Sami Dadu 11.12.2025
Usein kiinnostavimmat mahdollisuudet tulevat vastaan yllättäen. Alkuvuodesta minulle tarjottiin uutta roolia, kun sittemmin Suomen vuoden 2025 tekoälytutkijaksi valittu Pekka Abrahamsson kysyi, lähtisinkö Tampereen yliopiston tekoäly-tutkimushankkeeseen neuvonantajaksi. Hankkeessa rakennettiin tekoälyuutistoimitusta eli järjestelmää, joka kykenee seuraamaan, tulkitsemaan ja julkaisemaan tietoa autonomisesti.
En kuitenkaan ole tekoälyn tai journalismin tutkija. Koulutukseltani olen filosofian maisteri tietotekniikan puolelta, pitkän linjan ICT- ja muutoshankkeiden tekijä, joka on silloin tällöin tuomaroinut startup-kisoja ja katsellut läheltä, miten tulevaisuuden teknologia syntyy. Ja juuri siksi tarjous tuntui kiinnostavalta: se antoi mahdollisuuden peilata omia visioitani tulevaisuuden työnteosta ihmisiin, jotka elävät tutkimuksen etulinjassa.
Lähdin mukaan hankkeeseen, koska näin siinä arvoa. Ensinnäkin sain sparrata tutkijoiden kanssa siitä, mihin tekoälymarkkina on menossa ja miten uudet teknologiat pitäisi kaupallistaa. Toisekseen hanke tarjosi ympäristön, jossa saatoin testauttaa ajatuksia, jotka olin jo hahmottanut Nordic Talentin suuntaan: mitä tapahtuu, kun asiantuntijatyöhön tuodaan autonomisia tekoälyagentteja, joilla on rajattu, selkeä tehtävä? Liian harvoin omassa työssä pääsee tekemään ristipölytystä eri alojen huippujen kanssa. Hankkeen myötä tein myös etukäteen uudenvuodenlupauksen siitä, että tulen kirjoittamaan ajatuksiani auki tuotekehityksestä johtamisen filosofiaan ja kaikkeen siltä väliltä ja jakamaan niitä kanavissani.
Tuotekehityksen suurimmat kompastuskivet ei useinkaan ole aikataulun, budjetin tai sisällön puolella, vaan teknologiassa itsessään ja teknologisten haasteiden oikea-aikaisessa tunnistamisessa. Mikä on oikeasti vaikeaa? Mikä tulee viivästyttämään tuotantoa? Mitä ei vielä ymmärretä riittävän hyvin? Projekteissa nämä usein paljastuvat vasta myöhäisessä vaiheessa, jolloin tarvittavat muutokset ja korjaaminen on työlästä.
Tutkimushankkeessa voi irrotella. Lähdetään ongelmat ja kysymykset edellä. Tarkoitus ei ole rakentaa valmista tuotetta, vaan tehdä useampi tech spike eli syvä, mutta rajattu sukellus teknologiseen ongelmakenttään. Tech spiken avulla voidaan pienentää riskejä ja koeponnistaa ajatuksia, jotka muuten tulisivat vastaan vasta kehityksessä. Yritysmaailmassa tämänkaltaiseen etupainotteiseen tekniseen syvätyöhön on osattava varautua ja hyvä ketterä hanke rakentaa kyvykkyyden syvätutkimuksiin osana tuotekehitystä. Tämä kuitenkin vaatii näkemystä ja visiota, jotta osataan kohdistaa rajalliset resurssit oikeaan kohtaan.
Tekoälyuutistoimitus hakee uutisaiheita, työstää niistä uutisia täydentämällä ja laajentamalla aihetta. Uutistoimitus tekee tarvittaessa vielä haastattelut journalistin puolesta. Entä jos tämä ongelma käännetään modernin asiantuntijatyön ongelmaksi? Meillä syntyy valtava määrä uutta tietoa organisaatiossa eri roolien ja vastuiden tuottamana. Tämä aiheuttaa sen, että työelämässä hukutaan tietoon, viesteihin, palavereihin ja projektikansioiden syvyyksiin. Oikean tiedon löytäminen muistuttaa enemmän Graalin etsintää. Entä jos muotoillaan tekoälyagentti tekemään tätä tiedon louhintaa meidän oman työmme tukena? Tähän rakoon olemme syksyn aikana rakentaneet seuranta-agenttia.
Marraskuussa 2025 järjestettiin tutkimushankkeen loppuseminaari. Paikalla oli yli 60 ihmistä – päätoimittajia, toimituspäälliköitä, tutkijoita ja teknologia-asiantuntijoita. Edellisenä päivänä Pekka oli vastaanottanut vuoden AI-tutkijapalkinnon GPT Labin johdosta, mikä sekin alleviivasi sitä, kuinka kovaa osaamista Suomessa tällä hetkellä syntyy.
Olin tiimimme mukana seminaarissa, jossa tutkimusryhmämme esitteli tekoälyuutistoimituksen toimintaperiaatteita: miten agentit seuraavat rajattuja tietolähteitä, tulkitsevat muutoksia, luokittelevat sisältöä ja tuottavat uutta ja julkaisevat juttuja journalistina. Tämä ei tietenkään vielä vastaa nykypäivää laadullisesti, mutta pelottavan toimivia ratkaisuja saatiin aikaan jo rajatussa tutkimushankkeessa.
Tutkimushanke oli antanut sen, mitä siltä hainkin: vahvistuksen sille, että ratkaisu, jota olimme kehittäneet asiantuntijaorganisaatioiden tarpeisiin – agentti, joka seuraa ympäristössä tapahtuvia muutoksia ja nostaa käyttäjälle esiin olennaisen – ei ollut vain yksittäinen käyttötapaus, vaan laajempi, eri toimialoille soveltuva toimintamalli. Journalismissa kyse on uutisvirran priorisoinnista; yritysmaailmassa kyse on dokumenteista, projektikansioista, Teams-viesteistä ja tiedon pirstaloitumisesta. Molemmissa ongelma on sama: miten pysyä perillä siitä, mikä muuttuu juuri nyt, ja mikä muutos on merkityksellinen?
Tämä ei ole vain teoreettinen havainto. Teen itse työtä hankepäällikkönä monimutkaisissa siirtymähankkeissa hyvinvointialueilla, joissa toiminnan ja tuotannon asiantuntijat, tuoteomistajat sekä palvelu- ja tuotantopäälliköt jakavat jatkuvasti tietoa. Sitä tietoa täytyy pystyä siirtämään moneen suuntaan ja monella tavalla ja samalla varmistaa, että kaikki pysyvät perillä olennaisesta.
Kehittämämme seuranta-agentti on taustalla toimiva mikropalvelu, joka valvoo käyttäjän itse määrittelemiä tietolähteitä ja raportoi merkittävät muutokset.
Se tunnistaa esimerkiksi uudet dokumentit, päivitykset ja sisällölliset erot – eli kaiken oman roolin kannalta oleellisen. Agentti hyödyntää asiakkaan käyttämää LLM-kielimallia, kuten Copilotia tai ChatGPT:tä, ja toimii täysin organisaation sisällä tietoturvaa rikkomatta. Se tekee juuri sen, missä ihmiset kuormittuvat: seuraa muutoksia, tulkitsee, ja nostaa esiin merkityksellisen tiedon kaiken hälyn keskeltä.
Olen usein todennut, että asiantuntijat kyllä osaavat työnsä. Ongelma ei ole osaamisessa, vaan siinä, että työympäristö tuottaa valtavan määrän pientä liikettä, jota kukaan ei ehdi aktiivisesti vartioida. Dokumenttien, projektien ja viestien virta kasvaa tasaisesti, ja päätöksenteko hidastuu, koska merkittävä signaali hukkuu kohinaan.
Seuranta-agentti syntyi ratkaisemaan juuri tätä ongelmaa: seuraamaan jatkuvaa tietotulvaa, jota asiantuntija ei itse kykene seuraamaan kuin välttävällä tasolla. Sen rooli ei ole korvata ihmistä, vaan varmistaa, ettei mikään olennainen jää näkemättä. Agentti toimii ikään kuin jatkuvana taustaprosessina, joka kulkee rinnalla, ilmoittaa oikealla hetkellä ja vapauttaa mielen siihen, missä ihmisen panos todella ratkaisee. Agentti toimii organisaation omassa LLM-ympäristössä, mikä tekee sen käyttöönotosta poikkeuksellisen kevyen.
Parhaimmillaan agentti muuttaa koko työn rytmiä. Sen sijaan, että asiantuntija käyttää aikaa tiedon etsimiseen, hän käyttää aikaa vaikutusten arvioimiseen. Sen sijaan, että yritetään pysyä perässä, pystytään olemaan askeleen edellä.
Uskon vahvasti, että viiden vuoden sisällä asiantuntijatyöstä tulee AI-natiivia. Ei siksi, että hype kasvaa, vaan päinvastoin: siksi, että hype laskee. Kun tekoälyteknologia muuttuu arkiseksi, alkaa todellinen työnteon muutos.
Seuranta-agentti ei ole vastaus kaikkeen, mutta se ratkaisee yhden hyvin konkreettisen ja universaalin ongelman: asiantuntija ei voi enää itse seurata kaikkea. Työtä ei pidä optimoida sillä, että ihmiset jaksavat lukea enemmän. Työtä pitää optimoida sillä, että ihmiset lukevat vain sen, millä on merkitystä.
Teknologia ei mullistu, jos sitä rakennetaan vain teknologiaksi. Se mullistuu vasta, kun se istutetaan työarkeen eli juuri siihen paikkaan, jossa kuormitus syntyy ja jossa selkeyttä tarvitaan.
Kun vertaan tutkimushankkeen alkua tähän hetkeen, näen niiden jatkavan samaa linjaa. Tutkimus toi syvyyttä ja ymmärryksen, ja niiden pohjalta syntyi ratkaisu, joka on jo menossa käyttöön ensimmäisessä organisaatiossa. Tämän ensimmäisen käyttöönoton myötä saamme pian konkreettista tietoa siitä, miten agentti muuttaa asiantuntijatyön arkea. Tulen avaamaan näitä havaintoja ja käytännön oppeja seuraavissa kirjoituksissani.
