Vinoumat tekoälyn kanssa työskennellessä – kaksiteräinen miekka

Kirjoittaja: Anna Haverinen

Kuvat: Lauri Eskelinen ja Jeswin Sasindran

 

Kesäkuun lopussa Yle uutisoi, että valtiovarainministeriön kansliapäällikkö Juha Majanen on kertonut Helsingin Sanomille koko julkisen sektorin rakentuvan toimimaan tekoälypohjaisesti vuoteen 2031 mennessä. Yhteinen alusta, johon valitaan kulloinkin markkinoiden paras tekoäly. Henkilöstöä vähennetään pääosin niin, ettei eläköityvien tilalle palkata uusia, mutta Majanen sanoi suoraan myös sen, mitä siihen liittyy: moni ihminen menettää työnsä.

Itselleni jäi mieleen pisimpään toinen lause: kuvaus alustasta itsestään, aina vain markkinoiden paras tekoäly. Ikään kuin kyse olisi neutraalista teknisestä valinnasta eikä päätöksestä siitä, kenen logiikalla miljoonien ihmisten palvelut ja oikeudet tästä eteenpäin järjestyvät.

Kun tekoälyä halutaan käyttää ihmisten työn tehostamiseen, on lopulta kysymys siitä, mitä asiantuntijatyössä tarkoittaa kykyä ajatella: kuka tulkitsee, millaista dataa, mikä rooli päätöksenteossa on hiljaisella tiedolla, millä perusteilla, ja mihin kaikkeen ihmisten manuaalista työtä tulisi tai ei tulisi käyttää? Osa saattaa nimittäin olla lakisääteisiä, virkamiesvastuuseen kuuluvia tehtäviä. Julkisen sektorin ulkopuolella työskentelevillä taas kyse on organisaation arvioista, kulttuurista ja toimintatavoista.

 

Mitä ajattelu tietotyössä oikeastaan on?

Asiantuntijatyö esitetään usein kahtena vaiheena: ensin selvitetään, mitä ongelmaa ollaan ratkaisemassa, sitten päätetään, miten se ratkaistaan. Vaiheet limittyvät käytännössä jatkuvasti, mutta jako on hyödyllinen, koska se tekee näkyväksi, kuinka monesta pienestä rajauksesta ajattelu oikeasti koostuu. Ajattelu tuntuu usein siltä, että jokin ilmaantuu mieleen valmiina, oivalluksena joka vain syntyy. Todellisuudessa se on sarja perättäisiä valintoja siitä, mitä huomataan ja mitä ei.

Selvitysvaiheessa rajataan, mitä ilmiötä ja keitä tutkitaan, ja yhtä tarkasti, ketkä jäävät tarkastelun ulkopuolelle. Rajataan, miten tietoa kerätään ja kuinka syvälle mennään. Rajataan, mikä havainto nostetaan merkitykselliseksi ja mikä jää kohinaksi. Ratkaisuvaiheessa rajataan, kenen näkökulmasta ongelma muotoillaan, mitkä tarpeet asetetaan etusijalle ja mihin keskitytään, kun aikaa ja resursseja ei koskaan ole loputtomasti.

Jokainen näistä rajauksista on päätös ja tulkinta, ja tulkinta syntyy aina jostain näkökulmasta, jonka joku on valinnut joko yksin tai yhdessä. Koko tällaisen prosessin automatisoituminen ja ulkoistaminen koneelle vaatii tarkkaa prosessintulkintaa ja datanhallintaa, jotta se voidaan pilkkoa koneelle ymmärrettäväksi. Harva meistä kuitenkaan on koskaan reflektoinut tai analysoinut omaa tapaansa työskennellä ja toimia tietotyössä siinä muodossa, että sen voisi esittää koneelle.

 

Kuvassa: Anna Haverinen Helsingin Ekonomien, Service Design Network Finlandin ja Goforen yhteistapahtumassaapahtumassa: Ihminen, tekoäly ja päätöksenteko – mistä syntyy onnistuminen?

 

Vinoumat ovat inhimillisiä – mutta eivät koneelle

Ihminen ei voi operoida maailmassa ilman vinoumia. Vahvistusharha saa etsimään vain omaa näkemystä tukevia todisteita. Ankkurivaikutus saa ensimmäisenä kuullun tiedon ohjaamaan kaikkea sen jälkeen tulevaa tulkintaa. Jokainen valinta siitä, mitä havainnoida ja miten tulkita, kantaa mukanaan koulutusta, kulttuuria ja oletuksia, joita ei aina huomaa kantavansa.

Toisin kuin ihminen, kielimalli ei tiedä, mitä se ei tiedä. Se ei epäröi sen takia, että aihe olisi sille vieras, koska sille mikään aihe ei ole vieras tavalla, jonka se itse tunnistaisi. Se tuottaa vastauksen samalla sujuvuudella riippumatta siitä, lepääkö sen takana vankka aineisto vai ohut tilastollinen todistus, koska se on suunniteltu arvaamaan käyttäjäänsä miellyttävä vastaus – ei etsimään lopullista totuutta. On erittäin vaikeaa saada kielimalli vastaamaan “en tiedä”, sillä jopa hallusinoidessaan se uskoo olevansa oikeassa (mikä toki voidaan tulkita myös joidenkin ihmispersoonallisuuksien tapana esittää näkökulmiaan totuutena, tätä kutsutaan myös dunning-krugerin vinoumaksi).

Silti monella tietotyöläisellä on lipsahtanut generatiivisen tekoälyn käyttö faktan etsinnäksi. Tällaisia kustomoituja ratkaisuja on toki mahdollista ohjelmoida, mutta nämä yleisimmät käytössä olevat generatiiviset kielimallit ovat yleistäviä, eivät erikoistuneita ratkaisuja. Niiden kyky tuottaa ihmisen kaltaista dialogia saa kuitenkin monen käyttäjän kriittisyyden hälvenemään, sillä ihmismäisyys aiheuttaa meillä luontaisen vasteen kokea algoritmi ihmisen kaltaisena (tätä kutsutaan myös anthropomorfismiksi). Käytännössä tämä näkyy luontaisena haluna kiittää ja toivottaa mukavaa päivän jatkoa, vaikka tutkimusten mukaan tämä ei tuota laadultaan parempia vastauksia vaan aiheuttaa vain ylimääräistä energian kulutusta.

 

Vinoumat siirtyvät uuteen paikkaan

Kun tekoälyä tuodaan osaksi esimeriksi muotoiluhankkeessa esiselvitys- tai ratkaisun ideointivaihetta, riskit vinoumiille ilmaantuvat uudessa muodossa. Esiselvitysvaiheessa malli korostaa herkästi näkökulmia, joista on eniten dataa, jolloin harvinaiset mutta merkitykselliset kokemukset jäävät piiloon. Tapa, jolla malli nimeää ja jäsentää ilmiön, ohjaa tulkintaa ennen kuin kukaan on ehtinyt kyseenalaistaa sen tekemää kehystystä. Paikallinen, kulttuurinen tai organisatorinen konteksti katoaa helposti, kun aineistoa käsitellään yleisellä tasolla ja vain koulutusdataan nojautuen. Osa malleista unohtaa uuden, erikseen tarjotun lisämateriaalin eli kontekstin, jolloin ne saattavat hallusinoida rajustikin.

Ratkaisuvaiheen riskit ovat sukua edellisille. Se, mikä on helposti mitattavissa tai sanoitettavissa, nousee herkästi tärkeimmäksi, vaikka olennaisin asia olisikin jotain vaikeammin nimettävää. Malli suosii tunnettuja, olemassa olevia ratkaisumalleja, koska ne ovat yleisimpiä myös sen koulutusaineistossa. Sen yhtenäinen, varma kieli luo helposti vaikutelman faktoista, jolloin kokemattomampi (tai kuormittuneempi) käyttäjä ei jaksa tai ehdi pureutua vastausten laatuun syvemmin. Ja kun lopputulokset alkavat siirtyä algoritmin vastuulle, kriittinen keskustelu myös ihmisten kesken vähenee huomaamatta.

Vaikutukset ulottuvat yksittäisiä projekteja pidemmälle. Gartner ennusti alkuvuodesta 2026, että kriittisen ajattelun rapautuminen generatiivisen tekoälyn käytön myötä pakottaa puolet maailman organisaatioista vaatimaan niin sanottuja tekoälyvapaita osaamisarviointeja jo vuoden 2026 aikana. Organisaatiot joutuvat siis pian todistamaan, että niiden asiantuntijat osaavat yhä ajatella myös ilman työkalua, jota he käyttävät päivittäin. Se on outo tilanne kenelle tahansa, joka on rakentanut uransa ajattelukyvyn ja -taidon varaan.

 

Kuvassa: Anna Haverinen

 

Mitä tämä vaatii organisaatioilta?

On houkuttelevaa kääntää edellä mainitut haasteet yksilön taitokysymykseksi: opi promptaamaan paremmin, ole kriittisempi, tarkista lähteet, tunnista omat ajatteluvinoumasi. Näistä on toki hyötyä, ja esittelinkin tapahtumassa joukon promptausesimerkkejä, joilla omaa ja koneen ajattelua voi haastaa eksplisiittisesti: pyytämällä mallia perustelemaan tulkintansa puolesta ja vastaan, tai listaamaan, mikä aineiston kannalta olennainen tieto puuttuu. Yksilön taitojen varaan jätetty ratkaisu on kuitenkin hauras, koska se olettaa, että jokaisella on aina aikaa ja energiaa pysähtyä kyseenalaistamaan, vaikka koko tekoälyn käyttöperiaate on suunniteltu palkitsemaan nopeutta ja tehokkuutta.

Kriittisempi kysymys koskee koko organisaatiota: mikä osa-alue vaatii ihmisen keskittymistä, tarkistusta ja läsnäoloa, ja kuinka se tehdään näkyväksi prosessissa eikä vain mainita kerran perehdytyksessä? Jos vastaus jää epäselväksi, oletusarvo on aina sama: se, mikä on nopeinta, voittaa sen, mikä on huolellisinta.

Oma teesini on, että tekoälyn tehtävä tietotyössä on laajentaa ajattelukykyä, vahvistaa sitä prosessia, jolla merkityksellinen erotetaan kohinasta. Se onnistuu vain, jos ajattelu pysyy loppuun asti ihmisen vastuulla. Tällainen näkökulma onnistuu kuitenkin vain syvällä harjaantuneisuudella sekä kokemuksella verrata eri kielimallien tapaa työskennellä. Jos olisin vain Copilotin “armoilla”, työskentelytapani olisi varmasti todella paljon “tiivistä, jäsennä, selkeytä” lähestymistapaa noudattava. Ammattini puolesta kuitenkin vertailen jatkuvasti eri generatiivisia tekoälyjä, jotta pystyn auttamaan aiheessa asiakkaitamme parhaiten.

Tietotyön suurin haavoittuvuus ja sen suurin vahvuus ovat sama asia, ajattelu, ja juuri siksi väline, joka tekee siitä helpomman, voi yhtä hyvin tehdä siitä haavoittuvamman.

Organisaation ja erityisesti johdon kannattaa kysyä itseltään vähemmän sitä, kuinka paljon tekoälyä käytetään, ja enemmän sitä, mitä päätöksiä ollaan valmiita suojelemaan hitaudelta ja kuka siitä lopulta vastaa.

 

Anna Haverinen, FT. Lead AI Designer, Strategic Design, Gofore

Anna toimii Goforen johtavana tekoälymuotoilijana sekä johdon konsulttina. Annan asiakkaita ovat olleet mm. useat hyvinvointialueet, Helsingin kaupunki, SOK, Lindström, sekä Four Reasons. Hänellä on pitkä historia muotoiluantropologian, johdon konsultoinnin sekä digitaalisen tuotekehityksen saralla. Hän on väitellyt digitaalisen kulttuurin tutkimuksesta Turun yliopistosta vuonna 2014. Anna toimii myös johdon ja johtavien asiantuntijoiden valmentajana ja kouluttajana Havainna Consulting yrityksessään.

 

Artikkelin kirjoittaja Anna Haverinen oli puhujana Helsingin Ekonomien tapahtumassa Ihminen, tekoäly ja päätöksenteko – mistä syntyy onnistuminen? Tapahtuma järjestettiin yhteistysössä Service Design Network Finlandin ja Goforen kanssa.

 

Lue myös tapahtuman toisen puhujan Matias Vaaran artikkeli: Tekoälyn hyödyntämisen seuraava taso – keskusteluista työnkulkuihin

Sekä Lauri Eskelisen artikkeli, joka pohjautuu tapahtuman paneelikeskusteluun:  Ihminen, tekoäly ja päätöksenteko – konteksti ratkaisee enemmän kuin kielimalli