Tekoäly on tällä hetkellä lähes ilmaista. Siksi teemme juuri nyt kaikkein kalleimmat virheemme
Elämme poikkeuksellista aikakautta. Maailman historian kalleinta teknologiaa on jaettu meille lähes ilmaiseksi, josta on syntymässä ongelma. Kun hintalappu on näkymätön, niin oppimista ei tapahdu. Kun se tulee näkyväksi, niin myöhästyminen maksaa.
Teksti: Martti Asikainen & Sami Masala, 20.5.2026 | Kuva: Adobe Stock Photos (muokattu tekoäyllä)
Tekoäly on tällä hetkellä kuin hotellin buffettipöytä, johon voit astella milloin haluat ja syödä niin paljon kuin napaasi mahtuu. Laskua ei tule perästä, koska olet jo maksanut käyttäjämaksun. Lautasesi notkuu erilaisista herkuista, joista osa jää syömättä, ja jota et ikinä tilaisi ravintolan à la carte -listalta, jos joutuisit maksamaan annosten mukaan.
Tekoälyn kanssa tunne liian hyvästä ollakseen totta on tuttu. Syy on yksinkertainen. Se on liian hyvää ollakseen totta. Piilaaksossa on jo jonkin aikaa puhuttu ilmiöstä (eng. tokenmaxxing), jossa johtajat arvioivat työntekijöidensä tuottavuutta käytettyjen tekoälytokenien perusteella (Roose 2026; Lorrimar & Smartt 2026). Mitä enemmän kulutat, sitä parempi. Georgia Techin professori Mark Riedl pohtikin tähän liittyen Vergen haastattelussa, onko lähes ilmaisen tekoälyn aikakausi lähestymässä loppuaan (Tangermann 2026).
Vastaus ei ole millään muotoa varma, mutta merkit ovat näkyvissä. Tällä hetkellä miljoonien tokenien käyttäminen maksaa pari hassua euroa. Autonomiset agentit pyörivät ympärivuorokautisesti lähes nollakustannuksella. Kehotteet voivat olla epätarkkoja, pitkiä ja epäjohdonmukaisia, mutta se ei haittaa, koska kustannukset pysyvät alhaalla. Kyse on strategiasta, joka tulee päättymään. Ja kun se päättyy, niin todellinen etumatka on todennäköisesti heillä, jotka ovat oppineet toimimaan tehokkaasti kuluttamisen sijaan.
Tekoälymallin kouluttaminen maksaa satoja miljoonia dollareita. Samaan aikaan skaalautuva päättely maksaa kymmeniä miljoonia kuukaudessa. Silti GPT-4-tason älykkyyden käyttäminen maksaa murto-osan sentistä per kysely, ja monet palvelut ovat täysin ilmaisia. Ei tarvitse olla Paul Krugman tai Joel Mokyr ymmärtääkseen, ettei tässä ole taloudelliselta kantilta tarkasteltuna mitään järkeä — ellei sitten tarkastella alan rakennetta.
Miksi tekoäly on nyt niin halpaa — ja miksi se muuttuu
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.
Prosessissa pitää sisällään neljä vaihetta, jotka toistuvat jokaisessa suuressa teknologiamurroksessa. Ensimmäinen on haalinnan vaihe eli se, jossa elämme nyt. Laboratoriot hinnoittelevat tokenit todellista kustannusta alemmaksi, tulvivat markkinat ilmaistasolla ja halvalla ohjelmointirajapinnalla. Tavoite on, että kehittäjät rakentavat alustasi päälle (esim. tekoälyagentit), yritykset integroivat rajapintasi ja ekosysteemit muodostuvat mallisi ympärille. Sitouttaminen kasaantuu hiljaa.
Toinen on konsolidaation eli vakiinnuttamisen vaihe, jossa pienemmät toimijat ostetaan pois markkinoilta tai ne menevät konkurssiin. Tästä selvinneet kohtaavat institutionaalisten sijoittajien paineen osoittaa kannattavuutta, joka johtaa kolmanteen uudelleenhinnoittelun vaiheeseen. Hinnat ankkuroituvat todellisiin kustannuksiin plus katteeseen, jonka seurauksena ilmaistasot kutistuvat tai katoavat kokonaan.
Yritykset, jotka ovat integroineet tekoälytyönkulkuja tai perustaneet toimintansa tekoälyavustajien myymiseen, kohtaavat äkillisesti todellisia kustannuseriä, joita ne eivät koskaan budjetoineet. Tokenien hintojen moninkertaistuessa he joutuvat laskuttamaan myös asiakkailtaan huomattavasti enemmän tai luopumaan liiketoiminnasta kannattamattomana.
Neljäs vaihe on perusteiden vaihe, kun tiimien toimintakykyä ei enää mitata sillä, kuinka nopeasti he rakentavat tekoälyn avulla, vaan kuinka kustannustehokkaasti he tekevät sen. Tässä vaiheessa tokenitehokkuudesta tulee se kilpailuetu, jonka kuvitellaan tällä hetkellä syntyvän pelkästä tekoälyn käytöstä ja sen integroimisesta olemassa oleviin työkulkuihin.
Ensimmäiset merkit siirtymästä ovat jo näkyvissä. GitHub ilmoitti huhtikuussa 2026 siirtävänsä Copilot-kehitystyökalunsa token-pohjaiseen laskutukseen kesäkuusta alkaen — ja myönsi samalla, että agenttikäytössä yksittäinen istunto voi jo nyt maksaa enemmän kuin koko kuukauden tilausmaksu (GitHub Blog, 2026).
Tässä kohtaa monet haluavat puhaltaa pilliin ja ajatella, että kehityssuunnan voi kiistää: laitteistokustannukset laskevat, mallitehokkuus paranee, ja esimerkiksi 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 markkinastrategia, ja teknologia vaatii maailman harvinaisimpia metalleja, joiden tarjonta ei tule kasvamaan.
Halpuus heikentää taitoja, joita se väittää vahvistavansa
Näiden kolmen ongelman pohjalta yksinkertaisimpaan selitykseen on helppo tarttua: avaa algoritmit, tee niistä läpinäkyviä, niin ongelma ratkeaa. EU:n tekoälyasetus (2024/1689) menee tähän suuntaan, kun se edellyttää, että korkean riskin järjestelmien — mukaan lukien työnhakuun ja henkilöstöhallintaan liittyvät sovellukset — on oltava selitettäviä ja auditoitavia. Sääntely on tarpeen, mutta se tuskin yksin riittää kasvattamaan ymmärrystä, luomaan turvallisuutta tai vaikuttamaan käyttäytymiseen.
Ananny ja Crawford (2018) tekivät tästä tärkeän erottelun artikkelissaan Seeing without knowing. Heidän mukaansa näkeminen ei ole sama asia kuin ymmärtäminen. Voit saada käyttöösi algoritmin koodin, sen painotukset ja parametrit, ja silti olla täysin ymmällä siitä, miksi se teki juuri sinulle juuri tämän päätöksen. Läpinäkyvyys ilman tulkintaa ja kontekstia on kuin saisi lääkäriltä sairaskertomuksensa latinaksi.
Amazon tarjoaa tästä oivan esimerkin. Sen järjestelmät ovat dokumentoituja, auditoituja ja monelta osin selitettyjä. Tästä huolimatta työntekijät kuvaavat ympäristöä ahtaaksi ja valvotuksi — jotkut vertaavat työpaikkan kyttäyskulttuuria jopa vankilaan (Palmer 2020; Sainato 2024; Bansal 2026). Wood ym. (2019) ovatkin osoittaneet, että algoritminen johtaminen tuo mukanaan sekä autonomiaa että kontrollia, samaan aikaan ja saman järjestelmän sisällä — eikä tämä kaksiteräisyys häviä mihinkään läpinäkyvyyden lisääntyessä.
Kysymys ei siis ole pelkästään avoimuudesta, vaan myös vallasta. Siitä, kenellä on oikeus haastaa päätös, kenellä on pääsy dataan, ja kuka vastaa, kun algoritmi tekee virheen. OECD:n vuonna 2025 julkaistussa kyselytutkimuksessa lähes kaksi kolmesta algoritmista johtamista käyttävästä esihenkilöstä raportoi vähintään yhden huolen järjestelmien luotettavuudesta. Yleisin huoli liittyi epäselvään vastuukysymykseen tilanteissa, joissa algoritminen järjestelmä johti virheelliseen päätökseen.
Kun vastuu hajautetaan järjestelmään, se ei suinkaan katoa, vaan muuttuu näkymättömäksi. Johtaja voi vedota siihen, että järjestelmä on päättänyt jotain, mutta järjestelmä itsessään ei voi puolustautua tai sanoa tähän yhtään mitään. Työntekijä jää helposti täysin yksin päätöksen kanssa, jonka alkuperää ei voi jäljittää tai osoittaa kenellekään. Tätä ongelmaa ei pysty korjaamaan avaamalla lähdekoodia, vaan se vaatii aitoa kohtaamista.
Työntekijän saadessa päätöksen, jota hän ei ymmärrä (esim. vuoron peruutuksen, arviointipisteiden laskun, sopimuksen päättämisen), hän ei etsi ensisijaisesti selitystä. Hän etsii ihmistä, jolle voi sanoa, ettei tämä ole oikein. Algoritmi ei voi kuulla tätä. Se ei voi epäröidä, pahoitella tai muuttaa mieltään. Se on läsnä kaikkialla datan tasolla ja poissa sieltä, missä kokemus syntyy. Tämä on ongelmallista, koska johtaminen on pohjimmiltaan kohtaamisia. Erilaisia tilanteita, joissa kaksi ihmistä neuvottelee siitä, mikä on reilua ja mikä ei. Kun toinen osapuoli korvataan algoritmisella järjestelmällä, niin neuvottelu lakkaa ja jäljelle jää vain päätös, jonka kanssa on pakko elää. Tästä syystä on erityisen tärkeä löytää balanssi algoritmisen ja ihmisjohtamisen välillä.
Toimi ennen kuin lasku saapuu
Tietenkään ratkaisu ei ole lopettaa tekoälyn käyttöä. Se olisi sama kuin kieltäytyisi käyttämästä laskinta siksi, että se tekee laskemisesta liian helppoa. Tärkeämpää on käyttää halpaa aikakauttamme myös oppimiseen pelkän rakentamisen sijaan. Siksi suosittelemme, että kohtelet jokaista kehotetta kuin se maksaisi oikeaa rahaa.
Kyvykkyysmallien sijaan kannattaa ajatella riskiperusteisesti kustannusmalleissa. On mahdotonta optimoida jotain, mitä ei mitata lainkaan. Siksi tokenilaskurin integroiminen osaksi sovelluksia ei ole huono ajatus. Tekoälyintegraatioiden kohdalla harvemmin kysytään, mitä tämä maksaa, kun se skaalataan sata- tai tuhatkertaiseksi, mutta nämä kysymykset ovat vielä meillä kaikilla edessä muutaman vuoden päästä.
Hyvä kehote eli prompti on paitsi säästöä myös hyvää ajattelua. Kun pakotat itsesi artikuloimaan täsmällisen tehtävän, täsmällisen muodon ja täsmälliset rajoitteet, teet käytännössä saman työn kuin kirjoittaessasi puhtaan funktion ja rakennat samalla taitoa, joka ei koskaan vanhene. Sama logiikka pätee myös arkkitehtuuriin. Kehittäjä, joka ymmärtää mitä abstraktioiden sisällä tapahtuu, suunnittelee järjestelmän murto-osalla kutsuja. Tämä ei ole pelkkä nyanssiero, vaan uudelleenhinnoittelun hetkellä se tulee olemaan myös budjettiero.
Myös tekoälynaikakaudella on välillä tärkeää palata perusasioiden äärelle. Tekoälyllä on hyvä piilottamaan heikkouksiamme, mutta jossain vaiheessa tulee myös aika, jolloin tulee näkyväksi, kuka on rakentanut ymmärrystä, ja kuka on rakentanut riippuvuutta ulkoisista toimijoista, jotka voivat määritellä liiketoimintasi hintalapun. Tekoälyn buffetpöytä ei ole ikuinen, mutta se, mitä sen aikana opit, pysyy.
Kirjoittajat
Martti Asikainen
Communications Lead
Finnish AI Region
martti.asikainen@haaga-helia.fi
Sami Masala
Toimitusjohtaja
AI Think
sami.masala@aithink.fi
Lähteet
Einhorn, C. S. 2025. When Working With AI, Act Like a Decision-Maker—Not a Tool-User. Julkaistu Harvard Business Reviewssä 31. lokakuuta 2025. Harvard Business Publishing. Viitattu 11. toukokuuta 2026.
Gerlich, M. 2025. AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. MDPI.
GitHub. 2026. GitHub Copilot is moving to usage-based billing. The GitHub Blog. Julkaistu huhtikuussa 2026. Viitattu 5. toukokuuta 2026.
Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X-H., Beresnitzky, A. V., Braunstein, I. & Maes, P. 2025. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv.
Lee, H-P., Sarkar, A., Tankelvitch, L., Drosos, I., Rintel, S., Banks, R. & Wilson, N. 2025. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI ’25) (Art. 1121, s. 1–22). ACM.
Lorrimarr, V. & Smartt, T. (2026). Silicon Valley’s AI ‘tokenmaxxing’ obsession has a big problem – and philosophers saw it coming . Julkaistu The Conversationissa 10. toukokuuta 2026. Viitattu 11. toukokuuta 2026.
Roose, K. (2026) More! More! More! Tech Workers Max Out Their A.I. Use. Julkaistu The New York Timessa 20. maaliskuuta 2026. Viitattu 11. toukokuuta 2026.
Tangermann, V. (2026). The Horrible Economics of AI Are Starting to Come Crashing Down. Futurism. Viitattu 11. toukokuuta 2026.
