Meta ja Klarna näyttävät, miksi tekoäly ei vielä korvaa kokonaisia työtehtäviä

Tekoäly muuttaa tiimien rakentamista, mutta Meta ja Klarna osoittavat, kuinka paljon vaikeampaa on korvata kokonaisia toimintoja kuin automatisoida yksittäisiä työvaiheita. Meta keskeytti Project OT -uudistuksen toisen aallon suunnittelun ensimmäisten henkilöstövähennysten jälkeen. Klarna taas ryhtyi palkkaamaan uudelleen ihmisiä asiakaspalveluun, kun AI-ensimmäinen palvelumalli johti heikompaan laatuun. 218

Yhteinen opetus on käytännöllinen, ei ideologinen: tekoäly pystyy käsittelemään selkeästi rajattuja ja toistuvia tehtäviä suuressa mittakaavassa. Ihmisiä tarvitaan silti tulkitsemaan epäselviä tilanteita, tarkistamaan tuloksia, ratkaisemaan poikkeuksia ja vastaamaan asiakkaan kokemuksesta.

Meta: pienempien tiimien malli kohtasi käytännön rajat

Reutersin mukaan Metan Project OT eli Organization Transformation oli suunniteltu kaksivaiheiseksi uudelleenjärjestelyksi. Ensimmäisessä vaiheessa Meta vähensi toukokuussa 2026 noin 10 % henkilöstöstään, mutta lopetti myöhemmälle marraskuulle suunnitellun toisen aallon valmistelun. Meta vahvisti Project OT:n olemassaolon ja kuvasi sitä vuoden mittaiseksi hankkeeksi, johon sisältyi kustannussäästöjä, tiimirakenteiden uudistamista ja työntekijöiden siirtämistä painopistealueille. 2

Kyse ei ollut vain tavallisesta kululeikkauksesta. Tavoitteena oli pienempiä työntekijäryhmiä, joita tekoälyagentit tukisivat. Kokemus korostaa olennaista eroa: suurempi määrä luonnoksia, koodia tai tehtäväsuoritteita ei vielä takaa luotettavaa tuotekehitystä.

Monimutkaisissa työnkuluissa ihmisten on edelleen asetettava tavoitteet, yhdistettävä työ eri järjestelmien välillä, testattava lopputuloksia, havaittava virheitä ja kannettava vastuu, kun jokin menee pieleen. Meta ei ole luopunut tekoälyinvestoinneista tai tekoälyavusteisesta työstä. Muuttunut asia oli luottamus siihen, että agenttien kyvyt oikeuttaisivat toisen laajan henkilöstövähennyksen alkuperäisessä aikataulussa. 2

Klarna: suuri käsittelymäärä ei taannut hyvää asiakaspalvelua

Klarna havainnollistaa samaa ongelmaa asiakaspalvelun näkökulmasta. Sen tekoälyavustaja hoiti huomattavan osan tavanomaisista yhteydenotoista, kuten maksuja, palautuksia ja hyvityksiä koskevista kysymyksistä. Myöhemmin yhtiö kuitenkin luopui pelkkään tekoälyyn nojaavasta linjasta ja alkoi jälleen palkata ihmisiä asiakaspalveluun. 1720

Raportoinnin mukaan toimitusjohtaja Sebastian Siemiatkowski myönsi, että Klarna oli vähentänyt inhimillistä kapasiteettia liian voimakkaasti. Ongelmana ei ollut se, etteikö tekoälystä olisi hyötyä, vaan se, että automatisoitu palvelu kamppaili monimutkaisten, tulkinnanvaraisten ja tunnepitoisten tapausten kanssa. Kokeneet ihmiset tuovat niihin selvitystyötä, harkintaa ja empatiaa. Klarna alkoi vahvistaa ihmisten tekemää asiakaspalvelua automaation rinnalle. 1819

Tämä ero on erityisen tärkeä asiakaspalvelussa. Järjestelmä voi ratkaista tavallisimmat pyynnöt nopeasti, mutta luottamus kärsii, jos riitautettua maksua, poikkeuksellista tilannetta tai kärjistyvää ongelmaa selvittävä asiakas ei pääse nopeasti osaavan ihmisen puheille. Automaatio toimii vain, jos palveluun on rakennettu toimiva siirto ihmiselle ja selkeä vastuu.

Kestävämpi malli: tekoäly vipuvartena, ei jokaisen roolin korvaajana

Metan ja Klarnan kokemuksista nousee esiin käytännöllisempi toimintamalli:

• Automatisoi ennakoitavat tehtävät. Tekoäly on vahvimmillaan, kun lähtötiedot ovat standardoituja, lopputulos on helppo tarkistaa ja virheet ovat edullisia korjata.
• Pidä ihmiset päätöskohdissa. Ihmisiä tarvitaan, kun työ vaatii eri järjestelmien ja tilanteiden kokonaisymmärrystä, kompromisseja, harkintaa, vastuuta tai ihmissuhteiden hoitamista.
• Rakenna eskalointi työnkulkuun. Asiakaspalvelussa ja muissa suuren vaikutuksen prosesseissa täytyy olla selkeä reitti pätevälle ihmiselle – ei umpikujaksi jäävää automaattista keskustelua.
• Mittaa lopputuloksia, älä pelkkää aktiivisuutta. Koodin määrän kasvu, nopeampi ensivastaus tai suurempi käsittelyvolyymi eivät yksin kerro onnistumisesta, jos laatu, ratkaisuprosentti, turvallisuus tai asiakkaiden luottamus heikkenevät.

Johtopäätös ei ole, etteivätkö työtehtävät muuttuisi. Muutos näyttää kuitenkin etenevän pikemminkin tiimien uudelleensuunnitteluna, osaamisvaatimusten muuttumisena ja rutiinityöhön keskittyvien roolien vähenemisenä kuin ihmistyön välittömänä loppumisena.

Rekrytointi painottuu tekniseen kyvykkyyteen

Laajempi teknologiasektorin rekrytointidata tukee tätä tulkintaa. SignalFiren mukaan suurten teknologiayhtiöiden rekrytointi oli 25 % alle vuoden 2019 tason, kun taas ohjelmistosuunnittelijoiden rekrytointi oli laskenut 11 %. Ohjelmistosuunnittelijoiden osuus näiden yhtiöiden kaikesta rekrytoinnista nousi näin 55 prosenttiin, kun se oli vuonna 2019 46 %. 49

Luvut eivät todista, että tekoäly olisi aiheuttanut kaikki muutokset: rekrytointiin vaikuttavat myös suhdanteet ja pandemian jälkeiset henkilöstösopeutukset. Ne kuitenkin osoittavat, etteivät kevyemmät organisaatiot ole poistaneet teknisen osaamisen tarvetta. Rekrytoinnin painopiste on siirtynyt ihmisiin, jotka pystyvät rakentamaan, ottamaan käyttöön, arvioimaan, suojaamaan ja valvomaan yhä automatisoidumpia järjestelmiä.

Suurin lähiajan riski koskee uran alkupäätä

Stanfordin Digital Economy Labin tutkijat eivät löytäneet kesäkuuhun 2026 asti ulottuvasta yhdysvaltalaisesta palkkahallintoaineistosta näyttöä laaja-alaisesta, koko talouden kattavasta työpaikkojen syrjäytymisestä. AI:lle altistuneissa ammateissa työskentelevien 22–25-vuotiaiden työllisyys jäi silti 19 % jälkeen siitä tasosta, jolla se olisi ollut, jos se olisi pysynyt vähemmän altistuneiden ikätovereiden tahdissa. Kokeneilla työntekijöillä vastaavaa eroa ei havaittu, ja sopeutuminen näkyi pääasiassa vähäisempänä rekrytointina eikä kasvaneina irtisanomisina. 35

19 % ei ole arvio tekoälyn suoraan poistamien työpaikkojen määrästä, vaan suhteellinen jälkeenjäänti verrattuna tilanteeseen, jossa kehitys olisi pysynyt vertaisryhmän vauhdissa. Silti havainto nostaa esiin vakavan kysymyksen: jos tekoäly hoitaa osan aloitteleville työntekijöille perinteisesti kuuluneista rutiineista, yritykset voivat tarjota vähemmän paikkoja, joissa karttuu myöhempää asiantuntijauraa tukevaa kokemusta.

Mitä yritysten kannattaa oppia tapauksista?

Olennainen kysymys ei enää ole, käytetäänkö tekoälyä. Olennaista on, missä kohdissa se parantaa prosessia poistamatta samalla niitä inhimillisiä kykyjä, joista prosessin luotettavuus riippuu.

Metan keskeytetty toinen aalto ja Klarnan asiakaspalvelurekrytoinnit viittaavat samaan suuntaan: automaatiota on testattava lopputulosten, ei pelkkien tehokkuuslukujen perusteella. Mittareita ovat esimerkiksi onnistunut tuotekehitys, päätösten oikeellisuus, ratkaistut asiakastapaukset, asiakkaiden luottamus ja virheistä toipumisen kustannukset.

Kun tekoäly toimii hyvin, se voi kasvattaa pienemmän tiimin kapasiteettia. Kun epävarmuus tai virheen seuraukset ovat suuria, toimivin ratkaisu on tavallisesti ihminen ja tekoäly yhdessä – ei ihmisistä vapaa prosessi.