Generatiivinen tekoäly ja ammattikorkeakoulujen työelämävastaavuus ohjelmistokehityksen opetuksessa

Generatiivinen tekoäly siirtää ohjelmistokehittäjän työn painopistettä koodin tuottamisesta asiakasrajapinnassa työskentelyyn, määrittelyyn ja lopullisen tuotteen toimivuuden varmentamiseen. Ammattikorkeakouluille tämä on erityinen haaste, koska työelämävastaavuus on niiden lakisääteinen tehtävä ja työelämä muuttuu nyt nopeammin kuin opetussuunnitelmasykli tai opettajien substanssiosaaminen. Artikkeli erottaa kolme tulkintaa työelämävastaavuudesta — väline-, tehtävä- ja kykyvastaavuus — ja väittää, että houkuttelevin tulkinta on lyhytnäköisin. Lopuksi käsitellään aloittelijaparadoksia: arviointikyky näyttää edellyttävän tuottamisen kokemusta, jota tekoäly juuri vähentää. Tästä näyttö on toistaiseksi ohutta ja ristiriitaista, mikä on hyvä huomioida tietotekniikan opetusta kehitettäessä.

Generatiivinen tekoäly ei poista ohjelmistokehittäjän työtä, mutta se muuttaa nopeasti sitä, mitä työssä kannattaa osata: koodin tuottamisen sijaan korostuvat asiakasrajapinnan työ, määrittely, arviointi ja todentaminen. Ammattikorkeakouluille tämä nostaa esiin vaikean kysymyksen: miten kouluttaa työelämään, kun työkalut vaihtuvat kuukausissa, mutta kestävä osaaminen rakentuu paljon hitaammin?

Ammattikorkeakoululaki (932/2014) määrittää ammattikorkeakoulun tehtävän: antaa työelämän ja sen kehittämisen vaatimuksiin perustuvaa korkeakouluopetusta ammatillisiin asiantuntijatehtäviin. Tämä muotoilu on olennainen: se ei sido opetusta tiukasti tieteenalan sisäiseen kehitykseen vaan ulkoiseen kohteeseen. Työelämä ulkoisena kohteena on juuri nyt erityisen muuttava. Kun ulkoinen kohde muuttuu, velvoite muuttuu sen mukana.

Generatiivisen tekoälyn nousu haastaa sekä yliopistoja että ammattikorkeakouluja, mutta ammattikorkeakouluissa muutos korostuu erityisellä tavalla. Tietojenkäsittelytieteen ja tietotekniikan perusteiden merkitys ei ole kadonnut, mutta ammattikorkeakoulun lakisääteisessä tehtävässä työelämän ja sen kehittämisen vaatimukset ovat eksplisiittisesti läsnä. Siksi ammatillisten asiantuntijatehtävien muutos heijastuu suoraan siihen, miten opetuksen työelämävastaavuutta on tulkittava.

Tässä artikkelissa työelämävastaavuutta tarkastellaan kolmen tason kautta: välinevastaavuus kuvaa sitä, mitä työkaluja työssä käytetään, tehtävävastaavuus sitä, mitä työssä tehdään, ja kykyvastaavuus sitä, mihin osaaja pystyy työn muuttuessa. Tämä kolmijako toimii artikkelin analyyttisena kehyksenä.

Samalla ammattikorkeakoulun rakenteellinen haaste on syklien eritahtisuus. Opetussuunnitelmatyö etenee vuosisykleissä, tutkinnon suorittaminen kestää 3,5–4 vuotta, usein vielä kauemmin. Sisällöt ja käytänteet päivittyvät opetussuunnitelmien puitteissa opintojaksoilla, mutta tämä vaatii aikaa ja panostusta. Opettajille työelämäosaamisen kehittäminen on oma haasteensa, sillä suurin osa työajasta on opettamista ja ohjaamista. Omien taitojen ylläpitämisen vaikeuden kulmakerrointa lisää generatiivisen tekoälyn kehityssykli, joka on lyhentynyt jopa kuukausiin.

Ammattikorkeakoulujen helpotukseksi tulee muistaa, että kestävä tutkinto rakentuu kyvykkyyksistä enemmän kuin yksittäisistä työkaluista. Siksi ammattikorkeakoulun henkilöstöltä edellytetään osaamista suunnitella opetuksen kokonaisuutta eri abstraktiotasoilla: kyvykkyydet, tehtävät ja lopuksi työkalut.

Jo näistä tutkimuksista seuraa ainakin varovaisempi päätelmä: jos kokeneen ammattilaisen oma arvio tekoälyavusteisen työn tuottavuushyödystä voi poiketa merkittävästi mitatusta tuloksesta, opiskelijan itsearviointiin ei ole syytä nojata yksin. Pelkkään itsearviointiin ei siis voida luottaa oppimisen ohjaimena juuri siinä työtavassa, jota opiskelija todennäköisesti käyttää.

Organisaatiotasolla DORAn vuoden 2025 raportissa esitetään, että tekoäly toimii ennen kaikkea vahvistimena: se parantaa läpimenoa, mutta usein toimitusvakauden kustannuksella, jos organisaation perusta on heikko. Havainto on korrelatiivinen eikä kausaalinen, ja se perustuu itseraportoituun kyselyaineistoon, joten sitä ei pidä lukea varmana tieteellisenä tutkimuksena. Suuntaa se kuitenkin antaa: nopeampi tuottaminen ilman vastaavaa panostusta validointiin ja testaukseen ei automaattisesti tuota parempaa lopputulosta. (Google LLC 2025.)

Yhteenveto näytöstä on siis kolmiosainen: 1) rajatuissa tehtävissä nopeutuminen on todellista, 2) laajassa ja kontekstisidonnaisessa työssä hyöty on vielä epävarma, 3) oma arvio hyödystä on systemaattisesti liian myönteinen. On myös syytä todeta, ettei yhtäkään edellä mainituista ole tehty korkeakouluopetuksen kontekstissa, ja että otokset koostuvat kokeneista ammattilaisista – yleistys opiskelijoihin on siis päättelyä, ei näyttöä. Lisää tutkimusta ammattikorkeakoulukontekstissa tarvitaan.

Ilmiölle on olemassa nelikymmenvuotinen selitys, joka ei ole peräisin ohjelmistotuotannosta vaan lentokoneiden ohjaamoista ja prosessiteollisuuden valvomoista.

Bainbridge (1983) esitti klassisessa artikkelissaan Ironies of Automation kaksi ironiaa. Ensimmäinen näistä on se, että automaatio ottaa hoitaakseen työn helpot ja rutiininomaiset osat ja jättää ihmiselle nimenomaan vaikeimman ”jäännöksen” – poikkeukset, arvioinnin ja vastuun. Toinen ironia on, että samalla automaatio poistaa harjoittelun, jonka kautta tuo vaikea ”jäännös” aiemmin opittiin hoitamaan. (Bainbridge 1983.)

Parasuraman ja Riley (1997) täydensivät kuvaa automaatiotyytyväisyyden käsitteellä: kun automaatio toimii useimmiten oikein, ihmisen valvontatarkkuus laskee, ja virheet siirtyvät toimimattomuuden virheiksi – asioiksi, joita ei huomattu tarkistaa.

Ohjelmistokehityksessä tämä näkyy selvästi. Agentti tuottaa uskottavaa koodia, uskottavia testejä ja uskottavia arkkitehtuuriehdotuksia. Uskottavuus on nimenomaan se ominaisuus, joka tekee valvonnasta vaikeaa: ilmeisen väärä ehdotus torjutaan helposti, lähes oikea ei. Erityisen selvä tapaus on testaus. Kun sama järjestelmä tuottaa sekä toteutuksen että sitä arvioivat testit, vaarana on, että sama virheellinen oletus toistuu molemmissa. Testien läpäisy ei tällöin yksin osoita, että ratkaisu vastaa alkuperäistä tarvetta.

Pohjanmaan kauppakamarin digitalisaatiovaliokunnan (2026) osaamiskartoitus tarjoaa tähän konkreettisen esimerkin. Kartoitus nostaa tekoälyavusteisen ohjelmoinnin nousevaksi teemaksi ja merkitsee sen ainoaksi, johon ei liity epävarmuutta. Kuvaus on kiinnostava siksi, että se muotoilee vaatimuksen nimenomaan todentamisena: valmistuvan tulee osata arvioida tuotetun koodin laatua ja turvallisuutta. Yleisosaamisen puolella tekoälyn hyödyntäminen määritellään vastaavasti kyvyksi arvioida tekoälyn tuottamaa sisältöä kriittisesti eikä korvata sillä omaa ajattelua. (Pohjanmaan kauppakamarin digitalisaatiovaliokunta 2026.)

Sama kartoitus havainnollistaa kuitenkin myös edellä kuvatun jännitteen. Osaamiskuvauksissa esiintyvät rinnakkain sekä kyvyt että tuotenimet – GitHub Copilot, ChatGPT, OpenAI, Azure AI, AWS, TensorFlow. Työelämän näkemys sisältää siis molemmat tulkinnat yhtä aikaa, mikä on täysin ymmärrettävää: yritys rekrytoi tiettyyn ympäristöön. Oppilaitoksen tehtävä on erottaa nämä tasot toisistaan, ei valita toista.

Väline-tehtävä-kykyvastaavuutta voidaan tarkastella myös aloittelijaparadoksin kautta. Kyvykkyyden todentaminen edellyttää arviointikykyä, joka on perinteisesti syntynyt ainakin osittain tuottamisesta (välineet + tehtävät): kehittäjä oppii tunnistamaan huonon ratkaisun kirjoitettuaan itse riittävän monta. Jos agentti vähentää olennaisesti tuottamisen tarvetta, se voi samalla kaventaa yhtä niistä poluista, joita pitkin kyvykkyys on tähän asti hankittu. Tämä on Bainbridgen (1983) toinen ironia ohjelmistokehityksen kontekstissa.

Vastaväite on kuitenkin vahva. Kognitiivisen kuormituksen teorian ”worked example” -tutkimus osoittaa, että aloittelija oppii usein tehokkaammin valmista ratkaisua tutkimalla kuin ratkaisemalla ongelman itse, ja osaamisen kääntymisilmiö (Kalyuga, Ayres, Chandler & Sweller 2003) täydentää kuvaa: sama tuki, joka auttaa aloittelijaa, haittaa edistynyttä. Tästä seuraa, että agentin roolin pitäisi olla erilainen opintojen alussa ja lopussa – huomioidaanko tätä opetuksessa tarpeeksi?

Hypoteesi. Asiantuntijuuden arviointikyky ei ehkä synny vain tuottamisesta, vaan toistuvasta arvioinnista ja siitä saadusta palautteesta.

Pedagoginen ratkaisu. Jos näin on, osa harjoittelusta voidaan irrottaa tuottamisesta: opiskelijalle annetaan valmiita ratkaisuja arvioitavaksi ja hän saa palautetta arviostaan, ei vain tuotoksestaan. Käytännössä opiskelija voisi esimerkiksi etsiä virheitä tekoälyn tuottamasta koodista, arvioida testien kattavuutta ja tunnistaa puuttuvia testitapauksia, vertailla kahta toimivaa ratkaisua ja perustella niiden laatua sekä jäljittää ratkaisun takaisin alkuperäisiin vaatimuksiin ja osoittaa, missä kohdin toteutus ei vastaa niitä. Sama teknologia, joka vähentää tuottamisen kokemusta, kykenee tuottamaan tällaisia tapauksia käytännössä rajattomasti – myös tarkoituksella virheellisiä.

Tutkimuskysymys. Voidaanko arviointikykyä kehittää järjestelmällisesti ilman vastaavaa määrää omaa tuottamiskokemusta? Hypoteesia ei ole tässä artikkelissa testattu, mutta sen testaaminen sopisi luontevasti ammattikorkeakoulun kaltaiseen ympäristöön.

Generatiivinen tekoäly ei tee ohjelmistokehityksen opetuksesta tarpeetonta. Se siirtää sen painopistettä. Kun tuottaminen halpenee, todentaminen kallistuu: tekoäly voi lisätä arvioitavan tuotoksen määrää, jolloin suhteellisesti suurempi osa asiantuntijatyöstä kohdistuu oikeellisuuden, turvallisuuden ja tarkoituksenmukaisuuden varmistamiseen. Todentaminen on juuri se osaaminen, jota nykyinen opetus harjoittaa vähiten ja arvioi heikoimmin.

Ammattikorkeakoululle tämä on samanaikaisesti uhka ja mahdollisuus. Uhka on, että työelämävastaavuus tulkitaan välinevastaavuudeksi, jolloin opetussuunnitelma juoksee ikuisesti jäljessä. Mahdollisuus on, että ammattikorkeakoulu on korkeakoulusektorilla parhaassa asemassa vastaamaan kysymykseen, johon kenelläkään ei vielä ole vastausta: miten arviointikyky hankitaan, kun tuottamisen kokemus vähenee.

Tästä seuraa ammattikorkeakouluille käytännön tehtävä: opetuksessa tekoälyn käyttöä ei tulisi arvioida vain tuotannon nopeutena tai tuotoksen määränä, vaan myös opiskelijan kykynä havaita virheitä, perustella ratkaisujen laatua ja todentaa niiden vastaavuus alkuperäisiin vaatimuksiin. Näin työelämävastaavuutta voidaan kehittää samalla, kun tuotetaan tutkimusnäyttöä siitä, miten arviointikyky rakentuu tekoälyavusteisessa ohjelmistokehityksessä.