Väärä lähestymistapa voi tulla kalliiksi

Tekoälyhankkeen ensimmäinen kysymys esitetään usein väärin. Vertailu alkaa malleista ja hinnoista, vaikka ensin pitäisi määritellä, mitä liiketoiminnan on saatava aikaan: kuinka hyvä tulos riittää, millainen virhe hyväksytään, mitä dataa saa käsitellä ja miten palvelun pitää toimia häiriössä.

Kysymys ei ole marginaalinen. Tilastokeskuksen mukaan tekoälyteknologioita käytti keväällä 2025 jo 38 prosenttia suomalaisyrityksistä ja vähintään sadan hengen yrityksistä 68 prosenttia. Eurostatin vertailussa Suomi oli samalla kyselykierroksella koko EU:n toisena tekoälyteknologioiden käyttöönotossa, kun unionin keskiarvo jäi 20 prosenttiin. Dokumentoituja ohjeita tai käytäntöjä tekoälyjärjestelmilleen oli kuitenkin vain 15 prosentilla suomalaisyrityksistä. Käyttöönotossa Suomi on Euroopan kärkeä, sen perustelemisessa ei. Käyttö on levinnyt nopeammin kuin kyky perustella sitä.

Tekoälyn yksikköhinnat ovat pudonneet parissa vuodessa murto-osaan, ja halpeneminen jatkuu. Yritysten kokonaiskulut kasvavat silti, sillä käyttäjiä ja käsiteltävää aineistoa tulee jatkuvasti lisää ja tekoälyagentit moninkertaistavat mallikutsujen määrän. Gartner arvioi elokuussa 2026, että agenttityönkulun päättelykustannus yli viisinkertaistuu vuoteen 2028 mennessä. Tehtävän ohjaaminen päättelevälle mallille maksaa vähintään viisi kertaa enemmän kuin sama asia tavallisena keskusteluna, ja ero kasvaa tehtävän monimutkaistuessa. Halvempi yksikköhinta ei siis pienennä tekoälylaskua vaan kasvattaa käyttöä.

Siksi ratkaisevaa on hyväksytyn tuotantotuloksen hinta, kun integraatiot, laadunvarmistus, epäonnistuneet ajot, valvonta ja ylläpito lasketaan mukaan. Kun tätä ei huomioida, lasku tulee myöhemmin: Gartner arvioi, että yli 40 prosenttia agenttipohjaisista tekoälyhankkeista perutaan vuoden 2027 loppuun mennessä, syinä kustannukset ja epäselvä liiketoiminta-arvo.

Pilvi ja paikallinen ajo ratkaisevat eri ongelmia

Hallittu pilvipalvelu on usein paras ratkaisu,  kun palvelu halutaan saada nopeasti käyttöön, tarvitaan uusimpia kyvykkyyksiä tai kuormitus vaihtelee. Palveluntarjoaja huolehtii suuresta osasta infrastruktuuria. Palvelusta riippuen pilveen voidaan rakentaa vahvat kontrollit salauksella, verkkorajauksilla ja käyttöoikeuksilla.

Omassa ympäristössä ajettava, avoimilla mallipainoilla julkaistu malli voi sopia vakaaseen toimintaympäristöön ja toistuvaan tehtäviin, joissa volyymit ovat ennakoitavissa tai aineistoa ei haluta siirtää ulkoiseen palveluun. Avoimet mallipainot tarkoittavat, että malli voidaan ladata omaan ympäristöön; ne eivät automaattisesti tee koko mallista avointa lähdekoodia.

Osa asiakastoimeksiannoista tehdään korkean turvaluokituksen ympäristöissä, joissa julkinen pilvipalvelu ei tule kysymykseen. Niissä huolella valittu, paikallisesti ajettava malli on ainoa kestävä ratkaisu.

Paikallinen ajo ei silti ole itsestään selvästi edullinen tai turvallinen. Laitteisto, kapasiteetti, päivitykset, tietoturva ja laadun seuranta jäävät omalle organisaatiolle. Valinta on kestävä vain, jos nämä kyvykkyydet ja kustannukset ovat mukana vertailussa.

Pilven ja paikallisen ajon yhdistelmä voi olla perusteltu, jos suuri volyymi käsitellään omassa ympäristössä ja vaativimmat tehtävät pilvimallilla. Hybridi ei kuitenkaan ole automaattinen ihanneratkaisu: rajapinnat ja rinnakkaiset toimintatavat kasvattavat ylläpidettävää kokonaisuutta. Hyöty pitää osoittaa mittaamalla.

Joskus paras ratkaisu ei ole generatiivinen malli. Perinteinen koneoppimismalli, sääntöpohjainen järjestelmä tai toimistoautomaatio (RPA) voi ratkaista rajatun tehtävän halvemmalla ja ennustettavammin.

Luottamus pitää voida osoittaa

Luottamus tekoälyyn ei ole yksi tietoturva-asetus. Se on kyky osoittaa, että ratkaisu toimii sovitussa tehtävässä, se käsittelee dataa turvallisesti, sen kustannukset pysyvät hallinnassa ja se kestää muutoksia. Ennen mallivalintaa päättäjän pitää vaatia vastaukset neljään kysymykseen:

1. Millä mittarilla lopputuloksen laatu hyväksytään ja missä kohdassa tarvitaan ihminen päätöksentekoon?
2. Mitä dataa ratkaisu käyttää, minne dataa saadaan siirtää ja kuinka kauan sitä säilytetään?
3. Mikä on kokonaiskustannus todellisella käyttömäärällä, myös integraatiot, valvonta ja ylläpito mukaan lukien?
4. Mitä tapahtuu palvelukatkossa tai toimittajan, hinnan tai mallin vaihtuessa – voidaanko ratkaisu vaihtaa rakentamatta koko palvelua uudelleen?

Kysymykset muuttavat teknologiakeskustelun liiketoiminnan vaatimuksiksi ja näyttävät, painavatko tilanteessa eniten nopeus, datan hallinta vai jatkuvuus.

Myös EU:n tekoälyasetus tukee samaa harkintaa: velvoitteet määräytyvät riskin ja roolin mukaan. Heinäkuussa 2026 voimaan tulleessa Digital Omnibus -muutoksessa korkean riskin (Annex III) järjestelmien velvoitteita lykättiin joulukuuhun 2027 ja tuotteisiin sulautettujen järjestelmien osalta (Annex I) elokuuhun 2028. Yleiskäyttöisten mallien velvoitteet ovat kuitenkin olleet voimassa elokuusta 2025 ja läpinäkyvyysvelvoitteet elokuusta 2026. 

Lykkäys antaa lisäaikaa, ei vapautusta: datavirrat, roolit ja vastuut kannattaa dokumentoida osaksi valintaa alusta asti.

Kestävä ratkaisu voidaan myös vaihtaa

Pienet ja avoimilla mallipainoilla julkaistut mallit kehittyvät nopeasti: Stanfordin AI Index -vertailussa pienin laajassa osaamistestissä (MMLU) yli 60 prosentin tulokseen yltänyt malli oli vuonna 2022 kooltaan 540 miljardia parametria – vuonna 2024 samaan riitti 142 kertaa pienempi malli. Samaan aikaan pilvipalveluihin tulee uusia ominaisuuksia ja hinnoittelumallit elävät. Tämän päivän hyvä valinta ei saa muuttua huomisen lukoksi.

Vaihdettavuus ei tarkoita, että mallin voisi korvata napinpainalluksella. Uusi malli on aina testattava yrityksen omalla aineistolla, laatukriteereillä ja riskirajoilla. Hyvin rakennettu ratkaisu erottaa kuitenkin liiketoimintalogiikan mallista, säilyttää arviointiaineiston ja tekee uudelleentestauksesta hallitun prosessin.

Luotettava tekoäly ei synny tunnetuimmasta mallista, suurimmasta pilvestä tai paikallisesta ajosta. Se syntyy kyvystä perustella valinta, mitata toimivuutta ja muuttaa ratkaisua. HiQ:n tehtävä kumppanina ei ole ohjata asiakasta yhdelle alustalle, vaan auttaa löytämään ja todentamaan käyttötapaukseen sopiva kokonaisuus.

Kirjoittaja on HiQ:n AI Architect Jukka Salmenkylä, joka auttaa asiakkaita valitsemaan ja todentamaan liiketoimintaan sopivia tekoälyratkaisuja.