Tekoäly ei helpota asiantuntijatyötä - se nostaa rimaa entisestään

Tätä tekstiä ei ole tuotettu tai käsitelty tekoälyn avustuksella.

Olen tehnyt viimeisen vuoden ajan paljon tutkimustyötä tekoälyn hyödyntämisestä asiantuntijatyössä ja tietysti myös samalla itsekin käyttänyt sitä laajasti kaikenlaisissa tehtävissä, kuten näissä blogipostauksissa. Olen kuitenkin tullut yhä tietoisemmaksi siitä, millaisia riskejä tekoälyn käyttö sisältää asiantuntijuudelle - teknologian jatkuva hyödyntäminen rapauttaa pikkuhiljaa osaamista ja taitoja, siirtäen kognitiivista toimijuutta enenevässä määrin ihmiseltä koneelle.

Kerkesin julkaista kolme tietokirjaa ennen kuin ensimmäinen ChatGPT avattiin laajalle yleisölle. Olen siis käsin kirjoittanut ja muokannut tuhansia sivuja tekstiä ennen kuin ne ovat menneet kustannustoimittajan arvioinnin läpi julkaisuun. Pidänkin kirjoittamista yhtenä tärkeimmistä osaamisalueistani ja haluan edelleen ylläpitää näitä taitoja. Paras tapa taitojen kehittämiseen on kognitiivinen kitka – hidas ja haastava kirjoitustyö ilman oikoteitä. Siksi aion jatkossa pitää blogikirjoitukseni luomulaatuisena tekstinä, johon tekoäly ei ole kajonnut.

Tämä liittyy myös suurempaan ilmiöön asiantuntijatyön murroksessa.

Asiantuntijatyön muutos

Työelämän keskusteluissa on toitotettu, miten tekoäly helpottaa ja tehostaa asiantuntijoiden työtä. Tarinan kuuluu, että helpot rutiinitehtävät voidaan laittaa kielimallien tehtäviksi, jolloin ihmisen työaika vapautuu laaja-alaista näkemystä ja luovuutta vaativiin tehtäviin.

Kuitenkin monella työpaikalla tilanne onkin kääntynyt päinvastaiseksi. Tekoäly suorittaakin nyt kiinnostavimmat laaja-alaista näkemystä vaativat tehtävät ja ihmiselle jää rutiininomainen ja puuduttava tulosten tarkistaminen.

Tämä on monella tavalla ongelmallinen tilanne. Ensinnäkin pitkien dokumenttien tai koodirivien lukeminen on suuri haaste keskittymiselle ja motivaatiolle, jolloin vaarana on luottamusväsymys. Deadline pukkaa päälle, väsymys herpaannuttaa keskittymisen ja dokumenttien tarkistaminen alkaa muuttua yhä pintapuolisemmaksi, jolloin virheellinen data menee helpommin seulasta läpi. Ihmisen hidas tarkistustyö muodostuu epäluotettavaksi pullonkaulaksi, joka pitäisi saada poistettua yhtälöstä.

Kuvattuun tilanteeseen liittyy kuitenkin valtava väärinymmärrys. Tekoälyn ei ole tarkoitus korvata ihmisen syväosaamista ja luovaa ajattelutyötä. Silloinhan tuotosten laadun arviointi ei olisi ylipäänsä mahdollista. Eihän koulukaan toimi siten, että opettaja kirjoittaa esseitä ja oppilas arvioi niiden laatua. Jos ihminen siis huomaa joutuvansa jatkuvasti tekoälyn tuotosten tarkistajaksi, koko asetelma on luultavasti pahoin vääristynyt.

Todellisuudessa hyödyllinen ja laadukas tekoälyn käyttö vaatii syvällistä osaamista ja taitoja: Laadukkaiden kysymysten muotoilu, uuden tiedon vastaanotto ja arviointi, sekä kokonaisuuden reflektointi onnistuvat vain, jos asiantuntijalla on jo valmiiksi syvällistä osaamista.

Tekoälyn aikakaudella tämäkään ei enää riitä, vaan lisäksi asiantuntijan täytyy omata riittävästi tutkimusmenetelmäosaamista. Erityisesti laadullisten tutkimusmenetelmien hallinta on tärkeää, sillä kielimallit ovat nousseet nimenomaan laajojen tekstilähteiden analysoinnin apuvälineiksi.

Tulevaisuuden asiantuntija on tutkija

Ongelman muotoilu ja oikeiden kysymysten esittäminen on tekoälyaikakauden arvokkain taito. Tekoälyn taitava käyttö asiantuntijatyössä on siis eräänlainen tutkijan rooli. Asiantuntijan tulee kyetä muodostamaan hyvin harkittuja tutkimuskysymyksiä ja hypoteeseja, joita hän lähtee tekoälyn avustamana selvittämään.

Hyvin rakennettujen kysymysten esittäminen vaatii syvällisen ymmärryksen toimialasta ja sen syy-seuraussuhteista ja rakenteista, samoin kuin tekoälyn tuotosten laadun ja oikeellisuuden arviointi.

Tekoälyn käyttö tuo kuitenkin vielä lisähaasteita, sillä se kykenee käsittelemään muutamissa minuuteissa valtavat määrät dataa, joihin perehtyminen veisi ihmiseltä viikkoja tai kuukausia. Näin ollen asiantuntijan täytyy ymmärtää vielä tarkemmin ne rajat, joiden sisällä tekoälyn tulee työskennellä. Käytännössä nämä rajat ovat juuri niitä sääntöjä ja rakenteita, joita laadullisten tutkimusmenetelmien kehittäjät ovat yliopistoissa rakentaneet edellisen sadan vuoden aikana.

Oletko tutkija vai tekoälyn tutkimusassistentti?

Tutkijana toimiva asiantuntija käyttää paljon aikaa tutkimusasetelman huolelliseen valmisteluun: Hän muotoilee täsmälliset tutkimuskysymykset sekä asettaa tekoälylle selkeät raamit mitä etsiä ja millä tavoin löydöksiä analysoida. Hän tietää tarkkaan hypoteesit, joihin hakee vahvistuksia. Hänen aiempi osaamistaustansa auttaa varmistamaan tekoälyn tuotosten laadun ja pätevyyden.

Ilman hyvää tutkimusasetelmaa ja valmista osaamispohjaa kielimalli tuottaa ison määrän kysymyksiä ja vastauksia, joiden laatua ei ole mahdollista arvioida. Silloin asiantuntijasta tulee pelkkä assistentti, jolla ei ole riittävää osaamista arvioida tekoälyn tuotoksia kriittisesti.

Omassa työssäni olen huomannut, että mitä paremmin opin tekoälyä käyttämään, sen vähemmän minulta kuluu tokeneita kuukaudessa. Tämä johtuu siitä, että työ siirtyy yhä enemmän suunnitteluun ja ajatteluun. Tekoälyn käyttö muuttuu harkitummaksi, jolloin myös sen tuotoksien integroimiseen osaksi työtä kuluu enemmän aikaa.

Tulevaisuuden kolme välttämätöntä osaamisaluetta

Tulevaisuuden tekoälyavusteinen asiantuntijatyö vaatii nähdäkseni vahvan osaamisen seuraavilla kolmella osa-alueella:

Ensinnäkin tarvitaan vahvaa osaamista siitä toimialasta ja osaamisalueesta, jolla asiantuntija toimii. Tämän osaamisen rakentaminen on muuttunut nykyajassa ratkaisevasti haastavammaksi, kun ihmiset siirtävät oppimiskuormaa enenevässä määrin kielimalleille, sen sijaan että tekisivät sen pitkäjänteisen ja raskaan työn, jonka osaamisen kehittäminen väistämättä vaatii.

Toisekseen kielimallien järkevä hyödyntäminen suurten datamassojen kanssa vaatii osaamista tutkimusmenetelmien käytöstä. Ilman hyvin rakennettuja tutkimusasetelmia kielimallit voivat tuottaa hyvin monenlaisia tuotoksia, joiden laatua on vaikea arvioida ja joiden merkitystä voi olla mahdotonta tulkita. Laadullinen tutkimus on pohjimmiltaan tulkintojen rakentamista, jolloin tutkimusasetelma kysymyksineen vaikuttaa valtavasti lopputulokseen.

Kolmanneksi vaaditaan riittävä osaaminen kielimallien käytöstä. Jotta käyttäjä osaa rakentaa kielimallille sopivan tutkimusasetelman, hänen täytyy ymmärtää työkalun käyttötavat, vahvuudet ja rajoitukset. Hänen täytyy esimerkiksi tietää, miten kielimallille rakennetaan oikeanlainen konteksti, miten konteksti-ikkuna toimii, mitä siihen mahtuu, sekä millaisten taitojen ja promptien avulla kielimalli toteuttaa tutkimusasetelmaa laadukkaasti. Tämäkin vaatii pitkän oppimispolun.

Asiantuntijatyön riman nosto on mahdollisuus

Kaikki tämä tarkoittaa käytännössä sitä, ettei tekoäly tee asiantuntijatyöstä millään muotoa helpompaa. Päinvastoin se pakottaa asiantuntijat opettelemaan toimialan osaamisalueiden lisäksi monenlaisia uusia taitoja, joiden avulla tekoäly saadaan tuottavaksi ja laadukkaaksi apuriksi. Tämä tarkoittaa valtavaa oppimisponnistusta tulevaisuuden asiantuntijatyölle.

Toisaalta tämä on myös erittäin hyvä uutinen kaikille tietotyöläisille. Tulevaisuudessakaan syvällinen asiantuntemus ei kärsi inflaatiota, vaan päinvastoin asiantuntijuuden syventäminen tulee olemaan yhä arvokkaampaa.

Lisäksi voi olla armollinen itselleen, vaikkei vielä olisikaan tekoälyn käytön keihäänkärjessä. Kaikkien näiden taitojen oppiminen on pitkä tie, jota kukaan ei ole kulkenut loppuun saakka. Lisäksi näiden taitojen kouluttaminen työvoimalle tulee olemaan vahvasti työnantajien intresseissä.

Lisälukemistoa:

Lee, H.-P., Sarkar, A., Tankelevitch, L. ym. (2025). The Impact of Generative AI on Critical Thinking. CHI '25. — Työ siirtyy tuottamisesta verifiointiin, ja liika luottamus tekoälyyn heikentää kriittistä ajattelua. doi.org/10.1145/3706598.3713778

Saghafian, S. & Idan, L. (2024). Effective Generative AI: The Human-Algorithm Centaur. Harvard Data Science Review. — Tehokas generatiivisen tekoälyn käyttö edellyttää ihmisen asiantuntemuksen ja intuition yhdistämistä koneen kanssa: asiantuntemus on tekoälyaikakauden sitova täydentävä tekijä. doi.org/10.1162/99608f92.19d78478

Nguyen-Trung, K. (2025). ChatGPT in thematic analysis: Can AI become a research assistant in qualitative research? Quality & Quantity. — Asiantuntija toimii "reflektiivisenä instrumenttina ja älyllisenä johtajana", joka ohjaa kielimallia laadullisessa analyysissä. doi.org/10.1007/s11135-025-02165-z

Budzyń, K. ym. (2025). Endoscopist deskilling after exposure to AI. Lancet Gastroenterology & Hepatology. — Empiirinen näyttö taitojen rapautumisesta jatkuvan tekoälytuen myötä. doi.org/10.1016/S2468-1253(25)00133-500133-5)

Knight, R., Mitrofanov, D. & Netessine, S. (2026). Does Technology Complement or Substitute Experience? Information Systems Research. — Teknologia täydentää kokemusta: suuremmat hyödyt kokeneemmille – syväosaaminen ei kärsi inflaatiota. doi.org/10.1287/isre.2024.1664