AI nopeuttaa työtä – vaikuttavuus syntyy muutoksesta

AI säästää aikaa. Todellinen vaikuttavuus syntyy vasta, kun vapautuva kapasiteetti suunnataan arvoa tuottavaan työhön ja samalla uudistetaan toimintamallia.

Kansainvälisen työjärjestön ILO:n vuoden 2026 katsauksen mukaan AI:n tehtävä- ja yksilötason tuottavuushyödyt ovat tutkimuksissa tyypillisesti 10–70 prosenttia. Yritystasolla vaikutukset ovat kuitenkin selvästi maltillisempia, noin neljän prosentin luokkaa. ILO kutsuu tätä aggregaatioparadoksiksi: yksittäisessä tehtävässä saavutettu hyöty ei siirry automaattisesti koko organisaation, toimialan tai kansantalouden tuottavuudeksi. Hyötyjen skaalaaminen vaatii teknologian lisäksi osaamista, laadukasta dataa, toimivia järjestelmiä sekä työn, prosessien ja toimintamallien uudistamista.

Keskeinen kysymys ei siis ole vain, kuinka paljon AI säästää aikaa, vaan mitä vapautuneella ajalla tehdään.

Ajansäästö on potentiaalista kapasiteettia. Arvo syntyy vasta siitä, mihin se suunnataan.

Vaikuttavuus syntyy kapasiteetin uudelleensuuntaamisesta

Työterveyslaitoksen hoivakotitutkimus havainnollistaa eroa tuottavuuden ja vaikuttavuuden välillä. AI-avusteinen puhekirjaus lyhensi kirjaamiseen käytetyn ajan noin 45 minuutista 21 minuuttiin työntekijää kohden päivässä. Kirjausten laatu säilyi ja hoitajien muistikuorma väheni. Vapautunutta aikaa voitiin käyttää esimerkiksi asukkaiden ulkoiluun ja muuhun toimintaan.

Tuottavuushyöty syntyi siis kirjaamisessa. Vaikuttavuus alkoi syntyä vasta, kun säästynyt aika voitiin käyttää hoivaan ja asiakaskohtaamisiin. Onnistuminen edellytti myös sitä, että käyttäjät otettiin mukaan suunnitteluun varhain, työprosesseja kehitettiin teknologian rinnalla ja AI rakennettiin hoitajien tueksi, ei heidän korvaajakseen.

Vaikuttavuutta kannattaa tarkastella erikseen työntekijän, asiakkaan, organisaation ja myös yhteiskunnan näkökulmasta. Sama tuottavuushyöty voi vaikuttaa eri tasoilla hyvin eri tavoin.

Vaikuttavuus syntyy vasta, kun tuottavuushyöty muuttuu paremmaksi kokemukseksi, palveluksi tai lopputulokseksi jollekin.

Laadukas data tuo luottamusta

AI:n vaikuttavuudessa huomio kohdistuu helposti mallien kyvykkyyteen, vaikka organisaation oman datan laatu ja hallinta ovat ratkaisevia. OECD nostaa laadukkaan datan saatavuuden ja datanhallinnan keskeisiksi AI:n käyttöönoton ja skaalaamisen edellytyksiksi.

Huono data ei vain heikennä tarkkuutta, vaan voi automatisoida olemassa olevia vinoumia. Science-lehdessä julkaistussa tutkimuksessa terveydenhuollon algoritmi käytti hoitokustannuksia potilaan hoidon tarpeen mittarina. Koska mustiin potilaisiin oli historiallisesti käytetty vähemmän rahaa kuin yhtä sairaisiin valkoisiin potilaisiin, algoritmi aliarvioi heidän hoidon tarpeensa. Kun mittari korjattiin, lisätuen piiriin tunnistettujen mustien potilaiden osuus nousi 17,7 prosentista 46,5 prosenttiin.

Hyvän datan pitää olla käyttötarkoitukseen sopivaa, relevanttia, riittävän edustavaa ja kattavaa sekä mahdollisimman virheetöntä. Laatu ei myöskään ole kertaluonteinen tarkistus ennen käyttöönottoa. Sitä on seurattava AI-järjestelmän koko elinkaaren ajan. NIST on nostanut esiin käyttöönoton jälkeisen seurannan haasteita, kuten datan ja mallin muutosten tunnistamisen, lokituksen sekä palautesilmukoiden puutteet. Euroopan komissiolle tehty selvitys, missä VTT on mukana, korostaa samoin datan hallinnan, infrastruktuurin ja käytännön toimintamallien tärkeyttä.

Laadukas data tarvitsee hyvän hallinnan. Se mahdollistaa luotettavamman AI:n ja paremmat päätökset.

Turvallisuutta agenttien maailmaan

Turvallisuuden merkitys kasvaa, kun AI siirtyy avustavasta työkalusta agenteiksi, jotka voivat käyttää organisaation dataa ja järjestelmiä sekä suorittaa toimintoja. Täydellistä turvallisuutta ei voida luvata, mutta riskiä voidaan hallita.

NISTin Generative AI Risk Management Framework korostaa riskien hallintaa koko AI-järjestelmän elinkaaren ajan. Siihen kuuluvat riskien tunnistaminen, käyttöönottoa edeltävä testaus, jatkuva arviointi ja seuranta sekä luotettavuuden huomioiminen suunnittelussa, kehittämisessä ja käytössä.

Mitä enemmän dataa, käyttöoikeuksia ja toimintakykyä AI:lle annetaan, sitä vahvempia kontrollien pitää olla. Käyttöoikeuksien rajaaminen, ihmisen valvonta kriittisissä tilanteissa, testaus, lokitus ja jatkuva seuranta kuuluvat käyttöönoton ytimeen.

Riittävää turvallisuus tekee vaikuttavuudesta kestävää

Tekoälyn käyttöönotto on muutoksen johtamista

AI:n käyttö yksittäisissä tehtävissä voi alkaa nopeasti, mutta organisaatiotason hyödyt syntyvät vasta, kun myös ty, prosessit ja toimintamallit uudistuvat. Tekoäly vaikuttaa työnjakoon, rooleihin ja osaamisvaatimuksiin. Siksi käyttöönottoa ei pitäisi johtaa vain teknologiaprojektina, vaan työn ja arvonluonnin muutoksena.

AI:n käyttö pitää yhdistää organisaation tavoitteisiin, työn ja prosessien muutokseen, osaamiseen, dataan, hallintamalliin ja riskienhallintaan. Se tarvitsee myös strategisen suunnan. Työterveyslaitoksen kyselyssä vain 17 prosentilla AI:ta käyttävistä suomalaisyrityksistä oli sen käyttöä ohjaava strategia.

Strategia yksin ei kuitenkaan vielä riitä. Se on vietävä käytäntöön johtamisen, osaamisen kehittämisen, osallistamisen, toimintamallien uudistamisen ja vaikutusten mittaamisen kautta.

AI-strategia kertoo, mihin ollaan menossa. Muutoksen johtaminen ratkaisee, pääseekö organisaatio sinne.

 

AI – kuin sähköä yhteiskunnassa

AI:n laajempaa vaikutusta voidaan verrata sähköistymiseen. OECD:n mukaan generatiivisella AI:lla on yleiskäyttöisen teknologian piirteitä: sen käyttö voi levitä lähes kaikille toimialoille, teknologia kehittyy jatkuvasti ja se mahdollistaa uusia innovaatioita.

Sähköistyminenkään ei muuttanut tuottavuutta vain korvaamalla vanhaa teknologiaa uudella. Suuremmat hyödyt syntyivät, kun tuotanto ja työn organisointi suunniteltiin uudelleen.

AI:n aikaansaama muutos ylittää organisaatiorajat. Yhteiskunnallinen vaikuttavuus riippuu siitä, miten osaamista kehitetään, työmarkkinoiden muutosta tuetaan, data- ja digitaalista infrastruktuuria rakennetaan sekä turvallisuudesta, luottamuksesta ja ihmisten osallistumisesta huolehditaan. Sääntelyllä, julkisella hallinnolla ja instituutioiden toimintamalleilla on tässä tärkeä rooli.

LUMI AI Factory on tästä yksi esimerkki. Se rakentaa eurooppalaista AI-laskentakapasiteettia, osaamista ja teknologista toimintakykyä. Se ei vielä itsessään ole yhteiskunnallista vaikuttavuutta, vaan infrastruktuuri, jonka avulla uusia ratkaisuja voidaan synnyttää tutkimuksessa, yrityksissä ja julkisissa palveluissa.

AI:n käyttöönottoa ei siis pitäisi ensisijaisesti johtaa teknologian käyttöönottona, vaan työn, toimintamallin ja arvonluonnin muutoksena.

Lukuvinkkejä ja lähteitä

1. International Labour Organization (ILO) (2026). Chan, C. Y. C. & Shedania, K. The Aggregation Paradox of AI: Why do micro-economic productivity gains from AI disappear at scale? International Labour Organization. DOI: 10.54394/00034342. https://www.ilo.org/publications/aggregation-paradox-ai-why-do-micro-economic-productivity-gains-ai
2. Työterveyslaitos (2026a). Tutkimus: Tekoäly kevensi hoitajien muistikuormaa ja vapautti aikaa hoivaan. 8.9.2026. https://www.ttl.fi/ajankohtaista/tiedote/tutkimus-tekoaly-kevensi-hoitajien-muistikuormaa-ja-vapautti-aikaa-hoivaan
3. OECD (2025). Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions. OECD Publishing, Paris. DOI: 10.1787/795de142-en. https://www.oecd.org/en/publications/governing-with-artificial-intelligence_795de142-en.html
4. Obermeyer, Z., Powers, B., Vogeli, C. & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. DOI: 10.1126/science.aax2342.
5. Rao, A., Keller, A., Kalra, N., Steed, R., Kwegyir-Aggrey, K., Klyman, K., Staheli, D. & Bergman, A. (2026). Challenges to the Monitoring of Deployed AI Systems: Center for AI Standards and Innovation. NIST AI 800-4. National Institute of Standards and Technology. DOI: 10.6028/NIST.AI.800-4.
6. European Commission, Directorate-General for Communications Networks, Content and Technology; ICF; CARSA; VTT & Timelex (2025). Study on the next data frontier: Generative AI, regulatory compliance and international dimensions. Publications Office of the European Union. DOI: 10.2759/3909870.
7. Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P. & Roberts, K. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1. National Institute of Standards and Technology. DOI: 10.6028/NIST.AI.600-1.
8. Työterveyslaitos (2026b). Tekoäly on jo puolessa yrityksistä, mutta harvalla on strategia sen hyödyntämiseen. 14.1.2026. https://www.ttl.fi/ajankohtaista/tiedote/tekoaly-on-jo-puolessa-yrityksista-mutta-harvalla-on-strategia-sen-hyodyntamiseen
9. Calvino, F., Haerle, D. & Liu, S. (2025). Is generative AI a General Purpose Technology? Implications for productivity and policy. OECD Artificial Intelligence Papers, No. 40. OECD Publishing, Paris. DOI: 10.1787/704e2d12-en.
10. CSC – Tieteen tietotekniikan keskus (2026). LUMI-AI-supertietokone kymmenkertaistaa tekoälykapasiteetin. Mediatiedote 31.8.2026. https://csc.fi/mediatiedote/lumi-ai-supertietokone-kymmenkertaistaa-tekoalykapasiteetin/

---

Päivi Hietanen on kokenut johdon ja hallitusten neuvonantaja, joka on erikoistunut strategiseen johtami seen, muutosjohtamiseen sekä liiketoiminta- ja teknologiatransformaatioihin. Hänellä on vahva tausta organisaatioiden uudistamisesta, liiketoiminnan ja teknologian yhteensovittamisesta sekä johdon, muutosjohtajien ja SAFe asiantuntijoiden valmentamisesta.