Marko Forsell
Asiantuntija-arviot ovat keskeinen osa politiikkaa, päätöksiä ja julkista keskustelua, mutta niiden luotettavuutta kyseenalaistetaan. Esimerkiksi arviot tulevasta talouskasvusta tai arviot Ukrainan sodan mahdollisesta etenemisestä näyttäytyvät usein täsmällisinä lukuina tai vahvoina kannanottoina, vaikka ennustamisen kohteena on syvästi epävarma ja avoin järjestelmä. Tässä kirjoituksessa tarkastelen, miksi asiantuntija-arviot menevät systemaattisesti pieleen, mitkä tekijät voisivat osaltaan selittää tätä, ja millaisin ehdoin ennustamisesta voidaan tehdä käyttökelpoisempaa.
Suomen Pankin ennustepäällikkö Juuso Vanhalan esityksen mukaan vuonna 2026 Suomen talouden kasvu vauhdittuu 0,8 prosenttiin ja vuonna 2027 kiihtyy 1,7 prosenttiin (Suomen Pankki 2025). Voimmeko luottaa Vanhalan ennusteisiin? Kysymys on järkevä, koska makrotalouden ennustaminen menee usein pieleen, eikä syy ole vain “huonoissa malleissa” vaan itse ennustamisen kohteessa: avoimet taloudet riippuvat odotuksista ja erilaiset tekijät voivat yllättää. Esimerkiksi IMF:n tutkimus osoittaa, että makrotalouden ennusteet ovat systemaattisesti olleet liian optimistisia ja että epävarmuuteen liittyvät tekijät selittävät ennustevirheitä. (Nowak & Chatterjee 2016.)
Pelkkä “ennusteiden vaikeus” ei kuitenkaan vielä riitä. Mielestäni kiinnostavampi kysymys on, miksi asiantuntija-arviot tyypillisesti epäonnistuvat. Tässä Tetlock, Ioannidis ja Kahneman muodostavat yhdessä varsin käyttökelpoisen selityskehikon.
Ensinnäkin Tetlockin (Tetlock & Gardner 2016) pitkäaikainen tutkimus asiantuntija-arvioista (erityisesti poliittisista ja geostrategisista ennusteista) johtaa kiusalliseen johtopäätökseen: monien asiantuntijoiden ennustetarkkuus on heikko, ja ongelma ei ole vain tiedon puute vaan ajattelun tyyli. Tetlock erottaa Isaiah Berlinin (2013 [1953]) metaforan pohjalta “siilit” ja “ketut”: siili nojaa yhteen suureen selittävään ideaan ja pyrkii sovittamaan havainnot siihen, kun taas kettu kokoaa useita pieniä selityksiä, hyväksyy ristiriitaisia signaaleja ja päivittää näkemystään. Tetlockin aineistoissa “ketut” menestyvät keskimäärin paremmin kuin “siilit”, erityisesti pidemmissä aikahorisonteissa, joissa yhden suuren teorian varmuus alkaa muistuttaa enemmän ideologista sitoutumista kuin ennustamista (ideologian vaikutuksesta tutkimukseen esim. Borjas & Bresnau 2026). Tästä seuraa huomio, että asiantuntijuus voi tuottaa kauniin selityksen ja samalla heikentää arviota, jos se lisää ylivarmuutta ja vähentää vaihtoehtoisten skenaarioiden todellista punnintaa.
Toiseksi Ioannidiksen (2008) metatutkimuksellinen kritiikki laajentaa ongelman ennusteista tietoon itseensä. Hän ei väitä, että tutkimus olisi hyödytöntä, vaan että julkaistut tulokset ovat alttiita vääristymille rakenteellisista syistä: alhainen tilastollinen voima, monien hypoteesien samanaikainen testaaminen, julkaisuharha, joustavat analyysivalinnat ja eturistiriitojen vaikutus voivat yhdessä johtaa tilanteeseen, jossa kirjallisuudessa korostuvat “onnistuneet” löydökset, vaikka todellinen signaali olisi heikko. Ennustamisen kannalta tämä on olennaista: jos asiantuntija rakentaa ennusteensa tutkimusnäytölle, jonka luotettavuus vaihtelee ja jossa vaikutuskokoja liioitellaan, ennusteeseen siirtyy sama epävarmuus ja mahdollinen systemaattinen virhe. Ennuste voi mennä pieleen, vaikka asiantuntija käyttäisi “parasta saatavilla olevaa tutkimusta”, jos se paras on tilastollisesti tai institutionaalisesti vinoa.
Kolmanneksi Kahnemanin (2011) (ja Tverskyn) heuristiikka- ja vinoumateoria selittää, miksi sekä Tetlockin kuvaama ylivarmuus että Ioannidiksen kuvaamat rakenteelliset vääristymät ovat niin sitkeitä. Ihmisen arviointi epävarmuudessa nojaa usein nopeisiin peukalosääntöihin (edustavuus, saatavuus, ankkurointi), jotka tuottavat järjestelmällisiä vinoumia. Ennustamisessa tämä näkyy erityisesti kahdessa muodossa. Ensimmäinen on ylivarmuus. Kyky rakentaa koherentti tarina sekoittuu uskoon, että tarina on myös todennäköinen. Toinen on “näkemys sisältä käsin.” Ennustaja keskittyy kohteen yksityiskohtiin (tämä hallitus, nämä investoinnit, tämä sotatilanne) ja aliarvioi vertailuluokan eli “näkemyksen ulkopuolelta” (miten vastaavat tilanteet ovat historiallisesti edenneet). Kahneman korostaa, että ennustamista pitäisi kurinalaistaa nimenomaan ulkoisella vertailulla ja todennäköisyyksien eksplisiittisellä käsittelyllä, koska intuitio suosii selityksiä, ei kalibroitua arviota.
Näistä kolmesta seuraa, että asiantuntija-arviot voivat mennä pieleen, (1) koska asiantuntijan kognitiivinen tyyli tuottaa ylivarmuutta ja yhden selityksen vangitsevuutta (Tetlock), (2) koska ennusteen tausta-aineisto voi olla vinoa tai heikkolaatuista, vaikka se olisi vertaisarvioitua (Ioannidis), ja (3) koska ihmisen arviointikoneisto on rakennettu tarinoille ja heuristiikoille, eikä todennäköisyyslaskennalle tai historialliselle vertailulle (Kahneman & Tversky). Tästä ei kuitenkaan seuraa, että “ennusteet ovat turhia”, vaan tarve muuttaa ennustamisen käytäntöjä.
Miten ongelmaa voi ratkoa? Tetlockin työ kiinnostaa siksi, ettei se jää kritiikiksi, vaan testaa millaiset käytännöt parantavat ennustamista mitattavasti. Mystinen lahjakkuus ei ole tärkeää, vaan joukko opittavia tapoja: todennäköisyyksien ilmaiseminen numeroina, hienojakoisten osatodennäköisyyksien rakentaminen (vrt. Fermi-ongelma), jatkuva päivittäminen uuden tiedon valossa, omien oletusten käsittely hypoteeseina sekä aktiivinen pyrkimys etsiä omaa näkemystä kumoavia seikkoja. Tetlockin superennustajat erottuvat mm. tässä aktiivisesti avoimessa ajattelussa ja tietyissä motivaatio- ja kognitiomittareissa, ja heidän suorituksensa on pysyvästi parempaa kuin verrokkien. Tetlockin siili–kettu-jaottelu tarjoaa tässä käytännöllisen säännön: ennustamista kannattaa organisoida niin, että se palkitsee “ketun” hyveitä (useat näkökulmat, joustavuus, varovainen kalibrointi) eikä “siilin” hyveiksi naamioituja paheita (liian yhtenäinen teoria, retorinen varmuus, heikko päivittyvyys).
Tähän liittyy luontevasti myös parviäly (wisdom of crowds). Parviäly ei tarkoita, että “enemmistö on aina oikeassa,” vaan että oikeissa olosuhteissa monien riippumattomien arvioiden yhdistäminen voi tuottaa yllättävän tarkan kokonaisarvion. Klassinen anekdootti on Galtonin (1907) havainto markkinoilla järjestetystä härän painonarvauskilpailusta: mediaaniarvio osui lähelle todellista painoa. Surowieckin (2004) popularisoimat ehdot parviälyn toimimiselle ovat: tarvitaan (a) näkökulmien moninaisuutta, (b) riippumattomuutta, (c) hajautusta ja (d) toimiva aggregointimekanismi. Kun jokin näistä puuttuu, esimerkiksi kaikki lukevat samat lähteet, keskustelu tuottaa ryhmäajattelua tai poliittinen paine yhdenmukaistaa, joukko ei viisastu vaan vinoutuu kohti yhtä mielipidettä. Tätä voi suoraan soveltaa asiantuntijaennusteisiin. Paneeli ei ole automaattisesti parempi kuin yksilö. Paneelin paremmuus syntyy vain, jos paneeli rakennetaan niin, että se säilyttää riippumattomuuden ja aidon erimielisyyden ja käyttää eksplisiittistä aggregointia (esim. painotettu keskiarvo historiallisesti kalibroitujen ennusteiden mukaan).
Jos tätä ajattelua sovelletaan Vanhalan BKT-ennusteeseen, niin johtopäätös ei ole “luota” tai “älä luota”. Täytyy tarkastella, mitä ennusteen taustalla oleva prosessi tekee oikein ja mitä se jättää tekemättä. Suomen Pankin ennuste on institutionaalisesti kurinalainen ja läpinäkyvästi julkaistu, mikä jo sinänsä parantaa sen arvioitavuutta. Silti ennuste kannattaa ymmärtää todennäköisyysjakaumana, ei pistelukuna. Käytännöllinen tapa edetä olisi ottaa ennusteen rinnalle eksplisiittiset vaihtoehtoskenaariot ja kysyä, miten herkkä 0,8 % on näille oletuksille.
Asiantuntija-arvioiden ongelma ei ratkea ”tekemällä oma tutkimus” tai mollaamalla ”kaiken maailman dosentteja,” vaan parantamalla ennustamisen kulttuuria ja infrastruktuuria. Se tarkoittaa siilimäisen varmuuden hiljentämistä, kettumaisen ajattelun vahvistamista, systemaattista todennäköisyyksien päivittämistä ja joukkojen viisauden ehtojen toteuttamista. Näin asiantuntijaennustus muuttuu väitteestä menetelmäksi. Ei lupaukseksi siitä, mitä tapahtuu, vaan kurinalaiseksi arvioksi siitä, mikä on todennäköistä ja miksi juuri tällä hetkellä.
Lähteet
Berlin, I. 2013 [1953]. The hedgehog and the fox: An essay on Tolstoy’s view of history. Princeton University Press.
Borjas, G. J., & Breznau, N. 2026. Ideological bias in the production of research findings. Science Advances, 12(1), eadz7173. Saatavissa: https://doi.org/10.1126/sciadv.adz7173. Viitattu 19.1.2026.
Galton, F. 1907. Vox Populi. Nature 75, 450–451. Saatavissa: https://doi.org/10.1038/075450a0. Viitattu 19.1.2026.
Ioannidis, J. P. A. 2022. Correction: Why Most Published Research Findings Are False. PLOS Medicine 19(8): e1004085. Saatavissa: https://doi.org/10.1371/journal.pmed.1004085. Viitattu 19.1.2026.
Kahneman, D. 2011. Thinking, fast and slow. Macmillan.
Nowak, S. & Chatterjee, P. 2016. Forecast Errors and Uncertainty Shocks. IMF Working Papers, Volume 2016, Issue 228. Saatavissa: https://doi.org/10.5089/9781475555523.001. Viitattu19.1.2026.
Suomen Pankki. 2025. Suomen talouden elpyminen etenee maltillisesti. Saatavissa: https://www.sttinfo.fi/tiedote/71705552/suomen-talouden-elpyminen-etenee-maltillisesti. Viitattu 19.1.2026.
Surowiecki, J. 2004. The Wisdom of Crowds: Why the Many Are Smarter than the Few and How Collective Wisdom Shapes Business, Economies, Societies, and Nations. Doubleday.
Tetlock, P. E., & Gardner, D. 2016. Super forecasting: The art and science of prediction. Random House.
Marko Forsell
Vararehtori (tki)
Centria-ammattikorkeakoulu
p. 040 808 5128
