Tekoälyn ympäristövaikutukset – Opit ja vinkit organisaatioille

1. Alkusanat

Tekoäly on tullut jäädäkseen. Se mullistaa kokonaisia toimialoja ja mahdollistaa liiketoiminnassa asioita, jotka eivät olleet vielä muutama vuosi sitten edes ajatuksen tasolla mahdollisia. Sen avulla voidaan parantaa asiakaskokemusta, luoda uutta liiketoimintaa ja rakentaa kasvua.

Kaikella on kuitenkin kääntöpuolensa. Digitaalisessa maailmassa toimiminen tuo mukanaan vastuun nostaa esiin myös teknologian epäkohtia. Tässä oppaassa perehdymme tekoälyn – ja erityisesti generatiivisen tekoälyn – vaikutuksiin ympäristön näkökulmasta.

Aiemmassa oppaassamme perehdyimme verkkopalveluiden hiilijalanjälkeen – tutustu siihen, mikäli haluat ottaa ensin perusteet haltuun!

1.1. Kenelle opas on tarkoitettu?

Oppaamme on suunnattu digitaalisuuden parissa toimiville johtajille ja kaikille, jotka pohtivat omaa suhdettaan tekoälyyn ja haluavat lisätä tietoisuutta aiheesta organisaationsa sisällä. Tarjoamme oppaassamme tietoa, pohdittavaa sekä konkreettisia vinkkejä tekoälyn käyttöön niin yksilön kuin organisaationkin tasolla.

2. Tekoälyn peruskäsitteet: Mitä konepellin alla tapahtuu?

Tekoälykeskustelussa on helppo unohtaa, että tekoäly ei ole aineeton voima ”pilvessä”. Sen taustalla toimii aina valtava fyysinen infrastruktuuri: datakeskuksia, sähköverkkoja ja verkkolaitteita. Tämän infrastruktuurin ylläpito, ja erityisesti tekoälymallien kouluttaminen, vaativat huomattavasti luonnonvaroja ja energiaa. Digitaaliset palvelut vievät paljon sähköä, ja globaali sähköntuotanto pohjautuu edelleen 82%:sesti fossiilisiin energialähteisiin. (Earth.org, 2024)

Ymmärtääksemme generatiivisen tekoälyn (GenAI) ympäristövaikutuksia meidän on ensin ymmärrettävä muutama peruskäsite.

2.1. Generatiivinen tekoäly

Generatiivinen tekoäly (GenAI) on tekoälyn osa-alue, joka käyttää generatiivisia malleja tuottaakseen luonnollista kieltä ja sisältöä, kuten tekstiä, kuvia, videoita tai ohjelmakoodia. Mallit koulutetaan opetusdatalla, josta ne oppivat ja luovat uutta dataa käyttäjän antamien, usein luonnollisella kielellä annettujen kehotteiden (promptien) pohjalta.

Teknologia yleistyi 2020-luvun tekoälybuumin myötä erityisesti suurten kielimallien (LLM) kehityksen ansiosta. Tunnetuimpia esimerkkejä ovat chatbotit (kuten ChatGPT, Copilot, Gemini) ja kuvageneraattorit (kuten Stable Diffusion).

Generatiivista tekoälyä käytetään laajasti monilla aloilla, kuten ohjelmistokehityksessä, terveydenhuollossa ja viihteessä. Sen käyttö vaatii kuitenkin erikoissiruilla varustettuja, runsaasti sähköä ja jäähdytysvettä kuluttavia konesaleja.

2.2. Koneoppiminen

Koneoppiminen on tekoälyn keskeinen osa-alue. Sen sijaan, että tietokone ohjelmoitaisiin suorittamaan tehtävä tiukkojen sääntöjen mukaan, koneoppimisessa malli oppii itsenäisesti datan ja kokemuksen perusteella. Se jäljittelee ihmisen oppimiskykyä ja parantaa suorituskykyään, mitä enemmän dataa se käsittelee. 

2.3. Neuroverkot ja syväoppiminen

Useimmat nykyaikaiset tekoälyratkaisut perustuvat neuroverkkoihin. Nimensä mukaisesti ne jäljittelevät ihmisaivojen hermosolujen rakennetta. Neuroverkko koostuu kerroksista, jotka käsittelevät tietoa vaiheittain.

Syväoppiminen (Deep Learning) on neuroverkkojen kehittyneempi muoto. “Syvä” termi viittaa oppimisen kerroksien määrään, joita voi mallissa olla tuhansia. Tämä syvä rakenne mahdollistaa erittäin monimutkaisten hahmojen ja yhteyksien tunnistamisen datasta. Tämä on ratkaiseva yhteys oppaamme aiheeseen: laajat kielimallit (LLM), kuten ChatGPT:n moottorina toimiva GPT-4, perustuvat juuri syväoppimiseen.

Suurin ero perinteisen koneoppimisen ja syväoppimisen välillä on datan käsittely. Perinteinen malli tarvitsee ihmisen määrittelemään, mitä piirteitä datasta (esim. taulukosta) etsitään. Syväoppimismalli sen sijaan voi käsitellä jäsentämätöntä, raakaa dataa – kuten valtavia määriä tekstiä tai kuvia – ja tunnistaa niistä olennaiset piirteet automaattisesti.

3. Tekoälyn ympäristövaikutukset 

Aivojemme ja oppimisemme täydellisellä koneellisella mallintamisella ja ylläpitämisellä on merkittävä ympäristöjalanjälki. Siihen liittyy useita energiankulutukseen, tietoliikenteen vaatimaan hiilijalanjälkeen, jätteiden tuottamiseen sekä akkumineraalien louhintaan sekä maa-alueiden käyttöön sekä rakentamiseen liittyviä eettisiä kysymyksiä – näiden arvoketjuista puhumattakaan.

3.1. Tekoälyn energiankulutus ja hiilijalanjälki

Datakeskukset ovat sähköistymisen aikakaudella yksi keskeisimmistä tekijöistä, jotka mahdollistavat tekoälyn hyödyntämisen. Vaikka tekoälystä on tulossa arkipäiväinen teknologia, sen kehitys on täysin riippuvaista vakaasta sähköntuotannosta.

Tämänhetkisen arvion mukaan datakeskuksien ja tekoälyn sähköntarve voi kaksinkertaistua vuoteen 2026 mennessä. Vuoteen 2030 mennessä ICT-alan on ennustettu kuluttavan noin 25 % kaikesta globaalista sähköntuotannosta. Tämän sisällä pelkästään datakeskusten sähkönkulutuksen odotetaan yli kaksinkertaistuvan noin 945 TWh:iin. Tämä on hieman enemmän kuin Japanin nykyinen sähkönkulutus kokonaisuudessaan. (Yle, 2022, Transformative potential of AI, 2025)

Tekoälymallien koulutus ja käyttö vaativat valtavaa laskentatehoa, joka tuotetaan suurissa, paljon energiaa kuluttavissa datakeskuksissa. Arvioiden mukaan tekoälyn käyttö aiheuttaa globaalilla tasolla vuosittain noin 3130 tonnia hiilidioksidipäästöjä (Helmes 2025, Impact Day).

Vielä merkittävämpää on kuitenkin mallien koulutusvaihe. Massachusettsin yliopiston tutkimuksen mukaan jo yhden yleisen kielimallin (Gen AI) kouluttaminen voi päästää ilmakehään jopa 284 tonnia hiilidioksidiekvivalenttia. Vertailun vuoksi määrä vastaa noin 288 lentoa Lontoon ja New Yorkin välillä (Brevini 2022, 66). Päästöt kasvavat mallien koon mukana: yksistään GPT-4:n koulutuksen arvioitiin tuottaneen ilmakehään peräti 15 000 tonnia hiilidioksidia (Helmes 2025, Impact Day).

Huolena onkin, että koneoppimisalgoritmien energiankulutus kasvaa entisestään, kun hyödynnettävät tietomassat suurenevat ja koulutukseen kuluva aika pitenee.

Tekoälyyn liittyvän sähkön kysynnän näkymiin liittyy suuria epävarmuustekijöitä. Koska tekoäly kuluttaa valtavan osan palvelinsalien energiasta, se vaatii teknologiajättien, kuten Googlen, Microsoftin ja Amazonin, vastaamaan tähän tarpeeseen. Tämä näkyy jo nyt siinä, että palvelinsalien päästömäärät ovat karkaamassa käsistä, mikä vaarantaa asetettuja hiilineutraaliustavoitteita. Lisäksi tarvitaan jatkuvasti uusia maa-alueita palvelinsaleille ja niitä tukeville voimalaitoksille. Yksi tekoälyn turvallisen kehityksen akilleen kantapääksi onkin muodostumassa sähköala: vakaan sähköntuotannon varmistaminen ja toiminnan tehostaminen (Forbes, 2024, Yle 2024). Sähköverkot ovat jo monin paikoin kuormituksen alla, ja jos näihin merkittäviin riskeihin ei puututa, noin 20 % suunnitelluista datakeskushankkeista on vaarassa viivästyä (Transformative potential of AI, 2025).

On kuitenkin tärkeää huomata, että tekoälymalleista kehitetään jatkuvasti myös energiatehokkaampia. DeepSeek on onnistunut tehostamaan malliensa koulutusta merkittävästi, vaikkakin itse DeepSeekin mallien käyttö kuluttaa moninkertaisesti sähköä verrattuna kilpailijoihinsa (MIT Technology Review, 2025). Google sen sijaan kertoi elokuussa 2025, että viimeisimmän vuoden sisällä Gemini Apps -tekstipromptien mediaanienergiankulutus putosi 33-kertaisesti ja kokonaishiilijalanjälki putosi vastaavasti 44-kertaisesti, tuottaen samalla korkealaatuisempia vastauksia. Samalla mobiililaitteille sopivat pienet kielimallit (small language models) ovat jo tehokkaita ja nopeita. Ne voivat toimia jopa offline-tilassa ilman jatkuvaa internetyhteyttä. (Google, 2025)

3.2. Datakeskusten vedenkulutus ja akkumineraalien louhinta

Runsaan AI:n käytön myötä tarvitaan siis isompia palvelinsaleja sekä laiteuudistuksia, jolla on hiililjalanjäljen lisäksi myös muita ympäristöön vaikuttavia lieveilmiöitä. Muun muassa älylaitteiden akuissa käytyn koboltin, litiumin ja kuparin osalta 97% tuotannosta on edelleen Kongossa, jossa laajojen ympäristöhaittojen lisäksi on paljon ihmisoikeus- ja työturvallisuusrikkomuksia sekä lapsityövoimaa (Yle 2023, Earth.com 2023). 

Datakeskukset ovat merkittäviä akkujen kuluttajia, sillä ne ovat välttämättömiä keskeytymättömän virransyötön (UPS) varmistamisessa. Schneider Electricin tutkimus korostaa, että alalla on käynnissä teknologinen muutos: perinteisistä lyijyakuista (VRLA) ollaan siirtymässä litiumioniakkuihin. 

Yli 10 vuotta kestäviä litiumioniakkuja pidetäänkin ratkaisuna näiden elinkaaripäästöjen pienentämiseen. Vaikka datakeskukset siis pyrkivät tällä vaihdoksella pienentämään hiilijalanjälkeään, ne samalla lisäävät osaltaan juuri niiden litiumin ja muiden mineraalien kysyntää, joiden louhinta on eettisesti ja ekologisesti kuormittavaa.

Palvelinsalit, jotka eivät hyödynnä viilennykseensä merivettä, käyttävät viilennykseen juomakelpoista vesijohtovettä. Microsoft muun muassa arvioi, että ChatGPT:n julkaisun myötä palvelinsalien viilennykseen tarkoitettu makean veden kulutus nousi jopa 34% (Helmes 2025, Impact Day). Hollannissa nousikin vuonna 2022 iso haloo siitä kun selvisi, että kuivuuden näivettämässä maassa vastavalmistuneeseen Microsoftin palvelinsaliin kerrottiin pumpattavan 100 miljoonaa litraa juomakelpoista vettä (Yle, 2022). 

3.3. AI nostaa ympäristökuormaa kaikissa arvoketjun kohdissa 

Tekoälyn aiheuttamien suorien ympäristövaikutusten lisäksi tuotantoketjun loppupään ympäristökuormitus on myös huomioitava. Tähän kuuluu muun muassa elektroniikkajäte ja tuotannon loppupään kuljetukset sekä prosessointi. Nature Computational Sciencen tutkimuksen mukaan räjähdysmäisesti kasvaneen tekoälykäytön myötä elektroniikkajätteen määrä tulee nousemaan 2030 mennessä 1,2-5 miljoonaan tonniin (kg), joka on tuhatkertainen verrattuna vuoteen 2023. 

Koska tekoäly vaatii isompia ja uudempia palvelinsaleja, on selvää että rakennuttaminen myös kasvaa tällä sektorilla mikä näyttäytyy tekoälyliiketoiminnassa lisääntyneinä päästöinä eri arvoketjujen kohdissa, kuten rakennusmateriaalien tuotannossa, kuljetuksissa ja jakeluissa sekä muissa rakentamisen prosesseissa. 

3.4. Tekoäly instrumenttina muutoksessa 

Aikana, jolloin ajattelu on helppo ulkoistaa tekoälylle, on sanomattakin selvää, että tekoäly toimii voimanpesänä myös vaikeiden kysymyksien ratkaisemisessa, kuten ympäristövaikutusten riskien analysoimisessa ja ilmastonmuutoksen vastaisessa taistelussa. 

Tällä hetkellä tekoälyä hyödynnetään kestävyystyössä yksinkertaisimmillaan yritysten päästölaskennassa, mutta laajemmin myös tunnistamaan jäätiköiden sulamisen vauhtia, ymmärtämään aavikoitumisen etenemistä ja tukemaan valtamerien puhdistusta (Weforum, 2024). 

On tärkeää tarkastella tekoälyn vaikutuksia eri näkökulmista. Jos tekoälyllä voidaan tehostaa prosesseja tai helpottaa päästötavoitteisiin pääsemistä, sen käyttö on luonnollisesti parempaa ja eettisempää kuin sen hyödyntäminen ympäristöä tuhoavien prosessien nopeuttamiseen. Energiayhtiöt käyttävät jo nyt tekoälyä optimoidakseen energian ja mineraalien tarjontaa, sähkön tuotantoa ja siirtoa sekä energiankulutusta. Tekoälyn avulla yhtiöt voivat laskea kustannuksia, parantaa tarjontaansa ja pidentää omaisuuden käyttöikää, mikä puolestaan vähentää niiden päästöjä (Transformative potential of AI, 2025).

Tekoälyn tehokkuutta perustellaankin usein sen tuomilla säästöillä, jotka mahdollistavat markkinoiden laajentumisen myös maailman köyhimpiin osiin. Yalen yliopiston tutkimus sään ennustamisen energiankulutuksesta tarjosi kiinnostavia tuloksia tekoälyn myönteisistä vastuullisuusvaikutuksista. Esimerkiksi nykyiset sääennustuksiin käytettävät tekoälymallit kuluttavat huomattavasti vähemmän energiaa kuin vanhat, perinteiset säänennustustekniikat (Yale, 2025). Tämä entistä energiatehokkaampi ja halvempi tapa tuottaa luotettavia sääennusteita auttaa kehittyviä maita saamaan yhtä tarkkaa tietoa säästä ja ääri-ilmiöistä kuin rikkaat maat. Tämän myötä ne voivat ymmärtää paremmin, miten ilmastonmuutoksen vaikutuksilta voidaan suojautua ja niiden seurauksia pienentää. Tämä on hyvä esimerkki siitä, miten tekoäly on valjastettu edistämään sekä yhteiskunnallisia että ympäristöllisiä tavoitteita.

3.5. Hionin kanta tekoälyn käyttöön ja toimenpiteet vastuullisempaan tekoälyn käyttöön

Tekoälyn vastuulliseen käyttöön kuuluu myös sen ympäristövaikutusten ymmärtäminen. Hion on Suomen johtava vastuullisten digipalveluiden kehityspartneri, joten meille on erittäin tärkeää varmistaa oikeaoppinen ja eettinen tekoälyn käyttö työnteon tukena.

Tunnistamme, että tekoälyn käyttö kuluttaa merkittävästi energiaa. Siksi mittaamme ja raportoimme aktiivisesti käyttämiemme tekoälypalveluiden, kuten Google Cloudin ja Vertex AI:n, hiilijalanjäljen osana vastuullisuusraportointiamme. Tämä antaa täyden läpinäkyvyyden ratkaisujen ympäristövaikutuksiin. Valitsemme aina energiatehokkaimmat saatavilla olevat datakeskukset ja kielimallit. 

Keskeinen periaatteemme on, että asiakkaidemme dataa ei koskaan käytetä yleisten kielimallien kouluttamiseen, ja datan omistajuus säilyy sataprosenttisesti asiakkaalla. Data säilytetään aina EU:n alueella, tietosuoja-asetusten mukaisesti. 

Tekoäly on meille työkalu, joka tehostaa ja täydentää ihmisen asiantuntemusta, mutta ei korvaa sitä. Loppuvastuu sisällöstä ja päätöksistä on aina ihmisellä. Noudatamme periaatetta: ”emme käytä turhaan, käytämme tarpeeseen”, ja varmistamme, että tekoälyä hyödynnetään vain silloin, kun se tuottaa aitoa lisäarvoa ja ratkaisee todellisen ongelman.

Sisäiset eettiset ohjeemme linjaavat tekoälytyökalujen, kuten Geminin ja GitHub Copilotin, käyttöä ja varmistavat, että toimimme aina arvojemme mukaisesti kunnioittaen käyttäjiä ja organisaatioita.

Me olemme Hionilla sitoutuneet seuraaviin energiatehokkaiden tekoälyn käytön perusperiaatteisiin:

1. 1. Käytämme vain tarpeeseen: Ymmärrämme tekoälyn aiheuttamat isot ympäristövaikutukset ja käytämme työkalua vain silloin kun sille on tarve, vastuullisesti ja tehokkaasti. Emme kuorruta sisältöjämme tekoälyllä luoduilla kuvilla tai videoilla. 
   2. Valitsimme käyttöömme tekoälytyökalut, jotka käyttävät uusiutuvaa energiaa – ja joiden päästöt on raportoitavissa, ja joka on toimitusketjultaan läpinäkyviä.
   3. Promptaamme energiatehokkaasti: Rakennamme kehotteet niin, että tekoäly tuottaa halutun lopputuloksen yhdellä kysymyksellä ja mahdollisimman pienellä laskentateholla.
      • Käytämme lyhyitä ja täsmällisiä kysymyksiä.
      • Pyydämme tiiviitä vastauksia.
      • Vältämme monimutkaisia tai toistuvia ohjeita. Tavoitteena on minimoida laskentateho ja energian kulutus jokaista pyyntöä kohden.
   4. Raportoimme tekoälyn päästöt läpinäkyvästi: Käytämme Googlen omia tekoälyavustimia kuten Vertex AI:ta, Gemini joista saamme myös kulutuslukemat ja nämä raportoidaan osaksi 2025 päästölaskelmiamme
   5. AI osana vihreän koodauksen käytäntöjämme: Käytämme tekoälyä energiatehokkaan koodauksen tukena ja tuottamiseen
      • Pyydämme koodia, algoritmeja ja prosesseja, jotka kuluttavat mahdollisimman vähän energiaa.
      • Ohjeistamme tekoälyn vertailemaan vaihtoehtoja energiankulutuksen näkökulmasta.
      • Näin tekoäly ei ainoastaan vastaa energiatehokkaasti, vaan myös auttaa meitä tekemään kestävämpiä valintoja.
   6. Olemme läpinäkyviä asiakkaidemme suuntaan: Tuomme esille asiakkaillemme myös rehellisesti tekoälyn nurjan puolen ja pyrimme ymmärtämään ydinongelmaa ennen tekoälyn hyödyntämistä.

4. Konkreettiset vinkit tekoälyn energiatehokkaampaan käyttöön

Tekoäly on täällä, osana työtämme, vapaa-aikaamme ja arkeamme. Tieto tekoälyn ympäristövaikutuksista voi tuntua raskaalta, mutta se antaa meille myös avaimet toimia toisin. Vaikka suurimmat päästöt syntyvät datakeskuksissa ja mallien koulutuksessa, meillä on sekä organisaatioina että yksilöinä merkittävä rooli energiankulutuksen hallinnassa.

Olemme koonneet tähän konkreettisia vinkkejä, joiden avulla voitte edistää energiatehokkaampaa ja vastuullisempaa tekoälyn käyttöä sekä organisaatiotasolla että jokaisen työntekijän arjessa.

Henkilökohtaisella tasolla kannattaa ottaa seuraavat asiat haltuun: 

1. Kyseenalaista omaa tekoälykäyttöäsi.
   Mieti, onko tekoäly oikea työkalu vai onko yksinkertaisempi parempi. Tarvitsetko todella generatiivisen tekoälyn tähän tehtävään? Muista, että yksi GenAI-kysely kuluttaa moninkertaisesti enemmän energiaa kuin perinteinen Google-haku. Jos etsit yksinkertaista faktaa tai tietoa, perinteinen haku on paitsi nopeampi, myös huomattavasti energiatehokkaampi. 
2. Panosta kehotteeseesi – vältä turhat iteraatiokierrokset.
   Mitä epäselvempi kehotteesi on, sitä useamman kerran joudut tarkentamaan ja ajamaan kyselyn uudelleen. Käytä hetki aikaa laadukkaan ja tarkan kehotteen (prompt) muotoiluun, jotta saat haluamasi tuloksen todennäköisemmin ensimmäisellä yrittämällä.
3. Käytä kevyempää mallia aina kun mahdollista.
   Monet palvelut (kuten ChatGPT tai Claude) tarjoavat ”raskaan” ja ”kevyen” version malleistaan (esim. GPT-4 vs. GPT-3.5). Kevyempi malli on paitsi nopeampi, myös kuluttaa huomattavasti vähemmän energiaa. Jos tehtäväsi on rutiininomainen, kuten tekstin oikoluku tai yksinkertainen tiivistelmä, valitse aina kevyin saatavilla oleva vaihtoehto.
4. Suosi tekstiä ja vältä turhaa kuvien ja videoiden generointia.
   Älä kuorruta esityksiä tai sisältöjä tekoälyllä generoiduilla kuvilla vain koristeeksi. Yhden kuvan tai videon luominen on merkittävästi energiaintensiivisempää kuin tekstin tuottaminen. Jos etsit vain peruskuvitusta, perinteinen kuvapankki on huomattavasti vähäpäästöisempi vaihtoehto.
5. Pyydä vain sen verran kuin tarvitset.
   Älä pyydä kahtakymmentä ideaa, jos tarvitset vain kolme. Älä generoi 1000 sanan esseetä, jos 200 sanan tiivistelmä riittää. Mitä lyhyemmän ja ytimekkäämmän vastauksen pyydät, sitä vähemmän laskentatehoa ja energiaa sen tuottamiseen kuluu.
6. Ajoita raskaat tekoälytyöt ruuhka-aikojen ulkopuolelle.
   Sähköverkon päästöt vaihtelevat valtavasti vuorokaudenajan mukaan. Päivisin ja alkuillasta, kun teollisuus ja kotitaloudet kuluttavat eniten, verkossa on usein enemmän fossiilisilla polttoaineilla tuotettua ”säätövoimaa”. Jos mahdollista, aja raskaat generoinnit (kuten pitkien raporttien analyysit) yöaikaan tai viikonloppuna, jolloin verkon kuormitus on pienempi ja sähkön päästökerroin usein matalampi.
7. Älä ulkoista ajatteluasi tekoälylle.
   Älä ulkoista omaa ajatteluasi, se tuhlaa myös energiaa. Tekoäly on kuitenkin vain työkalu, eikä se korvaa ihmisen ajatustyötä. Lähdekriittisyys ja oman harkinnan käyttäminen säästävät paitsi sinun aikaasi, myös energiaa, kun tekoälyn tuottamia virheellisiä tulkintoja ei tarvitse ajaa ja korjata yhä uudelleen.
8. Joskus lepo ja etäisyys kannattaa.
   Etäisyyden ottaminen saattaa olla esimerkiksi sisällöntuotannon laadun kannalta parempi asia kuin tuottaa valtava massa tekstiä tekoälyllä. Saatat toimia tehokkaammin ja jäsennellymmin itse sisällöntuottajana kun otat etäisyyttä tekemiseen. Tekoäly ei välttämättä korvaa korkeaa laatua työn jäljessä.

Organisaatiotasolla kannattaa ottaa seuraavat asiat haltuun 

1. Myös organisaatiotasolla kannattaa arvioida tekoälyn tarve.
   On hyvä käydä säännöllisiä keskustelun tekoälyn hyödyistä ja haitoista, sekä minkälaisten pulmien ratkaisuun tekoälyä kannattaa käyttää ja mihin ei. Ympäristön kannalta on huono asia, jos raskas generatiivinen tekoäly otetaan käyttöön tehtävään, jonka olisi voinut hoitaa komentosarja tai perinteinen automaatio. Tekoälyn käyttö on perusteltua, kun se tuo lisäarvoa, jota ei muuten saavuteta.
2. Organisaatiolle kannattaa luoda tekoälyn käyttöön sisäinen ohjeistus.
   Oppaan laatimisen lisäksi, kannattaa varmistaa , että henkilöstö koulutetaan sen periaatteisiin, jotta vastuullisuus näkyy käytännön työssä. Vinkkejä voi saada Suomi.fi:n Vastuullisen tekoälyn muistilistasta 
3. Oikean kokoisen kielimallin valinta on kaiken A ja O.
   Selvittäkää, riittäisikö tehtävään (esim. tekstin luokitteluun) pienempi ja optimoitu malli. Pienempien mallien käyttö kuluttaa huomattavasti vähemmän energiaa kuin raskaiden mallien hyödyntäminen.
4. Päästötiedot ja energiatehokkuus tulisi nostaa keskeiseksi kriteeriksi tekoälyhankinnoissa.
   • Päästölaskelmat: Priorisoikaa ratkaisuja, jotka tarjoavat läpinäkyvät, ajantasaiset kulutuslukemat ja hiilijalanjäljen. Nämä luvut voi integroida suoraan organisaationne vastuullisuusraporttiin
   • Palveluntarjoajan datakeskukset: Suosikaa toimittajia, jotka ovat sitoutuneet uusiutuvaan energiaan (kuten tuuli- ja aurinkovoima) ja hyödyntävät hukkalämpöään tehokkaasti vaikka alueen kiinteistöjen lämmitykseen.
5. Organisaatiossa kannattaa panostaa henkilöstön kouluttamiseen. Tekoälykehoitteita (prompting) voi tehdä energiatehokkaasti.
   Jokainen promptaus kuluttaa energiaa. Hyvin suunniteltu ja selkeä kehotus antaa todennäköisemmin oikean vastauksen ensimmäisellä kerralla. Tämä vähentää suoraan kokonaisenergiankulutusta.
6. Muista elinkaarenhallinta tekoälymallien käytössä.
   Tekoälymalleja, rajapintoja tai testiympäristöjä ei kannata jättää pyörimään palvelimille turhaan. Varmistakaa, että vähän käytetyt tai vanhentuneet mallit ajetaan aktiivisesti alas.
7. Käykää jatkuvaa keskustelua ja mitatkaa tekoälyn vastuullisuustavoitteiden toteutumista.
   Asettakaa selvät tavoitteet ja seuratkaa niiden saavuttamista. Jakakaa onnistumisia ja oppeja, jotta vastuullisuudesta tulee kiinteä osa tekoälyn hyödyntämistä.

Loppusanat

Tekoäly on tullut jäädäkseen. Sen lisäksi, että se mullistaa teollisuuden aloja ja asiantuntijatyötä, siitä on tullut arkipäiväinen työkalu meille kaikille. Meidän jokaisen vastuulla on valjastaa se hyötykäyttöön eettisesti.

Kun opimme käyttämään oikean kokoisia työkaluja oikeissa paikoissa, hyötyvät siitä parhaimmillaan kaikki: tekijä, työnantaja, asiakkaat ja käyttäjät. Luonnon kantokyvyn kannalta meidän on hallittava tekoälyn riskejä. Parhaimmillaan voimme kuitenkin hyödyntää sitä taistelussa ilmastonmuutosta vastaan tai keventämään prosesseja, jotka aiemmin kuluttivat luontoa.

Pääsit tämän oppaan myötä kurkistamaan, miten me Hionilla toimimme tekoälyn kanssa ja mihin sitä hyödynnämme: käytämme sitä tarpeeseen, tiedostaen ja halliten.

Ole meihin yhteydessä, jos haluat keskustella tekoälystä enemmän ja valita kanssamme juuri teidän tarpeisiinne sopivat työkalut.

Oppaan kirjoittaja:

Tea Dickman, Design & Sustainability Lead

Tämän oppaan tuotannossa on käytetty Geminiä raakatekstin editointiin ja sujuvoittamiseen, sekä alt-tekstien luontiin.

Opasta varten käytetyn tekoälyn arvioidut päästöt: n. 1,5 gCO2e (Lähde: Google)