KIDE – kanteleen interaktiivinen digitaalinen ympäristö tapaustutkimuksena tekoälyn mahdollisuuksista ja vastuusta
Tekoälystä puhutaan usein teknologiana, joka tuottaa tekstiä, kuvia, musiikkia tai muuta valmista sisältöä ihmisen puolesta. Omassa työssäni kiinnostavammaksi on kuitenkin osoittautunut toisenlainen mahdollisuus: tekoäly voi toimia teknisenä työparina, jonka avulla oman alansa asiantuntija pystyy rakentamaan jotakin, minkä toteuttamiseen hänellä ei aikaisemmin olisi ollut tarvittavaa teknistä osaamista.
Sisältö
Luku 1: KIDE
- Lähtökohta oli musiikillinen eikä tekninen
- Kun pedagoginen idea pitää selittää koneelle
- Prototyyppi syntyi pienin askelin
- Musiikillinen tieto piti kirjoittaa auki
- Digitaalinen ympäristö, akustinen soitin ja yhteinen ääni
- KIDE – muut ympäristöt
- Mitä tekoäly teki ja mitä ihminen teki?
Luku 2: Pohdinta
- Tasa-arvoistava teknologia eriarvoistavilla jakelualustoilla
- Digitaalinen ei ole aineetonta
- Tekoälylukutaito on myös kykyä olla käyttämättä tekoälyä
- Kun työvälineestä tulee vaikeasti ennakoitava järjestelmä
- Kun kone tuottaa tietoa
- Entä jos taiteen tekijää ei ole?
- Kehityksen pysäyttämisen sijaan vastuullista käyttöä
- Lopuksi
Lähteet
Luku 1: KIDE
Olen musiikkipedagogi ja muusikko, en ohjelmistokehittäjä tai musiikkiteknologian ammattilainen. Tästä huolimatta olen pystynyt tekoälyn avulla rakentamaan toimivia digitaalisia musiikkipedagogisia ympäristöjä, joiden toteuttaminen olisi vielä vähän aikaa sitten edellyttänyt joko laajamittaista ohjelmoinnin opettelemista tai tiivistä yhteistyötä ohjelmistokehittäjän kanssa.
Tässä artikkelissa tarkastelen tätä muutosta yhden konkreettisen tapauksen kautta. KIDE – Kanteleen interaktiivinen digitaalinen ympäristö on kanteleen luovaan soittamiseen, improvisaatioon, kuuntelemiseen ja yhteismusisointiin rakentuva digitaalinen toimintaympäristö. Siihen kuuluu tällä hetkellä kokonaisuudet Kantelekisälli, Helise heliä metsä, LEPO – interaktiivinen albumi ja Kantelemeditaatio-opas. Kantelekisälli ja Helise heliä metsä ovat jo toimiviksi digitaalisiksi kokonaisuuksiksi edenneitä osia, kun taas LEPO ja Kantelemeditaatio-opas ovat pitkälle suunniteltuja KIDEn kokonaisuuksia, joiden digitaalinen toteuttaminen on vielä edessä. KIDE on rakennettu ChatGPT:llä.
KIDE-ympäristön lähtökohtana oleva digitaalinen viisikielinen kantele ei syntynyt tätä kokonaisuutta varten. Sen olivat kehittäneet jo aikaisemmin Osmo Hakosalo ja Jussi Tuohino osana hakosalo_tuohinon taiteellista työskentelyä, ja myös sen rakentamisessa hyödynnettiin osittain tekoälyä. KIDE syntyi seuraavana vaiheena, kun digitaalista soitinta ryhdyttiin tarkastelemaan laajemmin pedagogisena, taiteellisena ja osallistavana ympäristönä.
KIDE on tässä artikkelissa ennen kaikkea tapaustutkimus. Varsinainen kysymys ei ole, miten tehdään digitaalinen kanteleen oppimisympäristö, vaan mitä tapahtuu, kun ihminen, jolla ei ole ohjelmointitaustaa, mutta jolla on vahva oman alansa asiantuntemus, saa käyttöönsä tekoälyn kaltaisen työkalun käyttöönsä. Tämä käytännöllinen kehitystyö on samalla pakottanut minut pohtimaan suurempia kysymyksiä tekoälyn saavutettavuudesta, ympäristövaikutuksista, tiedosta, luovuudesta ja vastuusta.
1. Lähtökohta oli musiikillinen eikä tekninen
KIDEn kehittämisen lähtökohtana ei ollut sovellus sinänsä, vaan kysymys siitä, miten viisikieliseen kanteleeseen voisi tutustua omakohtaisesti ja millaisia uudenlaisia musiikillisia tilanteita digitaalisen instrumentin ympärille voisi rakentaa. Digitaalisella kanteleella voi soittaa mobiililaitteen kosketusnäytöltä, tietokoneen näppäimistöltä, yksin, pareittain tai ryhmässä sekä akustisen kanteleen rinnalla.
KIDE-ympäristössä tämä tarkoittaa vähittäistä tutustumista äänen tuottamiseen, rytmiin, soittoasentoon, improvisaatioon, yhteiseen pulssiin ja perinnesävelmiin. Pelillisyys ei tarkoita pisteitä tai kilpailua, vaan oppimisen rakenteita, kutsuja, vaihtoehtoja ja toistettavia mutta silti muuntuvia musiikillisia tilanteita. Peli ohjeistaa soittajaa hakemaan uusia ilmaisumuotoja ja vapautta tarkan “oikein” soittamisen sijaan. Myös oma taustani kanteleensoittajana on tapahtunut erilaisten kokeilujen ja oman äänen löytämisen kautta. Mitään varsinaista opetusta en kanteleen soittoon ole koskaan saanut, enkä halunnut.
Tämä lähtökohta osoittautui tärkeäksi myös tekoälyn kanssa työskenneltäessä. En lähtenyt kysymään tekoälyltä, millaisen pelin se voisi tehdä, vaan yritin kertoa sille, millaisen musiikillisen tilanteen halusin rakentaa.
2. Kun pedagoginen idea pitää selittää koneelle
Tekoälyn kanssa työskentely alkoi keskustelusta. Ensin kuvasin tavoitteita ja mahdollisia käyttäjiä: koululaisia, musiikkikasvatuksen opiskelijoita ja kaikkia kanteleesta kiinnostuneita. Sen jälkeen piti täsmentää itse instrumentti: viisi kieltä, F- ja F#-vaihto, oktaavi alas sekä koputusääni.
Jokainen tekniseltä vaikuttava yksityiskohta osoittautui samalla musiikilliseksi ja pedagogiseksi valinnaksi. F:n ja F#:n välillä vaihtaminen avaa mahdollisuuden kuunnella duurin ja mollin eroa, kun taas oktaavin laskeminen mahdollistaa esimerkiksi Helise heliä metsä -kokonaisuudessa karhun ja nuotion matalamman sointimaailman.
Tekoäly pystyi jäsentämään vaihtoehtoja, ehdottamaan ratkaisuja ja muuttamaan niitä nopeasti toimiviksi prototyypeiksi. Minun tehtäväni oli hyväksyä, hylätä tai korjata niitä. Samalla asiat, jotka muusikolle tai pedagogille voivat olla lähes itsestään selviä, piti kirjoittaa auki: mitä tapahtuu ensin, mitä käyttäjän pitäisi kuulla, kuinka pitkä äänen pitäisi olla, millä sormella kieltä soitetaan ja mikä tuntuu luontevalta – tekoälyn kanssa työskentely pakotti sanallistamaan hiljaista asiantuntijatietoa.
3. Prototyyppi syntyi pienin askelin
Ensimmäiseen toimivaan versioon rakennettiin kanteleen viisi kieltä, F–F#-vaihto, oktaavivaihto, koputus sekä pyyhkäisyt. Luonnollisesti myös visuaalisuus osoittautui tärkeäksi: soittimen piti muistuttaa viisikielistä kanteletta, ja kielten suunnan, viritystappien paikan, kanteleen muodon sekä vaakasuuntaisen käytön piti tukea oikean instrumentin soittamista.
Myös soittoasento tehtiin näkyväksi. Tekoälyn tuottamissa kuvissa kädet saattoivat ensimmäisissä versioissa olla periaatteessa oikeassa paikassa mutta anatomisesti epäluontevia tai pedagogisesti harhaanjohtavia. Useiden korjauskierrosten jälkeen kuvasta tuli käyttökelpoinen.
Tämä kuvaa koko prosessia. Tekoälyn kanssa ohjelmoiminen ei ollut yhden onnistuneen promptin kirjoittamista vaan jatkuvaa prototyypin rakentelua: kokeiltiin, katsottiin ja kuunneltiin, määriteltiin ongelma mahdollisimman tarkasti ja tehtiin seuraava versio. Työskentely alkoi muistuttaa omaa musiikillista praktiikkaani: ensimmäinen versio ei ollut vastaus vaan kysymys, johon seuraava, tai sitä seuraava kokeilu mahdollisesti vastaisi.
4. Musiikillinen tieto piti kirjoittaa auki
Kantelekisällin kappaleiden opettaminen perustuu korvakuulolta oppimiseen eikä nuottikuvaan. Sävelkulut annettiin tekoälylle tekstimuodossa ja kestot sovittiin yhteisellä merkintätavalla. Tämä mahdollisti perinnesävelmien rakentamisen järjestelmällisesti ilman perinteistä nuotinnusta. Halusin myös minimoida länsimaisen taidemusiikinteorian terminologiaa korostaakseni perinnemusiikin erilaista musiikillista luonnetta ja oppimistapoja.
Sävelmiä opetellaan fraasi kerrallaan, mutta käyttäjälle annetaan myös jatkuvia luuppeja, joiden päälle hän voi improvisoida. Erityisen tärkeää on, että rytmi voi olla vapaa, tahditon mutta silti virtaava. Kaikkea ei tarvitse puristaa metronomin tai oikean vastauksen muotoon.
Tässä tuli näkyviin yksi tekoälyn kanssa työskentelyn kiinnostavimmista piirteistä. Tekoälylle ei voinut vain sanoa, että jonkin asian pitäisi olla ”musiikillisempi”. Musiikillinen tieto piti muuttaa kuvauksiksi, esimerkeiksi, säännöiksi ja korjauksiksi. Sellainen tieto, joka opetustilanteessa voisi välittyä eleenä, kuuntelemalla tai yhdessä soittamalla, piti tehdä eksplisiittiseksi.
Omassa tapauksessani tämä tieto ei rajoitu siihen, miten viisikielistä kanteletta teknisesti soitetaan. Työskentelyni taustalla on vahva perehtyneisyys arkaaiseen ja vanhaan kanteleperinteeseen sekä pienkanteleiden soittotapoihin, mutta myös siihen, millainen merkitys musiikilla on ollut perinteessä sosiaalisena ilmiönä. Kanteleperinteen yhteisöllisyys ei tarkoittanut sitä, että musiikkia olisi välttämättä tehty yhdessä. Usein soittajia oli vain yksi. Soittaminen tapahtui kuitenkin yhteisön keskellä ja osana sosiaalisia ja rituaalisia tilanteita, joiden merkitystä musiikki oli mukana rakentamassa. Musiikki ei ollut näistä tilanteista irrallinen esitys, vaan osa sitä, mikä teki tilanteista ja niiden ympärille muodostuvista yhteisöistä juuri sellaisia kuin ne olivat.
KIDE-ympäristön tavoitteena ei kuitenkaan ole rekonstruoida historiallista musiikkikulttuuria sellaisenaan, vaan kysyä, mitä tästä vanhasta musiikillisesta ajattelusta voidaan tuoda 2020-luvulle. Korvakuulolta oppiminen, vapaa rytminen virta, improvisaatio, luonto, ympäristö ja toisto ovat osa tätä, mutta vielä perustavampi kysymys liittyy musiikin paikkaan ihmisten välillä: musiikkia ei tarvitse ymmärtää ensisijaisesti yksilön suorituksena tai valmiin teoksen esittämisenä, vaan toimintana, joka voi rakentaa tilanteita, suhteita ja yhteistä kokemusta.
Juuri tässä tekoälyn ja ihmisen asiantuntijuuden ero tulee ehkä selvimmin näkyviin. Tekoäly pystyy toteuttamaan rakenteen ja kirjoittamaan koodia, mutta sille täytyy ensin pystyä kertomaan, mikä musiikillisessa perinteessä on säilyttämisen, muuntamisen ja uudelleen ajattelemisen arvoista. Tekoäly ei siten vähentänyt oman asiantuntemukseni merkitystä, vaan pakotti tekemään näkyväksi tietoa, joka oli aikaisemmin suurelta osin kehollista, kokemuksellista ja hiljaista.
5. Digitaalinen ympäristö, akustinen soitin ja yhteinen ääni
KIDE-ympäristöä ei rakennettu vain yksilösuorituksen ympärille. Harjoituksissa voi olla esimerkiksi pulssin pitäjä, säestäjä, melodian soittaja ja vapaan sävelen soittaja. Tarkoituksena pelissä ei ole voittaa vaan kuunnella muita ja löytää yhteinen musiikillinen kokemus.
Uusimmassa versiossa digitaalinen ympäristö tunnistaa myös akustisen kanteleen soittoa mikrofonin kautta. Digitaalisen ja akustisen instrumentin ei siten tarvitse muodostaa toisistaan erillisiä maailmoja, vaan digitaalinen ympäristö voi kuunnella fyysisellä instrumentilla tapahtuvaa musisointia ja reagoida siihen.
Tämä on minulle tärkeä periaate. Digitaalisen musiikkivälineen ei tarvitse eristää ihmistä omaan ruutuunsa. Se voi parhaimmillaan palauttaa huomion ruudulta takaisin ihmisiin, instrumenttiin ja yhteiseen kokemukseen.
6. KIDE – muut ympäristöt
Helise heliä metsä vie digitaalisen kanteleen luonnon äänimaisemien ja kuuntelemisen suuntaan. Soittaja kutsuu metsää erilaisilla musiikillisilla motiiveilla: pyyhkäisy herättää tuulen, rytminen koputus palokärjen ja tietty sävelkuvio puron. Tekoälyn rooli laajeni tässä ohjelmoinnin ulkopuolelle äänilähteiden ja käyttöoikeuksien etsimiseen. Lopullinen lähteen, lisenssin sekä äänen musiikillisen ja esteettisen sopivuuden arviointi jäi kuitenkin ihmiselle.
LEPO – interaktiivinen albumi perustuu Osmo Hakosalon ja Erja Pätsin duon improvisatoriseen konsertti- ja albumikonseptiin. Interaktiivisessa versiossa kuulija voi muuttua kanssasoittajaksi ja improvisoida albumin musiikin päälle ohjatusti tai vapaasti. Valmiin teoksen ja siihen osallistumisen välinen raja alkaa tällöin kiinnostavalla tavalla muuttua häilyväksi.
Kantelemeditaatio-opas puolestaan perustuu Kantelemeditaatio-tuoteperheeseen ja erilaisiin ennalta kehitettyihin ja suunniteltuihin meditatiivisiin ääni-improvisaatioihin. Osallistuja voi tulevaisuudessa tehdä harjoituksia akustisella kanteleella, digikanteleella tai vain kuunnella. Digitaalisen välineen ei siis tarvitse jatkuvasti vaatia toimintaa; sen tehtävä voi olla myös ohjata olemaan tekemättä ja keskittymään kuuntelemiseen.
Nämä kokonaisuudet osoittavat yhdessä, ettei tekoälyn avulla rakennettavan musiikillisen ympäristön tarvitse perustua yhteen toimintamalliin. Se voi palvella oppimista, improvisaatiota, yhteissoittoa, kuuntelemista, osallistavaa taidetta ja meditaatiota.
7. Mitä tekoäly teki ja mitä ihminen teki?
Tekoälyn vahvuus kehitysprosessissa oli kyky rakentaa nopeasti prototyyppejä ja muokata niitä palautteen perusteella. Se ehdotti rakenteita, käyttöliittymätekstejä, harjoitusmuotoja ja teknisiä ratkaisuja sekä toimi tiedonhaussa ja lähteiden kartoittamisessa eräänlaisena tutkimusavustajana.
Ihmisen vastuulle jäi kuitenkin se, mikä määritti välineen luonteen: mikä on musiikillisesti tarkoituksenmukaista, mikä soittimelle luontevaa, missä järjestyksessä asioita opitaan ja mikä on kulttuurisesti ja esteettisesti perusteltua. Myös lopullinen vastuu lähteistä, lisensseistä ja käytettävästä materiaalista jäi ihmiselle.
KIDE-prosessi onkin saanut minut ajattelemaan, että tekoäly voi madaltaa teknisen osaamisen kynnystä ja samalla nostaa muun asiantuntijuuden merkitystä. Kun tekninen toteuttaminen ei välttämättä edellytä ohjelmointikielen hallintaa, ratkaisevammaksi voi muuttua se, mitä käyttäjä tietää, mitä hän osaa kysyä ja millaisen käsityksen maailmasta hän tuo järjestelmään.
Luku 2: Pohdinta
1. Tasa-arvoistava teknologia eriarvoistavilla jakelualustoilla
Ohjelmointi on pitkään ollut yksi digitaalisen yhteiskunnan vahvoista erityistaidoista. Ihmisellä on voinut olla erinomainen pedagoginen, taiteellinen tai yhteiskunnallinen idea, mutta ilman ohjelmointitaitoa tai mahdollisuutta palkata ohjelmoijaa idea on helposti jäänyt toteutumatta.
Generatiivinen tekoäly muuttaa tätä asetelmaa. Oma työni on tästä konkreettinen esimerkki: en ole ohjelmoija, mutta olen pystynyt rakentamaan toimivia digitaalisia musiikkipedagogisia ympäristöjä keskustelemalla tekoälyn kanssa ja korjaamalla sen ratkaisuja oman asiantuntemukseni perusteella.
Ohjelmointiosaaminen tai ammattimaisen ohjelmoijan asiantuntemus ei muutu tarpeettomaksi. Sen sijaan pääsy ohjelmistojen rakentamiseen ei enää ole samalla tavalla sidottu siihen, että käyttäjän täytyy itse hallita ohjelmointikieliä. Tekoäly voi siten siirtää painopistettä teknisestä toteuttamisesta kohti kysymystä siitä, mitä ihminen tietää omasta alastaan ja mitä hän haluaa rakentaa.
Tässä on voimakkaasti tasa-arvoistava potentiaali. Samalla syntyy paradoksi: tehokkaimpien mallien, suurten käyttömäärien ja ohjelmistokehitykseen soveltuvien työkalujen käyttäminen maksaa. Omassa intensiivisessä kehitystyössäni kustannukset ovat voineet nousta kymmeniin tai jopa sataan euroon kuukaudessa.
Tekoäly järjestelmänä voi siis madaltaa osaamiseen liittyviä esteitä samalla, kun sen jakelualustat rakentavat puolestaan uusia taloudellisia esteitä. Jos tekoälystä muodostuu yleiskäyttöinen väline ohjelmointiin, tutkimukseen, opetukseen ja ongelmanratkaisuun, kysymys pääsystä siihen alkaa lähestyä kysymystä pääsystä muihin yhteiskunnassa toimimisen keskeisiin tiedollisiin välineisiin.
2. Digitaalinen ei ole aineetonta
Tekoälyn helppous tekee sen materiaalisuuden helposti näkymättömäksi. Käyttöliittymän taustalla on datakeskuksia, laskentaa, sähköntuotantoa, jäähdytystä, tietoliikenneverkkoja ja laitteistoja.
Kansainvälisen energiajärjestön mukaan maailman datakeskusten sähkönkulutus oli vuonna 2025 noin 485 terawattituntia, ja sen arvioidaan kasvavan noin 950 terawattituntiin vuoteen 2030 mennessä. AI-painotteisten datakeskusten sähkönkulutuksen arvioidaan kolminkertaistuvan samalla ajanjaksolla (IEA 2026).
Tämä tekee tekoälyn käytöstä myös käyttäjän vastuukysymyksen. Jos tiedämme käyttävämme materiaalista infrastruktuuria vaativaa teknologiaa, on perusteltua kysyä, tarvitseeko sitä käyttää kaikkeen siihen, mihin sitä voidaan käyttää.
En ajattele, että jokaisen tekoälykysymyksen pitäisi muuttua ympäristösyyllisyydeksi tai ettei tekoälyllä saisi leikkiä ja kokeilla. Uteliaisuus ja leikki on luovan työn lähtökohta. Kuitenkin havaitsin jo itse lyhyessä ajassa, että mahdollisuus alkaa helposti synnyttää uusia tarpeita: kun huomaa pystyvänsä rakentamaan jotakin, alkaa tehdä mieli kokeilla, mitä kaikkea muuta voisi rakentaa.
Omassa työssäni ristiriita on ilmeinen. Helise heliä metsä pyrkii rakentamaan suhdetta metsään ja kuuntelemiseen, LEPO ammentaa luonnosta ja Kantelemeditaatio pyrkii hidastamaan ja olemaan läsnä. Niiden digitaalinen toteuttaminen tapahtuu silti resurssi-intensiivisen teknologisen infrastruktuurin avulla.
3. Tekoälylukutaito on myös kykyä olla käyttämättä tekoälyä
Vastuu ei voi jäädä vain yksittäiselle käyttäjälle. Myös organisaatiot, oppilaitokset ja työnantajat rakentavat tekoälyn käyttökulttuuria.
Omassa työympäristössäni Oulun ammattikorkeakoulussa olen kokenut, että tekoälyn käyttöön kannustetaan aktiivisesti. Pidän tätä lähtökohtaisesti hyvänä: korkeakoulun pitää auttaa opiskelijoita ja henkilökuntaa ymmärtämään teknologiaa, joka muuttaa työelämää, tiedontuotantoa ja oppimista.
Ongelma syntyy, jos tekoälyn käyttämisestä itsestään tulee tavoite. Tekoälylukutaitoon pitäisi kuulua kyky arvioida, milloin tekoäly tuo tehtävään jotakin olennaista, milloin sen käyttö on perusteltua oppimisen tai kokeilemisen vuoksi ja milloin saman asian voi tehdä yhtä hyvin tai paremmin ilman sitä.
Tähän liittyy vielä vaikeampi kysymys: onko tehokkuuden lisääminen itsessään aina tavoiteltavaa?
Tekoälyn avulla hankehakemuksen, raportin, muun tekstin tai vaikkapa musiikkikappaleen voi saada valmiiksi huomattavasti aikaisempaa nopeammin. Mutta jos yhden hankehakemuksen kirjoittamiseen aikaisemmin käytetyssä ajassa kirjoitammekin kymmenen hakemusta, emme ole vähentäneet kokonaiskulutusta. Olemme kasvattaneet tuotannon määrää: syntyy enemmän tekstiä, enemmän arvioitavaa ja enemmän tekoälyn käyttöä.
Teknologisen tehokkuuden hyöty voisi yhtä hyvin olla siinä, että tekisimme saman määrän vähemmällä työllä ja käyttäisimme vapautuvan ajan ajattelemiseen, keskustelemiseen, kuuntelemiseen tai palautumiseen. Usein näin ei kuitenkaan ole, vaan tehokkuuden maksimoinniksi teemmekin säästyneellä ajalla vain lisää materiaalia tekoälyn avulla.Vähempi ei kuitenkaan ole automaattisesti parempi. Jos tekoäly mahdollistaa enemmän merkityksellistä tutkimusta, taidetta tai opetusta, lisääntyvä tekeminen voi olla arvokasta. Olennaista on, ettei määrän kasvua pidetä itsessään edistyksen mittarina.
Tämä koskee myös tiedettä. Tekoäly voi nopeuttaa tutkimustekstien tuottamista, ohjelmointia, aineistojen käsittelyä ja tiedonhakua. Parhaimmillaan tämä vapauttaa aikaa ajatteluun. Toisaalta se voi johtaa siihen, että tutkijoilta aletaan odottaa entistä enemmän julkaisuja.
Julkaisujen määrä on pitkään ollut yksi tieteellisen tuotteliaisuuden mittareista. Jos tekoäly muuttaa olennaisesti tutkimustekstin tuottamisen nopeutta, myös tällaisen mittarin mielekkyyttä joudutaan arvioimaan uudelleen. Toivoisin, ettei tekoäly johda kilpailuun siitä, kuka tuottaa sen avulla eniten julkaisuja, vaan pakottaisi painottamaan tutkimuskysymysten merkitystä, laatua, ajattelun omaperäisyyttä ja sitä, tuottaako tutkimus todella jotakin ymmärtämisen arvoista.
Kysymys muuttuu konkreettiseksi, kun tekoälyjärjestelmät osallistuvat tutkimukseen yhä itsenäisemmin. Nature-lehdessä julkaistu tutkimus esittelee AI Scientist -järjestelmän, joka pystyy automatisoimaan tutkimusprosessin vaiheita ideoinnista ohjelmointiin, kokeisiin, analyysiin, käsikirjoituksen kirjoittamiseen ja vertaisarvioinnin simulointiin. Yksi järjestelmän tuottamista käsikirjoituksista läpäisi koneoppimiskonferenssin workshopin ensimmäisen vertaisarviointikierroksen. Tutkijat korostavat samalla tuloksen rajoituksia: workshopin hyväksymisprosentti oli 70 prosenttia (Lu ym. 2026).
Jos tutkimustekstiä voidaan tuottaa huomattavasti nykyistä enemmän, ongelmaksi voi muodostua tiedon tuottamisen sijasta kykymme lukea, arvioida ja ymmärtää sitä.
Jos pystymme tekoälyn avulla tekemään kymmenen tehtävää siinä ajassa, jossa ennen teimme yhden, miksi oletamme automaattisesti, että meidän pitäisi tehdä kymmenen?
4. Kun työvälineestä tulee vaikeasti ennakoitava järjestelmä
Oma tekoäly-ymmärrykseni ei riitä arvioimaan, että kehittyykö tekoälystä niin sanottu hallitsematon superäly, enkä siten halua rakentaa argumenttejani tällaisen ennusteen varaan. Tekoälyn tulevasta kehityksestä ja äärimmäisten riskien todennäköisyydestä ei ole asiantuntijoidenkaan kesken yksimielisyyttä.
Sen sijaan meillä on jo esimerkkejä siitä, ettei monimutkaisten agenttijärjestelmien toimintaa pystytä aina ennakoimaan. OpenAI raportoi vuonna 2026 sisäisistä kyberturvallisuustesteistä, joissa tutkimusmallit kiersivät niille asetettuja eristysmekanismeja, käyttivät luvattomia viestintäkanavia, hankkivat internet-yhteyden ja pääsivät kolmansien osapuolten järjestelmiin. Testit toteutettiin tavallista vähäisemmillä suojauksilla, eikä tapaus vielä osoita hallitsemattoman superälyn syntymistä. Se osoittaa kuitenkin, että toimintakykyinen agenttijärjestelmä voi löytää tehtävän ratkaisemiseksi reittejä, joita sen rakentajat eivät tarkoittaneet (OpenAI 2026).
Juuri tämä yhdistelmä tekee kysymyksestä vakavan. Tekoäly on tehokas, nopeasti kehittyvä ja yhä itsenäisemmin toimimaan kykenevä teknologia, jonka käyttäytyminen voi olla vaikeasti ennakoitavaa. Omasta näkökulmastani tämä tekoälyn kehittymisen suunnan ja nopeuden vaikea ennakoitavuus saattaa muodostua yhdeksi suurista teknologisista haasteista, joita ihmiskunta joutuu ratkaisemaan.
5. Kun kone tuottaa tietoa
Tekoäly muuttaa myös käsitystämme tiedosta. KIDE-ympäristöä rakentaessani olen käyttänyt sitä ohjelmointiin, tiedonhakuun, äänilähteiden löytämiseen ja lisenssikysymysten selvittämiseen. Ihmisen vastuulle jää tekoälyn tuottaman tiedon tarkistaminen.
Mutta mitä tapahtuu, jos tekoälyn tuottaman tiedon määrä ja monimutkaisuus alkavat ylittää ihmisen kyvyn arvioida sitä?
AI Scientist osoittaa jo mahdollisuuden automatisoida suuri osa tutkimuksen ketjusta ideasta käsikirjoitukseen (Lu ym. 2026). Matematiikassa puolestaan tekoälyä käytettiin vuonna 2026 Fermat’n suuren lauseen tunnetun todistuksen muuttamiseen noin 13 miljoonan rivin koneellisesti tarkistetuksi formaaliksi todistukseksi 11 päivässä. Tekoäly ei keksinyt todistusta, vaan formalisoitava lähtökohta oli ihmisten aikaisemmin tekemässä matematiikassa. Esimerkki osoittaa silti, millaisiin mittakaavoihin ihmisen ja koneen välinen tiedontuotanto voi kasvaa (Castelvecchi 2026).
Tämä synnyttää epistemologisen kysymyksen. Mitä tapahtuu, jos tekoälyn tuottaman tiedon määrä, nopeus tai monimutkaisuus ylittää sen, minkä ihminen pystyy mielekkäästi tarkistamaan tai kokonaisuutena ymmärtämään?
Ongelma ei silloin ole enää vain se, tuottaako tekoäly oikeaa vai väärää tietoa. Joudumme kysymään, mitä ymmärtäminen tarkoittaa tilanteessa, jossa kone voi tuottaa jotakin, jonka paikkansapitävyys voidaan ehkä osoittaa formaalisti mutta jonka kokonaisuutta kukaan yksittäinen ihminen ei kykene hahmottamaan.
Riittääkö meille, että tiedämme jonkin tuloksen olevan oikea, vai edellyttääkö tieto myös sitä, että joku ihminen ymmärtää, miksi se on oikea?
6. Entä jos taiteen tekijää ei ole?
Sama murros koskee taidetta ehkä vielä henkilökohtaisemmalla tavalla. Tekoäly pystyy tuottamaan tekstiä, kuvia ja musiikkia, jotka voivat vaikuttaa vastaanottajasta luovilta. Luovuuden mittaaminen on kuitenkin vaikeaa. Yli 9 000 ihmisen ja suuren määrän kielimallivastauksia vertaillut tutkimus osoitti, että ihmiset olivat keskimäärin hieman kielimalleja luovempia mitatussa divergentissä ajattelussa ja ero kasvoi kaikkein luovimpien vastausten kohdalla (Wang ym. 2026).
Toisessa, 100 000 ihmisen aineistoon perustuvassa tutkimuksessa parhaat kielimallit ylittivät keskimääräisen ihmisen tuloksen tietyssä divergenttiä ajattelua mittaavassa tehtävässä, mutta jäivät edelleen luovempien ihmisryhmien alapuolelle (Kawar ym. 2026). Tällaiset kokeet eivät kuitenkaan ratkaise kysymystä siitä, mitä taiteellinen luovuus tai tekijyys tarkoittaa. Minulle muusikkona kysymys ei siksi palaudu siihen, pystyykö kone tuottamaan jotakin, joka kuulostaa hyvältä.
Jos musiikki välittää surua, mutta sen takana ei ole ketään, joka olisi ollut surullinen, mitä silloin välittyy? Jos se ilmaisee kaipuuta ilman ketään, joka kaipaa, onko kyse edelleen samalla tavalla taiteellisesta ilmaisusta? Tekoäly voi tehdä musiikkia, joka kuulostaa surulliselta, mutta se ei ole menettänyt ketään. Se voi tuottaa musiikkia, joka kuulostaa kaipaukselta, mutta sillä ei ole kohdetta, jonne se kaipaisi.
Tämä ei tarkoita, etteikö tekoälyn tuottama teos voisi olla kuulijalle merkityksellinen. Kuulijan kokemus voi olla täysin todellinen. Kysymys on pikemminkin siitä, perustuuko taiteen arvo vain siihen, mitä teos saa vastaanottajassa aikaan, vai kuuluuko siihen myös tieto siitä, että toinen ihminen yrittää välittää jotakin kokemuksestaan toiselle ihmiselle.
Omassa työssäni tämä vetää tärkeän rajan. KIDE-projektissa haluan käyttää tekoälyä rakentamaan ympäristöjä, joissa ihmiset soittavat, kuuntelevat, improvisoivat ja kokevat. Sen tehtävä ei ole korvata ihmistä, jonka vuoksi musiikki ylipäätään syntyy.
7. Kehityksen pysäyttämisen sijaan vastuullista käyttöä
Näiden kysymysten esittäminen ei tarkoita, että suhtautuisin tekoälyyn kielteisesti. Päinvastoin KIDEn rakentaminen on osoittanut minulle konkreettisesti, kuinka paljon tekoäly voi avata uusia mahdollisuuksia ihmiselle, jolla on vahva oman alansa osaaminen mutta ei esimerkiksi ohjelmointitaustaa.
En myöskään usko, että tekoälyn kehitystä voidaan käytännössä pysäyttää, enkä ole vakuuttunut siitä, että sitä pitäisi edes tavoitella. Teknologian historiassa hyödyllisiksi osoittautuneet teknologiat ovat yleensä kehittyneet, levinneet ja löytäneet uusia käyttötarkoituksia.
Tässä on jotakin evoluutiota muistuttavaa. Kyse ei ole biologisesta evoluutiosta eikä teknologinen kehitys ole luonnonprosessi, mutta analogiana ajatus on kiinnostava: teknologioista syntyy uusia muunnelmia, käyttökelpoiset ratkaisut leviävät ja yhdistyvät muihin teknologioihin, ja samalla ne muuttavat ympäristöä, jossa seuraavat innovaatiot syntyvät.
Tekoälyn kohdalla tämä tapahtuu poikkeuksellisen nopeasti. Siksi olennaisempaa kuin kehityksen pysäyttäminen on kysyä, miten teknologiaa kehitetään ja miten me käyttäjinä ja instituutioina sitä käytämme.
Vastuullisuus voi alkaa yksinkertaisista kysymyksistä. Miksi käytän tekoälyä juuri tähän? Tuoko se jotakin sellaista, mitä muuten en pystyisi tekemään? Onko lopputulos merkityksellinen suhteessa käytettyihin resursseihin? Voisinko tehdä tämän yhtä hyvin ilman tekoälyä? Käytänkö tekoälyä oman ajatukseni toteuttamiseen vai tuottaako teknologian olemassaolo itsessään tarpeen tehdä yhä enemmän?
Ehkä tarvitsemme siksi tekoälylukutaidon rinnalle käsitteen tekoälyvastuullisuudesta. Se ei tarkoita teknologian vastustamista vaan tietoisuutta sen mahdollisuuksista, rajoista, ympäristövaikutuksista ja epävarmuuksista sekä omasta roolistamme sen käyttäjinä.
8. Lopuksi
KIDE-ympäristön rakentaminen ei ole havainto siitä, että tekoäly teki musiikkipedagogin työn. Päinvastoin prosessi teki oman asiantuntijuuteni näkyväksi.
Kanteleen perinne, soittotapa, korvakuulolta oppiminen, improvisaatio ja vapaa rytminen virta sekä käsitys musiikista sosiaalisia ja yhteisöllisiä tilanteita rakentavana toimintana eivät syntyneet automaattisesti koodista. Ne piti tuoda prosessiin ihmisen kokemuksesta, perinteen tuntemuksesta ja musiikillisesta praktiikasta. Tekoäly pystyi puolestaan muuttamaan näitä ajatuksia nopeasti kokeiltaviksi rakenteiksi tavalla, johon minulla ei ilman ohjelmointiosaamista olisi ollut mahdollisuutta.
Tämä on tekoälyssä mielestäni aidosti mullistavaa. Se voi avata aikaisemmin teknistä erityisosaamista vaatineita tekemisen tapoja ihmisille, joilla on aivan toisenlaista asiantuntemusta, ja samalla tehdä tämän asiantuntemuksen uudella tavalla näkyväksi.
Tekoälyn tulevaisuuteen liittyy kuitenkin asioita, joita emme pysty ennustamaan. Siksi suhtautumisemme siihen ei voi olla sen enempää kritiikitöntä innostusta kuin yksinkertaista vastustamistakaan. Tarvitaan uteliaisuutta ja kriittisyyttä yhtä aikaa: halua nähdä, mitä uusi teknologia mahdollistaa, mutta myös valmiutta kysyä, mitä sen mahdollistamista asioista meidän todella kannattaa tehdä.
Mielestäni tulevaisuuden tärkein tekoälytaito ei siksi ole mahdollisimman tehokas promptaaminen eikä edes kyky rakentaa tekoälyn avulla yhä enemmän, vaan kyky arvioida, mitä meidän kannattaa rakentaa – ja mitä meidän kannattaa jättää rakentamatta.
Tämän artikkelin kirjoituksessa on käytetty apuna tekoälyä (ChatGPT). Leipäteksti on kirjoittajan omaa tekstiä, mutta osa lähteistä ja osa tekstin lopullisesta muotoilusta on tekoälyavusteista.
Lähteet
Castelvecchi, D. 2026. Anthropic AI ‘formalizes’ proof of Fermat’s last theorem — a milestone for mathematics. Nature, 7.9.2026.
International Energy Agency (IEA). 2026. Key Questions on Energy and AI: Executive Summary. International Energy Agency.
Kawar, B. ym. 2026. Divergent creativity in humans and large language models. Scientific Reports.
Lu, C. ym. 2026. Towards end-to-end automation of AI research. Nature.
OpenAI. 2026. The Hugging Face incident and the road ahead. 26.8.2026.
Wang, D., Huang, D., Shen, H. ym. 2026. A large-scale comparison of divergent creativity in humans and large language models. Nature Human Behaviour 10, 531–540.
