Chain of Thought

1. Johdanto: pieni lisälause, iso muutos

Tekoälyn käytössä on yksi yllättävän pieni mutta tehokas oivallus: joskus mallilta ei kannata pyytää vain vastausta. Siltä kannattaa pyytää ensin jäsentelyä.

Siksi lause ”ajattele vaihe vaiheelta ennen vastausta” nousi nopeasti tekoälyn käyttäjien työkalupakkiin. Se ei ole taikasana, mutta se paljastaa jotain olennaista tekoälyn käytöstä: hyvä lopputulos syntyy usein siitä, että ongelma pilkotaan oikein.

Chain of Thought eli vaiheittainen päättely tarkoittaa tekniikkaa, jossa tekoäly ohjataan käsittelemään monimutkainen tehtävä askel askeleelta ennen lopullista vastausta. Tutkimuksessa Chain of Thought -promptauksen on havaittu parantavan suurten kielimallien suoriutumista erityisesti aritmetiikassa, arkijärjellä ratkaistavissa tehtävissä ja symbolisessa päättelyssä.^[1]

Kyse ei ole vain paremmista prompteista. Kyse on uudesta tavasta tehdä ajattelutyötä koneen kanssa.

2. Mitä Chain of Thought tarkoittaa?

Chain of Thought voidaan suomentaa ajatusketjuksi tai vaiheittaiseksi päättelyksi. Käytännössä se tarkoittaa, että tekoälyä ei pyydetä hyppäämään suoraan lopputulokseen, vaan etenemään välivaiheiden kautta.

Yksinkertainen esimerkki:

Tavallinen prompti:

Laske yrityksen katetuotto, kun liikevaihto on 100 000 euroa ja muuttuvat kulut 62 000 euroa.

Chain of Thought -henkinen prompti:

Ratkaise tehtävä vaiheittain. Määrittele ensin kaava, sijoita luvut siihen ja anna lopuksi vastaus.

Ero on pieni, mutta merkittävä. Ensimmäisessä tapauksessa tekoäly saattaa antaa oikean vastauksen nopeasti. Toisessa se joutuu rakentamaan vastauksen loogisemmin.

Tärkeä tarkennus: nykyisissä kehittyneissä tekoälypalveluissa malli voi tehdä sisäistä päättelyä, mutta käyttäjälle ei aina näytetä koko ajatusketjua. OpenAI kuvaa, että reasoning-mallit käyttävät sisäistä chain of thought -päättelyä monimutkaisten tehtävien ymmärtämiseen ja suunnitteluun.^[2]

Siksi käyttäjän kannalta paras ohje ei aina ole ”näytä koko ajattelusi”, vaan esimerkiksi: ”Ratkaise asia huolellisesti vaiheittain ja anna lopuksi selkeä perusteltu vastaus.”

3. Miksi vaiheittainen ajattelu auttaa?

Ihminenkin tekee virheitä, kun hän yrittää ratkaista liian monta asiaa yhtä aikaa. Sama pätee tekoälyyn. Jos tehtävä sisältää useita ehtoja, poikkeuksia, lukuja, tavoitteita tai ristiriitoja, suora vastaus voi mennä vinoon.

Chain of Thought auttaa kolmella tavalla.

Ensinnäkin se pakottaa ongelman pilkkomiseen. Tekoäly ei käsittele tehtävää yhtenä möykkynä, vaan pienempinä osina.

Toiseksi se vähentää hätäisiä johtopäätöksiä. Malli ei vain arvaa todennäköisintä vastausta, vaan rakentaa ratkaisua vaiheittain.

Kolmanneksi se tekee lopputuloksesta usein paremmin tarkistettavan. Kun pyydät mallia kertomaan ainakin keskeiset perustelut, näet helpommin, missä mahdollinen virhe syntyy.

Tämä on erityisen hyödyllistä tilanteissa, joissa tehtävä ei ole vain tiedon hakemista vaan ajattelua: strategia, analyysi, päätöksenteko, laskelmat, priorisointi, riskien arviointi tai monimutkainen kirjoitustyö.

4. Mistä ilmiö nousi?

Chain of Thought nousi laajempaan tietoisuuteen vuonna 2022, kun tutkijat osoittivat, että suurten kielimallien suorituskyky parani monivaiheisissa päättelytehtävissä, kun niille annettiin esimerkkejä vaiheittaisesta päättelystä.^[1]

Samana vuonna toinen tutkimus osoitti, että jo yksinkertainen lause ”Let's think step by step” voi parantaa mallien suoriutumista useissa päättelytehtävissä ilman erillisiä esimerkkejä. Tätä kutsutaan zero-shot Chain of Thoughtiksi: malli saa vain tehtävän ja yleisen ohjeen ajatella vaiheittain.^[3]

Myöhemmin kehitettiin myös tekniikoita kuten self-consistency, jossa mallin annetaan tuottaa useita erilaisia päättelypolkuja ja valitaan niistä johdonmukaisin vastaus. Tutkimuksessa tämä paransi tuloksia useilla päättelybenchmarkeilla.^[4]

Seuraava askel oli Tree of Thoughts, jossa tekoäly ei etene vain yhtä ajatusketjua pitkin, vaan tutkii useita mahdollisia ratkaisupolkuja, arvioi niitä ja voi palata taaksepäin.^[5]

Yksinkertaisesta promptivinkistä kasvoi siis kokonainen ajattelun käyttöliittymä.

5. Chain of Thought käytännössä

Chain of Thought sopii erityisesti tilanteisiin, joissa vastauksen laatu riippuu päättelyn laadusta. Hyviä käyttökohteita ovat esimerkiksi:

liiketoimintapäätösten arviointi
markkina-analyysi
strategian purkaminen toimenpiteiksi
sopimusten riskikohtien tunnistaminen
budjetointi ja laskelmat
rekrytointipäätösten jäsentäminen
asiakaspalautteen analyysi
opiskelutehtävät ja oppiminen
teknisten ongelmien vianhaku
kirjoittaminen, jossa pitää rakentaa argumentti

Huono käyttökohde on tilanne, jossa tarvitset vain yksinkertaisen faktan. Jos kysyt ”mikä on Suomen pääkaupunki?”, vaiheittainen päättely ei tuo juuri lisäarvoa. Jos kysyt ”miksi suomalaisen kasvuyrityksen kansainvälistyminen epäonnistuu usein ensimmäisessä myyntiorganisaation skaalausvaiheessa?”, vaiheittainen ajattelu alkaa olla hyödyllistä.

6. Huono, parempi ja erinomainen prompti

Huono esimerkki

Analysoi tämä idea.

Tämä on liian väljä. Tekoäly ei tiedä, mitä analyysissä painotetaan: markkinaa, riskejä, asiakastarvetta, kilpailua, teknologiaa vai rahoitusta.

Parempi esimerkki

Analysoi tämä startup-idea vaiheittain. Käsittele asiakasongelma, kohderyhmä, kilpailu, ansaintamalli ja suurimmat riskit.

Tässä malli saa jo rakenteen.

Erinomainen esimerkki

Toimi kokeneena startup-neuvonantajana. Analysoi idea vaiheittain seuraavasti:

1) Mikä ongelma ratkaistaan?
2) Kenelle ongelma on niin tärkeä, että siitä maksetaan?
3) Mikä on nykyinen vaihtoehto?
4) Mikä voisi olla MVP eli ensimmäinen kevyt testiversio?
5) Mitkä ovat kolme suurinta riskiä?
6) Mitä pitäisi testata seuraavien 30 päivän aikana?

Anna lopuksi tiivis suositus.

Tässä promptissa on rooli, rakenne, arviointikriteerit ja lopputulos. Se ei vain pyydä ajattelua. Se ohjaa ajattelun oikeaan suuntaan.

7. Yksilön näkökulma: parempaa ajattelua, ei vain parempia vastauksia

Yksilölle Chain of Thought on ennen kaikkea ajattelun tuki. Se auttaa, kun oma pää on täynnä vaihtoehtoja. Tekoäly voi toimia kuin keskustelukumppani, joka kysyy: ”Mitä oikeastaan yrität ratkaista? Mitkä ovat vaihtoehdot? Mitä tapahtuu, jos valitset A:n? Mitä jos valitset B:n?”

Opiskelijalle tämä voi tarkoittaa parempaa oppimista. Ei vain vastausta tenttikysymykseen, vaan selitystä siitä, miten vastaus rakentuu.

Asiantuntijalle se voi tarkoittaa sparrausta. Juristi voi hahmotella argumentaatiota. Konsultti voi testata analyysikehikkoa. Johtaja voi pyytää tekoälyä arvioimaan päätöstä eri sidosryhmien näkökulmasta.

Mutta vaarana on ulkoistaa ajattelu liian helposti. Hyvä käyttäjä ei kysy tekoälyltä: ”Mitä minun pitäisi ajatella?” Hyvä käyttäjä kysyy: ”Auta minua ajattelemaan tämä paremmin.”

8. Yritysten näkökulma: päätöksenteon uusi apukerros

Yrityksissä Chain of Thoughtin arvo näkyy erityisesti päätöksenteossa. Moni organisaatio hukkuu tietoon, mutta ei välttämättä pääse parempiin päätöksiin. Dataa on paljon, mutta sen tulkinta on hajanaista. Tekoäly voi auttaa rakentamaan väliin järkevän päättelykerroksen.

Esimerkiksi myyntijohtaja voi pyytää:

Analysoi viimeisen kvartaalin myyntidataa vaiheittain. Erota toisistaan volyymiongelmat, konversio-ongelmat, hinnoitteluongelmat ja asiakassegmenttien erot. Anna lopuksi kolme toimenpidesuositusta.

Tällainen prompti ei korvaa johtajaa. Se nopeuttaa ajattelun esityötä.

Yrityksille tärkeä oivallus on tämä: tekoälyn arvo ei synny vain automaatiosta. Automaatio tarkoittaa työn tekemistä koneella. Chain of Thought puolestaan auttaa päätösten, analyysien ja suunnitelmien laadussa. Se on vähemmän robotti ja enemmän ajattelun rakennusteline.

9. Startupien näkökulma: nopeampi oppimissykli

Startupeille Chain of Thought voi olla erityisen arvokas, koska nuorilla yrityksillä on harvoin liikaa aikaa, rahaa tai ihmisiä. Perustajatiimi joutuu tekemään jatkuvasti päätöksiä epävarmuudessa:

mikä asiakassegmentti valitaan ensin
mitä ominaisuutta rakennetaan
milloin hinnoittelua muutetaan
miten sijoittajille kerrotaan tarina
milloin pivotointi eli suunnanmuutos on järkevää

Tekoäly voi auttaa tekemään näistä päätöksistä näkyvämpiä. Esimerkiksi:

Arvioi, pitäisikö meidän keskittyä pk-yrityksiin vai enterprise-asiakkaisiin. Tee analyysi vaiheittain myyntisyklin, maksuhalukkuuden, tuotteen vaatimusten, referenssien, kassavirran ja tiimin osaamisen näkökulmasta.

Tämä ei anna varmaa vastausta. Mutta se voi paljastaa, että tiimi on tekemässä päätöstä tunteen, ei todellisten kriteerien perusteella.

Startup-maailmassa nopeus on tärkeää. Mutta vielä tärkeämpää on oppimisen nopeus. Chain of Thought voi auttaa kysymään nopeammin parempia kysymyksiä.

10. Teknologinen näkökulma: miksi tämä ei ole pelkkä promptikikka?

Chain of Thought toimii, koska suuret kielimallit ovat hyviä mallintamaan kielen lisäksi myös kielellä esitettyjä päättelyrakenteita. Ne eivät ”ajattele” ihmisen tavoin. Ne ennustavat tekstiä opitun mallin perusteella. Mutta koska suuri osa ihmisten päättelystä, ongelmanratkaisusta ja perustelusta on tallentunut kieleen, mallit voivat jäljitellä ja hyödyntää näitä rakenteita yllättävän tehokkaasti.

Tässä on olennainen ero: tekoäly ei välttämättä ymmärrä maailmaa kuten ihminen. Mutta se voi tuottaa hyödyllisiä päättelyketjuja, jos tehtävä on muotoiltu hyvin.

Siksi promptaus on noussut tärkeäksi taidoksi. Prompti ei ole vain kysymys. Se on työn määrittely. Hyvä prompti kertoo:

mikä rooli tekoälyllä on
mitä tavoitetta kohti mennään
mitä tietoa saa käyttää
millä kriteereillä vastausta arvioidaan
missä muodossa vastaus halutaan
miten epävarmuus pitää tuoda esiin

Tämä on lähempänä johtamista kuin hakukoneen käyttöä.

11. Riskit ja sudenkuopat

Chain of Thought ei tee tekoälystä erehtymätöntä. Päinvastoin: joskus vaiheittainen vastaus voi näyttää niin vakuuttavalta, että virhettä on vaikeampi huomata. Suurimmat riskit ovat nämä.

1. Vakuuttava mutta väärä päättely

Tekoäly voi rakentaa loogisen näköisen polun väärien oletusten päälle. Lopputulos näyttää järkevältä, vaikka lähtökohta olisi pielessä.

2. Hallusinaatiot

Malli voi keksiä lähteitä, termejä, yksityiskohtia tai perusteluja. Tämä on erityisen vaarallista juridisissa, lääketieteellisissä, taloudellisissa ja turvallisuuteen liittyvissä aiheissa.

3. Liiallinen luottamus

Kun vastaus on pitkä ja hyvin jäsennelty, käyttäjä voi ajatella sen olevan myös totta. Muoto ei kuitenkaan takaa sisältöä.

4. Ajattelun ulkoistaminen

Jos ihminen käyttää tekoälyä korvaamaan oman harkintansa, päätöksenteko voi heikentyä. Tekoäly sopii sparraajaksi, ei vastuunkantajaksi.

5. Piilotetun päättelyn väärinymmärtäminen

Kaikki mallit eivät näytä todellista sisäistä päättelyään. Lisäksi tutkimuksessa on nostettu esiin, ettei mallien tuottama näkyvä päättely aina välttämättä vastaa luotettavasti sitä, miten vastaus muodostui. Anthropic on tutkinut tätä kysymystä erityisesti reasoning-mallien kohdalla.^[6]

12. Eettinen näkökulma: läpinäkyvyys ei ole sama asia kuin totuus

Chain of Thought kuulostaa läpinäkyvältä. Malli kertoo, miten se päätyi vastaukseen. Mutta tässä on ansa.

Selitys voi olla jälkikäteinen. Se voi olla käyttäjälle miellyttävä tarina, ei varsinainen syy vastaukseen. Tämä tekee tekoälyn arvioinnista vaikeaa.

Eettisesti tärkeää onkin erottaa kolme asiaa:

Päättely — miten malli käsittelee ongelmaa.
Perustelu — miten malli selittää vastauksensa käyttäjälle.
Todennettavuus — voiko ihminen tarkistaa väitteet ulkopuolisista lähteistä.

Vastuullisessa käytössä Chain of Thought ei tarkoita, että ”tekoäly selitti asian, joten se on oikein”. Se tarkoittaa, että käyttäjä saa paremman pinnan, jota vasten ajatusta voi testata.

13. Chain of Thought osana suurempaa työelämän muutosta

Työelämässä on meneillään hiljainen muutos. Ensin tekoälyä käytettiin tekstin tuottamiseen. Sitten sitä käytettiin tiivistämiseen. Nyt yhä useammin sitä käytetään ajattelun jäsentämiseen.

Tämä muuttaa asiantuntijatyötä. Aiemmin hyvä asiantuntija oli se, joka tiesi paljon. Nyt hyvä asiantuntija on yhä useammin se, joka osaa kysyä oikein, arvioida vastauksia ja rakentaa parempia päätöksentekoprosesseja.

Tämä ei vähennä osaamisen merkitystä. Se lisää sitä. Mitä vähemmän ymmärrät aiheesta, sitä vaikeampi sinun on arvioida tekoälyn vastausta. Mitä enemmän ymmärrät, sitä paremmin osaat käyttää tekoälyä ajattelun vahvistimena.

Tekoäly ei siis tee asiantuntijuudesta turhaa. Se nostaa rimaa.

14. Tulevaisuus: mihin Chain of Thought kehittyy?

1. Näkyvästä ajattelusta kohti sisäistä päättelyä

Kehittyneet reasoning-mallit tekevät yhä enemmän päättelyä sisäisesti. Käyttäjälle näytetään lopputulos, tiivistetty perustelu ja mahdollisesti tarkistettavat vaiheet, ei koko raakaa ajatusketjua.

2. Yhden polun sijaan monta vaihtoehtoa

Tree of Thoughts -tyyppiset menetelmät vievät ajattelua suuntaan, jossa malli vertailee useita ratkaisuvaihtoehtoja eikä vain seuraa ensimmäistä uskottavaa polkua.^[5]

3. Tekoälyagentit tarvitsevat parempaa päättelyä

Agentti tarkoittaa tekoälyjärjestelmää, joka ei vain vastaa, vaan voi suunnitella, käyttää työkaluja ja suorittaa tehtäviä. Mitä itsenäisemmin agentit toimivat, sitä tärkeämpää on, että niiden suunnittelu ja päättely ovat valvottavissa.

4. Promptaamisesta tulee prosessisuunnittelua

Tulevaisuudessa ei ehkä puhuta enää yksittäisistä prompteista, vaan työprosesseista: miten tekoäly kerää tiedon, tarkistaa oletukset, arvioi riskit, tuottaa vaihtoehdot ja pyytää ihmiseltä päätöksen.

5. Hype tasaantuu

”Ajattele vaihe vaiheelta” ei ole aina paras mahdollinen ohje. Jos tehtävä on yksinkertainen, se voi tehdä vastauksesta turhan pitkän. Jos tehtävä vaatii faktoja, tärkeämpää on lähteiden tarkistus. Jos tehtävä vaatii luovuutta, liian jäykkä vaiheistus voi jopa kaventaa ajattelua.

Realistinen tulevaisuus ei ole se, että Chain of Thought ratkaisee kaiken. Realistinen tulevaisuus on se, että vaiheittaisesta ajattelusta tulee yksi perustaito tekoälyn käytössä.

15. Johtopäätökset: tärkein oppi ei ole prompti, vaan ajattelutapa

Chain of Thoughtin suurin arvo ei ole lauseessa ”ajattele vaihe vaiheelta”. Suurin arvo on siinä, että se opettaa käyttäjän muotoilemaan ongelman paremmin.

Kun pyydät tekoälyä ajattelemaan vaiheittain, joudut usein itsekin kirkastamaan:

mitä olet ratkaisemassa
millä kriteereillä vastaus arvioidaan
mitä tietoa tarvitaan
mitä riskejä pitää huomioida
mikä on hyvä lopputulos

Tämä on arvokasta riippumatta siitä, käyttääkö tekoälyä vai ei.

Hyvä Chain of Thought -prompti ei ole loitsu. Se on pieni johtamisteko. Se antaa tekoälylle suunnan, rakenteen ja vastuun rajat.

Ja ehkä juuri siksi se on niin tärkeä: se muistuttaa, että tekoälyn aikakaudella paras kilpailuetu ei ole vain nopeampi vastaus. Se on parempi kysymys.

16. Käytännön mallit ja työpohjat

Aloittelijan malli

Käytä tätä, kun tehtävä on monimutkainen mutta et tiedä, mistä aloittaa:

Ratkaise tämä vaiheittain.

1) Määrittele ensin ongelma.
2) Tunnista tärkeimmät tekijät.
3) Esitä 2–3 vaihtoehtoista ratkaisua.
4) Arvioi niiden hyödyt ja riskit.
5) Anna lopuksi suositus selkeällä perustelulla.

Asiantuntijan malli

Analysoi aihe asiantuntijan näkökulmasta. Erota faktat, oletukset ja epävarmuudet. Rakenna päättely vaiheittain, mutta näytä käyttäjälle vain keskeiset perustelut ja lopullinen suositus. Merkitse kohdat, jotka vaativat tarkistamista ulkoisista lähteistä.

Yrityspäätöksen malli

Arvioi päätöstä seuraavista näkökulmista:

• strateginen vaikutus
• taloudellinen vaikutus
• asiakasvaikutus
• henkilöstövaikutus
• riskit
• vaihtoehtoiskustannus

Anna lopuksi päätössuositus: tee, älä tee tai selvitä lisää.

Startupin 30 päivän testimalli

Muuta tämä idea testattavaksi 30 päivän kokeiluksi. Määrittele:

1) tärkein oletus
2) nopein testi
3) tarvittavat resurssit
4) onnistumisen mittari
5) päätös kokeilun jälkeen.

Tarkistuslista hyvään Chain of Thought -promptiin

Hyvä prompti kertoo: mitä ratkaistaan, kenelle vastaus tehdään, missä roolissa tekoäly toimii, mitä vaiheita pitää käyttää, mitä rajoitteita on, millainen lopputulos halutaan, miten epävarmuus pitää ilmaista.

Turvallinen perusprompti

Ajattele tehtävä huolellisesti vaiheittain ennen vastausta. Älä kuitenkaan keksi faktoja. Jos jokin asia on epävarma, sano se selvästi. Anna lopuksi tiivis, käytännöllinen ja perusteltu vastaus.