Tekoälykokemuksen neljä keskeistä pilaria (yksilöllisyys, huomio, luottamus ja toimijuus) eivät synny pelkän palvelun varassa. Käyttäjän oma tapa toimia ratkaisee usein, tuntuuko kokemus omalta vai etäiseltä.

Tässä numerossa katsotaan, miten vanha tuttu PDCA-sykli voi käytännössä nostaa tekoälykumppanuuden uudelle tasolle.

---

Uutiskirje tiivistettynä:

• PDCA-syklin (Plan–Do–Check–Act) tietoinen käyttö tekoälyn kanssa voi vahvistaa AI Experience -kehyksen neljää pilaria: yksilöllisyyttä, huomiota, luottamusta ja toimijuutta.
• Tutkimusviitteet tukevat jaottelua: suunnittelu lisää yksilöllisyyttä, aktiivinen tekeminen ylläpitää huomiota, tarkistus rakentaa luottamusta ja päätöksenteko palauttaa toimijuuden.
• Hyvä tekoälykokemus ei siis ole vain palvelun ominaisuuksia, se syntyy käyttäjän proaktiivisesta otteesta ja jatkuvasta parantamisesta.

---

Missä mennään?

Tervetuloa Tekoälykokemus (AIX) -uutiskirjeen uuden numeron pariin!

Viime viikolla numerossa ”Mitä on AIX? Näin syntyy tekoäly, joka tuntuu omalta (5.8.2025)” kurkistimme arkkitehti Mara Pomettin kehittämään AIX (AI Experience) -kehykseen.

AIX-kehys nostaa esiin neljä pilaria hyvälle tekoälykokemukselle: yksilöllisyys, huomio, luottamus ja toimijuus. Kokeilimme viime numerossa, miltä nämä pilarit tuntuvat käytännössä.

Mutta entä kun on sinun vuorosi? Kuinka paljon näiden toteutuminen riippuu itse tekoälystä, ja kuinka paljon sinusta käyttäjänä?

Spoileri: enemmän kuin uskoisit!

Ihmiskeskeinen tekoälykokemus ei synny yksipuolisesti

Kuten viime viikon harjoituksessa koimme, tekoälykokemuksen neljä pilaria viittaavat siihen, että optimaalinen kokemus on syvästi ihmiskeskeinen.

Kun pilareita katsoo ihmisten välisen vuorovaikutuksen läpi, ne ovat heti tunnistettavia:

• Yksilöllisyys on sitä, että toinen huomaa juuri sinut.
• Huomio on kyky pysyä hetkessä ja olennaisessa.
• Luottamus rakentuu ajan ja jaettujen kokemusten myötä.
• Toimijuus on tunne, että saat aidosti vaikuttaa.

Se, mitä emme vielä korostaneet, on pilareita yhdistävä perusasia. Eli sama, joka pätee myös ihmissuhteissa.

Ne eivät synny yksipuolisesti.

Molempien osapuolten on osallistuttava, myös tekoälyn käytössä.

Miten tämän saisi toimimaan arjessa? Moni on huomannut saman kuin minä: kun muotoilet pyyntöä uudelleen ja tarkistat tuloksen, lopputulos paranee heti.

Tästä havainnosta on lyhyt matka jatkuvan parantamisen periaatteeseen.

Voiko PDCA-sykli itsessään parantaa tekoälykokemusta?

PDCA (Plan–Do–Check–Act) on vakiintunut jatkuvan parantamisen malli, jossa työ jaetaan neljään toistuvalle rytmille: suunnittelu, toteutus, tarkistus ja toiminta.

Ydinidea on oppia jokaisesta kierroksesta, oli kyse tuotannosta, oppimisesta tai tekoälyn käytöstä. Kun sama sykli tuodaan yhteistyöhön tekoälyn kanssa, se ei kehitä vain prosessia vaan myös itse kokemusta.

Hypoteesini on, että PDCA-syklin tietoinen käyttö käyttäjän omassa tekemisessä voi jo sellaisenaan parantaa tekoälykokemusta.

Toisin sanoen: kun suunnittelet etukäteen, toimit yhdessä tekoälyn kanssa, tarkistat tulokset kriittisesti ja teet lopulliset päätökset itse, jokainen vaihe vahvistaa yhtä AIX-pilaria.

Alla käyn läpi PDCA-vaiheet ja niihin kytkeytyvät AIX-pilarit sekä poimin tutkimuksista tukea tälle oletukselle.

Katsotaan miten!

Suunnitteletko vai sooloilet? – Plan-vaihe kirkastaa yksilöllisen apurisi

Kun pysähdyt Plan-vaiheessa määrittämään tavoitteen ja kontekstin selkeästi, tekoäly pystyy räätälöimään vastaukset sinulle, ja yksilöllisyys kasvaa.

Tutkimusnäyttö toistaa samaa viestiä: vastausten laatu seuraa käyttäjän tekemää taustatyötä (konteksti, tarkoitus, rajaus, yksityiskohtaisuus).

Tämä on prompt-suunnittelun ydin. Kun syöte on sinun tilanteeseesi istuva, myös vastaus tuntuu “sinulta”.

Suunnitteluun käytetty aika ei siis ole byrokratiaa, vaan sijoitus siihen, että tekoäly alkaa “puhua sinun kieltäsi” heti alusta.

Kuinka tätä on tutkittu?

• Lucas J. Jacobsen kollegoineen, AI (MDPI) -lehdessä (2025), opettajankoulutuksen kontekstissa.
• Tutkimuksessa rakennettiin teoriapohjainen promptien laatukriteeristö ja verrattiin kolmea eri laatutasoista promptia ChatGPT 4:lle. Lisäksi verrattiin LLM-palautetta noviisien ja asiantuntijoiden palautteeseen.
• Tuloksina nähtin, että vain paras, tarkasti määritelty prompt tuotti johdonmukaisesti korkealaatuista palautetta. LLM ylitti jopa asiantuntijat selitysten, kysymysten ja spesifisyyden osa-alueilla.
• Johtopäätöksenä tutkimuksessa todettiin, että yksilöllinen laatu syntyy panostamalla suunnitteluun (tavoite, konteksti, rajaukset).
• AIX-kytköksenä voidaan todeta, että kun käyttäjä täsmentää tarpeensa Plan-vaiheessa, tekoäly kykenee vastaamaan “juuri minulle”. Tämä vahvistaa Mara Pometin AIX-kehyksen Specificity-periaatetta.

Älä jää passiiviseksi – tekoäly rakastaa aktiivista Do-vaihetta

Kun täsmennät pyyntöjä ja reagoit ehdotuksiin lennossa, tekoäly pysyy fokuksessa eikä harhaile sivupoluille.

Tutkimusten mukaan mitä enemmän käyttäjä osallistuu ja antaa palautetta kesken tekemisen, sitä paremmin suunta ja laatu säilyvät. Logiikka on sama kuin hyvän työparin kanssa: jos jätät parin yksin liian pitkäksi aikaa, kurssi voi karata.

Do-vaiheen ydin on rytmi, jossa sinä ohjaat ja tekoäly reagoi. Näin huomio pysyy olennaisessa.

Kuinka tätä on tutkittu?

• Mahdavi Goloujeh, Sullivan & Magerko, CHI 2024 (tekstistä kuvaksi -työkalut, Midjourney-käyttäjät).
• Tutkimuksessa toteutettiin 19 kokeneen käyttäjän haastattelut “prompt-matkasta”, eli miten ihmiset kirjoittavat, arvioivat ja hienosäätävät prompteja iteratiivisesti tavoitteen saavuttamiseksi.
• Löydöksenä todettiin, että käyttäjät rakentavat toistuvasti parametroitavia, täydennettäväksi tarkoitettuja prompteja ja ohjaavat näin mallia vaiheittain kohti toivottua tulosta, eli pitävät huomion olennaisessa.
• Myös Google PAIR/Magenta Wordcraft-tutkimus (IUI 2022) nostaa saman havainnon. 25 kirjoittajaa käytti LLM-avusteista editoria iteratiivisilla muokkauskomennoilla (esim. rewrite, elaborate).
• Tutkimus osoitti, että käyttäjäohjattu vuoropuhelu auttaa fokusoimaan tuotosta ja parantamaan koettua hyödyllisyyttä.
• Samaa linjaa tukee myös CoAuthor (CHI 2022), jossa ihmisen ja LLM:n vuorotteleva ehdotus-silmukka tehosti kirjoittamista ja ohjasi sisältöä tavoitteisiin.
• AIX-kytköksenä voidaan todeta, että iteratiivinen tekeminen (esim. PDCA-syklin ja erillisen Do-vaiheen kautta) auttaa tekoälyä priorisoimaan sen, mikä käyttäjälle on tärkeää, Pometin Attention-periaatteen mukaisesti

Tarkistatko vai uskotko? – Check-vaihe kasvattaa luottamusta

Kriittinen arviointi ja palautteen antaminen eivät ainoastaan paljasta virheitä, vaan ne myös lisäävät ymmärrystä ja rakentavat oikeanlaista luottamusta.

Check-vaiheessa syntyy oppimissuhde: näet, missä tekoäly onnistuu ja missä se horjahtaa. Samalla opit kalibroimaan luottamusta, etkä yli- tai aliarvioi.

Jos Check-vaihe jää väliin, riskinä on sokeus virheille tai turha varautuneisuus. Molemmat heikentävät yhteistyötä ja lopputulosta.

Kun pysähdyt tarkistamaan vastauksen ja annat palautetta, luottamus kasvaa, koska ymmärrät paremmin, mitä järjestelmä tekee.

Kuinka tätä on tutkittu?

• Nizami ym. (IJHCS, 2025) totesivat tutkimuksessaan, että kun ihmiset saivat vaikuttaa selityksiin (esim. “näytä, mitä pitäisi muuttaa, jotta lopputulos olisi eri”), suoritus, ymmärrys, tyytyväisyys ja luottamus nousivat verrattuna niihin ryhmiin, jotka saivat perusselitykset. Kun selitykset ovat yhteistyötä, niihin luotetaan enemmän.
• Warren, Keane & Byrne (2022) ovat todenneet, että poikkeavat selitystavat vaikuttavat eri tavoin. “Entä jos” -selitykset (ns. counterfactual -lähestyminen, eli ”mitä muuttaisit, jotta päätös muuttuisi?”) lisäsivät tyytyväisyyttä ja luottamusta enemmän kuin pelkät selitykset, vaikka tarkkuus ei aina muuttunut.
• AIX-kytköksenä voidaan todeta, että järjestelmällinen tarkistus ja palautteen antaminen tekoälylle rakentavat oikein kalibroitua luottamusta, eli näin ollen vahvistavat Pometin tekoälykokemuksen määritelmän Trust-pilaria.

Kuka sanoo viimeisen sanan? – Act-vaihe palauttaa ohjat sinulle

Jos annat tekoälyn päättää liikaa puolestasi, toimijuus haurastuu. Kun PDCA:n Act-vaiheessa teet lopulliset päätökset itse, kontrolli säilyy. Tekoäly neuvoo, muttei ohjaa.

Tutkimukset osoittavat, että liiallinen automaatio vähentää koettua vastuuta ja halua osallistua. Huomaamatta ohjat voivat siirtyä pois käsistä.

Act-vaihe korjaa tämän: tekoäly tukee, sinä päätät ja panet toimeen.

Näin toimijuus ja itseluottamus pysyvät vahvoina, ja kokemus säilyy sinun ohjaamanasi.

Kuinka tätä on tutkittu?

• Tutkimuksessa (Alon-Barkat & Busuioc, 2023) tehtiin kolme kokeellista asetelmaa julkisen hallinnon päätöstilanteista ja verrattiin ihmisen vs. algoritmin suosituksia. Ihmiset osoittivat automation bias -ilmiötä (nojataan liikaa algoritmin neuvoon) ja noudattivat valikoivasti suosituksia (selective adherence -käyttäytyminen). Nämä ilmiöt voivat heikentää käyttäjän omaa päätösvaltaa, jos kontrollimekanismit puuttuvat.
• Endsley & Kiris (1995) ovat kuvasivat “out-of-the-loop” -ongelman, jossa liiallinen automaatio heikentää tilannetietoisuutta ja taitoja. Tämä vaikeuttaa ohjauksen ottamista takaisin, mikä on suora riski toimijuuden kokemukselle.
• EU:n Trustworthy AI -ohjeissa (HLEG, 2019) ensimmäinen vaatimus onkin ”Human agency & oversight”, eli tekoälyn on valtuutettava ihmistä ja säilytettävä ihmisen valvonta (ns. Human-in-the-loop -periaate).
• AIX-kytköksenä voidaan yksinkertaisesti todeta muistisääntö, että Act-vaiheessa sinä teet päätöksen ja kirjaat perustelut. Tekoäly toimii neuvojana, mutta ei päättäjänä. Näin Pometin määrittelemä Agency-pilarin kautta mitattava tekoälykokemuksen osa-alue pysyy vahvana käyttäjällä.

Kippari vai matkustaja? – PDCA voi nostaa koko tekoälykokemuksesi uudelle tasolle

Yllä olevat tutkimuslöydökset viittaavat siihen, että PDCA:n kaltainen jäsennelty työtapa kytkeytyy suoraan tekoälykokemuksen neljään peruspilariin.

Toisin sanoen: tapa työskennellä voi itsessään vahvistaa kokemusta.

Samalla on hyvä nähdä käänteinen puoli: pelkät palvelun ominaisuudet eivät riitä takaamaan hyvää kokemusta, käyttäjän proaktiivinen ote on yhtä lailla ratkaiseva.

Tämän huomaa nopeasti arjessa: jos kysyt tekoälyltä epämääräisesti, saat helposti epämääräisen vastauksen.

Kun tuot PDCA-syklin tekoälyn käyttöön, otat roolin oppijana ja kehittäjänä. Se käynnistää myönteisen kehävaikutuksen:

• Tekoäly oppii paremmin palvelemaan juuri sinua.
• Kokemuksesi tekoälyn kumppanina syvenee.

Kokeile tätä myös oppimisen ja tutkimuksen alueella

Periaatteet eivät rajoitu yritysmaailmaan, ne pätevät yhtä lailla opiskelussa ja tutkimuksessa.

Kun opettajat tai opiskelijat käyttävät tekoälytyökaluja iteratiivisesti ja suunnitelmallisesti, palaute yksilöityy ja kontrolli säilyy.

Tutkimuksessa PDCA-rytmi (hypoteesi → kokeilu → tarkistus → säätö) parantaa sekä analyysin tarkkuutta että tutkijan luottamusta työkaluihin.

Nämä havainnot tukevat ajatusta, että tekoälykokemus paranee, kun oma toiminta kehittyy vaihe vaiheelta.

Käyttäjän oma harkinta, osallistuminen ja päätösvalta ovat avaimia täyteen, hyvään tekoälykokemukseen.

Käytätkö PDCA-sykliä tai muuta vaiheistusta tekoälyn kanssa, vai annatko sen mennä omalla painollaan?

Kerro kommenteissa, tai jaa kokemuksesi somessa tunnisteella #tekoälykokemus – nostan kiinnostavimpia nostoja mukaan seuraavissa numeroissa.