Multimodaalisuus muuttaa tekoälyn assistentista työpariksi

1. Johdanto: tekoäly sai uudet aistit

Tekoäly ei enää vain kirjoita vastauksia ruudulle. Se katsoo kuvaa, kuuntelee ääntä, tulkitsee videota ja yhdistää eri datalähteitä samaan päättelyyn. Tämä on iso muutos.

Aiemmin tekoäly muistutti ennen kaikkea nopeaa tekstityöläistä: se auttoi tiivistämään, ideoimaan, kääntämään ja kirjoittamaan. Nyt se alkaa muistuttaa enemmän työparia, jolle voi näyttää kuitin, sopimusluonnoksen, valokuvan tuotantolinjalta, asiakaspalvelupuhelun tallenteen tai myyntiesityksen videon.

Multimodaalisuus tarkoittaa juuri tätä: tekoälyn kykyä käsitellä useita eri ”muotoja” eli modaliteetteja, kuten tekstiä, kuvaa, ääntä ja videota.

OpenAI kuvasi GPT-4o-mallia vuonna 2024 askeleeksi kohti luonnollisempaa ihmisen ja tietokoneen vuorovaikutusta: malli voi ottaa vastaan tekstiä, ääntä, kuvia ja videota sekä tuottaa tekstiä, ääntä ja kuvia.^[1]

Yrityksille tämä ei ole vain tekninen päivitys. Se muuttaa sitä, mitä voidaan automatisoida, miten tietoa haetaan ja millaisia tuotteita voidaan rakentaa.

2. Mitä multimodaalisuus tarkoittaa?

Multimodaalisuus tarkoittaa tekoälyä, joka ymmärtää ja käsittelee useita erilaisia datamuotoja. Yksinkertaisesti:

• teksti: raportit, sähköpostit, sopimukset, chatit
• kuva: valokuvat, kaaviot, kuitit, piirrokset, käyttöliittymät
• ääni: puhe, kokoukset, haastattelut, asiakaspalvelupuhelut
• video: liike, tapahtumasarjat, esitykset, valvontamateriaali, koulutusvideot

Perinteinen kielimalli oli kuin ihminen, joka saa tietää maailmasta vain lukemalla. Multimodaalinen malli saa mukaan myös näkemisen ja kuulemisen kaltaisia kykyjä.

Tämä ei tarkoita, että tekoäly ”ymmärtäisi” maailmaa samalla tavalla kuin ihminen. Se ei tunne, koe tai havainnoi biologisesti. Mutta se pystyy laskennallisesti tunnistamaan yhteyksiä eri datamuotojen välillä: mitä kuvassa näkyy, mitä puheessa sanotaan, miten kaavio liittyy raportin lukuihin ja mitä videolla tapahtuu.

OpenAI:n kehittäjädokumentaatio määrittelee multimodaalisuuden mallin kyvyksi ymmärtää ja tuottaa sisältöä eri syötetyypeistä, kuten tekstistä, kuvista, äänestä ja videosta.^[2]

3. Miksi tämä on tärkeää juuri nyt?

Multimodaalisuus on noussut tärkeäksi, koska suuri osa työelämän tiedosta ei ole siistissä tekstimuodossa.

Johtoryhmän päätöksenteko nojaa diaesityksiin, talouslukuihin, puheeseen ja tunnelmaan. Teollisuudessa tieto näkyy koneiden kuvissa, mittareissa, antureissa ja huoltovideoissa. Terveydenhuollossa tieto elää potilaskertomuksissa, kuvantamisessa ja keskusteluissa. Myynnissä taas signaaleja syntyy asiakaspuheluista, tarjouksista, verkkokäyttäytymisestä ja esitysmateriaaleista.

Aiemmin näiden yhdistäminen oli hidasta. Ihminen katsoi kuvan, luki raportin, kuunteli palaverin ja teki tulkinnan. Nyt tekoäly voi auttaa tässä työssä.

Stanford HAI:n vuoden 2025 AI Index -raportti kuvaa tekoälyn vaikutusten voimistumista yhteiskunnassa, taloudessa ja hallinnossa.^[3] Multimodaalisuus on yksi tämän kehityksen näkyvimmistä suunnista: tekoäly ei enää pysy omassa tekstilaatikossaan, vaan alkaa koskettaa lähes kaikkea digitaalista työtä.

4. Teknologinen perusta ymmärrettävästi

Multimodaalisen tekoälyn taustalla on ajatus yhteisestä esitystavasta. Kun malli käsittelee tekstiä, kuvaa tai ääntä, se muuntaa ne matemaattisiksi esityksiksi. Niitä voidaan ajatella eräänlaisina koordinaatteina merkitysten kartalla.

Jos kuvassa on koira, tekstissä sana ”koira” ja äänitiedostossa haukahdus, malli oppii, että nämä voivat liittyä samaan ilmiöön.

Tässä auttaa kolme asiaa:

Ensinnäkin laskentateho on kasvanut. Suurten mallien kouluttaminen vaatii valtavasti laskentaa.

Toiseksi dataa on enemmän. Verkossa on tekstiä, kuvia, videoita, ääntä ja dokumentteja ennennäkemättömät määrät.

Kolmanneksi käyttöliittymät ovat parantuneet. Multimodaalisuus ei ole hyödyllistä, jos sitä voi käyttää vain tutkimuslaboratoriossa. Sen arvo syntyy, kun käyttäjä voi lisätä kuvan keskusteluun, puhua mallille tai pyytää tekoälyä tulkitsemaan dokumentin.

OpenAI:n GPT-4o System Card kertoo, että malli on koulutettu end-to-end-tyyppisesti tekstin, näön ja äänen yli, jolloin eri syötteitä käsitellään saman neuroverkon kautta.^[4]

5. Yksilön näkökulma: tekoäly arjen tulkkina

Yksilölle multimodaalisuus tekee tekoälystä konkreettisemman. Ei tarvitse osata muotoilla täydellistä tekstikysymystä — voi näyttää asian.

Käytännön esimerkkejä:

• Ota kuva kuitista ja pyydä tekoälyä poimimaan summa, päivämäärä ja ALV.
• Lähetä kuva kaaviosta ja pyydä selitys: ”Mitä tämä tarkoittaa selkokielellä?”
• Näytä kuva kasvin lehdestä ja kysy, mikä siinä voisi olla vialla.
• Lataa kokoustallenne ja pyydä päätökset, avoimet kysymykset ja seuraavat tehtävät.
• Näytä kuva vaatekaapista ja pyydä asuehdotuksia tiettyyn tilaisuuteen.

Elina Lappalaisen HS-artikkelissa tekoälyä kuvataan arjen apurina, joka voi auttaa esimerkiksi ihonhoidon, treenin, ruuanlaiton ja puutarhanhoidon kaltaisissa tilanteissa, mutta jonka neuvoja täytyy osata myös kyseenalaistaa.

Tämä on hyvä kiteytys multimodaalisuuden arvolupauksesta: se voi tehdä tekoälystä helpommin lähestyttävän myös ihmisille, jotka eivät ajattele itseään teknologiaosaajina. Mutta siinä on myös varoitus. Kun tekoäly vastaa itsevarmasti kuvan perusteella, se voi tuntua asiantuntijalta silloinkin, kun se arvaa.

6. Yritysten ja organisaatioiden näkökulma

Yrityksille multimodaalisuus avaa aivan uuden tehokkuuskerroksen. Suurin hyöty ei välttämättä synny siitä, että tekoäly ”kirjoittaa paremmin”. Se syntyy siitä, että tekoäly pystyy käsittelemään hajanaista tietoa.

Monessa organisaatiossa tieto on levällään:

• PDF-raporteissa
• asiakastallenteissa
• Teams-kokouksissa
• CRM-järjestelmissä
• tuotantokuvissa
• sähköposteissa
• tukipyynnöissä
• myyntiesityksissä
• koulutusvideoissa

Multimodaalinen tekoäly voi auttaa yhdistämään nämä.

Esimerkiksi asiakaspalveluyhtiö voi analysoida puhelutallenteita, chat-keskusteluja ja reklamaatiokuvia. Teollisuusyritys voi yhdistää huoltokuvat, sensoridatan ja asentajan kirjalliset muistiinpanot. Konsulttiyritys voi tiivistää työpajavideon, lukea fläppitaulukuvat ja muuntaa ne projektisuunnitelmaksi.

Tässä kohtaa johtaminen ratkaisee. Startup-ministeriön keskustelussa Supercellin Ilkka Paananen korostaa, että organisaatiossa päätösten kannattaa syntyä mahdollisimman lähellä tuotetta ja loppuasiakasta. Sama ajatus sopii multimodaaliseen tekoälyyn: parhaat käyttötapaukset eivät synny IT-osaston suljetussa työpajassa, vaan siellä missä arjen kitka oikeasti näkyy.

7. Startupien mahdollisuus

Startupille multimodaalisuus on erityisen kiinnostava, koska se mahdollistaa tuotteita, joita aiemmin oli vaikea rakentaa. Hyvä startup etsii yleensä kivuliasta ongelmaa, jota nykyiset ratkaisut hoitavat kömpelösti. Multimodaalisuus laajentaa ongelmakenttää.

Mahdollisia startup-ideoita:

• tekoäly, joka analysoi rakennustyömaan kuvia ja huomaa turvallisuuspuutteita
• työkalu, joka muuntaa myyntipuhelut automaattisesti CRM-päivityksiksi
• sovellus, joka lukee kuitit, sopimukset ja laskut pienyrittäjän kirjanpitoa varten
• palvelu, joka tekee koulutusvideoista automaattisesti oppimateriaaleja
• terveydenhuollon apuri, joka yhdistää potilaan kertoman oirekuvan, kuvat ja dokumentit lääkärin tarkastettavaksi

Tässä on kuitenkin tärkeä ero: teknologia ei yksin riitä. Startupin täytyy ymmärtää työnkulku. Kuka käyttää tuotetta? Missä tilanteessa? Mihin päätökseen tekoälyn vastaus vaikuttaa? Mitä tapahtuu, jos vastaus on väärä?

Multimodaalinen tekoäly voi olla tekninen moottori. Liiketoiminnan arvo syntyy vasta, kun se paketoidaan luotettavaksi, helposti käytettäväksi ja vastuulliseksi tuotteeksi.

8. Käytännön sovellukset

Taloushallinto

Kuitit, laskut, sopimukset ja maksutiedot ovat multimodaalisuuden peruskauraa. Tekoäly voi poimia kuitista tiedot, ehdottaa kululuokkaa ja huomata ristiriidan: esimerkiksi ravintolalasku on kirjattu matkakuluksi, vaikka päivämäärä ei sovi matkaraporttiin.

Sales

Myyntipuhelu sisältää paljon enemmän kuin sanat. Siinä on kysymyksiä, epäröintiä, vastaväitteitä, ostosignaaleja ja hiljaisia hetkiä. Multimodaalinen järjestelmä voi yhdistää puhelun, esitysmateriaalin ja CRM-datan. Se voi ehdottaa seuraavaa viestiä, tunnistaa asiakkaan huolen ja muistuttaa lupausten toteuttamisesta.

Markkinointi

Kampanjan onnistuminen ei ole vain tekstiä. Siinä on kuvia, videoita, ääntä, brändiä ja kohderyhmän reaktioita. Tekoäly voi analysoida mainoskuvia, verrata niitä brändiohjeisiin ja ehdottaa versioita eri kanaviin.

Koulutus

Opiskelija voi näyttää tehtävän kuvan, selittää ääneen missä jumittaa ja pyytää opastusta. Opettaja voi tehdä luentotallenteesta tiivistelmän, tehtäväpaketin ja kertaavat kysymykset.

Teollisuus

Kunnossapidossa työntekijä voi ottaa kuvan viallisesta osasta ja pyytää tekoälyä vertaamaan sitä huolto-ohjeeseen. Tämä ei poista ammattilaista. Se voi nopeuttaa vianrajausta ja vähentää virheitä.

Media ja viestintä

Toimittaja, viestijä tai analyytikko voi syöttää järjestelmään haastattelunauhan, kuvat, raportit ja taustamateriaalit. Tekoäly auttaa löytämään olennaisen, mutta ihminen tekee journalistisen, eettisen ja kontekstuaalisen harkinnan.

9. Esimerkit: kuitit, kaaviot, kokoukset ja video

Esimerkki 1: kuitti

Käyttäjä lähettää kuvan kuitista ja pyytää:

Poimi tästä päivämäärä, summa, ALV, maksutapa ja ehdota kululuokkaa. Kerro myös, jos jokin kohta on epäselvä.

Hyvä tekoäly ei vain anna vastausta. Se kertoo epävarmuudet. Parempi vastaus olisi:

Summa näyttää olevan 48,90 euroa, mutta ALV-rivin tarkkuus on heikko kuvan epäterävyyden vuoksi. Varmista ALV ennen kirjanpitoon vientiä.

Esimerkki 2: kaavio

Johtaja lataa kuvan myyntikaaviosta. Kysymys:

Mitä tästä kaaviosta kannattaa nostaa hallitukselle?

Tekoäly voi huomata trendin, poikkeaman ja epäselvän akselimerkinnän. Se voi myös ehdottaa kysymyksiä: onko kasvu tullut uusista asiakkaista vai hinnankorotuksista?

Esimerkki 3: kokous

Tiimi lataa äänitallenteen tai videon työpajasta. Tekoäly tuottaa:

• päätökset
• avoimet kysymykset
• vastuuhenkilöt
• aikataulut
• riskit
• asiat, joista oltiin eri mieltä

Tämä voi säästää aikaa. Mutta päätöksiä ei pidä hyväksyä sokkona, koska malli voi tulkita keskustelun väärin.

Esimerkki 4: video

Koulutusvideo voidaan muuttaa tekstitiivistelmäksi, oppimiskysymyksiksi, prosessikuvaukseksi, perehdytysmateriaaliksi tai lyhyiksi someklippeihin sopiviksi nostoiksi. Tässä multimodaalisuus kohtaa sisällöntuotannon. Samasta materiaalista voidaan tehdä monta käyttötarkoitusta.

10. Huono, parempi ja erinomainen käyttötapa

Huono esimerkki

Katso tämä kuva ja kerro totuus.

Tämä on huono pyyntö, koska se antaa mallille liikaa valtaa. Se ei määrittele, mitä pitäisi arvioida, millä tarkkuudella ja mihin vastausta käytetään.

Parempi esimerkki

Analysoi tämä kaavio. Kerro kolme tärkeintä havaintoa, kaksi mahdollista tulkintaa ja yksi asia, joka pitäisi tarkistaa alkuperäisestä datasta.

Tämä ohjaa mallia erottamaan havainnot ja tulkinnat.

Erinomainen esimerkki

Olet talousjohtajan analyysiavustaja. Katso tämä myyntikaavio ja vertaa sitä alla olevaan kuukausiraporttiin. Tee hallitukselle 150 sanan yhteenveto. Erottele faktat, oletukset ja lisäkysymykset. Älä keksi lukuja, joita kuvassa tai tekstissä ei näy.

Tämä on paljon parempi. Rooli, tehtävä, formaatti, rajaus ja varovaisuus ovat mukana.

11. Riskit ja sudenkuopat

Multimodaalisuuden suurin riski on sama kuin sen suurin vahvuus: se tuntuu luonnolliselta. Kun tekoäly katsoo kuvaa ja vastaa vakuuttavasti, käyttäjä helposti ajattelee, että se näki asian samalla tavalla kuin ihminen. Ei nähnyt. Se teki mallinnuksen.

Tärkeimmät riskit:

1. Hallusinaatiot

Tekoäly voi keksiä asioita, joita kuvassa, äänessä tai videossa ei ole. Esimerkiksi kasvin, tuotteen, henkilön tai dokumentin väärä tunnistus voi johtaa huonoihin päätöksiin.

2. Liiallinen luottamus

Ihminen voi ulkoistaa arviointikykynsä mallille. Tämä on erityisen vaarallista terveyden, juridiikan, talouden, turvallisuuden ja rekrytoinnin kaltaisissa korkean panoksen tilanteissa.

3. Yksityisyys

Kuvat, ääni ja video sisältävät usein henkilötietoja. Kasvot, ääni, sijainti, työpaikan tilat, asiakirjat ja asiakkaiden tiedot voivat paljastua huomaamatta. OpenAI:n yksityisyyttä koskevassa raportissa todetaan, että multimodaalisissa ympäristöissä henkilötietoa voi olla tekstissä, kuvissa, äänessä ja videossa, mikä tekee tunnistamisesta ja suojaamisesta haastavampaa.^[5]

4. Tekijänoikeudet ja aineiston käyttö

Kuvien, videoiden ja äänen käsittelyyn liittyy oikeuksia. Saako aineistoa käyttää? Saako sitä syöttää ulkoiseen palveluun? Saako siitä tuottaa uusia versioita?

5. Vinoumat

Mallit voivat toimia eri tavoin eri ihmisryhmille, kielille, aksenteille, kuvakulmille ja kulttuurisille konteksteille.

6. Turvallisuus

Multimodaalisuus voi tehdä myös huijauksista uskottavampia. Väärennetyt äänet, kuvat ja videot voivat vaikeuttaa luottamuksen arviointia. NISTin AI Risk Management Framework tarjoaa organisaatioille kehyksen tekoälyriskien hallintaan yksilöiden, organisaatioiden ja yhteiskunnan näkökulmasta.^[6]

12. Etiikka, yksityisyys ja sääntely

Multimodaalinen tekoäly koskettaa suoraan ihmisten arkea. Siksi vastuullisuus ei ole päälle liimattu lisäosa. Yrityksen kannattaa kysyä ainakin:

• Mitä dataa syötämme mallille?
• Sisältääkö se henkilötietoja?
• Onko asiakkaalla tai työntekijällä lupa ja tieto käsittelystä?
• Mihin päätöksiin tekoälyn tulos vaikuttaa?
• Kuka tarkistaa kriittiset vastaukset?
• Miten virheet dokumentoidaan?
• Voiko käyttäjä kiistää tai korjata tekoälyn päätelmän?

EU:n AI Act on ensimmäinen kattava tekoälyä koskeva oikeudellinen kehys, jonka tavoitteena on käsitellä tekoälyn riskejä ja asemoida Eurooppa tekoälyn kehityksessä.^[7]

EU:ssa yleiskäyttöisiä tekoälymalleja koskevia velvoitteita on alettu soveltaa vaiheittain, ja komissio julkaisi vuonna 2025 yleiskäyttöisten tekoälymallien käytännesäännöt tukemaan AI Actin noudattamista.^[8]

Tämä on yrityksille tärkeä viesti: tekoälykokeilut eivät voi enää olla pelkkää innostunutta testailua. Tarvitaan pelisäännöt.

13. Mitä tämä kertoo isommasta muutoksesta?

Multimodaalisuus kertoo työelämän suuresta suunnanmuutoksesta. Ennen digitalisaatio tarkoitti usein sitä, että paperi muutettiin PDF:ksi ja prosessi vietiin järjestelmään. Nyt tekoäly alkaa tulkita myös sitä sotkuista, epätäydellistä ja monimuotoista tietoa, josta työ oikeasti koostuu.

Tämä voi muuttaa asiantuntijatyötä kolmella tavalla.

Ensinnäkin analyysin kynnys laskee. Ihmisen ei tarvitse ensin muuntaa kaikkea tekstiksi tai taulukoksi.

Toiseksi dokumentointi muuttuu automaattisemmaksi. Kokoukset, kuvat ja prosessit voidaan muuttaa rakenteiseksi tiedoksi.

Kolmanneksi vuorovaikutus muuttuu luonnollisemmaksi. Tekoälylle voi puhua, näyttää ja kysyä.

Mutta muutos ei poista ihmistä. Se muuttaa ihmisen roolia. Tulevaisuuden asiantuntija ei ole se, joka osaa ulkoa eniten faktoja. Hän on se, joka osaa kysyä hyviä kysymyksiä, arvioida vastauksia, tunnistaa epävarmuudet ja yhdistää tekoälyn tuottaman analyysin todelliseen tilanteeseen.

14. Tulevaisuus: hype ja realistinen kehitys

Multimodaalisuuteen liittyy paljon hypeä. Osa siitä on perusteltua, osa ei. Realistisesti seuraavat kehityssuunnat ovat todennäköisiä.

1. Tekoälystä tulee käyttöliittymä

Moni ohjelmisto saa keskustelu-, kuva- ja äänikäyttöliittymän. Käyttäjä ei enää klikkaa kaikkea itse, vaan pyytää järjestelmää tekemään.

2. Dokumentit muuttuvat eläviksi

Raportti ei ole enää vain PDF. Se voi sisältää tekstin, kaaviot, lähdedatan, selittävän äänen ja tekoälyavusteisen kyselymahdollisuuden.

3. Kokousten arvo mitataan paremmin

Tekoäly voi tunnistaa, mitä päätettiin, mitä jäi auki ja kuka lupasi tehdä mitä. Tämä voi vähentää organisaatioiden hiljaista hukkaa.

4. Videoanalyysi yleistyy

Koulutus, turvallisuus, huolto, urheilu, media ja asiakaskokemus hyötyvät videon tulkinnasta.

5. Luottamus nousee tärkeimmäksi kilpailueduksi

Kun tekoäly pystyy käsittelemään yhä herkempiä aineistoja, käyttäjät valitsevat ratkaisuja, joihin he voivat luottaa.

Mikä ei katoa? Ihmisen harkinta ei katoa. Vastuu ei katoa. Konteksti ei katoa. Ja ehkä tärkeimpänä: tarve ymmärtää asiakasta ei katoa. Tekoäly voi katsoa kuvan, mutta se ei automaattisesti tiedä, mikä liiketoiminnassa on olennaista.

15. Johtopäätökset

Multimodaalisuus tekee tekoälystä käytännöllisemmän. Se tuo tekoälyn lähemmäs todellista työtä: kuitteja, kuvia, keskusteluja, videoita, raportteja, asiakastilanteita ja päätöksiä.

Sen lupaus on suuri: vähemmän manuaalista tulkintaa, nopeampi analyysi, parempi dokumentointi ja luonnollisempi vuorovaikutus teknologian kanssa. Mutta juuri siksi sen kanssa pitää olla tarkka. Multimodaalinen tekoäly ei ole taikasilmä. Se on tehokas analyysi- ja tulkintatyökalu, joka voi olla väärässä vakuuttavalla tavalla.

Paras tapa hyödyntää sitä ei ole kysyä: ”Voiko tekoäly tehdä tämän puolestani?”

Parempi kysymys on: ”Miten tekoäly voi auttaa minua näkemään, kuulemaan ja ymmärtämään tämän tilanteen paremmin — mutta niin, että vastuu pysyy oikeassa paikassa?”

Siinä on multimodaalisuuden ydin. Se ei tee ihmisestä tarpeetonta. Se voi tehdä ihmisestä tarkemman, nopeamman ja paremmin informoidun.

16. Käytännön mallit ja työpohjat

Yleinen toimintamalli

1. Valitse yksi konkreettinen käyttötapaus.
2. Määrittele, mitä dataa käytetään: teksti, kuva, ääni, video.
3. Päätä, mitä tekoälyn pitää tuottaa.
4. Määrittele, kuka tarkistaa tuloksen.
5. Testaa pienellä aineistolla.
6. Kirjaa virheet ja epävarmuudet.
7. Päätä, voidaanko käyttöä laajentaa.

Tarkistuslista ennen kuvan lähettämistä tekoälylle

• Sisältääkö kuva henkilötietoja?
• Näkyykö siinä asiakas, työntekijä tai salainen tieto?
• Onko kuvan käyttö sallittua?
• Mihin päätökseen analyysi vaikuttaa?
• Tarvitaanko asiantuntijan tarkistus?
• Onko kuva riittävän tarkka?
• Pyydänkö tekoälyä kertomaan epävarmuudet?

Hyvä prompti kuvan analysointiin

Analysoi tämä kuva. Kerro ensin, mitä varmasti näet. Kerro sen jälkeen mahdolliset tulkinnat. Erottele faktat ja arviot. Älä keksi puuttuvia tietoja. Mainitse lopuksi, mitä minun pitäisi tarkistaa itse.

Hyvä prompti kuitille

Poimi tästä kuitista päivämäärä, summa, ALV, maksutapa, myyjä ja mahdollinen kululuokka. Jos jokin kohta on epäselvä, merkitse se epävarmaksi äläkä arvaa.

Hyvä prompti kokoustallenteelle

Tee tästä kokouksesta yhteenveto. Erottele päätökset, avoimet kysymykset, sovitut tehtävät, vastuuhenkilöt ja määräajat. Nosta lopuksi kolme asiaa, jotka voivat aiheuttaa väärinkäsityksiä.

Päätöksenteon malli

Käytä tekoälyn vastausta päätöksenteossa vain, jos nämä ehdot täyttyvät:

• lähdeaineisto on riittävän laadukas
• tekoälyn epävarmuudet on tunnistettu
• kriittiset kohdat on tarkistettu
• ihminen tekee lopullisen päätöksen
• päätöksen vaikutukset ymmärretään

Aloittelijan malli

Aloita arjen matalan riskin tehtävistä: kaavion selitys, kuitin tietojen poiminta, esitysdian parannusehdotus, kuvan sisällön kuvailu, kokousmuistion luonnos.

Edistyneen käyttäjän malli

Rakenna työnkulku:

1. Kerää aineisto: kuva, teksti, ääni tai video.
2. Pyydä tekoälyltä ensimmäinen analyysi.
3. Pyydä sitä listaamaan epävarmuudet.
4. Vertaa tulosta alkuperäiseen aineistoon.
5. Tee korjaukset.
6. Tallenna opit seuraavaa käyttökertaa varten.

Tiimin työpohja

Kysykää yhdessä:

• Missä työssämme katsomme, kuuntelemme tai tulkitsemme toistuvasti samaa asiaa?
• Missä virheet ovat kalliita?
• Missä tekoäly voisi nopeuttaa valmistelua, mutta ihminen tekisi päätöksen?
• Mitä dataa emme saa koskaan syöttää ulkoiseen tekoälypalveluun?
• Mikä olisi ensimmäinen turvallinen pilotti?

Multimodaalisuus ei ole vain uusi tekoälyominaisuus. Se on askel kohti maailmaa, jossa teknologia ymmärtää työtämme lähempänä sen todellista muotoa.

Ei pelkkänä tekstinä. Vaan kuvina, äänenä, liikkeenä, keskusteluina ja tilanteina.

Lähteet

1. Hello GPT-4o — OpenAI
2. Multimodal — OpenAI Cookbook
3. The 2025 AI Index Report — Stanford HAI
4. GPT-4o System Card — OpenAI
5. OpenAI privacy hackathon report — OpenAI (PDF)
6. AI Risk Management Framework — NIST
7. AI Act — Shaping Europe's digital future, European Commission
8. The General-Purpose AI Code of Practice — European Commission