Tekoäly voi kiihdyttää kasvua, mutta kiihdytyksen voima riippuu lopulta muusta kuin tekoälystä. Suomen pitäisi parantaa nopeasti kykyjä käyttää ja soveltaa tekoälyä, automatisoida työtehtäviä etenkin hallinnossa, sosiaali- ja terveydenhoidossa ja yksityisissä palveluissa, ja ulkoistaa niitä tehtäviä edullisen työvoiman maihin, joita on vaikea automatisoida.
Läpi historian pääoma (työkalut, koneet ja laitteet) on kohottanut tuottavuutta. Uudet teknologiat kuten höyry- ja polttomoottori, sähkö, antibiootit, puolijohteet, tietokoneet ja ICT ovat samalla korvannut työtehtäviä. Lisäksi ne ovat muokanneet myös kulutusta ja elämää yleensä. Nämä ovat niin sanottuja yleiskäyttöisiä teknologioita, jotka muuttavat koko yhteiskuntaa.
Kuitenkaan nämä teknologian mullistukset eivät näy eturintaman talouden (Yhdysvallat) kasvussa erityisinä harppauksina. Suhdannevaihteluista puhdistettu kasvun trendi on ollut noin 2 prosenttia vuodessa viimeisen noin 150 vuoden ajan eikä näiden teknologioiden käyttöönotto ole aiheuttanut näkyviä kokonaistaloudellisia kasvun kiihdytyksiä.
”Tietokoneet näkyvät kaikkialla paitsi tuottavuudessa”, havaitsi talouskasvun nobelisti Solow 1980-luvulla.
Tekoäly (jatkossa myös AI) on uusin näistä yleiskäyttöisistä teknologioista. Se saattaa olla tärkein koskaan kehittämämme teknologia. Mutta onko se kuin ICT: näkyy kaikkialla paitsi tuottavuudessa? Tämä on muun muassa Imasin (2026) tekemä havainto.
AI voisi kiihdyttää kasvua jyrkästi ja muuttaa maailman paremmaksi…
Teknologiaoptimistit ovat täysin eri mieltä. Heidän skenaarionsa on huikea talouskasvun kiihdytys. Esimerkiksi Epoch AI:n Erbil ja Besiroglu (2024) argumentoivat kasvun kymmenkertaistuvan, kun AI korvaa ihmistyötä. Korkoa korolle -ilmiön vuoksi kymmenkertainen kasvu merkitsisi aivan huikeaa vaurastumista.
Tällaiset skenaariot alkavat usein siitä, että AI korvaa ohjelmistotyötä. Jokainen koodausta edes kokeillut on havainnut, kuinka hyvin AI auttaa koodaamisessa. Ja jo nyt AI agentit voivat tehdä itsenäisesti monia toimia, joissa käytetään digitaalisia tietoja.
AI voi myös kiihdyttää AI:n kehittämistä, niin että jatkossa AI tekee parempaa tekoälyä. Anthropicin toimitusjohtaja Dario Amodei on runoillut, että kaiken tämän seurauksena meillä on maa täynnä neroja datakeskuksissa (Amodei, 2024). Skenaarion mukaan datakeskusnerot voisivat kiihdyttää T&K-toiminnan tuloksellisuutta.
AI on ensimmäinen teknologia, joka pyrkii automatisoimaan tiedon käsittelyä, päätöksentekoa ja ideatuotantoa – juuri niitä prosesseja, jotka modernin ymmärryksen mukaan ovat ruokaa talouskasvun moottorille. Pitkän aikavälin kasvu syntyy innovaatioista eli T&K:n panostusten tai muun sellaisen tuottamista ideoista, jotka muuttavat markkinoita, ei pääomasta tai työvoimasta.
Ehkä paras esimerkki AI:n ideatuotannosta on vuoden 2024 kemian Nobel-palkinto. Tutkimustulosten syntyä edisti Google DeepMindin käyttäminen ennustamaan proteiinien rakenteita.
Kun AI automatisoi suuren osan ohjelmoinnista, tutkimuksesta, suunnittelusta ja ideatuotannosta, se voi luoda itseään vahvistavan syklin: tekoäly nopeuttaa innovaatioita, jotka tuottavat parempaa tekoälyä, joka edelleen nopeuttaa innovaatioita. Näin AI vastustaisi trendiä, jossa fiksujen uusien ideoiden luominen on entistä vaikeampaa (esim. Bloom ym., 2020). Tällaisesta prosessista syntyisi nopeasti kiihtyvä tuottavuuden kasvu. Jos ideatuotanto ei enää perustu ihmistyöhön, kasvu voisi kiihtyä tasolle, jota ei ole nähty sitten teollisen vallankumouksen synnyn.
Joillekin tästä syntyy pelko siitä, että tekoälyn korvatessa ihmistyötä, työpaikat korvautuvat AI:lla ja roboteilla. Pessimistien mukaan työttömyys ja sen myötä köyhyys kasvaa, pääoman osuus tuloista kasvaa ja tuloerot jyrkentyvät.
…mutta taloustiede selittää, miksei kaikkea kivaa voi aina saada
Pessimistien pelko on luultavasti yhtä lailla liioittelua kuin optimistien toivo. Työpaikat koostuvat monenlaisista tehtävistä. Aiemminkin teknologiat ovat siirtäneet tehtäviä koneille. Ne eivät juuri ole lopettaneet työpaikkoja; globaalisti työpaikkoja on enemmän kuin koskaan. Sen sijaan töiden luonne on muuttanut uusien teknologioiden mukana. Työpaikkojen määrät ja tulonjako ovat lopulta määräytyneet toisaalla.
Keskeinen ominaisuus teknologioiden käyttöönotossa on, että yhdet työtehtävät on helppo automatisoida muttei toisia. Ja kun yhdet tehtävät on siirretty koneille, syntyy uusia, joita on vaikea automatisoida. Esimerkiksi Jussi ja traktori tekevät paljon enemmän suolla työpäivässä kuin Jussi ja kuokka. Samalla syntyy uusia tehtäviä muille traktorin syrjäyttämille kuokkijoille, joita ennen ei ollut, ja jotka eivät ainakaan välittömästi ole automatisoivissa – polttoaineen hankinta, traktorin huolto ja korjaus ja niin edelleen.
Teknologiaoptimistien tarkastelut, joista edellä mainitsin kaksi esimerkkiä, ovat puhtaasti teoreettisia ajatushahmotelmia siitä, mitä tekoälyn laajeneva käyttö voisi saada aikaan. Näiden ohella AI:n merkitystä muun muassa työmarkkinoille ja kasvuun on analysoitu myös taloustieteen työkalupakilla, eivätkä nämä aina ole puhdasta teoretisointia.
Ehkä toistaiseksi kiinnostavin taloustieteen työkaluilla tehdyistä AI:n mahdollisista vaikutuksista on Jones ja Tonetti (2026), jäljempänä JT. Tämä on esimerkki toisesta, ehkä realistisemmasta skenaariosta AI:n vaikutuksista kasvuun. He käyttävät tuoretta tapaa mallintaa makrotalous, jossa työpaikat koostuvat heterogeenisista, toisiaan täydentävistä tehtävistä (Acemoglu ja Restrepo, 2018), ja historiallisia arvioita siitä, miten tehtäviä on aiemmin automatisoitu koneille. Tämä on teknisesti elegantti ja talouden osalta realistinen malli.
Argumentissa keskeisessä roolissa ovat niin sanotut heikot lenkit: tehtävät, joita ei voida automatisoida. Esimerkiksi tekoäly voi kirjoittaa raportteja ja analysoida dataa, muttei voi välttämättä neuvotella asiakkaiden kanssa, johtaa organisaatioita tai pelata viihdyttävää ammattitason huippu-urheilua.
Ajatus, että tuotanto koostuu monista toisiaan täydentävistä tehtävistä, on luonteva. Silloin kokonaisuus on yhtä vahva kuin sen heikoin lenkki. Tällä on kiinnostava seuraus: jos yksi tehtävä automatisoidaan täydellisesti, mutta se on vain 10 prosenttia koko prosessista, tuottavuus kohosi vain 10 prosenttia.
Jos yritykset automatisoivat tehtäviä heti, kun se on yhtä edullista kuin ihmisen tekemänä, automatisointi ei tuota lainkaan kasvua. Tuottavuuden kasvu tulee siitä, että koneen tuottavuuden kohentaminen on paljon nopeampaa kuin ihmistyön. Tässä kehikossa käytännössä kaikki historiassa tapahtunut kokonaistuottavuuden kasvu on tullut automatisoinnista ja koneiden tuottavuuden kiihdyttämisestä. Automatisointi on siis avain tuottavuuden kasvuun.
JT:n mukaan Yhdysvalloissa on vuosittain automatisoitu noin 1–4 prosenttia tehtävistä, alasta riippuen. Nämä luvut ovat käsikirjoituksessa epävarmoja, mutta tulosten robustiuden tarkastelu osoittaa, ettei numeroarvoilla ole suurta merkitystä keskeisille laadullisille tuloksille.
Kun JT vyöryttää tulevaisuuteen tätä historian dataan kalibroitua automatisoinnin makrotalouden analyysiä, mukaan luettuna ideatuotannon automatisointi, he havaitsevat kasvun kiihtyvän. Kiihtyminen on kuitenkin hyvin hidasta. Kahdessa vuosikymmenessä AI on tulisi nostamaan BKT/capita -suhdetta yhteensä vain 4 prosenttia yli perusuran (jossa AI ei korvaa ihmistyötä) eli alle 0,2 prosenttia vuodessa. Heikot lenkit voivat siis rajoittaa tekoälyn kasvuvaikutusta vuosikymmeniksi. Ei siis ole ihme, ettei AI näy yleisessä tuottavuudessa.
Sähkö, polttomoottori, tietokoneet eikä internet eivät kiihdyttäneet kasvun perusuraa, vaan ylläpitivät sitä. Vastaava saattaa olla totta myös tekoälyn aikakaudella.
Mitä tämä tarkoittaa Suomelle?
Suomi on pieni, avoin ja teknologisesti kehittynyt talous, jossa väestö ikääntyy nopeasti ja työvoima supistuu ilman voimakasta työ- tai opintoperäistä maahanmuuttoa. Tämä voi tehdä tekoälyn vaikutuksista erityisen merkittäviä.
Suomi ei ole globaali tekoälytutkimuksen keskus eikä voi kilpailla tekoälyn kehittämisessä Yhdysvaltojen tai Kiinan kanssa. Siksi Suomen kasvu riippuu siitä, kuinka nopeasti pystymme tuomaan ja omaksumaan ulkomailla syntyvää tekoälyä. Suomelle panostukset tekoälyn käyttöönottoon ovat tärkeämpiä kuin panostukset sen perustutkimukseen. AI:n käyttöönotto ja fiksu soveltaminen toki vaatii riittävää AI:n osaamista.
Miten AI:n käyttöönottoa voitaisiin edistää? Sääntelyn on oltava ennakoitavaa ja teknologianeutraalia. Esimerkiksi kun terveydenhoidossa ja hoivassa voidaan siirtää muita, kuin ihmiskontaktia vaativia tehtäviä AI:lle ja koneille, ei hoitajamitoituksen tai muun sääntelyn pitäisi sitä hidastaa.
Koska iso osa työllisyydestä on julkisella sektorilla, kustannusten ja palvelujen paremman vaikuttavuuden vuoksi julkisen sektorin pitäisi omaksua uusi teknologia varhain ja laajalti. Julkisen sektorin prosessit on standardoitava ja digitalisoitava ennen automaatiota. Onnistunut digitalisaatio muuttaa koko prosessia, kuten esimerkiksi Verohallinto teki veroilmoituksen laatimisessa. Tekoälyä on käytettävä hallinnollisen työn vähentämiseen, ei esimerkiksi hoivatyön korvaamiseen.
Suomen heikot lenkit ovat ainakin palvelualoilla ja julkisessa sektorissa. Suomen talous on palveluvaltainen, ja suuri osa työvoimasta on sosiaali- ja terveydenhuollossa, koulutuksessa ja julkisessa hallinnossa. Nämä ovat juuri niitä sektoreita, joissa heikot lenkit rajoittavat automaatiota.
Yksityisen sektorin palvelualoilla tuottavuuden taso on matala ja kasvu hidasta. Näiltä aloilta voisi löytyä ”alhaalla roikkuvia hedelmiä”, joissa automaation ja koneiden käyttöönotto voisi nostaa tuottavuutta ja kiihdyttää tuottavuuden kasvua. Tämä luultavasti vaatii suunnattuja kehitysohjelmia kohentamaan palvelualojen kykyjä tehtävien automatisointiin.
Eräs mahdollisuus olisi ulkoistaa niitä tehtäviä edullisemman työvoiman maihin, joissa automatisointi ei hevin onnistu, ja pyrkiä digitalisoimaan ja automatisoimaan mahdollisimman suuren osan sekä yksityisten että julkisten palvelujen tehtävistä. Tämä vapauttaisi työvoimaa paremman tuottavuuden työtehtäviin. Myös tällainen voimavarojen parempi allokaatio on eräs tapa nostaa tuottavuutta.
Työmarkkinoiden jäykkyydet voivat hidastaa tekoälyn potentiaalisia hyötyjä. Työmarkkinoiden sääntelyn on mahdollistettava nopea siirtymä tehtävästä toiseen ja yritysten toimintojen uudelleen järjestelyt. Uudelleenkoulutuksen olisi hyvä olla jatkuvaa, ei kertaluonteista. Palkkarakenteiden on syytä joustaa tuottavuuserojen mukaan.
AI voi olla Suomelle pelastus – tai menetetty mahdollisuus
Tekoälyn vaikutus talouskasvuun riippuu kahdesta tekijästä: Kuinka hyvin tekoäly automatisoi ideatuotannon? Kuinka suuri osa talouden tehtävistä on automatisoitavissa?
Suomi ei juuri voi vaikuttaa ensin mainittuun, mutta voi suuresti hyötyä siitä. Sen sijaan jälkimmäiseen voimme vaikuttaa merkittävästi. Talouspolitiikan kannalta tärkeintä on poistaa heikot lenkit, nopeuttaa AI:n käyttöönottoa, joustavoittaa työmarkkinoita, digitalisoida julkinen sektori ja hyödyntää tekoälyä hallinnollisen työn vähentämiseen.
Jos Suomi onnistuu tässä, tekoäly voi kompensoida väestön ikääntymisen ja nostaa tuottavuutta. Jos ei, Suomi voi jäädä jälkeen maista, jotka ottavat teknologian käyttöön nopeammin.
Suomen kilpailuetu voi olla AI:n nopea käyttöönotto, ei sen perustutkimus. Suomi voi olla nopea ja tehokas käyttäjä. Tässä olisi syytä onnistua ja isosti.
Lähteet
Acemoglu, D. and P. Restrepo (2018), “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment,” American Economic Review 108 (6), 1488–1542.
Amodei, D. (2024), “Machines of Loving Grace: How AI Could Transform the World for the Better,” https://darioamodei.com/essay/machines-of-loving-grace.
Bloom, N., C. Jones, J. van Reenen, and M. Webb, (2020), “Are Ideas Getting Harder to Find?,” American Economic Review 10 (4), 1104–44, DOI: 10.1257/aer.20180338.
Erdil, E. and T. Besiroglu (2024), “Explosive growth from AI automation: A review of the arguments”, http://arxiv.org/pdf/2309.11690.
Imas, A. (2026), “What is the impact of AI on productivity?”, https://aleximas.substack.com/p/what-is-the-impact-of-ai-on-productivity
Jones, C. and C. Tonetti (2026), “Past Automation and Future A.I.: How Weak Links Tame the Growth Explosion”, käsikirjoitus, January 15, 2026, https://web.stanford.edu/~chadj/JonesTonetti_Automation.pdf.