Tekoälykuplan voittajat eivät ehkä ole niitä, joita luulemme
Tekoälykeskustelussa oletetaan, että suurimmat voittajat ovat yritykset, jotka integroivat tekoälyn syvälle tuotteisiinsa. Mitä enemmän agentteja, sitä vahvempi kilpailuetu. Tämä oletus saattaa osoittautua vääräksi, jos tarkastellaan teknologiahistoriaa yleisesti.
Teksti: Martti Asikainen, 13.7.2026 | Kuva: Adobe Stock Photos
Tekoälykeskustelu on tällä hetkellä täynnä puheita, joiden mukaan yrityselämän voittaja on se, joka integroi tekoälyn kaikista nopeimmin, laajimmin ja tiiviimmin osaksi liiketoimintaansa. Mitä enemmän agentteja, näyttävämpi chatbotti ja isompi ’Powered by AI’ -banneri, niin sitä parempi. Tämä on varsin looginen oletus ja todennäköisesti myös väärä.
Teknologiahistoria on asian suhteen yllättävän johdonmukainen (David 1990; Bresnahan & Trajtenberg 1995). Suurimmat hyötyjät eivät yleensä ole sellaisia yrityksiä, jotka esittelevät uuden teknologian ylpeänä asiakkaalleen, vaan niitä, jotka repivät oman tuotantoprosessinsa auki ja rakentavat sen uudelleen teknologian ehdoilla. Joskus tämä tapahtuu niin vaivihkaa, ettei kukaan kiinnitä asiaan mitään huomiota.
Kenties klassisin esimerkki on sähkömoottori. Talousekonomisti Paul David kirjoitti vuonna 1990 erinomaisen näkökulman nykyajan tuottavuusparadoksista. Artikkelissaan hän painottaa, että tehtaat eivät muuttuneet tuottavammiksi, sillä hetkellä, kun sähkömoottori korvasi höyrykoneen. Tuottavuusloikka tuli vasta vuosikymmeniä myöhemmin, kun koko tuotantolinja suunniteltiin uusiksi moottorin logiikan mukaan — ei enää yhden ison keskusakselin ympärille, jota höyrykone pyöritti, vaan hajautettuna ja joustavana järjestelmänä (David 1990).
Toisin sanoen, pelkkä uusi teknologia ei riittänyt. Piti purkaa myös vanhat ja ummehtuneet ajattelumallit (David 1990). Myöhempi tutkimus tuottavuuden J-käyrästä vahvistaa laajemmin saman ilmiön yleiskäyttöisten teknologioiden kohdalla (Brynjolfsson, Rock & Syverson 2021). Olemme tekoälyn suhteen saumakohdassa. Vaikka tässä vaiheessa on lähes mahdotonta ennustaa, kuka kilpailun voittaa, niin voin lähes varmuudella todeta, että se tuskin on yritys, joka ottaa tekoälyn käyttöönsä ensimmäisenä ja näyttävimmin, vaan pikemminkin yritys, joka uskaltaa purkaa vanhat prosessinsa uuden tieltä (Brynjolfsson, Rock & Syverson 2021; Barney 1991).
Mitä data oikeastaan kertoo
Selkeyttääkseni näkemystäni haluan nostaa esiin analogian rakennusalalta, koska se on suorastaan nolostuttavan yksinkertainen. Kukaan ei osta rakennusta siksi, että rakennusliikkeellä on tehokas nosturi. Asiakas ostaa rakennuksen ja nosturi mahdollistaa sen, että se valmistuu nopeammin ja halvemmalla. Tekoälystä on tullut ohjelmistoalan nosturi. Ja tästä on myös kovaa dataa, joka osoittaa väitteen olevan totta (Peng ym. 2023).
Kun GitHub, Microsoft Research ja MIT tutkivat asiaa kontrolloidussa kokeessa, kehittäjät, joilla oli käytössään Copilot, suoriutuivat annetusta tehtävästä noin 55 % nopeammin kuin ilman sitä (Peng ym. 2023). Tulos ei ole sattuma. Kun samaa ilmiötä tutkittiin myöhemmin oikeissa työympäristöissä — ei laboratoriotehtävässä, vaan kolmen yrityksen (Microsoft, Accenture ja eräs Fortune 100 -yritys) todellisessa tuotantotyössä — lähes 4900 kehittäjän aineisto osoitti valmiiden tehtävien määrän kasvaneen noin 26 % tekoälytyökalua käyttävillä kehittäjillä (Cui ym. 2026).
Vastaava ilmiö on havaittu myös Kiinassa. Ant Groupin oman kielimallin käyttöönotto kasvatti koodituotantoa yli 50 %, joskin hyöty näkyi selvimmin vasta aloittaneilla ja nuoremmilla työntekijöillä (Gambacorta ym. 2024). Kaikki tutkimukset eivät kuitenkaan piirrä yhtä yksioikoista kuvaa. Kun METR-tutkimuslaitos selvitti asiaa kokeneiden avoimen lähdekoodin kehittäjien parissa, jotka työskentelivät itselleen ennestään tutuissa repositorioissa, tekoälyn käyttö itse asiassa hidasti työtä keskimäärin.
Tämä ei ole ristiriita vaan vahvistus. Tekoäly ei tuo hyötyä silloin, kun prosessia ei muuteta sen ympärillä. Kokeneet kehittäjät työskentelivät jo optimoiduissa, itselleen tutuissa repositorioissa, joten siellä ei ollut mitään ’purettavaa’. Juuri tästä syystä pelkkä työkalun käyttöönotto ei riitä. Samalla tämä havainnollistaa juuri sitä rosoisuutta, josta tekoälyn hyödyissä on kyse: ne eivät jakaudu tasaisesti kaikkiin tehtäviin tai kaikkiin tekijöihin, vaan riippuvat siitä, kuinka hyvin tehtävä osuu tekoälyn osaamisalueen sisälle (Dell’Acqua ym. 2026).
Yksikään asiakas ei kuitenkaan osta ”tekoälyavusteista kehitystä”, vaan hän ostaa ohjelmiston, joka toimii ja joka on valmis ajoissa. Kilpailuetu syntyy siis nosturista, mutta rahaa tulee vain rakennuksesta. Nosturia on siis osattava käyttää juuri niissä kohteissa, joissa se todella nopeuttaa rakentamista – muualla se on vain kallis kone, joka seisoo pihalla.
Jyvät akanoista
Tekoälybuumin ensimmäisessä vaiheessa raha virtasi lähes mihin tahansa, missä oli tekoälyä. Riitti, että vanhaan tuotteeseen lisättiin keskusteluikkuna ja sijoittajat innostuivat. Toisinaan pelkkä aiekin riitti. Se aika on nyt ohi. Sijoittajat ovat alkaneet kysyä epämukavia kysymyksiä, kuten mitä tapahtuu, jos tekoälymallin toimittaja lisää huomenna saman ominaisuuden omaan tuotteeseensa tai perustaa kilpailevan yrityksen (esim. OpenAI 2026). Tai entä jos generatiivisten tekoälymallien käyttämien tokenien hinnat kymmenkertaistuvat ensi vuonna?
Mikäli koko kilpailuetu perustuu helposti saatavilla olevaan ulkoiseen malliin, niin se on vaikeasti puolustettava (Barney 1991). Yritys ei omista mallia, vaan se käyttää resurssia, jonka hinnoitteluun, saatavuuteen ja kehityssuuntaan se ei voi vaikuttaa. Siksi kilpailuetu alkaa valmiiden mallien sijaan todennäköisemmin löytyä asioista, joita ulkopuolinen tekoälymallin toimittaja ei voi kopioida tai luoda hetkessä: omasta datasta, jakelukanavista, prosesseista ja organisaation kyvykkyyksistä (Teece 2018).
Joku irvileuka saattaisi jopa väittää, että jos kilpailuetusi nojaa kokonaan jonkun toisen omistamaan malliin, niin et itse asiassa omista kilpailuetua lainkaan. Omistat käyttöoikeuden työkaluun, jonka omistaja voi hinnoitella uudelleen, kopioida ja jopa lakkauttaa yhdellä ainoalla päivityksellä. Myös tästä syystä puhe kääntyy yhä enemmän dataan, jakeluun ja työnkulkuihin — asioihin, joita tekoälymallin toimittaja ei voi poistaa sormia napsauttamalla.
Teknologiset alustat ja riippuvuuden logiikka
Jokainen suuri teknologiamurros synnyttää uuden riippuvuuden. Kyse ei ole yksittäisten yritysten virheestä, vaan toistuvasta rakenteellisesta ilmiöstä (David 1985; Arthur 1989). Yhdysvalloissa 1800-luvun puolivälissä tehtaiden sijainti, raaka-ainehankinta ja jakelu alkoivat riippua rautatieyhtiöiden reiteistä ja aikatauluista. Ne yritykset, jotka onnistuivat sijoittumaan rataverkon solmukohtiin, saivat merkittävän kilpailuedun, joka ei syntynyt niiden omasta tehokkuudestaan, vaan suhteestaan sijaintiinsa ja rautatieyhtiöön (Atack ym. 2008; Donaldson & Hornbeck 2016).
Sama kaava toistui 1980–1990-luvuilla niin sanotulla Wintel-ajalla, kun ohjelmistotalot eivät enää suoranaisesti kilpailleet vain keskenään, vaan niiden menestys riippui yhä enemmän siitä, miten hyvin ne pystyivät sopeutumaan Microsoftin Windows-käyttöjärjestelmän ja Intelin prosessoriarkkitehtuurin ehtoihin. Kaksi yritystä muodosti koko toimialan selkärangan (Bresnahan & Greenstein 1999; Gawer & Cusumano 2002).
Etenkin digitaalisissa ekosysteemeissä yritysten asema riippuu yhä enemmän suhteista muihin toimijoihin (Jacobides, Cennamo & Gawer 2018). Esimerkiksi pilvipalvelut vähensivät oman konesalin tarvetta ja siirsivät samalla kontrollin pilvitoimittajalle. Sosiaalinen media puolestaan laski markkinoinnin kustannuksia, mutta teki kasvusta algoritmin armoilla olevaa.
Hakukoneet toivat ilmaista näkyvyyttä, mutta tekivät verkkoliiketoiminnasta niin epävarmaa, että kaikki oli yhden algoritmipäivityksen päässä romahduksesta. Applen App Store ja Google Play toistivat saman kaavan: kehittäjien menestys ei riippunut enää pelkästään tuotteen laadusta, vaan myös alustan säännöistä, näkyvyysalgoritmeista ja maksuosuuksista. Tekoäly ei riko tätä kaavaa, se vahvistaa sitä.
Etenkin foundation-mallien kehitys on lisännyt riippuvuutta pienestä joukosta suuria mallintoimittajia (Bommasani ym. 2021). Mitä enemmän liiketoiminta nojaa jatkuviin mallikutsuihin, sitä suurempi osa kustannusrakenteesta on jonkun toisen käsissä (Bommasani ym. 2021). Tämä ei tee mallista huonoa ratkaisua, sillä asiat eivät ole niin mustavalkoisia, mutta se luo riippuvuuden siinä missä muistakin ulkoistetuista resursseista. Moni huomaa sen vasta, kun käyttömäärät ja lasku kasvavat samaa tahtia.
Ilmainen tänään, kallis huomenna
Tekoälylaboratoriot eivät tee voittoa nykyisillä hinnoilla. Ne toimivat jatkuvan rahoituskierroksen mallilla, jossa jokainen pääomasijoituskierros ostaa seuraavan vuoden alihintaisen pääsyn, joka kasvattaa käyttäjäkuntaa ja oikeuttaa seuraavan kierroksen vielä korkeammalla arvostuksella. Rakenne on tuttu. Amazon teki sen verkkokaupalla. Uber teki sen takseilla. Spotify teki sen musiikilla. Tekoälylaboratoriot tekevät sen älyllä itsellään (Asikainen & Masala 2026).
Sama nelivaiheinen kaava toistuu jokaisessa suuressa teknologiamurroksessa. Ensimmäinen on haalinnan vaihe, jossa elämme nyt: laboratoriot hinnoittelevat tokenit todellista kustannusta alemmaksi ja tulvivat markkinat ilmaistasoilla ja halvoilla rajapinnoilla. Tavoite on yksinkertainen — kehittäjät rakentavat alustan päälle, yritykset integroivat rajapinnan, ja ekosysteemit muodostuvat mallin ympärille. Sitouttaminen kasaantuu hiljaa, huomaamatta.
Toinen vaihe on konsolidaatio: pienemmät toimijat ostetaan pois tai ne katoavat markkinoilta. Tästä selvinneet kohtaavat pian sijoittajien paineen osoittaa kannattavuutta, mikä johtaa kolmanteen vaiheeseen, uudelleenhinnoitteluun. Hinnat ankkuroituvat todellisiin kustannuksiin plus katteeseen, ja ilmaistasot kutistuvat tai katoavat kokonaan. Yritykset, jotka ovat rakentaneet liiketoimintansa tekoälytyönkulkujen tai -avustajien varaan, kohtaavat tällöin kustannuseriä, joita ne eivät koskaan budjetoineet — ja joutuvat joko nostamaan hintojaan merkittävästi tai luopumaan liiketoiminnasta kannattamattomana.
Neljäs vaihe on perusteiden vaihe. Silloin tiimien toimintakykyä ei enää mitata sillä, kuinka nopeasti ne rakentavat tekoälyn avulla, vaan kuinka kustannustehokkaasti. Tokenitehokkuudesta tulee se kilpailuetu, jonka kuvitellaan tällä hetkellä syntyvän pelkästä tekoälyn käytöstä. Ensimmäiset merkit siirtymästä ovat jo nähtävillä. GitHub ilmoitti huhtikuussa 2026 siirtävänsä Copilot-työkalunsa token-pohjaiseen laskutukseen kesäkuusta alkaen. Muutoksen jälkeen kehittäjät ovat raportoineet, että yksittäinen agenttityöskentelyn istunto voi jo nyt kuluttaa enemmän kuin koko kuukauden tilausmaksu (GitHub Blog, 2026).
Tässä kohtaa moni haluaisi kiistää kehityssuunnan: laitteistokustannukset laskevat, mallitehokkuus paranee, ja kilpailu saattaa pitää hinnat alhaalla pidempään kuin odotamme. Tämäkin on totta. Mutta nykyinen hinnoittelu ei todennäköisesti heijasta pysyvää markkinatasapainoa. Pääomasijoittajien tukema alihintainen pääsy on väliaikainen strategia, ei pysyvä tila. Harvinaiset maametallit kallistuvat kaiken aikaa, ja samalla tekoälybuumi ja datakeskusten valtava muistitarve ovat nostaneet esimerkiksi RAM- ja SSD-muistien hintoja pahimmillaan jopa kolminkertaiseksi.
Kuka omistaa tulevaisuutesi
Moni saattaa tehdä kirjoituksesta sellaisen johtopäätöksen, että tekoälyä kannattaa käyttää hiljaa taustalla sen sijaan, että sitä myydään ominaisuutena. Houkutteleva ajatus, mutta se ei ole neutraali strategia — se on vain toisenlainen riski. Yritys, joka rakentaa koko tuottavuutensa tekoälyavusteiseen kehitykseen, mutta ei investoi lainkaan omaan osaamiseen, dataputkiin tai prosessinsa ymmärtämiseen, on yhtä riippuvainen kuin se, joka mainostaa tekoälyään etusivulla suurilla kirjaimilla. Ainoa ero on, ettei kukaan ulkopuolinen näe sitä ennen kuin on liian myöhäistä.
Teknologiahistorian todellinen opetus ei ole se, että teknologiaa tulisi piilotella, vaan että teknologian lisäksi tulisi ymmärtää myös sen käyttöliittymään liittyvät riskit ja haasteet (David 1990; Brynjolfsson ym. 2021). Sähkö mullisti tehtaat, mutta kilpailuetu ei syntynyt sähköjohdosta, vaan uudelleensuunnitellusta tuotantoprosessista. Internet mullisti kaupan, mutta kilpailuetu ei syntynyt verkkoyhteydestä, vaan se syntyi verkkokaupoista ja liiketoimintamalleista (Teece 2018).
Tekoälyn kohdalla logiikka on samankaltainen. Ei ole juurikaan väliä, missä kohtaa tuotantolinjaa tekoäly näkyy. Ratkaisevaa on, kuinka syvälle se on sulautettu siihen, miten organisaatio oikeasti toimii (Vial 2019). Käytännössä tämä tarkoittaa investointia kolmeen asiaan, joita kukaan mallintoimittaja ei voi ottaa sinulta pois: oman datan laatuun ja saatavuuteen, prosessien ymmärtämiseen niin syvältä, että ne voi rakentaa uudelleen, ja organisaation kykyyn arvioida itse, missä tekoäly tuo hyötyä ja missä ei (Teece 2018).
Tämä ymmärrys on erityisen tärkeää myös siksi, että tekoälyn hyödyt eivät jakaudu tasaisesti kaikkiin tehtäviin. Eräässä kenttäkokeessa, jossa 758 konsulttia käytti tekoälyä työtehtävissään, tekoäly paransi suoriutumista merkittävästi tehtävissä, jotka olivat sen osaamisalueen sisällä, mutta heikensi selvästi tuloksia monimutkaisemmassa tehtävässä, joka ylitti sen kyvykkyyden rajat (Dell’Acqua ym. 2026).
Organisaatio, joka ei tunnista tätä rajaa, saattaa soveltaa tekoälyä juuri niihin tehtäviin, joissa se tekee eniten vahinkoa. Sen vuoksi onkin niin harmillista, että koko tekoälykeskustelua hallitsevat tällä hetkellä puheet kyvykkyydestä ja siitä, mitä mallit osaavat. Paljon vähemmän puhutaan siitä, mitä niiden käyttö maksaa pitkällä aikavälillä rahassa, osaamisessa ja strategisessa liikkumavarassa. Kun seuraavan kerran organisaatiossasi puhutaan tekoälystrategiasta, kokeile kahta kysymystä peräkkäin:
- Rakennammeko liiketoimintaa tekoälyn päälle vai rakennammeko sitä tekoälyn avulla?
- Jos tekoälypalveluntarjoaja tekee huomenna hinnankorotuksen tai muuttaa käyttöehtojaan — mitä meille jää?
Ero näiden kahden kysymyksen välillä saattaa vaikuttaa pieneltä sanaleikiltä, mutta käytännössä se voi olla miljardien eurojen kysymys siitä, omistaako yrityksenne tulevaisuutenne vai vuokraatteko sitä kuukausi kerrallaan.
Kirjoittaja
Lähteet
Arthur, W. B. (1989). Competing Technologies, Increasing Returns, and Lock-In by Historical Events. Economic Journal, 99(394)
Asikainen, M. & Masala, S. (2026, 20. toukokuuta). Tekoäly on tällä hetkellä lähes ilmaista. Siksi teemme juuri nyt kaikkein kalleimmat virheemme. Finnish AI Region. Viitattu 1. heinäkuuta 2026.
Atack, J., Haines, M. R., & Margo, R. A. (2008). Railroads and the Rise of the Factory: Evidence for the United States, 1850–70. NBER Working Paper No. 14410. https://doi.org/10.11126/stanford/9780804771856.003.0007
Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management.
Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford CRFM.
Bresnahan, T., & Trajtenberg, M. (1995). General Purpose Technologies: Engines of Growth? Journal of Econometrics.
Bresnahan, T. F., & Greenstein, S. (1999). ”Technological Competition and the Structure of the Computer Industry,” Journal of Industrial Economics, 47(1), 1–40.
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics.
Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2026). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science. https://doi.org/10.1287/mnsc.2025.00535
David, P. A. (1985). Clio and the Economics of QWERTY. American Economic Review, 75(2).
David, P. A. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2), 355–361.
Dell’Acqua, F, McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. DOI: 10.1287/orsc.2025.21838.
Donaldson, D., & Hornbeck, R. (2016). Railroads and American Economic Growth: A ”Market Access” Approach. The Quarterly Journal of Economics, 131(2), 799–858. https://doi.org/10.1093/qje/qjw002
Gambacorta, L., Qiu, H., Shan, S., & Rees, D. M. (2024). Generative AI and Labour Productivity: A Field Experiment on Coding. BIS Working Papers No. 1208. Bank for International Settlements.
Gawer, A., & Cusumano, M. A. (2002). Platform Leadership: How Intel, Microsoft, and Cisco Drive Industry Innovation. Harvard Business School Press.
GitHub. (2026, 27. huhtikuuta). GitHub Copilot is moving to usage-based billing. The GitHub Blog. Viitattu 1. heinäkuuta 2026.
Jacobides, M. G., Cennamo, C., & Gawer, A. (2018). Towards a Theory of Ecosystems. Strategic Management Journal, 39(8), 2255–2276.
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv.
Teece, D. J. (2018). Business Models and Dynamic Capabilities. Long Range Planning.
Vial, G. (2019). Understanding Digital Transformation. Journal of Strategic Information Systems.
OpenAI. (2026, 11. toukokuuta). OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence. Julkaisut OpenAI:n verkkosivuilla.
