Sustis-kirje #3/2026
TEEMA: Eettinen AI
MENETELMÄ: REAL-kortit algoritmiseen suunnitteluun
Myytti vai fakta?
AI on neutraali työkalu
AI on energiasyöppö
AI tukee kestävää kasvua
TEEMA: Eettinen AI
Keväällä 2026 AI täyttää uutiset ja somevirran. Se uudistaa, tehostaa, nostaa tuottavuutta ja johtaa etenkin junioritason tekijöiden irtisanomisiin. Samalla näyttö AI:n arvosta ja tuottavuuden kasvusta on ohutta. Tämä ei tarkoita, etteikö AI voisi tuottaa arvoa, vaan sitä, että juuri nyt käydään kilpajuoksua, jolle ei ole vielä asetettu maalia, sääntöjä, palkintoa. Ne tullaan kyllä asettamaan, mutta todennäköisesti kiireessä ja hieman hätiköiden. Aika ja kokemus näyttää missä AI tuottaa arvoa ja missä ei. Mielenkiintoisin kysymys tässä mielestäni on “Kenelle AI tuottaa arvoa ja minkä kustannuksella?” Tuottavuus kasvaa varmasti jollekin, mutta ei automaattisesti kaikille. Kun juniorityöntekijä korvataan tekoälyllä, säästö näkyy heti tuloslaskelmassa, mutta kuka opettaa seuraavan sukupolven asiantuntijoita, kun portaan ensimmäinen askelma on poistettu? Kenen työstä tulee näkymätöntä, kun tekoäly tekee “avustavan” osan ja ihminen jää viimeistelemään sitä, mitä kone ei osaa? Ja kuka lopulta kantaa vastuun, kun jotain menee pieleen – kehittäjä, käyttäjä vai organisaatio, joka otti järjestelmän käyttöön?
Näihin kysymyksiin ei ole vielä vakiintuneita vastauksia, ja juuri siksi ne kannattaa kysyä nyt, ei vasta sitten kun rakenteet ovat jo lukkiutuneet. Data tukee tätä huolta:
Deloitten mukaan organisaatiot investoivat tekoälyyn ennätystahtia, ja käyttöoikeudet ovat laajentuneet 50 % vuodessa. Silti vain 25 % yrityksistä raportoi AI:n tuottaneen todella transformatiivista arvoa — suurin osa jää pintatasolle: pieniä tehokkuusparannuksia ilman todellista liiketoiminnan uudistumista. Yksi syy löytyy rakenteista: 84 % yrityksistä ei ole vielä muotoillut työnkuvia tai prosesseja uudelleen AI:n ympärille, jolloin tuottavuushyödyt jäävät toteutumatta. Syntyy tila, jota voisi kutsua hyödyntämättömäksi potentiaaliksi. Mahdollisuus on iso, mutta todellinen vaikutus jää vähäiseksi. (State of AI in the Enterprise, Deloitte, 2026.)
McKinsey nostaa esiin, että AI:n nopea siirtyminen kohti agenttien aikakautta (jossa tekoäly ei enää vain tuota tekstiä, vaan tekee asioita puolestamme) kasvattaa riskejä nopeammin kuin strategia-, governance‑ ja riskinhallintarakenteet ehtivät päivittyä. Tämä johtaa siihen, että ilman luottamusta tukevaa vastuullista AI‑kehystä AI:n arvo ei skaalaudu. (State of AI Trust in 2026: Shifting to the Agentic Era, McKinsey, 2026)
Jatketaan myyttien ja faktojen parissa.
1. AI on neutraali työkalu – myytti
Tekoäly heijastaa koulutusdatansa vinoumia, kulttuurisia oletuksia, kehittäjien näkökulmia. Tämä on johtanut esimerkiksi siihen, että kasvontunnistusjärjestelmät ovat toimineet heikommin tummemmilla ihonsävyillä, lääketieteelliset mallit on koulutettu pääosin länsimaisella datalla, ja rekrytointialgoritmit ovat suosineet historiallisesti enemmistöä edustavia hakijaprofiileja.
Vinoumat eivät rajoitu vain siihen, mitä malli tuottaa, sillä tekoälyratkaisujen takana on usein näkymätöntä ihmistyötä. Koulutusdatan merkitseminen (data labeling) ja haitallisen sisällön moderointi tehdään usein matalapalkkaisena alihankintana matalapalkkamaissa. Työ voi olla myös psyykkisesti hyvin kuormittavaa ja osa työntekijöistä on raportoinut jopa PTSD-oireita altistuttuaan järkyttävälle sisällölle. (Institute for Human Rights and Business, 2025).
SyRI oli Hollannin valtion käyttämä sosiaaliturvan riskiprofilointijärjestelmä, joka yhdisteli viranomaisdataa ja kohdisti tarkastuksia erityisesti matalatuloisiin ja maahanmuuttajataustaisiin alueisiin. Haagin tuomioistuin kielsi järjestelmän käytön vuonna 2020, koska se rikkoi oikeutta yksityisyyteen ja altisti sosioekonomiselle syrjinnälle. (YK:n ihmisoikeusvaltuutetun toimisto, OHCHR, 2020)
Eriarvoistaminen syntyy usein siitä, ettei esitetä oikeita kysymyksiä:
- Kuka puuttuu, eli kenen ääni ei näy datassa tai testauksessa?
- Mistä data on peräisin, ja mitä se ei sisällä?
- Kuka on tehnyt näkymättömän työn datan taustalla, ja millä ehdoilla?
- Kuka hyötyy järjestelmästä, ja kenen kustannuksella?
Sääntely alkaa vastata näihin kysymyksiin rakenteellisesti. EU:n tekoälyasetus, eli AI Act, jakaa järjestelmät neljään riskiluokkaan: kielletyt, korkean riskin, rajoitetun riskin ja vähäisen riskin järjestelmät, ja velvoittaa esimerkiksi rekrytoinnissa tai luottopäätöksissä käytettävät järjestelmät dokumentaatioon, riskienhallintaan ja valvontaan. Korkean riskin järjestelmiä koskevat vaatimukset astuvat täysimääräisesti voimaan elokuussa 2026. Se on ensimmäinen konkreettinen yritys muuttaa eettiseksi suositukset lainsäädännöksi (Euroopan unionin tekoälyasetus -tietopaketti, 2026).
2. AI on energiasyöppö – fakta
Jokainen AI‑generointi käynnistää datakeskuksessa prosessin, joka kuluttaa sähköä, vettä ja laitteistoa. Yksittäinen AI‑haku käyttää jopa kymmenkertaisesti enemmän energiaa kuin perinteinen Google‑haku, ja usein tämä hiilijalanjälki pysyy käyttäjälle näkymättömänä. Myös palveluiden suunnittelu ja kehittäminen kuluttavat energiaa.
IEA:n arvion mukaan datakeskusten globaali sähkönkulutus yli kaksinkertaistuu vuoteen 2030 mennessä noin 945 TWh:iin (~3 % maailman sähköstä), vuoden 2024 tason ollessa noin 415 TWh. Tekoäly on tämän kasvun suurin yksittäinen ajuri, ja datakeskukset kokonaisuudessaan vastaavat arviolta yli viidenneksestä maailman sähkönkulutuksen kokonaiskasvusta 2030 mennessä. (IEA, Energy and AI -raportti, 2025) Vuoteen 2030 mennessä matalapäästöisten energialähteiden (uusiutuvat ja ydinvoima) osuuden globaalista sähköntuotannosta arvioidaan nousevan noin 50 prosenttiin, fossiilisten lähteiden osuuden pienentyessä vastaavasti. (IEA, Electricity 2026)
Tekoälyn ympäristöjalanjälki ei synny pelkästä energiankulutuksesta. Datakeskukset tarvitsevat vettä jäähdytykseen sekä mineraaleja ja metalleja laitteistojen valmistukseen, ja lyhyt laite-elinkaari tuottaa nopeasti kasvavan määrän elektroniikkajätettä. Toisin sanoen tekoäly ei ole pelkkää “pilvessä” tapahtuvaa digitaalista toimintaa vaan sillä on fyysinen jalanjälki.
Noin kaksi kolmasosaa vuoden 2022 jälkeen rakennetuista datakeskuksista sijaitsee vesistressaantuneilla alueilla. Google joutui esimerkiksi keskeyttämään 200 miljoonan dollarin datakeskushankkeensa Santiagossa, Chilessä, ympäristötuomioistuimen päätöksellä, koska maa on kärsinyt kuivuudesta viidentoista vuoden ajan (Bloomberg, 2025). AI-laitteisto nojaa muun muassa harvinaisiin maametalleihin ja kriittisiin mineraaleihin, joiden louhinta on usein ympäristölle haitallista puhumattakaan e-jätteen kasvusta ja siitä,. että vain noin 17 % siitä kierrätetään asianmukaisesti (Global E-waste Monitor 2020, viitattu artikkelissa The Hidden Costs of AI, 2025).
Suomessa sijaitseva Googlen Haminan datakeskus käyttää jäähdytykseen merivettä ja on yksi maan suurimmista yksittäisistä datainfrastruktuurin energiankuluttajista. Sen aiheuttama hukkalämpö on niin suurta, että Google ja Haminan Energia suuntaavat lämpöä kaukolämpöverkkoon kattamaan jopa 80 % kaupungin lämmöntarpeesta.
Suunnittelijat eivät aina näe, mikä toiminto on energiasyöppö, mutta voivat kysyä:
- Tarvitseeko tämä toiminto oikeasti tekoälyä?
- Ohjaammeko käyttäjää tekemään turhia generointeja?
- Voisiko kehitystiimi arvioida eri mallien energiankulutusta ja valita pienemmän, rajatun tai tehtäväkohtaisen mallin?
- Miten ympäristövaikutukset otetaan osaksi kriteereitä alusta asti, esimerkiksi toteuttamalla käyttöliittymä mahdollisimman kevyenä?
- Missä datakeskus sijaitsee, ja mitä se tarkoittaa paikallisesti veden ja energian saatavuudelle?
3. AI tukee kestävää kasvua – toisinaan fakta, toisinaan myytti
Tekoäly voi toisinaan aidosti vähentää ympäristökuormaa. Esimerkiksi energiaverkkojen optimointi, materiaalihukan vähentäminen teollisuudessa ja logistiikan tehostaminen ovat tuoneet uutta arvoa. Tekoäly voi siis myös kasvattaa arvoa ilman resurssien lineaarista kasvua. Mutta Jevonsin paradoksi vaanii, sillä mitä helpompi Tekoälyä on käyttää, sitä enemmän sitä käytetään. Tehokkuushyödyt voivat kumoutua, jos kulutus kasvaa samassa tahdissa. Silti he voivat vaikuttaa paljon valinnoilla, joita tehdään palvelun varhaisissa vaiheissa.
Fingrid hyödyntää uusia koneoppimismalleja parantaakseen sähkönkulutuksen ja -tuotannon ennustetarkkuutta, mikä vähentää varavoiman tarvetta ja tasapainottaa kantaverkkoa (Fingrid-lehti, 2022).
Myös tätä esimerkkiä on hyvä tarkastella Jevonsin paradoksin läpi, sillä parempi ennustetarkkuus voi vähentää varavoiman tarvetta juuri nyt. Mutta kun verkko toimii paremmin ja ennustettavammin, kynnys rakentaa lisää datakeskuksia voi samalla madaltua. Tällöin nettovaikutus voi kääntyä päälaelleen, ja kokonaisenergiankulutus voi lopulta kasvaa enemmän kuin mitä Fingridin tehokkuusparannus säästi.
Kysymyksiä, jotka tähtäävät siihen että AI voisi tukea kestävää kasvua:
- Miten tekoäly vähentää jonkin olemassa olevan resurssin (energian, ajan, materiaalien) kulutusta nykytilaan verrattuna?
- Miten varmistamme, ettei mallin käytön määrä kasva nopeammin kuin sen tuottama hyöty?
- Kasvattaako tämä tehokkuushyöty myös kysyntää muualla järjestelmässä?
- Miten seuraamme palvelun elinkaaren aikana, lisääkö ratkaisu kokonaiskulutusta vai vähentääkö se sitä?
Helsingin yliopiston Reimagine ADM -tutkimushanke on julkaissut konkreettisen työkalun nimeltä REAL-kortit (REimagining ALgorithmic futures). Kortit on suunniteltu herättämään kriittistä ja avointa keskustelua etiikasta ja arvoista algoritmisissa järjestelmissä. Korttien ydinajatus on yksinkertainen: parempia teknologioita ei synny ilman parempia kysymyksiä.
Jokainen kortti sisältää kysymyksen tai väittämän, johon ryhmä peilaa kehitettävää järjestelmää. Ne tuovat esiin piilossa olevia oletuksia Esimerkkejä tyypillisistä pohdinnoista:
- Kuka hyötyy järjestelmästä ja kuka jää ulkopuolelle?
- Mitä tapahtuu, jos järjestelmä yleistyy paljon laajemmalle kuin alun perin suunniteltiin?
- Mitä dataa puuttuu – ja miten se vaikuttaa käyttäjiin?
- Mitä vaihtoehtoisia tulevaisuuksia pitäisi pohtia ennen päätöksiä?
Tutustu tarkemmin ja lataa kortit täältä.
Reflektio
Minulle eettinen AI tarkoittaa konkreettisia valintoja: mitä mitataan, ketkä huomioidaan ja milloin AI ei ole oikea ratkaisu. Nämä kysymykset eivät ratkea käytön hetkellä, vaan jo ratkaisua suunniteltaessa ja kehitettäessä — ja jo se, kysymmekö niitä ollenkaan, on itsessään eettinen valinta.