Tekoäly voi parhaimmillaan keventää työtä, mutta sen käyttöönotto voi samalla lisätä kiirettä, osaamispaineita ja teknostressiä. Kun tekoälyosaamista kehitetään työssä, pelkkä tieto ei vielä vie uutta osaamista käytäntöön. Kokeileminen, oppimiselle varattu aika ja työympäristön tuki auttavat soveltamaan sitä omassa työssä.
Tekoälyä opittiin työtä kehittämällä
Future LaaS -hankkeessa (elokuu 2025–kesäkuu 2026) kehitettiin jatkuvan työssä oppimisen toimintamallia. Keväällä 2026 toteutettuun AI Learning Sprintiin osallistui lähes 60 oppijaa finanssi-, matkailu-, kulttuuri- ja IT-alan organisaatioista. Osallistujat tunnistivat omasta työstään tekoälyn käyttökohteen, toteuttivat kokeilun sekä arvioivat ja jakoivat oppimaansa (Future LaaS 2026).
Tekoälyosaamisen kehittäminen kytkettiin osallistujien omiin työtehtäviin ja työn kehittämiseen. Työssä oppimista tukevat mahdollisuus soveltaa opittua käytäntöön, työn autonomia, oppimista tukeva ilmapiiri ja tiedon jakaminen kollegoiden kanssa. Kiire ja suuri työkuorma puolestaan vaikeuttavat oppimista työssä (Wijga, Beausaert & Kyndt 2025). Koulutuksen vaikutus vahvistuu, kun uutta osaamista voidaan käyttää omassa työssä ja sen soveltamista tuetaan työympäristössä (Kauffeld, Decius & Graßmann 2025; Mehner, Rothenbusch & Kauffeld 2025).
Sprintissä osallistujat tarkastelivat, mitä työtehtävässä kannattaa tehdä itse, missä tekoäly voisi auttaa ja millaista hyötyä uudenlaisella työnjaolla tavoiteltiin. Kaikki kokeilut eivät edenneet suunnitellussa aikataulussa. Sprintin loppuvaiheessa järjestetyn verkkotyöpajan tavoitteena oli madaltaa aloittamisen kynnystä ja auttaa osallistujia saamaan kokeilunsa liikkeelle (Future LaaS 2026).Future LaaS -hankkeessa (elokuu 2025–kesäkuu 2026) kehitettiin jatkuvan työssä oppimisen toimintamallia. Keväällä 2026 toteutettuun AI Learning Sprintiin osallistui lähes 60 oppijaa finanssi-, matkailu-, kulttuuri- ja IT-alan organisaatioista. Osallistujat tunnistivat omasta työstään tekoälyn käyttökohteen, toteuttivat kokeilun sekä arvioivat ja jakoivat oppimaansa (Future LaaS 2026).
Tekoälyosaamisen kehittäminen kytkettiin osallistujien omiin työtehtäviin ja työn kehittämiseen. Työssä oppimista tukevat mahdollisuus soveltaa opittua käytäntöön, työn autonomia, oppimista tukeva ilmapiiri ja tiedon jakaminen kollegoiden kanssa. Kiire ja suuri työkuorma puolestaan vaikeuttavat oppimista työssä (Wijga, Beausaert & Kyndt 2025). Koulutuksen vaikutus vahvistuu, kun uutta osaamista voidaan käyttää omassa työssä ja sen soveltamista tuetaan työympäristössä (Kauffeld, Decius & Graßmann 2025; Mehner, Rothenbusch & Kauffeld 2025).
Sprintissä osallistujat tarkastelivat, mitä työtehtävässä kannattaa tehdä itse, missä tekoäly voisi auttaa ja millaista hyötyä uudenlaisella työnjaolla tavoiteltiin. Kaikki kokeilut eivät edenneet suunnitellussa aikataulussa. Sprintin loppuvaiheessa järjestetyn verkkotyöpajan tavoitteena oli madaltaa aloittamisen kynnystä ja auttaa osallistujia saamaan kokeilunsa liikkeelle (Future LaaS 2026).
Tekoälyn käyttö voi myös kuormittaa
AI Learning Sprintin loppuvaiheen työpajassa käsiteltiin tekoälyn käyttöön liittyvää kuormitusta. Teknostressillä tarkoitetaan teknologian käyttöön tai käyttöönottoon liittyvää kuormitusta. Brod (1984) kuvasi sitä ongelmana, joka syntyy, kun ihminen ei pysty käsittelemään uutta tietoteknologiaa hyvinvointiaan tukevalla tavalla. Nykyisessä työelämässä teknostressiä voivat aiheuttaa esimerkiksi kasvava työmäärä ja informaatiotulva, työn ja vapaa-ajan rajojen hämärtyminen, työkalujen jatkuvat muutokset sekä kokemus teknologian monimutkaisuudesta tai oman osaamisen riittämättömyydestä (Högemann ym. 2025).
Generatiivinen tekoäly tuo mukaan myös uusia kuormitustekijöitä. Epäselvät ohjeet ja vastuut, tietosuojaan ja tekijänoikeuksiin liittyvät kysymykset, tuotosten luotettavuuden arviointi sekä tekoälyn toiminnan jatkuva valvominen voivat lisätä kuormitusta. Tekoäly voi myös helpottaa työtä ja tarjota uusia tapoja oppia. Se, mitä käytöstä seuraa, määräytyy pitkälti sen mukaan, miten tekoäly otetaan osaksi työtä ja miten käyttöä organisaatiossa ohjataan (Högemann, Hein, Britsche & Thomas 2025).
Työpajassa tekoälyn käyttöön liittyvästä kognitiivisesta kuormituksesta käytettiin arkista nimitystä aivokäristys. Bedard, Kropp, Hsu, Karaman, Hawes ja Rosen Kellerman (2026) raportoivat BCG:n kyselystä, jossa AI brain fry määriteltiin mentaaliseksi väsymykseksi, jota syntyy tekoälytyökalujen käytön tai valvonnan ylittäessä ihmisen kognitiivisen kapasiteetin. Kokemukseen liitettiin muun muassa aivosumua, keskittymisvaikeuksia, päätöksenteon hidastumista ja päänsärkyä.
Pelkkä tekoälytyökalujen saatavuus ei vielä vie niiden käyttöä osaksi työtä. Jos tehtävä jää epämääräiseksi, aikaa ei ole varattu ja työntekijä joutuu selvittämään käyttöönottoa yksin, aloittamisen kynnys kasvaa. Kokeilemiselle tarvitaan myös aikaa, rajattu tehtävä ja riittävän selkeät pelisäännöt (Wijga ym. 2025).
Pieni tehtävä auttoi pääsemään alkuun
Sprintin loppuvaiheen työpajan ohjasi toinen kirjoittajista, Elisa Heikura. Työpajassa käsiteltiin teknostressiä ja keskittymistä sekä työskenneltiin oman tekoälykokeilun parissa. Osallistujat listasivat omia työtehtäviään ja valitsivat niistä yhden riittävän pienen kokeilun. Tarkasteluun nostettiin erityisesti usein toistuvia, aikaa vieviä tai ärsyttäviä tehtäviä (Heikura 2026).
Mukana oli myös sprintin jo suorittaneita osallistujia, jotka sovelsivat menetelmää uuteen työtehtävään. Jokaiselle varattiin rauhoitettu aika oman kokeilun edistämiseen. Kaikki olivat samaan aikaan linjoilla, vaikka jokainen keskittyi omaan tehtäväänsä. Palautteessa korostuivat sekä tehtävälle varatun ajan että vertaisten läsnäolon merkitys. Osallistujat kuvasivat saaneensa parissa tunnissa paljon aikaan, kun kokeilulle oli varattu aikaa kalenterista ja muut työskentelivät samaan aikaan omien kokeilujensa parissa (Future LaaS 2026).
Sama näkyy työssä oppimistä koskevassa tutkimuksessa. Oppimista tukevat kollegoiden ja esihenkilöiden sosiaalinen tuki, mahdollisuus jakaa osaamista sekä työympäristö, jossa uuden kokeilemiselle on aikaa ja tilaa. Ajan puute ja suuri työkuorma puolestaan vaikeuttavat oppimista (Mehner ym. 2025; Wijga ym. 2025). Epämääräiseen ja kuormittavaan kokonaisuuteen on helpompi tarttua, kun ensimmäinen tehtävä rajataan riittävän pieneksi.
Kokeilu voi muuttaa työtapaa, prosessia tai roolia
Ennen kokeilua osallistujat määrittelivät tavoitellun muutoksen ja hyödyn. Muutos saattoi kohdistua työtapaan, prosessiin tai omaan rooliin. Työtavan muutoksessa sama tehtävä tehdään uuden välineen avulla. Työntekijä voi esimerkiksi kirjoittaa tekstin edelleen itse mutta käyttää tekoälyä ensimmäisen luonnoksen tuottamiseen. Prosessimuutoksessa jokin työvaihe lyhenee, poistuu tai siirtyy tekoälyn tehtäväksi. Roolimuutoksessa ihmisen aikaa vapautuu esimerkiksi raportin kirjoittamisesta tulosten tulkintaan ja arviointiin (Heikura 2026).
Jaottelu auttaa tarkastelemaan tekoälyn käyttöönottoa yksittäisen työkalun opettelua laajempana työn muutoksena. Butollo, Haase, Katzinski & Krüger (2025) osoittavat, etteivät tietotyön ammatit muodostu vain erillisistä tehtävistä, joita voitaisiin automatisoida yksi kerrallaan. Työssä tarvitaan edelleen esimerkiksi kokemukseen perustuvaa hiljaista tietoa sekä kykyä valmistella ja tulkita työvaiheita.
Kokeiluissa tavoiteltiin esimerkiksi ajan vapautumista, työn nopeutumista, tyhjän paperin aiheuttaman jumittumisen vähenemistä tai parempaa lopputulosta. Tekoälyn käyttäminen ei ollut itseisarvo, vaan kokeilun arvoa arvioitiin sen perusteella, paransiko se työtä.
Kokeilun jälkeen osallistuja arvioi, toteutuiko tavoiteltu muutos, mitä hyötyä tekoälystä syntyi sekä mitä riskejä ja rajoitteita hän havaitsi. Lopuksi hän reflektoi oppimaansa ja tunnisti seuraavat kehittämiskohteet (Heikura 2026).
Yksittäinen kokeilu eteni samalla työssä oppimisen prosessiksi. Osallistuja kehitti omaa työtään ja tekoälyosaamistaan sekä oppi arvioimaan, mihin teknologia omassa työssä soveltuu. Reflektio ja opitun siirtäminen uusiin tilanteisiin auttavat varmistamaan, ettei oppiminen jää yksittäisen koulutuksen tai kokeilun varaan (Kauffeld ym. 2025).
Oppiminen tarvitsee rakenteita
Teknostressiä ja tekoälyosaamisen kehittämistä ei pidä jättää vain yksilön vastuulle. Organisaation tehtävänä on tehdä oppimisen edellytyksistä osa työn arkea. Tekoälyn kokeilemiselle tarvitaan aikaa, teknistä tukea ja koulutusta, selkeitä pelisääntöjä sekä mahdollisuus jakaa kokemuksia kollegoiden kanssa. Työntekijöillä on lisäksi oltava riittävästi autonomiaa vaikuttaa käyttämiinsä työkaluihin ja toimintatapoihin (Högemann ym. 2025; Mehner ym. 2025; Wijga ym. 2025).
Organisaation on myös arvioitava, vähentääkö tekoäly todella työn kuormitusta vai kasvattaako se ensisijaisesti tuottavuusodotuksia. Jos vapautuva aika täytetään heti uusilla tehtävillä tai työntekijän vastuulle siirtyy yhä useampien tekoälytyökalujen valvonta, teknologian lupaama helpotus ei välttämättä toteudu (Högemann ym. 2025; Bedard ym. 2026). Tekoälyn käyttöönotossa ratkaisevat osaamisen lisäksi se, miten työ on järjestetty ja miten uuden kokeilemista johdetaan.
Tiedosta toimijuuteen
Epävarmuus vähenee harvoin odottamalla tai keräämällä lisää tietoa. Suureen ja epämääräiseen muutokseen on helpompi tarttua, kun se rajataan pieneksi ja arvioitavaksi kokeiluksi.
AI Learning Sprintin toteutus ja loppuvaiheen työpajasta saatu palaute nostavat esiin neljä työssä oppimista tukevaa tekijää: omaan työhön kytkeytyvän tehtävän, riittävän pienen ensimmäisen askeleen, tekemiselle varatun ajan ja vertaisten tuen (Future LaaS 2026).
Kun nämä edellytykset ovat kunnossa, työntekijä pystyy itse tutkimaan ja kehittämään työtään teknologian muuttuessa. Tekoäly pakottaa samalla katsomaan omaa työtä tarkemmin: mitä kannattaa automatisoida, mitä tehdä yhdessä tekoälyn kanssa, mitä pitää ihmisen vastuulla ja mistä voidaan luopua.
Kirjoittajatiedot
Elisa Heikura on ihmisten kehittäjä ja filosofian maisteri, joka kouluttaa, puhuu ja fasilitoi vuorovaikutuksesta, tiimityötaidoista ja itsetuntemuksesta. Hän on työskennellyt ohjelmistoalan parissa yli kymmenen vuotta ja on omien sanojensa mukaan teknostressiinsä tutustuva laatikkohengittäjä.
Artikkelissa on hyödynnetty tekoälyä tekstin tiivistämisessä ja kielellisessä viimeistelyssä.Artikkelissa on hyödynnetty tekoälyä tekstin tiivistämisessä ja kielellisessä viimeistelyssä.
Lähteet
- Bedard, J., Kropp, M., Hsu, M., Karaman, O. T., Hawes, J. & Rosen Kellerman, G. 2026. When Using AI Leads to “Brain Fry”. Harvard Business Review 5.3.2026. Viitattu 3.8.2026.
- Brod, C. 1984. Technostress: The Human Cost of the Computer Revolution. Reading, MA: Addison-Wesley.
- Butollo, F., Haase, J., Katzinski, A.-K. & Krüger, A. K. 2025. Generative AI and Changes to Knowledge Work. Weizenbaum Journal of the Digital Society 5 (4). DOI 10.34669/wi.wjds/5.4.1.
- Future LaaS 2026. AI Learning Sprint. Julkaisematon hankeaineisto.
- Heikura, E. 2026. Kuormittaako AI? Tekeminen lievittää tuskaa. Future LaaS -verkkotyöpajan materiaali 8.6.2026. Julkaisematon työpajamateriaali.
- Högemann, M., Hein, L., Britsche, J.-O. & Thomas, O. 2025. Technostress and generative AI in the workplace: a qualitative analysis of young professionals. Frontiers in Artificial Intelligence 8, 1728881. DOI 10.3389/frai.2025.1728881.
- Kauffeld, S., Decius, J. & Graßmann, C. 2025. Learning and transfer in organisations: how it works and can be supported. European Journal of Work and Organizational Psychology 34 (2), 161–174. DOI 10.1080/1359432X.2025.2463799.
- Mehner, L., Rothenbusch, S. & Kauffeld, S. 2025. How to maximize the impact of workplace training: a mixed-method analysis of social support, training transfer and knowledge sharing. European Journal of Work and Organizational Psychology 34 (2), 201–217. DOI 10.1080/1359432X.2024.2319082.
- Wijga, M., Beausaert, S. & Kyndt, E. 2025. What drives workplace learning: a systematic review of key antecedents. Journal of Workplace Learning 37 (9), 90–113. DOI 10.1108/JWL-05-2025-0119.
