Future LaaS -hankkeen AI-sprintissä seitsemän eri alan organisaation johtajat ja asiantuntijat kehittivät tekoälyosaamistaan kokeilemalla tekoälyä omissa työtehtävissään. Yhteiset osaamistavoitteet ohjasivat kokeiluja, mutta jokainen valitsi kokeilun oman työnsä tarpeisiin. Osallistujat tunnistivat uusia käyttökohteita ja työtapoja, arvioivat kriittisesti tekoälyn tuotoksia ja käytön turvallisuutta, vastuullisuutta ja kestävyyttä sekä kuvasivat oppimaansa ja seuraavia oppimistarpeitaan.
Image by rawpixel.com on Magnific
Laurean tiimi testasi AI-sprintissä, miten Future LaaS -malli toimii osaamisen kehittämisessä
Future LaaS -hankkeessa (elokuu 2025 – kesäkuu 2026) Laurean tiimi yhteiskehitti organisaatioiden kanssa toimintamallin, jossa jatkuva oppiminen on osa työn ja organisaation uudistamista. Toimintamallissa organisaatio ennakoi osaamistarpeita ja tunnistaa niitä työn arjessa. Työntekijät kehittävät osaamistaan kokeilemalla uusia toimintatapoja omassa työssään. AI-sprintissä Laurean tiimi testasi, miten toimintamallia voi käyttää tekoälyosaamisen kehittämisessä. (Kuhmonen & Seppä-Kortelainen 2026; Seppä-Kortelainen & Kuhmonen 2026.)
Lähtötilanneselvitys osoitti, että osallistujien lähtötaso, työtehtävät, käytössä olevat työkalut ja organisaatioiden pelisäännöt vaihtelivat paljon. He eivät tehneet samoja tehtäviä, vaan valitsivat oman työnsä tarpeisiin sopivan AI-kokeilun.
Kaikille yhteiset osaamistavoitteet ja arviointiperusteet ohjasivat kokeiluja. Laurean tiimi muotoili osaamistavoitteet kolmeksi kokonaisuudeksi:
Tunnista & kokeile
Tunnista tekoälyn tuottama lisäarvo omassa työssä, kokeile AI-ratkaisuja käytännössä ja arvioi niiden toimivuutta ja vaikutuksia. Huomioi eettisyys, turvallisuus ja kestävyys.
Johda itseäsi joustavasti
Omaksu uusia työtapoja, toimi muutoksissa joustavasti ja johda omaa oppimistasi itseohjautuvasti.
Kehitä ja ennakoi
Kehitä omaa työtäsi AI-kokeilujen avulla, ennakoi muutoksia ja tunnista uusia mahdollisuuksia ja osaamistarpeita.
Laurean lehtorit laativat sprintin materiaalit Howspace-alustalle lähtötilanneselvityksen perusteella. Materiaalit sisälsivät yhteisen tietoperustan ja harjoituksia kokeilun tueksi. Osallistujat saivat osoittaa osaamisensa tehtävillä tai näyttökeskustelussa.
Sprinttiin ilmoittautui 57 osallistujaa seitsemästä organisaatiosta. Lähtötilanneselvitykseen vastasi 50 osallistujaa, ja 43 suoritti koko viiden opintopisteen kokonaisuuden. Artikkelin havainnot perustuvat lähtötilanneselvitykseen, Howspace-suorituksiin, näyttötilaisuuksien muistiinpanoihin ja sprintin jälkeen kerättyyn rahoittajan osallistujapalautteeseen, johon vastasi 27. Havainnot kuvaavat pilotissa tunnistettuja ilmiöitä ja osallistujien kokemuksia, eivät vaikutusten suuruutta tai syy-seuraussuhteita. (Future LaaS -hanke 2026.)
Työkaluista työn kehittämiseen
Näyttökeskusteluissa osallistujat keskittyivät yksittäisten sovellusten sijaan omaan työhönsä. He tarkastelivat, mitä työssä haluttiin saada aikaan, mikä kokeilun myötä muuttui ja missä tekoäly ei toiminut. He kuvasivat samaa myös palautteessa. Yksi osallistuja kuvasi sprintin antaneen mahdollisuuden “paneutua miettimään työhöni liittyvää isoa kuvaa arjen operatiivisen aherruksen ja opiskelun perustaksi.” Toinen, jo ennestään aktiivinen tekoälyn käyttäjä, totesi:
“Olin käyttänyt AI:ta paljon, mutta kurssi todella avasi silmät mahdollisuuksista.”
(Future LaaS -hanke 2026.)
Osallistujat valitsivat käyttökohteet suoraan omasta työstään. Finanssialalla kokeilut liittyivät raportointiin, kilpailija-analyysiin ja asiakaspalautteen käsittelyyn, matkailualalla monikieliseen viestintään ja perehdytykseen sekä IT-yrityksessä prototypointiin, ohjelmointiin ja validointiin. Muita käyttökohteita olivat myyntiprosessi, sisäinen viestintä, esihenkilötyö ja työnkuvien vaativuusluokitus.
Osa osallistujista laajensi kokeilunsa yksittäisistä teksteistä, yhteenvedoista ja esityksistä kokonaisiin työnkulkuihin: voisiko raportointia automatisoida, perehdytystä yhtenäistää, asiakaspalautteesta johtaa toimenpiteitä tai agentti tukea jatkuvaa prosessia?
Uusiin työtehtäviin tartuttiin tekoälyn avulla
Osallistujat kertoivat päässeensä tekoälyn avulla eteenpäin työtehtävissä, joissa oma osaaminen ei yksin riittänyt. He pääsivät tekoälyn avulla esimerkiksi alkuun kirjoittamisessa, ratkaisivat teknisiä ongelmia tai kokeilivat työvaiheita, joihin ei aiemmin olisi ollut mielekästä tarttua. Yksi IT-alan osallistuja kertoi voivansa ottaa työn alle asiakkaan ongelman, jonka selvittäminen olisi aiemmin tullut liian kalliiksi. Palautekyselyssä 25 vastaajaa 27:stä arvioi voivansa hyödyntää oppimaansa nykyisessä työssään, ja 24 koki sprintin lisänneen ammattitaitoaan.
Kriittinen arviointi korostui
Kokeiluissa osallistujat havaitsivat vääriä laskelmia, epäonnistuneita kuvaajia, hallusinointia ja epäluotettavaa tuotetietoa. He arvioivat myös, mitä tietoa tekoälylle voi antaa ja kuinka paljon sen tuottamiin ratkaisuihin voi luottaa.
Yhdessä finanssialan kokeilussa osallistuja käytti tekoälyä taloushallinnon aineiston käsittelyyn ja kilpailijavertailuun, mutta osa laskelmista oli virheellisiä eivätkä kaikki visualisoinnit toimineet. Kokeilu osoitti, miksi datan laatu, laskelmien tarkistaminen ja tarkoitukseen sopivan työkalun valinta ovat tärkeitä.
Näyttökeskusteluissa osallistujat käsittelivät myös toimintaympäristön riskejä, kuten asiakastietojen käsittelyä, henkilökohtaisia agentteja sekä palvelujen kustannus- ja geopoliittisia riippuvuuksia. Asiantuntija vastasi tulosten arvioinnista ja validoinnista sekä päätti, milloin tekoälyn tuotosta voi käyttää.
Näyttö teki oppimisen näkyväksi
Näyttötehtävä ohjasi osallistujaa palaamaan omaan kokeiluunsa ja arvioimaan, mitä hän tavoitteli, mitä teki, mikä onnistui, mikä ei ja mitä hän oppi. Samalla hän tunnisti, mitä hänen kannattaisi kokeilla tai oppia seuraavaksi.
Osallistujat osoittivat osaamistaan eri tavoin. Teamsissa näyttökeskusteluja käytiin yksin, pareittain tai pienryhmissä. Lähitapaamiset järjestettiin oman organisaation ryhmissä. Yhteisissä näytöissä mukana olleet kuulivat myös toistensa käyttökohteista, onnistumisista ja rajoitteista ja saivat uusia näkökulmia omaan työhönsä.
Yksi osallistuja kiteytti oppimiskokemuksensa:
“Opin paljon uutta, ja tajusin, kuinka vähän aiheesta vielä tajuan ; )”.
(Future LaaS -hanke 2026.)
Oppimissykli antoi AI-sprintille rakenteen
Laurean lehtorit suunnittelivat AI-sprinttiin viisivaiheisen oppimissyklin (kuvio 1), joka yhdisti oman työn tarpeesta lähtevän kokeilun, kokeilun kriittisen arvioinnin ja osaamisen näkyväksi tekemisen. Tavoitteena ei ollut yksittäisen AI-työkalun käytön harjoittelu, vaan oppiminen, jossa osallistuja arvioi samalla tekoälyn hyötyjä, rajoitteita ja riskejä omassa työssään ja tunnistaa seuraavan oppimistarpeen tai käyttökohteen.
Syklin kaikkia vaiheita läpäisivät tekoälyn vastuullinen käyttö, osaamisen näyttö sekä arvio siitä, millaisia seurauksia kokeilulla voisi olla työlle ja organisaatiolle. Kuvion ilmaisu kestävä vaikutus työhön ja organisaatioon kuvaa tätä arviointinäkökulmaa. AI-sprintin aineiston perusteella ei arvioitu vaikutusten pysyvyyttä tai suuruutta eikä osoitettu syy-seuraussuhteita.
Kuvio 1. Laurean lehtoreiden AI-sprinttiä varten suunnittelema tekoälyosaamisen oppimissykli. Kuvio: Annemari Kuhmonen. Kuvion toteutuksessa on hyödynnetty ChatGPT:tä.
Organisaatio voi rakentaa tekoälyosaamista yhteisten tavoitteiden varaan
AI-sprintin kokemusten perusteella tekoälyosaamista kannattaa kehittää yhteisten tavoitteiden ja oman työn tarpeiden pohjalta. Työntekijät voivat tehdä erilaisia kokeiluja, kun yhteiset tavoitteet ohjaavat tekemistä.
Organisaation kannattaa määritellä kokeilulle selkeä tavoite: mitä työssä halutaan parantaa, ratkaista tai tehdä toisin? Pelkkä mahdollisuus käyttää tekoälyä ei riitä. Organisaation pitää antaa työntekijöille aikaa kokeilla, arvioida tuloksia ja jakaa kokemuksia. Palautekyselyssä 24 vastaajaa 27:stä oli saanut käyttää työaikaa opintojen suorittamiseen. Työssä oppiminen kilpailee ajasta muun työn kanssa. Työntekijöiden pitää tietää aikataulu alusta asti.
Yksittäisestä kokeilusta seuraavaan oppimistarpeeseen
Laurean lehtorit pyysivät osallistujia katsomaan yksittäistä kokeilua pidemmälle: mitä tekoäly muuttaa omassa työssä, organisaatiossa ja toimialalla? Eri organisaatioiden johtajat ja asiantuntijat tarkastelivat myös prosessien, työnjaon ja osaamistarpeiden muutoksia Timo Savolaisen webinaarissa ja lähityöpajassa (Savolainen & Kuhmonen 2026).
AI-sprintissä kokeilut auttoivat osallistujia tunnistamaan seuraavia käyttökohteita ja oppimistarpeita. Yksittäinen kokeilu voi samalla tuottaa organisaatiolle tietoa siitä, mitä työssä kannattaa kokeilla seuraavaksi, mitä osaamista tarvitaan ja mitä yhteisiä toimintatapoja tai pelisääntöjä pitää kehittää. Näin tekoälyosaamisen kehittäminen voi kiinnittyä yksittäisten työkalujen opiskelun sijaan työn jatkuvaan kehittämiseen.’
Koulutus on Jatkuvan oppimisen ja työllisyyden palvelukeskuksen (Jotpa) rahoittama. Palvelukeskus edistää työikäisten osaamisen kehittämistä ja osaavan työvoiman saatavuutta. Palvelukeskuksen toimintaa ohjaavat opetus- ja kulttuuriministeriö sekä työ- ja elinkeinoministeriö.
Tässä artikkelissa on hyödynnetty tekoälyä tekstin muokkaamisen ja tiivistämisen tukena sekä kuvion tekemisessä.
Lähteet
- Future LaaS -hanke. 2026. AI-sprintin lähtötilanneselvitys, oppimis- ja näyttömateriaalit, Howspace-suoritukset, näyttötilaisuuksien muistiinpanot ja osallistujapalaute. Julkaisematon aineisto.
- Kuhmonen, A. & Seppä-Kortelainen, S. 2026. Tulevaisuuden oppiminen palveluna uudistaa organisaatioita, ammattikorkeakouluja ja niiden yhteistyötä. Laurea Journal, 17.4.2026. Viitattu 22.8.2026.
- Savolainen, T. & Kuhmonen, A. 2026. Yksilön tekoälyhyödystä organisaation uudistumiskyvyksi. Laurea Journal, 1.9.2026. Viitattu 7.9.2026.
- Seppä-Kortelainen, S. & Kuhmonen, A. 2026. Tulevaisuuden oppiminen palveluna uudistaa organisaatioita, ammattikorkeakouluja ja niiden yhteistyötä. Esitys Peda-forumissa 3.6.2026. Julkaisematon esitysaineisto.
