Akava Works

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

Näkökulmia tekoälyyn, osa 2 – Riku Neuvonen: Tekijänoikeudella suojattu aineisto tekoälyn koulutuksessa

Tekoälyn läpimurto julkisuudessa tapahtui kunnolla viimeistään vuonna 2023. Vuoden aikana OpenAI:n kehittämä, suuriin kielimalleihin (GPT) perustuva tekoälysovellus ChatGPT lunasti monet tekoälylle asetetut odotukset. Se pystyi tuottamaan tekstiä annettujen ohjeiden perusteella ja vastaamaan kysymyksiin uskottavammin kuin aiemmat tekoälyt. Perustana tälle on tekoälyn opetukseen käytetyt suuret tekstimassat. Samalla, kun tekoälyn käyttö lisääntyi, käynnistyivät spekulaatiot sen vaikutuksista ja tulevaisuudesta.

Tekoäly on nähty uhkana erityisesti luovilla aloilla. Uhkakuvana on, että tekoäly pystyy tuottamaan sille annettujen ohjeiden mukaisesti kaikenlaisia sisältöjä, jolloin tarve luovan työn tekijöille vähenee. Tässä keskustelussa sivurooliin on jäänyt se, että useimpien tekoälyjen opetuksessa käytetään luovilla aloilla luotuja teoksia. Näillä teoksilla on tekijä ja teoksiin kohdistuu tekijänoikeus. Voiko tekoäly siis käyttää esimerkiksi tätä kirjoitusta omaan oppimiseensa ja omien vastaustensa pohjana? Onko näillä tekoälyn luomilla aineistolla oma tekijäoikeus?

OpenAI on tämän hetken puhutuin tekoälyn kehittäjä, sillä se on julkaissut myös kuvia tuottavan DALL-E ohjelman, josta on nyt käytössä jo toinen kehitysversio. Vastaavia ovat Midjourney ja Stable Diffusion. Näiden läpimurtosovellusten vanavedessä on tullut suuri joukko muitakin suuriin kielimalleihin ja kuvapankkeihin perustuvia tekoälysovelluksia, jotka voivat tuottaa tekstiä ja kuvia käyttäjän esittämien toiveiden mukaisesti. Tällaisiin tekoälysovelluksiin liittyy useita kysymyksiä, joita esimerkiksi EU:n tekoälysäännös (AI Act) pyrkii tulevaisuudessa sääntelemään.

Tekijänoikeus tekoälyn koulutuksen haasteena

Tekoälyalalla on runsaasti keskustelua tekoälyjen kehittämisen etiikasta. Yksi keskeinen kysymys on tekoälyjen opettaminen materiaalilla, joka on muiden tekemää. Esimerkiksi ChatGPT:lle on annettu aineistona käytännössä kaikki internetissä oleva tieto aluksi vuoteen 2021 ja nyt joiltakin osin vuoteen 2023 saakka. Tämä aineisto on lähes kokonaan sellaista, jolla on tekijä ja johon kohdistuu tekijänoikeuden suoja. Olennainen kysymys onkin, että salliiko nykyinen tekijänoikeuden sääntely tekijänoikeuden alaisen aineiston käytön tällaisessa tarkoituksessa vai onko kyse tekijänoikeuden loukkauksesta (esim. Kousa 2013).

Tekijänoikeuslähtöisessä tekoälykeskustelussa ja -tutkimuksessa lähtökohta oli pitkään pohtia, voiko tekoälyn tuottama tai avustama teos saada tekijänoikeuden suojan ja voiko tekoäly olla tekijä. Tekijänoikeudessa peruslähtökohtana on, että teoksen tulee ylittää niin sanottu teoskynnys eli osoittaa, että se on riittävän itsenäinen ja omaperäinen. Teokseksi voidaan katsoa mikä tahansa luovan työn tulos. Suomessa tekijälle syntyy automaattisesti tekijänoikeus teokseen, joten tekijänoikeutta ei tarvitse rekisteröidä tai merkitä symboleilla. Tekijänoikeuksiin luetaan myös niin sanotut lähioikeudet, mutta niiden ottaminen tähän tarkasteluun sekoittaisi kokonaisuutta. (Harenko ym. 2016.)

Tekijänoikeus antaa tekijälle yksinoikeuden päättää teostensa käytöstä. Muilla ei ole oikeutta käyttää teosta ilman tekijän lupaa. Tähän on muutamia poikkeuksia, joihin palataan oikeassa asiayhteydessä. Tekijänoikeuteen kuuluvat taloudelliset oikeudet eli oikeus valmistaa teoksesta kappaleita ja oikeus saattaa teos yleisö saataville. Nämä oikeudet on mahdollista luovuttaa osittain tai kokonaan. Tekijänoikeuteen kuuluvat myös moraaliset oikeudet eli oikeus tulla tunnustetuksi teoksen tekijänä ja oikeus kieltää teoksen omaperäisyyttä tai taiteellista arvoa loukkaava muuntelu. Moraalisia oikeuksia ei ole mahdollista luovuttaa. (Harenko ym. 2016.)

Tekijänoikeus on tällä hetkellä voimassa tekijän koko elämän ajan ja 70 vuotta hänen kuolemansa jälkeen. Huomattava on, että tekijänoikeus ei koske ideaa, vaan muotoa. Vielä jokin aikaa sitten tekijänoikeuskeskustelussa oli osittaisena vitsinä, että tekijänoikeuden suoja-aikaa pidennetään aina kun Mikki Hiiren tekijänoikeus on vanhenemassa. Nyt alkuvuodesta 2024 ensimmäinen Mikki Hiiren muoto menetti suojansa, joten suoja-aikoihin on tuskin tulossa muutoksia.

Keskeistä tekijänoikeudessa on, että riippumatta kansallisesta lainsäädännöstä tekijänoikeus suojaa tekijän asemaa ja tekijänoikeuden haltijan oikeuksia kaikkia kohtaan. Tekijänoikeus on yksinoikeus päättää tietyn teoksen käytöstä, johon sisältyy oikeus saada korvausta teoksen käytöstä tekijän näin halutessa. Tekoälyn koulutuksessa käytetään todennäköisesti tekijänoikeudella suojattua materiaalia ilman tekijänoikeuden haltijan lupaa.

Tekijänoikeuden rajoitukset mahdollisuutena

Tekijänoikeuteen on olemassa erilaisia rajoituksia, jotka sallivat teoksen esittämisen ja kappaleiden valmistamisen eli kopioinnin tietyissä olosuhteissa. Pääosin nämä koskevat opetuskäyttöä, tutkimuskäyttöä ja lainaamista sallitulla tavalla. Sallitussa lainaamisessa eli sitaatissa on mainittava aina alkuperäinen teos ja tekijä. Tämän ohella Yhdysvalloissa on tekijänoikeudessa fair use -oppi, jonka mukaan tekijänoikeudella suojattua aineistoa voi käyttää tietyissä tilanteissa. Tämän opin mukainen käyttöala on paljon laajempi kuin eurooppalaiset erikseen mainittuihin ja rajattuihin tarkoituksiin soveltuvat tarkkarajaiset poikkeukset (Tapio 2013). Suurin osa tunnettujen tekoälysovellusten kehittäjistä on yhdysvaltalaisia, jolloin tapauksiin sovellettavan lainsäädännön valinta voi olla haasteellista ja aiheuttaa ongelmia.

Suomen tekijänoikeussäännöstö perustuu nykyään suurelta osin EU:n tekijänoikeussäännöksiin ja vastaa mannereurooppalaista tekijänoikeuskäsitystä. Tähän sääntelyn kuuluvat väliaikaiset teoskappaleet, joita saa tekijänoikeuslain 11 a § mukaan valmistaa tarkoitukseen, jolla ei ole itsenäistä taloudellista merkitystä ja joka on väliaikaista sekä välttämätön osa teknistä prosessia. Tämä soveltuu käytännössä välimuistiin tehtäviin teoskappaleisiin. Tekoälyn opetuskäyttö saattaisi liittyä tähän poikkeukseen, mutta itsenäisen taloudellisen merkityksen arviointi voi muodostua ongelmaksi. Toisaalta kaikissa tekoälymalleissa toiminta ei ole väliaikaista, vaan teos on tekoälyn käytössä pidempään ja tekoäly ottaa teoksesta osia omaan toimintaansa.

EU:n DSM-direktiivin (digitaalisten sisämarkkinoiden direktiivi) seurauksena Suomen tekijänoikeuslain 13 b §:ään (HE 43/2022 vp ja HE 313/2022 vp)  on lisätty mahdollisuus valmistaa teoskappaleita tekstin- ja tiedonlouhintaa varten. Edellytyksenä on, että teokseen on laillinen pääsy eli se on tekijänoikeuden haltijan luvalla saatavilla. Tekijä voi kieltää nimenomaisesti tämän käyttötarkoituksen. Tekoälyä ei direktiivissä mainita, joten säännöksen soveltuvuus nimenomaan tekoälyn tapauksessa on avoinna.

Direktiivejä saatetaan voimaan jäsenvaltioissa kansallisesti, joten Euroopan tasolla voi olla eroja tiedonlouhinnan sääntelyssä. Toisaalta tässäkin tarkastelussa on kyse tekoälykohtaisuudesta eli ovatko kaikki tekoälyt ja niiden opetustoiminta direktiivissä ja laissa mainittua tiedonlouhintaa. Toisaalta verkossa on aineistoa ajalta ennen direktiiviä, jolloin tekijällä ei ole ollut tietoa tällaisesta toiminnasta ja mahdollisuutta kieltää sitä. Tällä hetkellä käytössä olevat tekoälyt on koulutettu aineistolla, jossa tekijöiden lupia ei ilmeisesti ole kysytty. Vastaavalla tavalla esimerkiksi Google on pitänyt pitkään omaa Google Books-palveluaan tarjolla, vaikka sen sisältämien kirjojen tekijänoikeus ei ole ollut selvitetty. Yhdysvalloissa alioikeustasolla käyttö on toistaiseksi mennyt fair use-kategoriaan. Tekoäly näin ollen on vain osa internetissä olevaa tekijänoikeudellisen aineiston harmaalla alueella liikkuvaa hyödyntämistä.

Tekoälyn koulutusaineiston sallittuun käyttöön voidaan käyttää myös lisenssimallia. Suomessa ja monissa muissa maissa sopimuslisenssijärjestelmän avulla on saatu paljon aineistoja lisensoidun käytön piiriin. Tekijänoikeusjärjestöt kuten Teosto, Kopiosto ja Sanasto edustavat suurta joukkoa tekijöitä, joiden puolesta he ovat luoneet lisensointisopimusmallin ja hoitavat lisensoinnin tekijän puolesta. Tekoälyn käyttöön on jo luotu tietokantoja, joiden sisältöä voi lisensoida tekoälyn opetukseen. Samoin OpenAI on tehnyt lisenssisopimuksia kuvapankkien kanssa.

Tekoäly tekijänä

Tekoäly tekijänä on oma kysymyksensä (Alen ym. 2018). Pääsääntöisesti tekijänoikeus suojaa luonnollisen tekijän eli ihmisen riittävän omaperäisiä teoksia. Ensimmäinen ongelma nykyisissä tekoälyissä koskee tekijän määrittelemistä. Onko tekijä tekoäly vai teoksen tekoälyltä ohjeistuksen avulla hankkinut henkilö? Toinen ongelma on omaperäisyyskynnys. Monenlaisia teoksia tehdään yhdistelemällä vaikutteita ja jopa muita teoksia, mutta tekoäly selkeästi käyttää muita teoksia pohjana, ja näin tulisi selvittää, onko tekoälyn mahdollista lisätä luomaansa teokseen sellaista uutta, joka ylittäisi teoskynnyksen. Eri teosten käyttö voi johtaa myös tilanteeseen, jossa tekijänoikeus kuuluu usealla tekijälle (Mattila 2022).

Ajatus tekoälystä yhteistyönä luodun teoksen tekijänä voi soveltua myös tilanteisiin, joissa tekoäly käyttää opetuksessaan käytettyä aineistoa uuden teoksen luomisessa tavalla, jossa aiempien teosten käyttö voidaan osoittaa ja tekijänoikeus näin jakaa. Pohdinta osoittaa sen, että tällä hetkellä ei ole varmuutta oikeudellisesta perusteesta, jolla tekoäly voi käyttää tekijänoikeudella suojattuja aineistoja. Toisaalta ei ole yksiselitteisiä säännöksiä, joilla käyttö voidaan kieltää. EU:n ja sitä kautta Suomen uusi tiedonlouhintasääntely mahdollistaa tässä säännöksessä tarkoitetun käytön kieltämisen, mutta vielä ei ole tulkintaa siitä, missä määrin tekoälyn kouluttaminen ja uusien teosten luominen vastaa tätä tekijänoikeuden poikkeusta. Samalla tavoin avoimena on kysymys tekoälyn luoman teoksen tekijänoikeudesta.

Joulukuussa 2023 muun muassa New York Times on haastanut OpenAI:n ja Microsoftin oikeuteen. Perustana on, että ChatGPT:n koulutuksessa on käytetty miljoonia New York Timesin artikkeleita. Ratkaisun saamisessa kestää aikansa ja se soveltuu suoraan vain yhdysvaltalaiseen tekijänoikeussääntelyyn. Samalla tavoin aiemmin syksyllä 2023 ryhmä taiteilijoita nosti kanteen kuvia hyödyntäviä tekoälysovelluksia vastaan. EU:n piirissä on suunnitteilla uusia säännöksiä, ja vasta uudistetun tekijänoikeussääntelyn tiedonlouhintaa koskevia säännöksiä ei ole vielä testattu oikeudessa. Huolimatta suhteellisen pitkästä historiasta ja teoreettisesta keskustelusta, on tekoälyn ja tekijänoikeuden välisessä suhteessa vielä paljon avoimia kysymyksiä. Tilanne ei ole ratkeamassa pitkään aikaan ja siihen saakka voidaan olettaa, että kaikki internetissä oleva aineisto on tekoälyn koulutuksen materiaalia. Mukaan lukien tämä kirjoitus.

 

Lähteet

Alen, Anette & Ballardini, Rosa & Pihlajarinne, Taina: Tekoälyn tuotokset ja omaperäisyysvaatimus – kohti koneorientoitunutta tekijänoikeutta?. Lakimies 7–8/2018, s. 975–995.

Hallituksen esitys eduskunnalle laeiksi tekijänoikeuslain ja sähköisen viestinnän palveluista annetun lain muuttamisesta HE 43/2022 vp.

Hallituksen esitys eduskunnalle laeiksi tekijänoikeuslain ja sähköisen viestinnän palveluista annetun lain muuttamisesta annetun hallituksen esityksen (HE 43/2022 vp) täydentämisestä. HE 313/2022 vp.

Harenko, Kristiina & Niiranen, Valtteri & Tarkela, Pekka: Tekijänoikeus. 2. uudistettu painos. Helsinki: Talentum Pro 2016 (3. painos julkaistaan keväällä 2024).

Kousa, Viivi: Tekoälytaide ja tekijänoikeus – haastava yhtälö?, IPR Info 1/2023 (27.1.2023), https://iprinfo.fi/artikkeli/tekoalytaide-ja-tekijanoikeus-haastava-yhtalo/ (käyty 14.12.2023).

Mattila, Tuomas: Yhteistyö tekijänoikeudessa: tutkimus alkuperäisestä tekijänoikeuden haltijasta yhteistyöhön ja yhteisöllisyyteen perustuvissa luovissa prosesseissa. Suomalainen lakimiesyhdistys 2022.

Tapio, Veli-Markus: Fair Use ja kolmivaihetesti joustavamman tekijänoikeudellisen sääntelyn mahdollistajina. Lakimies 1/2013, s. 35–54.

 

Artikkelin on laatinut julkisoikeuden yliopistonlehtori ja viestintäoikeuden dosentti Riku Neuvonen.

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

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

Lue artikkeli ohesta (pdf)

Tekijänoikeudella suojattu aineisto tekoälyn koulutuksessa Akava Works -artikkeli 2_2024

Näkökulmia tekoälyyn, osa 1 – Arto Klami: Miksi tekoäly oppi näkemään ja juttelemaan nyt ja mihin se riittää?

Tekoäly teknologiana on jo pidemmän aikaa ollut esillä yritysten visioissa, mutta osaksi jokapäiväistä keskustelua se on tullut toden teolla parin viime vuoden aikana. Algoritmit eivät enää ole piilossa, vaan voimme keskustella tekoälyn kanssa filosofiasta ja pyytää nähtäväksi tussilaveerauksen vaikkapa höyrykäyttöisellä kirpulla ratsastavasta apinasta. Ohjelmoijan työkalupakkiin on tullut tekoälyapuri, joka sanallisten ohjeiden perusteella tuottaa rutiinikoodia verkkokaupan pohjaksi ja voi säästää päiväkausia monimutkaisen algoritmin kirjoittamisesta.

Siirryimmekö yhdessä vuodessa tekoälyn kivikaudelta tieteisfiktioon? Tästä ei ole kyse vaan todellisuudessa on kyse pidemmän kehityksen luonnollisesta askeleesta. Tekoälyn toiminta perustuu koneoppimiseen, jossa joustava malli – syvä neuroverkko – on opetettu tietoaineistojen avulla vastaamaan annettuun syötteeseen halutulla tavalla. Alalla on käytetty melko samankaltaisia malleja ja oppimisen periaatteita jo vuosikymmeniä, mutta laskentatehon ja käytettävissä olevan datan kasvu yhdessä menetelmien jatkuvan kehityksen kanssa alkaa kantaa hedelmää. Melko tasainen kehitys näyttää meistä mullistavalta, koska tekoäly astuu nyt ensimmäistä kertaa selkeästi ihmisen osaamisen tontille: se osaa vihdoin käsitellä luonnollista kieltä ja kuvia.

Tekoälyn toimintaperiaatteista: koneoppiminen ja syvät neuroverkot

Tekoälyn alaan kuuluu laaja kirjo erilaisia menetelmiä, joista näkyvimmät perustuvat koneoppimiseen. Koneoppimisessa käytettävien mallien toimintaa säätelevät tuntemattomat parametrit eli muuttujat. Näitä parametreja muuttamalla mallin toiminta muuttuu. Oppimisella tarkoitetaan parametrien valitsemista siten, että malli saadaan toimimaan halutulla tavalla. Käytännössä malli opetetaan toistamaan opetusaineistossa olevia säännönmukaisuuksia.

Oppimisen periaatteet juontavat juurensa perinteisestä tilastotieteestä. Malli opitaan oleellisilta osin samalla tavalla, oli sitten kyseessä yksinkertaisen kasvukäyrän sovitus neuvolan pituusmittauksiin tai monimutkaisen tekoälymallin opettaminen. Vaikka jälkimmäisessä tapauksessa syötteenä voi iän sijaan olla valokuva ja tuloksena pituuden sijaan sanallinen kuvaus kuvan sisällöstä, molemmissa tapauksissa on kyse matemaattisesta funktiosta, joka muuttaa syötteen tulokseksi. Tarvittavat funktiot ovat paljon monimutkaisempi ja niiden sovittamiseen tarvitaan enemmän esimerkkejä, mutta periaate on sama ja alalla on vuosikymmenien kuluessa kehitetty toimivia algoritmeja erityisesti ohjattuihin ongelmiin, joissa opetusaineiston syötteille tiedetään halutut tulokset.

Itse mallit voivat olla hyvin monimuotoisia. Tunnetuin malliperhe ovat syvät neuroverkot, joissa tietoa käsitellään kerroksittain yksinkertaisilla laskutoimituksilla ja verkon rakennetta muuttamalla voidaan luoda malleja moniin tarkoituksiin. Kuvia käsittelevät mallit hyödyntävät suotimia, jotka analysoivat paikallisia kuva-alueita, ja taas kielten käsittelyssä malli on rakennettu käsittelemään sanojen tai niiden osien jonoja. Keskeisenä elementtinä nykyisissä kielimalleissa on huomiomekanismi (engl. attention), joka kohdentaa mallin kulloinkin tarkastelemaan tiettyä osaa aiemmasta syötteestä (Vaswani A. ym. 2017). Yksinkertaisten laskutoimitusten lisäksi nykyaikainen neuroverkko voi sisältää muitakin monimutkaisia osia, jopa erillisiä päättelyalgoritmeja. Niitä on hyödyllisintä ajatella mielikuvituksellisen monimutkaisina funktioina, joita kuitenkin osataan sovittaa annettuun dataan.

Hyvän mallin tärkein ominaisuus on sen yleistyvyys. On helppo opettaa malli tuottamaan oikea vastaus opetusaineistossa nähdyille tapauksille, mutta tämä ei riitä, vaan sen tulee tuottaa mielekkäitä vastauksia myös uusille syötteille. Perinteisten tilastollisten mallien osalta on opittu ajattelemaan, että havaintoja tulisi olla selkeästi enemmän kuin mallin parametreja. Muuten malli ylisovittuu opetusaineistoon ja voi toimia mielivaltaisen huonosti uusille näytteille. Vaikka mallien opettamiseen käytettävät aineistot ovat kasvaneet, mallien monimutkaisuus on monissa tilanteissa kasvanut vielä enemmän ja nykyisin parametreja voi olla jopa miljardeja. Voivatko tällaiset mallit toimia?

Kaikkia yleistyvyyteen liittyviä ongelmia ei missään tapauksessa ole saatu ratkaisua, ja monet alan avoimista ongelmista koskevat mallien luotettavuutta poikkeavissa tilanteissa. Siitä huolimatta voidaan yleisesti sanoa, että erittäin suuria malleja voidaan nykyisin sovittaa luotettavasti. On runsaasti sekä teoreettista (Belkin M. ym. 2019) että empiiristä todistusaineistoa siitä, että miljoonien tai miljardien parametrien mallit voivat toimia hyvin myös uusille syötteille. Vaikka keskusteleva tekoäly ei monissa tilanteissa tuotakaan sisällöllisesti oikeita vastauksia, se ei hätkähdä, vaikka käytettäisiin täysin kuvitteellisia sanoja. Jos vaikkapa kerron maanviljelijän eilen kyntäneen pellon ruosteisella pompellorilla, tekoäly osaa kuvailla pompellorin olevan vanha, mutta edelleen käyttökelpoinen kyntöaura. Tekoäly ei herää pohtimaan, miksi toinen osapuoli käytti kummallista sanaa ja saattaa jopa väittää sen olevan perinteinen murreilmaus, mutta yhtä kaikki se osasi toimia yllättävässä tilanteessa.

Tekoälyn historiasta eli onko kuvien tulkinta helppoa vai vaikeaa?

Tekoälyn historia on yhtä pitkä kuin tietokoneiden historia. Alan lähtölaukauksena pidetään vuonna 1956 järjestettyä Dartmouthin kesäseminaaria, neuroverkkojen perusperiaate kehitettiin jo 40-luvulla ja koneoppimisen käsite on 50-luvulta. Älyn automatisointi oppimiseen perustuvilla menetelmillä on ollut eräs tietojenkäsittelytieteen tavoitteista käytännössä niin kauan kuin ala on ollut olemassa. Viime vuosien murroksen ymmärtämiseksi on hyvä pohtia hieman sitä, mikä on tekoälylle tai tietokoneille ylipäätään helppoa ja mikä vaikeaa. Tämä on itseasiassa melko hankala kysymys, ja alan kehittyessä tiedeyhteisön vastaukset ovat tavallaan kiertäneet täyden ympyrän.

Aluksi uskottiin, että ihmiselle helpot tehtävät ovat helppoja myös tietokoneille. Lapsikin ymmärtää puhetta, mutta shakkia osaa pelata vain harjaantunut ammattilainen, joten oletettiin, että tietokoneetkin oppivat ymmärtämään puhetta helpommin. Eräs MIT:n professori perusti 1960-luvulla kesän mittaisen opiskelijaprojektin luodakseen ohjelman, joka tunnistaa kuvasta kappaleita luotettavasti. Kylmän sodan molemmat osapuolet pyrkivät tosissaan täysin automaattiseen konekäännökseen. Tänä päivänä on helppo naureskella näille visioille, mutta aikanaan tällaisten hankkeiden jatkuva epäonnistuminen loi varjon koko tekoälyn kentälle ja johti niin kutsuttuun tekoälyn talveen. Jos edes ”helppoja ongelmia” ei saada ratkaistua, koko alan rahoittaminen lienee turhaa. Vielä tämän vuosituhannen puolelle asti koneiden kyky käsitellä luonnollista kieltä ja kuvia säilyi vaatimattomana, mutta ihmisen älyn mittatikkuina pidetyissä rajatummissa ongelmissa koneet olivat jo ehtineet kauas edelle. Tietokone voitti shakin suurmestarin ensimmäistä kertaa jo 80-luvun puolella, lähes vuosikymmenen ennen kuuluisaa DeepBluen ja Gasparovin ottelua. Tämä onnistui nykypäivään verrattuna erittäin rajallisilla laskentaresursseilla.

Olikin niin, että ihmiselle helpot asiat ovat koneille vaikeita, vaikka ne suorituvatkin hyvin monista ihmisille vaikeista tehtävistä. Erään selityksen ilmiölle tarjosi 80-luvulla esitelty Moravecin paradoksi (Moravec H., 1988), jonka mukaan havainnointi vaatii merkittävästi enemmän laskentaa kuin päättely. Monimutkaisen aistiympäristön tulkinta ja siihen reagoiminen ovat itseasiassa tehtävinä vaikeita myös ihmisille, mutta eliöiden biologinen koneisto suoriutuu niistä tehokkaasti miljardien vuosien evoluution ansiosta. Abstrakti päättely taas on kehityshistoriallisesti uusi ilmiö. Se ei ole välttämättä erityisen vaikeaa laskennallisesti, mutta ihmisten aivoilla on ollut vain kymmeniä tuhansia vuosia aikaa erikoistua siihen. Havaintojen tulkintaan tarvitaan paljon enemmän laskentaresursseja kuin varhaisilla tietokoneilla oli käytössä.

Ihmiselle lähes automaattinen ympäristön havainnointi oli näin selitetty tekoälylle haastavaksi, mutta ei suinkaan mahdottomaksi. Jos eliöt pystyvät siihen varsin rajallisella energiankulutuksella, sen on oltava mahdollista koneellisesti. Nyt todistamme tätä askelta käytännössä. Meillä on nyt saatavilla sekä tarpeeksi suuria ja monimuotoisia aineistoja että tarpeeksi laskentaresursseja oppimaan aistiärsykkeitä käsitteleviä malleja. Tekoälytutkija Andrew Ng ennusti vuonna 2017, että pystymme lähitulevaisuudessa automatisoimaan tekoälyn avulla lähes kaikki sellaiset tehtävät, joista tyypillinen ihminen suoriutuu alle sekunnin pohdinnan avulla. Se alkaa näyttää mahdolliselta.

Olemme tavallaan palanneet tekoälyn alkuhetkiin. Tekoäly suoriutuu nyt melko hyvin aikuiselle ihmiselle lähes automaattisista ympäristön ja kielen havainnointiin liittyvistä pulmista, mutta korkeamman tason ajattelua edellyttävät ongelmat ovat sille edelleen haastavia. Tekoäly osaa nyt salamannopeasti kuvailla näkemänsä kuvan sisällön ja jopa vastata kysymykseen, mutta korkeamman tason päättelyä tehdään edelleen varta vasten kuhunkin tarpeeseen räätälöidyillä algoritmeilla. Niiden avulla voidaan pelata shakkia tai go-peliä, mutta pitkäjänteiseen suunnitteluun vapaassa ympäristössä kykeneviä tekoälyjä ei juurikaan edes tutkita. On kuitenkin hyvä huomata, että syötteitä matalalla tasolla käsittelevät mallit ovat jo hämmästyttävän hyviä monissa vaativissa tehtävissä. Pelkästään niiden avulla voidaan luoda keskustelevia tai kuvia piirtäviä tekoälyjä. Oppimalla käsittelemään aisteja opimme siis samalla enemmän. Palaamme tähän jäljempänä tarkasteltuamme ensin hieman sitä, miten tähän on päästy.

Perustutkimus ja avoimet ympäristöt kehityksen vetureina

Rinnakkain on tapahtunut laskentatehon, käytettävissä olevien tietoaineistojen ja algoritmien kehitystä. Nämä ovat sikäli yhtä tärkeitä, että ilman kaikkien kolmen kehitystä emme olisi vielä lähelläkään nykyisiä menetelmiä. Toisaalta millään näistä osa-alueista ei ole tapahtunut sellaista yksittäistä läpimurtoa, joka olisi kriittinen. Voidaankin perustellusti sanoa, että tekoälyn murros on seurausta pitkäjänteisestä ja laaja-alaisesta perustutkimuksesta. Se on parhaita esimerkkejä siitä, että perustutkimukseen panostetut eurot ja tunnit maksavat itsensä takaisin. Nykyisten menetelmien keskiössä on edelleen sekä Robbinsin ja Monron jo vuonna 1951 luoma optimointiperiaate, että Seppo Linnainmaan 70-luvun alussa kehittämä vastavirta-algoritmi. Monet syvien neuroverkkojen perusratkaisuista on kehitetty viime vuosituhannella. Nykyisin alan tutkijoita on moninkertaisesti enemmän ja uusia menetelmiä julkaistaan päivittäin. Seuraavien läpimurtojen elementit seuloutuvat tästä tutkimusmassasta. Uuden tehokkaamman algoritmin voi kehittää jopa yksittäinen tohtorikoulutettava pienessä maassa, koska kyse on pohjimmiltaan matematiikasta ja varsin lyhyistä ohjelmakoodin palasista.

Teknisten kehitysaskeleiden rinnalla muutosta ovat vauhdittaneet uudet toimintatavat, keskeisimpinä avoimuus ja paremmat työkalut. Nykyisin on tarjolla suunnaton määrä laadukkaita avoimia ohjelmistoja, jotka helpottavat tekoälymenetelmien kehittämistä. Omina opiskeluvuosinani neuroverkon toteuttaminen edellytti viikkojen työpanoksen, mutta nyt jokainen ohjelmoinnin perusteet tunteva voi luoda yksinkertaisen neuroverkon muutamalla koodirivillä. Valtaosa työkaluista on avointa lähdekoodia ja ilmaiseksi kaikkien saatavilla, valmiita esimerkkejä on saatavilla työn tueksi liki rajattomasti ja monet menetelmien kehittämisessä ja testaamisessa käytettävät datat ovat avoimia. Uusia malleja ja algoritmeja esittelevien tieteellisten artikkelien ohessa tarjotaan usein myös avoin ohjelmistototeutus. Näiden työkalujen avulla matka uudesta tieteellisestä ideasta toimivaksi, varmistetuksi malliksi voi onnistua jo viikoissa.

Oleellista on, että ilmaiset työkalut eivät ole vain tutkijoiden ja harrastelijoiden puuhastelua. Yritykset käyttävät täsmälleen samoja työkaluja ja monien avointen työkalujen taustalla on alan suurimpia toimijoita Googlesta Metaan. Syväoppimisen alustat ovat nousseet Linuxin rinnalle avoimen lähdekehityksen airuina ja näkyvimpinä esimerkkeinä. Luotettavat työkalut ovat suuryrityksille kriittisen tärkeitä ja avoin kehitys on todettu parhaaksi tavaksi pitää ne ajan tasalla. Kyse ei ole hyväntekeväisyydestä, vaan ainoasta vaihtoehdosta: suljettuun omaan järjestelmään nojaava yritys jäisi auttamatta kilpailijoista jälkeen. Avoimen ympäristön päälle rakennettavaan korttitaloon on helppo liittää kaikkein tuoreimmat menetelmät ja työvoima liikkuu helposti organisaatiosta toiseen, myös tutkimusmaailman ja yritysten välillä.

Suuryritysten merkitys tekoälyn murroksessa on kokonaisuutena moninainen ja yrityksiä on aiheesta kritisoitu erityisesti henkilökohtaisen datan hyödyntämiseen ja kaupallistamiseen liittyvistä ongelmista, mutta avointen työkalujen näkökulmasta ne ovat olleet tärkeitä tekoälykehityksen vauhdittamisessa. Ilman laadukkaita työkaluja sekä tutkimus että yritysten mahdollisuudet hyödyntää tekoälyjä olisivat selvästi jäljellä nykyisestä.

Enemmän irti datasta

Algoritmit ovat kehittyneet merkittävästi, mutta sitä kehitystä ei voi tällaisessa katsauksessa käsitellä laajemmin. Yksi käsitteellinen muutos voidaan kuitenkin nostaa esille. Historiallisesti valtaosa koneoppimisesta on keskittynyt ohjattuun oppimiseen, jossa malli opitaan syöte-vaste-pareista. Esimerkiksi kuvien luokittelijan opettamiseen tarvittiin tietoa eli dataa, jossa kaikista kuvista on valmiiksi kerrottu, mitä kuva esittää. Tälläkin periaatteella saatiin noin vuosikymmen sitten luotua kuvia hyvin tulkitsevia malleja (Krizhevsky A. ym. 2012). Tässä opetustavassa valmiiden vastausten luominen on kuitenkin aina merkittävä pullonkaula: ei auta, vaikka tarjolla olisi miljardi valokuvaa, jos on resursseja muodostaa toivottu vaste vain pienelle murto-osalle niistä. Mitä jos koko miljardin kuvan aineistoa voitaisiin hyödyntää tehokkaasti ilman käsityötä vastausten muodostamiseksi?

Tämä onnistuu niin kutsutun itseohjatun oppimisen (engl. self-supervised learning) avulla. Itseohjatussa oppimisessa malli opitaan ohjatun oppimisen algoritmeilla, mutta tavoitteena on ratkaista jokin keinotekoinen tehtävä, jonka vastaus on valmiina datassa. Kielimallia pyydetään ennustamaan lauseen seuraava sana tai täyttämään keskeltä lausetta poistettu sana. Kuvia käsittelevää mallia voidaan pyytää täyttämään kuvasta tarkoituksella poistettu osa tai poistamaan kuvasta siihen varta vasten lisättyä kohinaa (kuvio 1). Näihin tehtäviin voidaan käyttää hyviksi tunnettuja ohjatun oppimisen algoritmeja, mutta oikeat vastaukset ovat jo olemassa ja siten kaikki data saadaan käyttöön. Lisäksi samasta datasta voidaan muodostaa liki rajattomasti ennustustehtäviä: samaan kuvaan voidaan lisätä aina uudenlaista satunnaista kohinaa.

Kuvio 1: Kuvia luova tekoäly voidaan opettaa itseohjatun oppimisen periaatteella.

Opetuskuviin lisätään keinotekoista kohinaa ja malli opetetaan ennustamaan alkuperäinen kuva kohinaisesta versiosta. Diffuusiomallit käyttävät tähän tarkoitukseen differentiaalilaskentaa ja osaavat lopulta luoda pelkästä kohinasta tarkkoja kuvia.

On perusteltua kysyä, mitä hyötyä on mallista, joka osaa täyttää puuttuvan osan kuvasta. Vastaus on yksinkertainen: mallin on opittava jotain oleellista kuvan sisällöstä, jotta se pystyy täyttämään puuttuvan alueen. Jos tennisottelun kuvasta poistaa keskikentän, malli osaa täyttää sinne verkon vain, jos se on jollain tasolla oppinut, että tennisottelussa palloa lyödään verkon yli. Jos malli kykenee samaan kaikkien mahdollisten kuvien kanssa, sen on täytynyt oppia jotain kuvista yleensä. Kaikki tämä ”ymmärrys” on jollain tavalla koodattuna mallin sisäiseen esitykseen, jonka se muodostaa saatuaan kuvan syötteeksi. Tämän esityksen avulla on merkittävästi helpompaa ratkaista alkuperäinen ongelma. Enää ei tarvitakaan miljoonien kuvien ja niiden merkitysten opetusaineistoa, vaan jo muutamat sadat esimerkit riittävät. Ne on helppo kerätä.

Tämä oppimisen periaate on yhdessä suurempien datojen ja parempien mallien kanssa auttanut murtamaan Moravecin paradoksin rajat. Osaamme nyt opettaa luonnollista kieltä, kuvia, puhetta ja videota käsitteleviä malleja. Kaikille näille on ominaista se, että niistä on tarjolla lähes rajattomasti aineistoa ja osaamme muodostaa luontevia ennustustehtäviä niiden opettamiseksi.

Itseohjatusta oppijasta luovaksi tekoälyksi

Edellä kuvasin teknistä oppimisperiaatetta, jonka avulla tekoäly saatiin ymmärtämään monimutkaisia aistihavaintoja. Kuten aiemmin vihjasin, tämän kyvyn seurauksena saatiin myös enemmän. Sekä kielimalleista että kuvia tarjoavista tekoälyistä käytetään nykyisin yleistermiä luova tekoäly (engl. generative AI, huom. ei creative). Tällä käsitteellä viitataan siihen, että ne osaavat luoda uutta sisältöä: ne voivat jatkaa annetusta tekstisyötteestä mielivaltaisen pitkälle tai tuottaa pelkästä kohinasta valokuvan. Kieli- ja kuvamallien yhdistelmällä voidaan tuottaa kuvia, jotka vastaavat annettua sanallista kuvausta.

Nämä tekoälyn luomat sisällöt ovat hätkähdyttävän laadukkaita ja monella tapaa hyödyllisiä. Jos syötteenä kielimallille käytetään ihmisen puheenvuoroa, tekstiä eteenpäin jatkava kielimalli muuntuu suoraan yksinkertaiseksi keskustelevaksi tekoälyksi. Vaikka mallilla ei voida sanoa olevan ymmärrystä käsiteltävästä aiheesta, se osaa silti tuottaa mielekkäitä vastauksia myös vaativiin kysymyksiin, joihin vastaaminen edellyttää monimuotoisen tiedon yhdistämistä ja muistuttaa erehdyttävästi asian syvällistä ymmärrystä. Voidaan ajatella, että tekoäly osaa erinomaisesti näytellä henkilöä, joka tietää vastauksen haluttuun kysymykseen. Monissa tapauksissa se riittää, mutta ei kaikissa.

Tekoäly osaa hetkessä tuottaa kuvia, joiden piirtämiseen valtaosa ihmisistä ei kykenisi vuosikausien harjoittelunkaan jälkeen. Toisaalta me osaamme kuvitella vastaavia kuvia ja tämä on meille yhtä automaattista kuin näkökentän tulkinta. Tekoälyn kyvyt kuvien ja videon tuottamisessa on osuvampaa rinnastaa kuvitteluun. Kunhan kone on oppinut kuvittelemaan, varsinaisen kuvan muodostaminen, joka merkitsee pikselien tallentamista tietokoneen muistiin, on tietokoneelle erittäin yksinkertainen tehtävä ja sen takia kuvittelun tulos saadaan ihmisen hyödynnettäväksi ilman piirtämiseen tarvittavia motorisia taitoja. Koneelle vaikean osatehtävän ratkaisu johti suoraan häkellyttäviin tuloksiin, koska muut osaongelmat olivat sille helppoja.

Perustamallit kehityksen pohjana

Vaikka edellä kuvatuille malleille löytyy runsaasti käyttöä jo luovina tekoälyinä, niillä on myös toinen merkitys, jossa mallin arvo on sen sisäisessä esityksessä. Suuret kielimallit ja kuvia ymmärtävät mallit ovat esimerkkejä niin kutsutuista perustamalleista (engl. foundation model) (Bommasani R. ym. 2021). Ne ovat malleja, jotka on opetettu suurilla tietoaineistoilla siten, että ne oppivat mielekkään sisäisen esityksen kunkin mallin ominaiselle datalle. Nimensä mukaisesti niitä voidaan käyttää pohjana tai perustana uusille malleille, mutta ne eivät vielä ratkaise kuin pienen joukon ongelmia (kuvio 2).

Kuvio 2. Perustamallit opetetaan laajalla ja monipuolisella tietoaineistolla ratkaisemaan erilaisia tehtäviä itseoppimisen periaatteella. Malli oppii havainnoille sisäisen esityksen, joka auttaa uusien ongelmien ratkaisemisessa. Malli voidaan hienosäätää sovellusalueen datalla ja sen päälle on helppo opettaa malleja uusiin tehtäviin.

Tällä hetkellä moni tutkii, miten perustamallien avulla voidaan ratkaista tehokkaasti uusia ongelmia. Helpoimmillaan se tapahtuu hienosäätämällä mallia tietyn tehtävän datalla. Esimerkiksi kuvia ymmärtävää mallia voidaan käyttää lähtökohtana lääketieteellisten kuvien analyysissa. Mallin oppimiseen tarvitaan vähemmän dataa, koska perustamalli osaa jo käsitellä kuvissa esiintyviä rakenteita ja niiden välisiä suhteita. Perustamalleihin voidaan myös liittää muita malleja ja kielimalleihin lisätäänkin jatkuvasti uusia toiminnallisuuksia sallimalla, että se kutsuu ulkoisia ohjelmia.

Enää tuskin kannattaa luoda luonnollista kieltä tai kuvia käsittelevää tekoälymenetelmää, joka ei jollain tavalla rakentuisi valmiiksi opetettujen perustamallien päälle. Tämä muuttaa myös alan tutkimusta. Jokainen menetelmä rakentuu entistä suoremmin muiden tarjolle tuomien komponenttien päälle. Perustamallien hyödyt ovat selviä, mutta niiden käyttöön liittyy myös avoimia kysymyksiä. Miten tutkijan tai yrityksen tulisi suhtautua siihen, jos oman ratkaisun pohjana käytetystä kielimallista myöhemmin löydetään merkittävä puute tai se on kehitetty epäeettisesti? Entä jos perustamallin kehittänyt yritys vetää sen pois saatavilta tai alkaa laskuttaa sen käytöstä päätähuimaavia summia? Miten varmistetaan, että oma ratkaisu toimii hyvin tulevienkin perustamallien kanssa?

Samaan aikaan luodaan myös uusia perustamalleja. Ihmisen aistiympäristö kattaa loppujen lopuksi melko pienen osan niistä ilmiöistä, joita haluaisimme tekoälyjen käsittelevän. Samoihin oppimisperiaatteisiin nojaten kehitetään malleja esimerkiksi satelliittikuville ja lääkemolekyyleille, mutta useimmiten tarvitaan uutta tieteellistä tietoa esimerkiksi siitä, kuinka muodostetaan kullekin datatyypille parhaiten sopivia oppimistehtäviä itseohjattuun oppimiseen. Kohinan poisto tai seuraavan sanan ennustaminen ovat luontevia tehtäviä, mutta minkä tehtävän avulla opitaan hyvä malli solubiologiasta?

Toinen merkittävä haaste on riittävän kattavan datan kerääminen ja mallin usein korkeiden kehityskustannusten kattaminen. Suomessakin on paljon osaavia tekijöitä, jotka tuntevat perustamallien oppimiseen tarvittavat algoritmit ja CSC tarjoaa kattavat laskentaresurssit, mutta datan kerääminen ja käsittely on kallista. Suuryhtiöt ovat panostaneet kielen ja kuvan perustamalleihin suunnattomasti, koska näkevät niille kaupallisesti kannattavia sovelluksia, mutta emme voi luottaa niiden luovan vastaavia malleja kaikkiin tarkoituksiin. Esimerkiksi räätälöityjä opetuksen tukiratkaisuja voitaisiin tehokkaasti kehittää kunkin lapsen osaamistarpeita ymmärtävän perustamallin päälle, mutta olemmeko valmiita rahoittamaan perustamallin kehityskustannukset, jos konkreettiset hyödyt saadaan esille vasta vuosikymmenen kuluttua? Miten kemianteollisuuden yritykset saadaan yhdessä ponnistelemaan prosessiteollisuuden ilmiöiden mallintamiseen tarvittavien perustamallien eteen?

Avoimet haasteet – mitä seuraavaksi?

Kyky käsitellä ihmisen aistiympäristöä ratkaisee vain pienen, vaikkakin tärkeän, osan tekoälyn haasteista ja työtä riittää vielä paljon.

Alan kenties suurin avoin ongelma on kausaliteetti eli syy-seuraussuhteet. Ennustaminen ei riitä monissa sovelluksissa, lääketieteestä poliittiseen päätöksentekoon, vaan haluttaisiin päätellä, mikä suunnitellun toimen seuraus olisi. Kausaliteetin parissa on tehty alalla tutkimusta jo vuosikymmenien ajan, mutta valmiita ratkaisuja on vielä valitettavan vähän. Kausaalisia suhteita voidaan kyllä päätellä luotettavasti, mutta vain melko rajatuissa tilanteissa. Muissa tilanteissa voidaan usein osoittaa, että kausaalisia suhteita ei voida aukottomasti päätellä. Tämä on tärkeä tieto, mutta soveltajien näkökulmasta usein pettymys.

Toinen keskeinen haaste liittyy epävarmuuksien luotettavaan mallintamiseen. Erityisesti on tärkeää, että autonomisesti toimivat järjestelmät pystyvät arvioimaan, milloin ne ovat varmasti oikeassa ja milloin vastaukseen liittyy epävarmuuksia. Vaikka tilastollisten oppimismenetelmien avulla voidaankin periaatteessa ottaa epävarmuudet huomioon perustellulla tavalla, monet nykyisistä malleista ovat liian itsevarmoja. Epävarmuuksien huomioimisen tärkeys korostuu silloin, kun mallien oppimiseen on käytettävissä vain vähän dataa. Vaikka osassa sovelluksista datan määrä on vain kustannuskysymys, monissa tilanteissa dataa ei yksinkertaisesti ole olemassa enempää. Ensimmäistä Mars-lentoa tehdessä ei ole olemassa aiemmilla lennoilla mitattua dataa, fossiileja on olemassa rajatusti, ja harvinaisia sairauksia potevia potilaita on vähän kuten sairausryhmän nimi kertoo.

Tutkimusta tarvitaan myös ihmisten ja tekoälyjen yhteistyön parantamiseksi. Moni kaipaa tulkittavia tekoälyjä, jotka osaavat aina perustella, miksi päätyivät antamaansa vastaukseen. Vaikka tämä on pääpiirteittäin toivottava ominaisuus, on hyvä muistaa, että myöskään ihmiset eivät ole tulkittavia. Kuka osaa kertoa, miksi naurahti, kun työkaveri lounaalla valitti liian suolaisesta ruuasta? Osaako radiologi kertoa, miksi hän teki yhden potilaan kohdalla virhetulkinnan? Voinko luvata, että kohtelen kaikkia asiakkaita tasapuolisesti myös väsyneenä? Tekoälyjärjestelmät ovat jo nyt usein tässä mielessä läpinäkyvämpiä ja tasapuolisempia kuin ihmiset, mutta me edellytämme tekoälyltä enemmän kuin toisiltamme. Keskustelevat tekoälyt osaavat jo pyydettäessä muokata ilmaisuaan huomioidakseen keskustelukumppanin mielentilan, mutta meille tämä on erittäin hankalaa. Onko vastuu ihmisen tunteisiin ja oikkuihin reagoimisessa jatkossa nimenomaan tekoälyllä?

On aika kohdistaa katse myös siihen, miten tekoälyjä hyödynnetään mahdollisimman tehokkaasti kaikkein hankalimpien ongelmien ratkaisemisessa. Mikä on tekoälyn asema ilmastonmuutoksen hallinnassa tai miten sen avulla edistetään yhdenvertaisuutta? Näiden ongelmien ratkaisu ei ole autonominen tekoäly, eikä myöskään erilliset tekoälymallit osana ihmisen työkalupakkia. Niiden sijaan tarvitaan ratkaisuja, jossa ihminen ja tekoäly toimivat aidosti yhteistyössä. Tähän keskittyvää tutkimusta tehdään Suomen Akatemian lippulaivahankkeessa Suomen tekoälykeskus (https://fcai.fi). Esimerkiksi oma tutkimukseni liittyy siihen, miten tekoälyn avulla tuetaan ihmisiä sekä tieteellisessä tutkimuksessa että tuotekehityksessä niin, että käytettävät tekoälymallit yleistyvät laajasti eri aloilla. Näin vältetään resurssien tuhlaaminen alakohtaisiin ratkaisuihin.

Yhteistyöhön rakentuvassa ratkaisussa tekoälyn on pyrittävä tekemään omasta toiminnastaan läpinäkyvää sekä yritettävä ymmärtää ihmisen tavoitteita ja toimia. Toisaalta vastuuta yhteistyöstä ei pidä ulkoistaa vain tekoälylle, vaan myös meidän kannattaa toimia niin, että yhteistyö on mahdollisimman tehokasta. Kenties kemistin kannattaa tekoälyn pyynnöstä tehdä muutama laboratoriokoe lisää, vaikka hän ei itse heti ymmärrä niiden tarvetta? Alamme hyväksyä tällaiset pyynnöt vasta, kun luotamme siihen, että tekoäly pystyy niiden avulla auttamaan meitä ratkaisevasti paremmin. Voimme oppia luottamaan vain kokeilemalla.

 

Viitteet

Vaswani A., ym. Attention is all you need. Advances in Neural Information Processing Systems 30, 2017.

Belkin M., ym. Reconciling modern machine-learning practice and the classical bias–variance trade-off. Proceedings of the National Academy of Sciences (PNAS), 116(32):15849-15854, 2019.

Moravec H., Mind children: The future of robot and human intelligence, Harvard University Press, 1988.

Krizhevsky A., ym. ImageNet classification with deep convolutional neural networks, Advances in Neural Information Processing Systems 25, 2012.

Bommasani R., ym. On the Opportunities and Risks of Foundation Models. arXiv:2108.07258, 2021.

 

Artikkelin on laatinut tekniikan tohtori Arto Klami. Hän työskentelee tietojenkäsittelytieteen apulaisprofessorina Helsingin yliopistolla.

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

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

Lue artikkeli ohesta (pdf)

Miksi tekoäly oppi näkemään ja juttelemaan nyt ja mihin se riittää Akava Works -artikkeli 1_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.

Psykososiaalinen kuormitus ja sitä koskeva sääntely Pohjoismaissa

Selvityksessä todetaan, että työturvallisuuslainsäädäntö rakentuu perusperiaatteiltaan samankaltaiseen rakenteeseen vertailumaissa. Työturvallisuuslaki on luonteeltaan puitelaki, jota on täydennetty asetuksilla tai määräyksillä. Lisäksi työsuojeluviranomaisten ei-sitovilla oppailla on usein annettu tarkentavia ja yksityiskohtaisempia ohjeita.

Selvityksen mukaan muissa Tanskassa ja Ruotsissa on tarkimmin säännelty psykososiaalisen kuormituksen hallinnasta työelämässä. Täsmällisimmät säännökset psykososiaalisesta kuormituksesta ja sen ennaltaehkäisystä on Tanskassa ja Ruotsissa, joissa erillisillä määräyksillä on täsmennetty kattavasti puitelakia. Vähiten ja epätarkimmin puitelakia on lainsäädännössä täsmennetty Suomessa.

Johtopäätökset-lukuun on koottu toimenpide-ehdotuksia. Keskeinen ehdotus on, että nykyistä työturvallisuuslakia tulisi täsmentää ja säätää uusi asetus psykososiaalisesta kuormituksesta. Asetuksessa märiteltäisiin psykososiaalisten kuormitustekijöiden mittaamisesta, arvioinnista, toimenpiteistä sekä ennaltaehkäisevästä toiminnasta.

Katsauksen ovat laatineet Lotta Savinko ja Joonas Miettinen.

Lue selvitys ohesta

Psykososiaalinen kuormitus ja sen sääntely Pohjoismaissa Akava Works -artikkeli 6_2023

Seksuaalisuuden ja sukupuolen moninaisuus työelämässä – katsaus 50 viime vuoden kehitykseen

Seksuaali- ja sukupuolivähemmistöjen kokemukset ja asema suomalaisessa työelämässä ovat muuttuneet ratkaisevalla tavalla 50 viime vuoden aikana. Lainsäädäntö on muuttunut vähemmistöjä syrjivästä niitä suojelevaksi. Seksuaalisuuden ja sukupuolen moninaisuudesta keskustellaan yhä enemmän ja aihe on tunnistettu oleelliseksi myös työelämän kehittämisen kannalta. Heteronormatiivisia käytäntöjä on alettu kyseenalaistaa yhä useammin. Huolimatta edistyksestä työelämässä on edelleen useita ongelmia tasa-arvon ja yhdenvertaisuuden toteutumisessa. Työntekijöiden moninaisuus nähdään Suomessa nykyisin voimavarana ja arvokkaana asiana. Tämä koskee aiempaa useammin myös seksuaalisuuden ja sukupuolen moninaisuutta.

Seksuaalisuuden moninaisuus sisältää ideana sen, että ihmisten seksuaalinen suuntautuminen voi olla monenlaista. Kaikki ihmiset ovat osa tätä moninaisuutta. Ihminen voi olla kiinnostunut seksuaalisesti tai romanttisesti esimerkiksi samaa, eri, samaa ja eri sukupuolta olevista tai ihmisistä sukupuolesta välittämättä tai olla tuntematta seksuaalista tai romanttista kiinnostusta ihmisiin. Ihmisen tavat määritellä itseään voivat olla moninaisia ja vaihdella elämänkaaren aikana. Tyypillisiä nykyajan käsitteitä itsemäärittelyssä ovat lesbo, homo, hetero, bi, panseksuaali ja aseksuaali (ks. Seta 2023). Näistä muut paitsi hetero on määritelty seksuaalivähemmistöihin kuuluvia kuvaavaksi termiksi.

Sukupuolen moninaisuus kuvaa sitä, että ihminen voi kokea sukupuolensa ja ilmaista sitä monin tavoin ja ihmisellä on kehossaan sukupuolitettuja synnynnäisiä fyysisiä piirteitä, jotka voivat olla moninaisia. Kaikki ihmiset ovat osa sukupuolen moninaisuutta. Ihminen voi määritellä sukupuoltaan monin tavoin: esimerkiksi olla mies, nainen, tyttö, poika, cissukupuolinen, transsukupuolinen, transvestiitti, muunsukupuolinen, sukupuoleton ja intersukupuolinen (ks. THL 2023). Näistä viisi viimeksi mainittua on sisällytetty sukupuolivähemmistöjen määritelmään. Cissukupuolisilla tarkoitetaan niitä, joiden sukupuolikokemus vastaa syntymähetken sukupuolimäärittelyä (esimerkiksi vauvana pojaksi määritelty kokee olevansa mies, häntä voi kuvata myös termillä cismies). Ihmisellä voi olla useampi sukupuolimäärittely saman aikaisesti (esimerkiksi transsukupuolinen intersukupuolinen nainen). Sukupuolivähemmistöihin kuuluvista osaa kokee olevansa naisia tai miehiä, mutta osa kokee, ettei naisen eikä miehen määrittely sovi heille. He jäävät kaksijakoisen sukupuoliajattelun ulkopuolelle.

Sekä sukupuolen että seksuaalisuuden moninaisuus ovat yhteiskunnallisia ja kulttuurisia keskustelutapoja. Niitä voi tarkastella historiallisina ja kulttuurisesti vaihtelevina ilmiöinä kuten sukupuolta ja seksuaalisuutta muutenkin. Historian eri aikoina ja eri maissa tai kulttuureissa on ollut erilaisia ymmärryksiä ja tapoja käsittää sukupuoli ja seksuaalisuus. Seksuaaliseen suuntautumiseen liitettiin erilaisia käsityksiä 50 vuotta sitten kuin nykyaikana ja eri kulttuurien kesken vaihtelee ymmärrys siitä, millainen on hyvä mies tai kunnollinen nainen tai kuinka monta sukupuolta on. Moninaisuutta lisää se, että sukupuolen ja seksuaalisuuden kanssa risteävät monet eron ulottuvuudet, kuten yhteiskuntaluokka, ikä, asuinalue, koulutustausta, etnisyys, kieli, uskonto, kykyisyys ja terveydentila (ks. Cho ym. 2013). Ne yhdessä vaikuttavat siihen, millaisia asemia ja mahdollisuuksia ihmisillä on työelämässä. Seksuaalivähemmistöihin ja sukupuolivähemmistöihin kuuluvat työntekijät eivät ole sisäisesti yhtenäisiä ihmisryhmiä, kuten eivät ole heteroseksuaaliset tai cissukupuoliset työntekijätkään, vaan kaikki eron ulottuvuudet vaikuttavat heidän kokemuksiinsa ja työmarkkina-asemiinsa.

Suomessa edelleen varsin vallitseva on sukupuoleen ja seksuaalisuuteen liittyvä ajattelutapa, jota voi kutsua heteronormatiivisuudeksi (Lehtonen 2002, Butler 1990). Siihen sisältyy ajatus, että on vain kahdenlaisia ihmisiä: 1) miehiä, jotka miehen ruumiinsa takia ovat maskuliinisia ja heteroseksuaalisia ja 2) naisia, jotka naisen ruumiinsa takia ovat feminiinisiä ja heteroseksuaalisia. Kyse ei ole vain olettamuksesta, vaan toiveesta ja normatiivisesta vaatimuksesta: näin pitääkin olla. Cisnormatiivisuudeksi voidaan kuvata sitä, että edellytetään miesruumiillisten kokevan itsensä mieheksi ja naisruumiillisten itsensä naiseksi. Sukupuolinormatiivisuus sisältää ajatuksen siitä, että miesten pitää toimia maskuliinisesti ja naisten feminiinisesti. Normatiivisella heteroseksuaalisuudella viitataan siihen, että kaikki ovat ja heidän pitäisi olla heteroseksuaalisesti suuntautuneita. Ajattelumalliin sisältyy naisen ja miehen käsittäminen toisilleen vastakkaisiksi ja erilaisiksi sekä mieheyden ja maskuliinisuuden arvottaminen naiseutta ja feminiinisyyttä arvokkaammaksi (sukupuolihierarkia). Heteronormatiivinen ajattelutapa saa ihmiset näkemään maailmansa vääristyneesti ja kapea-alaisesti. Se tekee vaikeaksi tunnistaa sukupuolen ja seksuaalisuuden moninaisuuden ja arvostaa normista eroavia ihmisiä. Se vaikeuttaa ihmisten mahdollisuuksia tehdä itselleen toimivia valintoja työelämässä sekä ura- ja koulutusvalinnoissa (Lehtonen & Mustola 2004). Heteronormatiivinen ajattelumalli on keskeinen selittävä tekijä vahvasti sukupuolijakautuneille työmarkkinoille.

 

Artikkeli (pdf) kokonaisuudessaan on luettavissa alla.

Tekijä: Jukka Lehtonen on kasvatussosiologian dosentti ja vanhempi tutkija sukupuolentutkimuksen oppiaineessa Helsingin yliopistossa. Hän on tehnyt lähes 30 vuotta tutkimusta seksuaalisuuden ja sukupuolen moninaisuudesta etenkin koulutuksen ja työelämän konteksteissa. Hän työskentelee Suomen Akatemian rahoittamassa kansainvälisessä tutkimushankkeessa ”En route to recovery: Diversity and vulnerability in care work during and after the Covid-19 pandemic” (ER2R)

 

Katso videotallenne Akava Worksin Yhdenvertainen työelämä -verkkolähetyksestä. Lähetyksessä myös Jukka Lehtonen esittelee selvityksensä keskeisiä tuloksia.

Ohessa artikkeli pdf-tiedostona

Seksuaalisuuden ja sukupuolen moninaisuus työelämässä – katsaus 50 viime vuoden kehitykseen

 

Kestävää ja inhimillistä kasvua ammattikorkeakoulujen TKI-toimintaan

Artikkeli esittelee ensin lyhyesti ammattikorkeakoulujen TKI-toiminnan nykytilaa ja sen jälkeen TKI-toiminnan kasvun nykyisiä haasteita ja tulevia mahdollisuuksia. Tarkastelu perustuu tilastoaineistoihin sekä aiempiin tutkimuksiin ja selvityksiin.

Artikkelin tavoitteena on esitellä perusteltu näkemys siitä, millä toimenpiteillä ammattikorkeakoulujen TKI-toimintaa voitaisiin tulevaisuudessa edistää. Tarkastelussa on sekä tavoiteltavalle TKI-toiminnalle että sitä edistäville toimenpiteille seuraavat reunaehdot: TKI-toiminnan ja sitä tukevien toimenpiteiden tulee olla kestäviä ja inhimillisiä.

 

Artikkelin kirjoittaja Sanni Tiitinen on yhteiskuntatieteiden tohtori. Hän työskentelee vanhempana tutkijana Jyväskylän ammattikorkeakoulussa ja on Tieteentekijöiden liiton varapuheenjohtaja. Hän kiittää Kaisa Haverista avusta tilastoaineistojen tulkinnassa ja havainnollistamisessa.

 

 

Ohessa artikkeli pdf-tiedostona

Kestävää ja inhimillistä kasvua ammattikorkeakoulujen TKI-toimintaan_Artikkeli 5_2023

Ilmasto & osaaminen, osa 5 – Mikael Fogelholm: Ilmastonmuutos haastaa muuttamaan elintapoja ja ajattelua

Ilmastonmuutoksen yhteydessä on alettu puhua planeetta Maan terveydestä tai ”planetaarisesta terveydestä” (Whitmee S. ym. 2015). Ihmisen terveyttä tarkastellaan usein terveinä elinvuosina ja sama ajatus on myös planeetan terveydessä. Kuten ihmisellä, planeetan terveisiin elinvuosiin tai toivottavasti ainakin vuosisatoihin vaikuttaa useampi asia. Ilmastonmuutos on nyt ollut esillä tiuhaan, mutta planetaarisen terveyden tekijöihin on myös laskettava ainakin biodiversiteetti eli luonnon monimuotoisuus sekä veden riittävyys, maankäyttö ja luontoon joutuva typpi ja fosfori.

On tärkeää, että ilmastonmuutos tunnistetaan ja tunnustetaan asiaksi, joka pahimmillaan lyhentää planeetan tervettä elinikää niin rajusti, että puhutaan jo lähisukupolvia koskettavasta asiasta. Mutta on oleellista ymmärtää, ettei ilmastonmuutos ole ainoa riskitekijä.

Ilmastonmuutoksen merkitystä planeetalle voi verrata pitkäaikaissairauksien vaikutuksiin ihmiselle. Korkean tulotason maissa terveitä elinvuosia vähentävät ennen kaikkea sydän- ja verisuonisairaudet, monet syöpämuodot, diabetes, mielenterveysongelmat sekä osteoporoosi ja muut tuki- ja liikuntaelinsairaudet. Useimmat edellä mainituista sairauksista ovat osin geenien säätelemiä, mutta useimpiin niistä vaikuttavat myös elintavat. Riittävän liikunnan, kasvis- ja kalapainotteisen ruokavalion, riittävän yöunen, tupakoimattomuuden, korkeintaan kohtuullisen alkoholinkäytön ja hyvien ystävyyssuhteiden on lukuisissa väestötutkimuksissa osoitettu ennustavan vähäisempää sairastavuutta ja pidempää tervettä elinaikaa.

Ihmisten elintapojen taustalla olevia syiden ymmärtäminen antaa edellytyksiä vaikuttaa niihin ja ehkäistä sairauksia. Tärkeää on lisäksi hahmottaa yksilöiden toiminnan ja yhteiskunnan päätöksenteon taustat ja vaikuttimet, jotta niitä voi alkaa muuttaa ja ohjailla.

Yksilö toimii myös muun kuin tiedon perusteella

Ihmisten terveyskäyttäytymistä ja sen muuttamista voidaan tarkastella ns. ekologisen mallin kautta (Green L, Kreuter MW. 2005). Perusajatus on, että käyttäytyminen on seurausta yksilön ja hänen ympäristönsä välisestä vuorovaikutuksesta. Lähden liikkeelle yksilöstä, jonka toimintaa ohjaavat esimerkiksi tiedot, taidot, asenteet, aikomukset, kokemukset ja odotukset omasta pystyvyydestä. Näistä helpointa on periaatteessa lisätä tietoja isollekin joukolle esimerkiksi joukkotiedotuksella. Kirjoitin ”periaatteessa”, koska tämä aikaisemmin terveyskasvatuksena tunnettu toiminta on nykyisin aivan eri haasteiden edessä kuin ennen.

Suomessa 1960-luvun lopussa työikäisten miesten kuolleisuus sydän- ja verisuonisairauksiin oli maailman korkeinta. Tämän taustalla olivat etenkin tupakoinnin yleisyys ja epäterveelliset ruokatottumukset. Varsinkin suolan ja eläinrasvan käyttö oli todella runsasta, kun taas kasvirasvan, vihannesten ja hedelmien käyttö oli aivan liian vähäistä. Tietoa esimerkiksi rasvan laadun merkityksestä terveydelle oli vasta alkanut kertyä ja ruokatottumuksia ohjasivat enemmän suomalainen ruokakulttuuri ja kauppojen tarjonta kuin tieto ruoan ja terveyden yhteyksistä.

Suomessa päätettiin ryhtyä samanaikaisesti kahteen isoon toimenpiteeseen: parantamaan väestön tietoisuutta terveellisestä ravitsemuksesta ja lisäämään terveellisen ruoan tarjontaa kaupoissa. Väestön tiedon lisääminen oli tuohon aikaan suhteellisen helppoa: esimerkiksi televisiossa oli vain kaksi kanavaa ja siksi ”Terveyden avaimet” -ohjelma, jota Pekka Puska isännöi, sai valtavan näkyvyyden 1970-luvulla. Ohjelman toteutus oli ajan hengen mukaisesti tiukan asiallinen, eikä sellaista ohjelmaa juuri kukaan enää katsoisi. Mutta silloin ei juurikaan ollut vaihtoehtoista informaatiota, ei myöskään sekoittavaa informaatiota.

Terveystiedon lisääminen on nykyisin vaikeaa tieto-, mielipide- ja kanavatulvan keskellä.

Jos nyt yritettäisiin parantaa ihmisten tiedon tasoa vaikkapa ruoan tai matkustamisen ympäristövaikutuksista, esimerkiksi televisio-ohjelma kilpailisi kymmenien muiden kanavien samanaikaisesta tarjonnasta. Lisäksi kaikista yhteiskunnallisesti merkittävistä asioista löytyy nykyisin kymmeniä, ellei satoja, ns. asiantuntijoita, joilla on ihan omat näkemyksensä. Jos koronapandemia olisi iskenyt Suomeen 1970-luvulla, Kansanterveyslaitoksella eli Terveyden ja hyvinvoinnin laitoksen edeltäjällä olisi ollut aika lailla monopoliasema tiedon jakamisessa, joka olisi myös helpottanut vaikuttamista.

Yksilön asenteet ja sosiaalinen viitekehys vaikuttavat tiedon vastaanottoon ja sen hyväksymiseen. Hyvänä esimerkkinä tästä on kasvisruoasta ja lihan käytön vähentämisestä vellova keskustelu. Jos asenne on riittävän tiukka linjalla ”minä en pupujen ruokaa syö”, tieto esimerkiksi punaisen lihan terveys- ja ympäristövaikutuksista ei laskeudu otolliseen maaperään. Tiedon tulkintakin on politisoitunutta ja ihmisen kannattaman puolueen näkökanta voi myös vaikuttaa siihen, miten vastaanottavainen hän on uudelle tiedolle. Tätä muuria on ulkopuolelta vaikea murtaa asenteita kyseenalaistavalla tiedolla.

Asenteet voivat muodostaa muurin tiedolle.

Ympäristö- tai terveysasenteet voivat kuitenkin muuttua ainakin kahdella tavalla. Sosiaalinen ympäristö vaikuttaa vahvasti asenteisiin. Jos se muuttuu, omat asenteetkin voivat muokkautua. Esimerkiksi vannoutuneen lihansyöjän asenteet voivat muuttua, jos hän alkaa seurustella kasvissyöjän kanssa. Myös kauempana itsestä olevat roolimallit saattavat vaikuttaa, kuten vaikka huipputasolla oleva voimaurheilija, joka noudattaa vegaaniruokavaliota.

Hyvät kokemukset esimerkiksi liikunnasta tai kasvisruokavaliosta voivat nekin muokata asenteita. Näiden saaminen voi olla kuitenkin haastavaa, koska asenteet itsessään vaikuttavat kokemuksiin. Jos jonkun mielestä kasvisruoka on pahaa, edes muiden myönteiset kokemukset eivät välttämättä tuo hyvän kokemusta. Joka tapauksessa helpot vapaaehtoiset kokeilut voivat parhaimmillaan muokata asenteita.

Kokemusten kautta ihmiselle tulee erilaisiin toimintoihin liittyviä odotuksia: ne, jotka jo valmiiksi odottavat, että liikunta tuottaa hyvän olon, liikkuvat myös silloin, kun ympäristö ei suorastaan kannusta liikkumaan.

Vahva usko omasta pystyvyydestä (pystyvyysodotus, self-efficacy) on yksi keskeisimmistä yksilöön liittyvistä psykologisista piirteistä, joka selittää muutoksia toiminnassa ja käyttäytymisessä. Vaikka pystyvyysodotus on osin henkilökohtainen ominaisuus, siihen voi vaikuttaa saavutettavien tavoitteiden kautta. Liian kovat tavoitteet lannistavat useimmat ihmiset jo alkuunsa: lihansyöjälle ei siksi kannata tarjota tavoitteeksi vegaaniruokavaliota, eikä liikuntaa harrastamattomalle maratonjuoksua.

Artikkeli jatkuu kuvan jälkeen.

 

Fyysinen ja sosiaalinen ympäristö vaikuttavat kaikkien elintapoihin

Monet katsovat, että yksilö on itse vastuussa elintavoistaan, mutta tämä on vain uskomus vailla näyttöä. Ajatus yksilön ja ympäristön yhteisestä merkityksestä ihmisen käyttäytymisen selittäjänä on itse asiassa esitelty jo 1920-luvulla, mutta varsinaisesti terveyden edistämiseen tämä teoria muokattiin noin 50 vuotta sitten. Ympäristö jaetaan sosiaaliseen ja fyysiseen, mutta sitä voi tarkastella myös läheisyyden kautta, siis suhteessa yksilöön tai väestöön (Nieuwendyk LM ym. 2016). Mikro- eli lähiympäristö on osa yksilön päivittäistä elämää, sitä ovat esimerkiksi koti, koulu, työ ja lähiasuinalue fyysisenä ja sosiaalisena ympäristönä. Makroympäristö taas käsittää laajemmin ihmisten elämään vaikuttavia toimintoja ja rakenteita, erityisesti poliittiset päätökset, median vaikutuksen, kulttuurin sekä yleiset asenteet ja normit.

Sekä mikro- että makroympäristössä on erotettavissa tarjonta eli mahdollisuudet, säädökset, taloudelliset kysymykset sekä sosiaalinen ja kulttuurinen ympäristö (taulukko 1). Nämä voivat jossain määrin myös vaikuttaa toisiinsa, esimerkiksi lakisääteisesti voidaan rajoittaa epäterveellisten ruokien markkinointia tai vaikuttaa ruoan hintaan.

Fogelholm taulukko
Taulukko 1: Esimerkkejä ihmisten toimintaan vaikuttavista mikro- ja makroympäristöistä (Nieuwendyk ym., 2016)

Ympäristö voi rajoittaa, mahdollistaa, kannustaa tai pakottaa tiettyyn käyttäytymiseen. Esimerkiksi talo, jonka portaikkoon ei ala-aulasta pääse, pakottaa käyttämään hissiä. Portaiden ja hissin sijainti vierekkäin aulassa antaa tasavertaisen mahdollisuuden valita jompikumpi. Jos portaat ovat lähempänä ulko-ovea, ne voivat ehkä kannustaa aktiiviseen kapuamiseen seuraaviin kerroksiin. Ja talo, jossa ei ole hissiä, tietenkin pakottaa käyttämään portaita, mutta esteettömyysvaatimusten takia tämä ei siis ole enää ole todellisen elämän esimerkki.

Vastaavaa jakoa voi käyttää myös sosiaalisesta ympäristöstä. Kuvitellaan edellä olevaa esimerkkiä mahdollistavassa fyysisessä ympäristössä, siis kun hissi ja portaat ovat vierekkäin. Jos neljä ihmistä tulee samaan aikaan taloon mennäkseen kolmannessa kerroksessa olevaan kokoukseen, hissin tai portaiden valinta voi perustua ensimmäisenä kävelevän valintaan. Tai sitten joku ryhmästä ehdottaa todennäköisen oletuksen eli hissin käytön sijasta portaiden kävelyä, jolloin muu ryhmä ehkä seuraa perässä.

Ympäristö vaikuttaa eri ihmisiin eri tavoin eli näin tullaan yksilön ja ympäristön yhdysvaikutukseen. Hyvin yksinkertaisesti: jos ihminen on motivoitunut ja haluaa toimia tietyllä tavalla, hänelle epäedullinenkaan ympäristö ei ole ongelma, ellei se muodosta täyttä estettä. Motivoitunut portaiden käyttäjä antaa muiden mennä hissillä ja on valmis etsimään portaikon, vaikka vähän kauempaa ulko-ovesta. Sen sijaan vähemmän innostunut henkilö tarvitsee paljon kannustavamman ympäristön, jotta hän valitsisi portaat. On kuitenkin hyvä muistaa, että yksilömotiivitkin ovat muokkautuneet koko elämän aikana ympäristön vaikutuksesta. Siksi tämä yksilön ja ympäristön yhdysvaikutus ei millään tavoin tue uskomusta, että vain yksilö itse on vastuussa valinnoistaan.

 

Ympäristö Suomessa tukee terveyskäyttäytymistä yhä paremmin

On mielenkiintoista pohtia, millainen suomalainen makroympäristö on ja sen viimeaikainen muutos kahden keskeisen, ilmastonmuutokseen vaikuttavan käyttäytymisen eli arkiliikunnan ja nykyistä selvästi vähemmän lihaa sisältävän ruokavalion kannalta. Lähden liikkeelle arkiliikunnasta, jossa esimerkiksi valitaan kävely tai pyöräily autoilun sijaan.

Reippaan kävelyn kuormituksella tapahtuvan liikkumisen terveysvaikutuksista alettiin saada enemmän tietoa 1980-luvulla. Silloinen terveysliikunnan viestintä ja kunnallinen kehittäminen keskittyi hyvin pitkälle työmatkakävelyyn ja -pyöräilyyn. Motiivina oli tuolloin enemmän terveys kuin ympäristö, mutta sillä ei ole merkitystä toteutumisen kannalta. Suomi on 50 viime vuoden aikana mielestäni kehittynyt tosi paljon arkiliikuntaympäristönä. Jos unohdetaan Tanskan ja Hollannin kaltaiset pyöräilyparatiisit, Suomessa on sekä suurissa kaupungeissa että pienissä kunnissa varsin hyvä kävellä ja pyöräillä. Kevyen liikenteen väylien verkosto on hyvä ja Suomessa on ainakin kohtuullisen turvallista liikkua ainakin kansainvälisessä vertailussa.

Tutkimusten mukaan arkiliikunnan edistäminen ei vain onnistu porkkanalla, vaan tarvitaan keppiäkin. Ilmastonmuutoksen hidastamisen kannalta on tärkeää vähentää fossiilisilla polttoaineilla kulkevien autojen käyttöä ja siksi pyöräilyn tai kävelyn töihin pitää olla autoilua houkuttelevampi vaihtoehto. Ihmisille käyttäytymisen muuttaminen on nimittäin enimmäkseen vaihtokauppaa, jossa vanha tapa korvataan jollain uudella. Vanhaan on totuttu ja se on yleensä yksilön omasta näkökulmasta jo pitkään tarjonnut etuja uuteen verrattuna, muutenhan muutos olisi tapahtunut itsestään. Niinpä pitääkin kysyä, miksi joku vaihtaisi autoilun arkiliikuntaan esimerkiksi työmatkalla? Usein voi olla vaikeaa voittaa ajassa, mutta ehkäpä rahallisesti. Tämä on yksi syy pohtia ns. ruuhkamaksuja ja pysäköintimaksuja kaupungin keskustoissa.

Työnantajat voivat omalta osaltaan tehdä vaihtokaupan arkiliikuntaan houkuttelevammaksi. Esimerkiksi Helsingin yliopiston Viikin kampuksella ei kukaan enää pysäköi autolla ilmaiseksi, mikä on siis taloudellista ohjaamista. Toisaalta meillä on myös hikiliikkujille suihkumahdollisuus. Vielä kun saisi hyvät vaatteiden kuivauspaikat, ei harmittaisi, vaikka aamun työmatkalla sataisi kaatamalla.

Etätyön yleistyminen monilla aloilla on ilmastonmuutoksen hidastamisen kannalta vain hyvä muutos, koska kotiin jäämällä ja etäyhteyksillä voidaan vähentää sekä autoilua että lentämistä. Terveyden näkökulmasta tämä voi joillekin olla huono vaihtoehto, jos työmatkakävely tai -pyöräily on ollut luontevin tapa saada liikuntaa. Toisaalta aikaa säästyy muihin liikuntamuotoihin, jos liikunta itsensä takia vain sopii omaan pirtaan.

Ruokajärjestelmä ja -ympäristö ovat muuttuneet vuosikymmenien aikana, eivätkä kaikki muutokset ole olleet ilmastonmuutoksen kannalta hyviä. Ruokaa pyritään myymään enemmän esimerkiksi pakkauskokoja suurentamalla, hintaan liittyvillä erikoistarjouksilla ja isoissa supermarketeissa ihan pelkästään tarjoamalla yhä enemmän houkutuksia. Kaikki tuotettu ja ostettu ruoka kuormittavat ympäristöä jo sinällään.

Hiilijalanjäljen ja siten ilmastonmuutoksen kannalta ruokavalion proteiinien lähteillä on merkitystä: eläinproteiinista pitäisi siirtyä vahvasti kasviproteiiniin (Willett W, ym. 2019). Suomessa noin 2/3 proteiinista on eläinperäistä, ja tämä osuus pitäisi ehdottomasti saada pienennettyä puoleen nykyisestä. Samalla tilalle valitaan esimerkiksi palkokasviperäistä proteiinia.

Syömme sitä, mitä tuotetaan ja tuotamme sitä, mitä tuetaan (Hofman-Bergholm M. 2022). Vaikka Suomessakin on loistavia esimerkkejä yksittäisten maanviljelijöiden muutoshalukkuudesta, maatalous näyttää yleisemmin edelleenkin toimivan kuin vanhasta muistista. Tällä on poliittinen ja järjestötason tuki. Jokin oivallus näillä sektoreilla tarvitaan, jotta ruokajärjestelmää saadaan muokattua.

Syömme sitä, mitä tuotetaan ja tuotamme sitä, mitä tuetaan.

Kuluttajan näkökulmasta ympäristö on toki muuttunut myönteisesti: kasviproteiinin tarjonta kaupoissa kasvaa koko ajan ja joukkoruokailussa ainakin lakto-vegetaarisen kasvisruoan tarjonta on lisääntynyt. Ja kun mennään vähän pienempään kuplaan eli yliopistojen opiskelijaravintoloihin, edes vegaaniruokavaliota noudattavilla ei enää pitäisi nykyisin olla ongelmia hyvän lounaan koostamisessa.

Edelliset esimerkit kertovat paljon siitä, mitä monissa yrityksissä on jo tehty arkiliikunnan ja kasvisvoittoisen ruokavalion tukemisessa. Toisaalta monissa paikoissa on vielä mahdollisuuksia parantaa nykyisestä. Lisäksi kannustavaa ilmapiiriä ja esimerkkejä tarvitaan. Johdon esimerkki on tärkeää, mutta johdonmukaisuus on vielä olennaisempaa. Jos organisaatiossa päätetään, että yhteisissä tilaisuuksissa tarjotaan kasvisruokaa, mutta kuitenkin tarjotaan liharuokia johdon edustustilaisuuksissa, ollaan heikoilla jäillä.

 

Onko eettistä ohjata ja vaikuttaa?

Eikö ihmisellä ole oikeus toimia aivan kuten hän tahtoo? Eikö ihminen saa syödä mitä huvittaa ja mennä autolla, jos se on mukavaa? Tämä on terveyden edistämisen eettisessä pohdinnassa aivan keskeinen kysymys. Ihmisellä on oikeus autonomiaan. Toisaalta kaikilla meillä – myös tulevilla sukupolvilla – on oikeus hyvään terveyteen ja elämään. Jälkimmäinen antaa tietyissä rajoissa oikeuden ohjata ihmisten käyttäytymistä esimerkiksi poliittisten ja taloudellisten ratkaisujen avulla.

Kaikilla meillä on oikeus hyvään terveyteen ja elämään, myös tulevilla sukupolvilla.

Samalla on hyvä muistaa, että toimintamme ja käyttäytymisemme ovat jo nyt yksilön ja ympäristön yhteistulos, johon myös ohjaus on vaikuttanut. Esimerkiksi ruoan markkinointiin käytetään valtavia summia rahaa, eikä tämä pääosin kohdennu terveellisen ruoan markkinointiin. Ja vaikka lapsiin kohdistuvaa epäterveellisten elintarvikkeiden markkinointia esimerkiksi televisiossa on rajoitettu Suomessakin, lapsiin ja nuoriin vaikutetaan sosiaalisen median kautta tavalla, jota on vaikeaa kontrolloida. Mainonta houkuttelee meitä myös kaukolentämään lomalle ja ohjaa meitä ostamaan koko ajan vain isompia autoja.

Tästä näkökulmasta on minusta helppo sanoa, että yhteiskunnallinen ohjaus, joka tasapainottaa nykyistä, varsin kaupallista ohjausta, ei ole epäeettistä. Kun terveys- ja ympäristölähtöisellä ohjauksella kannustetaan yksilöiden ja yhteiskunnan kannalta kestävämpään kuluttamiseen ja elintapoihin, tuntuisi jopa epäeettiseltä olla puuttumatta.

 

Millaista osaamista muutoksen hallinta ja ohjaaminen edellyttävät?

Ilmastonmuutosta ja sen edellyttämää vihreää siirtymää kutsutaan viheliäiksi ongelmiksi. Nimitys on aika osuva, varsinkin kun hahmottaa, miten monisyisestä ja moneen tekijään kytkeytyneestä asiasta on kysymys. Samalla ilmastonmuutoksen seuraukset ovat globaaleja, lukuisia ja vakavia. Yhdessä etenkin biodiversiteetin vähenemisen kanssa nämä ongelmat heikentävät planeettamme terveyttä, ja mitä todennäköisimmin lyhentävät planeetan elinikää huomattavasti.

Ilmastonmuutoksen ongelman monimutkaisuudesta saa hyvän kuvan, kun sen rinnastaa kirjoituksen alussa mainittuihin sydän- ja verisuonisairauksiin. Pelkästään tämän yhden pitkäaikaissairauden ehkäisy, hoito ja kuntoutus edellyttävät erittäin laaja-alaista osaamista myös terveyssektorin ulkopuolelta ja samalla näkemystä menneisyydestä, nykyisyydestä ja tulevaisuudesta. Monet ratkaisut, joilla ehkäistään pitkäaikaissairauksia, ovat myös osa ilmastonmuutoksen hidastamista. Mutta pitkäaikaissairauksien ehkäisyn monimutkaisuus on ikään kuin osa ilmastonmuutoksen torjunnassa. Näin ilmastonmuutokseen reagoinnissa on kyse useamman tason moniulotteisuudesta ja ratkaisuista.

Yksi tärkeä osaaminen liittyy ongelman ymmärtämiseen. Mutta sen monimutkaisuuden takia useimmilla kovillakin asiantuntijoilla tulee yksin pohtiessa seinä vastaan. Laaja-alaisuuden ja tulevaisuuden suuntautumisen lisäksi tarvitaan vahva ymmärrys oman ymmärryksen rajoista ja luottamus muiden alan asiantuntijoiden tietoon ja näkemykseen. Monet ilmiöt, kuten korona, ovat viime vuosina synnyttäneet sosiaaliseen mediaan ison joukon itseoppineita ”asiantuntijoita”, joilta puuttuu ymmärrys oman ymmärryksen rajoista. Ja tietenkin heiltä puuttuu luottamus oikeisiin osaajiin. Tämä keskustelu helposti sekoittaa tavallisten ihmisten ajatuksia.

Ilmastonmuutos haastaa nykyiset elämäntapamme, johon me kukin olemme hyvin ihastuneita. Muutoksia pitäisi tehdä sekä ruokatottumuksiin että liikkumiseen, mukaan luettuna matkustaminen, mutta tämä herättää suurta vastustusta ja jopa vihaa. Niinpä on helppo joko nostaa kädet pystyyn, koska ”emme voi asialle mitään”, kieltää tai vähätellä asiaa väittäen, että ”ilmastonmuutosta on selvästi liioiteltu” tai vain odottaa, että joku tuottaa ratkaisuja, esimerkiksi sähköautoja, jotka mahdollistavat entisen elämäntyylin jatkumisen.

Ilmastonmuutos haastaa elämäntapamme. Muutoksia pitäisi tehdä sekä ruokatottumuksiin että liikkumiseen, myös matkustamiseen.

Ilmastonmuutosta pitää tutkita monitieteisesti, yhdistämällä erilaisten tieteenalojen osaamista ja teorioita. Tutkimuksissa on myös hyvä yhdistää luonnontieteellinen osaaminen käyttäytymistieteisiin ja humanistisiin aloihin, jolloin samalla otetaan käyttöön sekä laadullisten että määrällisten asetelmien ja analyysien vahvuudet. Kun tietoa viedään käytäntöön esimerkiksi työelämässä, panostetaan samalla tavalla monialaisuuteen ja yhdessä tekemiseen. Erityisen tärkeää käytännön sovelluksille on hahmottaa, miten laajasti kyse on ihmisten käyttäytymisestä ja toiminnasta. Eikä vain yksilöiden omasta käyttäytymisestä, vaan myös päätöksistä, jotka vaikuttavat näihin ja sitä kautta ihmisten ja planeetan terveyteen lähitulevaisuudessa ja paljon pidemmällä aikavälillä.

 

Viitteet:

Whitmee S, ym. Safeguarding human health in the Anthropocene epoch: report of The Rockefeller Foundation-Lancet Commission on planetary health. Lancet. 2015 Nov 14;386(10007):1973-2028.

Green L, Kreuter MW. Health Program Planning: An Educational and Ecological Approach. 4th ed. Boston: McGraw-Hill, 2005.

Nieuwendyk LM ym. How perceptions of community environment influence health behaviours: using the Analysis Grid for Environments Linked to Obesity Framework as a mechanism for exploration. Health Promot Chronic Dis Prev Can. 2016 Sep; 36(9): 175–184.

Willett W, ym. Food in the Anthropocene: the EAT-Lancet Commission on healthy diets from sustainable food systems.Lancet. 2019 Feb 2;393(10170):447-492.

Hofman-Bergholm M. A Transition towards a Food and Agricultural System That Includes Both Food Security and Planetary Health. Foods. 2022 Dec 20;12(1):12.

 

MIKAEL FOGELHOLM
ravitsemustieteen professori, Helsingin yliopisto