Generatiivinen tekoäly – mitä se on ja mihin se kykenee?

Generatiivinen tekoäly (generative AI) on tekoälyn osa-alue, joka keskittyy uuden sisällön luomiseen. Toisin kuin perinteinen tekoäly, joka yleensä tunnistaa tai luokittelee olemassa olevaa dataa, generatiivinen tekoäly tuottaa uutta dataa.

Viime vuosina generatiiviset mallit kuten ChatGPT ja DALL-E ovat nousseet otsikoihin, kun tekoäly on alkanut kirjoittaa tekstejä, piirtää taidetta ja säveltää musiikkia ihmisten tavoin.

Tässä oppaassa tarkastelemme, mitä generatiivinen tekoäly on ja miten se toimii, sen kehityshistoriaa ja läpimurtoja, sovelluksia eri toimialoilla, eettisiä ja yhteiskunnallisia kysymyksiä, vaikutuksia työelämään sekä tulevaisuuden näkymiä.

Määritelmä ja toimintaperiaatteet

Generatiivinen tekoäly viittaa järjestelmiin, jotka voivat luoda uutta sisältöä – kuten tekstiä, kuvia, videoita, ääntä tai jopa ohjelmakoodia – käyttäjän antaman syötteen tai kehotteen perusteella.

Toisin sanoen generatiivinen malli oppii suuresta määrästä olemassa olevaa dataa ja generoi sen pohjalta jotain täysin uutta. Usein nämä mallit ovat syväoppivia neuroverkkoja, jotka on koulutettu tunnistamaan valtavia määriä kuvioita ja rakenteita lähtödatan joukosta ja hyödyntämään oppimaansa uuden sisällön tuottamisessa.

Esimerkiksi tekstipohjainen malli oppii kielen rakenteen ja sanaston koulutusdatasta ja pystyy sitten tuottamaan uusia, aiemmin näkemättömiä lauseita, jotka noudattavat kielen sääntöjä.

Tyypillinen generatiivisen tekoälyn sovellus aloitetaan kehotteella. Kehote (engl. prompt) voi olla esimerkiksi luonnollisella kielellä annettu ohje (“kirjoita runo syksyisestä metsästä”) tai vaikkapa karkea hahmotelmakuva, jonka pohjalta malli luo tarkemman kuvan.

Malli käsittelee kehotteen ja tuottaa vastauksena uutta dataa, joka on samankaltaista muttei identtistä koulutusdatansa kanssa. Generatiivinen tekoäly käyttää todennäköisyysmalleja arvatakseen esimerkiksi seuraavan sanan tekstissä tai piirteet uudessa kuvassa koulutusaineiston perusteella.

Toimintaperiaate: Generatiiviset mallit oppivat usein itseohjautuvasti (ilman valmiita oikeita vastauksia) käyttämällä suuria neuroverkkoja. Ne kehittävät sisäisen tilan – satoja miljoonia tai jopa miljardeja painokertoimia – jotka koodaavat abstrakteja käsitteitä oppimastaan aineistosta. Esimerkiksi suuri kielimalli (LLM) käy läpi miljardeja sanoja sisältävän tekstiaineiston ja säätää painokertoimiaan niin, että se pystyy ennustamaan sanoja kontekstin perusteella.

Kerran koulutettu malli pystyy generoimaan tekstiä itsenäisesti annetusta aloituksesta. Vastaavasti kuvageneraattori oppii tunnistamaan visuaalisia piirteitä valtavasta kuvajoukosta ja voi luoda kokonaan uusia kuvia yhdistellen oppimiaan tyylejä ja aiheita.

On tärkeää huomata, että generatiivinen tekoäly ei “ajattele” kuten ihminen, vaan seuraa tilastollisia malleja. Se luo sisältöä todennäköisyyslaskennan pohjalta: esimerkiksi tekstimalli valitsee todennäköisimmin sopivan seuraavan sanan ja kuva-aihemalli yhdistelee kuvioita, jotka yleensä esiintyvät yhdessä koulutusdatassa.

Tästä huolimatta nykyaikaiset mallit voivat tuottaa hämmästyttävän inhimillisen oloisia tuloksia – joskus niin vakuuttavia, että on vaikea erottaa, onko teos ihmisen vai koneen tekemä.

Kehityshistoria ja keskeiset läpimurrot

Generatiivisen tekoälyn juuret ulottuvat yllättävän kauas. Jo 1900-luvun alussa venäläinen matemaatikko Andrei Markov kehitti Markovin ketjut, joita voitiin käyttää yksinkertaisten tekstien tilastolliseen tuottamiseen.

Myöhemmin 1960–70-luvuilla tietokoneet loivat ensimmäisiä taideteoksia: taiteilija Harold Cohen esitteli 1970-luvun alkupuolella AARON-nimisen ohjelman, joka pystyi piirtämään ja maalaamaan itsenäisesti, hyödyntäen sääntöjä ja algoritmeja generoidakseen visuaalista taidetta. Nämä varhaiset esimerkit olivat kuitenkin vielä melko rajoittuneita nykymittapuulla – ne perustuivat ennalta ohjelmoituihin sääntöihin tai yksinkertaisiin tilastollisiin malleihin.

Varsinaiset läpimurrot generatiivisessa tekoälyssä alkoivat 2010-luvulla syväoppimisen myötä. Vuonna 2014 saavutettiin merkittävä käänne: tuolloin esiteltiin Variational Autoencoder (VAE) ja Generative Adversarial Network (GAN) – kaksi uutta neuroverkkoarkkitehtuuria, jotka pystyivät oppimaan monimutkaisia generatiivisia malleja kuvien kaltaiselle datalle.

Erityisesti Ian Goodfellow’n kehittämä GAN-menetelmä (julkaistu kesällä 2014) osoitti ensimmäistä kertaa, että tietokone voi oppia luomaan kokonaan uusia realistisia kuvia sen sijaan, että se vain luokittelisi kuvia. GAN koostuu kahdesta verkosta – generaattorista ja diskriminaattorista – jotka kilpailevat keskenään: generaattori yrittää tuottaa mahdollisimman aidon näköisiä kuvia, ja diskriminaattori yrittää erottaa koneen tekemät kuvat oikeista.

Tämän “kissanhännänvedon” kautta generaattori kehittyy hyvin taitavaksi luomaan aidolta näyttäviä kuvia. GAN-mallien myötä alettiin nähdä esimerkiksi keinotekoisia kasvokuvia, jotka näyttivät hämmästyttävän aidoilta, vaikka kyseessä oli täysin kuvitteellinen ihminen.

Seuraava suuri harppaus tapahtui vuonna 2017, kun Googlen tutkijat julkaisivat Transformer-arkkitehtuurin. Transformer-mallit mullistivat erityisesti tekstin generoinnin ja ymmärtämisen tehokkuudellaan. Niiden myötä vuonna 2018 nähtiin ensimmäinen Generative Pre-trained Transformer -malli (GPT-1), ja vuonna 2019 sen seuraaja GPT-2, joka kykeni jo varsin johdonmukaiseen pitkän tekstin tuottamiseen.

GPT-2 osoitti, että yksi ja sama malli voi ilman ohjaavia esimerkkejä (unsupervised learning) oppia tuottamaan tekstiä monenlaisiin tarkoituksiin – kyseessä oli eräänlainen foundation model, yleiskäyttöinen pohjamalli. OpenAI-yhtiö päätti aluksi olla julkaisematta GPT-2-mallin täyttä versiota heti, koska mallin tuottama teksti oli niin uskottavaa, että heräsi huoli väärinkäytöstä (esim. massiivisten valeuutisten generoinnista).

2020-luvulle tultaessa generatiivinen tekoäly koki todellisen buumin. OpenAI julkaisi vuonna 2020 GPT-3-mallin, jossa oli ennätykselliset 175 miljardia parametria – tämä johti huomattavaan parannukseen tekstin laatuun ja monipuolisuuteen. Vuonna 2021 esiteltiin DALL-E, tekstistä kuvaa luova malli, joka osoitti miten transformer-arkkitehtuuria voidaan soveltaa myös visuaaliseen maailmaan.

Tätä seurasi vuonna 2022 kaksi merkittävää julkaisua kuvageneroinnin saralla: Midjourney ja Stable Diffusion. Nämä työkalut demokratisoivat tekoälytaiteen – nyt kuka tahansa saattoi tekstikehotteen avulla generoida korkealaatuisia kuvia ja taideteoksia. Mallien kyky tuottaa fotorealistisia kuvia sekä monenlaisia taidetyylejä hämmästytti sekä taiteilijoita että maallikoita, ja tekoälytaiteen suosio räjähti.

Loppuvuodesta 2022 generatiivinen tekoäly nousi toden teolla suuren yleisön tietouteen, kun OpenAI julkaisi ChatGPT-kielimalliin pohjautuvan chat-palvelun vapaaseen kokeiluun. ChatGPT osoitti, että tekoäly voi käydä luontevaa keskustelua, kirjoittaa tarinoita, selittää konsepteja ja jopa auttaa ohjelmoinnissa lähes kenelle tahansa ymmärrettävällä tavalla.

Yli 100 miljoonaa käyttäjää otti ChatGPT:n käyttöön vain muutamassa kuukaudessa, mikä teki siitä yhden nopeimmin kasvaneista sovelluksista koskaan. Tämä synnytti valtavaa kiinnostusta ja myös kilpailua alalla: pian teknologiajätit kuten Google (Bard-chatbotti) ja Meta, sekä lukuisat startupit, toivat markkinoille omia generatiivisia mallejaan.

Vuonna 2023 OpenAI jatkoi kehitystä julkaisemalla entistäkin kehittyneemmän GPT-4-mallin. GPT-4:n kyvykkyys sai jopa joitakin tutkijoita pohtimaan, ollaanko lähestymässä yleistä tekoälyä (AGI, Artificial General Intelligence) – vaikkakin toiset kiistivät tämän, huomauttaen että malli yhä vain tilastoi tietoa vailla ymmärrystä.

Yhtä kaikki, vuodet 2014–2023 ovat sisältäneet suuren määrän generatiivisen tekoälyn läpimurtoja: algoritmit ovat kehittyneet yksinkertaisista kokeiluista erittäin monimutkaisiin verkkoihin, jotka pystyvät tuottamaan tekstiä, kuvia, ääntä ja jopa videoita.

Sovellukset eri toimialoilla

Generatiivisella tekoälyllä on poikkeuksellisen laaja kirjo sovelluksia, ja se on jo käytössä monilla toimialoilla. Seuraavassa esittelemme keskeisiä alueita, joilla generatiivinen tekoäly on mullistamassa toimintatapoja:

Taide ja luova ala

Generatiivinen tekoäly on avannut uusia ovia taiteessa, designissa ja viihteessä. Tekoälyn avulla voidaan luoda maalauksia, piirroksia, valokuvamaisia kuvia sekä jopa sävellyksiä ja runoja. Tekstistä kuvaksi -mallit (kuten DALL-E, Midjourney ja Stable Diffusion) antavat käyttäjän ideoiden muuttua visuaalisiksi teoksiksi hetkessä.

Taiteilijat voivat käyttää näitä työkaluja inspiraation lähteenä tai osana luovaa prosessiaan – esimerkiksi hahmotella konseptin nopeasti tekoälyn avulla ja sitten viimeistellä teoksen itse. Generatiivinen tekoäly voi myös luoda uusia musiikkikappaleita oppimalla olemassaolevien sävellysten tyylejä, tai auttaa kirjoittajia ehdottamalla juonenkäänteitä tarinoihin.

Kuva 2: Esimerkki DALL-E 2 -mallin luomasta surrealistisesta digitaalisesta maalauksesta, jossa robotti ojentaa lahjaa ihmiselle. Tekoälymalli tuotti kuvan annetun tekstikehotteen perusteella Salvador Dalín tyyliä imitoiden.

Monet suunnittelijat hyödyntävät tekoälyä myös generatiivisessa suunnittelussa: tietokoneelle annetaan jokin tavoite tai rajat (esim. tuotteen mitat ja käyttötarkoitus), ja algoritmi generoi joukon innovatiivisia design-vaihtoehtoja, joista ihminen voi valita parhaat ja jatkokehittää niitä. Tällaisia menetelmiä käytetään mm. arkkitehtuurissa ja teollisessa muotoilussa luomaan rakenteita, joita ihminen ei ehkä itse hoksaisi ehdottaa.

Generatiivisen tekoälyn tuomat mahdollisuudet herättävät luovalla alalla sekä innostusta että keskustelua. Toisaalta tekoäly tarjoaa uusia välineitä luovuuden toteuttamiseen – esimerkiksi pienellä budjetilla toimiva indie-pelistudio voi luoda korkealaatuisia grafiikoita tekoälyn avulla.

Toisaalta perinteiset taiteilijat ovat huolissaan: onko tietokoneesta tulossa kilpailija luovassa työssä, ja miten käy tekijänoikeuksien, kun tekoäly hyödyntää miljoonia olemassa olevia teoksia oppiakseen?

Media ja sisällöntuotanto

Media- ja viestintäalalla generatiivinen tekoäly on sekä tehokas assistentti että potentiaalinen häirikkö. Uutistoimitukset ja sisällöntuottajat hyödyntävät jo tekoälyä rutiiniartikkelien luonnostelussa – esimerkiksi talousuutisten tai urheilutulosten raportoinnissa tekoäly voi laatia perustekstin, jota toimittaja sitten tarvittaessa muokkaa.

Tekstigeneraattorit pystyvät kirjoittamaan erilaisin tyylein: virallisia raportteja, mainostekstejä, blogipostauksia tai vaikkapa sosiaalisen median päivityksiä, mikä auttaa markkinoinnissa ja viestinnässä. Eräiden arvioiden mukaan tekoäly voi nopeuttaa kirjoitustyötä merkittävästi: esimerkiksi ohjelmistokoodin tuottamisessa on havaittu jopa ~20% tuottavuuden parannuksia kehittäjien käyttäessä tekoälyavustajia apunaan.

Samalla generatiivinen tekoäly on mediassa mahdollistanut ilmiön nimeltä syväväärennökset (deepfakes). Deepfake-teknologialla voidaan generoida ääntä ja videokuvaa niin, että henkilön kasvoja tai ääntä vaihdetaan toiseen – tuloksena on video, jossa henkilö näyttää sanovan tai tekevän jotain, mitä hän ei todellisuudessa ole sanonut tai tehnyt.

Tämä tekniikka on kehittynyt huolestuttavan aidoksi. Esimerkiksi julkisuudessa on ollut tapauksia, joissa huijarit ovat käyttäneet tekoälyä generoimaan yritysjohtajan äänen ja onnistuneet puhelimessa huijaamaan työntekijää siirtämään rahaa väärälle tilille luullen, että pomo niin käski. Myös politiikassa pelätään, että vaalien alla voitaisiin levittää videoita, joissa ehdokas “lausuu” tekaistuja mielipiteitä.

Media-alalla generatiivinen tekoäly tuokin siis sekä mahdollisuuksia että uhkia. Mahdollisuuksiin kuuluu sisällöntuotannon automatisointi ja personointi: esimerkiksi uutiskirjeet tai verkkosivujen sisältö voidaan räätälöidä yksilöllisesti lukijan kiinnostusten mukaan tekoälyn tuottamalla sisällöllä.

Uhkana on väärän tiedon ja propagandan entistä helpompi luominen. Yhteiskunta joutuukin miettimään, miten vastata haasteeseen, jossa “mitä tahansa voidaan väärentää”. Tekniikoita kehitetään sekä väärennösten tunnistamiseen että siihen, että generoituihin sisältöihin lisättäisiin tunniste (vesileima), joka paljastaa tekoälyn kädenjäljen.

Lääketiede ja terveydenhuolto

Myös lääketieteen alalla generatiivinen tekoäly on alkanut näyttää potentiaaliaan. Yksi keskeisistä sovellusalueista on lääke- ja ainekehitys: tekoälymallit voivat “ideoida” uusia molekyylejä tai yhdisteitä, joilla voisi olla toivottuja lääkevaikutuksia. Perinteisesti uusien lääkkeiden keksiminen on hidasta työtä, jossa tutkijat käyvät läpi valtavia yhdisteavaruuksia löytääkseen lupaavia kandidaatteja. ’

Generatiiviset mallit (kuten eräät generatiiviset kemian mallit) voivat oppia olemassa olevista lääkeaineista ja kemiallisista rakenteista, ja ehdottaa uusia molekyylirakenteita, joilla voisi olla halutut ominaisuudet. Tämä kiihdyttää alkuvaiheen tutkimusta – parhaimmillaan saadaan nopeasti lista lupaavista molekyyleistä laboratorioseulontoihin.

Tekoäly luo myös synteettistä dataa terveydenhuollon tarpeisiin. Potilasaineistot ovat usein arkaluontoisia ja niukkoja, mutta generatiivisilla malleilla voidaan tuottaa keinotekoisia potilaskuvia (esim. röntgen- tai magneettikuvia), joilla voidaan kouluttaa muita tekoälyjärjestelmiä ilman potilaiden tietosuojaan kajoamista.

Esimerkiksi syöpätutkimuksessa voitaisiin generoida kuvitteellisia kasvaimia sisältäviä kuvia opetusaineistoksi, jotta diagnostiikkamallit oppivat paremmin tunnistamaan erilaisia tapauksia.

Lisäksi suurten kielimallien sovellukset ulottuvat terveydenhuollossa mm. asiakaspalveluun ja koulutukseen. Chatbotit voivat toimia ensilinjan terveysneuvonnassa, antaen käyttäjille yleistä tietoa oireista ja suosituksia (toki neuvonantajan roolissa, ei virallisena diagnoosina).

Ne voivat myös avustaa terveydenhuollon ammattilaisia, vaikkapa tiivistämällä potilaskertomuksia tai hakemalla nopeasti tutkimustietoa laajasta lääketieteellisestä kirjallisuudesta. Joissain sovelluksissa kokeillaan tekoälyä tukemaan lääkäreitä diagnoosien teossa: malli voi ehdottaa mahdollisia diagnooseja potilaan oireiden perusteella, muistuttaen harvinaisista sairauksista joita lääkäri ei ehkä heti huomioisi.

On tärkeää huomioida, että terveydenhuollossa virheet eivät ole hyväksyttäviä – siksi generatiivisten mallien antamia ehdotuksia on aina tarkasteltava kriittisesti. Tekoäly voi “hallusinoida” (eli keksiä uskottavan kuuloisia mutta vääriä tietoja) myös lääketieteessä, mikä voisi pahimmillaan johtaa vaarallisiin ohjeisiin. Siksi näitä työkaluja käytetään toistaiseksi ihmisen apuvälineenä, ei itsenäisinä päätöksentekijöinä.

Liiketoiminta ja muut sovellukset

Yritysmaailmassa generatiivinen tekoälyllä on laaja kirjo käyttökohteita, ja monet organisaatiot etsivät kuumeisesti tapoja hyödyntää sitä liiketoiminnassaan. Asiakaspalvelu on yksi ilmeinen alue: tekoälypohjaiset chatbotit voivat vastata yleisimpiin asiakaskysymyksiin nopeasti ja henkilökohtaisesti, jopa useilla kielillä, vapauttaen työntekijöiden aikaa vaativampiin tehtäviin.

Myynti ja markkinointi hyötyvät sisällöntuotannon automatisoinnista – tekoäly voi luoda mainoslauseita, tuotekuvauksia ja personoituja tarjouksia eri asiakassegmenteille. Markkinoinnissa testataan myös generatiivista tekoälyä persoonallisten kuvien ja videoiden luomiseen: esimerkiksi vaateliike voisi tekoälyn avulla generoida mallikuvia vaatteistaan eri taustoilla tai malleilla ilman kallista valokuvaussessiota.

Ohjelmistokehitys on toinen ala, jolla generatiivinen tekoäly alkaa mullistaa työskentelyä. Koodia generoivat mallit kuten Claude Sonnet pystyvät tuottamaan ohjelmakoodia luonnollisen kielen kommenttien tai puolivalmiiden rivien perusteella. Tämä nopeuttaa kehitystyötä, kun tekoäly kirjoittaa rutiinikoodin ja ohjelmoija voi keskittyä tarkistamiseen ja monimutkaisempiin ongelmiin. Joidenkin arvioiden mukaan jopa kolmasosa koodareista käyttää jo tekoälytyökaluja apunaan päivittäisessä työssään, ja luku kasvaa jatkuvasti.

Generatiivinen tekoäly nähdään myös päätöksenteon tukena. Se voi esimerkiksi analysoida suuria määriä yrityksen dataa ja tuottaa siitä tiivistelmiä tai raportteja päätöksenteon pohjaksi. Kielemallien avulla johdolle voidaan laatia yhteenvetoja kuukausiraporteista tai markkinatrendeistä ymmärrettävässä muodossa.

Jotkin yritykset hyödyntävät generatiivisia malleja myös simuloinneissa: esimerkiksi luomalla erilaisia skenaarioita ja niihin liittyviä tekstejä (kuten “mitä jos kilpailija laskee hintaa 10% – minkälaista uutisointia tai asiakaspalautetta tästä voisi seurata?”) yritys voi varautua paremmin mahdollisiin tilanteisiin.

Muita sovellusalueita ovat mm. koulutus (tekoäly henkilökohtaisena opettajana tai oppimateriaalin tuottajana), peliteollisuus (dynaaminen sisällön generointi peleissä, esim. proseduraaliset tasot tai tarinajatkumot, joita AI kehittää lennosta pelaajan toimien mukaan) sekä tieteellinen tutkimus (esimerkiksi fysikaalisten ilmiöiden simulointi ja uuden hypoteesin generointi datasta).

Lyhyesti sanottuna, lähes kaikilla aloilla, joilla käsitellään informaatiota, on löydetty jonkinlainen generatiivisen tekoälyn sovellus.

Eettiset ja yhteiskunnalliset kysymykset

Generatiivisen tekoälyn nopea kehittyminen on tuonut mukanaan joukon eettisiä ja yhteiskunnallisia haasteita, joita sekä asiantuntijat että maallikot pohtivat. Seuraavassa keskeisiä kysymyksiä:

• Väärä informaatio ja luotettavuus: Kuten edellä mediakäytössä todettiin, tekoäly voi tuottaa erittäin vakuuttavaa väärää tietoa. Mallit saattavat myös ns. hallusinoida – antaa täysin keksittyjä mutta uskottavan kuuloisia vastauksia. Tämä asettaa haasteen: Miten voimme luottaa tekoälyn tuottamaan sisältöön? Esimerkiksi jos hakukone antaa AI-vastauksena käyttäjän kysymykseen pitkän vastauksen lähdeviitteineen, voi paljastua että lähteet on keksitty ja “faktat” eivät pidäkään paikkaansa. Yhteiskunnallisesti on tärkeää, että ihmiset osaavat suhtautua kriittisesti generatiivisen tekoälyn tuottamaan informaatioon. Myös lainsäätäjät ja yritykset miettivät keinoja, joilla esimerkiksi vahingollinen valeuutisten levitys tekoälyn avulla saataisiin estettyä.
• Väärinkäyttö ja rikollisuus: Valitettavasti teknologiaa voidaan käyttää myös haitallisiin tarkoituksiin. Edellä mainitut deepfake-videot ovat esimerkki, jossa generatiivista tekoälyä voidaan käyttää maineen mustamaalaamiseen tai poliittiseen manipulointiin. Samoin on mahdollista generoida erittäin vakuuttavia huijausviestejä: esimerkiksi phishing-sähköposteja, jotka on personoitu vastaanottajalle tekoälyn kirjoittamana, tai tekaistuja ääniviestejä joissa läheinen ihminen muka pyytää apua rahasiirtona. Tällainen kehitys vaikeuttaa kyberturvallisuutta – jatkossa on entistä hankalampi tunnistaa, onko viesti tai ääni aito vai tekoälyn tuotos. Yritykset ja organisaatiot kehittävätkin kuumeisesti turvatoimia: suodattimia, tarkistustyökaluja ja käytäntöjä, joilla pyritään tunnistamaan generoidut sisällöt ja estämään väärinkäytöksiä ennen kuin ne aiheuttavat vahinkoa.
• Bias ja syrjivyys: Generatiiviset mallit oppivat datasta, ja data sisältää usein ihmisyhteisön ennakkoluuloja ja vinoumia. Siksi tekoäly voi pahimmillaan tuottaa syrjiviä tai loukkaavia sisältöjä heijastellen koulutusdatansa asenteita. Esimerkiksi jos kielimalli on oppinut internetin teksteistä, se on voinut omaksua stereotyyppejä tiettyjä ihmisryhmiä kohtaan. On raportoitu tapauksia, joissa tekoäly luo esimerkiksi työpaikkailmoituksen ja siinä ehdottaa hakijoiksi vain toista sukupuolta edustavia henkilöitä, koska oppi datasta tällaisen vinouman. Mallit saattavat myös jatkaa haitallisia stereotypioita esimerkiksi kuvia generoitaessa (esim. hakusanalla “tohtori” tekoäly piirtää vain mieshahmoja ellei erikseen ohjata toisin). Eettinen haaste onkin varmistaa, että generatiivinen tekoäly palvelee kaikkia tasapuolisesti eikä vahvista olemassaolevia syrjiviä rakenteita. Tämän ratkaisemiseksi kehittäjät yrittävät parantaa koulutusdatan monimuotoisuutta ja luoda suodattimia, jotka estävät ilmiselvän vihapuheen tai syrjivät vastaukset.
• Tekijänoikeudet ja luovan työn arvo: Generatiivinen tekoäly herättää kiivasta keskustelua siitä, kuka omistaa tekoälyn luoman teoksen ja miten aiemmin luotua materiaalia saa käyttää. Monet taiteilijat ovat huomanneet tekoälymallien oppineen heidän ainutlaatuisen tyylinsä tuhansista verkosta kerätyistä kuvista – eikä heiltä ole pyydetty lupaa tai maksettu korvausta. Toisaalta, kun tekoäly luo uuden teoksen, sitä ei välttämättä voi tekijänoikeudella suojata ollenkaan, koska se ei ole ihmisen tekemä (joissain maissa laki vaatii ihmistekijän, jotta teos on suojattu). Vuonna 2022 otsikoihin nousi tapaus, jossa tekoälyn luoma maalaus voitti taidekilpailun, mikä herätti pahaa verta perinteisissä taiteilijoissa. Kysymys kuuluukin: onko oikein käyttää toisten teoksia tekoälyn oppimateriaalina, ja pitäisikö tekoälyn luomien teosten kohdalla tunnistaa alkuperäiset lähteet? Entä pitääkö tekoälyn luoma sisältö leimata koneen tekemäksi, jotta yleisö tietää sen alkuperän? Nämä kysymykset ovat vielä paljolti ratkaisematta, ja lainsäädäntö laahaa teknologian perässä. Euroopan unioni valmistelee parhaillaan AI-acts ja säädöksiä tekoälyn vastuukysymyksistä, mutta konsensus on vielä muodostumassa.
• Läpinäkyvyys ja vastuu: Monista generatiivisista malleista on tullut niin monimutkaisia “musta laatikko”, että edes niiden luojat eivät täysin ymmärrä, miten ne toimivat päätöksenteon sisällä. Tämä vaikeuttaa vastuukysymyksiä: jos tekoäly tuottaa vahingollisen lopputuloksen, kuka on siitä vastuussa? Mallin kehittäjä, sen käyttäjä vai ei kukaan? Esimerkiksi jos tekoälypohjainen lääketieteellinen neuvonantaja antaa vaarallisen ohjeen ja potilas noudattaa sitä, onko syy tekoälyn vai ihmisten? Tekoälyn selitettävyys (explainability) onkin tärkeä tutkimusaihe – kehitetään menetelmiä, joilla malli voisi perustella tuotoksiaan. Samoin monissa yhteyksissä vaaditaan, että tekoälyn tuottama sisältö merkittäisiin tekoälyksi, jotta ihmiset tietävät olevansa tekemisissä koneen kanssa.

Yhteenvetona eettisistä haasteista voidaan todeta, että generatiivinen tekoäly pakottaa meidät pohtimaan syvällisesti luottamusta, totuutta, luovuutta ja oikeudenmukaisuutta digitaalisessa ajassa. Tarvitaan yhteistyötä teknologian kehittäjien, lainsäätäjien, tutkijoiden ja käyttäjien kesken, jotta tekoälyn hyötyjä voidaan hyödyntää vastuullisesti ja riskejä hallita.

Vaikutukset työmarkkinoihin ja teknologiseen kehitykseen

Generatiivisen tekoälyn vaikutus työelämään ja talouteen on merkittävä – jotkut asiantuntijat puhuvat jopa uudesta teollisesta vallankumouksesta. Työmarkkinoilla odotetaan sekä myllerrystä että uusia mahdollisuuksia.

Tekoäly pystyy automatisoimaan monia tietotyön osa-alueita, mikä saattaa johtaa joidenkin työtehtävien vähenemiseen mutta toisaalta kokonaan uusien tehtävien syntymiseen.

Esimerkiksi rutininomaiset sisällöntuotannon työt (kuten raporttien luonnostelu, perustason asiakaspalveluchatit tai yksinkertainen koodin kirjoittaminen) voidaan osittain automatisoida, jolloin ihmisiltä vapautuu aikaa vaativampiin ja luovempiin tehtäviin.

McKinseyn arvion mukaan generatiivinen tekoäly voisi kasvattaa työvoiman tuottavuutta jopa ~0,5–0,9 prosenttiyksikköä vuodessa vuoteen 2030 asti, mikä kumuloituisi huomattavaan talouskasvuun. Jos tekoälyn käyttöönotto yhdistetään muuhun automaatioon, tuottavuuden kasvu voisi olla vieläkin suurempaa – joidenkin skenaarioiden mukaan jopa 3–4% vuodessa Yhdysvalloissa, mikä on merkittävästi historiallista trendiä nopeampaa.

Työtehtävien sisältö tulee todennäköisesti muuttumaan. Rutiinien vähentyessä korostuvat ihmistaitoja vaativat roolit: luovuus, ongelmanratkaisu, kriittinen ajattelu ja vuorovaikutus. Esimerkiksi asiantuntijat uskovat, että tekoälyn yleistyessä työntekijät voivat keskittyä enemmän strategiseen suunnitteluun ja yhteistyöhön, kun taas tekoäly hoitaa taustalla pyörivät rutiinitehtävät.

Tekoälystä voi tulla eräänlainen “koppari”, joka kerää dataa ja alustavia ideoita, mutta ihminen on edelleen pelinrakentaja, joka viimeistelee maalit – jos urheiluvertausta käyttää.

Tämä murros edellyttää uudelleenkouluttautumista ja sopeutumista. Työntekijöiden on opittava käyttämään uusia työkaluja – esimerkiksi tekstin ja datan tuottavia assistentteja – tehokkaasti omassa työssään.

Organisaatioiden puolestaan täytyy panostaa henkilöstön koulutukseen ja ehkä uudelleensijoittumiseen: jos jokin tietty tehtävä automatisoituu, työntekijää voidaan kouluttaa toiseen rooliin, jossa hänen inhimillisestä osaamisestaan on hyötyä.

Historiasta tiedämme, että teknologian kehitys on usein luonut enemmän uusia työpaikkoja kuin poistanut vanhoja pitkällä aikavälillä, kunhan työvoima on sopeutunut muutokseen. Generatiivinen tekoäly saattaa synnyttää aivan uusia ammatteja – esimerkiksi ”prompt-suunnittelija” (prompt engineer), joka erikoistuu kirjoittamaan tehokkaita kehotteita eri tekoälymalleille, tai tekoälyetiikan asiantuntija, joka varmistaa mallien vastuullisen käytön.

On myös esitetty huolia massiivisesta työpaikkojen menetyksestä. Erään arvion mukaan jopa 300 miljoonaa työpaikkaa globaalisti voisi jollain tavalla muuttua tai kadota tekoälyn takia. Todennäköisemmin tekoäly kuitenkin automatisoi tehtäviä osana työtä, ei kokonaisia ammatteja kerralla.

Esimerkiksi lakimiehen työssä tekoäly voi laatia ensimmäisen luonnoksen sopimuksesta, mutta lakimies viimeistelee ja tarkistaa sen. Tai opettajan työssä tekoäly voi personoida oppimateriaalia eri oppilaille, mutta opettaja edelleen ohjaa oppimisprosessia ja motivoi opiskelijoita.

Teknologinen kehitys: Generatiivinen tekoäly on itsessään ala, joka kehittyy huimaa vauhtia, ja sen ympärille on muodostunut valtava innovaatioekosysteemi. Suuret teknologiayritykset kuten OpenAI (Microsoftin tukemana), Google, Meta, Amazon ja Anthropic kilpailevat yhä kehittyneempien mallien kehittämisessä, samalla kun avoimen lähdekoodin yhteisö julkaisee omia mallejaan (esim. Meta julkaisi LLaMA-malleja avoimesti tutkimuskäyttöön).

Tämä kilpailu on johtanut siihen, että uutta edistystä tapahtuu lähes viikottain – olipa kyse suuremmista malleista, tehokkaammista algoritmeista tai jostain aivan uudesta lähestymistavasta. Myös laskentateknologia kehittyy generatiivisen AI:n siivittämänä: tarvitaan yhä tehokkaampia tietokoneita ja siruja pyörittämään näitä malleja, mikä on vauhdittanut esimerkiksi NVIDIA-yhtiön kasvua ja uusien AI-kiihdytinkorttien kehitystä.

Samalla on syntynyt kokonaan uusia startup-yrityksiä, jotka tuotteistavat generatiivista tekoälyä eri niche-alueille – esimerkiksi juridisiin asiakirjoihin erikoistunut tekoäly, pelien sisältöä luova tekoäly, tai yritysdokumentaation hallintaan tarkoitettu tekoäly.

Organisaatioissa generatiivinen tekoäly on nousemassa strategisesti erittäin tärkeäksi: erään tuoreen globaalin kyselyn mukaan 75% ylimmän johdon edustajista mainitsi tekoälyn (erityisesti generatiivisen AI:n) kolmen tärkeimmän prioriteettinsa joukossa vuodelle 2025.

Yritysten investoinnit alalle kasvavatkin voimakkaasti – esimerkiksi Boston Consulting Groupin raportin mukaan suurten yritysten budjetista yhä suurempi osuus on korvamerkitty tekoälyhankkeille, ja generatiivisen AI:n osuus IT-budjeteista on nousemassa muutamassa vuodessa noin 5% tasolta yli 7%:iin.

Tämä kertoo siitä, että odotukset teknologian tuottojen suhteen ovat korkealla: kokeiluvaiheesta ollaan siirtymässä siihen vaiheeseen, että tekoälyn halutaan tuovan konkreettista liiketoiminta-arvoa.

Yhteenvetona, työmarkkinoiden ja teknologian kannalta generatiivinen tekoäly on kaksiteräinen miekka: se tehostaa ja luo uutta, mutta myös ravistelee totuttuja rakenteita.

Parhaimmillaan se voi vapauttaa ihmiset ikävistä rutiineista mielekkäämpiin tehtäviin ja kiihdyttää innovaatioiden syntyä, huonoimmillaan se voi väärin käytettynä lisätä eriarvoisuutta tai syrjäyttää niitä, jotka eivät pysy muutoksen kelkassa. Siksi on tärkeää panostaa koulutukseen, uudelleenkouluttautumiseen ja sosiaalisiin turvaverkkoihin tässä murroksessa.

Tulevaisuuden näkymät ja kehityssuunnat

Miltä generatiivisen tekoälyn tulevaisuus näyttää? Vaikka kristallipalloa ei kenelläkään ole, asiantuntijat ennakoivat useita todennäköisiä kehityssuuntia:

• Monimodaaliset mallit: Tähän asti olemme nähneet erikseen tekstimalleja, kuvamalleja, äänimalleja jne. Tulevaisuudessa yleistyvät entistä enemmän monimodaaliset tekoälymallit, jotka pystyvät käsittelemään ja tuottamaan useita tietomuotoja samanaikaisesti. Esimerkiksi sama AI-järjestelmä voisi ymmärtää käyttäjän antaman tekstikuvauksen, katsoa siihen liittyvän kuvan ja tuottaa vastauksena vaikka videoleikkeen ja musiikkikappaleen yhdistelmän. Tällaiset mallit voisivat toimia vaikkapa virtuaalisina tuottajina, jotka luovat kokonaisia multimediaelämyksiä alusta loppuun.
• Agenttitekoäly (autonomiset agentit): Nykyiset generatiiviset mallit vastaavat yksittäisiin pyyntöihin, mutta kehitteillä on järjestelmiä, joissa useampi tekoäly-agentti toimii itsenäisesti ja yhteistyössä suorittaakseen monimutkaisempia tehtäväketjuja. Tällainen “agenttitekoäly” voisi esimerkiksi hoitaa käyttäjän puolesta kokonaisen prosessin: suunnitella lomamatkan lentojen ja hotellien varauksineen tai käsitellä yrityksen sisäisen työnkulun itsenäisesti. Vielä on epäselvää, miten pian tähän päästään – haasteita on mm. agenttien luotettavuudessa ja koordinoinnissa – mutta monet teknologiayritykset kokeilevat tätä suuntausta. Ensimmäiset sovellukset lienevät yksinkertaisia sisäisiä automaatiotehtäviä (esim. salasanojen resetointi HR-järjestelmässä), ja vähitellen agenttien kyky laajenee. Tämä kehitys liittyy myös RPA-ohjelmistorobotiikan kehittymiseen, jossa generatiiviset mallit tuovat aiempaa älykkyyttä automaatioon.
• Parantunut luotettavuus ja hallittavuus: Paljon tutkimusta suunnataan siihen, miten generatiivisia malleja saataisiin paremmin hallintaan – vähemmän hallusinaatioita, vähemmän asiattomia tai harhaanjohtavia vastauksia. Tulevaisuuden malleissa nähdään luultavasti kehittyneempiä raudalla toteutettuja rajoja (hard guardrails), jotka estävät malleja tuottamasta kiellettyä sisältöä. Myös mallien selitettävyyttä parannetaan, jotta käyttäjät ymmärtävät miksi tietty vastaus annettiin. Suuret yritykset ja tutkimusryhmät kehittävät myös menetelmiä, joilla malleihin voidaan liittää faktuaalisia tietolähteitä (kuten ajantasainen tietokanta), jolloin ne voivat tarkistaa väitteitään eivätkä keksi kaikkea omasta päästä. Kaiken tavoitteena on lisätä luottamusta tekoälyjärjestelmiin, mikä onkin kriittistä laajamittaiselle käyttöönotolle esimerkiksi terveydenhuollossa tai lakipalveluissa.
• Avoin lähdekoodi vs. suljetut mallit: Tulevaisuudessa kilpaillaan myös mallien avoimuudessa. Tällä hetkellä tehokkaimmat mallit ovat olleet enimmäkseen suurten yritysten suljettuja hankkeita (kuten OpenAI:n GPT-sarja). Kuitenkin avoimen lähdekoodin yhteisö on julkaissut useita kilpailevia malleja (kuten Stable Diffusion kuvageneraattorina, ja Meta AI:n vapauttamat Llama 2 -kielimallit). On mahdollista, että avoimet mallit kehittyvät nopeasti ja yleistyvät, mikä antaisi laajemmalle kehittäjäjoukolle mahdollisuuden soveltaa tekoälyä omiin tarpeisiinsa ilman riippuvuutta suurista pilvipalveluista. Tämä voisi kiihdyttää innovointia entisestään, kun jokainen startup tai tutkijaryhmä voi rakentaa oman generaattorinsa avoimien mallien päälle. Toisaalta regulaatio ja turvallisuushuoli voivat kannustaa pitämään kaikkein kehittyneimmät mallit valvonnan alaisina.
• Sääntely ja standardit: Yhteiskunta reagoi generatiivisen tekoälyn nousuun luultavasti lisäämällä sääntelyä. Esillä on ollut esimerkiksi vaatimus, että tekoälyn tuottama sisältö tulee leimata tekoälyn tuottamaksi, etenkin poliittisessa mainonnassa tai mediassa, jottei yleisöä johdeta harhaan. EU:n suunnittelema AI-asetus saattaa velvoittaa suurten mallien kehittäjiä arvioimaan ja raportoimaan malleistaan mahdolliset riskit ennen markkinoille tuloa. Standardit saattavat kehittyä myös teknologian saralla – esimerkiksi yhteiset protokollat sille, miten tekoälyagentit keskustelevat keskenään tai miten käyttäjän dataa suojataan generatiivisissa palveluissa. Teknologinen kehitys ja lainsäädäntö käyvät todennäköisesti tiivistä vuoropuhelua seuraavina vuosina, jotta sekä innovaatio että ihmisten oikeudet voidaan turvata.
• Yhdistyminen muihin teknologioihin: Generatiivinen tekoäly ei kehity tyhjiössä, vaan se yhdistyy muihin nouseviin teknologioihin. Lisätyssä todellisuudessa (AR) ja virtuaalitodellisuudessa (VR) tekoäly voi generoida dynaamista sisältöä virtuaalimaailmoihin reaaliajassa. Robotiikassa generatiiviset mallit saattavat auttaa robotteja ymmärtämään paremmin ympäristöään ja keksimään uusia ratkaisuja ongelmiin (esim. robotille generoidaan uusia tapoja tarttua esineisiin opitun datan perusteella). Myös iot-laitteet ja sensoriverkot voivat hyötyä tekoälystä: esimerkiksi smart home -järjestelmä voisi generatiivisesti “oppia” asukkaan tavoista ja mukauttaa talon ilmapiiriä (valo, ääni, lämpötila) sen mukaan ennakoivasti. Nämä yhdistelmät voivat synnyttää aivan uudenlaisia käyttökokemuksia ja palveluita.

Lopulta, generatiivisen tekoälyn tulevaisuutta sävyttää kysymys tekoälyn ja ihmisen yhteistyöstä. Nähtävästi tehokkaimmat tiimit ja työkalut tulevat olemaan niitä, joissa ihminen ja tekoäly täydentävät toisiaan. Tekoäly voi tuoda raakaa laskentatehoa, muistia ja nopeutta, kun taas ihminen tuo luovuutta, eettistä harkintaa ja tunteiden ymmärrystä.

Tulevaisuuden työpaikalla voi olla arkipäivää, että jokaisella on henkilökohtainen tekoälyavustaja, joka tuntee tapasi työskennellä ja auttaa sinua – hieman kuin superälykäs assistentti. Teknologinen kehitys kulkee kohti yhä saumattomampaa integraatiota: tekoäly sulautuu taustalle osaksi jokapäiväisiä ohjelmistoja ja laitteita.

Yhteenveto

Generatiivinen tekoäly on yksi aikamme mullistavista teknologioista. Sen kyky luoda uutta sisältöä muuttaa tapaamme tuottaa tietoa, tehdä työtä ja ilmaista luovuutta. Kehitykseen liittyy suuria lupauksia – nopeampi innovaatio, tuottavuusloikka, uudenlaiset palvelut – mutta myös suuria kysymyksiä vallasta, vastuusta ja vaikutuksista yhteiskuntaan.

Tärkeää on, että pysymme mukana keskustelussa ja kehityksessä: tekoälyn tulevaisuus muotoutuu nyt, ja se koskettaa meitä kaikkia. Generatiivisen tekoälyn maailma on vasta avautumassa, ja me olemme eturivissä todistamassa sen mahdollisuuksia – ja velvollisuutemme on varmistaa, että hyödynnämme ne viisaasti ja oikeudenmukaisesti.

Lähteet:

1. (Generative artificial intelligence – Wikipedia)Wikipedia: Generative artificial intelligence – ”Generative AI … is a subset of artificial intelligence that uses generative models to produce text, images, videos, or other forms of data… These models learn the underlying patterns and structures of their training data and use them to produce new data based on the input…”
2. (What is Generative AI? | IBM) (What is Generative AI? | IBM)IBM: “What is generative AI?” – Generatiivisen tekoälyn perusmääritelmä ja toimintaperiaate: malli luo uutta sisältöä (teksti, kuva, ääni, koodi) käyttäjän kehotuksesta, hyödyntäen syväoppivia neuroverkkoja jotka oppivat datan kuvioita.
3. (Generative adversarial network – Wikipedia)Wikipedia: Generative adversarial network – GAN-verkkojen määritelmä ja Goodfellow’n kollegoineen vuonna 2014 kehittämä konsepti kahden kilpailevan neuroverkon (generaattori ja diskriminaattori) avulla tapahtuvasta generoinnista.
4. (Generative artificial intelligence – Wikipedia)Wikipedia: Generative AI – History – Vuosi 2014 merkitsi läpimurtoa generatiivisissa neuroverkoissa: variational autoencoder ja generative adversarial network mahdollistivat ensimmäiset käytännölliset generatiiviset mallit monimutkaiselle datalle (kuten kuville).
5. (Generative artificial intelligence – Wikipedia)Wikipedia: Generative AI boom (2020-) – Tekstistä kuvaksi -mallien (DALL-E 2021, Midjourney ja Stable Diffusion 2022) nousu demokratisoi tekoälytaiteen luomisen ja toi fotorealistiset, tekstikehotteesta luodut kuvat laajan käyttäjäkunnan ulottuville.
6. (Generative artificial intelligence – Wikipedia)Wikipedia: Generative AI boom (2020-) – ChatGPT:n julkinen lanseeraus 2022 mullisti käsitykset generatiivisesta tekoälystä yleiskäyttöisenä työkaluna: sen kyky käydä luonnollista kieltä hyödyntäviä keskusteluja ja tuottaa luovaa sisältöä herätti laajaa huomiota ja keskustelua tekoälyn vaikutuksista työhön, koulutukseen ja luovuuteen.
7. (Science & Tech Spotlight: Generative AI | U.S. GAO)Yhdysvaltain GAO (Science & Tech Spotlight: Generative AI) – Yhteenveto generatiivisen tekoälyn sovelluksista: voi nopeasti kirjoittaa puheen tietyllä sävyllä, tiivistää tutkimusta, analysoida lakidokumentteja; luoda taidetta (realistisia kuvia peleihin, musiikkia, runoja) pelkistä tekstikehotteista; sekä auttaa monimutkaisessa suunnittelussa, kuten uusien lääkemolekyylien suunnittelussa tai ohjelmakoodin generoinnissa.
8. (Generative AI Archives – Creative Commons)Creative Commons – “Better Sharing with AI” DALL-E 2 -kuvan kuvaus: DALL-E 2 -mallin generoima sinisävyinen surrealistinen maalaus (Salvador Dalín tyylillä) robotista ojentamassa lahjaa ihmiselle. (Kuva 2 esimerkkinä tekoälyn luovasta potentiaalista taiteessa.)
9. (What is Generative AI? | IBM)IBM: Generative AI – Challenges (Deepfakes) – Deepfake-tekniikan määritelmä: tekoälyn luomat tai muokkaamat kuva-, video- tai äänisisällöt, jotka vakuuttavasti esittävät jonkun tekevän tai sanovan sellaista, mitä hän ei todellisuudessa tehnyt. Kuvastaa generatiivisen tekoälyn voimakkaimpia väärinkäytön mahdollisuuksia ja niihin liittyviä pelkoja (maineen vahingoittaminen, väärän tiedon levitys, petokset).
10. (What is Generative AI? | IBM)IBM: Generative AI – Challenges (Hallucinations) – Tekoälymallien “hallusinaatiot”: virheelliset tai järjettömät tuotokset, jotka saattavat vaikuttaa täysin päteviltä. Esimerkkinä tapaus, jossa lakimies käytti tekoälyä oikeustapausten hakuun ja malli keksi olemattomia oikeustapauksia täydellisine sitaatteineen. Osoittaa, että mallit saattavat tuottaa uskottavaa mutta perätöntä sisältöä, ellei niiden toimintaa rajoiteta tai tarkisteta.
11. (What is Generative AI? | IBM)IBM: Generative AI – Challenges (Bias) – Generatiiviset mallit voivat oppia datassa piileviä ennakkoluuloja ja tuottaa vinoutuneita tai loukkaavia sisältöjä. Kehittäjien on pyrittävä monipuolistamaan koulutusdataa, asetettava ohjeistuksia biasin ehkäisemiseksi ja jatkuvasti arvioitava mallien tuotoksia tasa-arvon ja oikeudenmukaisuuden varmistamiseksi.
12. (Generative AI and the future of work in America | McKinsey)McKinsey (Generative AI and the future of work) – Arvio: generatiivinen tekoäly voi lisätä työvoiman tuottavuutta 0,5–0,9 prosenttiyksikköä vuodessa vuoteen 2030 saakka (keskiskenaariossa), etenkin jos automatisoinnin vapauttama aika hyödynnetään tuottavalla tavalla. Kaikkien automaatioteknologioiden yhteisvaikutus voisi nostaa tuottavuuden kasvun jopa 3–4%:iin vuodessa, mikä edellyttää panostusta työntekijöiden koulutukseen ja riskien hallintaan (Generative AI and the future of work in America | McKinsey).
13. (What is Generative AI? | IBM)IBM: ChatGPT’s impact on AI adoption – ChatGPT:n saapuminen 2022 nosti tekoälyn maailmanlaajuisiin otsikoihin ja käynnisti ennennäkemättömän innovaatiovyöryn. Generatiivisen AI:n tuomat tuottavuushyödyt ajavat sekä yksilöitä että organisaatioita omaksumaan teknologiaa nopeasti, ja jo kolmannes yrityksistä kertoo hyödyntävänsä generatiivista tekoälyä säännöllisesti jossain toiminnossaan.
14. (The future of generative AI: 10 trends to follow in 2025 | TechTarget)TechTarget (The future of generative AI: 2025 trends) – Yritysjohdon strategiset painotukset: 75% C-tason johtajista listasi tekoälyn/generatiivisen AI:n kolmen tärkeimmän prioriteetin joukkoon vuodelle 2025. Budjetit kasvavat voimakkaasti: keskimäärin generatiivisen AI:n osuus IT-budjetista nousee 4,7%:sta 7,6%:iin vuosien 2025–2027 välillä, mikä heijastaa luottamusta siihen, että kokeiluaste on ohitettu ja teknologialta odotetaan konkreettisia tuloksia.