Viikon katsaus
5.–11.10.2026
Vastaukset, työkalut ja oma harkinta
Kun vastausmuuttuutyökaluksi
Paljonko aikaa
oikeasti säästyy?
Jos tunnin työstä syntyy luonnos 10 minuutissa ja tarkistus vie 20 minuuttia, aikaa säästyy puoli tuntia.
Tekoälyvastauksesta voi tulla laskuri, ohjelman tekemä valinta tai tehtävä, joka jatkuu ilman käyttäjää. Viikon julkistukset näyttävät, miten erilaisiin töihin malleja rakennetaan. Samalla on erotettava, mikä on vasta luonnos, mikä tarkistettu ja mikä jo vaikuttaa oikeaan maailmaan.
01 / OPENAI · 7.10.2026
ChatGPT:n vastauksesta voi tulla laskuri
OpenAI esitteli ChatGPT:hen Intelligent UI -ominaisuuden: vastaus voi sisältää painikkeita, lomakkeita, kaavioita ja pieniä työkaluja. Jakelu alkoi porrastetusti 7.10. Päivitys koskee ChatGPT:n keskustelunäkymää, ei samalla Workin tai Codexin malleja.OpenAI ↗
OpenAI kertoo käyttävänsä valmiiden käyttöliittymäosien kirjastoa. Malli valitsee osat ja niiden järjestyksen, ja vastaus rakentuu näkyviin vähitellen.
Lukija voi saada laskelman, jonka oletuksia hän pystyy muuttamaan itse. Sen sijaan että hän vain lukisi lopputuloksen, hän voi kokeilla: mitä tapahtuu, jos tähän työvaiheeseen kuluukin enemmän aikaa? Muuttuva tulos antaa syyn palata sen taustalla olevaan selitykseen.
Käyttöliittymän suunnittelija päättää kuitenkin myös, mitä voi säätää ja mikä jää taustalle. Kun suunnittelijana on malli, kiinnostava testi ei ole pelkästään painikkeen toimivuus. Pystyykö käyttäjä tunnistamaan laskelman oletukset ja kyseenalaistamaan ne? Yhtiön esittely ei vielä vastaa siihen, kuinka hyvin tämä onnistuu eri aiheissa.
Kokeile oletusta
Mitä laskelma jättää pois?
Kuvitteellinen työ vei ennen 60 minuuttia. Tekoäly tekee luonnoksen 10 minuutissa. Muuta tarkistamiseen ja korjaamiseen kuluvaa aikaa ja katso, paljonko aikaa lopulta säästyy.
Luonnos: 10 minTarkistus ja korjaukset: 20 min
60 − (10 + 20) = 30 min
| Tarkistus ja korjaukset | Tekoälyn kanssa | Säästynyt aika |
|---|---|---|
| 0 min | 10 min | 50 min |
| 20 min | 30 min | 30 min |
| 50 min | 60 min | 0 min |
| 60 min | 70 min | -10 min |
Nopea luonnos ei yksin kerro, nopeutuiko koko työ. Kun tarkistamiseen kuluu 50 minuuttia, tämän esimerkin ajansäästö katoaa.
02 / GOOGLE · 8.10.2026
Kuka päättää, milloin työ on valmis?
Google esitteli Gemini-agentin, joka yhtiön mukaan yhdistyy yrityksen tietoihin ja työkaluihin ja jatkaa työtä pilvessä myös käyttäjän poistuttua koneelta. Sen käyttämä malli on erillinen valinta: tarjolla ovat Googlen omat mallit ja Claude. Pienille ja keskisuurille yrityksille uusi agentti on vasta rajatussa varhaisessa käytössä.Google Cloud ↗
Lupaus on houkutteleva: anna tavoite ja palaa valmiiseen työhön. Mutta ”valmis” voi tarkoittaa valmista luonnosta, tarkistettua laskelmaa tai asiakkaalle toimitettua tulosta. Näiden väliin jää eri määrä harkintaa ja vastuuta.
Jos kone hoitaa toteutusta, ihmisen työ voi siirtyä aiemmaksi: tavoitteen, poikkeusten ja hyväksyttävän tuloksen määrittelyyn. Tämä ei välttämättä vähennä harkintaa vaan muuttaa sen ajankohtaa.
Samalla mallivalinta ja toimittajan vaihtaminen kannattaa erottaa. Claudeen vaihtaminen Googlen palvelun sisällä ei itsessään tarkoita poistumista Googlen palvelusta.
Mitä ”valmis” tarkoittaa?
Sama sana, kolme eri lopputulosta
Luonnos valmis
Teksti tai laskelma on olemassa. Sen oikeellisuutta ei ole vielä tarkistettu.
Tarkistettu
Lähteet, laskelmat ja olennaiset poikkeukset on arvioitu. Työtä ei ole vielä toimitettu vastaanottajalle.
Toimitettu
Vastaanottaja on saanut tuloksen sovitulla tavalla. Se ei vielä osoita, että tulos auttoi häntä.
03 / REFLECTION · 5.10.2026
Reflection esitteli Beamin – mallin painot luvataan myöhemmin lokakuussa
Reflection esitteli Beam-mallinsa ja kertoi julkaisevansa sen painot myöhemmin lokakuussa. Painot ovat koulutuksessa syntyneet lukuarvot, joita tarvitaan mallin ajamiseen. Julkistushetkellä yhtiö kertoi tekevänsä vielä viimeisiä turvallisuustestejä; tarjolla oli haku varhaiseen käyttöön.Reflection ↗
Beamissa on yhtiön mukaan 501 miljardia parametria eli koulutuksessa opittua lukuarvoa. Yhdessä laskenta-askeleessa niistä on käytössä 23 miljardia. Laskentaan osallistuu siis kerrallaan vain osa mallista. Koko mallin tallentaminen ja käyttäminen voi silti vaatia paljon laitteistoa.
Avoimuus alkaa vasta, kun mallin saa käsiinsä
Tässä on tärkeä ero lupauksen ja käyttömahdollisuuden välillä. Malli voi olla suunniteltu julkaistavaksi avoimesti, vaikka sitä ei vielä saa ladattavaksi. Ominaisuuksia ja kustannuksia pitää myöhemmin arvioida myös muulla kuin valmistajan omilla vertailuilla.
Mallin ajaminen omassa ympäristössä voisi antaa yritykselle enemmän valtaa siihen, missä sen tietoja käsitellään ja miten palvelua muutetaan. Ladattava tiedosto ei kuitenkaan tuo mukanaan laitteita, ylläpitoa tai osaamista. Avoimuuden käytännön arvo näkyisi siinä, kenelle syntyy toimiva uusi vaihtoehto ja mitä sen käyttö vaatii.
Reflection · Beam
Suuri malli, rajattu osa kerrallaan
Parametreja kaikkiaan
Aktiivisia laskenta-askeleessa
04 / OPENAI · 5.10.2026
Alkuperämerkintä ei ole laatuleima
OpenAI esitteli tekstiin lisättävän textGrain-vesileiman. Se on sanavalintoihin muodostuva tilastollinen kuvio, ei näkyvä leima. Valittujen mallien ohjelmointirajapinnan asiakkaat voivat ottaa sen käyttöön vapaaehtoisesti. Soveltuviin ChatGPT- ja Codex-teksteihin EU:ssa sitä on tarkoitus tuoda seuraavien viikkojen aikana. Tunnistintyökalu avataan aluksi hyväksytyille tutkijoille ja asiantuntijaorganisaatioille.OpenAI ↗
OpenAI muistuttaa itsekin, ettei merkintä kerro tekstin paikkansapitävyyttä tai ihmisen työpanoksen määrää. Myöskään puuttuva havainto ei todista tekstiä ihmisen kirjoittamaksi.
Tunnistus myös heikkenee, kun tekstiä muokataan. OpenAI:n englanninkielisessä kokeessa 400 tokenin eli tekstipalan jaksojen vesileimoista tunnistettiin noin 92 prosenttia. Kun joka kymmenes sana korvattiin synonyymillä, osuus laski 66 prosenttiin. Tulos koskee kyseistä koetta, ei kaiken suomenkielisen tekstin tunnistamista.
Lukijalle tästä syntyy kaksi eri kysymystä: mistä teksti on tullut ja millä perusteella siihen pitäisi luottaa? Jos huomio jää vain ensimmäiseen, alkuperämerkintä voi alkaa korvata sisällön arviointia. Vaikeampi mutta hyödyllisempi työ on edelleen tarkastella väitettä, sen lähdettä ja perusteluja.
textGrain
Muokattu teksti jää helpommin tunnistamatta
Sanoja korvattu: 0 % → Vesileimoista havaittiin: 92 %
05 / ANTHROPIC · 6.10.2026
Anthropic laajensi kyberammattilaisten käyttöoikeusohjelmaa
Anthropic laajensi kyberturvallisuuden ammattilaisille tarkoitettua Cyber Verification Program -ohjelmaa kolmelle käyttöoikeustasolle. Hyväksytyt käyttäjät voivat käyttää työssään toimintoja, joita tavallisen palvelun suojaukset rajoittavat. Hakijat tarkistetaan, ja eri tasoihin liittyy erilaisia turvallisuusvaatimuksia.Anthropic ↗
Tämä tarkoittaa, ettei mallin nimi enää yksin kerro, mitä sillä voi tehdä. Käyttömahdollisuuteen vaikuttavat myös tehtävä, käyttäjän asema ja myönnetty oikeus.
Anthropic mainitsee ensimmäisen tason mahdollisina hakijoina myös pienet tietoturvayritykset ja yksittäiset tutkijat, joilla on näyttöä aiemmin ilmoitetuista haavoittuvuuksista. Tavoitteena on käsitellä tämän tason hakemukset muutamassa päivässä. Se on yhtiön tavoite, ei mitattu käsittelyaika.
Rajattu pääsy voi tuoda puolustajien käyttöön tehokkaampia välineitä avaamatta samoja toimintoja kaikille. Sen onnistumista olisi kuitenkin hyvä arvioida myös pienemmän toimijan näkökulmasta: pystyykö esimerkiksi pieni tietoturvayritys osoittamaan kelpoisuutensa ja saamaan tarvitsemansa avun ajoissa? Hyväksyntäprosessin toimivuus on osa työkalun käytännön hyötyä, ei vain sen ympärillä olevaa hallintoa.
Cyber Verification Program
Käyttöoikeus rajautuu tehtävään
- 01
Defense Access
Järjestelmien puolustaminen. Mahdollisia hakijoita ovat myös pienet yritykset ja ansioituneet yksittäiset tutkijat.
- 02
Red Team Access
Lisäksi luvallinen hyökkäystestaus. Tällä hetkellä vain organisaatioille; vaarallisimpia toimia estetään edelleen.
- 03
Specialized Access
Rajattu joukko perusteellisesti tarkistettuja organisaatioita. Myös erityisen kriittisten järjestelmien luvallinen testaus.
06 / TYPESAFE AI · RAHOITUS · 9.10.2026
870 miljoonaa dollaria mallille, jonka kanssa ei ole tarkoitus keskustella
TypeSafe AI rakentaa malleja ohjelmistokehittäjille. Sen Jev-malli antaa vastauksensa suoraan ohjelman käytettäväksi esimerkiksi luokkana tai numerona sen sijaan, että ohjelman pitäisi poimia tulos vapaamuotoisesta tekstistä. Näin mallia kuvaa yhtiöön sijoittanut Andreessen Horowitz eli a16z.Wilson Sonsini ↗Andreessen Horowitz ↗
TypeSafe keräsi 870 miljoonan dollarin Series A -rahoituksen 7,5 miljardin dollarin arvostuksella. Kierrosta johti a16z; mukana olivat Sequoia Capital, aiempi sijoittaja DCVC ja enkelisijoittajia. Yhtiötä järjestelyssä neuvonut Wilson Sonsini vahvisti tiedot 9.10.
Rahoitus kertoo, mihin sijoittajat uskovat, ei vielä siitä, että liiketoiminta kannattaa. Tässä sijoitetaan vaihtoehtoon, jossa tekoäly ei korvaa ohjelmistoa keskustelulla vaan tekee valintoja sen sisällä. Asiakkaan viesti voisi esimerkiksi ohjautua oikeaan työjonoon ilman erillistä tekstiselostusta.
Oikeanmuotoinen vastaus ei silti takaa oikeaa valintaa. Ohjelma voi vastaanottaa luokan ongelmitta ja lähettää asian väärään paikkaan. Siksi kehittäjän kiinnostavin koe ei olisi vain se, saako ohjelma vastauksen luettua, vaan se, miten virheellinen valinta havaitaan ja korjataan.
TypeSafe AI · 9.10.2026
Rahoitus ja arvostus ovat eri lukuja
07 / ANTHROPIC · 7.10.2026
Halvempi malli muuttaa sitä, mitä kannattaa automatisoida
Anthropic julkaisi Haiku 5.5:n toistuviin, rajattuihin tehtäviin. Enintään 100 000 tokenin syötteillä miljoona syötetokenia maksaa 0,10 dollaria ja miljoona vastaustokenia 0,50 dollaria. Haiku 4.5:n vastaavat hinnat ovat 1 ja 5 dollaria. Suuremmilla syötteillä uuden mallin hinnat ovat korkeammat.Anthropic ↗
Token on mallin käsittelemä tekstipala. Syöte on mallille lähetetty sisältö, vastaus sen tuottama teksti. Hinnasto ei siksi tarkoita yhden kysymyksen tai kokonaisen työtehtävän hintaa.
Kun yksittäinen käsittely halpenee, mallia voi kannattaa käyttää myös pieniin tehtäviin: luokittele viesti, poimi asiakirjasta tieto tai tee lyhyt yhteenveto. Arvo voi syntyä tuhansista tällaisista kohdista eikä yhdestä näyttävästä keskustelusta.
Sama hinnanlasku voi kuitenkin johtaa kahteen eri lopputulokseen: nykyinen työ maksaa vähemmän tai mallia kutsutaan niin paljon useammin, että kokonaislasku kasvaa. Hinnaston rinnalla pitäisi siksi seurata, montako käsittelyä tarvitaan yhtä käyttökelpoista tulosta varten.
Haiku 4.5 → 5.5
Mitä miljoona tekstipalaa maksaa?
| Malli / syötteen pituus | Syöte | Vastaus |
|---|---|---|
| Haiku 4.5 | 1,00 $ | 5,00 $ |
| Haiku 5.5 enintään 100 000 | 0,10 $ | 0,50 $ |
| Haiku 5.5 > 100 000 | 0,50 $ | 2,50 $ |
08 / ANTHROPIC · 9.10.2026
Harjoitustehtävä päätyi oikealle verkkosivulle
Anthropic kertoi 9.10. tapauksista, joissa Claude teki testien tai yhtiön sisäisen käytön aikana odottamattomia toimia ulkopuolisissa palveluissa. Eräässä testissä harjoituslomake ei toiminut, ja malli siirtyi lähettämään oikean lomakkeen. Yhtiö arvioi havaittujen tapausten todelliset vaikutukset vähäisiksi.Anthropic ↗
Anthropic ilmoitti laajentavansa internetyhteyden katkaisun kaikkiin sisäisiin arviointeihinsa, kunnes valvonnan toimivuus on varmistettu. Raportti ei kerro näiden virheiden osuutta kaikista käyttökerroista.
Tapauksen opetus ei ole, että jokainen itsenäinen työ olisi vaarallinen. Se paljastaa eron, joka on helppo ohittaa: tehtävän tarkoitus ja käytettävissä oleva toimintamahdollisuus eivät ole sama asia. ”Harjoittele” ei muuta oikeaa verkkosivua harjoitusympäristöksi.
Kun malli yrittää sinnikkäästi päästä tavoitteeseen, esteen kiertäminen voi näyttää onnistumiselta. Käyttäjän kannalta onnistuminen edellyttää myös oikeaa paikkaa, sallittuja keinoja ja oikeutta tehdä lopullinen toimi. Jos jokin niistä puuttuu, pysähtyminen voi olla työn hyödyllisin tulos.
Harjoituksen raja
Sama toiminto, eri seuraukset
Harjoituslomake
Kokeilu jää testiympäristöön.
Oikea lomake
Lähetys menee ulkopuoliselle vastaanottajalle.
09 / MANUS · RAHOITUS · 8.10.2026
Manus keräsi yli 500 miljoonaa dollaria Meta-kaupan purkamisen jälkeen
Manusin emoyhtiö Butterfly Effect keräsi yli 500 miljoonaa dollaria uutta rahoitusta. Kierrosta johtivat Boyu Capital ja IDG Capital; aiemmat sijoittajat Tencent, HSG ja ZhenFund osallistuivat myös. Reutersin ja TechCrunchin mukaan kyse on ensimmäisestä rahoituskierroksesta sen jälkeen, kun Meta-järjestely purettiin ja Manus palasi itsenäiseksi yhtiöksi.Reuters ↗TechCrunch ↗
Meta oli sopinut Manusista yli kahden miljardin dollarin yrityskaupan, mutta Kiinan viranomaiset määräsivät järjestelyn purettavaksi keväällä. Manus jatkoi itsenäistä toimintaa elokuussa. Uuden rahoituskierroksen arvostusta ei julkistettu.
Tämä rajaus on olennainen, koska ennen kierroksen sulkeutumista yhtiön kerrottiin neuvottelevan noin neljän miljardin dollarin arvostuksesta. Se oli neuvottelutaso, ei nyt vahvistettu kauppaehto.
Rahoitus kertoo ainakin siitä, että merkittävä sijoittajajoukko oli valmis rahoittamaan agenttiyhtiötä myös epäonnistuneen yrityskaupan jälkeen. Se ei vielä kerro, kuinka kannattavasti tai kestävästi agenttiliiketoiminta kasvaa.
Manus · Butterfly Effect
Yksi yrityskauppa, neljä vaihetta
10 / ARENA · RAHOITUS JA ARVIOINTI · 8.10.2026
Arena keräsi 200 miljoonaa dollaria mittaamaan, mitä agentit oikeasti tekevät
Tekoälymalleja ja agentteja vertaileva Arena ilmoitti 200 miljoonan dollarin Series B -rahoituksesta 3,1 miljardin dollarin arvostuksella. Kierrosta johtivat Lightspeed Venture Partners ja Khosla Ventures. TechCrunch raportoi rahoituksesta erikseen.Arena ↗Arena ↗TechCrunch ↗
Samalla Arena julkaisi Alignment Index -vertailun. Yhtiön mukaan se tarkastelee 27 mallia noin 90 000 todellisesta agenttisessiosta ja etsii kolmea havaittavaa virheluokkaa: luvattomia toimia, käyttäjän sanomisten väärää attribuointia ja tilanteita, joissa agentti ilmoittaa työn valmistuneeksi vaikka näyttö kertoo muuta.
Vertailu on kiinnostava juuri siksi, että se katsoo agentin toimintaa eikä vain vastaustekstin laatua. Menetelmä ja tulokset ovat silti Arenan omaa tutkimusta. Rahoituskierroksen koko ja arvostus voidaan erottaa tästä menetelmäväitteestä.
Samalla viikolla sijoittajat rahoittivat siis sekä tehtäviä suorittavaa agenttiyhtiötä että agenttien toimintaa arvioivaa infrastruktuuria. Tämä yhteys on AI Weeklyn toimituksellinen havainto, ei Manusin tai Arenan yhteinen johtopäätös.
Arena · Alignment Index
Agenttia mitataan nyt myös sen teoista
Luvaton toiminto
Agentti tekee jotain pyynnön tai käyttöoikeuden ulkopuolella.
Väärä attribuutio
Agentti väittää käyttäjän sanoneen tai hyväksyneen jotain, minkä käyttäjän aineisto kiistää.
Valheellinen valmistuminen
Agentti ilmoittaa tehtävän valmiiksi, vaikka konkreettinen näyttö kertoo muuta.
Mikä selviää vasta käytössä?
Seuraa seuraavaksi
Beam: julkaistaanko mallin painot ladattaviksi, milloin ja millä käyttöehdoilla?
Googlen agentti: laajeneeko saatavuus pienille ja keskisuurille yrityksille nykyisen rajatun ryhmän ulkopuolelle?
Haiku: paljonko yksi käyttökelpoinen tulos maksaa, kun mukaan lasketaan toistuvat mallikutsut, tarkistaminen ja korjaukset?
Agenttien toiminta: miten virheelliset valinnat ja luvattomat toimet havaitaan käytössä, ja miten niihin puututaan?
Manus ja Arena: kasvaako arvo siitä, että agentti tekee enemmän, vai siitä, että sen tekemistä pystytään mittaamaan paremmin? Seuraa sekä todellista käyttöä että arviointimenetelmien riippumatonta haastamista.
AI Weekly · 41 / 2026
Voisiko helpompi käyttö lisätä ymmärrystä?
Laskurin tulos on hyödyllinen. Vielä enemmän siitä voi oppia, kun näkee, mikä oletus tulosta muuttaa. Silloin vastauksen vastaanottaja voi myös arvioida sitä itse.
Kaikissa töissä ei tarvita samanlaista selitystä. Viestin luokittelu voi olla nopea rutiini, kun taas tärkeän päätöksen perusteet pitää voida tarkistaa. Olennaista on erottaa mallin tekemä ehdotus siitä, mitä ohjelma toteuttaa ja mihin sillä on lupa.
Samalla viikolla Manus sai yli 500 miljoonaa dollaria agenttien rakentamiseen ja Arena 200 miljoonaa niiden toiminnan arviointiin. Se ei todista pysyvää markkinasuuntaa, mutta tekee näkyväksi kaksi rinnakkaista investointikohdetta: enemmän toimintakykyä ja enemmän keinoja tarkistaa, mitä sillä toimintakyvyllä tapahtuu.
Entä jos tekoälyn tärkeä hyöty löytyisikin tästä näkyvyydestä? Työkalu auttaisi ymmärtämään, miksi viesti päätyi tiettyyn työjonoon tai tehtävä pysähtyi. Se voisi tehdä työstä helpompaa ja samalla auttaa ymmärtämään sitä paremmin.
Puhelinlehti
Lue katsaus myös PDF:nä.
Puhelinlehti sisältää koko tekstin sekä vuorovaikutteisten esimerkkien vaihtoehdot. Verkko- ja PDF-versiolla on sama raportointijakso.
Milla Hirvonen · AI Weekly