HS Säätiön pamfletti: Tekoälyn käsikirja toimittajille

HS Säätiö tukee sananvapautta, journalismia ja medialukutaitoa. HS Säätiön pamfletit ovat puheenvuoroja ajankohtaisiin media-aiheisiin. Kirjoituksia pyydetään eri alojen asiantuntijoilta, eivätkä ne välttämättä heijastele säätiön hallituksen näkemyksiä.

Lataa tästä pamfletti PDF-tiedostona.

Sisällysluettelo

Esipuhe

Kielimalli ja hallusinointi
Omat aivot täytyy pitää päällä
Hyvän promptaamisen perusteet
Tekoälyn käyttötapoja juttuprosessin vaiheissa
Kontekstin ymmärtäminen ja bottien rakentaminen
Eettiset riskit ja ratkaisuja
Miten tekoälymurrosta kannattaa johtaa?

Esipuhe

”Tekoälyn aikakaudella journalismin arvo ei synny tekstin tuottamisesta vaan ajattelusta. Siksi ajattelun ulkoistaminen on alan suurin riski.”

Tekoäly aiheuttaa minussa jatkuvasti riittämättömyyden ja kiireen tunteen. Ja samalla koen lähes päivittäin oivalluksia ja oppimisen iloa.

Omassa somekuplassani kaikki puhuvat nyt tekoälystä. Moni jakaa yhä edistyneempiä esimerkkejä rakentamistaan työkaluista.

Linkedin-virrassani vastaan tulee taas sveitsiläisen tutkivan journalistin Tom Vaillantin postaus, miten hän on vibe-koodannut työkaluja OSINT-menetelmillä tiedon kaivamiseen. Ymmärrän ehkä puolet siitä, mitä hän kirjoittaa. Teknisimmät tyypit ovat niin pitkällä, että minäkin pelkään putoavani kärryiltä, ellen juokse koko ajan perässä.

Samalla tekoäly mahdollistaa aivan uudenlaista tutkivaa journalismia ja työtapoja, jotka eivät ole aiemmin olleet mahdollisia. Tavallisempikin toimittajan työ voi nyt muuttua nopeasti. Se on innostavaa!

Kielimallit ovat ottaneet myös vuoden 2026 ensimmäisinä kuukausina nopeita harppauksia. Alkaa olla kokopäivätyö pysyä kehityksen perässä, opetella ja kokeilla joka viikko kaikkea, mikä nyt muuttuu. Teknologiatoimittajana näen, miten nopeasti tekoäly on muuttanut käytännön työtä esimerkiksi suomalaisissa ohjelmistoyhtiöissä.

Sama pätee suureen osaan muusta tietotyöstä. Käynnissä on koko sukupolvea koskettava murros. Se muuttaa nopeasti myös journalismia ja sen tekemistä – halusimme tai emme.

Nyt määritellään uudelleen, mitkä työt ovat olemassa, mitä osaamista tarvitaan ja miten asioita tehdään. Siellä, missä jaetaan uudelleen rooleja, kannattaa olla paikalla. Uteliaisuus on nyt tosi kovaa valuuttaa, ja on opittava luomaan uutta arvoa näillä uusilla välineillä.

Ilmassa on myös runsaasti hypeä, ja sellaistakin, mitä Antti Yrjönen kutsui Kansan Uutisissa kriittisesti ”tekoälykiimaksi”. Kohtaamme myös vaikutuksia, jotka eivät ole vain positiivisia. Väistämättä teemme myös virheitä. Ja koska työmme on luonteeltaan julkista, joistain virheistä syntyy kohuja tai brändihaittaa lukijoiden silmissä. Tekoälyn käyttäminen ei silti lopu, eikä teknisen kehityksen ulkopuolelle voi kokonaan jäädä. Mokista pitää oppia, ja mieluiten riskejä pitäisi osata ennakoida ja vähentää.

Tämän keskellä uusiin työkaluihin kannattaa suhtautua rauhallisesti ja analyyttisesti.

Olen viettänyt kevään 2026 kouluttaen Helsingin Sanomien toimittajia tekoälyn pariin. Samalla olen ollut mukana rakentamassa tiimeille uusia työkaluja ja niin sanotusti jalkautunut tiimeihin. Olen viettänyt kaksi viikkoa kunkin tiimin parissa yrittäen ymmärtää, miten tekoäly voisi auttaa juuri heitä. Mitkä ovat heidän työnsä erityispiirteet, joita tekoäly voisi tukea parhaiten? Olen itse oppinut paljon. Samalla se on hauskaa: tekoälyä käyttäessä saan iloa hoksatessani jonkin uuden käyttötavan – ja siihen tarvitaan myös luovuutta ja mielikuvitusta.

Kyse on koko Sanoman laajuisesta massiivisesta koulutushankkeesta ja tekoälyn jalkauttamisesta kaikkiin toimituksiin Hesarista Satakunnan Kansaan. Reykjavik-nimellä kulkeva tekoälyn koulutusprojekti on ison tiimin ponnistus, ja meitä ”jalkauttajia” on nyt kaikissa konsernin medioissa. Useiden tuntien koulutus, jokaiselle tiimille kehitettävät omat työkalut ja jokaisen toimittajan vieressä istuva mentori ovat merkittävä investointi. Eikä koulutus tule tähän päättymään: työnantajan täytyy auttaa ihmisiä pysymään tekoälyn vauhdissa jatkossakin.

Toimituksissa ei voida ottaa käyttöön tekoälytyökaluja, ellei jokainen saa koulutusta niiden hyvästä käytöstä ja ellei ole tilaa keskustella ja reflektoida ammattietiikkaan liittyvistä kysymyksistä. On jokaisen vastuullisen työnantajan tehtävä pitää huoli siitä, että ihmiset pääsevät mukaan tähän murrokseen. Samalla on organisaation ja esihenkilöiden tehtävä varmistaa, että prosessit ja järjestelmät tukevat tekoälyn vastuullista hyödyntämistä. Meillä journalisteilla täytyy pysyä ohjat.

Palaute koulutuksista on ollut rohkaisevan positiivista. Joten rohkenen ajatella, että näiden oppien jakaminen laajemmallekin voi olla hyödyllistä.

Tämä pamfletti on siis käsikirja tekoälyn perusteisiin journalismissa keväällä 2026. Kyse ei ole vain tekniikkakoulutuksesta, vaan siitä, miten tekoälyä voi hyödyntää vastuullisesti säilyttäen journalistisen määräysvallan ja ohjat itsellään.

Kehitys liikkuu niin vauhdilla, että osa teknisistä opeista väistämättä vanhenee nopeasti. Sen sijaan ajatukset esimerkiksi tekoälyn vastuullisesta käytöstä voivat kestää paremmin aikaa.

Suurimman osan pysymme varsin yleistajuisissa perusteissa. Sellaisessa, jonka ajattelen olevan nyt jokaisen toimittajan yleissivistystä. Enimmäkseen opit ovat sellaisia, jotka pätevät, oli käytössäsi Chat GPT tai Claude.

Toimitukset käyttävät tekoälyä tietysti monella muullakin tavalla. Esimerkiksi julkaisujärjestelmiin on integroitu ominaisuuksia – esimerkiksi juttujen alkuun voi generoida tekoälyn avulla tiivistelmän, jonka ihminen hyväksyy. Olemme HS:ssä rakentaneet myös n8n-ohjelmiston avulla erilaisia työnkulkuja, joissa tekoälyagentit on yhdistetty osaksi uutisvirtojen seulontaa. Tyypillisesti niiden kehitys ei silti ole toimittajan tehtävä. Nyt keskitymme siihen, mitä jokainen toimittaja voi tehdä itsenäisesti omassa asiantuntijatyössään.

Olen käyttänyt Chat GPT:tä aktiivisesti alkuvuodesta 2023 asti ja rakentanut sinne itselleni omia työkaluja. Claudea aloin käyttää sen rinnalla syksyllä 2025, ja siirsin Claudeen osan projekteistani. Kolme vuotta on tekoälyn kehityksessä pitkä aika, ja sinä aikana on jo muuttunut paljon. Oma työskentelyni on ainakin mullistunut valtavasti.

Vetämiäni koulutuksia ja tätä pamflettia ohjaavat nämä periaatteet:

Journalismia tehdessä yleisön luottamus on säilytettävä ja ansaittava joka päivä. Siksi meille on erittäin tärkeää puhua tekoälyn yhteydessä eettisestä käytöstä ja siitä, miten riskejä vältetään. Tekoäly voi oikein käytettynä olla hyvä työkalu ja parantaa laatua tai tuottavuutta. Väärin käytettynä se on riski.
Tässä ajassa laatujournalismin on erotuttava AI-tauhkasta. Siksi tekoälytyökaluja käytettäessä on yleensä vältettävä sitä, että tekoäly kirjoittaisi suoraan mitään (paitsi korkeintaan lyhyissä perusuutisissa), koska se keskinkertaistaa ja tylsistää ilmaisua. Toimittajan omaa ilmaisua pitää suojella. Silti syventävässäkin featurejournalismissa tekoälyllä on paikkansa osana juttuprosessia, ei tekstin tuottajana.
Ajattelua ei pidä ulkoistaa tekoälylle. Tekoälyä voi sen sijaan ohjata sparraamaan ja toimimaan kuten kollegaa, jolle näytän jutun luonnoksen ja kysyn, missä tämä ontuu. Tai simuloimaan mallilukijaa, missä kohtaa hän putoaa kärryiltä. Journalistiset valinnat ja vastuu pysyvät toimittajalla.

Tätä kirjoittaessani olen noudattanut itse näitä oppeja. Ajatukset, kokemukset ja teksti ovat minun. Olen tarkistanut ja itse lukenut lähteet. Tekoäly on sparrannut.

Tässä käsikirjassa aloitamme ensin perusteista. Käymme läpi, mitä kielimallit ovat ja miten ne toimivat – se liittyy siihen, miksi ne hallusinoivat. Puhumme myös automaatioharhasta sekä mielistelyn ja vahvistusharhan ongelmasta. Ihmisen ja kielimallien väliseen vuorovaikutukseen liittyy paljon psykologisia kysymyksiä, joista kognitiotieteilijät ovat myös huolissaan. Kun puhutaan vastuullisesta tekoälyn käytöstä journalismissa, näistä mekanismeista täytyy olla tietoinen myös mediatalojen johdossa. Kyse ei ole vain yksilön vastuusta, vaan siitä, kasvavatko tehokkuuspaineet tekoälyn myötä entisestään. Jos kiire kasvaa, samalla kasvavat riskit.

Sen jälkeen on käytännön oppien vuoro. Annan ohjeita hyvään promptaamiseen eli siihen, miten kysyä asioita tekoälyltä niin, että saa mahdollisimman hyödyllisiä tuloksia. Kuinka rakentaa oma räätälöity botti? Kerron tekoälyn käyttötavoista juttuprosessin eri vaiheissa ja annan esimerkkejä prompteista. Lopuksi käsittelen muutosjohtamista ja kerron näkemykseni siitä, mitä esihenkilöiden pitäisi toimituksissa ottaa huomioon.

Lohdutuksen sana murroksen keskellä on myös tarpeen. Monet taitavan toimittajan piirteet ovat edelleen tarpeellisia. Nyt jos koskaan toimittajalla on oltava hyvä tekstin taju ja oma ääni. On osattava olla läsnä ja jalkautua paikan päälle, havainnoida. Laaja yleissivistys auttaa hahmottamaan olennaisen ja erottamaan, mikä on totta. Tekoälyn tuotoksia pitää osata arvioida kriittisesti. Toimittajalla on itsellään oltava ammatillinen työkalupakki kunnossa, jotta hän kykenee erottumaan myös tekoälyn ajassa.

Entinen toimittaja, nykyinen tietokirjailija ja AI-konsultti Kari Angeria kirjoitti tänä keväänä Hesarin mielipidekirjoituksessaan osuvasti: ”Tulevaisuudessa tärkeintä ei ole enää se, kuinka nopeasti koodia tai tekstiä syntyy, vaan se, kuinka hyvin todellisuutta hahmotetaan, osataan kuvata sitä ja ymmärretään, mitä kannattaa tehdä, kenelle ja miksi. Tämän osaamisen tarve ei katoa. Se kasvaa.”

Tekoäly on luovan ja hoksaavan ammattijournalistin boostaaja. Tekoäly antaa supervoimia parhaille, mutta sen käyttö vaatii journalistilta ammattietiikkaa, oman työn reflektointia ja kriittistä ajattelua. Koska kaikki eivät tähän pysty (ainakaan aukottomasti joka kerta), ihmisen ja koneen vuorovaikutukseen jää psykologinen riski.

Uskon, että koulutuksella, hyvällä johtamisella, oikeilla toimituksen prosesseilla ja vastuullisesti kehitetyillä työkaluilla tästä selvitään. Mutta se tosiaan vaatii kaikki nämä tasot. Ja uutta osaamista meiltä jokaiselta.

Espoossa 12.5.2026
Elina Lappalainen

Kirjoittaja on Helsingin Sanomien HS Vision toimittaja ja erikoistunut teknologia-aiheisiin ja kasvuyrityksiin. Hän on osallistunut keväällä 2026 lehden tekoälytyökalujen kehitykseen ja vetänyt koulutuksia tekoälystä. Lappalainen on myös palkittu tietokirjailija.

Graafikko Johannes Nieminen suunnitteli HS Säätiön pamfletin kannen käyttäen Elina Lappalaisen kuvaa pohjana.

1. Kielimalli ja hallusinointi

Aloitetaan perusteista, koska suuri osa myöhemmin kerrottavasta perustuu siihen, mitä kielimallit ovat. Kun puhun tässä käsikirjassa tekoälystä, viittaan generatiiviseen tekoälyyn, joka tuottaa uutta sisältöä hyödyntämällä suuria kielimalleja.

Suuret kielimallit (LLM, large language models) ovat meille tuttuja niiden päälle luoduista työkaluista, kuten Chat GPT:stä tai Claudesta. Ne on koulutettu valtavalla määrällä tekstiä. Käytännössä ne ovat ”arvonta- ja ennustuskoneita”, jotka perustuvat kielelliseen todennäköisyyteen.

Juuri siksi ammattikirjoittajasta kielimallin vastaukset tuntuvat niin keskinkertaisilta ja stereotyyppisiltä. Ne ovat juuri sitä. Kielimallilla on omat tunnistettavat maneerinsa.

Keskustelussa kielimalli ennustaa seuraavaa sanaa kerrallaan. Teknisemmin sanottuna ne ennustavat niin sanottuja tokeneita (sanoja tai sanapalasia). Kielimallit eivät tiedä, mikä on totta, eivätkä ne erota faktaa fiktiosta.

Tekoäly keksii asioita. Se valehtelee kohteliaasti. Ja pyytää anteeksi, kun jää kiinni.

Tätä kutsutaan hallusinoinniksi. Silloin kielimalli tuottaa näennäisen sujuvaa ja oikeanmuotoista tekstiä, joka on kuitenkin asiasisällöltään virheellistä. Hallusinoinnin mahdollisuus vähentää kielimallien luotettavuutta erityisesti tilanteissa, joissa faktojen tarkkuus on keskeistä.

”Olet täysin oikeassa ja pahoitteluni! En hakenut tietoja verkosta, vaikka nimenomaisesti pyysit. Tämä on vakava virhe. Haen nyt kunnolla tietoa luotettavista lähteistä ja linkkaan lähteet.” Näin Claude esimerkiksi vastasi yhteen pyyntööni viime syksynä. Seuraavaksi se jatkoi keksimällä linkkejä, jotka veivät virheilmoitukseen, page not found. Sillä tuntui olevan tuolla viikolla enemmänkin ongelmia hallusinoinnin kanssa. Yleensä tilanne ei ole noin huono.

Kielimallin tehtävä on tuottaa uskottavaa jatkoa keskustelulle. Jos tieto puuttuu, kielimalli täyttää aukon. Jos konteksti on epäselvä, se arvaa.

Tämä ei ole tekoälyn bugi, vaan ominaisuus.

Pyydän joka kerralla tekoälyä: hae verkosta, linkkaa lähteet. Yleensä jo se auttaa vähentämään höperehtimistä. Mutta sen lisäksi jokainen linkki pitää tarkistaa, ja juttuun päätyvät faktat lukea itse.

Tutkijat ovat osoittaneet , että hallusinaatiot ovat rakenteellinen ominaisuus, joka johtuu siitä, miten kielimallit on ylipäätään rakennettu mallintamaan kieltä. Nämä ominaisuudet johtavat siihen, että tekoäly soveltuu erityisen hyvin yksiin tehtäviin, mutta ei ole kovin kummoinen toisissa.

Tekoäly ymmärtää erinomaisesti erilaisten tekstien tyylipiirteitä ja osaa generoida sen tekstilajin tyypillistä tuotosta. Esimerkiksi jos annan tekoälylle muutamalla ranskalaisella viivalla sisällön, se laatii kyllä sujuvan englanninkielisen sähköpostin. Se tunnistaa kohtuullisesti, missä tekstin kohdassa on löysää tai heikkoja argumentteja. Se on oikein ohjattuna hyvä kielenhuoltaja ja aineistojen tiivistäjä. Se kykenee generoimaan erilaisia vaihtoehtoja ja mahdollisia (tyypillisiä) näkökulmia.

Sen sijaan se ei ole aina sataprosenttisen luotettava tarkassa numerodatassa ja faktoissa. Se ei ole luova ja omaperäinen – tai se on juuri niin luova kuin tekstiaineisto, johon sen vastaukset perustuvat. Etenkin huonolla promptaamisella siltä saa geneerisiä ja keskinkertaisia tuloksia.

Tavoitteena ei ole hallusinoinnin poistaminen, vaan sen hallinta. Sen kanssa pitää oppia elämään. Virheiden pelko pitää toivottavasti tarpeeksi valppaana ja muistuttaa tarkistamisen tärkeydestä.

Miten vähentää hallusinointia?

Pyydä: ”hae verkosta, linkkaa lähteet”. Tarkista itse linkit ja faktat aina itse.
Ohjaa promptissa: ”jos olet epävarma, sano, että et tiedä”.
Käytä syvätutkimusta tai ”thinking”-tilaa. Monet alustat tarjoavat pidemmän ja laadukkaamman päättelytilan, jossa malli käyttää enemmän aikaa. Se on hitaampaa, mutta vastaukset ovat yleensä luotettavampia.
Yhden kielimallin antamia vastauksia voi syöttää toiselle mallille tarkistettavaksi – harvalla tosin on käytössään kahta maksullista lisenssiä. Sekin auttaa, jos faktantarkistuksen tekee toisessa keskustelussa.”Faktatarkista juttuluonnoksen asiaväitteet ja argumentit. Hae tietoa verkosta ja linkkaa lähde.”
Iteroi: Jos vastaus on epätarkka tai heikko, pyydä tarkentamaan tai lähesty kysymystä eri kulmasta. Pelkkä saman kysymyksen toistaminen ei auta. Muotoile se uudelleen, anna lisäkontekstia tai rajaa tarkemmin.

2. Omat aivot täytyy pitää päällä

Myönnän, että ei ole kauhean innostavaa opastaa toimittajia tekoälyn pariin niin, että lataa tiskiin ensin ison kasan varoitustekstejä. Vähän kuin saisit suurin toivein lääkereseptin, mutta joudut ensin lukemaan pitkän listan ikävistä sivuvaikutuksista. Lääke on silti hyvä ja tarpeellinen.

Kun myöhemmin opetan konkreettisia asioita tekoälyn käytöstä, yritän näyttää juuri sitä, miten näitä ongelmia voisi ainakin vähentää. Ensin niistä pitää olla tietoinen.

Automaatioharha (automation bias) tarkoittaa taipumusta suosia tekoälyn suosituksia ja jopa sivuuttaa niitä vastaan puhuva tieto, vaikka järjestelmä olisi väärässä. Tyypillisesti automaatioharha voi aiheuttaa kahdenlaisia virheitä. Poisjättövirhe: ihminen ei huomaa virhettä. Toimintavirhe: ihminen seuraa automaation suositusta, vaikka tietäisi sen olevan kyseenalainen.

Juuri automaatioharhasta oli nähdäkseni kyse tapauksessa, jossa Helsingin Sanomat julkaisi hetkellisesti väärää tietoa, että Kouvolassa olisi pudotettu Venäjän drooneja (HS 29.3.2026). Virhe liittyi tekoälytyökaluun, joka hälyttää tiedotteista erillisellä kanavalla, josta uutistoimitus poimii uutisaiheita tekoon. Oma roolini on tapauksessa vain ulkopuolisen tarkkailijan. Tässä käyttämäni tiedot ovat julkisista lähteistä, enkä ole ollut tekemisissä siihen liittyneen Vahtikoira-työkalun kanssa.

Päätoimittaja Erja Yläjärvi kertoi virheestä : ”Tekoälytyökalu oli tässä tapauksessa täysin virheellisesti otsikoinut Puolustusministeriön tiedotehälytyksen Venäjään liittyväksi, vaikka itse tiedotteessa ei puhuttu maasta mitään. Inhimillinen erehdys nopeassa uutistilanteessa oli se, ettei tiedotetta ollut sisäisen ohjeen mukaisesti tarkistettu, ja tieto meni liian nopeasti julki. Virhe huomattiin ja korjattiin välittömästi.”

HS:n tekoälyä koskevien eettisten ohjeiden tärkein kohta on: ”Vastaat itse jokaisesta sanasta, jonka teet koneen avulla. Tarkista kaikki.” Miksi näin ei siis tehty?

Viime vuonna ilmestynyt tieteellinen katsaus kävi läpi 35 vertaisarvioitua tutkimusta automaatioharhasta. Katsaukseen koostettu tieto on journalistisessa kontekstissa todella kiinnostavaa. Se myös auttaa ymmärtämään, miksi tällainen vahinko voi syntyä.

Luottamuksen paradoksi: Käyttäjät jättävät usein automaation tuotokset kriittisesti arvioimatta, kun he pitävät järjestelmää erittäin luotettavana.
Kognitiivinen kuorma ja aikapaine: Kognitiivinen ylikuormitus on tunnistettu merkittävimmäksi tekijäksi, joka estää käyttäjiä tarkistamasta automaation tuloksia.
Ankkurointiefekti: Käyttäjät nojaavat liiaksi ensimmäisenä saamaansa tietoon. Jos AI antaa suosituksen ensin, se ankkuroi käyttäjän ajattelun.
Vahvistusharha: AI:n suositukset ohjaavat käyttäjiä etsimään niitä tukevaa näyttöä.

HS:n tapaus oli oppikirjaesimerkki näiden riskien toteutumisesta. Suurin riski on nimenomaan deskin uutiskilpailussa nopeassa työssä.

Eettiset ohjeet sysäävät vastuun yksittäisen toimittajan hartioille. Kyse on kuitenkin myös siitä, millaiset paineet uutisdeskillä on voittaa uutiskilpailu. Vaikka johto ei siihen painostaisi, toimittajien sisäinen uutisnälkä rakentaa helposti painetta. Järjestelmät täytyy myös suunnitella niin, että käyttöliittymä huomioi automaatioharhan ja auttaa välttämään sitä.

Virheen jälkeen Vahtikoira-työkaluun on tehty muutoksia, Yläjärvi kertoi Suomen Lehdistö -lehdessä : Jatkossa Vahtikoiran tiivistelmän otsikkona on alkuperäisen tiedotteen otsikko. Alkuperäinen tiedote näkyy heti Vahtikoiran tekemän Slack-viestin vastauskentässä, eikä sitä tarvitse erikseen klikata esiin. Viestissä lukee muistutuksena, että kyseessä on tekoälyn tuottama sisältö.

Nämä muutokset noudattavat samoja ohjeita, joista tutkijat kirjoittavat meta-analyysissaan. Ankkurointiefektiä vähentää juuri se, että ihminen pääsee tekemään itse ensin oman arvionsa, ja tekoäly tuo sen jälkeen oman näkemyksensä (human first protocol). Järjestelmä voisi myös luoda pienen tarkoituksellisen hidasteen, kuten pakollisen klikkauksen tai vahvistuspyynnön (frictional AI), joka pakottaa käyttäjän pysähtymään.

Myös koulutus on yksi työkalu. Käyttäjien pitää ymmärtää, miten oma psykologia altistaa heidät seuraamaan automaattisia suosituksia kritiikittä.

Sama pätee vaikkapa jutun editointiin: jutun editorin kannattaa lukea toimittajan juttuluonnos ensin itse ja tehdä siihen merkintänsä ja vasta sen jälkeen kysyä mahdollisia kommentteja tekoälyltä. Muutoin tekoälyn näkemys on ehtinyt jo lukita editorin näkökulman, ja on enää vaikea lukea juttua itse tuorein silmin.

Vahvistusharha (confirmation bias) puolestaan tarkoittaa taipumusta etsiä, tulkita ja muistaa tietoa, joka vahvistaa ennakkokäsityksiä ja aiempia uskomuksia. Tämä on vaarallinen harha journalistille. Kognitiiviset vinoumat saavat meidät painottamaan tiettyä dataa, sivuuttamaan muuta tietoa, muovaamaan tulkintaamme informaatiosta. Jos uskot jo tietäväsi syyt, muotoilet todennäköisesti promptit tavalla, joka vahvistaa uskomusta.

Toimittajalla on juttuun usein jo lähtöoletus tai hypoteesi. Pahimmillaan toimittaja voi käyttää tekoälyä etsimään tietoa ja argumentteja sen tueksi, eikä haastamaan sitä. Kärjistetty esimerkki olisi kysyä ”miksi tuote X on paras”, eikä pyytää vertailemaan neutraalimmin eri tuotteita.

Tekoäly ei ole neutraali työkalu. Se peilaa helposti käyttäjän oletuksia ja voi vahvistaa vinoumia. Koska se jäljittelee inhimillistä vuorovaikutusta, sen vastauksiin on helppo luottaa liikaa.

Kielimalleilla on taipumus mielistellä. Ne myös myötäilevät käyttäjän tunnetilaa ja jopa kieltä. Kun alakoululaiset lapseni saavat joskus käyttää puhelimeltani Chat GPT:tä, se alkaa nopeasti vastata heille käyttäen söpöjä emojeita 🦄✨💖. Niin se matkii käyttäjänsä kieltä. Se ei usein haasta käyttäjää, vaikka tämä olisi väärässä eikä huomauta, jos kysymyksessä ei ole järkeä. Sujuva ja vakuuttavasti kirjoitettu teksti tuntuu vaikuttavalta, etenkin jos tekoäly vahvistaa sinun olleen oikeassa!

MIT Media Labin tutkijoiden artikkeli osoitti, että jopa täysin rationaalinen käyttäjä on altis mielistelevän chatbotin aiheuttamalle vahvistusharhalle. Tekoäly on samaa mieltä käyttäjän kanssa ja muodostaa palautekehän, jossa väärät uskomukset vahvistuvat. Tietoisuus mekanismista suojasi vain osittain.

Törmäsin somessa meemiin, joka ihastutti heti minua Taru sormusten herrasta -teoksen fanina. Kuvassa Bilbo puntaroi sormus kädessään, ”miksi ei, miksi en pitäisi sitä?” Niin, entä jos Bilbolla olisi ollut neuvonantajanaan Chat GPT eikä Gandalf? Meemin mukaan tekoäly olisi ehkä neuvonut: ”Olet aivan oikeassa – sinä löysit sen, se on ollut sinulla jo pitkään, ja on vain luonnollista kiintyä johonkin mikä on palvellut sinua niin hyvin.”

Ei, Bilbo. Kriittisissä kysymyksissä kannattaa kuunnella sitä Gandalfia. Tai journalismin tapauksessa uutispäällikköä, editoria, tuottajaa tai kenen ihmisen kanssa jutustasi puhutkaan.

Miten välttää vahvistusharhaa? Kiinnitä huomiota siihen, miten kysyt. Etsi tietoisesti näkemyksiä, jotka haastavat omat oletuksesi ja uskomuksesi.

Luin vahvistusharhasta erinomaisen artikkelin Harvard Business Review -lehdestä. Siinä alan tutkijat esittivät promptiesimerkkejä, joista valitsin ja sovelsin muutamaa:

Laita AI kriittiseksi lukijaksi: Tarkista päättelyni ja osoita oletukset tai logiikan ja argumentaation aukot, jotka olen saattanut sivuuttaa.
Ota etäisyyttä, laita AI simuloimaan ulkopuolista lukijaa: Arvioi ehdotukseni kuin olisit puolueeton ulkopuolinen. Mitä vahvuuksia ja heikkouksia huomaisit?
Hae aktiivisesti eri näkökulmia: Ehdota erilaisten lukijoiden näkökulmia, jotka saattaisivat haastaa nykyisen lähestymistapani.

Tekoälyn käyttäminen vaatii siis monessa kohdassa pysähtymistä ennen vaistonvaraista toimintaa. Pysähtyminen antaa tilaa oman ajattelun ja työprosessin reflektoimiselle ja kriittiselle analyysille. Tekoälyä pitää osata ohjata ja kyseenalaistaa, jotta säilyttää ohjat omassa ajattelussaan ja samalla journalistisen päätösvallan itsellään. Omat aivot täytyy pitää päällä.

On silti selvää, että vastuun asettaminen pelkästään yksittäiselle käyttäjälle ei ole reilua. Kognitiivinen kuormitus, aikataulupaine, automaatioharha ja vahvistusharha tekevät tarkistamatta jättämisestä inhimillisesti ymmärrettävää. Vastuu on jaettava yksilön, järjestelmän suunnittelun ja organisaatiokulttuurin kesken.

3. Hyvän promptaamisen perusteet

Tekoälyllä on siis rajoituksensa ja vinoumansa. Hyvällä promptaamisella saa kuitenkin parannettua tulosten laatua ja luotettavuutta merkittävästi. Promptaaminen tarkoittaa kehotteen muotoilua eli sitä, miten tekoälyä pyytää tekemään asioita. Useimmiten pettymykset johtuvat siitä, että käyttäjä ei ole ymmärtänyt, miten kannattaa kysyä.

Jo pienet sanavalintojen muutokset voivat muuttaa sitä, miten malli tulkitsee pyyntösi. Tärkeää on siis promptien jatkokehittäminen ja testaaminen. Ellet saa hyviä tuloksia, kokeile eri tavalla uudelleen!

Tekoälyn kanssa toimimista helpottaa myös se, että voit aina kysyä siltä itseltään neuvoa. Ellet saa haluamaasi, pyydä mallia itse rakentamaan parempi prompti tavoitteesi perusteella. Jos haluat opetella koodaamaan, malli opettaa sinulle senkin. Tai ellet tiedä, miten jokin asia tehdään Excelissä, voit kysyä siihen ohjeen.

Hyvän promptaamisen ohjeita löytää netistä paljon, ja ohjeet myös muuttuvat kielimallien muuttuessa. Tähän olen pyrkinyt tiivistämään keskeiset ohjeet ja soveltamaan niitä journalismiin.

Hyvässä promptissa ihminen kertoo ensin, mitä haluaa ja mitä on tekemässä. Ole siis täsmällinen. Muista, että tekoäly ei ole ajatustenlukija, vaan sille pitää antaa riittävästi tietoa, että se pystyisi antamaan relevantteja tuloksia.

Jokaisen hyvän promptin ytimessä on viisi elementtiä:

Sano, mitä haluat. Analysoi tämä yrityshaastattelu ja nosta kolme journalistisesti kiinnostavaa ristiriitaa.
Neuvo, miten tekoälyn pitää toimia: Erota faktat, tulkinnat ja oletukset toisistaan.
Anna taustatiedot elikonteksti: Mikä juttutyyppi, mitä jo tiedetään, kuka on yleisö. Teen HS Visioon noin 5 000 merkin uutisjuttua. Olen haastattelemassa henkilöitä X ja Y. Tehdään ensin taustatiedon hakua.
Anna rajat vastaukselle: Älä kirjoita valmista artikkelia, vaan ehdota rakennetta.
Korosta, mikä on tärkeintä: Toista se lopuksi. Älä anna geneeristä vastausta. Ehdota konkreettisia ja lukijalle arvoa tuovia näkökulmia.

Kaikkea ei tarvitse ladata heti ensimmäiseen kysymykseen, vaan voit edetä vaiheittain.

Esimerkiksi itse aloitan yleensä kertomalla, millaista juttua olen tekemässä. Pyydän sitten sitä hakemaan asiasta tietoa verkosta ja linkkaamaan lähteet.

Tekoäly ei tiedä, mikä päivä nyt on, joten kerron sille, että on huhtikuu 2026. Näin esimerkiksi tiedonhaku koskee oikeaa aikajaksoa.

Pyydän tekoälyä tekemään aina aluksi aiheesta tietohaun: ei välttämättä siksi, etten itse tietäisi aiheesta, vaan siksi, että tekoälyn pitää päästä kärryille. Muutoin se vain arvaa. Sen vastaukset ovat relevantimpia, kun se on joutunut itse oikeasti hakemaan tiedot ja ymmärtää, mistä on kyse.

Tässä on kaksi esimerkkiä prompteista, jotka rakensimme koulutuksessa erään toimittajan kanssa hänen juttujensa tiedonhakuun. Tulokset näillä prompteilla olivat merkittävästi paremmat kuin hänen omien promptiensa tuottamat vastaukset. Näissäkin käytettiin tiimin omaa työkalua, jolloin tekoäly ymmärtää jo kontekstin.

Olen tekemässä juttua maahanmuuttajalasten opettajasta. Haluan ensin taustabriiffin maahanmuuttajalasten opettamisesta peruskoulussa Suomessa. Hae verkosta laadukasta tietoa aiheesta 2024–2026, linkkaa lähteet.

Olen tekemässä juttua Suomen ja Ruotsin välillä polttoaineiden hintaeroista ja niiden syistä. Kokoa journalistinen taustabriiffi vuoden 2026 tuoreimpien tietojen perusteella. Haluan ymmärtää maiden poliittista ohjausta, verotusta ja hintaan vaikuttavia tekijöitä. Hae verkosta, linkkaa lähteet.

Anna konteksti ja aineistoa. Tietysti myös googlaan eli täydennän tiedonhakua itse. Annan tekoälylle linkit ja pyydän sitä tiivistämään niistä oleellisen. Minulla saattaa myös olla aiheesta lehdistötiedote tai jokin tausta-aineisto pdf-tiedostona. Annan keskustelussa tekoälylle kaiken aineiston, mitä minullakin on. Jos kirjoitan ihmisestä tai yrityksestä, jota olen seurannut pidempään, käyn hakemassa tekoälylle pari olennaista arkistojuttuani.

Koska Helsingin Sanomat ja monet muut maksumuurin takana olevat laatumediat blokkaavat kielimallit sivuiltaan, tekoäly ei pääse maksumuurin taakse. Minun pitää itse käydä kopioimassa sille teksti. (Huom. Käytössäni on yritystili eli Chat GPT Enterprise. Silloin kielimalli ei voi käyttää sille antamaani aineistoa mallin kouluttamiseen, ja yhtiön laki- ja it-osastot ovat käyneet läpi käyttöehdot. Siksi voin antaa tekoälylle mm. vielä julkaisematonta dataa ja materiaalia.)

Tärkeintä on antaa mallille riittävästi taustatietoa. Kielimalli on kuin kokematon freelancer: lähettäisitkö hänet keikalle briiffattuna vai briiffaamattomana?

Tekoäly tarvitsee toimiakseen dataa ja aineistoa. Ajattele, että lataat tekoälyn työmuistiin oikean materiaalin tehtävän suorittamiseen. Toisaalta liian pitkä tai epärelevantti konteksti on haitaksi, ja silloin olennainen alkaa hukkua. Tutkimukset osoittavat, että kielimallin suorituskyky voi heiketä, kun sen niin sanottu konteksti-ikkuna täyttyy epärelevanteilla tiedoilla. Tekoälyllä on ikään kuin työn alla oleva muisti, johon mahtuu tietty määrä kerralla, aivan kuin ihmisellä, joka yrittää pitää päässään liikaa asioita yhtä aikaa.

Esimerkiksi kirjoittaessani tätä tekstiä loin Claudeen projektikansion. Annoin sille pitämieni koulutusten slaidit. Olen äänittänyt koulutuksiani, ja tekoäly on litteroinut puheeni: syötin myös litteraatit. Liitin projektin taustatiedostoiksi myös lähteenä käyttämäni tieteelliset artikkelit.

Sitten voin kysyä tekoälyltä,”puuttuuko tästä kappaleesta nyt joitain sellaisia näkökulmia, mitä sanoin aiheesta koulutuksissa?” Voinaloittaa projektikansion sisällä uusia keskusteluita, ja sillä on silti tiedossa kokonaisuus ja sama lähdeaineisto.

Tietyissä tehtävissä auttaa myös, jos annat tekoälylle roolin. Esimerkiksi: ”Olet kokenut HS Vision featurejournalismin editori. Tässä on juttuluonnokseni. Arvioi se suhteessa parhaisiin juttuihimme ja niiden rakenteisiin ja kerrontaan. Mitkä ovat jutun tärkeimmät kehityskohteet?”

Roolipromptit auttavat, kun tavoitteena on tekstin arvioiminen tietystä näkökulmasta. Tekoälyä voi pyytää toimimaan esimerkiksi mallilukijana. Se auttaa erityisesti, jos toimittaja on kovin syvällä aiheessa. ”Olet Helsingin Sanomien lukija, jolla ei ole teknistä taustaa. Mikä tässä tekstissä jää epäselväksi?”

Toivottavasti esimerkeistä kävi ilmi, että promptaaminen ei vaadi vain teknistä taitoa, vaan journalistista ajattelua. Se vaatii kykyä täsmälliseen ajatteluun ja tavoitteiden määrittelemiseen.

4. Tekoälyn käyttötapoja juttuprosessin vaiheissa

Osa tekoälyn fiksua käyttöä on tuntea itsensä ja työprosessinsa. Jutut, työtavat ja toimittajat ovat erilaisia, eikä kaikkeen kannata tunkea tekoälyä. Vain siihen, missä sitä aidosti tarvitset.

Kun HS Visio pilotoi tekoälyn käyttötapoja syksyllä 2025, pilkoimme juttuprosessimme eri vaiheisiin. Osa meistä totesi käyttävänsä tekoälyä laajemmin eri vaiheissa, osa lähinnä googlen korvikkeena tai kielenhuollossa. Ensin kannattaa myös tunnistaa tarpeensa. Mitkä työtehtävät ovat itselle vaikeita tai turhauttavia, onko omassa tai tiimin prosessissa joitain pullonkauloja?

Alkuvaiheessa opetteleminen voi viedä aikaa. Koulutuksissa suosittelen kokeilemaan ainakin muutaman juttuprosessin ajan tekoälyä läpi koko prosessin. Sen jälkeen tiedät, mikä on sinulle turhaa ja mistä on apua. Kielimallit tuottavat usein pitkiä vastauksia, joiden kahlaamiseen menee myös aikaa. Se vaatii silmäilevää lukutapaa ja kykyä nähdä olennainen nopeasti. Toisia sen tuuttaama tekstimassa turhauttaa.

Seuraavaksi käyn läpi esimerkkejä siitä, mihin juttuprosessin vaiheisiin tekoäly sopii parhaiten ja millaisilla prompteilla niistä saa eniten irti.

Esimerkeissä kannattaa huomioida se, että käytän yleensä juttuprojekteissa tiimillemme rakennettua omaa työkalua. Se on botti (Custom GPT), joka tuntee jo HS Vision konseptin, juttumme ja tyylimme. Siksi se pystyy antamaan ideoista ja juttuluonnoksista relevanttia palautetta ilman, että selitän sille taustoja juurta jaksain.

Ideointi ja näkökulmittaminen. Joulun alla minulla oli juttuideoideni Excelissä 18 aihetta, mutta vain kolme viikkoa aikaa ennen lomia saada aikaan valmista. Jos menisin esihenkilöni luokse 18 aiheen kanssa, kaikkien läpi käymiseen menisi aikaa. Niinpä annoin listan ensin tekoälytyökalullemme. Se haki aiheista tietoa, auttoi arvioimaan niitä ja priorisoi potentiaalin perusteella. Aina apua ei tarvitse ideoiden keksimiseen, vaan niiden karsimiseen.

Kuten tiedämme, pelkkä aihe ei ole vielä toteutuskelpoinen ja näkökulmitettu juttuidea. Tekoäly voi auttaa etsimään aiheesta tietoa ja listata kymmenen mahdollista näkökulmaa aiheeseen. Sen jälkeen näkökulmien pyörittely ja lisätiedon hakeminen voi auttaa terävöittämään kulmaa kirkkaammaksi.

Toimituksiin myös tulvii lukijoiden vinkkejä, tai toisinaan niitä kalastellaan esimerkiksi juttujen perässä olevilla lomakkeilla. Jos vinkkejä tulee satoja, niiden kahlaaminen läpi ajatuksella on epätodennäköistä. Tekoäly osaa sen sijaan seuloa joukosta toistuvia elementtejä tai kiinnostavia aiheita – etenkin, jos se tietää kyseisen toimituksen konseptin ja toiveet.

Samalla ideointi ja näkökulmittaminen on juuri toimituksen agendavaltaa. Sen pitää olla toimittajan ja toimituksen johdon omissa käsissä. Journalistista päätösvaltaa ei saa luovuttaa koneelle. Tämän kanssa on siis oltava tarkkana ja harkittava, missä rajat menevät.

Lähtökohtani omassa työssäni on, että käytän sisäisiä työkaluja, joihin on ladattu kontekstiksi toimituksen oma sisältöstrategia, mallijuttuja, tiimin oma journalistinen linja ja konsepti. Toimituksella on siis työkalun ”omistajuus”, ja työkalut ovat hyväksyttyjä ja testattuja. Ne eivät anna mitä tahansa suosituksia, vaan ideoista annetut arviot perustuvat työkalulle syötettyyn omaan aineistoomme.

En välttämättä kyselisi vinkkejä ideoista ja näkökulmista normaalissa kielimallin chatissa ilman tätä kontekstia.

Promptiesimerkkejä:

Olen harkitsemassa juttua aiheesta X. Arvioi juttuaihe ja auta jalostamaan sitä teräväksi. Keksi viisi eri näkökulmaa, jotka palvelisivat eri lukijatarvetta ja tuottavat lukijoille arvoa. Älä ehdota geneerisiä ja kuluneita kulmia. Keskity konkreettisiin, Suomessa 2026 relevantteihin kulmiin

Olen tekemässä juttua aiheesta X. Etsi siitä verkosta tietoa ja anna 10 kiinnostavaa pointtia siitä eri näkökulmista. Listaa myös kriittiset ja haastavat kulmat. Hae verkosta, linkkaa lähteet.

Tässä on [X] lukijoilta tullutta vinkkiä aihetoiveista. Ryhmittele ne teemoittain ja nosta esiin viisi kiinnostavinta näkökulmitettuina juttuideoina.

Taustatyö ja tiedonhaku. Aloitan nykyisin lähes jokaisen juttuprojektini pyytämällä tekoälyltä aiheesta taustabriiffin. Se on kuin olisi oma taustatoimittaja! Esimerkiksi jos teemme HS Visio -podcastin jaksoa itselleni vähän tuntemattomammasta aiheesta, se on hyvä tapa saada perehdytys. Voin laittaa syvätutkimuksen ruksuttamaan aamulla ennen kuin lähden kotoa, ja kun pääsen toimistolle, se odottaa valmiina.

Tiedonhaku onkin esimerkiksi Reuters Instituten brittejä koskevan tutkimuksen mukaan toimittajien yleisin tekoälyn käyttötapa.

Promptiesimerkki:

Olen tekemässä juttua aiheesta X [kuvaa aihe, näkökulma, miksi tärkeä nyt]. Anna minulle journalistinen tilannekuva taustatiedoksi. Hae tietoa verkosta. Linkkaa lähteisiin. Jos et ole varma tiedon paikkansapitävyydestä, sano se. Käytä vain luotettavia lähteitä.

Tietoa voi myös hakea vaiheittain ja syventyä tutkittavan asian eri puoliin kysymys kysymykseltä.

Erityisen hyödyllinen on syvätutkimuksen ominaisuus. Chat GPT:ssä se on erillinen keskustelutila, jonka löytää vasemmasta sivupalkista. Claudessa uuden keskustelun muodoksi voi valita ”research mode”. Ominaisuus vaatii maksullisen tilin.

Nämä valinnat ohjaavat tekoälyä käyttämään tutkimukseensa enemmän aikaa ja tekemään hakuja laajemmin. Aiheesta ja promptista riippuen syvähakuun voi mennä puolikin tuntia, ja siinä ajassa tekoäly voi ruksuttaa esimerkiksi satoja verkkohakuja. Tuloksena on jäsennelty taustamuistio. Olennaista on se, että kaikki raportin tiedot lähteytetään, ja linkit voi avata ja tarkistaa itse.

Muistutan jälleen: ne linkit pitää oikeasti itse avata ja tarkistaa etenkin faktat, joita aiot käyttää lopullisessa jutussa. Myös syvätutkimus voi tehdä asiavirheitä tai tulkita väärin.

Syvätutkimuksen ruksuttelun odottaminen kannattaa. Kevyempään hakuun verrattuna pidemmän päättelyketjun malli tekee parempia synteesejä lähteistä.

Esimerkiksi jos minut laitettaisiin tekemään aiheesta perehtymättömänä uutisjuttua Espoon yleiskaavauudistuksen prosessista, syvähaku auttaisi nopeasti kärryille.

Promptiesimerkki:

Olen tekemässä uutisartikkelia Helsingin Sanomiin Espoon yleiskaavauudistuksen prosessista, joka on parhaillaan käynnissä. Nyt on huhtikuu 2026.
Tee minulle laadukas journalistinen taustabriiffi aiheeseen. Hae verkosta, linkkaa lähteet.
Tarvitsen mm:
* Prosessin aikataulun ja vaiheet, miten asia on etenemässä
* Keskeiset asiat, jotka ovat muuttumassa merkittävimmin
* Mitkä ovat puolueiden jakolinjat keskeisesti muuttuvissa kysymyksissä?
* Mihin alueisiin liittyy suurinta ja kiihkeintä asukaspalautetta, millaista?

Tuloksena oli erinomainen raportti, joka olisi säästänyt vähintään puoli työpäivää omaa googlailua ja Espoon omien sivustojen läpi käymistä.

Olen käyttänyt syvätutkimusta myös juttuluonnokseni asiaväitteiden tarkistamiseen ja pyytänyt hakemaan niihin liittyen lisätietoa ja lähteitä. Syvätutkimuksen voi laittaa käymään läpi myös haluamasi sivuston dokumentit ja hakemaan sieltä uutisaiheita. Se osaa esimerkiksi avata kaupungin sivuilta valtuuston ja lautakuntien kokouspöytäkirjat ja etsiä niistä sisältöjä halutuilla kriteereillä.

Promptiesimerkki:

Käy läpi Kuopion kaupunginhallituksen, valtuuston ja lautakuntien päätökset & pöytäkirjat 2026 tammi–huhtikuussa. Etsi niistä aluetoimitukselle kiinnostavia aiheita, joissa on meille relevanttia asiaa näkökulmitetuksi jutuksi. Listaa potentiaalisimmat, linkkaa lähteet https://www.kuopio.fi/kuopionkaupunki/paatoksenteko/

Yksi konkreettinen ongelma ovat mediatalojen maksumuurit, jotka blokkaavat kielimallit. Tiedonhaku ei siis pääse hyödyntämään esimerkiksi Hesarin, Kauppalehden tai Financial Timesin artikkeleita. Samalla mediataloille on tärkeää suojella omaa tekijänoikeuksien alaista sisältöään. Laadukkaan tiedonhaun kannalta tämä on kuitenkin haaste. Siksi rinnakkain tekoälyn käytön kanssa käyn katsomassa yleensä tiettyjen medioiden arkistojutut aiheesta, jos minulla on niihin tunnukset.

Tekoäly voi myös auttaa analysoimaan ja tiivistämään pitkiä dokumentteja tai muita suuria aineistoja, kuten tieteellisiä tutkimuksia, oikeuden pöytäkirjoja tai raportteja. Se on hyödyllistä silloin, kun toimittajalla ei ole aikaa lukea satoja sivuja. Tekoäly ei korvaa omaa lukemista, mutta se auttaa hahmottamaan, mihin kohtiin kannattaa sukeltaa syvemmälle.

Claudessa on vielä Chat GPT:hen verrattuna joukko ominaisuuksia, jotka tekevät siitä tiedonhaussa ja tausta-analyysissä erityisen hyödyllisen. Claude osaa esimerkiksi hakea tilastotietoa ja piirtää siitä interaktiivisia grafiikoita. Tässäkin on tosin hallusinaation mahdollisuus.

Jos puhutaan edelleen Espoon yleiskaavasta ja sen taustalla olevasta väestökehityksen ennusteesta, Claude osaa hakea julkisesta rajapinnasta datan Espoon väestönkasvusta suuralueittain ja piirtää niistä interaktiivisen grafiikan. Tällainen auttaa toimittajaa hahmottamaan ilmiöitä.

Haastattelukysymykset. Usein suunnittelen haastattelun runkoa rinnakkain sen kanssa, kun haen lisätietoa tekoälyn avulla. Teen itse alustavan haastattelurungon ja listaan ranskalaisin viivoin olennaisia kysymyksiä. Annan sitten kysymykseni tekoälylle ja pyydän täydentämään: ”Tässä on alustava haastattelurunkoni. Vertaa sitä hakemaamme tausta-aineistoon ja arvioi, mitä vielä puuttuu.” Huom! En halua, että tekoäly tekee ensimmäisen version haastattelurungosta, jotta se ei ohjaa liikaa ajatteluani ja lukitse näkökulmaa. Siksi kirjoitan ensin ainakin lyhyesti omat ydinkysymykseni. Minä tiedän, mikä jutussani on oleellista ja mitä haluan haastattelulta.

Kun tekoälyn kanssa on tehnyt taustatutkimusta ja tiedonhakua, sen pariin voi palata, kun juttuluonnos alkaa olla kasassa. Usein annan tekstini silloin tekoälylle ja kysyn: ”Käy läpi juttuluonnos ja vertaa sitä aiemmin haettuun taustatietoon. Kerro, mitä olennaista tietoa ja näkökulmia jäi puuttumaan.”

Tiedonhakuun voi tehdä myös ajastetun tehtävän, joka toistuu esimerkiksi kerran viikossa tai joka arkiaamu. Jos esimerkiksi Ruotsin kirjeenvaihtaja haluaa joka aamu mediakatsauksen Pohjoismaiden tärkeimmistä uutismedioista, hän voi tehdä siihen promptin ja Chat GPT tuottaa raportin joka aamu. ”Luo minulle päivittäinen tehtävä arkipäiville klo 7 Helsinki-aikavyöhykkeen mukaan”.

Tällaisessa mediakatsauksessa on tärkeää pyytää tekoälyä kertomaan jutun alkuperäinen otsikko ja antamaan linkit. Näin sen oma tulkinta tai tiivistys ei johda harhaan. Voit kertoa promptissa, millä kriteereillä haluat jutut valittavan, miten haluat tekoälyn muotoilevan vastaukset, mitä jutuista pitää kertoa ja millä tyylillä haluat raportin.

Ohje ajastettuun tehtävään:

Avaa uusi keskustelu
Liitä keskusteluun haluamasi tehtävän prompti, lähetä viesti
Chat GPT luo ajastetun tehtävän. Jos haluat testata tulosta, pyydä ”tee heti”
Ajastettuja tehtäviä voi hallita asetuksista, sieltä voi laittaa ne tauolle, poistaa, muuttaa miten usein tehtävä toistuu jne.

Kirjoittamisen sparraaminen vai kirjoittava tekoäly? En varmasti ole ainoa toimittaja, jolla on usein vaikea ryhtyä kirjoittamaan keikalta palaamisen jälkeen. Hirveintä on, jos välissä pitää tehdä muuta, ja haastattelusta ehtii kulua aikaa. Koen, että tekoäly auttaa minua tässä vatvomisessa ja vitkuttelussa. Se sysää liikkeelle.

Suurimpia tekoälyn tuomia ajallisia hyötyjä on se, että haastattelun äänitettä ei tarvitse enää purkaa. Jotkut kollegat tosin harmittelevat sitä, koska nauhaa kuunnellessa prosessoi vielä sanottua, kuulee sävyjä ja rivien välejä. Siksi erityisesti featureteksteissä myös kuuntelulla on yhä paikkansa.

Litteroin haastattelut käytössämme olevan Good tape -ohjelman avulla. Otan litteraatin ulos tekstinä, ja annan sen tekoälylle. Pyydän: ”Tässä on haastattelun litteraatti. Tiivistä se ja jäsentele teemoittain.”

Yleensä tekoäly ymmärtää jopa hämmentävän hyvin, mikä keskustelussa oli olennaista, ja osaa ehdottaa hyvää perusrakennetta. Tässä auttaa se, jos tekoälyn kanssa on tehnyt jo jutun tiedonhakua ja suunnitellut haastattelua. Silloin se tietää jo taustat ja ymmärtää, mitä lähdin keikalta hakemaan.

Vaikka tekoäly auttaa haastattelulitteraatin jäsentelyssä, sitaatit pitää aina ottaa varsinaisesta litteraatista, ei tekoälyn läpi menneestä tiivistelmästä. Käyn sen läpi ja merkitsen Good tapessa olennaiset kohdat korostusvärillä. Tarvittaessa kuuntelen. Voin toki pyytää tekoälyä listaamaan esimerkiksi litteraatin kiinnostavimmat sitaatit. Se saattaa löytää ne hyvin – tai voi olla, että se värittää vähän omiaan ja dramatisoi. Tämän kanssa pitää olla tarkkana. Tekoäly voi silti auttaa löytämään litteraatista hyviä kohtia. Koulutusten yhteydessä olemme pohtineet kollegoiden kanssa sitä, miten litterointityökalut voivat muuttaa haastattelutilannetta ja kirjoittamista. Yksi havainto oli kiinnostava. Toimittaja kertoi havainneensa, että joidenkin kesätoimittajien jutuista on tullut sitaattikokoelmia nyt, kun sitaatit saa helposti poimittua nauhalta. Sen sijaan reportaasia, omaa tulkintaa ja havaintoja puuttui.

Vaikka tekniikka vapauttaa kirjoittamasta muistiinpanoja itse, se ei silti tarkoita, että toimittajan kannattaisi tyytyä olemaan sanelukoneen teline. Nimenomaan läsnäolo ja havainnointi ovat ihmisen vahvuuksia.

Lähtökohtaisesti kirjoitan itse. Tekoälyn tuottama kieli on latteaa, usein täynnä jargonia ja maneereita. Ellen kirjoita paremmin kuin tekoäly, olen pian korvattavissa. Kirjoittaminen on myös osa ajatusprosessia: ajattelen kirjoittamalla. Sitä ei voi eikä kannata ulkoistaa. Pidän myös tärkeänä sitä, että suojelemme toimittajien omaa ääntä ja rikasta suomen kieltä. Siksi pyydän mieluummin palautetta ja ehdotuksia korjauksista listamuodossa kuin suoraan uudelleen kirjoitettua versiota.

Palautetta pyydän luku kerrallaan. Valikoin, muokkaan ja hylkään ehdotuksia. Pyydän kommentteja luonnosversioista ja kysyn, toimiiko rakenne ja ovatko argumenttini kunnossa. Kysyn tekoälyltä esimerkiksi näin:

”Lue tekstiluonnos ja arvioi sitä suhteessa aineistooni. Mitä olennaista puuttuu? Löydätkö omien koulutusteni litteraateista jotain, mitä jäi puuttumaan?” Tässä Claude toimii ulkoisena muistinani ja jäsentää omaa materiaaliani.

Kannattaa ottaa huomioon, että minä kirjoitan enimmäkseen pidempiä juttuja, analyyseja ja henkilöjuttuja. Juttuja, jotka ovat maksumuurin takana ja joiden on tarkoitus tuottaa tilaajille lisäarvoa ja saada tilaamaan lehti. Uskon, että sellaiset jutut ovat jatkossakin enemmän käsityötä, ja että lukijat odottavat sitä.

Mutta miten muut tekevät, missä menee itse kirjoittamisen ja tekoälyavusteisen kirjoittamisen raja?

Suhtautuminen vaihtelee. Yksi esimerkki on Fortunen toimittaja Nick Lichtenberg, joka kertoo kirjoittaneensa tekoälyn avulla kuudessa kuukaudessa peräti 600 juttua. Wall Street Journalin haastattelun (26.3.2026) mukaan Fortunen artikkeleista lähes 20 prosenttia oli viime syksynä tehty tekoälyn avulla. Useimmat niistä olivat Lichtenbergin kirjoittamia.

Lichtenberg antaa tekoälyn kirjoittaa ensiluonnoksen ja editoi sen. Hän kertoo käyttävänsä pääasiassa Googlen NotebookLM -työkalua ja Perplexityä. Hän lataa esimerkiksi lehdistötiedotteen tai analyytikkomuistion suoraan työkaluun ja promptaa: ”Kirjoita 600 sanan uutinen, joka kehystetään näin.” Sitten hän siirtää luonnoksen toimitusjärjestelmään ja editoi sitä. Lichtenberg kertoo palaavansa alkuperäisiin dokumentteihin ja haastattelulitteraatteihin varmistaakseen, että tiedot ovat oikein.

Myös Helsingin Sanomien uutisdeskissä tehdään osassa nopeista uutisaiheista luonnos Juttuapuri-nimisellä työkalulla. Ero Lichtenbergin prosessiin on kuitenkin siinä, että työkalu on toimituksen itse kehittämä ja Helsingin Sanomien juttuarkiston aineistolla koulutettu. Journalisti-lehden haastattelussa (13.2.2026) toimituspäällikkö Esa Mäkinen kertoi, että ”isoin tavoite on se, että rutiiniuutiset hoituisivat vauhdilla, ja erottuvaan, omannäköiseen sisältöön jäisi enemmän aikaa keskittyä”.

Ero onkin siinä, tehdäänkö nopeaa perusuutista vai laajempaa featurejournalismia tai analyysia. Uutisdeskin työstä tähänkin asti iso osa on perustunut tiedotteisiin tai esimerkiksi viranomaisten hälytystietoihin. Eikä kaikki journalismi ole tähänkään asti ollut täyttä laatua. Kuten Oskari Onninen kirjoitti pragmaattisesti Suomen Lehdistö -lehden kolumnissaan (27.1.2026) , pelättyä liejua eli slopia on ollut läpi joukkoviestintähistorian: ”En minäkään usko, että kukaan tolkun ihminen pitäisi omin pikkukätösin mikrotettua klikkiuutispuuroa AI-uutisvuoron tuotantoa ”arvokkaampana” journalismina.”

Englanninkielinen termi AI slop on kääntynyt Suomessa liejuksi tai tauhkaksi. Oskarin havainto on minusta oikea. Nopeat perusuutiset eivät ennenkään ole olleet omaäänistä taidetta. Siksi on turha kavahtaa uutta teknologiaa niiden nopeammassa tuotannossa – niin kauan kunhan faktat varmasti tarkistetaan.

Editointi. Samalla tavalla kuin juttujen kirjoittaminen jakaantuu nopeaan ja hitaaseen, kaikki jutut eivät saa toimitusten arjessa osakseen yhtä perusteellista editointia. Internetajassa osa jutuista editoidaan hyvin kevyesti, ja realismia on, että niihin jää kielioppivirheitä ja kömpelyyksiä. Ihmisetkin tekevät virheitä, joita sitten oikaistaan. Kaikki toimittajat ja jutut eivät saa sitä luksusta, mitä Kuukausiliitteen toimituksessa juttujen perusteellinen editointi äärimmillään on.

Monelle tekoälyn ehdottamat editoinnit voivat siis auttaa nostamaan perusjutun laatua. Tässä käytössä uskon, että tekoäly voi tuottaa mediataloille myös rahan arvoista hyötyä.

Tekoäly voi sparrata jutun alusta kirkkaamman ja vetävämmän. Se voi tunnistaa kohtia, joissa teksti on toisteista tai rönsyää ja joissa lukijan mielenkiinto herpaantuu. Se voi ehdottaa tiivistämisen paikkoja tai vaihtoehtoisia rakenteita. Tekoälyä voi myös pyytää arvioimaan tekstiä mallilukijan näkökulmasta: missä mennään liian syvälle tai käytetään jargonia, jota tavallinen lukija ei ymmärrä?

Jutun vahvempi rakenne, terävämpi kärki ja tiukempi kirjoittaminen voivat auttaa pitämään lukijat mukana. Nämä piirteet ovat tilauksiin perustuvassa mediassa suoraan yhteydessä tilausten uusimiseen ja niin sanottuun tilaajien pitoon (retention).

Ja vaikka ihmisen editointia olisikin tarjolla, tekoäly voi auttaa toimittajaa tekemään juttuluonnokselleen sen ensimmäisen editointikierroksen. Juttu voi siis saapua editorille astetta valmiimpana. Se on hyvä apu etenkin silloin, kun osaston kiireisen tuottajan tai uutispäällikön aika on pullonkaula. Tekoäly on hyvä erityisesti pintatasoisten ongelmien tunnistamisessa, kuten kieliopin korjaamisessa. Ei ole enää mitään tekosyitä sille, miksi jutuissamme on kielivirheitä.

Tekoäly ei silti voi täysin korvata ihmiseditoria ja keskustelua jutusta. Osa tekoälyn ehdottamista muutoksista voi olla huonoja. Vaatii ammattitaitoa ja ammatillista itsetuntoa ohittaa ne. Luota omaan intuitioosi, äläkä anna tekoälylle määräysvaltaa jutustasi. Samalla se on realismia, että ihminen voi yliarvioida kykynsä itsereflektioon. Tekoäly voi vaikuttaa tiedostamattomasti enemmän kuin haluamme myöntääkään.

Jos pyydät tekoälyä olemaan kriittinen lukija ja listaamaan jutun kehityskohdat, sitä myös saat. Sellainen palaute voi tuntua masentavalta ja olla ammatillisesti vahingollistakin, jos itsetunto on heikko tai vasta kehittymässä. Tekoälyn antamasta palautteesta kannattaa silloin keskustella ihmiskollegoiden ja esihenkilön kanssa.

Olennaista on, että pyydän aina tekoälyltä listan ehdotuksista ja korjattavista virheistä. En siis halua, että se kirjoittaa puolestani uutta versiota. Tämä auttaa minua säilyttämään omistajuuden tekstiin. Tätä tukee myös tutkimus: ehdotuslistat säilyttävät kirjoittajan omistajuuden tekstiin paremmin kuin valmiit versiot.

Promptiesimerkkejä:

Tiivistäminen: Tässä on jutun nykyinen versio. Se on nyt 10 000 merkkiä ja pitäisi tiivistää 6000 merkkiin. Auta hahmottamaan kohdat, joissa teksti on raskasta, löysää, toisteista. Anna lista ehdotuksista.

Rakenne: Analysoi jutun rakenne. Missä kohtaa lukijan kiinnostus todennäköisimmin laskee? Missä siirtymät ovat heikkoja? Toimiiko jutun kärki ja lopetus? Ehdota rakennemuutoksia.

Aloitus: Aloitus voisi olla kirkkaampi ja vetävämpi. Mitkä ovat jutun kiinnostavimmat kohdat, joista voisi löytyä uusi kärki? Millaisia uusia aloituksia tästä saisi, jos jotain muuta nostaisi alkuun?

Kielenhuolto: Olet sanomalehden kokenut kielenhuoltaja ja tekstieditori. Tässä on jutun nykyinen versio. Mikäli tekstissä on kielivirheitä, tehtäväsi on ehdottaa, miten ne tulisi korjata. Älä kirjoita tekstiä uudelleen, vaan anna lista korjausehdotuksista. Peilaat vastauksia aina pelkästään kielitoimiston ohjepankkiin, joka löytyy täältä:
https://kielitoimistonohjepankki.fi/kielitoimiston-ohjepankin-kayttoohjeet/

Ingressit: Ehdota 5 erilaista ingressiä jutulle. Tee ingresseistä kirkkaita ja oivaltavia niin, että ne tiivistävät jutun ytimen. Niiden täytyy vastata tarkasti jutun sisältöä ja olla totta.

Mainitulla kielenhuollon promptilla on tarkistettu kieltä myös tässä tekstissäni. Tyypillisesti teksteistäni puuttuu pilkkuja, ja olisi turha jättää niitä ihmiseditorin vaivaksi. Silti myös ihminen löysi vielä korjattavaa.

Kysyin siltä myös: Tunnista tekstistä kohdat, joissa tekniikkaa ymmärtämätön perustoimittaja on vaarassa pudota kärryiltä. Onko asioita, joita ei avata riittävästi tai havainnollisteta esimerkein?

Vastauksena oli viisi kohtaa, joissa olin tosiaan sortunut tekniseen sanastoon selittämättä asiaa kunnolla. Vaihdoin ne yleiskieleen ja yritin olla konkreettisempi.

Taito kirjoittaa tekoälyyn prompteja, kuten ”tiivistä tämä raportti”, on teknistä osaamista. Teknologinen lukutaito sen sijaan tarkoittaa kykyä kuvitella uusia tapoja tehdä työtä ja kykyä arvioida kriittisesti, toimivatko ne. Se on uteliaisuutta kokeilla ja samalla malttia tarkistaa. Juuri tämä luovan ajattelun ja terveen kriittisyyden yhdistelmä tekee ihmisestä hyödyllisen myös tekoälyn aikakaudella.

Kokeile uusia työkaluja matalalla kynnyksellä, tee testejä. Kysy itseltäsi, mitä opit ja mikä meni pieleen.

5. Kontekstin ymmärtävien bottien rakentaminen

Tekoälystä voi saada paljon irti jo chatin kanssa keskustelemalla. Mutta kun halutaan, että tekoäly ymmärtää kontekstin ja tavoitteet eikä niitä tarvitsisi joka keskustelussa toistaa, tarvitaan räätälöity botti. Se on laajemman promptin syönyt apuri, jolle on annettu tausta-aineistoa. Botin räätälöinti kannattaa myös silloin, kun tiimillä tai toimittajalla on toistuva tehtävä tai prosessi.

Tavallinen Chat GPT on kuin yleistoimittaja, jolle joudut joka kerta selittämään tiimin kontekstin alusta. Räätälöity botti on kuin oma vakituinen työpari, joka tuntee jo aihepiirisi, tavoitteesi ja tapasi tehdä töitä.

Tämä ohje pätee ensisijaisesti Chat GPT:n kanssa työskenneltäessä. Maksullisen tilin käyttäjät voivat rakentaa siellä itselleen Custom GPT -nimisen työkalun.

Työkalulle annetaan:

Pysyvä rooli ja tehtävä
Taustatietoa ja aineistoa
Toimintaa ohjaavat säännöt ja rajaukset

Konkreettinen esimerkki tästä on työkalu, joka avustaa minua HS Visio -podcastin tuotannossa. Olen nimennyt sen podcast-tuotantoavustajaksi. Rakensin sen noin vuosi sitten Chat GPT:hen, ja viime syksystä asti siirsin sen Claudeen projektikansioksi. Yksinkertaisuuden vuoksi keskitytään nyt Chat GPT:hen.

Syötin työkalulle puolen vuoden podcast-jaksojen litteraatit, Helsingin Sanomien sisältöstrategian sekä podcastin analytiikkaa. Näin se tietää, millainen podcastimme tyyli on, millaiset ovat Alex af Heurlinin ja minun roolini podcastissa ja mitkä jaksot ovat menestyneet parhaiten.

Rooli: Olet HS Vision podcastin tekoälyavustaja. Toimit kokeneena podcast-tuottajana, tuotantoassistenttina ja kasvun tukena. Tunnet HS Vision podcastin konseptin, lukijatarpeet, sisältöstrategian sekä tilaajakasvun tavoitteet. Tavoitteesi on auttaa tekemään HS Vision konseptilla journalistisesti terävä, kriittinen ja vetävä podcast, joka tuo uusia kuulijoita ja tilaajia.

Työkalulle on annettu kolme tehtäväaluetta: 1) käsikirjoituksen sparraus, 2) jakson analysointi äänityksen jälkeen, 3) jakotekstien ja videokohtien ehdottaminen jaksosta.

Käytän työkalua kaikkeen aiheen taustatutkimuksesta alkaen. Se sparraa käsikirjoituksessa ja kysymysten muotoilemisessa ja auttaa erityisesti rakentamaan toimivaa rytmiä ja dynamiikkaa. Äänityksen jälkeen tekoäly litteroi jakson, ja annan sen työkalulleni analysoitavaksi. Se tiivistää litteraatista olennaiset näkökulmat sekä auttaa tekemään jakotekstit ja otsikoita eri kanaviin.

Tekoäly kykenee myös tekemään terävän jaksoanalyysin ja antamaan palautetta. Vaikka usein tekoäly mielistelee, näissä jaksopalautteissa siltä tulee myös suoraa kritiikkiä – toisinaan aiheesta. Toisaalta joskus taustatyössä tehty tiedonhaku ohjaa sitä liikaa korostamaan jonkin asian tärkeyttä. Jos teen journalistisen päätöksen jättää tekoälyn ehdottama teema käsittelemättä, tekoäly saattaa olla tyytymätön. Tekoäly ei aina ymmärrä ratkaisuja ja niiden perusteita, ja silloin sen antama palaute ei ole relevanttia.

Jaksopalaute auttaa kuitenkin yleensä ymmärtämään, miksi jotkut jaksot ovat onnistuneet toisia paremmin. Ja jos vaikka haluan tekoälyn tekevän analyysin koko podcastin kevään tuotantokaudesta, sekin onnistuu.

Näin rakennat oman botin

Vasemmassa sivupalkissa lukee GPT:t. Sieltä näet valmiita botteja ja pääset luomaan omasi klikkaamalla vasemmasta yläpalkista ”Luo” tai ”Create”.
Nimeä bottisi ja kirjoita kuvaus. Anna botillesi selkeä nimi. Kirjoita lyhyt kuvaus: mitä botti tekee ja kenelle se on tarkoitettu.
Kirjoita ohjeet. Tee selkeä prompti: mikä on botin rooli, miten sen pitää toimia ja mitä periaatteita sen tulee noudattaa. Käytä selkeitä väliotsikoita ja listoja. Anna esimerkkejä hyvistä vastauksista ja siitä, mitä et halua botin tekevän.
Lisää taustamateriaalia: Voit ladata bottiin pdf/word-tiedostoja tai muuta sisältöä, jotka toimivat botin tietopohjana. Lataa vain olennainen.
Testaa ja viilaa: Keskustele botin kanssa. Ellei se toimi kuten haluat, palaa muokkaamaan ohjeita. Voit kertoa GPT:lle, millaista bottia olet rakentamassa ja pyytää sitä tekemään promptista paremman version.
Tallenna ja valitse näkyvyys: Voit tehdä botista vain omaan käyttöösi tarkoitetun tai jakaa sen muille. Löydät sen jatkossa vasemmasta sivupalkista, ja voit aloittaa uuden keskustelun milloin tahansa.

Toistuvat prosessit valmiiksi taidoiksi. Tekoälytyökaluihin tulee jatkuvasti uusia ominaisuuksia. Yhä oleellisempi osa niiden käyttöä on niin sanottujen taitojen (skills) rakentaminen. Taidot opettavat ChatGPT:tä tekemään jonkin tietyn tehtävän tai toistuvan työnkulun johdonmukaisesti.

Chat GPT:hen skills-ominaisuus tuli ensin yritystileille keväällä 2026, ja olemme testanneet niitä tiimien kanssa. Kun tiimeissä on jokin toistuva prosessi, kuten kielenhuolto, siihen liittyvät ohjeet voi tallentaa taidoksi. Sen jälkeen taidon voi ”kutsua” käyttöön helposti missä tahansa keskustelussa.

Luotuja taitoja voi jakaa tiimin jäsenille. Näin esimerkiksi kielenhuollon ohjeistus leviää koko organisaation käyttöön. Tallennettaville taidoille voi antaa pitkiäkin prompteja, taustamateriaalia ja aineistoa. Toinen esimerkki työnkulusta, jonka voisi rakentaa taidoksi, on avustaminen jutun faktantarkistuksessa.

Taito luodaan pyytämällä uudessa keskustelussa ”Luo minulle skills nimeltä X, joka toimii näin: [anna prompti]”. Sen jälkeen taito asennetaan. Taito voidaan aktivoida missä tahansa keskustelussa nimeämällä se pyynnössä. Tosin toisinaan se aktivoituu pyytämättäkin ja väärässä paikassa. Aina se ei ole kätevää.

Skills-ominaisuuden tulo Chat GPT:hen oli myös hyvä esimerkki siitä, mitä jatkuva oppiminen tekoälyn aikana tarkoittaa organisaatiolle. Kun tulee uusi ominaisuus, sitä aletaan heti kokeilla. Kun uusia työkaluja on testattu yhdessä tiimissä, uusia käytäntöjä aletaan jakaa ja kouluttaa myös muille.

Tätä viimeistellessäni Open AI julkaisi taas uutta ja esitteli tiimeille työnkulkuihin tarkoitetut agentit (workspace agents). Ne ovat tiimeille jaettavia työkaluja, jotka voivat pyöriä ajastetusti, pyytää välivaiheissa hyväksyntää ja toimia organisaation käyttörajoituksien rajoissa. Agentti voisi esimerkiksi koota viikkodataa, tehdä kaaviot, kirjoittaa yhteenvedon ja jakaa raportin. Tässä on seuraava opeteltava ja kokeiltava asia.

6. Eettiset riskit ja ratkaisuja

Toimittajina näemme tekoälyn vaikutuksen mediaympäristöön jatkuvasti. Sosiaalinen media on täynnä väärennettyjä kuvia. Yhdysvalloissa presidentti Donald Trumpin hallinto jakaa tekoälyllä tehtyjä feikkivideoita. Iranin sodan aikana somessa pyörii väärennettyä materiaalia, ja kuvien verifioiminen käy yhä työläämmäksi. Lukijoidemme rahat ovat vaarassa, kun huijareiden menetelmät kehittyvät tekoälyn myötä yhä paremmiksi.

Tekoäly uhkaa murentaa luottamuspohjaa monesta suunnasta nyt nopeasti. Ei ihme, että tekoäly herättää monissa meissä myös negatiivisia tunteita ja kritiikkiä.

Näen, että tekoälyyn liittyvät eettiset riskit jakautuvat kolmeen.

Ensin ovat koko maailmaan, internetsisältöihin ja yhteiskuntiin vaikuttavat ilmiöt. Tarkkailemme ja raportoimme niistä työksemme, mutta emme ole itsekään immuuneita niiden vaikutukselle. Tällainen kehitys on nimenomaan esimerkiksi yhteisen totuuspohjan mureneminen: yleisöt eivät enää jaa yhteistä käsitystä siitä, mikä on totta.

Nyt myös aidot kuvatodisteet voidaan kiistää vetoamalla tekoälyyn: ”Tuo on vaan jotain AI:ta.” Luottamuksen rapistuminen voi siis johtaa välinpitämättömyyteen sen suhteen, mikä on aitoa. Tästä tullaan todennäköisesti näkemään erikoisia ja pelottaviakin esimerkkejä vaalien yhteydessä. Dis- ja misinformaation määrä kasvaa, kun tekoäly kykenee luomaan uskottavia ääniä, kasvoja ja dokumentteja. Se lisää verifioinnin työkuormaa. Todennus hidastuu.

Toinen taso on yritysvastuun kenttä. Miten mediayhtiöt ottavat kantaa tekijänoikeuskysymyksiin, kuten miksi käytämme järjestelmiä, jotka on koulutettu kirjailijoilta varastetulla aineistolla? Miten mediayhtiöiden ympäristövastuun tavoitteisiin sopii se, että tekoälyn vaatimat datakeskukset syövät yhä enemmän sähköä? Vastaukset muistuttavat geopolitiikassa muotiin tullutta arvopohjaista realismia: jos aiotaan olla teknisessä kehityksessä ja kilpailussa mukana, näin se vain menee.

Kolmas taso on toimitusten sisäinen tekoälyn käyttö ja sen tavat. Siihen voimme vaikuttaa, joten siihen kannattaa keskittyä.

Olen tässä tekstissä vyöryttänyt jo melkoisen lastin tekoälyn ongelmista ja mahdollisista riskeistä journalistisessa käytössä. Myös lukijamme ovat tietoisia niistä ja suhtautuvat siksi terveen varautuneesti ajatukseen tekoälyllä tuotetuista uutisista. Meille taas yleisön luottamus on keskeinen arvo, ja sitä ei ole varaa menettää. Pelissä on siis paljon.

Reuters Institute julkaisi lokakuussa 2025 selvityksen siitä , mitä yleisö kuudessa eri maassa ajattelee tekoälyn käytöstä journalismissa. Vain 12 prosenttia vastaajista hyväksyy tekoälyn täysin tuottamat uutiset. Osuus nousee 21 prosenttiin, kun ihminen on mukana prosessissa ja 43 prosenttiin, kun tekoäly avustaa ihmistä. Tekoälyn käyttö hyväksytään laajimmin taustaprosesseissa, kuten kielenhuollossa ja kääntämisessä. Vain 33 prosenttia vastaajista uskoi, että toimittajat tarkistavat tekoälyn tuotokset rutiininomaisesti ennen julkaisua.

Listasin huolia kahlattuani läpi aiheeseen liittyvää tutkimusta ja käytyäni useita keskusteluita toimituksessa eri tiimien kanssa. Kirjoitin jo alussa erikseen automaatioharhasta ja vahvistusharhasta sekä hallusinoinnista. En toista niitä tässä, mutta ne kuuluvat myös samalle huolien listalle asioista, joista toimittajien ja toimitusten esihenkilöiden täytyy olla tietoisia.

Vaikka toimituksessa koulutettaisiin näistä riskeistä, mikään koulutus ei aukottomasti poista tekoälyn psykologisia vaikutuksia. Ihminen voi yliarvioida kykynsä itsereflektioon, ja tekoäly voi vaikuttaa tiedostamattomasti enemmän kuin haluamme myöntää. Tekoäly helpottaa ja nopeuttaa joitakin tehtäviä. Samalla toimittajan vastuulle tulee myös tekoälytyökalujen jatkuva valvominen ja tarkistaminen. Tiedostan ongelman, että koulutus nojaa tietynlaiseen ideaaliin, jossa hyvä toimittaja kykenee toimimaan tiedostaen ja vastuullisesti tekoälyn kanssa. Näin ei varmasti aina ole.

Organisatoriset paineet vs. yksilön vastuu. Maaliskuussa uutistoimisto AP:n sisäinen konflikti nousi julkisuuteen, ja Semafor-media kirjoitti siitä kiinnostavasti.

Kohu sai alkunsa, kun AP:n tekoälyhankkeiden johtaja Aimee Rinehart esitti yhtiön sisäisessä Slack-viestikanavassa vision, jossa toimittajat voisivat tulevaisuudessa vain käydä tapahtumissa keräämässä sitaatit ja antaa sen jälkeen kielimallin generoida niistä valmiin jutun. Johtaja väitti myös, että monet esihenkilöt ottaisivat mieluummin vastaan tekoälyn kuin ihmisen kirjoittaman artikkelin, sillä hänen mukaansa tiedonhankinta ja kirjoittaminen ovat kaksi eri taitoa, jotka harvoin yhdistyvät samassa ihmisessä.

Toimittajat tyrmistyivät kommenteista ja pitivät niitä ihmisten tekemää kirjoitustyötä vähättelevinä, loukkaavina ja pöyristyttävinä. Kohun seurauksena AP joutui ilmoittamaan, ettei kyseinen sisäinen keskustelu edusta uutistoimiston virallista kantaa. AP:n viralliset tekoälyohjeet nimittäin ~~nimenomaan~~ korostavat, ettei tekoälyä nähdä toimittajien korvaajana, ja että kaikkea tekoälyn tuottamaa materiaalia on kohdeltava vahvistamattomana lähdeaineistona.

Tapaus on konkreettinen esimerkki tilanteesta, jossa johto näkee tekoälyssä ratkaisun taloudellisiin paineisiin ja tehokkuuteen, kun taas toimittajat suhtautuvat teknologiaan syvällä epäluulolla ja näkevät sen uhkana ammattietiikalle, laadulle ja elannolleen.

Johdon kannattaakin rehellisesti kertoa näkemyksensä ja visionsa: halutaanko tekoälyltä ensisijaisesti tehokkuutta ja säästöjä vai laatua ja parempaa journalismia? Vai kenties molempia, mutta eri asioita nopeissa perusuutisissa ja pidemmissä featurejutuissa? Samalla sanomansa kannattaa muotoilla kieli keskellä suuta ja toimittajien ammattitaitoa kunnioittavasti, ellei halua herättää turhaa muutosvastarintaa. Pelko töiden muutoksesta tai jopa menettämisestä ei kannusta syleilemään tekoälyn vallankumousta.

Toisaalta voi aidosti kysyä, tuoko toimittaja kaikissa infotilaisuuksissa lisäarvoa. Toisinaan toimittaja vain kerää sitaatit, ja ne ovat lähes sellaisenaan uutisia. Esimerkiksi politiikan journalismissa on tilanteita, joissa päivystetään jollain ovella lausuntoa odottamassa. Jos tekoäly tekee lausunnosta juttuluonnoksen ihmistä nopeammin, eikö sen käyttö ole tällöin tarkoituksenmukaista? Ihmisen tuottaman lisäarvon voi käyttää analyyttiseen jatkojuttuun.

Kansainvälisesti suuri osa mediatalojen tekoälyä koskevista eettisistä linjauksista korostaa ihmisen vastuuta. Vastuu jokaisesta kirjoitetusta sanasta on siis yhä toimittajalla. Muotoilu on selkeä, mutta eettisesti riittämätön, jos organisaation kulttuuri ja resurssipula samanaikaisesti pakottavat nopeuteen. Yksilön vastuu toimii vain, jos organisaatio suojelee yksilön mahdollisuutta tehdä eettisiä valintoja. Jos aikataulut, mittarit tai johdon odotukset tekevät tämän mahdottomaksi, vastuu on siirtynyt organisaatiolle. Tällaisia kysymyksiä kannattaa myös Journalistiliiton ja mediatalojen luottamusvaltuutettujen pitää silmällä.

Tekoäly ei vähennä työtä, vaan tekee siitä intensiivisempää, kirjoittivat Berkeleyn yliopiston tutkijat helmikuussa Harvard Business Review’ssa. Ihmiset ottivat tehtäväkseen enemmän töitä, kun tekoäly teki sen mahdolliseksi. Heillä oli käynnissä jatkuva multitasking useissa tekoälykeskusteluissa. Tuloksena työtahti nousi, mutta kukaan ei kokenut tekevänsä vähemmän.

RATKAISU: Jos tekoälyn käyttö lisää tuottavuus- ja tehokkuuspaineita, mediatalojen johdon on varmistettava, että se ei heikennä laatua ja johda ristiriitaan ammattietiikan kanssa. Johdon on ensin tunnistettava, että jos aikataulut, mittarit tai odotukset tekevät eettisestä toiminnasta käytännössä mahdotonta, vastuu on siirtynyt organisaatiolle. Tarvitaan yhdessä toimituksen kanssa keskustellen luodut eettisen käytön periaatteet. Koulutuksen pitää kattaa kaikki tekoälyä käyttävät. Toimituksella pitää olla selkeä käsitys siitä, halutaanko tekoälyltä tehokkuutta, laatua, vai molempia – ja missä tehtävissä.

Tyhmistymisriski ja ajatusvelka. Heikentääkö tekoälyn käyttö kykyämme kriittiseen ajatteluun? MIT:n tuore tutkimus antaa siitä huolestuttavia tuloksia. Tutkimuksessa 54 nuorta yhdysvaltalaista koehenkilöä jaettiin kolmeen ryhmään, ja heitä pyydettiin kirjoittamaan useita koe-esseitä käyttäen a) Chat GPT:tä, b) Googlen hakukonetta, c) ei mitään apuvälineitä. Tutkijat seurasivat kirjoittajien aivoaktiivisuutta EEG-laitteella eri aivoalueilla.

Chat GPT:n käyttäjillä aivojen aktivaatiotaso oli ryhmistä matalin, ja he suoriutuivat heikoimmin. Tutkimuksen loppupuolella monet turvautuivat pelkkään kopiointiin. Chat GPT:tä käyttänyt ryhmä tuotti keskenään hyvin samankaltaisia esseitä, joista puuttui omaperäinen ajattelu ja joissa toistuvat samat ilmaisut ja ideat.

Omilla aivoillaan kirjoittanut ryhmä osoitti puolestaan korkeinta hermostojen välistä yhteyttä. Tämä ryhmä oli sitoutuneempi ja utelias, ryhmään kuuluvat kokivat esseet omikseen ja olivat niihin tyytyväisempiä.

Kolmen esseen jälkeen koehenkilöitä pyydettiin kirjoittamaan yksi aiemmista esseistään uudelleen, Chat GPT -ryhmä nyt ilman työkalua. Ensimmäinen ryhmä muisti omista esseistään vain vähän. Syvät muistiprosessit olivat ohittuneet. Tutkijat kutsuivat ilmiötä ”kognitiiviseksi velaksi”. Tekoäly säästää vaivaa lyhyellä tähtäimellä, mutta kasvattaa pitkän aikavälin kognitiivisia kustannuksia.

Artikkeli viittaa siihen, että kielimallin käyttö voi haitata oppimista. Liiallinen tukeutuminen kielimalleihin voi aiheuttaa haitallisia kognitiivisia seurauksia. Vaikka tehokkuus kasvaisi, lisääntyvä tekoälyriippuvuus saattaa heikentää kriittistä ajattelua, luovuutta ja ongelmanratkaisua.

Myös Hesarin toimituksen koulutuksissa käydyissä keskusteluissa moni on huolissaan ajattelun laiskistumisesta ja ohenemisesta. Ihmisellä on tunnetusti taipumusta mennä sieltä, mistä aita on matalin. Keskustelussa nousi esiin huoli myös uusista toimittajasukupolvista. Jos tekoälytyökalut tarjoavat oikopolun ennen kuin oma kirjoittajaääni ja journalistinen päättelykyky ovat kehittyneet, ne voivat jäädäkin kehittymättä.

Entä ammattilainen, jolla on jo vahva pohja?

Olen vuonna 1984 syntyneenä sukupolvea, joka kävi koulut vielä ennen somea ja lyhytvideoita. Olin äärimmäinen lukutoukka, ja luin Siilinjärven ja Kuopion kirjastot läpi intensiivisesti ja intohimoisesti. Olen käynyt teinivuosista alkaen luovan kirjoittamisen koulutuksissa, ja olin kehittänyt omaa ammatillista työkalupakkiani 15 vuotta ennen kuin tekoälytyökalut saapuivat. Olen siis toisenlaisessa asemassa, mutta minäkään en halua yliarvioida kykyäni vastustaa tekoälyn psykologisia mekanismeja.

Arvostan jatkossakin toimittajaa, joka itse lukee paperisena painetun kirjan lähdeteoksena. Ehkä alleviivaa lyijykynällä ja tekee käsin muistiinpanoja. Hänelle jää varmasti teoksesta vahvempi muistijälki, ja aivot prosessoivat oppimaansa. Hitaalla ajattelulla on paikkansa.

RATKAISU: Kognitiivinen velka syntyy siitä, kun tekoälyyn turvautuminen muuttuu automaattiseksi, ennen kuin oma ajattelu alkaa. Suojautuminen edellyttää tietoista vastapainoa ja kurinalaisuutta. Toimitusten kannattaa rakentaa tekoälykoulutuksen rinnalle myös toisenlaista koulutusta: luovaa kirjoittamista, lukupiirejä, vuorovaikutuksen ja haastattelun taitojen koulutusta.

Tekstin tyylin muutos uutistuotannossa. Tekoälyn latistavasta vaikutuksesta kieleen on jo tutkimusnäyttöä. Esimerkiksi Cornellin yliopiston vuonna 2025 julkaisemassa tutkimuksessa 118 osallistujaa Yhdysvalloista ja Intiasta kirjoitti tehtäviä tekoälyn avustuksella ja ilman. Tutkijat havaitsivat, että tekoälyn käyttö homogenisoi kirjoitustyylejä, ja erityisesti intialaisten tekstit alkoivat muistuttaa yhdysvaltalaisten tyyliä. Tekoäly siis vähensi kulttuurista kielen moninaisuutta.

Ilmiö näkyy myös sanastossa. Tekoäly valitsee aina tilastollisesti yleisimmän ja turvallisimman sanan. Se voi kaventaa ilmaisua. Suomen ja muiden pienten kielialueiden erityinen huoli on se, että suuret kielimallit on koulutettu ylivoimaisesti eniten englanninkielisellä aineistolla. Välillä tekoälyn tuotokset ovat melkoista finglishiä tai suoria käännöksiä englannin idiomeista.

Kääntämistä voisi ajatella sellaiseksi tekniseksi tehtäväksi, jossa tekoälyn käyttö on vaarattomimmillaan. Tästä on tuore kotimainen tutkimus, jossa Juuli Muona selvitti maisterintutkielmassaan, miten hyvin Chat GPT onnistui A-lehtien lifestylekolumnien käännöksissä, minkälaisia virheitä laaja kielimalli tekee käännöksissä, mikä on virheiden kognitiivinen työmäärä ja miten käännöksiä tulisi jälkieditoida, jotta ne olisivat julkaisukelpoisia. Tutkimuksen keskeinen havainto oli, että tekoäly suoriutui teknisesti hyvin, mutta kontekstin, kulttuurin ja tyylin osalta käännökset vaativat ihmisen korjauksia.

Oma havaintoni tästä on vastaava. Esimerkiksi Yhdysvaltojen presidentin työhuoneen (Oval office) tekoäly käänsi soikeaksi toimistoksi. Tällaisten kanssa pitää olla tarkkana.

RATKAISU: Tietoisuus ilmiöstä auttaa. Toimittaja, joka tuntee riskin, osaa tarkistaa kielimallin sanavalinnat. Tämä edellyttää, että tulosta käsitellään vain raakamateriaalina, ei valmiina tekstinä. Toimituksen omat työkalut, jotka on koulutettu lehden omalla arkistoaineistolla, tuottavat tyyliltään enemmän lehden ääntä heijastavaa tekstiä kuin yleiset kielimallit.

Portinvartijuus siirtyy algoritmille. Kun toimittaja käyttää tekoälyä sparraajana, toimitus tekee ainakin muodollisesti päätökset siitä, mihin aiheisiin tartutaan ja mikä näkökulma valitaan. Entä jos toimituksen itse kehittämä työkalu ohjaa näkemystä siitä, mitkä juttuaiheet ovat potentiaalisimpia, miten näkökulmaa kannattaisi rajata tai ketä juttuun haastatellaan? Jos toimituksen työkaluun on annettu aineisto ja linja journalistisen näkemyksen taustaksi, riittääkö se varmistamaan, että toimituksella on ”omistajuus” työkalun suosituksista?

Vuoden 2019 JSN:n periaatelausuma uutisautomatiikasta sanoo, että uutisautomatiikan käyttö ei saa johtaa journalistisen päätösvallan siirtymiseen toimituksen ulkopuolelle. Lausuma on kirjoitettu ennen generatiivisen tekoälyn läpimurtoa laajaan käyttöön. JSN:n lausuma koskee automatiikkaa, joka tuottaa sisältöä ilman ihmistä. Nyt tilanne on uusi, ja ohjeistus kaipaa päivitystä.

RATKAISU: Ratkaisu tähän syntyy toimituksissa kolmella eri tasolla: 1) toimittajan, 2) esihenkilön, 3) organisaation työkalun tasolla.

Toimittajan täytyy käyttää tekoälyä omat aivot päällä, kuten tässä pamfletissa on kuvattu. Toiseksi esihenkilön tai tuottajan vastuulla on edelleen käydä toimittajan kanssa keskustelua juttuaiheista ja näkökulmista sekä tarjota ns. tuoreet aivot journalistiseen päätöksentekoon.

Jos toimittajat tekevät ideointia ja juttujen näkökulmittamista tekoälyn sparraamana, se on vastuullisinta tehdä toimituksen omilla työkaluilla – sellaisilla, joihin on annettu kontekstina ja ohjeena tiimin omien juttujen aineistoa ja journalistinen linja. Näin omistajuus työkalusta säilyy.

Toimituksiin on kansainvälisesti syntynyt myös uusia tekoälyn vastuullisuuteen liittyviä rooleja. Jonkun täytyy pitää käsissään toimitukselle kehitetyt työkalut, niiden journalistinen linja, kehitys ja koulutus.

7. Miten tekoälymurrosta kannattaa johtaa?

Esittelin Hesarin tekoälykoulutusta ja rakentamiamme työkaluja toimituksessa vierailleen tanskalaisen mediatalon johdolle. Kerroin kahden viikon koulutuksesta tiimeille, tietoiskujen sisällöistä ja toimittajien saamasta henkilökohtaisesta vierihoidosta. Lisäksi listasin syitä sille, miksi ajattelen tämän mallin olevan niin toimiva tekoälykoulutuksessa.

Kun sanotin esitykseen omaa prosessiamme, näin sen itsekin kirkkaammin. Kyse on muutosjohtamisen perusteista, joista on paljon tutkimusnäyttöä. Hanketta johtavilla Sanomien prosessiosaajilla on tämä ollut tietysti mielessä.

Reykjavik-hankkeen jalkautusmallin takana on erityisesti Sanoman newsroom process -tiimin vetäjä, kehityspäällikkö Heidi Iivonen. Malli perustuu muutosjohtajuuden tutkimukseen ja lean-menetelmiin asiantuntijatyössä.

Keskeistä on jatkuva parantaminen arjessa. Kehittäminen perustuu työntekijöiden itse tunnistamiin ongelmiin ja toimituksen omiin tarpeisiin. Toimittajilla on itsellään aktiivinen rooli tiimin omien työkalujen kehityksessä, jolloin he kokevat niistä omistajuutta ja sitoutuvat asiaan. Kyse ei ole vain uusista työkaluista, vaan toimintamallista, joka tukee muutoksen juurtumista osaksi arkea.

Mikä koulutuksessa on toiminut?

Vertaisoppiminen ja toinen toimittaja opettajana. Kouluttaja on toimittaja, joka tekee samaa työtä, käyttää samoja työkaluja ja tuntee samat paineet. Asioita ei sanella ylhäältä alas pakkona. Muutosagentti tukee arjen tekemistä sparraamalla ja jakamalla oppeja.
Peloille ja huolille annetaan tila. Jokaisessa koulutuksessa käydään oikeita keskusteluja siitä, mikä toimittajia huolestuttaa ja mikä toimii tai ei toimi.
Toimittajia kuullaan ja johto kuuntelee. Koulutuksen keskusteluista on viety anonymisoidusti viestiä toimituksen johdolle. Toimittajien palaute ja huolet on otettu tosissaan.
Psykologinen turvallisuus. Tekoälyn käyttöönotto epäonnistuu, jos ihmiset pelkäävät kokeilla, kysyä ”tyhmiä” kysymyksiä tai myöntää, etteivät tiedä jotain. Tarvitaan matalan kynnyksen tila kokeilla, epäonnistua ja oppia.
Työtyytyväisyys on mittari. Koulutushankkeessa tehdään työtyytyväisyyskysely ennen ja jälkeen. Mittaamme sitä, haluavatko toimittajat oikeasti käyttää näitä työkaluja ja onko niistä heille hyötyä arjessa.

Yllätyin hieman siitä, että tanskalaiset vieraat tuntuivat niin vaikuttuneilta muutosjohtamisen perusteista, kuten psykologisen turvallisuuden merkityksestä. Ehkä liiketoimintajohdossa ollaan joskus vähän vieraantuneita toimittajien arkikokemuksesta. Itselleni juuri se on ollut koulutuksia vetäessä antoisaa: koen, että olen saanut olla kollegoiden apuna ja vierellä ratkomassa heidän ongelmiaan. Vaikeinta, mutta myös palkitsevinta, on ollut katsoa kunkin toimittajan tapaa työskennellä ja yrittää auttaa hoksaamaan tekoälyn käyttötapoja, jotka sopisivat juuri hänelle ja hänen aihepiireihinsä.

Luottamus rakentuu siitä, että jokaisen työ ja oma kokemus otetaan tosissaan. Samalla kriittinen yleisö pakottaa olemaan avoin ja läpinäkyvä myös tekoälyn riskeistä. Olen oppinut kollegoilta hankkeen aikana paljon, joten kouluttaminen on ollut itsellekin tutkimustyötä.

Jyväskylän yliopistossa Jaakko Palvailan tutkimus viime vuodelta kuvaa sitä, miten generatiivinen tekoäly ei aiheuta vain teknistä kuormaa, vaan identiteettiin, hallintaan ja omistajuuteen liittyvää stressiä. Suurin kuormitustekijä ei ole oppiminen, vaan hallinnan menetys. Pelkona on työn häviäminen, kaventuminen, virheiden päätyminen julki toimittajan nimissä ja tunne siitä, että oma ajattelu ohenee.

Tutkimuksen suosituksissa todetaan: ”Työnkulkuja tulisi suunnitella ja perustella siten, että toimittajat kokevat uuden työskentelytavan mielekkääksi ja itselleen hyödylliseksi. Samalla koulutuksen tulisi olla riittävän konkreettista ja käytännönläheistä, jotta heikomman tekoälylukutaidon toimittajat voivat saada työkalun käyttöönsä liittyviä onnistumisen kokemuksia ja näin vähentää työkalun herättämää epävarmuutta.”

Arjen realismia on myös tunnistaa, että toimittajien tekniset valmiudet eroavat huomattavasti toisistaan. Osalla on ongelmia perustietokonetaitojen kanssa. Silloin koulutuksessa täytyy käydä läpi sitä, miten haastatteluiden tallenteet siirretään tietokoneelle ja tallennetaan oikeisiin kansioihin, tai esitellä Chat GPT:n valikot ja perusasetukset kädestä pitäen. Tuottavuutta voidaan lisätä jo sillä, että saadaan työnkulut ja työkalut kaikilla kuntoon.

Vielä kolmen tunnin yhteisten koulutusten jälkeen osa toimittajista voi olla hukassa oman promptaamisensa kanssa ja tehdä siinä perusvirheitä. Siksi vierihoito on välttämätöntä. Näin opit saadaan jalkautettua jokaisen arkeen ja varmistettua tekoälyn käytössä vähintään perustaso.

Toisten kanssa voidaan siirtyä heti edistyneempiin tekoälyn käyttötapoihin. Osaamistasojen eriytyminen todennäköisesti vain kiihtyy. Toiset ottavat tekoälyllä nyt nopean tuottavuusloikan.

Tekoälymurrokseen ei kannata suhtautua vain tekniikan kouluttamisena. Generatiivinen tekoäly ei ole vain uusi järjestelmä. Se koskettaa ihmisten ammatti-identiteettiä ja sitä, mitä ihmiset pitävät omanaan: omaa kirjoittajaääntä, ajattelua ja ammattietiikkaa. Siksi muutosjohtaminen, joka perustuisi vain tehokkuusajatteluun, ei toimi.

Tekoäly voi vapauttaa aikaa, mutta mihin se päätetään käyttää? Jos vastaus on vain ”enemmän juttuja”, se voi johtaa harhaan. Tekoäly ei välttämättä vähennä työtä, vaan tekee siitä intensiivisempää ja nostaa rimaa. Toimituksen johdon pitää aktiivisesti johtaa sitä, mihin mahdollisesti vapautuva kapasiteetti ohjataan. Muuten tekoäly vain kiristää tahtia ilman laadun paranemista.

Vaikein tehtävä johdolle tulee varmasti olemaan hitaan ajattelun suojelu. Se kun on ristiriidassa taloudellisten paineiden kanssa. Jos tekoälyn toivottiin tuottavan tehokkuutta ja kasvattavan tuottavuutta, nyt pitäisi alkaa suojella toimittajien vapautta ajatella rauhassa. Se on tiimien esihenkilöiden vastuulla.

Tyhmistymistä ja ajattelun laiskistumista vastaan pitää aktiivisesti taistella! Vain sillä kykenemme edelleen tarjoamaan lukijoillemme tilauksen hinnan arvoista luettavaa, joka auttaa ymmärtämään maailmaa. Kirjoittajaäänen kehittyminen, havainnointi, läsnäolo ja pitkien tekstien lukeminen ovat hitaita prosesseja, joilla on arvo. Erityinen riskiryhmä ovat nuoret toimittajat, jos tekoäly tarjoaa heille oikotien, ennen kuin he hallitsevat perustaidot.

Olen puhunut pamfletin verran tekoälystä. Mutta tänä keväänä olen alkanut ajatella, että tekoälykoulutuksen rinnalla toimituksissa kannattaa järjestää myös luovan kirjoittamisen koulutusta ja kannustaa pitämään lukupiirejä. Toimittajia täytyy rohkaista menemään kentälle ja kouluttaa haastattelu- ja vuorovaikutustaitoja, havainnointia ja perinteisen reportaasin menetelmiä. Koska ellet tuo pöytään inhimillisen, luovan ja oivaltavan ihmisen vahvuuksiasi, mitä arvoa tuotat?

Tekoälyn tuottama teksti paranee koko ajan. Juuri nyt kannattaa miettiä, mikä on sitä, mitä juuri sinä osaat tehdä. Mikä tekemisestäsi on korvaamatonta? Se määrittää, mitä osia työstäsi voit ulkoistaa tekoälylle, mitä suojelet, ja miten rakennat uudelleen työprosessisi tekoälyn kanssa yhteistyössä.

Lähteet

Journalistiset lähteet:

Angeria Kari (29.3.2026). Ohjelmistoala ennakoi muutosta, joka odottaa kaikkea tietotyötä. Helsingin Sanomat. https://www.hs.fi/mielipide/art-2000011892414.html

Haapalainen, Manu (13.2.2026). Arkinen työkalu vai internet-ajan suurin mullistus? Mediatalot eivät halua myöhästyä AI-siirtymästä. Journalisti. https://journalisti.fi/uutisaet/2026/02/arkinen-tyokalu-vai-internet-ajan-suurin-mullistus-mediatalot-eivat-halua-myohastya-ai-siirtymasta/

Lappalainen, Elina (27.9.2023). Kun osaa pyytää oikein, tekoälyn saa toimimaan vaikka feature-toimituksen editorina. Suomen Lehdistö. https://suomenlehdisto.fi/kun-osaa-pyytaa-oikein-tekoalyn-saa-toimimaan-vaikka-feature-toimituksen-editorina/

Onninen, Oskari (27.1.2026). Ihminenkin tekee liejua – tekoäly laatua? Suomen Lehdistö. https://suomenlehdisto.fi/ihminenkin-tekee-liejua-tekoaly-laatua/

Simonetti Isabella (26.3.2026). An AI Upheaval Is Coming for Media. This Journalist Is Already All In. The Wall Street Journal. https://www.wsj.com/business/media/an-ai-upheaval-is-coming-for-media-this-journalist-is-already-all-in-3511d951

Tani Max (4.3.2026). It’s bots vs. reporters at the AP. Semafor. https://www.semafor.com/article/03/03/2026/its-bots-vs-reporters-at-the-ap

Virranta Riikka (1.4.2026). ”On syntynyt väärä luottamus työkaluun” – Miten HS ja IS tekivät tahoillaan saman virheen drooniuutisoinnissa? Suomen Lehdistö. https://suomenlehdisto.fi/on-syntynyt-vaara-luottamus-tyokaluun-miten-hs-ja-is-tekivat-tahoillaan-saman-virheen-drooniuutisoinnissa/

Yläjärvi Erja (30.3.2026). Helsingin Sanomat julkaisi virheellistä tietoa drooneista – Taustalla tekoälyvirhe. Helsingin Sanomat. https://www.hs.fi/paakirjoitukset/art-2000011912865.html

Yrjänen, Antti (2.5.2025). Vieraskynä: Journalismi kestää tekoälyn, mutta kestääkö se johdon tekoälykiimaan. Kansan Uutiset. https://www.ku.fi/artikkeli/5156163-vieraskyna-journalismi-kestaa-tekoalyn-mutta-kestaako-se-johdon-tekoalykiimaan

Wiegold, Thomas (2026). Prompt Engineering Best Practices 2026. thomas-wiegold.com. https://thomas-wiegold.com/blog/prompt-engineering-best-practices-2026/

Tieteelliset artikkelit ja tutkimusraportit:

Agarwal, Dhruv, Mor Naaman & Aditya Vashistha (2025). AI Suggestions Homogenize Writing Toward Western Styles and Diminish Cultural Nuances. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. Cornell University. arXiv:2409.11360. https://arxiv.org/abs/2409.11360

Baym, Nancy, Eleanor Dillon & Sofia Jaffe (5.3.2026). Peer Influence Can Make or Break Your AI Rollout. Harvard Business Review. https://hbr.org/2026/03/peer-influence-can-make-or-break-your-ai-rollout

Bedard, Julie, Matthew Kropp, Megan Hsu, Olivia T. Karaman, Jason Hawes & Gabriella Rosen Kellerman (5.3.2026). When Using AI Leads to ”Brain Fry”. Harvard Business Review. https://hbr.org/2026/03/when-using-ai-leads-to-brain-fry

Chandra, Kartik, Max Kleiman-Weiner, Jonathan Ragan-Kelley & Joshua B. Tenenbaum (2026). Sycophantic Chatbots Cause Delusional Spiraling, Even in Ideal Bayesians. MIT CSAIL & University of Washington. arXiv:2602.19141. https://arxiv.org/abs/2602.19141

Chang, Grace & Heidi Grant (23.1.2026). When AI Amplifies the Biases of Its Users. Harvard Business Review. https://hbr.org/2026/01/when-ai-amplifies-the-biases-of-its-users

Ferrara, Emilio (2026). The Generative AI Paradox: GenAI and the Erosion of Trust, the Corrosion of Information Verification, and the Demise of Truth. Future Internet, 18(2), 73. University of Southern California. https://doi.org/10.3390/fi18020073

Kosmyna, Nataliya, Eugene Hauptmann, Ye Tong Yoan ym. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv e-prints. https://arxiv.org/abs/2506.08872v2

Meesad, Phayung ym. (2025). Cognitive Bias in Clinical Large Language Models. PMC / National Library of Medicine. https://pmc.ncbi.nlm.nih.gov/articles/PMC12246145/

Moon, Kibum, Adam E. Green & Kostadin Kushlev (2025). Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. Computers in Human Behavior: Artificial Humans. https://doi.org/10.1016/j.chbah.2025.100207

Ranganathan, Aruna & Xingqi Maggie Ye (helmikuu 2026). AI Doesn’t Reduce Work — It Intensifies It. Harvard Business Review. https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it

Reza, Mohi, Jeb Thomas-Mitchell, Peter Dushniku, Nathan Laundry, Joseph Jay Williams & Anastasia Kuzminykh (2025). Co-Writing with AI, on Human Terms: Aligning Research with User Demands Across the Writing Process. Proceedings of the ACM on Human-Computer Interaction, Bergen, Norway. https://arxiv.org/html/2504.12488v1

Romeo, Giuseppe & Daniela Conti (2026). Exploring Automation Bias in Human–AI Collaboration: A Review and Implications for Explainable AI. AI & Society, 41, 259–278. https://doi.org/10.1007/s00146-025-02422-7

Simon, Felix, Rasmus Kleis Nielsen & Richard Fletcher (2025). Generative AI and News Report 2025: How People Think about AI’s Role in Journalism and Society. Reuters Institute for the Study of Journalism, University of Oxford. https://reutersinstitute.politics.ox.ac.uk/generative-ai-and-news-report-2025-how-people-think-about-ais-role-journalism-and-society

Stackpole, Thomas (18.3.2026). LLMs Are Manipulating Users with Rhetorical Tricks. Harvard Business Review. https://hbr.org/2026/03/llms-are-manipulating-users-with-rhetorical-tricks

Thurman, Neil, Sina Thäsler-Kondonouri & Richard Fletcher (2025). AI Adoption by UK Journalists and Their Newsrooms: Surveying Applications, Approaches, and Attitudes. Reuters Institute for the Study of Journalism, University of Oxford. https://reutersinstitute.politics.ox.ac.uk/ai-adoption-uk-journalists-and-their-newsrooms-surveying-applications-approaches-and-attitudes

Xu, Ziwei, Sanjay Jain & Mohan Kankanhalli (2024, päivitetty 2025). Hallucination is Inevitable: An Innate Limitation of Large Language Models. arXiv preprint. https://arxiv.org/abs/2401.11817

Opinnäytetyöt

Eerola, Joona (2025). Generatiivisen tekoälyn hyödyntäminen journalistisen tekstin tiivistämisessä. AMK-opinnäytetyö, Oulun ammattikorkeakoulu. https://www.theseus.fi/handle/10024/881087

Iivonen, Heidi (2025). Keskijohto onnistumisen avaintekijänä asiantuntijatyön Leanissa. AMK-opinnäytetyö, Laurea-ammattikorkeakoulu. https://www.theseus.fi/handle/10024/910101

Muona, Juuli (2025). Laajan kielimallin hyödyntäminen kolumnien kääntämisessä – Tapaustutkimus suomi–saksa-kieliparin tekoälykäännösten laadusta ja niiden jälkieditoinnin kognitiivisesta työmäärästä. https://helda.helsinki.fi/server/api/core/bitstreams/eb226472-35ee-43e8-8484-ce0e6099665d/content

Palvaila, Jaakko (2025). Generatiivisen tekoälyn aiheuttama teknostressi journalistisessa työssä. Pro gradu -tutkielma. Jyväskylän yliopisto. https://urn.fi/URN:NBN:fi:jyu-202512129275