Tarinalla tekoälystä aiheuttamasta työpaikkojen katoamisesta on pitkät maailmanlaajuiset perinteet. Esimerkiksi HS pelkäsi (13.4.2026), että tekoäly syö Suomesta työpaikkoja ja nosti samalla (lähes ainoaksi) huoleksi verotulojen mahdollisen menetyksen.
”Tekoälyn kummisetä” Geoffrey Hinton julisti 2016, että lääketieteellisten tiedekuntien tulisi lopettaa radiologien kouluttaminen, koska tekoäly pian suoriutuisi heitä paremmin kuvien lukemisessa. Ja hiljattain Andrej Karpathy, yksi OpenAI:n perustajista, julkaisi ranking-listan siitä, kuinka alttiita ammatit Yhdysvalloissa ovat tekoälyn ohjaamalle automaatiolle. Se levisi nopeasti sosiaalisessa mediassa, koska se ruokki kaikkia jo olemassa olevia tarinoita tekoälyn aiheuttamista nopeasta työpaikkojen menetyksestä.
Paradoksaalisesti, Yhdysvalloissa on nyt enemmän radiologeja kuin koskaan. Ja heidän kysyntänsä on säilynyt hyvänä: noin puolen miljoonan dollarin keskimääräiset vuosiansiot ovat edelleen hyvässä nousussa. Automaatio työmarkkinoilla on siis paljon laajempi ja monisyisempi tarina kuin se, että ”AI vie työpaikat”.
Tiivisterengas
Paradoksin selitys on yksinkertainen. Kuvien lukeminen on tehtävä. Radiologia on työ. Radiologi ei ainoastaan luokittele kuvia. Työmarkkinat eivät osta pelkkää kuvien luokittelua, vaan kokonaisvaltaisen palvelun, jossa useita tehtäviä on koottu yhteen.
Ekonomistien perinteinen näkemys tekoälystä työmarkkinoilla on ollut se, että vaikka historiassa uusi teknologia on vähentänyt joitain töitä, se on aina tuonut mukanaan uusia töitä – niin kait tekee tekoälykin. Tuore tutkimus kuitenkin tarjoaa tekoälyn mahdollisiin työmarkkinavaikutuksiin hienojakoisemman kuvan.
Kuvan piirtäminen, radiologiparadoksin selittäminen ja automaation vaikutusten ajattelu on hyvä aloittaa vuoden 1986 Challenger-sukkulan onnettomuudesta. Onnettomuuden aiheutti kuminen O-rengas tiiviste, joka ei pysynyt joustavana lähtöä edeltävän kylmän yön vuoksi. Perimmäinen syy oli oikeastaan heikkous yhdessä työn vaiheessa.
Tästä havainnosta Michael Kremer kehitti niin sanotun työmarkkinoiden tehtäväpohjaisen O-rengasteorian. Monissa prosesseissa tehtävät ovat toisiaan täydentäviä. Yksi heikko lenkki voi pilata koko tuotteen, viivästyttää työnkulkua tai heikentää muualla tehtävän työn arvoa. Rumpali on arvoton, jos hän on rytmissä vain osan aikaa; kokin keitos on kelvoton, jos reseptin yksi vaihe on pilattu. Silloin työn tuotoksen laatu on kuin kertolasku, ei summa, tehtävien laadusta.
Tämä tehtäväpohjainen työmalli on saanut uutta merkitystä Joshua Gansin ja Avi Goldfarbin tuoreen NBER-artikkelin O-Ring Automation myötä, jossa viitekehystä sovelletaan suoraan tekoälypohjaiseen automaatioon.
Ajatellaan, että kunkin työntekijän työ koostuu joukosta tehtäviä, ja tuotoksen laatu muodostuu kaikkien tehtävien laatujen kertolaskusta, ei summasta. Työntekijä käyttää jokaiseen tehtävään osan työajastaan.
Yritys voi automatisoida jonkin tehtävän investoimalla pääomaan, joka suorittaa tehtävän kiinteällä laadulla. Kun tehtävä on automatisoitu, työntekijän ei enää tarvitse käyttää siihen aikaa. Vastaavasti hän voi käyttää enemmän aikaa ja ajattelua muihin tehtäviin.
Jos automatisoidun tehtävän laatu on vähintään yhtä hyvä kuin työntekijän alkuperäinen manuaalinen laatu kyseisissä tehtävissä ennen automatisointia, tuotos kasvaa varmasti. Tuotos ei automaattisesti nouse vain siksi, että jotkin tehtävät automatisoidaan; se nousee, kun automaation laatu on riittävän korkea.
Tehtäväpohjaisen työmallin keskeinen oivallus on, että kun automaatio vapauttaa työntekijän keskittymään enemmän jäljellä oleviin tehtäviin, tuotos voi kasvaa, vaikka automatisoidut tehtävät suoritettaisiin hieman heikommalla laadulla kuin työntekijän ennen automatisointia saavuttama alkuperäinen laatu. Automaatio antaa työntekijän keskittyä vähempään määrään tehtäviä, mikä parantaa kyseisten tehtävien laatua. Kertolaskun vuoksi jäljellä olevien manuaalisten tehtävien korkeampi laatu ei ainoastaan lisää tuotosta – se voi moninkertaistua. Työntekijästä tulee tuottavampi juuri siksi, että hän tekee vähemmän asioita.
Kun automaation laatu on riittävän korkea suhteessa siihen, mitä työntekijä tuotti manuaalisesti kyseisissä tehtävissä, työntekijän rajatuote nousee – ja niin (yleensä) myös hänen palkkansa. Osittainen automaatio on O-rengasmaailmassa ihmistyön täydennys eikä sen korvike, mikä nostaa työntekijän palkkaa.
Kysynnän jousto vaikuttaa automatisoituun työllisyyteen
Korkeampi työntekijöiden tuottavuus on hyväksi palkoille, mutta miten se vaikuttaa työpaikkoihin? Tämä riippuu kysynnän joustosta. Jos kysyntä on joustavaa, hinnan lasku johtaa kysynnän määrän suurempaan kasvuun ja yritys tarvitsee enemmän työntekijöitä.
Jos kysyntä on joustamatonta, hinnan lasku johtaa kysynnän määrän pienempään kasvuun. Tuotanto ei kasva juurikaan, ja yritys voi tuottaa saman tai jopa enemmän vähemmillä työntekijöillä, koska jokainen työntekijä on tuottavampi.
Tämä vertautuu niin kutsuttuun Jevonsin paradoksiin: kun resurssin käytöstä tulee tehokkaampaa, kyseisen resurssin kokonaiskulutus voi kasvaa. Esimerkiksi kun höyrykone teki hiilestä tehokkaampaa, hiilen kulutus nousi räjähdysmäisesti, koska niin monista uusista sovelluksista tuli taloudellisesti kannattavia.
Sama logiikka pätee työvoimaan: jos tekoäly tekee työntekijästä huomattavasti tuottavamman ja kyseisen tuotteen kysyntä on joustavaa, tekoälyn ansiosta kyseisessä ammatissa voi olla enemmän työntekijöitä, ei vähemmän.
Työtehtävien ulottuvuudet kertovat kannusteista investoida automaatioon
Entä yrityksen kannusteet investoida automaatioon? Se riippuu osaltaan työtehtävien ulottuvuuksista, kahdesta syystä.
Jos työssä on esimerkiksi 20 tehtävää ja yksi automatisoidaan, ihmistä tarvitaan edelleen tekemään loput 19. Mutta jos työssä on vain yksi tehtävä ja se automatisoidaan, kyseinen ihmistyö on poissa.
Organisaatioilla on myös sitä vahvempi kannustin automatisoida tehtäviä, mitä vähemmän työssä on jäljellä automatisoimattomia tehtäviä. Ajatellaan esimerkiksi, että tehtävän automatisointi vaatii 10 miljoonan euron investoinnin. Ensimmäisessä tapauksessa jäljellä on 19 muuta automatisoimatonta tehtävää ja toisessa tämä tehtävä on ainoa automatisoimaton tehtävä. Yrityksellä on paljon suurempi kannustin automatisoida tehtävä toisessa tapauksessa kuin ensimmäisessä, koska se voi sitten korvata koko työntekijän ja hyötyä siitä aiheutuvista kustannussäästöistä.
Yrityksillä on siis vahvempi kannustin investoida automaatioon pieniulotteisissa töissä. Pieniulotteisessa työssä kaikkien tai useimpien ydintehtävien automatisointi voi poistaa työtehtävän ja palkkakulut kokonaan tai suurelta osin. Tämä tekee automaation tuotosta suurempaa. Kaikki tekoälylle altistuneet tehtävät eivät siis ole yhtä altistuneita: joissakin töissä jäljellä olevat tehtävät pitävät edelleen nykyisen työntekijän yrityksessä, toisissa eivät.
Tämä antaa selkeän ennusteen. Jos työ on matalaulotteista ja teknologian tuottama työn laatu on lähellä tehtävien automatisointia, työpaikka on alttiina AI-riskille. Yritykset investoivat enemmän tehtävien automatisointiin kuin silloin, jos työpaikoilla on paljon automatisoimattomia tehtäviä.
Ja tässä on selitys sille, miksi automaatiolle erittäin altis radiologi on kuitenkin runsaasti kysyttyä ja hyvin palkattua työvoimaa. Tekoälyn työkalut täydentävät radiologeja, eivät korvaa heitä. Tekoäly hoitaa työn rutiininomaisen hahmontunnistuksen, jolloin lääkärit voivat keskittyä monimutkaisiin tapauksiin, potilaskommunikaatioon, kliiniseen arviointiin, uusiin ideoihin ja arviointeihin.
Keskittyminen muihin kuin rutiininomaisisiin tehtäviin voi laajentaa ammattitaitoisen työvoiman tuottoa, kysyntää ja palkkoja.
Eikä radiologi edes ole poikkeus, vastaavia tuloksia on lukuisista asiantuntija-ammateista, joissa tekoäly täydentää eikä korvaa ihmistyötä. Esimerkiksi vuoden 2023 MIT:n tutkimuksessa ohjelmistoinsinöörit tulivat tekoälyn avulla 55 prosenttia nopeammiksi; tämä näkyi tuotoksen kasvuna muttei vähempänä työllisyytenä. Jopa ohjelmistotyössä ihminen on tekoälyä parempi yksissä tehtävissä. Ja tekee ne paremmin, kun tekoäly huolehtii toisista, automatisoitavista tehtävistä. Stanfordin vuoden 2023 tutkimuksessa havaittiin tekoälyn hoitavan hyvin joitain juristin tehtäviä. Tämä salli juristien keskittyä paremmin muun muassa asiakkaan strategiaan, neuvotteluihin ja oikeudenkäyntiin. Ja lista jatkuisi pidempään kuin tässä syytä jatkaa.
Tämä on automaation tiivisterengasefekti. Ihmiset, jotka tulevat töihin vain tekemään tehtävän, tullaan korvaamaan tekoälyllä. Mutta ne, jotka tietävät, miten arvokkaat asiat ansaitaan, tekevät tekoälyn avulla enemmän lyhyemmässä ajassa ja voivat ansaita enemmän. Tekoälyn käyttö voi jopa lisätä työvoiman tarvetta.
Gans, Joshua and Avi Goldfarb (2026), “O-Ring Automation”, NBER Working Paper 34639, DOI 10.3386/w34639
Kremer, Michael (1993), “The O-Ring Theory of Economic Development”, The Quarterly Journal of Economics Vol. 108, No. 3, doi.org/10.2307/2118400.