Tekoälyn kustannukset: mitä valolla laskeminen opettaa

Optinen laskenta tarjoaa yrittäjälle hyödyllisen näkökulman: uuden tekniikan arvo mitataan koko tehtävän hinnalla ja laadulla.

Tekoälyn kustannukset näyttävät pieniltä, kun laskemme yhden onnistuneen vastauksen hinnan. Kuva muuttuu, jos vastaus pitää pyytää uudelleen, tarkistaa käsin ja sovittaa yrityksen järjestelmiin. Siksi lupaus entistä halvemmasta laskennasta ansaitsee yrittäjältä yhden jatkokysymyksen: halpeneeko myös valmis työ?

Vaihtoehtoiset laskentatavat tekevät kysymyksestä kiinnostavan. GPU eli grafiikkasuoritin on tekoälyssä käytetty laskentapiiri, mutta laskentaa tutkitaan myös esimerkiksi valon avulla. Minusta yrittäjän kannattaa poimia tästä kehityksestä ennen kaikkea ajattelutapa: tekniikan arvo löytyy tarkasti määritellystä tehtävästä ja sen koko toteutuksesta.

Valolla laskeminen pakottaa rajaamaan tehtävän

Optinen laskenta tarkoittaa sitä, että valon etenemistä ja ominaisuuksia käytetään laskutoimitusten tekemiseen. Ilker Oguzin tutkimusryhmän tutkimuksessa valolla toteutetusta kuvageneroinnista optinen järjestelmä ennustaa kuvassa olevaa kohinaa. Diffuusiomalli muodostaa kuvan poistamalla satunnaiskohinaa vaiheittain, joten samaa työvaihetta tarvitaan toistuvasti.

Tässä on tutkimuksen yrittäjälle kiinnostavin kohta. Kun tehtävä tunnetaan riittävän tarkasti, sen toteutusta voidaan suunnitella juuri kyseiseen työhön. Y Combinatorin keskustelun osuus valolla toteutettavasta diffuusiomallista alkaa kohdasta 22:23. Esimerkki antaa hyvän syyn kysyä, kuinka paljon oman palvelun työstä on saman rajatun toiminnon toistamista.

Toistuvuus on hyödyllinen havainto myös yritykselle, joka ostaa kaiken tekoälynsä palveluna. Jos tuotteessa tehdään jatkuvasti samaa luokittelua tai kuvankäsittelyä, juuri siitä voi aloittaa kustannusten tarkastelun. Ensin on kuitenkin selvitettävä, kuinka samanlaisia asiakkaiden tehtävät todella ovat: helposti rajattava esimerkkitapaus voi peittää alleen hankalat poikkeukset.

Laskennan ympärilläkin tehdään työtä

Optisen laskennan lupauksiin liittyy käytännön rajoja. Tutkimus nostaa esiin valon muokkaamisen ja mittaamisen energiankulutuksen, ohjelmoitavuuden rajat sekä kokeiden tarkkuuden. Tiedon syöttäminen optiseen järjestelmään ja tuloksen lukeminen kuuluvat kokonaisuuteen, vaikka itse laskentavaihe olisi hyvin energiatehokas.

Sama kysymys näkyy jakson optisen laskennan yleistymisen esteitä käsittelevässä osuudessa, joka alkaa kohdasta 19:27. Yrityksen näkökulmasta tästä voi johtaa yksinkertaisen arviointiperiaatteen: koko työn pitää mahtua vertailuun. Pelkkä yhden vaiheen nopeutuminen ei vielä kerro, paljonko asiakas säästää aikaa.

Jos esimerkiksi tekoäly auttaa myyntitapaamiseen valmistautumisessa, lopputulokseksi kannattaa määritellä käyttökelpoinen taustakooste. Sen kustannuksiin lasketaan tiedon hankinta, käsittely ja tarkistaminen. Näin vertailu kertoo, syntyykö myyjälle enemmän aikaa asiakkaan ymmärtämiseen vai siirtyykö työ vain toiseen kohtaan päivää.

Tekoälyn kustannukset kannattaa siksi suhteuttaa hyväksyttyyn lopputulokseen. Käytännössä kokeilun kaikki kulut ja käytetty työaika kirjataan myös epäonnistuneista yrityksistä. Muuten nopeasti syntyvä mutta korjauksia vaativa luonnos näyttää vertailussa paremmalta kuin se arjessa on.

Koulutus ja käyttö tarvitsevat omat mittarinsa

Vaihtoehtoisesta laskennasta puhuttaessa kannattaa erottaa mallin kouluttaminen ja käyttäminen. Koulutuksessa mallin toimintaa muokataan esimerkkien avulla. Käytössä jo koulutettu malli käsittelee uuden pyynnön, kuten tuottaa kuvan tai vastauksen.

Ero on olennainen myös optiikan kohdalla. Edellä mainitussa tutkimuksessa optisten kerrosten kouluttamiseen käytetään virheen takaisinsyöttöä: menetelmää, jolla mallin asetuksia muutetaan virheen pienentämiseksi. Valon hyödyntäminen laskennassa ei siis itsessään tarkoita, että myös oppimismenetelmä olisi vaihdettu.

Yrittäjän kannattaa täsmentää, kumpaan vaiheeseen toimittajan lupaama säästö kohdistuu. Jos ostat valmiin mallin käyttöä, koulutuksen tehostuminen ei sellaisenaan kerro oman laskusi muutoksesta. Tarvitset tiedon siitä, miten uusi ratkaisu vaikuttaa palvelun hintaan, laatuun ja toimitusaikaan juuri siinä käytössä, josta maksat.

Hyvä vertailu alkaa omasta aineistosta

Uutta ratkaisua voi arvioida käytännöllisesti jo ennen suurta hankintapäätöstä. Valitse tehtävä, jonka nykyisen toteutuksen tunnet, ja kokoa sille edustava aineisto. Ota mukaan tavallisten tapausten lisäksi sellaisia tilanteita, joissa nykyinen ratkaisu tarvitsee ihmisen apua.

Määrittele sitten, millainen tulos voidaan hyväksyä ja kuinka kauan sitä voidaan odottaa. Pidä ehdot samoina kaikille vaihtoehdoille. Myös tekoälymallien vertailu muuttuu oman yrityksen kannalta hyödylliseksi vasta, kun tuloksia peilataan omiin tehtäviin.

Kirjaa vertailuun käyttömaksujen lisäksi käyttöönoton työ, ylläpito ja virheiden käsittely. Jos ratkaisu vaatii erikoisosaamista, selvitä samalla, kuka sitä ylläpitää ja miten ongelmista toivutaan. Halpa suoritus voi olla hyvä löytö, kun myös sen ympärille tarvittava työ on tiedossa.

Anna kokeilulle selkeä omistaja. Delegointi kasvuyrityksessä liittyy tässä hyvin konkreettiseen vastuuseen: jonkun pitää päättää, millä näytöllä kokeilua jatketaan. Ilman yhteistä hyväksymisehtoa tekninen onnistuminen ja liiketoiminnan hyöty voivat tarkoittaa tiimille eri asioita.

Erikoistuminen avaa myös yritysmahdollisuuden

Laskentaa kehittävälle startupille tehtävän rajaaminen voi olla lupaava lähtökohta. Ensimmäiseksi asiakkaaksi kannattaa etsiä toimija, jonka toistuva ongelma sopii ratkaisun vahvuuksiin. Silloin myyntilupaus voidaan sitoa asiakkaan tunnistamaan työhön ja sen mitattavaan parannukseen.

Rajaus tuo mukanaan myös riskin, joka on hyvä sanoa ääneen. Jos asiakkaan tehtävä muuttuu, hyvin erikoistunut ratkaisu voi vaatia paljon uutta kehitystyötä. Siksi kokeilussa kannattaa selvittää myös, kuinka helposti aineistoa, vaatimuksia tai toimintatapaa voidaan vaihtaa.

Minusta tässä on vaihtoehtoisen laskennan kiinnostava yritysmahdollisuus: tekninen oivallus ja tarkasti tunnettu asiakastarve voidaan kehittää yhdessä. Ensimmäisen toimivan käyttökohteen löytäminen antaa perustajalle konkreettista näyttöä siitä, mikä ratkaisussa on arvokasta. Samalla selviää, mitkä rajoitteet asiakkaalle oikeasti merkitsevät.

Mitä yrittäjä voi tästä oppia?

Valolla laskeminen avaa kiinnostavan näkymän siihen, miten tekoälyn vaatimaa työtä voidaan toteuttaa eri tavoin. Tutkimuksesta omaan palveluun johtava matka on silti arvioitava tehtävä kerrallaan. Päätöksen tueksi tarvitaan näyttöä koko toteutuksen hinnasta, laadusta ja toimivuudesta.

Valitse siis omasta arjestasi yksi toistuva tehtävä ja selvitä sen nykyinen kustannus alusta hyväksyttyyn lopputulokseen. Sen jälkeen pystyt tunnistamaan, mikä uusi ratkaisu todella parantaa toimintaasi. Yrittäjälle hyödyllisin läpimurto on sellainen, jonka vaikutuksen voi nähdä myös asiakkaan työpäivässä.

Tekoälyn kustannukset kannattaa siksi suhteuttaa hyväksyttyyn lopputulokseen.

Yrittäjälle hyödyllisin läpimurto on sellainen, jonka vaikutuksen voi nähdä myös asiakkaan työpäivässä.

▶

Katso alkuperäinen jakso YouTubessa: Y Combinator.

Lähteet

• Y Combinator: vaihtoehtoiset laskentatavat — Julkaistu 2.10.2026. Käytössä olivat käyttäjän toimittama jaksokuvaus ja lukujen aikaleimat; koko transkriptia ei saatu tarkistettavaksi. Artikkelissa viitatut osuudet alkavat kohdista 19:27 ja 22:23.
• Optiset diffuusiomallit kuvien tuottamisessa — Ilker Oguzin ja muiden tutkijoiden alkuperäinen tutkimus, NeurIPS 2024. Lähde optisen kuvageneroinnin toimintaperiaatteelle, koulutusmenetelmälle ja teknisille rajoitteille. Liiketoimintaa koskevat johtopäätökset ovat kirjoittajan tulkintaa.