Kuukausi sitten olin tästä aivan innoissani. Otin puhelimella kuvan pH-mittarista, annoin kuvan ChatGPT:lle ja kysyin: ”Miten tätä käytetään?” Tekoäly tunnisti laitteen, selitti painikkeet ja neuvoi käytössä. Aika hienoa, vai mitä? Kirjoitin siitä silloin esimerkkinä siitä, miten pitkälle tekoälyn käytännön hyödyntäminen oli jo mennyt.
Nyt, noin kuukautta myöhemmin, se tuntuu jo vanhanaikaiselta.
Ei siksi, että kuvan tunnistaminen tai laitteen käyttöohjeen rakentaminen olisi muuttunut turhaksi. Vaan siksi, että olen itse mennyt siitä jo kolme askelta eteenpäin. Ensin kysyin tekoälyltä neuvoa ja tein itse. Seuraavaksi pyysin tekoälyä rakentamaan minulle valmiin ohjelman. Nyt annan sille koko tehtävän.
Ja tässä kohtaa homma muuttuu oikeasti mielenkiintoiseksi.
Olohuoneessani on tällä hetkellä pieni hifi-studio
Rakennan vapaa-ajalla hifi-laitteita, ja nyt on työn alla 3-tie-aktiivi-dipolit. Kaiutin on keskellä olohuonetta, ympärillä mittamikrofoni, vahvistimia, kaapeleita ja DSP-boxi, joka hoitaa kaiutinelementtien jakosuodot, viiveet, korjaukset ja muun signaalinkäsittelyn. DSP ohjelmoidaan SigmaStudiolla.
Siinä vain on pieni käytännön ongelma. Minä käytän Macia, mutta SigmaStudio toimii vain Windowsissa. Ratkaisin asian kaivamalla vanhan Intel-MacBook Airin esiin, asentamalla siihen Windowsin ja kytkemällä sen fyysisesti DSP-laitteeseen. Uusi Macini puolestaan käyttää tuota lattialla makaavaa Windows-konetta etäyhteydellä.
Tähän asti kaikki on vielä aivan normaalia nörttiharrastamista.
Sitten mukaan tulivat ChatGPT Work ja Codex.
Kolme askelta muutamassa kuukaudessa
Ensimmäinen tapa käyttää tekoälyä oli tuttu: minä kysyin, se vastasi ja minä tein. Jos jokin ei toiminut, otin kuvan, kysyin uudestaan ja kokeilin seuraavaa vaihtoehtoa. Jo tämä nopeutti tekemistä valtavasti.
Seuraavassa vaiheessa kysyin itseltäni aika yksinkertaisen kysymyksen: miksi pyytäisin tekoälyä kertomaan minulle, miten ohjelma rakennetaan? Miksi en pyytäisi sitä rakentamaan ohjelmaa? Minä määrittelen rakenteen, jakotaajuudet, suotimet, PEQ:t, gainit ja muun haluamani toiminnallisuuden. Tekoäly rakentaa kokonaisuuden ja antaa minulle valmiin ohjelman.
Hetken aikaa sekin tuntui aika edistyneeltä.
Sitten tajusin, että siinäkin minä olen edelleen turha välikäsi.
Anna sille tavoite. Älä työvaihetta.
Tässä on se kohta, jossa oma käsitykseni tekoälystä muuttui eniten.
Work ei enää vain istu jossain pilvessä ja kerro minulle, mitä minun pitäisi tehdä. Se pystyy työskentelemään koneellani. Jo se on valtava harppaus: tekoäly ei enää ainoastaan neuvo ihmistä käyttämään tietokonetta, vaan se voi tehdä tietokoneella fyysisesti varsinaista työtä.
Mutta minun tapauksessani ketju jatkuu vielä pidemmälle. Work työskentelee Macillani ja käyttää siitä rakennettua etäyhteyttä hallitakseen olohuoneeni lattialla olevaa toista tietokonetta. Windows-koneella se käyttää SigmaStudiota, rakentaa DSP-ohjelmaa, tekee muutoksia ja testaa niitä. Ja ketju ei pääty edes siihen tietokoneeseen: sen toisessa päässä on USB-kaapelilla fyysinen DSP-boxi.
Lopulta Codex on käytännössä jo siellä stereoideni sisällä.
Se rakentaa ohjelman, ajaa sen DSP:lle, lukee mahdolliset virheet, korjaa niitä, kirjoittaa uuden version ja testaa uudestaan. Minä voin seurata vierestä, kuinka ruutu muuttuu ja työ etenee.
Tekoäly ei siis enää ole minulle pilvessä pyörivä musta laatikko, jolle kirjoitan kysymyksiä selaimen tekstikenttään. Se on Macillani. Se käyttää Windows-konetta lattiallani. Se keskustelee SigmaStudion kanssa. Ja ketjun päässä se ohjelmoi fyysistä elektroniikkaa, jonka kautta olohuoneeni kaiuttimet toimivat.
AI ei ole enää pelkästään verkossa. Se on tullut olohuoneeseen.
Ja tämä on minusta paljon suurempi muutos kuin uusi chatbot-versio tai vähän parempi tekstigeneraattori.
Samaan aikaan yritysmaailmassa mietitään, pitäisikö ChatGPT:tä kokeilla
Oma karkea arvioni on, että noin 80 % yrityspäättäjistä ei ole vielä kunnolla ymmärtänyt, mitä viimeisen vuoden aikana on tapahtunut. Ja vielä pienempi osa ymmärtää, miten paljon kehitys on kiihtynyt aivan viime kuukausina.
Yritysmaailmassa keskustellaan edelleen siitä, saako ChatGPT:lle antaa dokumentteja. Kannattaisiko henkilöstölle järjestää promptikoulutus? Voisiko sillä ehkä kirjoittaa sähköposteja vähän nopeammin? Pitäisikö nyt tehdä AI-policy ja perustaa työryhmä tutkimaan asiaa?
Samaan aikaan minä istun sunnuntaina olohuoneessani ja katson, kuinka tekoäly käyttää kahta tietokonetta, rakentaa ohjelmaa, kommunikoi fyysisen DSP-laitteen kanssa ja vie koko tehtävän kohti valmista lopputulosta.
Siinä on aika iso kuilu.
Dinosauruksilla on yritysmaailmassa yksi tunnusmerkki: ne kutsuvat hitautta harkinnaksi.
Ja jos joku loukkaantuu sanasta dinosaurus, se on minusta tässä keskustelussa sivuseikka. Teknologia ei hidasta siksi aikaa, että kaikki ehtivät tuntea olonsa mukavaksi.
”Odotetaan puoli vuotta” ei välttämättä tarkoita puolta vuotta
Tekoälyn kehitys ei ainakaan minun silmiini näytä tällä hetkellä lineaariselta. Uudet kyvykkyydet rakentuvat edellisten päälle, niitä yhdistetään toisiinsa ja yhtäkkiä asia, joka kuukausi sitten tuntui edistykselliseltä, näyttää tänään alkeelliselta.
Kuukausi sitten otin kuvan laitteesta ja kysyin tekoälyltä, miten sitä käytetään.
Nyt annan tekoälylle tavoitteen ja se menee itse laitteelle.
Jos kehitys jatkuu samaan suuntaan, ”odotetaan vielä muutama kuukausi” ei tarkoita käytännössä sitä, että olet muutaman kuukauden jäljessä. Työskentelytavoissa ero voi siinä ajassa kasvaa vuosiksi. Siksi puhun joskus tahallani kärjistäen siitä, että osa yrityksistä on jo nyt pari vuotta myöhässä — ja kohta kymmenen.
Ei kalenterissa.
Kyvykkyydessä.
Tämä ei oikeastaan ole artikkeli DSP:stä
DSP sattui vain olemaan tällä kertaa koe-eläin.
Paljon kiinnostavampi kysymys on, mitä tämä tarkoittaa yrityksissä. Me olemme pitkään kysyneet: ”Miten tekoäly voisi auttaa tässä työvaiheessa?” Minusta se on jo liian pieni kysymys.
Parempi kysymys on: ”Miksi ihminen tekee tämän työvaiheen enää ollenkaan?”
Ja sen jälkeen tulee vielä kiinnostavampi kysymys:
Miksi annamme tekoälylle työvaiheen, jos voimme antaa sille tavoitteen?
Siinä kohtaa ei enää puhuta ChatGPT:n käytöstä. Puhutaan prosesseista, organisaatioista, johtamisesta, tuottavuudesta ja kilpailukyvystä. Puhutaan siitä, mikä osa työstä kannattaa tehdä ihmisen toimesta ja mikä osa voidaan antaa järjestelmälle, joka pystyy suunnittelemaan, toteuttamaan, tarkistamaan ja korjaamaan omaa tekemistään.
Tästä yritysten pitäisi mielestäni keskustella juuri nyt. Ei ensi vuonna. Ei sitten, kun tekoäly on ”valmis”.
Se ei tule olemaan valmis.
Huomenna se osaa taas enemmän.
Tulevaisuus ei ole tulossa. Se pyörii tällä hetkellä Windows-koneella olohuoneeni lattialla.
ChatGPT mobile app, sekä työpöytäsovellus Macille.
Avasin saman ChatGPT:n kahdesta paikasta – ja sain kaksi eri konetta
Avasin ChatGPT:n puhelimesta. Näytöllä oli tuttu tyhjä keskustelu ja yksi yksinkertainen kysymys: ”Miten voin auttaa?”
Avasin saman palvelun Macilta työpöytäsovelluksessa (lokaali sovellus, ei selaimen kautta). Vastassa olivat Chat, Work, Projects, Files, Codex, Automations, paikalliset kansiot, työkalut ja useampi eri moottori. Sama logo, sama käyttäjätili – mutta aivan eri kokoluokan työpöytä. Ja mikä tärkeintä: työpöytäsovellukselle voi antaa pääsyn tietokoneen kansioihin. Se voi lukea materiaalia koneeltasi, se voi tuottaa valmiita dokumentteja, presentaatioita, PDF:iä – ja tallentaa ne suoraan haluamaasi kansioon.
Oliko toinen siis tavallinen ChatGPT ja toinen jokin kokonaan eri tuote?
Ei. Ja kyllä.
ChatGPT ei ole enää yksi chat-ikkuna. Se on työkaluperhe, jonka sisällä keskustelu, projektikonteksti, tiedostot, verkkohaku, agenttityö, automatisointi ja ohjelmistokehitys on koottu saman nimen alle. OpenAI itse erottaa nykyisessä kokonaisuudessa kolme pääkokemusta: Chat kysymyksiin ja keskusteluun, Work tutkimiseen ja valmiiden tuotosten tekemiseen sekä Codex ohjelmistokehitykseen. [1]
Tämä ero kannattaa ymmärtää ennen kuin alkaa vertailla malleja, tokeneita tai krediittejä. Muuten käy helposti niin, että yritetään ratkaista työkalulla väärää ongelmaa – ja ihmetellään sen jälkeen, miksi työ oli hidasta, kallista tai sekavaa.
1. Perus-Chat ei ole kadonnut mihinkään
Tavallinen Chat on edelleen se tuttu ChatGPT. Siltä kysytään, sen kanssa ajatellaan, sille näytetään kuva, sille annetaan tiedosto ja sen kanssa hiotaan tekstiä kierros kierrokselta.
Se sopii erityisen hyvin tilanteisiin, joissa työ on vielä ajattelua eikä toteutusta:
kysymyksiin ja nopeisiin selvityksiin
ideointiin ja vaihtoehtojen haastamiseen
tekstien kirjoittamiseen ja muokkaamiseen
kuvien tulkintaan ja tuottamiseen
verkkohakuun
puheella käytävään keskusteluun
tehtävän määrittelyyn ennen varsinaista Work-ajoa
Perus-Chat on kevyt juuri siksi, että käyttäjän ei tarvitse rakentaa siitä projektia. Avaa keskustelu, kysy, arvioi vastaus ja jatka.
Rajat eivät ole betoniseiniä. Chatissa voi kirjoittaa koodia ja Workissa voi kysyä yhden kysymyksen. Mutta kun työkalun käyttötapa vastaa tehtävän luonnetta, myös lopputulos paranee.
Kuva 1. Sama ChatGPT-nimi – kaksi eri käyttötapaa.
2. Onko työpöytäsovelluksen Chat sama kuin selain-Chat?
Käytännössä kyllä – mutta käyttöympäristö ei ole sama.
Uuden ChatGPT-työpöytäsovelluksen tavallinen Chat on samaan käyttäjätiliin ja pilvipalveluun kuuluva Chat-kokemus. Chat-keskustelut synkronoituvat selaimen ja työpöytäsovelluksen välillä. Työpöytäsovellus ei siis sisällä erillistä, Macin tai Windows-koneen sisällä asuvaa ”toista ChatGPT-aivoa”. [1]
Ero syntyy kuoresta, käyttöoikeuksista ja ympärille liitetyistä työkaluista.
Selainversio on helppo yleiskäyttöliittymä. Se toimii ilman asennusta, ja siellä voi käyttää Chattia, projekteja sekä tilistä riippuen Workia ja yhdistettyjä palveluita. Työpöytäsovellus kokoaa samaan sovellukseen Chatin, Workin ja erillisen Codex-näkymän. Lisäksi Work voi käyttäjän luvalla käsitellä paikallisia tiedostoja ja työpöytäsovelluksia. [1][2]
Työpöytäsovelluksessa on myös sisäänrakennettu selain Work- ja Codex-tehtäviä varten. Käyttäjä ja ChatGPT voivat tarkastella samaa sivua, liikkua välilehdillä, ladata tiedostoja ja odottaa käyttäjän kirjautumista palveluun. Selaimella on oma selainistuntonsa; se ei automaattisesti käytä tavallisen Chromen kirjautumisia tai evästeitä. [3]
Siksi täsmällinen vastaus kuuluu näin:
Työpöytäsovelluksen Chat on sama ChatGPT-keskustelu. Työpöytäsovellus kokonaisuutena on kuitenkin selvästi selainikkunaa laajempi työympäristö.
3. Work ei ole vain tavallista pidempi chat
Tavallisessa Chatissa pyydän usein vastausta. Workissa annan tavoitteen.
Ero kuulostaa pieneltä, mutta käytännössä se muuttaa koko työn rakenteen.
”Tässä ovat sivuston rakenne, käytössä oleva teema, design system ja tarvittavat tiedostot. Tunnista ongelman aiheuttava rakenne, tee mahdollisimman pieni turvallinen muutos, tarkista vaikutus työpöydällä ja mobiilissa, dokumentoi muutos ja palauta valmis toteutus.”
Ensimmäisessä pyydetään ohjetta. Toisessa annetaan työ.
OpenAI kuvaa Workia agentiksi, joka kerää kontekstin, suunnittelee etenemisen ja toimii tiedostojen, sovellusten ja työkalujen yli tuottaakseen valmiita asiakirjoja, taulukoita, esityksiä, raportteja ja sivustoja. Pilvessä tehdyt Work-keskustelut voivat jatkua selaimen, mobiilin ja työpöytäsovelluksen välillä. Paikalliset työtehtävät puolestaan voivat jäädä vain kyseiselle tietokoneelle. [1][4]
Workin vahvuus ei ole se, että se kirjoittaa automaattisesti paremman yksittäisen kappaleen. Sen vahvuus on työnkulku:
aineiston kerääminen
tehtävän jäsentäminen
analyysi
toteutus
tarkistus
korjaukset
dokumentointi
valmis tiedosto tai muu lopputulos
Kun tehtävä kasvaa yksittäisestä vastauksesta kokonaiseksi työksi, on aika siirtyä Workiin.
4. Luna, Terra ja Sol eivät ole kolme päättelytasoa
Tässä kohtaa käyttöliittymä alkaa helposti näyttää enemmän avaruusohjelmalta kuin kirjoitusapulaiselta.
GPT-5.6-perheessä Luna on nopein ja edullisin malli, Terra tasapainoinen yleismalli ja Sol lippulaivamalli vaativimpiin tehtäviin. Workissa ja Codexissa Plus-, Pro-, Business- ja Enterprise-käyttäjät voivat tilistä ja käyttöönoton vaiheesta riippuen valita näiden kolmen välillä sekä asettaa erikseen työn päättelytason. Tavallisessa Chatissa Terra ja Luna eivät ole valittavissa; GPT-5.6 Sol toimii siellä päättelyvaihtoehtojen taustalla, kun taas nopean arjen oletusmallina toimii GPT-5.5 Instant. [5][6]
Siksi kaavaa ”Luna = nopea, Terra = keskitaso ja Sol = korkea” ei kannata ottaa kirjaimellisesti. Se on käyttökelpoinen ensimmäinen muistisääntö, mutta teknisesti kyse on kaksiulotteisesta valinnasta:
Kuinka kyvykäs ja kallis moottori tehtävään tarvitaan?
Kuinka paljon aikaa ja laskentaa sen kannattaa käyttää juuri tähän tehtävään?
Sol voidaan laittaa tekemään kevyt ajo. Lunalle voidaan joissakin ympäristöissä antaa enemmän päättelyaikaa. Tehokkain yhdistelmä ei ole automaattisesti paras yhdistelmä.
Formula 1 -auto on hieno laite. Sillä ei silti kannata hakea postia sadan metrin päästä.
Kuva 2. Work-tehtävä ja GPT-5.6-moottorien käytännön työnjako.
5. Mitä Lunalla, Terralla ja Solilla kannattaa oikeasti tehdä?
Täydellistä rajaa ei ole, koska tehtävän vaikeus ei näy sen pituudesta. Yksi lyhyt kysymys voi sisältää vaikean ristiriidan. Sadan tiedoston inventointi voi puolestaan olla pitkä mutta mekaaninen työ.
Käytännön työnjaoksi toimii seuraava.
Luna – nopea avustaja
Lunalle sopivat tehtävät, joissa työn rakenne on selvä ja virheen kustannus pieni:
tiedostoluettelot ja aineiston inventointi
luokittelu, poiminta ja järjestäminen
annetun tekstin tiivistäminen
formaatin vaihto ja mekaaninen siistiminen
ensimmäiset luonnokset
toistuvat tarkistukset, joissa säännöt on määritelty tarkasti
Terra – kokenut yleismalli
Terra on useimmissa Work-tehtävissä järkevä oletus:
usean lähteen analyysi
suunnitelmat ja vertailut
tavalliset asiantuntijaraportit
monivaiheinen mutta rajattu toteutus
verkkosivuston tai dokumenttipaketin tekninen tarkastus
valmiin luonnoksen rakentaminen annetusta aineistosta
Sol – erikoisjoukot
Sol kannattaa ottaa käyttöön, kun tehtävässä on aidosti vaikea päätelmä tai korkea korjauskustannus:
epäselvät ja ristiriitaiset lähtötiedot
vaikea juurisyyanalyysi
useiden järjestelmien tai tiedostojen välinen kokonaisuus
arkkitehtuuria muuttavat tekniset ratkaisut
kriittinen loppuauditointi
tilanne, jossa väärä ratkaisu synnyttää paljon uutta työtä
Sol ei poista tarkistamisen tarvetta. Se vain ansaitsee paikkansa silloin, kun tehtävässä todella tarvitaan sen sitkeyttä ja kokonaisuuksien hallintaa.
6. Päättelytaso kertoo käytetystä työajasta – ei pelkästään älykkyydestä
Nykyinen ChatGPT erottaa nopean vastauksen ja syvemmän päättelyn aiempaa näkyvämmin. Tavallisessa Chatissa valinnat näkyvät esimerkiksi Instant-, Medium-, High- ja joillakin tileillä Extra High- tai Pro-tasoina. OpenAI kuvaa Mediumia tavallista harkitummaksi ja High-tasoa pidemmäksi päättelyksi monimutkaisissa, monivaiheisissa tehtävissä. [7]
Nopea taso sopii silloin, kun tehtävä on selvä ja vastaus on helppo tarkistaa.
Keskitaso on hyvä oletus asiantuntijatyölle.
Korkea taso kannattaa säästää tilanteisiin, joissa mallin pitää:
verrata useita vaihtoehtoja
tunnistaa ristiriitoja
tarkistaa omaa työtään
ratkaista monivaiheinen ongelma
huomioida samanaikaisesti paljon rajoitteita
Korkea päättely ei ole taikapölyä. Huonosti rajattu tehtävä pysyy huonosti rajattuna, vaikka sitä mietitään kolme kertaa pidempään.
Otetaan käytännön esimerkki tähän väliin:
Ajatellaan peruskoulun ainekirjoitusta. Kevyt Luna-moottori on kuin perustason ainekirjoittaja. Valmista tulee, mutta ei välttämättä luokan kärkitulos. Sol-moottori on taas luokan innovatiivisin ja laajan tietopohjan omaava oppilas, joka kirjoittaa ensiluokkaisen ja oivaltavan aineen, yhdistellen siihen paljon vuoden aikana opittua tietämystä.
Päättelytaso (Nopea – Keskinkertainen – Raskas) taas tarkoittaa saman kirjoittajan (moottorin) työhön käyttämää aikaa. Nopealla (mutta kevyellä) päättelyllä luokan paraskin kirjoittaja saattaa tehdä virheitä aineessaan, jokin epäloogisuus jää huomaamatta, jossain on kirjoitusvirhe… Mutta tulos valmistui nopeasti. Raskain päättelymalli taas tarkoittaa, että kirjoittaja ei pysähdy kun aine on valmis – hän lukee sen läpi, tarkistaa uudelleen, lukee vielä kolmannen kerran – tässä vaiheessa on jo löytynyt muutama virhe jotka on korjattu. Valmis aine luovutetaan vasta kun se on moneen kertaan luettu läpi, korjattu ja hienosäädetty.
Tätä samaa tekee jokainen tekoälymoottori. Korkeimmalla päättelytasolla AI ei luovuta nopeasti keskeneräistä työtä. Etenkin SOL mallissa näkee, miten se “koeponnistaa” vastauksensa, pyörittää sitä joka asentoon, tarkistaa, vertaa, korjaa, lukee uudestaan, tarkistaa vielä kerran.
Malli ei tarvitse aina enemmän aikaa. Se tarvitsee ensin paremman tehtävän.
Kuva 3. Malli ja päättelytaso ovat kaksi eri valintaa.
7. Mikä kuluttaa tokeneita – ja mikä ei?
Token on tekstin käsittelyn tekninen yksikkö. Sana voi muodostua yhdestä tai useammasta tokenista, ja myös välimerkit, välilyönnit sekä sanojen osat vaikuttavat määrään. Malli käsittelee syötetyt tokenit ja tuottaa vastauksen uusina tokeneina. Joissakin päättelymalleissa käyttöön liittyy myös sisäisiä reasoning-tokeneita. [8]
Tokeneita kuluu, kun malli käsittelee sisältöä:
kirjoittamasi pyyntö
tehtävään tuotu relevantti keskusteluhistoria
projektiohjeet ja muu konteksti
mallin luettavaksi annettu tiedostosisältö
selaimesta tai yhdistetyistä palveluista haettu teksti
mallin tuottama vastaus
joissakin malleissa sisäinen päättely
Pelkkä sovelluksen avaaminen, vanhan vastauksen lukeminen tai keskusteluhistorian selaaminen ei ole uusi malliajo. Kun pyydät mallia lukemaan, arvioimaan, hakemaan tai tuottamaan jotain, resurssia alkaa kulua.
Kuvat, ääni, tietokoneen käyttö ja muut työkalut eivät myöskään aina muutu suoraan tavallisiksi tekstitokeneiksi. Niillä voi olla omat käyttömittarinsa, työkalukutsunsa tai yhteiseen agenttikiintiöön vaikuttava kulutus.
Pitkä keskustelu ei automaattisesti tarkoita, että joka kierroksella koko ketju laskutetaan sanasta sanaan uudelleen. Järjestelmä voi hyödyntää hakua, tiivistämistä ja välimuistia. Silti yleissääntö pitää: mitä enemmän mallin on luettava relevanttia taustaa joka kierroksella, sitä enemmän syöte kasvaa. API-käytössä välimuistista luetut tokenit ovat halvempia kuin uusi syöte, mutta eivät sama asia kuin nollakulutus. [8]
8. Token, käyttöraja ja krediitti ovat kolme eri asiaa
Nämä menevät helposti sekaisin, koska käyttöliittymä näyttää käyttäjälle yleensä käyttörajoja ja krediittejä – ei yksittäisen vastauksen tarkkaa tokenlaskua.
Token on tekninen mittayksikkö.
Käyttöraja on tilaukseen kuuluva sallittu määrä viestejä, päättelyä tai agenttityötä tietyssä ajassa.
Krediitti on maksullinen tai hallinnollinen kulutusyksikkö, jolla tuetaan tiettyjä ominaisuuksia tilauksen oman käyttömäärän jälkeen tai organisaation yhteisessä kulutusmallissa.
ChatGPT-tilaus ja OpenAI API ovat eri tuotteita. API:ssa käyttö hinnoitellaan suoraan mallin käsittelemien tokenien ja työkalukutsujen perusteella. Tavallisessa ChatGPT-tilauksessa käyttäjä toimii ensisijaisesti tilauskohtaisilla käyttörajoilla.
Plus- ja Pro-tileillä Codex, Work ja esimerkiksi ChatGPT for Excel voivat tilistä ja ominaisuuden käyttöönotosta riippuen käyttää samaa agenttityön kiintiötä. Kun mukana oleva käyttö loppuu, tuetut ominaisuudet voivat käyttää ostettuja krediittejä. OpenAI korostaa, että käytettävissä olevat vaihtoehdot näkyvät aina tilin omalla Usage-sivulla, koska ominaisuuksien saatavuus muuttuu käyttöönottojen mukana. [9]
Tästä seuraa käytännön ohje:
Älä optimoi vain tokenia. Optimoi valmis työ.
Halvin malli ei ole halpa, jos tehtävä joudutaan tekemään kolmesti. Kallein malli ei ole tehokas, jos se käyttää vartin sellaisen asian pohtimiseen, jonka Luna olisi järjestänyt kahdessa minuutissa.
9. Näin työ kannattaa pilkkoa
Hyvä Work-tehtävä ei ole valtava toive. Se on hallittu työpaketti.
Toimiva rytmi näyttää tältä:
1. Määrittele Chatissa tavoite
Keskustele ensin siitä, mitä oikeastaan ollaan tekemässä. Rajaa lopputulos, riskit, aineisto ja hyväksymiskriteerit. (Tämä ei yleensä kuluta käyttörajoja -> tarkasta omasta tilausestasi).
Itse käyn usein koko projektin suunnittelun alusta loppuun Chatissa. Suunnittelemme, arvioimme, keksimme ja pohdimme. Vasta kun on tarvis toteuttaa jokin konkreettinen valmis dokumentti tai ohjelma, tai analysoida valtava määrä tiedostoja ja sähköposteja ja palauttaa niistä raportti – sen teetämme Work-ympäristössä esim. Lunalla tai Terralla. Tähänkin käytän Chatin apua: Pyydän sitä tekemään valmiin “promptin”, eli tarkan komennon Work-agentille. Chat osaa tiivistää jo tähän saakka käymämme keskustelun ja rajaamaan siitä tiukan ohjeen Work-agentille, jolloin se ei lähde sooloilemaan omiaan tai tekemään turhaa työtä.
2. Tee aineistosta kompakti
Anna Workille vain tarvittavat tiedostot ja pysyvät projektiohjeet. Sadan sivun taustatarina ei auta, jos tehtävä koskee yhtä CSS-valintaa.
3. Aloita kartoituksella
Luna voi inventoida aineiston, tunnistaa tiedostot ja tehdä ensimmäisen luokittelun. Tässä vaiheessa ei vielä korjata kaikkea. Jos haluat muodostaa kokonaiskuvan materiaalista, jossa on 900 sähköpostia, 4 kansiota tiedostoja ja 30-40 yksittäistä dokumenttia, ei tätä koko massaa kannata heti pyörittää läpi SOL-agentilla ja korkeimmalla päättelytasolla. Tai voi sen tehdä, mutta Plus-tilauksesi viikkokiintiö tulee täyteen jo siinä… Käsken Lunan lukea se läpi medium- tai high- päättelytasolla ja ainoastaan muodostaa luettelo materiaaleista, ei vielä analyysia. Kun kerrot Lunalle tämän tavoitteen heti alkuun promptissa, se ei tee vielä analyysia vaan ainoastaan valmiin ”lähdeluettelon” sellaiseen muotoon, josta Terran on helppo jatkaa. Terra voi silloin suoraan sivuuttaa 70% materiaalista joka ei ole oleellista, ja analysoida vain sen mikä merkitsee.
4. Toteuta Terralla
Terra sopii tavalliseen analyysiin, suunnitteluun ja rajattuun toteutukseen. Pyydä yksi selkeä toimitus: esimerkiksi korjattu tiedosto, valmis artikkeli tai tarkastusraportti. Tai pyydä analyysi koko lähtöaineistosta, jonka äsken ”siivosit” Lunalla – säästäen tokeneita.
5. Nosta Soliin vain vaikea osa
Kun vastaan tulee ristiriita, epäselvä juurisyy tai laaja vaikutusketju, siirrä juuri se ongelma Solille. Älä siirrä koko projektia automaattisesti. Käytän usein SOL:ia vasta kun olen saanut valmiin analyysin, raportin tai materiaalin Terralta. Tällöin voi tehdä viimeisen koeponnistuksen SOL:in kanssa.
6. Erota toteutus ja tarkistus
Pyydä lopuksi erillinen tarkastus hyväksymiskriteerejä vasten. Kriittisessä työssä tarkastaja voi olla eri ajo tai tehokkaampi malli.
7. Lopeta ketju hallitusti
Pyydä lyhyt yhteenveto: mitä tehtiin, mitä tiedostoja muutettiin, mitä jäi avoimeksi ja mikä on seuraava askel. Kun tavoite tai komponentti vaihtuu, aloita uusi ketju. Ketjun vaihto on hyvä tehdä myös säännöllisesti, jos keskustelu on venynyt pitkäksi ja siinä on jo 50-100 kysymystä ja vastausta. Jos annat Chatin “hinata perässä” koko tämän keskustelun kontekstia, se hidastuu. Pyydä tällöin tekemään “siirtopaketti” ja kerro vaihtavasi uuteen ketjuun. Chat tekee esim. tiiviin PDF:n tai md.-tiedoston, jonka voit kopioida uuteen ketjuun ja aloittaa siitä mihin jäitte – mutta ilman vanhaan kuormaa.
Yksi lopputulos. Yksi vastuu. Yksi tarkistuslista.
10. Codex on enemmän kuin koodia osaava chat
Chatilta voi pyytää koodinpätkän. Codexia käytetään, kun koodin pitää muuttua oikeassa projektissa.
Codex on työympäristö, joka voi käyttää paikallisia kansioita, ohjelmistovarastoja, terminaalia ja kehittäjätyökaluja. Se voi tehdä muutoksia, ajaa testejä ja komentoja, tarkastaa eroja sekä käydä läpi ohjelmistoprojektin rakennetta. Sen historia ja työskentelynäkymä ovat erillään tavallisesta ChatGPT-historiasta, eikä Codex ole valittavana tavallisena web- tai mobiilinäkymänä. [1][10]
Milloin tavallinen Chat riittää?
Kun tarvitset lyhyen koodiesimerkin, selityksen, idean tai yksittäisen virheilmoituksen tulkinnan.
Milloin Codex on oikea valinta?
Kun haluat tutkia koko projektia, tehdä muutoksia useaan tiedostoon, ajaa testit, tarkistaa riippuvuudet ja varmistaa, että kokonaisuus toimii myös muutoksen jälkeen.
Codex säästää aikaa siksi, ettei käyttäjän tarvitse siirtää jokaista tiedostoa, virheilmoitusta ja korjausta käsin keskusteluikkunan kautta. Se näkee työmaan – ei vain yhtä irrotettua ruuvia.
Kuva 4. Codex on projektityötila, ei vain koodia vastaava keskustelu.
Yhteenveto: oikea työkalu on tärkeämpi kuin suurin malli
ChatGPT ei ole yksi ikkuna. Se on työkaluperhe.
Chat on keskustelua, ajattelua ja nopeaa apua. Work on tavoitteellinen työnkulku, joka kokoaa aineiston ja tuottaa valmiin lopputuloksen. Codex on ohjelmistotyön työpöytä, jossa muutokset voidaan tehdä, testata ja tarkistaa oikeassa projektissa.
Luna sopii kevyisiin ja hyvin määriteltyihin tehtäviin. Terra on vahva oletus tavalliseen asiantuntijatyöhön. Sol kannattaa ottaa käyttöön silloin, kun vaikeus, epävarmuus tai virheen hinta oikeasti vaatii sitä.
Päättelytaso ei ole sama asia kuin mallin nimi. Token ei ole sama asia kuin krediitti. Työpöytäsovellus ei ole eri ChatGPT – mutta se avaa samalle ChatGPT:lle huomattavasti suuremman työkalupakin.
Paras malli ei ole aina tehokkain malli.
Paras malli on kevyin malli, joka tekee työn luotettavasti valmiiksi.
Yrityksissä tekoälyn käyttöönotto pysähtyy usein ennen ensimmäistäkään kokeilua. Keskustelu alkaa riskeistä, järjestelmistä ja strategioista, vaikka hyödyllisempi kysymys olisi paljon yksinkertaisempi: mikä yksi todellinen ongelma voitaisiin ratkaista jo tänään paremmin?
Eräässä yrityksessä päätettiin jokin aika sitten siirtyä tekoälyaikaan.
Käytännössä tämä tarkoitti sitä, että johtoryhmätasolla alettiin pohtia, uskaltaako tekoälyä käyttää.
Mitä se oikeastaan pystyy tekemään?
Voisiko se lukea skannauspalveluun saapuvan ostolaskun?
Löytäisikö se laskulta viitenumeron, summan ja eräpäivän?
Entä jos se lukisi yhden numeron väärin?
Kysymykset olivat sinänsä täysin aiheellisia. Taloushallinnon tiedoissa ei ole paljonkaan hyötyä järjestelmästä, joka toimii lähes oikein.
Mutta keskustelussa oli myös jotain hyvin inhimillistä.
Ennen kuin tekoäly oli päässyt käsittelemään ensimmäistäkään laskua, sitä arvioitiin jo kuin se olisi hakemassa yrityksen talousjohtajaksi.
”Tietokone ei koskaan pärjää ihmiselle”
Yksi keskustelua seurannut työntekijä nauroi koko ajatukselle.
”Tekoäly? Niin juuri. Tekoälyttömyys. Ei tietokone koskaan pärjää ihmiselle.”
Hänellä oli omasta näkökulmastaan näyttöä asiasta.
Hänen työpisteensä ympärille oli vuosien aikana muodostunut erittäin pitkälle kehitetty tiedonhallintajärjestelmä.
Pöydällä oli arviolta 78 kiloa tulostettua paperia: pinoja, mappeja, muovitaskuja ja niiden väliin sijoitettuja irrallisia dokumentteja.
Loput 42 kiloa oli järjestetty lattialle tuolin ympärille täsmällisen korkuisiksi pinoiksi.
Puolikaaren muotoinen arkisto oli suunniteltu ergonomisesti.
Kun käyttäjä pyörähti työtuolillaan oikeaan kulmaan, hän osui yleensä haluamansa paperipinon kohdalle alle minuutissa.
Järjestelmä oli täysin riippumaton verkkoyhteydestä.
Sillä ei ollut lisenssimaksuja.
Se ei tarvinnut ohjelmistopäivityksiä.
Kyberturvallisuuden näkökulmasta sitä oli vaikea hakkeroida etänä.
Eikä yksikään tekoäly ollut vielä onnistunut siirtämään vahingossa väärää paperipinoa.
Tarkemmin ajatellen kyseessä oli siis varsin toimintavarma ratkaisu.
Sen ainoita heikkouksia olivat hakutoiminto, varmuuskopiointi, tiedon jakaminen, versionhallinta, paloturvallisuus ja se, että järjestelmän koko käyttöliittymä oli tallennettu yhden ihmisen päähän.
Kysymys ei ole ihmisestä vastaan kone
Tekoälystä keskusteltaessa asetelma rakennetaan helposti väärin.
Pärjääkö tietokone ihmiselle?
Voiko tekoäly tehdä saman työn kuin kokenut työntekijä?
Kumpi on parempi?
Useimmissa yrityksissä tämä ei ole ensimmäinen ratkaistava kysymys.
Paljon hyödyllisempää olisi kysyä:
Missä tehtävässä ihminen käyttää tällä hetkellä aikaa sellaiseen, minkä kone voisi tehdä nopeasti – ja jonka ihminen voisi tarkistaa vielä nopeammin?
Ostolaskun viitenumeron lukeminen on hyvä esimerkki.
Tehtävä ei vaadi tekoälyltä syvällistä liiketoimintaymmärrystä, eettistä harkintaa tai vuosikymmenten kokemusta.
Sen pitää tunnistaa numerosarja.
Ja koska tunnistamisessa voi tapahtua virhe, tulos tarkistetaan tai validoidaan olemassa olevia sääntöjä vasten.
Tekoälyn ei siis tarvitse olla täydellinen.
Sen pitää olla riittävän hyvä siinä työvaiheessa, johon sitä käytetään, ja prosessin pitää tunnistaa tilanteet, joissa ihminen tarvitaan mukaan.
Tämä on huomattavasti realistisempi lähtökohta kuin kysymys siitä, voiko tekoäly korvata ihmisen.
Samaan aikaan toisaalla
Kun yhdessä huoneessa pohditaan, voiko tekoälyä uskaltaa käyttää yksittäisen viitenumeron lukemiseen, toisessa ympäristössä työskentelytapa on jo muuttunut kokonaan.
Ihminen ottaa verkkosivustoa rakentaessaan kuvakaappauksen lähes jokaisen työvaiheen jälkeen.
Tekoäly tarkastelee kuvaa ja tunnistaa:
mikä muutos onnistui
mikä elementti siirtyi väärään paikkaan
mitä asetusta pitää seuraavaksi muuttaa
mikä välilehti selaimessa on jo valmiiksi auki
mitä työkalua seuraavassa vaiheessa todennäköisesti tarvitaan
Kuvassa näkyy, että selaimen kolmannella välilehdellä vasemmalta on webhotellin hallintapaneeli.
Sitä tarvitaan seuraavaksi, jotta itse rakennettu ajanvarausmoduuli saadaan upotettua verkkosivustolle.
Ihminen ei joudu ensin selittämään koko työympäristöään uudelleen.
Tekoäly lukee tilanteen kuvasta ja jatkaa siitä, missä työ oikeasti on.
Tämä ei ole enää vain tekstin tuottamista.
Se on tilanteen tulkitsemista, seuraavan työvaiheen ennakointia ja ihmisen ohjaaman projektin jatkuvaa tukemista.
Tekoäly voi valmistella myös ihmisten välisiä tilanteita
Teknologian näkyvimmät käyttötavat liittyvät usein dokumentteihin, kuviin, laskentaan ja koodiin.
Vähemmän näkyvä mutta vähintään yhtä kiinnostava käyttökohde on viestinnän ja vuorovaikutustilanteiden valmistelu.
Kun ihmiset työskentelevät yhdessä riittävän pitkään, heidän viestintätavoistaan alkaa löytyä toistuvia piirteitä.
Yksi haluaa suoran vastauksen.
Toinen tarvitsee taustat ja perustelut.
Kolmas reagoi voimakkaasti siihen, jos asia esitetään liian lopullisena.
Neljäs ei vastaa pitkään viestiin lainkaan, mutta reagoi kolmeen selkeään kysymykseen.
Aiemman viestinnän perusteella tekoäly voi auttaa jäsentämään näitä eroja ja muotoilemaan viestin vastaanottajalle sopivammaksi.
Ei manipuloidakseen ihmistä, vaan vähentääkseen tilanteita, joissa hyväkin asia epäonnistuu väärän esitystavan vuoksi.
Sama koskee kokouksiin valmistautumista.
Ennen tärkeää keskustelua voidaan pohtia:
mitkä ovat todennäköisimmät vastaväitteet
missä kohdassa osallistujien tavoitteet eroavat
mitä kysymyksiä todennäköisesti esitetään
millä kolmella eri tavalla keskustelu voi edetä
miten kuhunkin tilanteeseen kannattaa vastata
Tekoäly ei ennusta ihmisten käyttäytymistä varmasti.
Se auttaa valmistautumaan useampaan kuin yhteen mahdolliseen tapahtumakulkuun.
Johtamisessa tämä on merkittävä ero.
Huonosti valmistautunut ihminen reagoi siihen, mitä kokouksessa tapahtuu.
Hyvin valmistautunut ihminen on pohtinut etukäteen, mitä voi tapahtua.
Tässä kohtaa tarvitaan myös rajat
Tekoälyn hyödyntäminen viestinnässä ja henkilöstöasioissa vaatii harkintaa.
Kaikkea aineistoa ei pidä viedä mihin tahansa palveluun.
Henkilötiedot, luottamukselliset viestit, sopimukset ja liikesalaisuudet edellyttävät soveltuvia yritystyökaluja, käyttöoikeuksia ja selkeitä pelisääntöjä.
Tämä ei kuitenkaan ole peruste jättää koko asia tutkimatta.
Se on peruste suunnitella käyttö oikein.
Yrityksissä ei kielletä sähköpostia siksi, että sähköpostilla voi lähettää salassa pidettävää tietoa väärälle vastaanottajalle.
Sen sijaan luodaan ohjeet, käyttöoikeudet ja vastuut.
Tekoälyn kanssa tarvitaan samaa aikuismaista suhtautumista.
Ei sinisilmäistä innostusta.
Ei myöskään sitä, että kaikki uusi kielletään varmuuden vuoksi.
Suuri tekoälystrategia voi olla erinomainen tapa olla tekemättä mitään
Monessa yrityksessä tekoälyn käyttöönotto aloitetaan poikkeuksellisen kunnianhimoisesti.
Päätetään laatia:
koko konsernin tekoälystrategia
laaja riskikartoitus
kattava teknologia-arkkitehtuuri
koulutusohjelma koko henkilöstölle
lista hyväksytyistä käyttötapauksista
monivuotinen etenemissuunnitelma
Kaikki nämä voivat myöhemmin olla tarpeellisia.
Mutta jos ensimmäinen käytännön kokeilu siirtyy puolella vuodella, strategiatyö voi muuttua hienostuneeksi lykkäysmekanismiksi.
Tekoälystä keskustellaan paljon.
Kalvoihin ilmestyy uusia laatikoita.
Vastuuryhmä perustetaan.
Yksi johtoryhmän jäsen käy seminaarissa.
Ja sama työntekijä jatkaa joka aamu tietojen kopioimista järjestelmästä toiseen.
Yritys ei tarvitse ensimmäiseksi täydellistä kuvausta kaikesta siitä, mitä tekoäly voisi joskus tehdä.
Se tarvitsee yhden hallitun kokemuksen siitä, mitä tekoäly pystyy tekemään nyt.
Aloita tehtävästä, jonka tuloksen ihminen pystyy tarkistamaan
Hyvä ensimmäinen kokeilu on pieni, toistuva ja riittävän turvallinen.
Se voi olla esimerkiksi:
ostolaskujen tietojen poiminta
kokousmuistion ensimmäinen luonnos
pitkän raportin tiivistäminen
asiakaspalautteiden ryhmittely
tarjouksen tietojen vertaaminen vaatimuksiin
sisäisen ohjeen löytäminen suuresta dokumenttimäärästä
myyntipalaverin valmistelu
verkkosivutekstin ensimmäinen versio
yksinkertaisen työkalun prototyyppi
Hyvässä pilotissa:
tehtävä toistuu riittävän usein
siihen kuluu selvästi aikaa
lähtöaineisto on saatavilla
lopputulos voidaan tarkistaa
virhe ei aiheuta hallitsematonta vahinkoa
hyödylle voidaan määrittää yksinkertainen mittari
Ensimmäisen kokeilun ei tarvitse todistaa, että tekoäly mullistaa koko yrityksen.
Riittää, että se vastaa yhteen kysymykseen:
Kannattaako tätä jatkaa?
Mittaa tavallisia asioita
Tekoälypilotin onnistumista ei tarvitse mitata monimutkaisella AI-indeksillä.
Voidaan kysyä:
paljonko aikaa säästyi
vähenikö manuaalinen työ
paraniko tiedon löydettävyys
jäikö ihmiselle enemmän aikaa arviointiin
syntyikö vähemmän virheitä
helpottiko työ aidosti
oliko tulos riittävän hyvä jatkokäyttöön
Jos ostolaskun käsittelyyn kului ennen kolme minuuttia ja nyt yksi minuutti, hyöty voidaan laskea.
Jos tärkeään kokoukseen valmistautuminen tuotti aiemmin yhden suunnitelman ja nyt kolme realistista skenaariota, hyöty näkyy päätöksenteossa.
Jos verkkosivuston pieni tekninen muutos vaati ennen ulkopuolisen kehittäjän ja nyt se syntyy valvotusti vartissa, vaikutus näkyy nopeudessa ja kustannuksissa.
Kaikkea arvoa ei tarvitse kuvata futuristisilla termeillä.
Joskus tekoälyn paras liiketoimintahyöty on se, että tavallinen työ sujuu hieman paremmin joka päivä.
Kokeilu ei tarkoita kontrollin menettämistä
Yritysten varovaisuus on ymmärrettävää.
Virheitä tapahtuu.
Tietoa voi vuotaa.
Tekoäly voi tuottaa vakuuttavalta kuulostavaa hölynpölyä.
Mutta samaan aikaan myös ihmiset lukevat viitenumeroita väärin, tallentavat tiedostoja vääriin kansioihin, unohtavat kokousten päätöksiä ja tekevät ratkaisuja puutteellisella tiedolla.
Tavoitteena ei ole korvata inhimillistä epätäydellisyyttä täydellisellä koneella.
Sellaista konetta ei ole.
Tavoitteena on rakentaa prosessi, jossa ihmisen ja teknologian vahvuudet täydentävät toisiaan.
Tekoäly käsittelee nopeasti suuria määriä tietoa, tunnistaa rakenteita ja tuottaa vaihtoehtoja.
Ihminen ymmärtää tilanteen, arvioi seuraukset, tekee päätöksen ja kantaa vastuun.
Ehkä suurin riski ei olekaan virheellinen viitenumero
Yrityksissä on hyvä pohtia, mitä tapahtuu, jos tekoäly lukee yhden tiedon väärin.
Vähintään yhtä tärkeä kysymys on kuitenkin tämä:
Mitä tapahtuu, jos emme opi käyttämään sitä lainkaan?
Silloin kilpailija käsittelee saman tiedon nopeammin.
Toinen yritys rakentaa palvelun, jota oma organisaatio vielä selvittää työryhmässä.
Yksi työntekijä moninkertaistaa tuottavuutensa, kun toinen jatkaa tietojen etsimistä paperipinoista.
Mikään teknologia ei poista hyvän työn, kokemuksen tai harkinnan arvoa.
Mutta historia ei tunne kovin montaa tapausta, jossa tehokkaamman työkalun järjestelmällinen vastustaminen olisi muodostunut pitkäaikaiseksi kilpailueduksi.
Aloita ongelmasta
Ensimmäisen tekoälyprojektin ei tarvitse olla näyttävä.
Sen ei tarvitse muuttaa koko organisaatiota.
Sen ei tarvitse edes näkyä asiakkaalle.
Valitse yksi todellinen ongelma.
Rajaa tehtävä.
Määrittele, mitä onnistuminen tarkoittaa.
Suojaa tiedot.
Pidä ihminen mukana tarkistamassa tulokset.
Kokeile.
Mittaa.
Päätä sen jälkeen, mitä opitusta kannattaa tehdä seuraavaksi.
Yritys ei siirry tekoälyaikaan sillä hetkellä, kun johtoryhmän esitykseen lisätään sana AI.
Se siirtyy tekoälyaikaan sillä hetkellä, kun ensimmäinen oikea ongelma ratkaistaan uudella tavalla.
Tekoäly on tullut mukaan mitä erilaisimpiin tilanteisiin: akvaariokalojen laskemisesta hifijärjestelmän suunnitteluun, pH-mittarin kalibroinnista yrityksen verkkosivuihin. Suurin muutos ei ole yksittäinen temppu, vaan tapa, jolla ongelmia nykyään lähestyn.
Tekoäly ei tullut elämääni yhtenä suurena mullistuksena.
Se tuli ensin pieninä kysymyksinä.
Voisitko verrata näitä vaihtoehtoja?
Mitä tämä mittaustulos tarkoittaa?
Miten tämä kannattaisi rakentaa?
Tunnistatko tämän laitteen kuvasta?
Sitten kysymykset alkoivat muuttua.
En enää kysynyt vain tietoa, vaan pyysin tekoälyä tulkitsemaan kuvia, arvioimaan videoita, hahmottamaan teknisiä kokonaisuuksia, suunnittelemaan järjestelmiä ja rakentamaan ratkaisuja kanssani.
Jossain vaiheessa huomasin, ettei ChatGPT ollut minulle enää vain tavallista monipuolisempi hakukone.
Siitä oli tullut ajattelukumppani.
Sama työkalu, täysin erilaiset ongelmat
Tekoälystä puhuttaessa keskustelu keskittyy helposti suuriin teemoihin.
Puhutaan työpaikkojen katoamisesta, automatisoinnista, suurista IT-hankkeista ja kokonaisia toimialoja muuttavista innovaatioista.
Ne ovat tärkeitä aiheita, mutta oman kokemukseni perusteella tekoälyn vaikutus näkyy ainakin aluksi aivan muualla.
Se näkyy pienissä hetkissä.
Sellaisissa tilanteissa, joissa ennen olisin etsinyt käyttöohjeen, selannut keskustelupalstoja, soittanut osaavammalle henkilölle tai jättänyt koko asian myöhemmäksi.
Nyt voin ottaa kuvan, kuvata ongelman ja aloittaa asian selvittämisen saman tien.
Aamulla pH-mittari
Eräänä aamuna minulla oli edessäni akvaariokäyttöön tarkoitettu pH-mittari.
Mittari oli näyttänyt viime aikoina hieman liikaa, joten olin puhdistanut anturin, pitänyt sitä hoitoliuoksessa ja siirtänyt sen lopulta pH 7,0 -kalibrointiliuokseen.
Laite pitäisi vielä kalibroida.
Ongelma oli pieni mutta käytännöllinen: mistä säätö tehdään?
Otin mittarista kuvan ja lähetin sen ChatGPT:lle.
Kuvan perusteella laite tunnistui Milwaukee pH51 -mittariksi. Seuraavasta kuvasta löytyivät kaksi säätöruuvia ja merkinnät, jotka viittasivat pH 7:n ja pH 4:n kalibrointipisteisiin.
Pääsin jatkamaan ilman käyttöohjeiden etsimistä tai eri malliversioiden vertailua.
Tekoäly ei tietenkään kalibroinut mittaria puolestani. Minä valmistelin laitteen, tein säädön ja tarkistin tuloksen.
Mutta tekoäly auttoi minut nopeasti tilanteeseen, jossa tiesin, mitä olin tekemässä.
Juuri tällaiset hetket ovat muuttaneet omaa tapaani ratkaista ongelmia.
Ennen ensimmäinen kysymys olisi voinut olla:
Mistä löydän tähän käyttöohjeen?
Nyt se on usein:
Mitä pystymme päättelemään tästä kuvasta?
Akvaariokalojen laskeminen videolta
Akvaariokalojen kasvattamisessa tulee vastaan ongelmia, joita ei välttämättä löydy valmiista käyttöohjeesta.
Yksi niistä on poikasten määrän arviointi.
Kun altaassa ui suuri määrä pieniä lehtikalanpoikasia, niiden laskeminen silmämääräisesti on vaikeaa. Kalat liikkuvat, menevät toistensa taakse ja vaihtavat jatkuvasti paikkaa.
Yksittäisestä kuvasta voi saada karkean käsityksen, mutta video kertoo tilanteesta enemmän.
Videon perusteella olemme arvioineet poikasten määrää, tarkastelleet niiden liikkumista ja ruokailukäyttäytymistä sekä seuranneet värityksen kehittymistä.
Tekoälyn arvio ei tällaisessa tilanteessa ole absoluuttinen totuus. Liikkuvien kalojen laskentaan liittyy aina epävarmuutta.
Se voi silti antaa huomattavasti paremman lähtökohdan kuin nopea silmämääräinen arvaus.
Vielä olennaisempaa on se, että videota voidaan tarkastella useasta näkökulmasta:
kuinka paljon poikasia altaassa suunnilleen on
jakautuvatko ne tasaisesti
näyttävätkö ne syövän aktiivisesti
näkyykö joukossa kokoeroja
miten väritys ja evät kehittyvät
milloin tila alkaa jäädä liian pieneksi
Tekoäly ei korvaa kasvattajan kokemusta.
Se auttaa kohdistamaan huomion oikeisiin asioihin.
Hifijärjestelmä ei ole vain kasa laitteita
Toinen täysin erilainen käyttökohde on hifi.
Olen suunnitellut ja rakentanut pitkään erilaisia kaiutinratkaisuja, huoneakustiikkaa ja sähköistä huonekorjausta. Tällaisissa projekteissa yksittäinen kysymys liittyy lähes aina suurempaan kokonaisuuteen.
Kaiuttimien sijoitteluun vaikuttavat esimerkiksi:
huoneen mitat
kuuntelupaikka
seinien ja katon heijastukset
elementtien suuntaavuus
jakotaajuudet
viiveet
vahvistimien ominaisuudet
MiniDSP:n säädöt
mittaustulokset
Yksittäiseen kohtaan voi löytyä nopeasti tekninen vastaus. Vaikeampaa on nähdä, miten ratkaisu vaikuttaa koko järjestelmään.
Juuri siinä tekoälystä on ollut minulle paljon hyötyä.
Olemme voineet tarkastella kaiutinrakenteita, vertailla eri toteutustapoja ja pohtia, miten akustiset ratkaisut, DSP-säädöt ja fyysinen sijoittelu vaikuttavat toisiinsa.
Välillä tekoäly toimii laskijana.
Välillä kriitikkona.
Välillä se auttaa sanoittamaan ongelman, jonka olen itse jo havainnut mutta jota en ole osannut vielä määritellä tarkasti.
Välillä hyödyllisin kysymys ei ole:
Mikä jakotaajuus minun pitäisi valita?
Vaan:
Mitä yritämme tällä säädöllä oikeastaan korjata?
Tämä ero on tärkeä.
Ensimmäinen kysymys hakee lukua.
Toinen hakee ymmärrystä.
Tekoäly ei tarvitse valmista lokeroa
Ihmisellä on tapana jakaa osaamisensa eri alueisiin.
Työasiat ovat yhdessä lokerossa.
Harrastukset toisessa.
Tekniikka kolmannessa.
Luovuus neljännessä.
Tekoälyn näkökulmasta nämä rajat eivät ole yhtä jyrkkiä.
pH-mittarin kalibrointi, akvaariokalojen laskeminen, hifijärjestelmän suunnittelu ja verkkosivuston rakentaminen näyttävät pinnalta täysin erilaisilta tehtäviltä.
Niissä käytetään silti monia samoja työvaiheita:
tunnistetaan ongelma
kerätään havaintoja
vertaillaan vaihtoehtoja
muodostetaan oletus
testataan ratkaisua
arvioidaan tulos
korjataan suuntaa
Tekoälyn vahvuus on siinä, että sama keskustelukumppani voi osallistua kaikkiin näihin vaiheisiin.
Aamulla se voi auttaa tunnistamaan kalibrointiruuvin.
Päivällä se voi tulkita kaiutinmittausta.
Illalla se voi auttaa suunnittelemaan yrityksen verkkosivustoa.
Työkalua ei tarvitse vaihtaa joka kerta, kun aihe vaihtuu.
Pienet kysymykset voivat johtaa suuriin projekteihin
Tekoälyn käyttö alkaa usein hyvin pienestä.
Kysyt yhden kysymyksen.
Saat vastauksen.
Kysyt tarkennuksen.
Sitten huomaat, että samaa asiaa voisi kehittää pidemmälle.
Näin on käynyt minulle useita kertoja.
Yksittäisestä teknisestä ongelmasta on voinut syntyä kokonainen suunnitelma.
Suunnitelmasta prototyyppi.
Prototyypistä toimiva ratkaisu.
Esimerkiksi oman Mac-sovelluksen rakentaminen ei alkanut siitä, että olisin päättänyt ryhtyä ohjelmistokehittäjäksi.
Minulla oli käytännön tarve seurata koneen lämpötiloja, muistinkäyttöä ja muita järjestelmän tietoja paremmin.
Tarpeesta syntyi keskustelu.
Keskustelusta määrittely.
Määrittelystä Codexilla rakennettu sovellus.
Tässä näkyy yksi tekoälyn kiinnostavimmista vaikutuksista.
Se lyhentää matkaa ajatuksesta ensimmäiseen kokeiluun.
Aiemmin moni idea olisi voinut pysähtyä tähän:
Tämä olisi hyödyllinen, mutta en osaa rakentaa sitä.
Nyt seuraava ajatus voi olla:
Katsotaan ensin, kuinka pitkälle pääsemme.
Tekoäly voi sekä lisätä että peittää osaamista
Tekoälyyn liittyy myös riski.
Kun vastaukset tulevat nopeasti ja ohjeet näyttävät vakuuttavilta, käyttäjä voi alkaa luottaa niihin liikaa.
Tämä korostuu erityisesti teknisissä, terveydellisissä, juridisissa tai taloudellisissa kysymyksissä, joissa virheellinen neuvo voi aiheuttaa todellista haittaa.
Tekoäly voi tunnistaa laitteen väärin.
Se voi tulkita kuvan puutteellisesti.
Se voi ehdottaa teknisesti mahdollista mutta käytännössä huonoa ratkaisua.
Se voi myös kirjoittaa täysin varman kuuloisesti asiasta, jonka se on ymmärtänyt väärin.
Siksi tekoälyn käyttö ei poista käyttäjän harkintaa.
Se lisää sen merkitystä.
pH-mittarin kuvassa voi näkyä kaksi säätöruuvia. Minun pitää silti ymmärtää, kumpaa ollaan säätämässä ja miksi.
Hifijärjestelmään voidaan ehdottaa uutta jakotaajuutta. Minun pitää silti mitata, kuunnella ja arvioida lopputulos.
Kalojen määrä voidaan arvioida videolta. Minun pitää silti ottaa huomioon, kuinka paljon yksilöitä voi jäädä piiloon.
Tekoälyn vastaus ei ole prosessin loppu.
Se on usein uuden tarkistuksen alku.
En saanut kaikkia vastauksia – sain paremman tavan kysyä
Tekoälyn hyötyä mitataan helposti sillä, kuinka monta asiaa se pystyy tekemään.
Minulle suurempi muutos on tapahtunut siinä, miten lähestyn asioita.
Olen oppinut pilkkomaan ongelmia paremmin.
Kuvaamaan lähtötilanteen tarkemmin.
Kertomaan, mitä olen jo kokeillut.
Pyytämään vaihtoehtoja yhden vastauksen sijaan.
Kysymään perusteluja.
Pyytämään riskejä ja vasta-argumentteja.
Pysähtymään välillä tarkistamaan kokonaiskuvaa.
Hyvä keskustelu tekoälyn kanssa ei synny siitä, että ihminen kirjoittaa yhden täydellisen komennon.
Se syntyy vaiheittain.
Aivan kuten hyvä keskustelu toisen ihmisen kanssa.
Ensimmäinen vastaus harvoin ratkaisee koko asiaa. Se auttaa muodostamaan paremman seuraavan kysymyksen.
Ei oraakkeli vaan työpari
En pidä tekoälyä kaikkitietävänä auktoriteettina.
Se tekee virheitä, unohtaa asioita ja voi ymmärtää tilanteen väärin.
En myöskään ajattele sen korvaavan ihmistä.
Parempi kuvaus on työpari.
Sellainen työpari, joka on käytettävissä silloin, kun mieleen tulee kysymys, havainto tai idea.
Sen kanssa voi:
ajatella ääneen
tutkia vaihtoehtoja
tarkastella kuvia ja videoita
testata oletuksia
rakentaa suunnitelmia
kirjoittaa ja ohjelmoida
palata aiempaan ja yrittää uudelleen
Työparilla ei ole omaa tavoitetta.
Minun pitää tuoda se keskusteluun.
Työpari ei kanna vastuuta.
Minun pitää kantaa se.
Mutta hyvällä ohjauksella se voi auttaa minua tekemään enemmän, oppimaan nopeammin ja näkemään mahdollisuuksia siellä, missä aiemmin näin vain rajoituksia.
Suurin muutos tapahtuu ehkä huomaamatta
Tekoälyn vaikutusta ei välttämättä huomaa yhtenä suurena käännekohtana.
Sen huomaa vasta, kun katsoo taaksepäin.
Huomaa kysyneensä apua kymmeniin asioihin, joita ei olisi aiemmin tullut edes ajatelleeksi tekoälylle sopivina.
Akvaariokalojen määrä.
pH-mittarin kalibrointi.
Kaiuttimien sijoittelu.
MiniDSP:n säädöt.
Tietokoneen lämpötilat.
Verkkosivuston rakenne.
Yrityksen palvelut.
Yksittäin nämä ovat pieniä tai keskisuuria käyttötapauksia.
Yhdessä ne muodostavat paljon suuremman muutoksen.
Tekoäly ei muuttanut vain tapaani tehdä työtä.
Se muutti tapaani kohdata ongelma.
En enää kysy ensimmäiseksi, osaanko tehdä tämän jo valmiiksi.
Kysyn:
Mitä tästä pystymme selvittämään – ja mikä olisi järkevä ensimmäinen askel?
