohdista aikuispedagogiikkaa kannattaa koulutuksessa, työssä ja näiden rajapinnoilla rakentaa, jotta kestävä, innovaatioita ja hyvinvointia tuottava oppiminen on mahdollista.
Artikkelin kirjoittaja Soila Lemmetty on kasvatustieteen tohtori, dosentti ja yliopistotutkija Itä-Suomen yliopiston kasvatustieteiden ja psykologian osastolla. Hän johtaa jatkuva oppiminen työelämässä (JATKOT) -tutkimusryhmää.
Jo lähes puolet työllisistä suomalaisista toimii asiantuntijatehtävissä. Asiantuntijatyössä korostuvat erityisesti työn psyykkinen vaativuus sekä työmäärään, ajankäyttöön, työn sirpaloitumiseen ja työn rajattomuuteen liittyvät kuormitustekijät. Toisaalta asiantuntijoiden työssä on useita työkykyä suojelevia piirteitä kuten vähäinen fyysinen kuormittavuus, vahva työn itsenäisyys ja työn imu sekä merkityksellisyyden kokemus.
Työkyvyttömyyttä mitataan usein sairauspoissaolojen ja työkyvyttömyyseläkkeiden kautta. Asiantuntijatyötä tekevillä, erityisesti ylemmillä toimihenkilöillä, on kaikkiaan pienempi työkyvyttömyyden riski kuin suorittavaa työtä tekevillä, sillä heillä on muita vähemmän tuki- ja liikuntaelinten sairauksien aiheuttamaa työkyvyttömyyttä. Toisaalta mielenterveyden häiriöihin perustuva työkyvyttömyys on toimihenkilöillä yleisempää kuin työntekijäasemassa olevilla, ja asiantuntijoiden mielenterveysperusteinen työkyvyttömyys on viime vuosina ollut kasvussa. Vaikka asiantuntijoilla painottuvat työn psykososiaaliset kuormitustekijät, asiantuntijoiden työkyvyttömyyden riskitekijät ovat kaikkiaan samankaltaisia kuin muillakin ryhmillä.
Työkyvyttömyysriskeihin ovat yhteydessä monenlaiset yksilöihin, työpaikkoihin ja yhteiskuntaan liittyvät tekijät, joista vahvimmin näyttöä on yksilötason tekijöiden yhteyksistä työkykyyn. Yksilötekijöistä nousevat erityisesti ikä ja elintavat, työpaikkaan liittyvistä tekijöistä erityisesti psyykkisiin työoloihin kuten työn vaatimuksiin ja työn voimavaroihin liittyvät tekijät. Työkyvyttömyysriskeihin voidaan vaikuttaa yhteiskunnan, yksilöiden ja työpaikkojen keinoin. Työkyvyn heikkenemisen ensimmäisiin merkkeihin on puututtava varhain, jotta voidaan ehkäistä pitkäkestoista ja pysyvää työkyvyttömyyttä.
Artikkelin kirjoittajan esittely
Artikkelin kirjoittaja Jenni Blomgren on valtiotieteiden tohtori ja sosiaalipolitiikan dosentti. Hän työskentelee tutkimusprofessorina Kelan tutkimusyksikössä ja on tehnyt pitkään tutkimustyötä työkykyyn, sairauspoissaoloihin, kuntoutukseen ja työkyvyttömyyseläkkeiseen sekä terveyspalveluihin liittyvistä teemoista.
Arvioinnin kohteena ovat työturvallisuuslain (738/2002) psykososiaalista kuormitusta koskevat velvoitteet mukaan luettuna esihenkilöiden perehdyttäminen ja näiden tarkentamisen tarve. Esillä on tässä yhteydessä myös työn eri muodot.
Artikkelissa tarkastellaan työnantajan työturvallisuusvastuun siirtoa ja siihen sisältyvien velvollisuuksien määrittelyä lainsäädännössä ja näitä koskevia muutostarpeita. Siinä arvioidaan, mikä vaikutus esihenkilön työturvallisuus- ja rikosoikeudelliseen vastuuseen ja vastuiden selkiytymiseen olisi, jos psykososiaalisesta kuormituksesta säädettäisiin nykyistä tarkemmin työturvallisuuslaissa ja erillisessä asetuksessa sääntelyvaatimuksineen. Artikkelin piirissä on psykososiaalisen kuormituksen yhteydessä työturvallisuuslain ja rikoslain (39/1889) seuraamusjärjestelmä ja tämän arvioinnin ja muuttamisen tarpeet. Artikkelissa tarkastellaan psykososiaalisen kuormituksen yhteydessä Ruotsin lainsäädännöllisiä ratkaisuja.
Kirjoittajan esittely
Artikkelin on kirjoittanut on Helena Lamponen, OTT, työoikeuden dosentti (HY, TY), LL.M., VT.
Helena Lamponen on erikoistunut työoikeuteen ja on tehnyt pitkän uran Akavan Erityisaloissa lakimiehenä 1989–2010 sekä johtajana ja tiimin vetäjänä 2014–2024. Hän toimi Suomen ensimmäisenä yhteistoiminta-asiamiehenä vuosina 2010–2014. Lamponen toimii nykyisin yrittäjänä.
Keinot työkyvyttömyyden vähentämiseksi vaihtelevat sen mukaan, mistä työkyvyttömyyden vaiheesta puhutaan: onko kyse sairauspoissaolon alkamisesta, sairauspoissaolon pitkittymisestä vai pysyvästä työkyvyttömyydestä.
Työpaikoilla esihenkilöiden merkitys on keskeinen. Työpaikalla tulee olla varhaisen tuen malli ja selkeät käytänteet, jotka tukevat työntekijän paluuta työhön. Näiden laatimisessa työterveyshuollon osaaminen on arvokas tuki työpaikalle. Tämän lisäksi luottamuksen ilmapiiri on tärkeä.
Sairauspoissaolon riskiin vaikuttavat monet tekijät, joista lääketiede selittää vain osan. Jos sairauspoissaoloja halutaan vähentää, työntekijän lisäksi myös työn pitää joustaa nykyistä enemmän. Työssä vaadittavasta koulutuksesta ja siitä maksettavasta palkasta riippumatta meillä jokaisella on tarve tulla kuulluksi ja kohdelluksi yksilönä.
Artikkelin kirjoittaja: Kari-Pekka Martimo
Kari-Pekka Martimo on dosentti, työterveyshuollon ja työlääketieteen erikoislääkäri. Hän toimii osastonjohtajana, työkykyriskien ennakointi ja tutkimus -osastolla työeläkeyhtiö Ilmarisessa. Hänellä on laaja ja monipuolinen kokemus työkykyriskien ennakoinnista, hallinnasta ja tutkimuksesta.
Kokonaistuottavuuden kautta nähdään, miten hyvinvointi, oppiminen ja tuottavuus muodostavat työyhteisössä kokonaisuuden, jota ohjataan strategisella johtamisella. Artikkeli luo katsauksen Suomen sijoittumiseen kansainvälisessä vertailussa. Johtopäätöksissä ehdotetaan keinoja tuottavuuden kasvun vahvistamiseen: esimerkiksi ICT- ja TKI-panostusten lisääminen, osaamisen vahvistaminen ja kokeneempien työntekijöiden pitäminen mukana työelämässä.
Kirjoittaja: Sinimaaria Ranki, johtava asiantuntija, Työterveyslaitos
Sinimaaria Ranki toimii johtavana asiantuntijana Työterveyslaitoksella. Hän on kansantaloustieteilijä. Viime vuosina hän on keskittynyt kokoamaan laaja-alaisesti tutkimustietoa päätöksenteon tueksi tuottavuuden, työssä oppimisen ja työhyvinvoinnin kokonaisuudesta työelämän tulevaisuudennäkymiin peilaten.
Työikäisen väestön keski-ikä nousee Suomessa jatkuvasti, ja etenkin yli 55-vuotiaiden osuus työikäisistä on kasvanut. Samaan aikaan huolta herättävät syntyvyyden voimakas väheneminen ja pienenevien nuorten ikäluokkien lisääntyvät mielenterveyden haasteet (Blomgren, 2024; Tilastokeskus, 2023). Keskimääräinen työuran keston odote 15-vuotiaalle oli vuonna 2023 jo lähes 40 vuotta (Eläketurvakeskus, 2024). Tämä asettaa heikkenevän huoltosuhteen ohella paineita säilyttää työkyky mahdollisimman pitkään pienenevässä työssä käyvien ryhmässä.
Työkykyyn voidaan vaikuttaa myönteisesti työelämässä, mikä vaikuttaa edelleen työurien pituuteen. Esimerkiksi hyvät työolosuhteet ja terveet elintavat vaikuttavat työkykyyn. Työn lisäksi työkykyyn vaikuttavat myös yksilölliset ja muuhun elämään liittyvät tekijät. Työkyky on tärkeä ihmisen työhön osallistumista määrittävä tekijä muuttuvassa työelämässä. Työntekijöiden itsensäkin kannattaa tavoitella hyvää työkykyä työuransa aikana, sillä työhön osallistuminen lisää terveyttä ja hyvinvointia ja edelleen eläkeiän elämänlaatua (Brady ym., 2020; Ilmarinen, 2009). Työkyky ennustaa myös työhön liittyviä asenteita, työn imua, työssä suoriutumista ja hyvinvointia.
Työkyky on yksilöpainotteinen käsite
Työkyvyllä tarkoitetaan usein työntekijän fyysistä, psyykkistä ja sosiaalista toimintakykyä sekä terveyttä, joihin nojaten työntekijä kykenee suorittamaan työtehtävänsä (Cadiz ym., 2019). Vaikka terveys muodostaa työkyvyn kivijalan, työkyvyn kannalta olennaista on myös, että työntekijällä on työn suorittamiseen tarvittavat tiedot ja taidot eli osaaminen, motivaatio tehdä työtä sekä työolosuhteet, jotka tukevat hänen työssä suoriutumistaan ja hyvinvointiaan. Tämän yksilölähtöisen määritelmän mukaan työkyvyssä on siten keskeistä tasapaino työntekijän terveyden ja toimintakyvyn, osaamisen, motivaation ja työolojen sekä työn ja työelämän vaatimusten välillä työhön osallistumisen mahdollistamiseksi (ks. kuvio 1 Työkykytalo).
Kuvio 1. Työkykytalo, Työterveyslaitos.
Työkykyä ajatellaan usein yksilöstä lähtien sen puuttumisen tai heikentymisen kautta eli työkyvyttömyyden käsitteen kautta. Työkyvyttömyydellä viitataan puolestaan terveyden tai toimintakyvyn heikkenemiseen. Sairausvakuutusjärjestelmän määritelmän mukaan työkyvyttömyyden kriteerinä on aina sairaus, vika tai vamma, mikä on ymmärrettävästi vaikuttanut työkyvyn käsitteen merkitykseen. Kansallisia rekisterejä hyödyntävässä tutkimuksessa sairauden ja työkyvyttömyyden ilmeneminen sairauspoissaoloina tai työkyvyttömyyseläkkeinä sekä näiden ennustaminen on vakiintunut tapa tarkastella työkykyä.
Väestötasolla työkykyä on usein arvioitu Työkykyindeksin (Tuomi ym., 1997) yhdellä kysymyksellä nykyisestä työkyvystä suhteessa omaan elinikäiseen parhaimpaan työkykyyn. Tämä kysymys sisältää ikänäkökulman ja vastaajan oman näkemyksen siitä, mitä työkyky tarkoittaa (Cadiz ym., 2019). Tutkimuksista tiedetään, että yleisesti ottaen itse arvioitu työkyky laskee iän myötä (Brady ym., 2020; Cadiz ym., 2019).
Työelämän muuttuessa lähes kaikki työtehtävät vaativat nykyisin tietojen ja taitojen jatkuvaa päivittämistä, mikä korostaa erityisesti osaamisen ja motivaation merkitystä työkyvyn keskeisinä osa-alueina. Osaamisesta ja motivaatiosta puhutaan kuitenkin harvoin työkyvyn osana. Esimerkiksi työssä oppiminen näyttää olevan yhteydessä työssä jatkamiseen (systemaattinen katsaus Shiri ym., 2023).
Työkyvyn käsite on joissain määritelmissä laajentunut kattamaan työhön osallistumista laajemmin määrittävät olosuhteet (Ilmarinen ym. 2006; Lederer, 2014). Tällöin ajatellaan, että työkykyyn vaikuttavat myös ympäristön ja yhteiskunnan erityispiirteet sekä lähiyhteisöt ja omat elämäntapahtumat. Esimerkiksi McGonagle ja kollegat (2021) osoittivat tutkimuksessaan, että yksityiselämän ongelmat ja taloudelliset huolet vaikuttivat merkittävästi heikentyneen työkyvyn kokemukseen.
Työntekijän ikääntyminen ei välttämättä merkitse työkyvyn heikkenemistä
Työkyky voi vaihdella työuran aikana ja siihen voivat vaikuttaa monet tekijät kuten sairastuminen, ikääntyminen, työelämän muutokset esimerkiksi osaamisvaatimuksissa ja henkilökohtaiset elämäntilanteet.
Työntekijän ikääntymisen ajatellaan usein vaikuttavan kielteisesti hänen työkykyynsä. Taustalla on näkemys, että ikääntymisen myötä työntekijän fyysinen ja kognitiivinen toimintakyky heikkenevät ja monet työkykyä heikentävät sairaudet yleistyvät, mikä altistaa työntekijän suuremmalle kuormittuneisuudelle työssä ja johtaa edelleen heikompaan työkykyyn. Kuten edellä todettiin, näkemys voi kummuta myös siitä, että tutkimuskirjallisuudessa työkykyä tarkastellaan yleisimmin yksilön henkilökohtaisena kokemuksena siitä, millainen hänen työkykynsä on tutkimushetkellä verrattuna siihen, mitä hänen työkykynsä on ollut parhaimmillaan (Cadiz ym., 2019). On luonnollista, että tällöin useimmat työntekijät raportoivat heikkenemistä tapahtuneen ikääntymisen myötä (Van den Berg ym., 2009), erityisesti jos työ on ollut fyysisesti kuormittavaa.
Viimeisin väestötutkimus Terve Suomi osoittaa esimerkiksi, että yli 55-vuotiaiden työntekijöiden arviot omasta koetusta työkyvystään olivat heikompia kuin nuoremmilla työntekijöillä. Lisäksi itsensä täysin tai osittain työkyvyttömäksi kokevien osuus kasvoi 55 ikävuoden jälkeen (Koponen ym., 2023). Huomionarvoista on kuitenkin, että kaksi kolmasosaa 55–64-vuotiaista arvioi itsensä täysin työkykyisiksi (Koponen ym., 2023). Lisäksi iällä ei ollut juurikaan merkitystä, kun vastaajia pyydettiin arvioimaan sitä, uskooko hän terveytensä puolesta pystyvänsä työskentelemään vanhuuseläkkeelle asti (Väänänen ym., 2024). Toisin sanoen työkyky ei välttämättä aina heikkene iän myötä. Kuitenkin yksilölliset erot työkyvyn kokemuksessa voivat olla suuria.
Yli 50-vuotiaat voivat työssään jo nuorempia ikäryhmiä paremmin
Viimeaikaiset suomalaiset tutkimukset osoittavat yli 50-vuotiaiden työntekijöiden voivan työssään paremmin kuin nuoremmat ikäryhmät. Esimerkiksi Työn Suomi -väestötutkimus (Väänänen ym., 2024) ja Työterveyslaitoksen Miten Suomi voi? -tutkimukset osoittavat, että työssä uupumisoireilua esiintyy yli 50-vuotiaiden ikäryhmässä vähemmän kuin alle 34-vuotiaiden ikäryhmässä. Näissä tutkimuksissa työn imua usein kokevien osuus oli vanhemmassa ikäryhmässä suurempi kuin nuorimmassa ikäryhmässä. Väestötutkimuksessa (Väänänen ym., 2024) yksi todennäköisimmin työuupumuksesta kärsivistä ryhmistä oli alle 35-vuotiaat naiset (14 prosenttia, koko väestössä 9 prosenttia). Lisäksi osoitettiin, että alle 35-vuotiaat palautuivat työstä vanhempia ikäryhmiä heikommin.
Sairauspoissaoloissa on puolestaan nähtävissä ikäryhmien välisten erojen kapeneminen. Työterveyslaitoksen viimeisimmässä Kunta10-tutkimuksessa ilmenee yli 50-vuotiaiden sairauspoissaoloissa aleneva trendi, ja nuoremmassa, alle 30-vuotiaiden ikäryhmässä, trendi on päinvastainen (ks. kuvio 2). Ikäryhmittäin vertailtuna alle 30-vuotiailla työntekijöillä oli vuonna 2023 kaikkein eniten sairauspoissaoloja. Samanlainen kehityssuunta sairauspoissaoloissa on ollut nähtävissä myös Kelan ja Kevan tilastoissa.
Kun tarkastellaan työkyvyttömyyseläkkeelle johtaneita syitä, havaitaan niissä myös selkeä yhteys ikään: yli 55-vuotiailla yleisin syy olivat tuki- ja liikuntaelinsairaudet ja alle 55-vuotiailla puolestaan mielenterveyden häiriöt (Eläketurvakeskus, 2024; Työeläkeyhtiö Ilmarinen, 2024).
Ikääntyminen tuo usein tullessaan myös parempia voimavaroja työssä
Voimavaroja kuluttavan näkökulman vastapainona ikääntymisen voidaan nähdä kerryttävän työntekijän henkilökohtaisia ja työhön liittyviä voimavaroja, kuten osaamista, vaikutusmahdollisuuksia työssä, stressinsäätelykeinoja ja elämänhallintaa ja siten edistävän työkykyä. Voimavarojen merkitys työkyvyn tukijana on kahtalainen: ne suojaavat kuormittavissa tilanteissa työntekijän hyvinvointia ja toisaalta auttavat hankkimaan työssä uusia voimavaroja.
Työn Suomi -väestötutkimus (Väänänen ym., 2024) ja Työterveyslaitoksen Miten Suomi voi? -tutkimus vuodelta 2023 osoittivat esimerkiksi, että mitä vanhemmasta työntekijästä oli kysymys, sitä enemmän hänellä on työssään kokemuksensa mukaan hyvinvointia tukeavia voimavaroja, kuten itsenäisyys ja pystyvyys ja sitä vähemmän hyvinvointia kuormittavia tekijöitä, kuten työn ja muun elämän konfliktit tai tunnetyön kuormitus).
Ikääntyminen muokkaa tavoitteita ja motivaatiota työssä
Ikääntyminen vaikuttaa siihen, millaisia tavoitteita, työn piirteitä tai resursseja työntekijä työssään arvostaa ja mikä häntä työssä motivoi (SOC-teoria: Baltes & Baltes, 1990; Baltes ym., 1999). Siten ajatus, että työntekijän motivaatio työhönsä heikentyisi hänen ikääntyessään, ei pidä paikkaansa. Pikemminkin voidaan todeta, että motivaation kohteet ja sitä ylläpitävät tekijät voivat muuttua. Kansainväliset tutkimukset (mm. meta-analyysi Kooij ym., 2011) osoittavat, että siinä missä nuorempien motivaatio työssä suuntautuu yleensä voimakkaammin uuden oppimiseen, ammattitaidon kehittämiseen ja uralla etenemiseen, vanhempia työntekijöitä motivoi erityisesti mahdollisuus hyödyntää työssä kokemustaan ja osaamistaan, työn itsenäisyys ja mahdollisuus saavuttaa työssä tärkeinä pidettyjä tavoitteita sekä organisaation että yhteiskunnan tasolla. Tämä asettaa puolestaan vaatimuksia ikäjohtamiselle sekä työtehtävien ja työnkuvien muokkaukselle.
Samaan tapaan eri-ikäiset työpaikalla saattavat hyötyä erilaisista työkyvyn tuen keinoista. Esimerkiksi kunta-alalla toteutettu kvasikokeellinen tutkimus psykososiaalisten tekijöiden vaikutuksesta pitkiin sairauspoissaoloihin osoitti, että yli 50-vuotiailla työntekijöillä työn vaatimusten pieneneminen vähensi sairauspoissaoloja 13 prosenttia ja työn hallinnan vahvistui 12 prosenttia. Nuoremmilla työntekijöillä (alle 50-vuotiailla) puolestaan työn palkitsevuuden lisääntyminen vähensi tulevia sairauspoissaoloja 17 prosenttia (Shiri ym., 2023a).
Työssä suoriutuminen ei heikkene ikääntymisen myötä
Ikääntymisen ja työssä suoriutumisen yhteys näyttää vaihtelevan sen mukaan, millaisesta työssä suoriutumisesta ja työtehtävästä kulloinkin on kyse. Useassa tutkimuksessa on kuitenkin havaittu, että yli 50-vuotiaiden työssä suoriutumisen ja työmotivaation kannalta tärkeää on erityisesti se, että työ tarjoaa edelleen uusia haasteita, kehittymismahdollisuuksia ja mahdollisuuksia käyttää omaa ydinosaamistaan (Karanika-Murray ym., 2024; Damman ym., 2013). Työssä kehittymismahdollisuuksien on puolestaan osoitettu olevan yhteydessä vahvempaan työhön sitoutumiseen ja työhön osallistumiseen (Shiri ym., 2023b).
Työn Suomi -tutkimuksen (Väänänen ym., 2024) tulokset tukivat havaintoja iän ja työssä suoriutumisen myönteisestä yhteydestä: yli 50-vuotiaista 77 prosenttia arvioi työsuorituksensa hyväksi, kun vastaava luku 20–34-vuotiaiden joukossa oli 66 prosenttia.
Työpaikat työkyvyn edistämisen areenoina
Työpaikoilla voidaan tehdä paljon työkyvyn tukemiseksi ja työurien kestävyyden varmistamiseksi. Työpaikkoja koskeva lainsäädäntö velvoittaa työnantajia ja vastuuttaa työntekijöitä itseään huolehtimaan terveellisestä ja turvallisesta työympäristöstä.
Erityisesti psykososiaalisten työn piirteiden kohdalla työkykytalo-mallin tasapainoajatus työn vaatimusten ja voimavarojen ja työntekijän kykyjen ja voimavarojen yhteensovittamisesta sopii hyvin lähtökohdaksi käytännön toimien suunnittelemiselle työpaikoilla. Myös viimeaikaiset lainsäädäntömuutokset esimerkiksi työturvallisuuslaissa kohdistavat huomiota yksilöllisten tekijöiden huomioimiseen sopivaan työkuormitukseen pyrittäessä.
Työkyky- ja työurajohtaminen
Työkyvystä voidaan työpaikalla huolehtia esimerkiksi työkykyjohtamisen periaatteiden mukaisesti. Siihen liittyy järjestelmällinen tapa toimia: asettaa tavoitteita, tehdä suunnitelmia, toteuttaa toimenpiteitä, seurata niiden toteutumista ja johtaa tiedolla. Työterveyshuolto on työpaikan keskeinen kumppani erityisesti terveydellisten vaikutusten arvioinnissa ja työkyvyttömyyden ennaltaehkäisyssä. Työkykyjohtamisessa voidaan kuitenkin huomioida ennaltaehkäisyn kaikki vaiheet eli myös työn ja työympäristön kehittäminen niin, ettei työhön tai työssä suoriutumiseen liittyviä ongelmia pääse syntymään. Toisaalta on tärkeää tunnistaa mahdolliset riskit ja voimavaratekijät työssä sekä seurata ihmisten omaa työhyvinvointia, osaamista ja motivaatiota.
Työurajohtaminen lisää työkykyjohtamiseen työntekijän ja kestävän työuran näkökulman. Työurajohtamisen ydinajatuksena on työntekijän ja työpaikan tavoitteiden yhteensovittaminen ja eri-ikäisyyden, työurasiirtymien sekä yksilöllisyyden huomioiminen toiminnassa. Kun työpaikalla on tietoa työuran eri vaiheista ja eri-ikäisten johtamisesta, työkyvyn tuen toimenpiteitä voidaan myös tarvittaessa suunnata esimerkiksi ikäryhmän tai työuran vaiheen mukaan.
Työkyvyn edistämisen vaikuttavat toimenpiteet työpaikoilla
Työkykyyn vaikuttavista tukitoimista tai interventioista on vähemmän tietoa kuin tekijöistä, jotka ovat yhteydessä työkykyyn tai työkyvyttömyyteen tai ennustavat niiden kehitystä. Lisäksi suurin osa interventiotutkimuksista on kohdistunut yksilöön eikä työpaikkatasoon. Tuoreen tutkimusraportin (Ervasti ym., 2022) mukaan seuraavien toimenpiteiden vaikutuksista terveyteen ja työkykyyn oli vahvinta tutkimusnäyttöä: terveellisten elintapojen edistäminen, korvaavan työn malli tai työn muokkaus, osasairauspäiväraha, yksilölähtöinen stressinhallinta ja eräät yksilöpsykoterapian muodot. Katsauksen tehneiden tutkijoiden mukaan on näyttöä myös joidenkin työyhteisöön kohdistuvien toimien myönteisistä vaikutuksista. Yksi näistä oli psykososiaalisen työympäristön kehittäminen, jolla tarkoitetaan esimerkiksi työn johtamisen, organisoinnin ja yhteistyön sujuvoittamista ja joka on tutkimuksissa vaikuttanut myönteisempiin arvioihin esihenkilöiden toiminnasta, tiedonkulusta työyksikössä tai omasta hyvinvoinnista. Suora näyttö työkyky- ja terveysvaikutuksista on kuitenkin riittämätöntä. Katsauksesta tehdyn politiikkasuosituksen mukaan parhaaseen lopputulokseen päästään kuitenkin todennäköisemmin yhdistämällä erilaisia toimia (Ervasti ym., 2022a, 2022b).
Työurien pidentäminen ikääntyvässä yhteiskunnassa
Työurien pidentämisen tavoite ei ole uusi, sillä ikääntyvän väestön osuus on noussut Suomessa poikkeuksellisen voimakkaasti jo pitkään. Väestörakenteen kehityksen kääntäminen vaikuttaa haastavalta, joten työkykyisen työikäisen väestön turvaaminen on kansantaloudelle erittäin tärkeää. Työelämään vaikuttavat monet muutosvoimat kuten teknologinen kehitys ja digitalisaatio, lisääntyvä epävarmuus ja osaamisen kehittämisen vaatimukset. Lisäksi työelämään sosiaalisena ympäristönä vaikuttavat yleistyvä hybridityö, työn ja yksityiselämän yhteensovittamisen vaikeudet ja monimuotoistuvat työyhteisöt. Ne haastavat työpaikkoja olemaan ajan tasalla siinä, millaisia kuormitustekijöitä työelämässä pitäisi hallita ja toisaalta siinä, mitä voimavaroja on käytettävissä tai mitä pitäisi vahvistaa hyvinvoinnin takaamiseksi.
Tarvitsemme kestäviä työuria, jotka myös kestävät pitkään. Työelämän ja toimintaympäristön nopea muutos vaativat työkyvyn edistämistä monipuolisesti ja monia keinoja käyttäen. Työelämä on tärkeä ympäristö työkyvyn edistämisessä jatkossakin.
Laajan työkykymääritelmän ja työelämän tuottavuuden lisäämisen tavoitteiden valossa olisi tärkeää nähdä hyvä työkyky myös sen tuottavuuspotentiaalin kautta. Jos työkyvyttömyyden kustannuksia pystytään hallitsemaan paremmin eli poistamaan siitä aiheutuvia kuluja yhteiskunnalle, ollaan vasta puolimatkassa tuottavuuteen. On lisäksi tärkeä kysyä, miten saataisiin enemmän huomiota hyvän tai erinomaisen työkyvyn ja tuottavuuden luomaan lisäarvoon? Tätä voidaan nimittää yhteiskunnan tasolla esimerkiksi työpotentiaaliksi, mikä tarkoittaa sitä käytössä olevaa työpanosta ja sen tuottamaa arvoa, jota voisi olla käytettävissä, jos työkyky olisi hyvä ja olosuhteet olisivat suotuisia (Joensuu & Henriksson, 2023).
Työkyvyn tutkimukseen tarvittaisiin monipuolisempaa tutkimusinstrumenttia, joka tavoittaa työkyvystä myös muita kuin terveysulottuvuuksia ja toisaalta kuvaisi paremmin nimenomaan myönteistä työkykyä työkyvyttömyyden sijaan. Näin saataisiin lisää tietoa siitä, miten hyvää työkykyä voidaan edistää vaikuttavasti.
Lähteet
Baltes, P., & Baltes, M. (1990). Psychological Perspectives on Successful Aging: The Model of Selective Optimization with Compensation. Teoksessa P. Baltes, & M. Baltes (toim.), Successful Aging: Perspectives from the Behavioral Sciences (s. 1–34.). New York: Cambridge University Press.
Baltes, P., Staudinger, U., & Lindenberger, U. (1999). Lifespan psychology: theory and application to intellectual functioning. Annu Rev Psychology, 50, 471–507. doi: 10.1146/annurev.psych.50.1.471. PMID: 15012462.
Blomgren, J. (2024). Mielenterveysongelmat veivät jo yli 100 000 suomalaista pitkälle sairauspoissaololle vuonna 2023. Tietotarjotin. Kela.
Brady, G., Truxillo, D., Cadiz, D., Rineer, J., Caughlin, D., & Bodner, T. (2019). Opening the black box: Examining the nomological network of work ability and its role in organizational research. Journal of Applied Psychology, 105, 637–670.
Cadiz, D., Grant, B., Rineer, J., & Truxillo, D. (2018). A Review and Synthesis of the Work Ability Literature.
Damman, M., Henkens, K., & Kalmijn, M. (2013). Late-career work disengagement: the role of proximity to retirement and career experiences. Journals of Gerontology, Series B: Psychological Sciences and Social Sciences, 68, 455–463.
Ilmarinen, J., Gould, R., Järvikoski, A., & Järvisalo, J. (2006). Työkyvyn moninaisuus. Teoksessa R. Gould, J., Ilmarinen, J., Järvisalo, & S. Koskinen (toim.) Työkyvyn ulottuvuudet. Terveys 2000-tutkimuksen tuloksia, ss. 17–34.
Karanika-Murra, M., Van Veldhoven, M., Michaelides, G., Baguley, T., Gkiontsi, D., & Harrison, N. (2024). Curvilinear Relationships Between Age and Job Performance and the Role of Job Complexity. Work, Aging and Retirement, 10, 156–173.
Koponen, P., Koskinen, S., Sainio, P., Joensuu, M., & Puttonen, S. (2023). Työkyky. Teoksessa: Terve Suomi -työryhmä (2023). Terve Suomi -tutkimuksen 2022–2023 ilmiöraportit. [Verkkosivu]. Saatavilla: Työkyky. Viitattu 26.9.2024
Kooij ym. (2011). Age and work-related motives. Results of a meta-analysis. Journal of Organizational Behavior, 32, 192–225.
Lederer, V., Loisel, P., Rivard, M. & Champagne, F. (2014). Exploring the diversity of conceptualizations of work (dis)ability: A scoping review of published definitions. Journal of Occupational Rehabilitation, 24, 242–267.
McGonagle, A., Bardwell, T., Flinchum, J. & Kavanagh, K. (2022). Perceived work ability: A constant comparative analysis of worker’s perspectives. Occupational Health Science, https://doi.org/10.1007/s41542-022-00116-w
Shiri, R., Mattila-Holappa, P., Kauppi, M., Aalto, V., Oksanen, T. & Ervasti, J. (2023a). How does lowering psychosocial risks influence sickness absence? A prospective cohort study analyzed a s a quasi-experiment. European Journal of Public Health, 34, 1, 136–142.
Shiri, R., El-Metwally, A., Sallinen, M., Pöyry, M., Härmä, M. & Toppinen-Tanner, S. (2023b) The Role of Continuing Professional Training or Development in Maintaining Current Employment: A Systematic Review. Healthcare, 11(21), 2900; https://doi.org/10.3390/healthcare11212900
Tilastokeskus. (2023). Väestörakenne. Helsinki: Tilastokeskus. Saatavilla: Väestö ja yhteiskunta.
Tuomi, K., Ilmarinen, J, Jahkola, M ym. (1997) Työkykyindeksi. 2. korj. painos. Työterveyshuolto 19. Helsinki, Työterveyslaitos.
Van den Berg, T., Elders, L., Zwart, B., & Bufdorf, A. (2009). The effects of work-related and individual factors on the work ability index: A systematic review. Career Developmental International, 13, 85–94.
Väänänen, A., Toivanen, M., Selander, K., Joensuu, M., & Airaksinen, J. (2024). Työn Suomi – Työolot, työkyky ja työhyvinvointi Terve Suomi -tutkimuksessa. Helsinki: Työterveyslaitos.
Tämä on Akava Works -artikkeli 11/2024.
Kirjoittajat ovat johtaja Salla Toppinen-Tanner ja erikoistutkija Mervi Ruokolainen, jotka työskentevät Työterveyslaitoksella.
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.
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.
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.
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.
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.
Tekoälyä on tutkittu yli 60 vuotta, ja monia tekoälysovelluksia on ollut jo kauan käytössä. Kasvojen-, äänen- ja tekstintunnistusohjelmat ovat vakiintuneita sovelluksia, jotka ainakin osittain perustuvat koneoppimismenetelmiin. Kuitenkin viime vuonna tekoäly nousi uudella tavalla pinnalle luovien eli generatiivisten mallien myötä. Erityisesti laajat kielimallit, kuten ChatGPT, Google Bard ja kuvamallit, esimerkiksi Midjourney ja Stable Diffusion, ovat siivittäneet keskustelua. Kyseiset sovellukset ovat olleet erittäin näyttäviä ja ne ovat herättäneet paljon pöhinää. Kuitenkin keskustelussa on tärkeää pitää mielessä, että näissä malleissa niin kuin kaikissa tekoälysovelluksissa, on omat rajoituksensa. Näitä malleja voi väärinkäyttää siinä missä muutakin uutta teknologiaa.
Mitä tekoäly on?
Jotta voisimme tarkastella koneoppimisen heikkoja puolia, olisi hyvä aluksi kerrata, miltä tyypillinen tekoälymalli näyttää. Tarkastellaan yksinkertaista, mutta usein käytettyä, tekoälymallia, jolla suodatetaan roskasähköpostia. Tämä malli sisältää joukon sanoja ja siinä jokaisella sanalla on paino eli jokin luku: positiivinen numero tarkoittaa, että sana esiintyy usein normaaleissa sähköposteissa, ja negatiivinen numero tarkoittaa, että sana esiintyy usein roskasähköposteissa. Tuntemattomat sanat saavat painoksi nollan. Luokitin arvioi sähköpostia tarkastelemalla viestin sanoja. Tämä tehdään laskemalla yhteen viestin sanojen painot. Jos summa on positiivinen, viesti arvioidaan normaaliksi. Jos summa on negatiivinen, viesti arvioidaan roskasähköpostiksi.
Kyseisen mallin työläin prosessi on sanojen painojen määrittely. Tämä voidaan tehdä käsin, mutta parempia tuloksia saadaan nopeammin, jos painot valitaan tietokoneen avulla. Tämä tehdään valitsemalla tarkoitukseen sopiva koulutusaineisto, sopiva optimointikriteeri ja sopiva algoritmi, joka optimoi valittua kriteeriä.
Tietokoneen osuus mallintamisesta on siis optimoida painot eli mallien muuttujat eli parametrit, ja mallintajan osuus on mallin, aineiston, optimointikriteerin ja -algoritmin valinta. Mallintajan eli ihmisen merkitys usein unohtuu, kun puhutaan tekoälysovelluksista, vaikka hänen päätöksillään on huomattava vaikutus sovelluksen suorituskykyyn. Mallintajia tarvitaan, koska ei ole olemassa yleistä tekoälymallia, eli sellaista mallia, joka soveltuisi jokaiseen ongelmaan. Esimerkiksi kielimalli ei sovellu kuvien luomiseen, vaan siihen tarvitaan oma malli.
Vaikka edellä mainittu esimerkki on yksinkertainen, kaikki tekoälysovellukset noudattavat samaa periaatetta. Ongelma muotoillaan optimointiongelmaksi määrittelemällä mallin ja sen parametrien lisäksi, miten mallin toimivuutta mitataan ja millä tavalla parametreja optimoidaan.
Jos ongelma on monimutkainen, kuten esimerkiksi tekstin mallinnus, mallin pitää olla joustava. Joustavissa malleissa on hyvin monta parametria: esimerkiksi ChatGPT 4.0:n malliparametrien yhteismäärän on arvioitu olevan 1,76 triljoonaa. Isojen mallien käytössä kuitenkin esiintyy aina useita ongelmia. Ensinnäkin mallien kouluttaminen, tallentaminen ja käyttö kuluttaa paljon resursseja. Toiseksi joustavat mallit ovat herkkiä ylioppimiselle, jossa opetusaineistossa esiintyvä kohina vaikuttaa voimakkaasti mallin päätöksentekoon. Kolmanneksi isoja malleja on käytännössä mahdotonta tutkia käsin. Ne ovat ikään kuin mustia laatikkoja, joiden tehokkuutta voi ainoastaan arvioida tilastollisella analyysilla, mutta joiden päätöskriteerien loogisuutta on mahdotonta analysoida. Tämä myös tarkoittaa sitä, että jos huomataan, että malli käyttäytyy väärällä tavalla, mallin korjaaminen ei onnistu kovin helposti.
Tekoälyn rajoitukset
Tarkastellaan seuraavaksi tekoälyn rajoituksia.
Koneoppimisen asiantuntijoiden keskuudessa liikkuu seuraava urbaani legenda: Yhdysvaltain armeija päätti rakentaa luokittimen, joka pystyisi erottelemaan Yhdysvaltain ja Neuvostoliiton tankit satelliittikuvista. Luokitin saatiin tehtyä ja se toimikin testiaineistolla erittäin hyvin. Mutta lisätestien jälkeen sen huomattiin olevan täysin kelvoton. Koulutusaineistossa kaikki Yhdysvaltain tankit oli valokuvattu päivällä ja Neuvostoliiton tankit oli valokuvattu yöllä. Luokitin olikin oppinut tunnistamaan päiväsajan eikä tankkeja kuvista.
Kuten urbaaneilla legendoilla on tapana olla, kyseistä tapausta ei todennäköisesti tapahtunut tai ainakaan siitä ei ole uskottavaa dokumentaatiota. Kuitenkin tällä koulutusaineistolla ja melkein millä tahansa mallilla näin kävisi. Koneoppimisalgoritmi nimittäin ei tiedä, haluaako käyttäjä mallintaa päiväsaikaa vai tankkeja. Kun päiväsaika on helpompi ongelma, algoritmi keskittyy ratkaisemaan sen. Mallintajan pitää siis ottaa tämä huomioon ja joko korjata koulutusaineisto tai muokata mallia.
Tiedeyhteisössä on paljon esimerkkejä siitä, että rakennettu malli on tehnyt jotain muuta kuin on alun perin haluttu. Koronapandemian takia ajankohtainen luokitteluongelma on taudin diagnosointi keuhkoröntgenkuvista. Tätä varten eräs suosittu aineisto koostuu toisaalta keuhkokuumetta ja toisaalta koronapotilaiden keuhkokuvista. Kuitenkin tässä koulutusaineistossa keuhkokuumepotilaat olivat lapsia ja koronapotilaat aikuisia, jolloin tällä aineistolla koulutettu luokitin saattoikin ennustaa potilaan iän taudin sijasta [21]. Tämän lisäksi Maguolo ja Nanni [16] näyttivät, että vaikka yleisesti käytetyistä röntgenkuva-aineistoista olisi sensuroitu olennainen tieto, eli itse keuhkokuvat, kuvista rakennettu koronaluokitin silti pääsee hyviin tuloksiin.
Pedreshi et al. [20] tutkivat luottoluokitusaineistoa ja näyttivät, että aineistossa esiintyvää syrjintää esiintyy myös aineiston päälle rakennetussa luokittimessa. Malli oli siis oppinut syrjimään aineiston pohjalta. Tämän lisäksi tutkijat näyttivät, että ei riitä, että poistaa aineistosta piirteet, joita voi käyttää syrjimiseen, kuten esimerkiksi iän tai sukupuolen: malli nimittäin pystyi päättelemään poistettujen piirteiden arvot muista piirteistä tietyllä tarkkuudella. Tällainen epäsuora syrjintä edeltää tekoälyä. Kuuluisa esimerkki tästä on yhdysvaltalaisen asuntolainayhdistyksen (HOLC) 1930-luvulla laatima asuinalueiden luokittelu: tietyt alueet olivat yhdistyksen mukaan verrattain riskittömiä asuntolainakohteita, ja jotkin alueet enemmän riskikkäitä. Tämä luokittelu johti siihen, että asuntolainan saaminen oli vaikeampaa joillain alueilla. Näillä alueilla asui pääsääntöisesti vähemmistöjen edustajia. Toisin sanoen käyttämällä pelkästään osoitetietoja pystyttiin syrjimään vähemmistöjä. Muun muassa tämän ilmiön takia tekoälytutkimuksessa on viime aikoina kehitetty järjestelmiä, jotka ottavat syrjinnän huomioon [1].
Laajoja kielimalleja on koulutettu valtavalla määrällä aineistoa tavoitteena matkia ihmisen tuottamaa tekstiä. Toisaalta näitä malleja on markkinoitu uudenlaisina hakukoneina, ja niitä käytetään etsimään tietoa. Nimenomaan tämä koulutuksen ja todellisen käytön ero voi olla ongelmallinen, koska kielimallit voivat tuottaa virheellistä tietoa.
Kielimallien virheet juontavat juurensa kahdesta lähteestä.
Ensinnäkin itse koulutusaineistossa voi olla vinoumia. Esimerkiksi, kielimallit ovat tuottaneet väärää terveystietoa, joka on perustunut rasistisiin käsityksiin [19]. Varhainen versio ChatGPT:sta on myös, pyydettäessä, tuonut esiin maita, joiden asukkaita voi kiduttaa [4]. Tämä tulos on erittäin ongelmallinen, erityisesti koska kielimalleilla voivat olla laajaa vaikutusta. Moni pitää vaikkapa Microsoftin tai Googlen hakupalvelun tarjoamaa vastausta paljon uskottavampana kuin yksittäisten käyttäjien viestejä sosiaalisessa mediassa. Lähdekritiikki on mahdotonta, jos alkuperäinen lähde ei ole tiedossa.
Toiseksi kielimallit saattavat johtaa harhaan antamalla täysin vääriä vastauksia. Esimerkiksi kielimallit eivät pärjää kovin hyvin matematiikkatehtävissä [7]. Mallit voivat myös tuottaa väärää tietoa. Yhdysvalloissa ainakin kahdessa tapauksessa lakimiehet ovat jääneet kiinni kielimallien käytöstä, osittain sen takia, että kielimallit olivat tuottaneet tekaistuja ennakkotapauksia [27].
Tekoälyn huijaaminen
Valtaosa koneoppimismenetelmistä olettaa, että aineiston lähde ei ole tietoinen luokittimesta eikä yritä huijata sitä. Luokittimia on kuitenkin usein mahdollista kiertää.
Tarkastellaan aluksi aikaisemmin esitettyä roskasähköpostiluokittelijaa. Helpoin tapa kiertää kyseinen luokittelija on käyttää vaihtoehtoisia kirjaimia, esimerkiksi Unicode-merkistöistä löytyy merkkejä, jotka näyttävät samanlaisilta, mutta joilla on eri koodi. Toinen suoraviivainen tapa on lähettää teksti kuvana. Tässä ei hyökätä varsinaisesti mallia vastaan, vaan esikäsittelyprosessia vastaan. On kuitenkin tärkeää pitää mielessä, että järjestelmä on yhtä heikko kuin sen heikoin lenkki.
Hienostuneempi hyökkäys käyttää mallin painoja hyväksi. Jos hyökkääjä tuntee sanojen painotukset, hän voi vältellä negatiivisia sanoja ja sirotella positiivisia sanoja viestin sekaan. Tällöin luokitin päättelee, että viesti ei olekaan roskapostia.
Samanlaisia hyökkäyksiä voidaan tehdä monimutkaisempia luokittimia vastaan. Hyökkäyksiä, jossa hyökätään kuvien luokittelua vastaan, on tutkittu erityisen paljon. Ne saattavat perustua siihen, että luokittimen suunnittelussa ei ole otettu kaikkia tilanteita huomioon. Esimerkiksi sotkemalla liikennemerkki saadaan luokitin luulemaan, että merkissä lukeekin jotain muuta. Ihminen kuitenkin huomaa heti, että kyltissä on jotain vikaa, koska ihminen tietää, miltä oikea liikennemerkki näyttää. Luokitin ei voi päätellä samalla tavalla, ellei sitä ole erikseen koulutettu siihen.
Monimutkaiset luokittimet, erityisesti kuvaluokittimet, toimivat eri tavalla kuin ihmiset. Nämä luokittimet päättelevät yksittäisistä pikseliarvoista, mitä kuvassa näkyy. Muuttamalla pikseliarvoja voidaan huijata luokitinta tavalla, joka ei olisi mahdollista, jos tulkinnan olisi tekemässä ihminen. Esimerkiksi Sharif et al. [23] saivat laittamalla erityiset lasit päähänsä luokittimen luulemaan, että kuvassa onkin tietty julkisuuden henkilö. Toisena absurdina esimerkkinä Athalye et al. [3] tulostivat 3D-tulostimella kilpikonnan, jonka Googlen kehittämä kuvaluokitin luokitteli kivääriksi.
On hyvää pitää mielessä, että näissä tapauksissa varsinaisen hyökkäyksen, esimerkiksi silmälasien suunnittelun, tekee varta vasten tähän tarkoitukseen suunniteltu algoritmi. Toisin kuin roskapostiesimerkissä hyökkäys ei onnistu ilman koneen apua. Tämän lisäksi nämä hyökkäykset ovat aina räätälöityjä tiettyä luokitinta vastaan. Sama kuvamanipulaatio ei siis toimi useaa luokitinta vastaan. Jotta hyökkääjä voi toteuttaa hyökkäyksen, hänellä pitää olla pääsy luokittimeen. Ihannetapauksessa hyökkääjä tietää mallin rakenteen ja muuttujat, esimerkiksi siinä tapauksessa, että malli on julkinen. Toisessa tapauksessa hyökkääjä ei tiedä mallin muuttujia, mutta hän pystyy käyttämään mallia esimerkiksi rajapinnan kautta, jolloin hän voi päätellä muuttujat kyselyiden avulla. Tässäkin tapauksessa hyökkäys onnistuu, mutta hyökkäysalgoritmi on monimutkaisempi ja kuluttaa enemmän resursseja.
Edellä mainituissa esimerkeissä hyökkäys tehtiin luokitteluvaiheessa. Jos hyökkääjällä on pääsy opetusaineistoon, muuttamalla sitä hän pystyy vaikuttamaan luokittimen päättelyyn. Tällainen aineiston myrkytys voi tulla erityisen ajankohtaiseksi, jos kielimalleja aletaan käyttää tietolähteinä, koska mallit on koulutettu julkisella aineistolla.
Varhainen esimerkki opetusaineiston manipuloinnista on hakukoneen tulosten manipuloiminen. Suosituin hakukone ennen Googlea oli Altavista, joka tuli käyttöön vuonna 1995 ja poistui käytöstä vuonna 2013. Sen hakukone perustui puhtaasti sivujen sisältöön: jos sivun HTML-koodista löytyi termejä, jotka vastasivat hakua, niin kyseinen sivu sijoitettiin korkealle. Tämä menetelmä johti nopeasti siihen, että sivustojen kehittäjät piilottivat HTML-koodiin paljon yleisiä, mutta sisällön kannalta epäolennaisia termejä, jotta hakukone näyttäisi sivun mahdollisimman usein. Tämä huononsi hakutuloksia huomattavasti, minkä vuoksi syntyi uusi markkinarako, jonka Google täytti. Google-hakukoneen toiminta perustui linkkeihin: tärkeille sivuille oli paljon linkkejä tärkeiltä sivuilta. Tämä paransi huomattavasti hakukoneen tuloksia ja oli yksi tärkeimmistä syistä siihen, että Google vei voiton selainten välisessä kilpailussa.
Vaikka Googlen tulosten manipulointi on huomattavasti vaikeampaa kuin Altavistan, se on kuitenkin mahdollista. Perusajatus tällaisissa hyökkäyksissä, joita on yleensä kutsuttu Google-pommeiksi, on luoda sivusto, johon on paljon linkkejä. Hyökkäysten motiivit ovat tavallisimmin olleet poliittisia tai taloudellisia. Tämän lisäksi manipulaatioita on tehty huumorimielessä tai kilpailun yhteydessä [8].
Mielenkiintoinen esimerkki aineiston myrkytyksestä on Nightshade-sovellus, jonka tarkoitus on vaikeuttaa kuvien luvatonta käyttöä luovien eli generatiivisten mallien koulutuksessa [13]. Sovellus toimii muokkaamalla kuvia siten, että kuva näyttää täysin samalta, mutta näillä kuvilla koulutettu luova eli generatiivinen malli toimii huonosti.
Onnistunut aineiston myrkytys edellyttää, että on tiedossa, miten malli toimii. Altavistan tapauksessa tiedettiin, että HTML-koodissa esiintyneet termit olivat tärkeitä, kun taas Googlen tapauksessa tiedettiin, että linkit olivat tärkeitä. Tällä hetkellä ei ole selvää miten kielimalleihin voi vaikuttaa. Tämän lisäksi, kielimalleja ei päivitetä uusimmalla aineistolla, toisin kuin hakukoneita. Joten manipulaatiomahdollisuudet ovat tällä hetkellä ainoastaan teoreettiset, mutta tilanne saattaa muuttua tulevaisuudessa.
Tekoälyn väärinkäyttö
Kun tekoälysovelluksia on tarkasteltu etiikan näkökulmasta, yleensä on tuotu esiin ongelmia yksityisyyden suojan kanssa, kuten konenäön käyttämistä kasvojentunnistuksessa joko valtion [10] tai yritysten toimesta [14]. Tekoälyä on myös käyty profilointiin: Cambridge Analytica käytti Facebookin kautta kerättyä aineistoa Donald Trumpin vuoden 2016 kampanjassa ja brexit-kampanjassa [6]. Yhdysvaltainen kappaketju Target käytti 2000-luvun alussa myyntiaineistoa ennustaakseen, oliko asiakas raskaana [9].
Luovat eli generatiiviset mallit ovat luoneet uusia väärinkäyttömahdollisuuksia. Perimmäinen ongelma on, että usein oletetaan ihmisen tuottaneen sisällön esimerkiksi tekstin, kuvan tai äänen ja että on suhteellisen helppoa ja mahdollista erottaa ihmisen tuottama sisältö koneen tuottamasta sisällöstä. Tämä oletus on murenemassa.
Kielimallia käyttäen on suhteellisen helppoa tuottaa uskottavaa tekstiä, jonka sisältö kuitenkin saattaa olla virheellistä. Tästä syystä suosittu kyselypalsta Stack Overflow on kieltänyt kielimallien käytön [24]. Kielto on luonteva myös, koska mallin tuottamat vastaukset eivät tuo alustalle mitään lisäarvoa. Palstalle kirjoittava kysyjä olisi voinut yhtä hyvin kysyä saman asian suoraan kielimallista, joten on aiheellista kysyä, miksi hän vaivautuisi käyttämään mitään muuta palvelua. On myös hyvä huomata, että kielimallit on koulutettu muun muassa tekstillä, joka on saatu tällaisilta kyselypalstoilta. Tästä syystä kielimallien kehittäjien intressissä on, että kielimallien vastauksia ei esiinny palstoilla, koska muuten voi syntyä noidankehä, jossa uusia kielimalleja koulutetaan vanhan kielimallin vastauksilla.
Kielimallien käyttö sisällön tuottamisessa on ollut myös ongelmallista. Scifi-lehti Clarkesworld joutui sulkemaan vuoden 2023 alussa uusien tarinoiden vastaanoton sen jälkeen, kun lehteen oli lähetetty satoja tekoälyllä tuotettuja novelleja [2]. Useat julkaisijat alkoivat tuottaa tekoälyllä tekstejä joko myöntäen sen avoimesti tai väittäen, että kirjoittaja oli ihminen [18].
Vuonna 2023 on julkaistu useita tiedeartikkeleita, joissa tekijäksi oli listattu kielimalli. Tästä seurasi se, että isot tiedelehtien julkaisijat päivittivät ohjeistustaan ja kielsivät kielimallien laittamisen tekijöiksi. Tämä kielto on luonteva, koska kirjoittaja on vastuussa tekstistään, mutta kielimalli ei voi kantaa vastuuta. Kielimallien dokumentoitu käyttö on kuitenkin edelleen sallittu.
Kielimallien käytöstä opetustilanteissa on tullut erittäin iso ongelma sekä yliopistotasolla [22] että alemmilla koulutusasteilla [25]. Kielimallien avulla on mahdollista tuottaa esseevastauksia ja väittää tekstiä omakseen. Tämä on plagiointia. Sen tunnistaminen on hyvin vaikeaa, ellei suorastaan mahdotonta. Kielimallit huonontavat esseetehtävien käytettävyyttä opiskelijoiden sisäistämiskyvyn testaamisessa ja arvioimisessa, ja sen vuoksi opettajat ovat joutuneet suunnittelemaan kurssitehtävät uudelleen tai muuttamaan arviointikriteerejä. Ongelmana on myös, että usein rajattu kielimallin käyttö, esimerkiksi apuna oikoluvussa tai ladonnassa, voi olla sallittua, mutta sisällön luomiseen se ei ole toivottua. Kielimallien käytön rajoitusten selittäminen opiskelijoille voi olla haastavaa. Tällä hetkellä näihin ongelmiin ei ole hyvää ratkaisua.
Ongelmia on myös ilmennyt kuvan ja äänen tuottamisessa. Tekoälyllä luodut kuvat voivat näyttää aidoilta, erityisesti jos kuvat on poistettu asiayhteydestään eli kontekstistaan [28]. Tekoälysovellusten tuottamia kuvia ja ääntä on valjastettu muun muassa romanssihuijauksiin [26] ja disinformaation levittämiseen [11]. Nämä uudet työkalut eivät varsinaisesti luo uusia väärinkäytöstapoja, vaan sen sijaan ne madaltavat olemassa olevien huijaus- tai väärinkäytöskampanjoiden kustannuksia.
Kuvissa ja äänissä on huomattavan paljon enemmän dataa kuin tekstissä. Tämän takia tekoälyllä luodun kuvan tai äänen erottaminen aidosta on helpompi tehtävä kuin tekoälyllä tuotetun tekstin erottaminen ihmisten kirjoittamasta. Tämän lisäksi kuva- tai äänitiedostoon voi lisätä digitaalisen vesileiman, mikä huomattavasti helpottaa tunnistamista. On kuitenkin tärkeää huomata, että tällainen vesileima on poistettavissa tai piilotettavissa, mutta toisaalta vesileiman käyttö nostaa kiinnijäämisen todennäköisyyttä ja sitä kautta huijauskampanjan kustannuksia.
Keskustelu tekijänoikeuksista tekoälysovelluksissa on ollut vilkasta. Mallit on usein koulutettu aineistolla, joka on suojattu tekijänoikeuksilla. Esimerkiksi kuvanluontisovellus Midjourney on muun muassa koulutettu Tove Janssonin teoksilla [15]. On epäselvää, onko tällainen aineiston käyttö laillista, ja tekijänoikeusasiasta on meneillään monia oikeudenkäyntejä [17, 12]. Vaikka käyttö todettaisiin lailliseksi, on hyvin todennäköistä, että suuri osa taiteilijoista ei hyväksy, että heidän teoksiaan käytetään koulutusaineistona sovelluksessa siten, että he eivät saa palkkiota. Lisäksi sovellus saattaa tehdä heidän työnsä tarpeettomaksi tulevaisuudessa. Toisaalta Yhdysvalloissa on tullut useita oikeuden päätöksiä, joiden mukaan tekoälyllä tuotettua materiaalia ei voida suojata tekijänoikeuslailla, koska itse teoksen tuottamiseen tarvittava ihmistyö on ollut liian vähäpätöistä [5].
Tekoälysovellukset ovat erittäin hyödyllisiä työkaluja, mutta niitä voi myös väärinkäyttää tai käyttää väärin. Sen takia on tärkeää, että ymmärrämme, miten nämä mallit toimivat, miten niitä voi käyttää ja millaisia seurauksia niiden käytöllä on.
[3] Anish Athalye, Logan Engstrom, Andrew Ilyas, and Kevin Kwok. Synthesizing robust adversarial examples. In International conference on machine learning, pages 284–293. PMLR, 2018.
[8] Isabel Drost and Tobias Scheffer. Thwarting the nigritude ultramarine: Learning to identify link spam. In European Conference on Machine Learning, pages 96–107. Springer, 2005. URL https://doi.org/10.1007/11564096_14.
[15] Anna-Maija Lippu. Tove Janssonin nimi on taidepiirejä huolestuttavalla listalla: näin kommentoi muumeja vimmatusti suojeleva yritys. Helsingin Sanomat, 2024. URL https://www.hs.fi/kulttuuri/art-2000010110672.html.
[16] Gianluca Maguolo and Loris Nanni. A critic evaluation of methods for covid-19 automatic detection from x-ray images. Information Fusion, 76:1–7, 2021. URL https://doi.org/10.1016/j.inffus.2021.04.008.
[19] Jesutofunmi A Omiye, Jenna C Lester, Simon Spichak, Veronica Rotemberg, and Roxana Daneshjou. Large language models propagate race-based medicine. NPJ Digital Medicine, 6(1): 195, 2023. URL https://doi.org/10.1038/s41746-023-00939-z.
[20] Dino Pedreshi, Salvatore Ruggieri, and Franco Turini. Discrimination-aware data mining. In Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and datamining, pages 560–568, 2008. URL https://doi.org/10.1145/1401890.1401959.
[21] Michael Roberts, Derek Driggs, Matthew Thorpe, Julian Gilbey, Michael Yeung, Stephan Ursprung, Angelica I Aviles-Rivero, Christian Etmann, Cathal McCague, Lucian Beer, et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for covid-19 using chest radiographs and ct scans. Nature Machine Intelligence, 3(3):199–217, 2021. URL https://doi.org/10.1038/s42256-021-00307-0.
[23] Mahmood Sharif, Sruti Bhagavatula, Lujo Bauer, and Michael K Reiter. A general framework for adversarial examples with objectives. ACM Transactions on Privacy and Security (TOPS), 22(3):1–30, 2019. URL https://doi.org/10.1145/3317611.
[25] Noora Takamäki. Lukio-opettaja keksi keinon, miten hän voi paljastaa Chat GPT:llä huijanneet oppilaat. YLE, 2023. URL https://yle.fi/a/74-20055878.
[26] Olli-Pekka Toivanen. Romanssihuijarit ovat jo valjastaneet tekoälyn käyttöönsä —videopuhelussa näkemääsi ihastusta ei ehkä ole olemassakaan. YLE, 2023. URL https://yle.fi/a/74-20060751.
