Vuokralla vai omistuksessa? Markkina alkaa erottaa jyvät akanoista
Mitä tapahtuu, kun tekoälymallin toimittaja nostaa hintoja tai muuttaa käyttöehtojaan? Teknologiahistoria rautateistä pilvipalveluihin näyttää, miksi valmiiden mallien varaan rakennettu kilpailuetu on hauras. Kestävä etu syntyy datasta, prosesseista ja kyvykkyyksistä, joita mallintoimittaja ei voi viedä pois.
Teksti: Martti Asikainen, 13.7.2026 | Kuva: Adobe Stock Photos
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 on kääntymässä 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 niin kutsutulla Wintel-ajalla 1980–1990-luvuilla, 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, vaan 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, 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 markkinoille 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, jossa 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. (Asikainen & Masala 2026)
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 haluaa 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.
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 osaamiseensa, dataputkiin tai prosessinsa ymmärtämiseen, on yhtä riippuvainen kuin yritys, joka mainostaa ulkopuolelta hankittua tekoälyään etusivulla suurin kirjaimin. 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 käyttöönottoon 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, vaan paljon ratkaisevampaa 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 toista mallia hyödyntäen, 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 tekoälyn kaikkivoipaisuudesta ja kyvykkyyksistä. Paljon vähemmän puhutaan siitä, mitä niiden käyttö maksaa pitkällä aikavälillä rahassa, osaamisessa ja strategisessa liikkumavarassa.
Kun seuraavan kerran organisaatiossasi puhutaan tekoälystrategiasta, esitä seuraavat kaksi kysymystä peräkkäin:
- Rakennammeko liiketoimintaa tekoälyn päälle, vai rakennammeko sitä tekoälyn avulla?
- Jos tekoälypalveluntarjoaja tekee huomenna hinnankorotuksen tai muuttaa käyttöehtojaan, niin mitä meille jää jäljelle?
Ero näiden kahden kysymyksen välillä saattaa vaikuttaa pieneltä sanaleikiltä, mutta käytännössä tämä voi olla miljoonien eurojen kysymys siitä, omistaako yrityksenne tulevaisuutenne, vai vuokraako se sitä kuukausi kerrallaan.
Kirjoittaja
Lähteet
Asikainen, M. & Masala, S. (2026, 20. toukokuuta). Tekoäly on tällä hetkellä lähes ilmaista. Siksi teemme juuri nyt kaikkein kalleimmat virheemme. Finnish AI Region. Viitattu 2. heinäkuuta 2026.
Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management.
Teece, D. J. (2018). Business Models and Dynamic Capabilities. Long Range Planning.
Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford CRFM.
Vial, G. (2019). Understanding Digital Transformation. Journal of Strategic Information Systems.
Jacobides, M. G., Cennamo, C., & Gawer, A. (2018). Towards a Theory of Ecosystems. Strategic Management Journal, 39(8), 2255–2276.
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
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
Bresnahan, T. F., & Greenstein, S. (1999). Technological Competition and the Structure of the Computer Industry. Journal of Industrial Economics, 47(1), 1–40.
Gawer, A., & Cusumano, M. A. (2002). Platform Leadership: How Intel, Microsoft, and Cisco Drive Industry Innovation. Harvard Business School Press.
David, P. A. (1985). Clio and the Economics of QWERTY. American Economic Review, 75(2).
Arthur, W. B. (1989). Competing Technologies, Increasing Returns, and Lock-In by Historical Events. Economic Journal, 99(394).
David, P. A. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2), 355–361.
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics.
Dell’Acqua, Fabrizio, Edward McFowland III, Ethan Mollick, Hila Lifshitz, Katherine C. Kellogg, Saran Rajendran, Lisa Krayer, François Candelon & Karim R. Lakhani (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.
OpenAI. (2026, 11. toukokuuta). OpenAI launches the OpenAI Deployment Company to help businesses build around intelligence. Julkaisut OpenAI:n verkkosivuilla.
GitHub. (2026, 27. huhtikuuta). GitHub Copilot is moving to usage-based billing. The GitHub Blog. Viitattu 1. heinäkuuta 2026.
