Tekoälyn ja koneoppimisen kehitys on laajentanut niiden soveltamismahdollisuuksia myös strategiseen ennakointiin. Voiko tekoäly mullistaa ennakointiprosessin? Tapausesimerkit paljastavat, kuinka tekoälyä ja koneoppimista on hyödynnetty ennakoinnin tukena, ja mitä hyötyjä sekä rajoitteita niiden käytössä on havaittu.

Tekoäly osana strategista ennakointia

Viimeaikaiset tutkimukset osoittavat, kuinka tekoälyn hyödyntäminen vaikuttaa työtehtävien rakenteeseen sekä siihen, miten kognitiiviset tehtävät jakautuvat ihmisen ja koneen välillä. Tyson ja Zysman (2022, 257–263) käsittelevät tekoälyn hyötyjä ja haittoja työelämässä. Tekoälyn läpimurrot ovat koneoppimisen avulla saavuttaneet yhä laadukkaampia tuloksia monissa inhimillisissä tehtävissä. Huolimatta merkittävästä edistyksestä, nykyiset tekoälysovellukset ovat kuitenkin edelleen kapeita ja tehtäväkohtaisia. Kapea tekoäly voi syrjäyttää ihmisen matalan vaatimustason kognitiivisissa tehtävissä, jotka ovat toistuvia, dataan ja optimointiin perustuvia sekä epäsosiaalisia. Se ei kuitenkaan vielä voi korvata ihmisiä useimmissa korkean vaatimustason kognitiivisissa tehtävissä, joihin liittyy reaalimaailman tietoa, harkintakykyä ja sosiaalista vuorovaikutusta.

Koneoppimisen ja tekoälyn kehittyminen avaavat uusia mahdollisuuksia ja näkökulmia myös strategiseen päätöksentekoon ja ennakointiin. Ennakointi on tulevaisuudentutkimuksen käytännönläheinen osa-alue, jota Laurea-ammattikorkeakoulu ja monet muut korkeakoulut pitävät kriittisenä työelämäosaamisena (Laurea 2024; Hario 2024; Unkari-Virtanen 2024). Tulevaisuudentutkimus on monitieteinen tutkimusala, joka tarkastelee mahdollisia, todennäköisiä ja toivottavia tulevaisuuksia (Amara 1981, 63–71). Strateginen ennakointi puolestaan viittaa organisaatioiden käytännön prosesseihin, joilla ne valmistautuvat tulevaisuuden muutoksiin ja tekevät pitkän aikavälin päätöksiä epävarmassa toimintaympäristössä (Rohrbeck & Kum 2018, 106–107). Gordon, Rohrbeck ja Schwarz (2019, 33–34) korostavat, että ennakointi ei ole ennustamista, vaan vaihtoehtoisten tulevaisuuksien hahmottamista strategisten valintojen tueksi.

Strategisen ennakoinnin prosessit sisältävät usein samankaltaisia vaiheita, kuten havainnointi, tiedonkeruu, tulkinta ja johtopäätösten teko (Rohrbeck & Kum 2018, 106–107; Voros 2003, 7–12). Tekoäly voi tukea erityisesti tiedon käsittelyvaiheessa, auttaen suurten ja hajanaisten tietomäärien jäsentämisessä ja yhdistelyssä. Sen avulla voidaan nopeuttaa tiedon prosessointia ja parantaa tiedon ymmärrettävyyttä. Tekoälyn käyttöön liittyy kuitenkin haasteita, kuten mahdolliset vinoumat, datan luotettavuus ja päätöksenteon läpinäkyvyyden puute, jotka voivat heikentää analyysin luotettavuutta. (Vignoli, Rörden, Wasserbacher & Kimpeler 2022; Geurts ym. 2021.)

Ennakointiprosessit organisaatioiden tukena

Rohrbeckin ja Kumin (2018, 106–107) sekä Vorosin (2003, 7–12) lähestymistavat ennakointiin jakavat ennakointiprosessin vaiheisiin, mutta niiden painotukset ja käyttöyhteydet eroavat toisistaan (Kuvio 1). 3P-mallissa korostuu luova ja iteratiivinen prosessi. Se soveltuu erityisesti tilanteisiin, joissa epävarmuus on suurta ja tarvitaan ketteriä ratkaisuja tulevaisuuden muotoilemiseen. Vorosin geneerinen ennakointiprosessi puolestaan tarjoaa yleistettävän ja systeemisen kehyksen, jossa ennakoinnin vaiheet etenevät loogisesti havainnoista vaikutuksiin. Yhteistä molemmille malleille on se, että ne korostavat tiedon jäsentämistä ja merkitysten rakentamista tulevaisuuden ymmärtämiseksi.

Geneerinen vaihe	3P –malli (Rohrbeck & Kum 2018)	Strategisen ennakoinnin malli (Voros 2023)
Datan keräys	1. Perceive: Scanning	Inputs
Datan käsittely informaatioksi	2a. Prospect: Sensemaking	Analysis Interpretation
Tulevaisuustiedon luominen ennakoimalla	2b. Prospect: Futuring	Prospection Outputs
Tulevaisuustiedon hyödyntäminen	3. Probe	Strategy

Kuvio 1. Vorosin (2003) strategisen ennakoinnin ja Rohrbeckin ja Kumin (2018) 3P-ennakointimallin vertailu. Tekijä: Pasi Hario.

Rohrbeckin ja Kumin (2018, 106–107) 3P-ennakointiprosessimalli yhdistää strategisen ennakoinnin ja muotoiluajattelun auttaen organisaatioita varautumaan muutoksiin. Ensimmäisessä vaiheessa (Perceive: Scanning) havainnoidaan
ympäristön muutoksia ja signaaleja, toisessa (Prospect: Sensemaking & Futuring) rakennetaan ymmärrystä ja tulevaisuuskuvia ja kolmannessa (Probe) testataan ratkaisuja käytännössä (Gordon ym. 2019, 35–37). Sen sijaan Vorosin (2003, 7–12) strateginen ennakointiprosessi jakautuu neljään vaiheeseen. Prosessi alkaa tiedon keruulla (Inputs), jatkuu analyysilla ja tulkinnalla (Analysis & Intrepretation), etenee tulevaisuustiedon luomiseen (Prospection), tuotosten määrittelyyn (Outputs) ja lopulta tulevaisuustiedon strategiseen hyödyntämiseen (Strategy).

Tekoäly osana tiedon jäsentämistä ja merkitysten rakentamista

Vignoli ym. (2022, 4–7) tutkivat koneoppimisen mahdollisuuksia mediatekstien analysoinnissa ennakoinnin käsittelyvaiheessa. He tarkastelivat asiantuntijalausuntojen lisääntymistä julkisessa keskustelussa epävarmuustilanteissa, kuten COVID-19-pandemian ja siihen liittyvien kriisien aikana. Tavoitteena oli tunnistaa ja jäsentää ennakoivia asiantuntijalausuntoja hyödyntäen luonnollisen kielen käsittelyyn perustuvaa koneoppimista uutisartikkeleiden ja muiden mediatekstien analysoimisessa. Vignolin ym. (2022, 9) mukaan koneoppiminen pystyy tarjoamaan relevantteja näkemyksiä julkisessa mediassa annettavien tulevaisuutta koskevien lausuntojen yhteydessä. Tutkimustulokset vahvistivat, että koneoppiminen on hyödyllinen tuki tulevaisuutta koskevien lausuntojen puoliautomaattiselle poimimiselle suuresta tietojoukosta ja niihin liittyvien toimijoiden tunnistamiselle.

Tekoälyn rooli tiedon esikäsittelyssä ja jäsentämisessä korostui Geurtsin ym. (2021, 8–9) artikkelin tapausesimerkeissä. Tavoitteena oli kartoittaa, kuinka tekoäly voidaan integroida ennakointiprosessiin sekä tutkia ihmisen ja tekoälyn yhteistyötä ennakoinnissa. Kirjoittajat (2021, 5–8) esittelevät hybridi tekoäly-asiantuntijamallin, jossa tekoäly analysoi suuria tietomassoja ja tuottaa alustavia tuloksia asiantuntijoiden jatkotyöskentelyn tueksi.Mallissa tekoälyllä on keskeinen rooli ennakoinnin käsittelyvaiheen tukemisessa: se tukee asiantuntijoita trendien ja muutosilmiöiden tunnistamisessa sekä ilmiöiden ryhmittelyssä. Tekoälyn avustamana asiantuntijat saattoivat tapausesimerkeissä keskittyä merkitysten rakentamiseen ja strategisten vaihtoehtojen hahmottamiseen ennakoinnin seuraavissa vaiheissa.

TNO:n Innovation Outlook -projektissa tekoäly toimi erityisesti tiedon esikäsittelyn ja visualisoinnin tukena. Tiedonhaku ja -louhintavaiheessa tekoäly tunnisti avainsanoja ja muodosti yhteyksiä käsitteiden välille. Se myös tuotti automaattisesti laajennuksia käsitemalliin, jota asiantuntijat tarkensivat. (Geurts ym. 2021, 8.) Fraunhofer ISI:n projektissa tekoäly käytti tiivistelmistä poimittuja avainsanoja automatisoituun verkkohakuun, jolla kerättiin uutisartikkeleita ennakointianalyysin pohjaksi. Tekoäly analysoi tekstit LDA-mallilla (Latent Dirichlet Allocation, koneoppimisen menetelmä), jonka avulla muodostettiin aihealueita. Lopuksi tekoäly ryhmitteli aiheet klustereiksi, ja asiantuntijat arvioivat niiden merkityksiä sekä rakensivat yhteyksiä tulevaisuuden kehityssuuntien ymmärtämiseksi. (Geurts ym. 2021, 9.) Molemmissa tapauksissa tekoäly toimi alustavana analyysityökaluna, ja asiantuntijat vastasivat löydösten tulkinnasta. Lopullinen merkityksen muodostaminen ja strategisten johtopäätösten tekeminen jää mallissa näin aina asiantuntijoiden vastuulle.

Tekoäly asiantuntijoiden työn tukena

Vignolin ym. (2022, 2–5) mukaan koneoppimisen lähestymistavat voivat toimia käytännöllisinä työkaluina havaintojen tulkinnan prosessissa, erityisesti suurten tietomäärien jäsentämisessä, mikä helpottaa niiden käsittelyä ja analysointia. Koneoppiminen voi myös syventää ymmärrystä julkiseen keskusteluun osallistuvista toimijoista sekä auttaa hahmottamaan, ketkä ovat keskeisiä vaikuttajia ja miten heidän lausuntonsa voivat ohjata tulevaisuuden kehitystä.

Koneoppimismallit ovat kuitenkin rajallisia. Ne voivat johtaa virheellisiin johtopäätöksiin, jos ne eivät kykene käsittelemään monimutkaista tai kontekstisidonnaista tietoa oikein. Ne vaativat valvottua tarkastelua tulosten ymmärtämiseksi. Koneoppimisen lähestymistapoja tulisi käyttää tukemaan jatkotutkimuskysymysten kehittämistä ja reflektiota koneoppimisen lähestymistapojen soveltamisesta ennakointiin. Koneoppimistyökalujen potentiaali auttaa avaamaan tutkimusprosessia laajemmalle yleisölle ja voi parhaimmillaan edistää läpinäkyvämpiä merkityksenmuodostusprosesseja. (Vignoli ym. 2022, 7–10.)

Myös Geurtsin ym. (2021) mukaan tekoälyn hyödyntämiseen liittyy haasteita, jotka edellyttävät kriittistä arviointia. Tekoälyn tuottamat analyysitulokset perustuvat aina syötettyyn dataan, valittuihin malleihin ja käsittelyssä tehtyihin oletuksiin, mikä voi vaikuttaa lopputulosten luotettavuuteen. Mallit ja algoritmit saattavat usein tulkita tekstejä väärin ja vain asiantuntijat kykenevät asettamaan tiedon oikeaan kontekstiin. Tämän vuoksi tekoälyn rooli tulisikin nähdä asiantuntijoiden työn tukijana, ei korvaajana.

Johtopäätökset

Vaikka tekoäly on tehokas työkalu tiedon esikäsittelyssä ja analysoinnissa, se ei yksin riitä. Ihmisen asiantuntemus on välttämätöntä tiedon tulkinnassa ja asettamisessa kontekstiin. Hybridi-malli, jossa tekoäly ja asiantuntijat työskentelevät yhdessä, vaikuttaa olevan tehokkain tapa hyödyntää tekoälyä ennakointiprosessissa. Tekoäly voi tuottaa alustavia analyysituloksia, mutta lopullinen merkityksen muodostaminen ja strategisten johtopäätösten tekeminen jää asiantuntijoiden vastuulle.

Omien kokemustemme perusteella tekoälyyn ei voi vielä luottaa siinä määrin, että ihmisen rooli tulosten tarkistajana ja validoijana voitaisiin jättää pois. Tekoäly saattaa tuottaa näennäisesti vakuuttavia, mutta virheellisiä tai kontekstista irrallisia tuloksia, minkä vuoksi asiantuntijan kriittinen arviointi on edelleen välttämätöntä. Läpinäkyvyys ja luotettavuus ovat keskeisiä tekijöitä, kun hyödynnetään tekoälyn tuottamaa tietoa. Tekoälyn päätöksentekoprosessien tulee olla avoimia ja ymmärrettäviä, jotta analyysin pohjalta tehtyihin johtopäätöksiin voidaan luottaa. Tarvitaan lisää tutkimusta tekoälyn hyödyntämisestä strategisen ennakoinnin käsittelyvaiheessa, jotta sitä varten voidaan kehittää entistä parempia menetelmiä ja työkaluja.

Tulevaisuudessa tekoälyn rooli ennakointiprosessissa voi vahvistua entisestään, kun uusia työkaluja, sovelluksia ja tekoälymalleja kehitetään. Sitä voisi hyödyntää myös ennakointiprosessin muissa vaiheissa ja jopa itsenäisenä skenaarioiden rakentajana, ei vain tiedon järjestelijänä. Organisaatioiden on tärkeää pysyä ajan tasalla näistä kehityksistä ja hyödyntää tekoälyn tarjoamia mahdollisuuksia strategisessa ennakoinnissa. Näin voidaan varmistaa, että organisaatiot ovat valmiita kohtaamaan tulevaisuuden epävarmuudet ja muutokset tehokkaasti ja innovatiivisesti.

Lähteet

• Amara, Roy 1981. How to tell Good Work from Bad. Futurist, 15 (2), 63–71.
• Geurts, A., Gutknecht, R., Warnke, P., Goetheer, A., Schirrmeister, E., Bakker, B., &
  Meissner, S. 2021. New perspectives for data-supported foresight: The hybrid AI-
  expert approach. Futures & Foresight Science, 3 (2). Viitattu 5.4.2025.
• Gordon, A., Rohrbeck, R., & Schwarz, J. O. 2019. Escaping the ‘Faster Horses’ trap: Bridging strategic foresight and design-based innovation. Technological Forecasting and Social Change, 146, 141–151. Viitattu 5.4.2025.
• Hario, P. 2024. 3AMK -yhteistyö on erinomainen alusta ennakointiopinnoille. Viitattu 16.12.2024.
• Laurea 2024. Laurean strategia 2030. Viitattu 16.12.2024.
• Rohrbeck, R., & Kum, M. E. 2018. Corporate Foresight and its Impact on Firm Performance: A Longitudinal Analysis. Technological Forecasting and Social Change, 129, 105–116. Viitattu 5.4.2025.
• Tyson, L. D., & Zysman, J. 2022. Automation, AI & work. Daedalus, 151 (2), 256–275. Viitattu 5.4.2025.
• Unkari-Virtanen, L. (toim.) 2024. Tulevaisuuden kudelmia. Ennakointikyvykkyyden kehittäminen Metropolia Ammattikorkeakouussa. TAITO-sarja 128. Metropolia Ammattikorkeakoulu.
• Vignoli, M., Rörden, J., Wasserbacher, D., & Kimpeler, S. 2022. An exploration of the potential of machine learning tools for media analysis to support sense-making processes in foresight. Frontiers in Communication, 7. Viitattu 5.4.2025.
• Voros, J. 2003. A generic foresight process framework. Foresight, 5 (3), 10–21. Viitattu 5.4.2025.
  
  Tämän artikkelin lähteiden validoinnissa ja kieliasun muokkaamisessa on hyödynnetty ChatGPT:tä ja Copilotia.