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 liike-elämän voittajia ovat ne, 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 edes 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. Myöhempi tutkimus tuottavuuden J-käyrästä vahvistaa laajemmin saman ilmiön yleiskäyttöisten teknologioiden (GPT) kohdalla (Brynjolfsson, Rock & Syverson 2021).
Nähdäkseni olemme tekoälyn suhteen saavuttaneet saumakohdan. 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 (ks. 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 osattava käyttää juuri niissä kohteissa, joissa se todella nopeuttaa rakentamista. Muualla se on vain kallis kone, joka seisoo pihalla.
Miksi kompetenssi voittaa työkalun
Suomalaisyritykset tarjoavat tästä havainnollisen esimerkin. Työterveyslaitoksen ja Tilastokeskuksen taannoisen selvityksen mukaan yli puolet suomalaisyrityksistä käyttää jo tekoälyä, mutta vain 17 prosentilla on kirjallinen tekoälystrategia. Tekoälyllä tuottavuutta -hankkeen haastatteluaineisto piirtää saman kuvan tarkempana: tekoälyä hyödyntää jo kolme neljästä yrityksestä, mutta vain 7 prosenttia on onnistunut integroimaan sen osaksi organisaation prosesseja. Loput kokeilevat, mutta eivät rakenna.
Erot kokeilun ja integraation välillä selittävät myös METR:n (Becker ym. 2025) ja jagged frontier (Dell’Acqua 2026) -tutkimusten näennäisen ristiriidan. Kysymys ei ole siitä, onko organisaatiolla käytössään tekoälyä, vaan siitä, onko sillä kykyä tunnistaa, missä tekoäly tuo hyötyä, ja rohkeutta rakentaa prosessi uudelleen sen ympärille.
ILO:n taannoinen analyysi antaa ilmiölle myös nimen: tekoälyn aggregaatioparadoksi, jossa huomattavat tehtävätason tuottavuusparannukset, tyypillisesti 10–70 prosentin luokkaa, eivät siirry mitattavaksi hyödyksi organisaatiotasolla ilman laajaa diffuusiota ja täydentäviä investointeja (Chan & Shedania 2026).
Deloitten tänä vuonna ilmestynyt selvitys Pohjoismaista tekee tämän konkreettiseksi: 79 prosenttia organisaatioista raportoi tekoälystä tehokkuushyötyjä, mutta vain 18 prosenttia liikevaihdon kasvua, ja vain joka viidennellä on edes nimetty vastuuhenkilö tekoälyn arvonluonnille (Deloitte 2026).
McKinseyn vuoden 2025 globaali kyselyaineisto, lähes 2000 yritystä, vahvistaa havaittua logiikkaa: 25 organisatorisesta tekijästä juuri työnkulkujen perustavanlaatuinen uudelleensuunnittelu ennustaa vahvimmin, näkeekö yritys taloudellista hyötyä tekoälystä — vahvemmin kuin mikä tahansa yksittäinen mallivalinta. Silti vain noin 6 prosenttia yrityksistä ylsi tässä mielessä todelliseen, mitattavaan hyötyyn (McKinsey 2025).
Rakenna, älä vuokraa
Edellä mainitut kyselytutkimukset ovat täsmälleen sama havainto, jonka David teki sähkömoottorin historiasta jo vuonna 1990. Teknologia ei riitä, ellei sen ympärillä olevaa työtä suunnitella uudelleen. Ero on vain siinä, että nyt uudelleensuunnittelu tapahtuu kuukausien, ei vuosikymmenten aikajänteellä.
Jos kompetenssi lopulta ratkaisee, seuraava kysymys on väistämätön: mistä se kompetenssi tulee? Ei ostamalla parasta mallia, koska saman voi ostaa myös kilpailijasi samana päivänä. Kestävä kilpailuetu edellyttää perinteisesti resurssia, joka on arvokas, harvinainen, vaikeasti jäljiteltävä ja korvaamaton (Barney 1991).
Ulkoisesta mallista ostettu älykkyys täyttää korkeintaan ensimmäisen näistä neljästä ehdosta — se on arvokas, mutta ei harvinainen eikä vaikeasti jäljiteltävä, koska kuka tahansa maksava asiakas saa saman pääsyn samaan aikaan. Osaaminen, joka syntyy oman datan, omien prosessien ja oman organisaation ymmärtämisestä, täyttää sen sijaan kaikki neljä ehtoa, koska sitä ei voi ostaa valmiina. Sen voi vain rakentaa itse.
Tämä ei kuitenkaan tarkoita, että ulkoiset mallit pitäisi hylätä. Se olisi yhtä naiivia kuin kieltäytyä käyttämästä sähköä sen vuoksi, ettei kukaan omista sähköverkkoa. Kyse on siitä, mitä rakennetaan ja minne. Malli voi jäädä vuokralle, kunhan sen ympärille rakennettu ymmärrys — mitä dataa syötetään, missä kohtaa prosessia tekoäly toimii ja missä ei, kuka organisaatiossa osaa arvioida tulosta kriittisesti — pysyy talon sisällä.
Juuri tämä ero selittää, miksi kaksi yritystä voi käyttää täsmälleen samaa mallia samalla hinnalla ja päätyä silti täysin eri lopputulokseen: toinen omistaa oppimisen, toinen vain laskun.
Kirjoittaja
Lähteet
Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management.
Becker, J., Rush, N., Barnes, B., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv:2507.09089.
Bresnahan, T., & Trajtenberg, M. (1995). General Purpose Technologies: Engines of Growth? Journal of Econometrics.
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics.
Chan, C.Y.C., & Shedania, K. (2026). The aggregation paradox of AI: Why do micro-economic productivity gains from AI disappear at scale. ILO Research Brief. International Labour Organization.
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.
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.
Deloitte. (2026). State of AI in the Nordics 2026. Deloitte.
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.
Keränen, P., & Nygård, E. (2025). Tekoälyn hyödyntämisen nykytila yrityksissä: Tekoälyllä tuottavuutta -hanke, raportti (Raportteja ja selvityksiä, 84). Centria-ammattikorkeakoulu.
McKinsey & Company. (2025). The State of AI: How Organizations Are Rewiring to Capture Value. QuantumBlack, McKinsey & Company.
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv.
Työterveyslaitos. (2025). Tekoälyn hyödyntäminen yrityksissä 2025: Tuloksia Digivihreä siirtymä ja työ -yrityskyselystä. ISBN 978-952-391-236-6.
