Generatiivisen tekoälyn lupaus on houkutteleva: lisää tuottavuutta ja vähemmän rutiinityötä. Käyttöönottojen todellisuus on monimutkaisempi. Tutkimuksessa GenAI voi parantaa suoriutumista monissa tehtävissä, mutta työpaikoilla se voi lisätä teknostressiä, epävarmuutta ja tarkistustyötä etenkin jos pelisäännöt, tietosuoja ja compliance käytännöt sekä koulutus jäävät puolitiehen. Positiiviset hyvinvointivaikutukset näyttävät syntyvän silloin, kun teknologia kohdistuu työn kannalta tärkeisiin asioihin, kuten tehtävien optimointiin ja turvallisuuteen, ja kun oppimiselle annetaan oikeasti aikaa.
Lähdimme etsimään caseja
Lähdimme etsimään AIKAA!-hankkeessa yksinkertaista asiaa: yrityksiä, joissa generatiivinen tekoäly on parantanut tuottavuutta ja työhyvinvointia. Ajattelimme löytävämme case-tarinoita. Sen sijaan löysimme jotain kiinnostavampaa: tutkimustietoa siitä, miksi jotkut käyttöönotot toimivat ja toiset eivät.
Yksittäiset caset ovat usein markkinointimielessä tuotettuja ja vaikeasti yleistettäviä. Tutkimustieto kertoo toistuvista mekanismeista, jotka pätevät riippumatta siitä, onko kyseessä terästehdas vai tilitoimisto. Pk-yritykselle, jolla ei ole varaa epäonnistuneeseen pilottiin, tämä on käytännöllisintä mahdollista tietoa: se kertoo etukäteen, mihin kannattaa panostaa ja mitä sudenkuoppia välttää. Tekoäly voi kasvattaa työn tuottavuutta ja lisätä aikaan saadun työn määrää. Silti ratkaisevaa on, millaiseksi ihmisen työ muuttuu.
Nopea omaksuminen, hidas ymmärrys
GenAI:n omaksumisnopeus on historiallinen — nopeampi kuin PC aikanaan (Bick ym. 2025). Suomessa pk-yrityksistä yli puolet hyödyntää jo tekoälyä (Yrittäjägallup 2025), mutta vain harva on edennyt strategiselle tasolle. Käyttö on yleistynyt nopeasti, mutta strategisempi ja systemaattisempi hyödyntäminen näyttää jäävän jälkeen.
Tekoälyn tuottavuusvaikutuksista syntyy helposti harhaanjohtava kuva. Kontrolloiduissa tutkimuksissa GenAI nopeuttaa kirjoittamista merkittävästi (Noy & Zhang 2023) ja säästää keskimäärin pari tuntia viikossa (Bick ym. 2025). Upworkin (2024) laajassa selvityksessä kokemus oli kuitenkin toinen: valtaosa työntekijöistä koki AI:n lisäävän työmäärää, ei vähentävän. Harford (2026) selittää paradoksin: yksittäiset tehtävät nopeutuvat, mutta vapautuva aika täyttyy uudella työllä. Sama ilmiö nähtiin sähköpostin ja PowerPointin kanssa.
Case-tarinat kertovat yleensä vain ensimmäisen puolen.
Kaksoisvaikutus: resurssi vai vaatimus?
Tutkimuskirjallisuudessa toistuu yksi keskeinen havainto: GenAI:n vaikutus hyvinvointiin ei ole suora vaan välittyy työn muotoilun kautta. LUT:n Valtosen (2025) tutkimuksessa 207 suomalaisyrityksestä AI:n käyttöönotto ei itsessään parantanut hyvinvointia. Vaikutus syntyi vasta, kun käyttöönotto kohdistui tehtävien optimointiin ja työturvallisuuteen.
Työhyvinvoinnin tutkimuksessa tätä selitetään usein työn vaatimusten ja voimavarojen mallilla. GenAI voi toimia voimavarana: se vähentää rutiinityötä, vapauttaa aikaa vaativampiin tehtäviin ja mahdollistaa työn muokkaamisen itselle sopivammaksi. Mutta sama työkalu voi olla vaatimus: teknostressi, jatkuva laadunvarmistus, osaamisen rapautumisen pelko, uudet compliance-haasteet. Laajassa kolmen aallon kyselytutkimuksessa (Chuang ym. 2025) AI-teknostressi lisäsi uupumusta ja työ–perhe-konfliktia, mutta GenAI:n käyttö lievensi näitä haittoja, kun käyttöönotto oli hallittua.
Kyse on siitä, miten tekoälyn käyttö kytketään osaksi työn kokonaisuutta.
Algoritminen kollega vai algoritminen häkki?
Hollantilais-saksalaisessa tutkimuksessa (Meijer ym. 2021) sama ennustavan analytiikan järjestelmä tuotti kahdessa organisaatiossa täysin eri lopputuloksen: toisessa se toimi “algoritmisena kollegana”, joka tuki ammattilaisen harkintaa, toisessa “algoritmisena häkkinä”, joka kavensi autonomiaa. Ero ei johtunut teknologiasta vaan organisaatiokulttuurista.
Tämä on suoraan siirrettävissä GenAI-kontekstiin. Tuottavuushyödyt ovat todellisia, mutta todellinen synergia, jossa ihminen ja AI yhdessä ylittävät kummankin yksinään, toteutuu tutkimusten mukaan lähinnä luovissa tehtävissä. Strukturoiduissa päätöksentekotehtävissä pelkkä algoritmi on joissakin kokeellisissa asetelmissa suoriutunut paremmin kuin ihminen ja tekoäly yhdessä.
Uusi työnjako ei siis ole “AI auttaa ihmistä” vaan “AI tuottaa, ihminen arvioi ja jalostaa”. Tämä kuulostaa tehokkaalta, mutta on myös uusi kuormituksen lähde, jos roolia ei tehdä näkyväksi.
Tähän liittyy varoitus, joka ei nouse case-tarinoista: myötäilevä tekoäly ei haasta ajattelua. Tuoreessa kokeellisessa tutkimuksessa (Batista & Griffiths 2026) tekoäly, joka validoi käyttäjän oletuksia, näytti johtavan heikompaan oppimiseen kuin satunnaiset vastaukset. Oletusasetuksilla toimiva ChatGPT käyttäytyi tutkimuksessa samankaltaisesti kuin eksplisiittisesti myötäileväksi ohjeistettu versio. Tulokset ovat vielä alustavia, mutta ne nostavat esiin tärkeän riskin: ilman kriittistä käyttökulttuuria AI voi näyttää toimivalta ilman että se oikeasti kehittää osaamista.
Kolme toimintaperiaatetta
Tutkimusaineistosta nousee kolme periaatetta, jotka erottavat onnistuneet käyttöönotot epäonnistuneista.
Aloita tehtävistä, älä teknologiasta. Valtosen (2025) tulokset osoittavat, että hyvinvointivaikutus syntyy vain silloin, kun AI kohdistetaan tehtävien optimointiin ja turvallisuuteen, ei pelkkään tuottavuuden kasvattamiseen. Käytännössä tämä tarkoittaa, että ensimmäinen kysymys ei ole “mihin voisimme käyttää tekoälyä?” vaan “mitkä tehtävät kuormittavat ihmisiä eniten?”. Ergonomia ja riskien arviointi ovat konkreettisia aloituspisteitä.
Suojaa oppimisaika. BCG:n (2025) selvityksessä tiimeissä, joissa esimiehet itse käyttivät AI-työkaluja, adoptio oli nelinkertainen. Mutta esimiehen esimerkki ei riitä, jos oppimiselle ei anneta tilaa. “Radikaali työntekijäkeskeisyys” — BCG:n oma termi — tarkoittaa, että käyttöönoton tulee tähdätä työn tekemiseen nautinnollisemmaksi, ei vain tehokkaammaksi. Kun oppimisaika on suojattu suorituspaineelta, kynnys kokeilla laskee.
Mittaa molempia. Tuottavuuden seuranta on yrityksille luontevaa. Hyvinvoinnin seuranta harvemmin. Mutta jos mittaat vain nopeutta, et näe kustannusta. TTL:n AI-askelia-hankkeen periaate kiteyttää: tuottavuus ja työhyvinvointi rinnakkain, ei vastakkain.
Yksinkertainen testi johdolle: jos poistaisitte tekoälyn huomenna käytöstä, vähenisikö työn kuormitus vai kasvaisiko se?
Mitä emme vielä tiedä
Suomessa on aktiivinen hankekenttä ja tuore tutkimuspohja. Mutta aukot ovat merkittäviä. Nykytutkimus painottuu suuryrityksiin ja tietotyöhön. Pk-yritysten tilanne on huonosti tunnettu. Pitkittäistutkimusta ei juuri ole, ja suomalaiset yritys-caset toimivat inspiraationa, mutta niiden hyvinvointivaikutuksia ei ole systemaattisesti tutkittu.
Nuorten työntekijöiden teknostressi on vasta alkanut saada tutkimushuomiota. Högemannin ym. (2025) tuore tutkimus osoittaa, että perinteiset teknostressidimensiot ovat yhä relevantteja, mutta GenAI tuo päälle uusia: compliance-epävarmuuden, osaamisen rapautumisen pelon ja riippuvuuden tunteen. Juuri ne työntekijät, jotka omaksuvat tekoälyn ensimmäisinä, kohtaavat myös sen kuormituksen ensimmäisinä.
Kutsu
Tämän kirjallisuuskatsauksen perusteella yksi asia on selvä: GenAI ei ole vain teknologiakysymys. Se on työn muotoilun kysymys. Teknologia on sama kaikille. Ero syntyy siitä, miten se otetaan osaksi arkea, kuka saa vaikuttaa toteutukseen ja mitataanko onnistumista pelkällä tehokkuudella vai myös sillä, miten ihmiset voivat.
Pk-yrityksillä on tässä paradoksaalinen asema. Ketteryys on etu: kokeiluja voi käynnistää nopeasti, ilman raskaita hallintoprosesseja. Mutta ketteryys on myös riski, jos strateginen ote jää ottamatta — jos käyttöönotto etenee ilman, että kukaan pysähtyy miettimään sen vaikutusta työhön ja ihmisiin.
AIKAA!-hanke tutkii juuri tätä. Rakennamme yhdessä yritysten kanssa käytäntöjä, joissa tekoälyn käyttöönotto ja työhyvinvointi kulkevat rinnakkain. Käytännössä se tarkoittaa pilotteja, joissa testataan uusia toimintatapoja oikeissa työympäristöissä, ja tutkimusta, joka dokumentoi niiden vaikutukset. Ole yhteydessä — köydetään teidän tapanne osallistua.
Kirjoittaja: Vesa Kauppinen, AIKAA!-hanke, Oulun yliopisto | 2026
AIKAA!-hankkeen (2024–2027) tavoitteena on parantaa työhyvinvointia ja tuottavuutta mikro- ja pk-yrityksissä hyödyntämällä generatiivista tekoälyä. Hanke on Euroopan unionin osarahoittama.
Lähteet
- Tilastokeskus (2025). Tietotekniikan käyttö yrityksissä 2025. Tilastokeskus, Tiede, teknologia ja tietoyhteiskunta.
- Batista, R. M. & Griffiths, T. L. (2026). A rational analysis of the effects of sycophantic AI. arXiv:2602.14270.
- BCG — Boston Consulting Group (2025). Radical employee centricity. Raportti.
- Bick, A., Blandin, A. & Deming, D. J. (2025). The rapid adoption of generative AI. Federal Reserve Bank of St. Louis Working Paper 2024-027, revised February 2025.
- Chuang, Y. T., Chiang, H. L. & Lin, A. P. (2025). Insights from the Job Demands–Resources Model: AI’s dual impact on employees’ work and life well-being. International Journal of Information Management, 83, 102887.
- Harford, T. (2026). The minutes are amazing but the hours are terrible. Financial Times.
- Högemann, M., Hein, L., Britsche, J.-O. & Thomas, O. (2025). Technostress and generative AI in the workplace: A qualitative analysis of young professionals. Frontiers in Artificial Intelligence, 8, 1728881.
- Meijer, A., Lorenz, L. & Wessels, M. (2021). Algorithmization of bureaucratic organizations: Using a practice lens to study how context shapes predictive policing systems. Public Administration Review, 81(5), 837–846.
- Noy, S. & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
- Suomen Yrittäjät (2025). Yrittäjägallup, 14.11.2025.
- TTL — Työterveyslaitos (2026). AI-askelia -hanke. TTL, TIEKE, Laurea, Kajaanin AMK.
Upwork Research Institute (2024). From burnout to balance: AI-enhanced work models. San Francisco, CA. - Valtonen, M. (2025). Digital technologies and employee wellbeing [Väitöskirja]. LUT University.
- Valtonen, M., Saunila, M. & Ukko, J. (2025). AI and employee wellbeing. Journal of Business Research. LUT University.