Generatiivista tekoälyä tuodaan nyt ryminällä työpaikoille ja pohditaan kuumeisesti, miten sen voisi valjastaa lisäämään tuottavuutta. Asiantuntijatöissä, joissa tekstien tuottaminen vie suuren osan työajasta, generatiivinen tekoäly luo odotuksia tekstin tuotantoprosessien tehostamisesta. Jotta voisimme ymmärtää, millaiseen käyttöön generatiivinen tekoäly sopii ja millaisessa käytössä sillä voi olla jopa odottamattomia seurauksia, meidän tulee tarkastella, miten asiantuntijat generatiivista tekoälyä työssään käyttävät.
Tutkin generatiivisen tekoälyn käyttöä ammatillisessa kirjoittamisessa Suomen Akatemian rahoituksella (Generatiivinen tekoäly ammatillisessa kirjoittamisessa -hanke, 2026–2029). Projektissa tarkastellaan generatiivisen tekoälyn käyttöä lingvistisen etnografian keinoin kolmessa eri kontekstissa: yrityksissä, yliopistossa ja julkishallinnossa. Aihe kiinnostaa minua paitsi kirjoittamisen tutkijana myös tulevia kieliasiantuntijoita kouluttavana opettajana, joka pohtii kielimalliteknologioiden pitkäaikaisia vaikutuksia tulevien sukupolvien ajattelulle ja tulevaisuudessa tarvittaville taidoille.
Tekoälyavusteisen asiantuntijatyön tarkasteleminen kirjoittamisen näkökulmasta saattaa tuntua triviaalilta, onhan tietotyö paljon muutakin kuin kirjoittamista. Asiantuntija paitsi kirjoittaa myös vaikkapa myy, neuvottelee ja havainnollistaa montaa muutakin merkitysten rakentamisen kanavaa kuin kirjoittamista hyödyntäen. Kirjoittaminen on kuitenkin yksi keskeinen tiedontuotannon tapa ja monen asiantuntijatyön kovaa ydintä. Jopa kuvalliseen tiedontuotantoon keskittyvillä aloilla, kuten arkkitehtikoulutuksessa, tuotetaan osana opintoja kirjallinen opinnäytetyö. Teknologiavälitteiseen ammatilliseen kirjoittamiseen tiivistyy jotain olennaista asiantuntijuudesta, siitä mikä tietotyössä itsessään on mekaanista, toisteista ja ulkoistettavissa ja mikä taas ei synny ilman asiantuntijan sosiaalista, relationaalista ja inhimillistä ymmärrystä. Tutkimalla miten rooleja ja vastuita tekoälyavusteisessa kirjoittamisessa jaetaan, voidaan analysoida inhimillisen ja teknologisen toimijuuden jakautumista asiantuntijatyön mikrotasolla kirjoittamisen käytännöissä.
Mikä generatiivisessa tekoälyssä sitten on niin murroksellista asiantuntijatyölle? Avaan seuraavaksi tutkimuksestani nostamillani havainnoilla muutamia syitä murroksellisuudelle. Tekstiä tuottava generatiivinen tekoäly soveltuu hyvin monenlaisiin tekstintuotantoprosesseihin kokonaisten tekstien kirjoittamisesta niiden hienovaraiseen viilaamiseen vaikkapa eri(kieliselle) yleisölle sopivaksi. Toisaalta generatiivisen tekoälyn multipotentiaalisuus voi hämätä ajattelemaan, että se soveltuu mihin vaan asiantuntijatehtävään ja voi tuottaa tarvittavan lopputuloksen tekoälyä käyttävän asiantuntijan teknologia- ja sisältökompetensseista huolimatta. Tällaiset olettamukset luovat tekoälyavusteisiin työprosesseihin ja niiden johtamiseen sokeita pisteitä. Generatiivinen tekoäly myös kiistatta nopeuttaa joidenkin työtehtävien tekoa ja mahdollistaa uudenlaisia, entistä laajempia työnkuvia. Tietynlaisia työtehtäviä voidaan teettää uusilla tekijöillä, asiantuntija voi vaikkapa ryhtyä kääntämään raporttia itse sen sijaan että palvelu ulkoistettaisiin käännöstoimistolle. Vaikuttaakin, että omasta halustaan tai olosuhteiden pakosta generalistiset osaajat ovat generatiivisen tekoälyn aikakaudella vahvoilla. Insinööri, jolla on hyvän tekstin taju, saa työkalusta enemmän irti kuin kollega, joka ei osaa ohjeistaa tekoälytyökalua tavoin, jotka tuottaisivat hyvän tekstin tai ei kykene tunnistamaan laadukasta lopputulosta. Kaikesta tästä seuraa, että työnkuvat vaikuttavat olevan generatiivisen tekoälyn myötä murroksessa – kuka mitäkin työtä tekee ja miten – hakee uudenlaisia ilmenemismuotoja.
Generatiivisen tekoälyn käyttöönottoon liittyy kuitenkin myös haasteita. Vaikuttaa, että työpaikoilla generatiivista tekoälyä kammetaan prosesseihin eri tavoin sokkona. Johdolla saattaa olla visio, että generatiivinen tekoäly voisi tehostaa toimintaa, muttei strategiaa, jolla se jalkautettaisiin erilaisiin työprosesseihin. Toisaalla voi olla vahvakin näkemys käyttökohteista, mutta teknologian kyvykkyys ei välttämättä ole vielä onnistuneeseen toteutukseen tarvittavalla tasolla. Nykytyöelämän hektisyys sumentaa myös näkyvyyttä: työntekijöillä on käyttöpaineita, kun ylhäältä valuu välillä epärealistisiakin käyttövaatimuksia, muttei välttämättä tukea käyttöönottoon, eikä kukaan ehdi miettiä, millaiseen käyttöön työkalut omassa työssä aidosti soveltuisivat. Jos joku keksii hyvän käyttötavan tai -kohteen, näiden hyvien käytäntöjen levittämiseen ei välttämättä ole kanavia. Koulutuksia saattaa olla, mutta yleistasolla operoiva ohjeistus ei auta soveltamaan tekoälyä omaan työhön. Toisin sanoen, moni käyttää työkaluja yrityksen ja erehdyksen -menetelmällä, eivätkä kaikki halua hukata työaikaa turhiksi katsomiinsa kokeiluihin. Tarvittaisiin ymmärrystä siitä, mitä työprosessien uudistamiseksi voidaan tehdä juuri näillä työkaluilla ja juuri tämänhetkisellä työntekijöiden osaamisella.
Aiemmassa tutkimuksessa on nostettu esiin joitain muutospaineita, joita generatiivinen tekoäly asiantuntijatyössä voi saada aikaan. Law ja Varanasi (2025) toteavat katsaustutkimuksessaan, että tekoälyavusteinen työ vaatii hallinnointityötä. Hallinnointi voi tarkoittaa vaikkapa sitä, että ymmärretään, millaiset tehtävät soveltuvat tekoälylle ja miten hyvään lopputulokseen päästään. He myös toteavat, että asiantuntijatyön tekninen osaaminen saattaa vähintään osittain korvautua ideoinnilla tai laadunvalvonnalla. Heidän mukaansa tästä kaikesta seuraa erilaista työnkuvien murroksellisuutta, jolla on erilaisia seurauksia. Joidenkin asiantuntijoiden työnkuviin voi esimerkiksi sulautua muiden toimijoiden suorittamia työtehtäviä tai palveluita (kuten vaikkapa yllä mainittu työnkuvaan lisätty käännöstyö). Voi olla, että kollegoiden ja tukitoimintojen rooli pienenee, toisaalta joidenkin asiantuntijoiden osaaminen ja työnkuva laajenee. Yhteensulautuvat työnkuvat voivat johtaa paitsi murroksellisuuteen myös valtaepäsymmetrioihin; sisältöasiantuntija voi ottaa tehtäväkseen dokumentin kääntämisen mutta toisin päin yhtälö ei toimi. Tarvitsemme keinoja ennakoida muutoksen suuntaa ja nopeutta erilaisissa tehtävissä ja työnkuvissa.
Vaikka generatiivista tekoälyä tutkitaan paljon ja sitä ympäröi kova pöhinä, on kuitenkin paljon asioita, joita pitää vielä pohtia. Tässä kohden tekoälyn integroiminen työprosesseihin näyttäytyy operatiivisena kysymyksenä: mihin, miten ja milloin generatiivista tekoälyä kannattaa hyödyntää. Kun nämä kysymykset saadaan ratkaistua, työnkuvat ja niissä tarvittava osaaminen voivat näyttää hyvin erilaisilta kuin nykyään. Onko koulutusjärjestelmämme, lainsäädäntömme ja yhteiskuntarakenteemme siihen valmis?
Hanna-Mari Pienimäki
Akatemiatutkija
Lähteet:
Law, M., Varanasi, R.A. (2025). Generative AI and Changing Work: Systematic Review of Practitioner-Led Work Transformations Through the Lens of Job Crafting. Teoksessa Siau, K.L., Nah, F.FH. (toim.) HCI in Business, Government and Organizations. HCII 2025. Lecture Notes in Computer Science, vol. 15804. Springer, Cham. https://doi.org/10.1007/978-3-031-92823-9_10
Kuvituskuva Distant Writing on Better Images of AI-sivustolta: Fabrizio Matarese / https://betterimagesofai.org / https://creativecommons.org/licenses/by/4.0/
The image explores the impact of LLMs on an individual’s writing process. Originally inspired by the concept of ”distant writing” developed by Floridi (2025), the image shows how some individuals prompt LLMs with ideas and concepts, acting as a designer, and LLMs provide textual outputs. On the other hand, the image also visualises the distance that some authors put between themselves and the use of LLMs for the purposes of writing, creating, and researching. The image was created by drawing with the program Krita.
Tekstin laadinnassa ei ole käytetty apuna tekoälyä.