Teknologia ohitti taidon – kukaan ei kaipaa enää kehotekoulutusta
Vielä hetki sitten organisaatiot halusivat oppia kirjoittamaan täydellisiä kehotteita. Nyt kehittyneet tekoälymallit ymmärtävät tehtävän ilman tarkkaa muotoilua, ja koulutuksissa kysytään, miten tekoäly sovitetaan työhön ja miten sen vastauksiin voi luottaa.
Martti Asikainen | 13.10.2026 | Kuva luotu tekoälyllä
Viime vuosina asiantuntijaorganisaatiot, julkinen sektori ja pk-yritykset toivoivat yhtä ja samaa. Henkilöstön haluttiin oppia kirjoittamaan kehotteita (en. prompt), joilla tekoälystä saa kaiken irti. Tekoälykouluttajana olen vetänyt tällaisia työpajoja lähes 200 ihmiselle eri organisaatioissa ja toimialoilla.
Kuluvan vuoden aikana tilanne on kuitenkin muuttunut merkittävästi. Olen huomannut, että kehotekoulutuksia pyydetään yhä harvemmin, ja samaan aikaan myös tekoälykeskustelu on siirtynyt monimutkaisempiin kysymyksiin. Kehotteiden sijaan halutaan tietää, miten tekoäly otetaan osaksi työprosesseja, miten sen käyttöä ohjeistetaan ja valvotaan ja miten sen tuottamaan tietoon voi luottaa.
Sekä tekoälyjärjestelmät että tapamme käyttää niitä ovat muuttuneet. Teknologia on ohittanut taidon siinä mielessä, että huonompikin kehotteen kirjoittaja voi saada malleista kaiken irti käyttämällä mielikuvitusta ja tietämällä siitä, mitä hän haluaa.
Kehote ei ollut koskaan varsinainen kysymys
Kun ihmiset tulivat kehotetyöpajaan, he eivät oikeastaan halunneet oppia kehotteita. He halusivat tietää, miten tekoälystä saa hyviä vastauksia. Kehotteiden kirjoittaminen oli hyvä ja inhimillinen vastaus tähän kysymykseen aikana, jolloin mallien suorituskykyä voitiin ohjata merkittävästi sillä, miten tehtäviä kuvailtiin ja millaisia esimerkkejä sille annettiin.
GPT-3-tutkimuksessa Brown ym. (2020) osoittivat, että kielimalli pystyi suorittamaan uusia tehtäviä luonnollisen kielen ohjeiden ja muutamien esimerkkien avulla ilman tehtäväkohtaista hienosäätöä. Wei ym. (2022) puolestaan osoittivat, että chain-of-thought-promptaus eli mallin ohjaaminen välivaiheisen päättelyn kautta paransi suorituskykyä useissa monivaiheisissa päättelytehtävissä. Siten promptaaminen ei ollut vain hetkellinen konsulttitrendi, vaan aidosti hyödyllinen tapa parantaa mallien kyvykkyyksiä.
Promptaessa piti määritellä rooli, tavoite, muoto, sävy ja rajaukset. Kehykset ja mallipohjat olivat hyödyllisiä, koska ne pakottivat ajattelemaan, mitä oikeastaan halusi. Mutta ne olivat ennen kaikkea keino eivätkä koskaan päämäärä. Ero näkyy myös tutkimuksessa. Esimerkiksi Ma ym. (2024) analysoivat 10 538 todellista, eri alustoilta kerättyä käyttäjäpromptia ja havaitsivat, että käytännön promptit poikkeavat tutkimuksissa käytetyistä huolellisesti suunnitelluista kehotteista.
Roolin eksplisiittinen määrittely tuotti GPT-4:ssä vain marginaalisen parannuksen, kun taas jotkin harvinaisemmat promptin osat, kuten kyvykkyyksien määrittely ja esimerkit, saattoivat parantaa vastauksia. Tutkimus muistuttaa siitä, että laboratoriossa optimoitu prompti ja ihmisen todellinen tapa käyttää tekoälyä eivät ole aina sama asia.
Teknologia ohitti taidon
Sitten teknologia kehittyi nopeammin kuin me opimme. Kaikkein uusimmat tekoälymallit pystyvät käsittelemään huomattavasti pidempiä konteksteja ja hyödyntämään aiempaa monimutkaisempia ohjeita. Tämä ei kuitenkaan tarkoita, että pitkä konteksti olisi ongelmaton: tutkimuksessa on havaittu, että mallien kyky hyödyntää tietoa voi heiketä, jos olennainen tieto sijaitsee pitkän syötteen keskellä (Liu ym. 2024).
Samaan aikaan mallit ovat ottaneet valtavia harppauksia päättelyssä ja tehtävän ymmärtämisessä. Wang ym. (2026) havaitsivat ohjelmistokehityksen tehtävissä, että aikaisemmille malleille kehitettyjen promptaustekniikoiden hyödyt olivat kehittyneillä malleilla usein pienempiä. Joissakin tehtävissä monimutkaiset promptit jopa heikensivät suorituskykyä, ja päättelymalleilla yksinkertainen zero-shot-prompti saattoi toimia paremmin.
Tämä ei silti tarkoita, että ’prompt engineering’ olisi kadonnut. Päinvastoin tutkimuksessa tehtäväkohtainen ohjeistus ja luotettava palaute säilyivät hyödyllisinä. Mutta promptin täsmällinen muotoilu ei ollut enää itsessään yhtä ratkaisevaa kuin aikaisemmin (Wang ym. 2026). Tästä seuraa, että täydellisen kehotteen merkitys on pienentynyt ainakin joissakin käyttötapauksissa, mikä on hyvä huomioida niin omassa työssä kuin opetustehtävissäkin.
Keskustelu voi usein olla tehokkaampi tapa työskennellä kuin yksi huolellisesti viritetty käsky. Jos ensimmäinen vastaus ei osu kohdalleen, sitä voi ohjata, täydentää ja korjata seuraavassa viestissä. Kehotteilla on silti edelleen paikkansa. Kun tekoälyä käytetään toistuvaan tehtävään, automaatioon tai organisaation yhteisenä työkaluna, huolellisesti rakennettu kehote voi olla erittäin arvokas. Tavallisessa arjen käytössä sen rooli on kuitenkin muuttunut pienemmäksi, ellei jopa kadonnut kokonaan.
Aika ei mennyt hukkaan
Olisi helppo päätellä, että kehotekoulutukseen käytetty aika meni hukkaan. En itse kuitenkaan usko niin. Kehotteiden harjoittelu opetti meille jotain pysyvämpää kuin yksittäisiä tekniikoita. Se kehitti tuntuman siihen, miten nämä järjestelmät toimivat. Nyt tiedämme, miksi malli tarvitsee kontekstia, miksi epämääräinen tehtäväanto voi tuottaa epämääräisen vastauksen ja miksi tekoälyn sujuva vastaus ei tarkoita, että se olisi oikeassa.
Kokemukseni mukaan ihmiset oppivat parhaiten, kun heillä on jotain konkreettista, johon tarttua. Koulutuksissani tämä tarkoitti esimerkiksi sitä, että he pystyivät soveltamaan oppimaansa suoraan omiin työtehtäviinsä. Kehote oli juuri sellainen. Se teki abstraktista teknologiasta ymmärrettävän ja antoi ensimmäisen kosketuksen siihen, miten koneen kanssa toimitaan.
Kun nykyään pääsen tekoälyn käytössä hyviin tuloksiin nopeasti, se ei johdu siitä, että seuraisin jotakin tiettyä mallipohjaa. Se johtuu siitä, että ymmärrän paremmin, mitä mallille pitää kertoa, mitä siltä voi odottaa ja mitä sen vastauksesta pitää tarkistaa. Tämä ymmärrys syntyi ainakin osittain niiden vuosien aikana, jolloin kehotteet piti kirjoittaa huolellisesti ja harkiten.
Tärkein taito on arvioida vastausta
Jos kehotteiden kirjoittaminen ei enää ole ainoa keskeinen taito, mikä sitten on? Vastausta pitää osata arvioida. Tekoäly voi tuottaa sujuvaa, vakuuttavaa ja hyvin jäsenneltyä tekstiä myös silloin, kun sisältö on virheellistä. Hallusinaatioita koskevassa tutkimuksessa on toistuvasti osoitettu, että kielimallit voivat tuottaa vääriä tai perusteettomia väitteitä.
Farquhar ym. (2024) osoittivat, että kielimallien tuottamiin vastauksiin liittyviä hallusinaatioita voidaan tunnistaa epävarmuuden avulla, mutta samalla tutkimus vahvistaa itse perusongelman: mallit tuottavat vakuuttavan oloisia vastauksia, jotka eivät välttämättä vastaa todellisuutta.
Tuoreemmassa HALoGEN-tutkimuksessa arvioitiin lähes 150 000 mallin tuottamaa vastausta 14 eri kielimallilla. Tutkijat löysivät hallusinaatioita kaikista tutkituista malleista, ja niiden määrä vaihteli huomattavasti tehtävän ja alan mukaan (Ravichander ym. 2025).
Juuri siksi tekoälyn tuottaman tekstin sujuvuus ei ole hyvä luotettavuuden mittari. Asiantuntijan tehtäväksi jää arvioida, pitääkö tuotettu tieto paikkansa, mitä vastauksesta mahdollisesti puuttuu ja sopiiko tekoäly ylipäätään kyseiseen tehtävään. Olennaista ei siis ole vain saada tekoälyltä vastausta, vaan ymmärtää, milloin siihen voi luottaa, milloin se pitää tarkistaa ja milloin lopullinen vastuu on edelleen ihmisellä.
Nämä eivät ole teknisiä taitoja, vaan asiantuntijuuden ydintä, kuten harkintaa ja lähdekriittisyyttä, joita on tarvittu aina vaativissa työtehtävissä. Tekoälyn yleistyessä niiden merkitys ei katoa minnekään.
Tuore tutkimus generatiivisen tekoälyn kriittisestä käytöstä tukee tätä ajatusta. Tutkimuksessa kehitetty ja validoitu Critical Thinking in AI Use -asteikko jäsentää kriittisen tekoälykäytön muun muassa verifiointiin, tiedolliseen motivaatioon ja reflektiiviseen arviointiin. Kriittinen tekoälyn käyttö ennusti myös suoriutumista tekoälyavusteisessa faktantarkistustehtävässä (Lau ym. 2026).
Mitä meidän pitäisi nyt opettaa?
Organisaatioiden kannattaa laajentaa tekoälykoulutuksen painopistettä kehotetekniikoista siihen, miten tekoälyä käytetään osana työtä ja miten sen tuottamaa tietoa arvioidaan. Hyvä koulutus ei enää kysy vain, miten kirjoitat täydellisen kehotteen. Se kysyy myös, miten tunnistat hyvän vastauksen, milloin se on väärä ja milloin sitä ei olisi pitänyt pyytää tekoälyltä lainkaan.
Tämä ei tarkoita, että promptaamisen voisi unohtaa. Hyvä tehtävänanto, riittävä konteksti ja tarkoituksenmukaiset esimerkit ovat edelleen hyödyllisiä. Mutta ne ovat vain yksi osa suurempaa kokonaisuutta. Yhtä tärkeää on se, mitä tapahtuu vastauksen jälkeen: miten väitteet tarkistetaan, miten puuttuva tieto tunnistetaan ja miten arvioidaan, riittääkö mallin tuottama vastaus kyseiseen tehtävään.
Samalla pitää olla selvää, missä kulkee ihmisen vastuu. Tekoäly voi auttaa tuottamaan tekstin, ehdottamaan ratkaisuja ja jäsentämään tietoa, mutta vastuu tuotoksen käyttämisestä ei siirry automaattisesti koneelle. Ehkä juuri tässä on koko kehotekoulutuksen opetus. Kehotetyöpajat olivat yksi vaihe siinä, miten opimme käyttämään uutta teknologiaa. Ne opettivat meille, että tekoälylle pitää osata antaa tehtävä, konteksti ja tavoite. Nyt meidän pitää oppia, ettei tekoälyn käyttäminen pääty siihen, että se antaa meille vastauksen kysymykseemme.
Kirjoittaja
Martti Asikainen
Communications Lead, kouluttaja
Finnish AI Region
martti.asikainen@haaga-helia.fi
Kirjoitus on osa Haaga-Helia ammattikorkeakoulun ja Estonian Business Schoolin FinEstAI-hanketta (Equipping knowledge workers in support functions with AI skills in Finland and Estonia). Hanke tarjoaa tekoälysovellusten käyttökoulutusta yli 50-vuotiaille naisille Suomessa ja Virossa. Sen rahoituksesta vastaa EU:n Interreg Central Baltic -ohjelma. Kirjoitus on julkaistu alun perin eSignals Prossa.
Lähteet
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., Hesse, C., Chen, M., Sigler, E., Litwin, M., Gray, S., Chess, B., Clark, J., Berner, C., McCandlish, S., Radford, A., Sutskever, I., & Amodei, D. 2020. Language models are few-shot learners. Advances in Neural Information Processing Systems, 33.
Farquhar, S., Kossen, J., Kuhn, L., & Gal, Y. 2024. Detecting hallucinations in large language models using semantic entropy. Nature, 630, 625–630.
Lau, G. R., Low, W. Y., Tay, L., Guevarra, Y. A., Gašević, D., & Hartanto, A. 2026. Understanding critical thinking in generative artificial intelligence use: Development, validation, and correlates of the critical thinking in AI use scale. Computers in Human Behavior Reports, 22, 101103.
Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. 2024. Lost in the middle: How language models use long contexts. Transactions of the Association for Computational Linguistics, 12, 157–173.
Ma, Y., Shen, X., Wu, Y., Zhang, B., Backes, M., & Zhang, Y. 2024. The death and life of great prompts: Analyzing the evolution of LLM prompts from the structural perspective. Teoksessa Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing (s. 21990–22001). Association for Computational Linguistics.
Ravichander, A., Ghela, S., Wadden, D., & Choi, Y. 2025. HALoGEN: Fantastic LLM hallucinations and where to find them. Teoksessa Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (s. 1402–1425). Association for Computational Linguistics.
Wang, G., Sun, Z., Ye, S., Gong, Z., Chen, Y., Zhao, Y., Liang, Q., & Hao, D. 2026. Do advanced language models eliminate the need for prompt engineering in software engineering? ACM Transactions on Software Engineering and Methodology, 35(8), Article 243, 1–33.
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q. V., & Zhou, D. 2022. Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35, 24824–24837.
Kirjoittaja on käyttänyt tekoälyä avukseen taustatiedon etsimiseen ja kielenhuoltoon.
