Karkeistettu kuvaus Claude-rakenteestani. Se on yhdistelmä siviili- ja työtarpeita.
Aloitin reilu viikko sitten uudessa työssä toimituksellisen AI-kehityksen parissa. Uudessa työssä on aina paljon tutustuttavaa – ihmisiä, prosesseja, substanssia. Mutta tekoälyaikana on yksi asia, jonka voi tehdä hieman eri tavalla kuin ennen: rakentaa itselle kontekstin eli tavallaan pysyvän asiayhteyden tai työmuistin, joka on automaattisesti saatavilla joka kerta kun avaat uuden keskustelun. Yhteisesti tekoälylle jaetut ohjeet, ovat ne tallessa sitten koodareiden varastointipalvelu Githubissa, omalla koneella tai muualla, tekevät tuloaan myös mediaan. Kirjoitin aiheesta laajemmin aiemmin tässä blogissa.
En ole tässä mikään megaekspertti. Rakennan samalla kun opin, kokeilen, korjaan ja muutan lähestymistapaa sitä mukaa kun ymmärrys kasvaa. Tämä kirjoitus on siis pikemminkin väliraportti kuin ohje kenellekään. Nyt oli tilaisuus aloittaa tämä aiempien puuhastelujen pohjalta puhtaalta pöydältä, koska työn mukana vaihtuu luonnollisesti myös tekoälylle annettava työn konteksti.
Perusongelma on se, että Claude, kuten useimmat tekoälypalvelut, aloittavat jokaisen keskustelun tyhjästä. Vaikka olisit yleisasetuksiin jotain kuvausta itsestäsi ja toimintatavoistasi laittanut, se ei oikeasti kovinkaan hyvin muista, miten missäkin tilanteessa toimit saati mikä asia jäi mihinkin vaiheeseen. Käy työlääksi selittää konteksti aina alusta osittain tai kokonaan.
Itselleni ratkaisuksi rakensin pysyvän ”muistin” tiedostoihin, jotka Claude saa käyttöönsä automaattisesti aina kun avaat uuden keskustelun. Samalla tästä rakentuu minulle päivittyvä tutustumispaketti uuteen työhön.
Käytän Claudea kahdessa eri ympäristössä, joilla on hieman eri käyttötarkoitus: Claude Desktop on päivittäinen työassistentti, käytännössä Macille lataamani sovellus. Claude Code on teknisempi työkalu koodaamiseen ja mm. automatisointiin, jota voi käyttää myös Desktopin kautta, mutta pidän usein enemmän Pääte- eli terminaalikäyttöliittymästä. Muisti täytyy käytännössä rakentaa molempiin erikseen, koska ne yhdistyvät ulkoisiin palveluihin kuten sähköpostiin, kalenteriin, dokumentteihin tai viestintäkanava Slackiin, hieman eri tavoin ja eri laajuudella. Sisältö on kuitenkin pitkälti sama.
Claude Desktop: työasiat samaan projektiin
Claude Desktop on sovelluskäyttöliittymä, jota käytän päivittäiseen työhön: kirjoittamiseen, suunnitteluun, tiedonhakuun. Siellä muisti rakentuu Projects-ominaisuuden varaan. Loin projektin nimeltään Kaikki työasiat, johon liitin keskeisiä työdokumentteja (tavoitteet, linjaukset, organisaatiomalli, yhteisten työtapojen viitekehys) Project Files -osioon. Project Instructions -kentässä on tiivistetty konteksti: kuka olen, miten haluan vastaukset, mistä Claudeen kytketyistä liittimistä se hakee tietoa tarvittaessa (esim. Slack). Tähän projektiin kytketyt keskustelut saavat siis kontekstin automaattisesti, eikä tarvitse selitellä lähtötilannetta joka kerta uudestaan. Olen nähnyt tätä samaa fiksua työtapaa myös ChatGPT:n kanssa varsinkin ihmisillä, jotka eivät halua käyttää komentorivityökaluja. Lisään tänne projektitiedostoihin myös tietyt taidot eli skillit, vaikka voisin sisällyttää ne myös yleisasetuksiin.
Claude Code: sama asia hieman eri tavalla
Claude Code on komentorivityökalu, joka on periaatteessa suunnattu koodaamiseen ja teknisempiin tehtäviin, mutta sillä voi tehdä käytännössä kaikkea. Desktop-sovelluksen erillinen Cowork-ominaisuus – työkalu ei-kehittäjille tiedostojen ja tehtävien automatisointiin – on jäänyt itselläni käyttämättä, koska huomaan tekeväni samat asiat aina Claude Coden puolella. Siellä muisti toimii CLAUDE.md-nimisen tiedoston kautta, jonka työkalu lataa automaattisesti jokaiseen keskusteluun. Käytännössä siellä on sama sisältö kuin Desktop-projektissa.
Clauden yleisrakenteeni on karkeasti kuvattu tämän blogin lähtökuvassa.
Obsidian muistiinpanoja terävöittämään
Obsidian on muistiinpanosovellus, jossa kaikki tieto tallennetaan tavallisina tekstiä sisältävinä markdown-tiedostoina minun tapauksessani omalle koneelle yhteen kansioon. Pidän siellä omia muistiinpanoja, ideoita ja havaintoja, joita en halua jakaa mihinkään järjestelmään. Claude Code pääsee lukemaan tätä Obsidianin kielellä ”holvia” suoraan koneelta, joten muistiinpanot ovat käytettävissä ilman että niitä tarvitsee kopioida minnekään.
Obsidian ei välttämättä kaikessa työssä tuo kauheasti lisäarvoa, mutta siitä on siviili-Claudessani ollut sen verran apua kokonaisuuksien välisten yhteyksien hahmottamisessa, että olen pitänyt sen käytössä.
Siviilipuolella Obsidian-tiedot päivittyvät automaattisesti Drive-kansiooni. Tällä tavoin voin pyytää halutessani Claudea lisäämään sinne tietoja myös tien päällä ollessani, Clauden kännykkäsovelluksellani.
Työpäiväkirja M365:ssä
Pidän Word-muotoista työpäiväkirjaa Microsoftin pilvipalvelussa (SharePoint), johon pääpiirteissään kirjaan päivän tapahtumat ja ajatukset. Claude Desktop osaa hakea sen suoraan Microsoft 365 -liittimen kautta halutessani. Sama onnistuu Claude Codessa. Käytännössä siis työdokumentit antavat pysyvän kontekstin ja työpäiväkirja tuo mukaan sen mitä on tapahtunut tänään tai tällä viikolla.
Nähtäväksi jää, miten pieteetillä jaksan päivittää työpäiväkirjaa, mutta ainakin alkuvaiheessa aion näin tehdä, ihan oman ajattelunikin jäsentämiseksi.
Päivityslogiikka kuntoon
Claude on ohjeistettu muistuttamaan, jos se keskustelussamme havaitsee tiedon, joka vaikuttaa vanhentuneen. Desktop ja Code voivat lukea samoja tiedostoja, joten päivitys riittää tehdä kerran kunhan huolehtii, että molemmat on ohjattu samaan lähteeseen. Automaattista synkronointia näiden kahden välillä ei ole.
Mitä enemmän tekoälyä käytetään tiimeissä ja organisaatioissa, sitä tärkeämmäksi nousee se, että yhteisesti jaetut dokumentit ovat kunnossa, olivat ne sitten suunnitteludokumentteja, prosessikuvauksia tai muuta.
Tämä sanottua, erilaisista syistä johtuen näiden ohjeiden ajan tasalla pitäminen ei aina ole ihan helppo homma. Usein esimerkiksi tietoturvasyistä on fiksua antaa joillekin liittimille vain lukuoikeus eikä kirjoitusoikeutta, mikä toisaalta voi hidastaa tekemistä, kun et voi sanoa vaikkapa Claudelle suoraan, että lisää sinne-ja-sinne sitä-ja-sitä.
Yksi asia on ollut selvästi ongelma, tai ainakin sekoittanut omaa päätäni. Minulla on erikseen työ-Claude ja siviili-Claude. Siviilipuolella ei ole työasioita, se on selkeä raja, mutta osin nämä menevät ristiin. Toisaalta oma Claudeni on kytketty omaan Driveeni ja omaan Slack-työympäristööni, joihin en työ-Claudea haluaisikaan kytkeä. Jää nähtäväksi, miten näiden kahden Clauden rinnakkaiselo tulee toimimaan. Toistaiseksi ratkaisuna on ollut pitää siviili-Claude joskus auki työkoneen ”kakkosselaimella”, jos sitä satun tarvitsemaan. Samassa Desktop-sovelluksessa ei voi olla kahta profiilia auki yhtä aikaa.
Viikon kokeilujen perusteella tämä rakenne toimii ehkä paremmin kuin odotin sekä Desktopissa että Codessa, mutta se vaatii kurinalaisuutta eli osa tiedoista pitää ajan tasalla itse ja lisätä uutta sitä mukaa kun sitä tulee. Se toki hieman auttaa, jos ohjeistat Claudea muistuttamaan tästä asiasta soveltuvissa kohdissa.
Tapahtuman sessioiden nimiä (kuvitus: Gemini). Olen jäsentänyt 41 sessiota tässä kirjoituksessa seitsemän teeman alle lukemisen helpottamiseksi.
Kolme ihmistä rakentaa journalistista organisaatiota, jolla on heidän lisäkseen kolme nimettyä Claude-agenttia “co-founderina” — kukin omalla roolillaan ja vastuualueellaan (Ryan, Justin, Liz).
Lehti, joka kehitti kolmessa kuukaudessa yli sataa lähdettä automaattisesti seuraavan työkalun toimittajille: RSS-syötteistä somen kautta erilaisiin hallinnon asiakirjoihin. Filosofia työkalun taustalla on “vibe engineering”.
Poliisiradion kaikki keskustelut kulkevat Raspberry Pi -tietokoneen kautta ja systeemi hälyttää Slackiin, jos jotain uutisarvoista tapahtuu.
Voittoa tavoittelemattoman organisaation tutkivat toimittajat löysivät parhaan tekoälytyökalunsa, ja se ei ole tekoälychat, vaan Google Sheets.
Milloin rakentaa tekoälytyökalu itse, milloin ostaa se ulkoa ja milloin olla tekemättä mitään? Tähän löytyy useampikin malli uutismediasta.
Muun muassa nämä esimerkit tulivat vastaan kahden päivän aikana Hacks and Hackers AI × Journalism Summit -tapahtumassa Baltimoressa 13.-14. toukokuuta 2026.
Tapahtuman anti oli sen verran konkreettinen, että päätin purkaa kaikki yli 40 sessiota lyhyesti tähän kirjoitukseen. Ne joissa olin itse mukana tekemässä muistiinpanoja, olen avannut laajemmin. Otsikkoteemoitus on minun, jotta kokonaisuutta olisi helpompi hahmottaa.
Tapahtumaan kokoontui kaikkiaan kolmesataa journalistia, kehittäjää ja median ammattilaista.
TEEMA 1: Milloin ostaa, milloin tehdä itse ja milloin luopua koko ideasta?
SESSIO: Build, Buy, or Ignore: A Framework for Prioritizing AI in News Organizations
Shira Center (Boston Globe Media), Aimee Rinehart (Frontier Collective), Chase Davis (Local Angle), Paris Brown (Baltimore Times)
”Voisiko AI auttaa tässä?”. Jokainen on kuullut tämän kysymyksen organisaatiossaan. Session pointti oli, että kaikille ei voi vastata kyllä, eikä pidäkään. Sessio tarjosi mm. kolmivaiheisen mallin, jonka avulla uutisorganisaatio voi päättää, kannattaako jokin AI-hanke toteuttaa itse, ostaa valmiina tuotteena vai jättää kokonaan väliin. Mallin kolme vaihetta ovat Impact (edistääkö se tavoitteitasi), Risk (miten huonosti käy jos kaikki menisi pieleen) ja Commonality (ovatko muutkin tässä samassa tilanteessa). Hyvä esimerkki medioiden haasteista käytännössä: Boston Globe rakensi 2023 itse Slack-botin otsikkoehdotuksia varten, 2024 markkinoille tuli valmistuotteita jotka tekivät saman asian, ja 2025 Globen julkaisujärjestelmän sisälsi kaikki samat ominaisuudet valmiina.
Omat muistiinpanoni yo. sessioon:
Konkreettisin esimerkki tuli Baltimoresta: piskuinen kolmen hengen paikallislehti rakensi AI-työkalun, joka auttaa toimittajaa etsimään uutisaiheita ja tuottaa artikkeliluonnoksen suoraan julkaisujärjestelmään. Koko työkalu maksoi alle 2 000 dollaria ja ostettiin ulkoiselta kumppanilta, koska se oli käytännössä ainoa vaihtoehto. Kaikki meni hyvin. Panelisti Paris Brownin vinkki oli hyvä: “Testaa jokainen työkalu sillä metodilla, että mikä on pahinta mitä voi tapahtua, jos kaikki menee pieleen. Useimmiten ei kovinkaan pahaa.”
SESSIO: Building Better Products With AI
Aldana Vales (CUNY), Scott Klein, Julia Moak (Greenpointers), Kalle Pirhonen
Olin itse mukana tässä paneelissa osana AI Builders -kurssini lopputyötä sivuavaa keskustelua. Sessio käsitteli sitä, miten tekoälyä voidaan käyttää tuotteiden rakentamiseen tavalla, joka on aidosti hyödyllinen, luotettava ja yleisöjen tarpeisiin vastaava.
SESSIO: Smart, Confident, and Wrong: Designing Responsible A.I. Tools in the Newsroom
Dylan Freedman & James O’Toole (The New York Times)
New York Timesin tuotekehitystiimi purki ongelman, joka on tuttu kaikille tekoälyn kanssa työskenteleville: AI-järjestelmät kuulostavat vakuuttavilta myös silloin, kun ne ovat väärässä. Sessiossa kerrottiin, miten vastuullinen tuote- ja käyttöliittymäsuunnittelu voi auttaa. Käytännön esimerkit tulivat NYT:n omista sisäisistä työkaluista, kuten Cheatsheetistä, jolla käsitellään laajoja datamassoja strukturoidusti.
SESSIO: Are U.S. Journalists Getting Lapped in the AI Race?
Amy Mitchell (Center for News, Technology & Innovation), Akintunde Babatunde (Centre for Journalism Innovation and Development), Gordon Saft (Rest of World)
Sessiossa käsiteltiin tutkimusta, joka vertailee tekoälyn käyttöönottoa uutisorganisaatioissa eri maissa.
SESSIO: The Blueprint for Success: How to Get Buy-In and Build AI Systems That Actually Work
Ryan Struyk (CNN), Heather Ciras McCarthy (Boston Globe), Rubina Fillion (The New York Times), Ole Reissmann (SPIEGEL-Group)
Monet toimitukset kokeilevat tekoälyä, mutta harvat onnistuvat muuttamaan kokeilut järjestelmiksi, joita toimittajat käyttävät paljon ja säännöllisesti. Paneeli käsitteli sitä, miten toimittajat, insinöörit ja tuotejohtajat saadaan samalle aaltopituudelle. Yhteinen teema oli se, ettei pelkkä tekninen toteutus riitä: muutosjohtaminen, luottamuksen rakentaminen ja yhteiset käytännöt ovat yhtä tärkeitä kuin itse työkalut.
TEEMA2: Tekoäly silmäparina — signaaliseuranta ja uutisten löytäminen
Listening at Scale: Building AI Tools for Audio and Video Monitoring
Kaveh Waddell (Verso)
Toimittajat hukkuvat audioon ja videoon, jota he eivät pysty seuraamaan: kaupunginhallitusten kokoukset, poliisiradiot (Yhdysvalloissa), podcastit ja suoratoistosisällöt. Waddell esitteli, miten AI-järjestelmät pystyvät kuuntelemaan ja katsomaan puolestasi. Käytännön esimerkkejä oli kaksi: ensimmäisessä poliisiradiota seurataan Raspberry Pi:llä pyörivällä järjestelmällä, joka litteroi jokaisen puhelun automaattisesti ja lähettää hälytyksen Slack-kanavalle vain silloin, kun jotain uutisarvoista tapahtuu. Toinen esimerkki oli työkalu, joka litteroi kaikki Joe Roganin podcastit tekstuaalisesti etsittävään ja vertailtavaan muotoon.
Omat muistiinpanoni yo. sessioon:
Audio ja video ovat yhä alihyödynnetty kulma media-alalla suhteessa tekoälyyn, mistä puhuttiin myös tässä sessiossa.
Waddell korosti, että poliisiradiotyökalu ei ole täydellinen, mutta se on tarpeeksi hyvä säästämään valtavasti aikaa. Waddell nosti esiin neljä keskeistä kysymystä ennen kuin alkaa rakentamaan tällaista monitorointijärjestelmää: reactive vs. proactive (milloin hälytät), human in the loop (missä kohdassa ihminen on mukana), alert vs. synthesis (yksittäisiä hälytyksiä vai yhteenvetoja) ja transcription vs. native input (käytätkö litteroitua tekstiä vai audiota suoraan syötteenä).
Kiinnostavaa tässä sessiossa: pääsimme kokeilemaan Googlen Opalia, jolla voi agenttisesti luoda sovelluksia. Käyttöliittymä muistuttaa hieman n8n- tai Make-automaatioalustoja. Opalia ei toistaiseksi voi käyttää Suomessa:
Google Opal
Building an AI Tool That Finds News Amid the Noise
Peter Rasmussen & Biswajit Ganguly (The Baltimore Banner)
Baltimore Bannerin News Detector -työkalu syntyi käytännön tarpeesta: toimittajat kävivät päivittäin manuaalisesti läpi kymmeniä ulkoisia lähteitä, ja laajentuminen uusille alueille teki siitä pullonkaulan. Ensimmäinen versio oli karsittu: se skreippasi paikallisia sivustoja, pisteytti aiheet ja lähetti ne toimitukselle Excel-tiedostona sähköpostilla.
Omat muistiinpanoni yo. sessioon:
Amerikkalainen Baltimore Banner rakensi kolmessa kuukaudessa vaikuttavan näköisen uutissignaalien seurantatyökalun, jossa on yli sata lähdettä RSS-syötteistä someen ja skreipattuihin sivustoihin. Sen ytimessä on uutisarvopisteytys, joka pohjautuu ihmisten määrittelemiin uutisarvokategorioihin, joiden täsmäävyyttä päivitetään koko ajan tuoreiden esimerkkien pohjalta. Päivitys tarkoittaa käytännössä sitä, että toimittajat antavat säännöllisesti palautetta työkalun arviointikyvystä (peukku ylös tai alas), mikä parantaa sitä vähitellen.
Rautalankaistettuna työnkulku on tällainen:
1. Kerääminen
Kone käy jatkuvasti läpi yli sataa lähdettä — uutissivustoja, somea (somessa hyödynnetään Apifyta), hallinnon asiakirjoja. Se siivoaa datan yhtenäiseen muotoon.
2. Pisteytys
Jokainen artikkeli tai sisältö menee tekoälyn läpi, joka arvioi, onko siinä vaikuttavuutta, konfliktia tai paikallisuutta ja missä määrin. Tekoäly tekee tulkinnan, mutta varsinainen numero lasketaan sääntöpohjaisella koodilla.
3. Haku ja vastaus
Kun toimittaja kysyy jotakin (kuten ”Mitä tärkeää tapahtui tällä viikolla Baltimoressa?”), järjestelmä hakee relevantin materiaalin kolmella tavalla: hakusanoilla, vektorihaulla ja metadatasuodatuksilla. Sitten se kokoaa vastauksen ja näyttää sen chatissa sekä rikastettuna listauksena vieressä.
Omat ajatukseni:
Sivustojen skreippaamisen eettinen puoli ei näytä Yhdysvalloissa lainkaan vaivaavan mediatoimijoita, tuntuu siltä että kaikki tekevät sitä. Tämä yllätti. Somen osalta Baltimore Bannerin työkalu käyttää Apifytä, jonka kanssa ainakin Euroopassa liikuttaisiin vähintäänkin harmaalla alueella. Asian toinen puoli on se, että usea yhdysvaltalaisemedia näyttää ottaneen uutisseurannan automatisoinnissa isoja harppauksia viimeisen vuoden aikana. Sanoisin, että alkavat olla jo paikoin edellä eurooppalaisia.
Baltimore Bannerin työkalun pääkehittäjä avasi teknistä filosofiaansa toteamalla, että heidän työkalunsa on vibekoodauksen hengessä rakennettu, mutta insinöörityön kurilla strukturoitu järjestelmä. Hän käytti termiä “vibe engineering”. Käytännössä pääkehittäjä vibekoodasi itse esimerkiksi käyttöliittymän työkalulle, vaikka korosti, että ei ole mikään ohjelmointimaailman moniottelija.
Why You Should Use AI to Monitor Local Meetings
Stephen Stirling & Kevin Hoffman (Philadelphia Inquirer)
Yhdysvalloissa on 90 000 paikallishallinnon yksikköä, ja uutismedia seuraa niistä yhä pienempää osaa. Stirling ja Hoffman esittelivät, miten raaka-audio tai -video kaupunginhallituksen kokouksesta muuttuu toimittajan kannalta hyödylliseksi tiedoksi.
Building Sparks: What We Learned Turning 1.2 Million Story Pickups Into an AI-Powered Recommendation Engine
Ken Romano & Cole Carter (Stacker)
Sessiossa kerrottiin, miten Stackerin 1,2 miljoonan jutun arkistoaineistosta rakennettiin AI-pohjainen suosittelumoottori journalisteille.
Building Beat Books From News Archives
Derek Willis (University of Maryland)
Useimpien uutismedioiden arkistot sisältävät paljon sellaista tietoa, jota harva toimittaja koskaan lukee. Willis Marylandin yliopistosta esitteli metodin, jolla tätä tietoa hyödynnetään. ”Beat book” on toimittajakohtainen tietopohja omasta vastuualueesta, koottu AI-avusteisesti arkistosta. Käytäntö toimii myös uusien toimittajien perehdyttämisessä.
TEEMA3: AI yhteistyökumppanina — agentit ja muisti
How a Three-Person Startup Added AI as the Fourth Co-Founder
Justin Bank & Ryan Kellett (The Independent Journalism Atlas)
Independent Journalism Atlas on verifioitu tietokanta yli 1 200 vaikuttaja-journalistista (paremman suomenkielisen vastineen puutteessa käytän tätä), jotka tekevät journalismia perinteisten medioiden ulkopuolella. Startupilla on kolme perustajaa, ja lisäksi kolme muuta “founderia”, jotka ovat Claude-agentteja. Yhtiö julkaisee live-datatuotteita, interaktiivisia visualisointeja ja uutiskirjeitä, joista kaikki hoituvat ihmisen ja tekoälyn yhteistyönä.
Omat muistiinpanoni yo. sessioon:
Tämä sessio oli tapahtuman kiinnostavimmasta päästä. Heillä on kolme nimettyä agenttia: Ryan hoitaa datan puhdistuksen ja metodologian, Justin kehityksen ja visualisoinnit, Liz strategian ja kumppanuudet. Jokainen agentti on saanut roolin, kontekstin ja muistin.
Muistiongelman he ratkaisivat kahdella Markdown-tiedostolla: CURRENT_STATE.md (mitä on tehty, mikä on rikki, mitkä ovat seuraavat askeleet) ja MEMORY.md (miksi tämä on olemassa, mitä päätöksiä on tehty, miltä ”hyvä” näyttää).
Tämä käytäntö herätti kysymyksiä: yrityksen jokainen palaveri, myös 1:1-keskustelut, nauhoitetaan ja litteroidaan Granola-nimisellä ohjelmalla ja viedään tekoälylle .md-tiedostona. ”Me voimme tehdä näin — emme ole suuri media.”
He kertoivat myös suoraan, missä tällainen agenttinen co-founder-malli epäonnistuu: Claude hylkäsi aluksi ruokajournalistit soveltaen ”accountability”-kriteeriä liian kapeasti. Pitkissä sessioissa tulee joskus ongelmia. Kerran Claude ehdotti yrityskauppaa lukemalla “rivien välistä” palaverimuistiinpanoista. Tärkein opetus oli, että tekoälylle on annettava selkeä rooli, ei vain käyttötapauksia referenssiksi.
AI Coding Agents for Investigative Journalism
Nick Hagar (Northwestern University)
Sessiossa käytiin läpi sitä, miten Claude Code muuttuu nopeasta mutta riskialttiista assistentista järjestelmälliseksi yhteistyökumppaniksi. Keskeinen viesti oli, että: arvot kuten ”ole läpinäkyvä” eivät riitä sellaisenaan, vaan ne on kyettävä muuttamaan konkreettisiksi toimintasäännöiksi. Hagarin mielestä hyvä skill sisältää seuraavat asiat (en käännä näitä suomeksi, ettei ajatus katoa käännettäessä): Purpose, Allowed work, Review gates, Preservation rules, Documentation outputs, Claim discipline ja Stop conditions.
A Decentralized Agentic-AI Editorial Board for an International Newsroom
Session osallistujat prototyyppasivat pienryhmissä AI-toimitusrakenteen, jossa eri agentit vastaavat eri osa-alueista, kuten faktantarkistuksesta tai otsikoinnista. (vähän samaan tapaan kuin AI:n johtama uutistoimitus -hanke Suomen Tampereella, mutta)
What’s Your Problem?
Paige Moody (Hacks/Hackers & Big Local News), Jake Kara (Hacks/Hackers Newsroom AI Lab)
Session lähtökohtana oli, että monissa AI-kehitysprojekteissa ratkaistava ongelma on jäänyt epämääräiseksi. Osallistujat harjoittelivat oman ongelmansa terävöittämistä ennen kuin tekoäly otetaan mukaan.
Next-Gen NotebookLM: 9 Bold and Impactful New Things Newsrooms Can Do
Jeremy Caplan (CUNY Newmark Graduate School of Journalism)
Caplan esitteli yhdeksän käyttötapaa, jotka muuttavat NotebookLM:n tiivistämistyökalusta kriittiseksi yhteistyökumppaniksi: ne haastavat lähteitä, paljastavat aukkoja ja testaavat oletuksia sen sijaan, että vain tiivistäisivät sisältöä. NotebookLM:n perusarkkitehtuuri koostuu kolmesta osiosta: Sources (lähteet), Explorer (haku luonnollisella kielellä) ja Studio (tuotosten luominen).
Iso suositus muuten Caplanin Wondertools-uutiskirjeelle!
Omat muistiinpanoni yo. sessioon:
NotebookLM on edelleen alikäytetty työkalu journalismissa. Itselleni se on tuttu, mutta aina uusimmista ominaisuuksista ei ehdi pysyä kärryillä. Caplanin esityksen perusteella on kokeiltava ainakin Data Tablesia, joka muuttaa minkä tahansa lähdemateriaalin taulukkomuotoon. ”Very powerful”, totesi Caplan.
Uusi ominaisuus on myös automaattinen lähteiden järjestäminen, eli jos olet liittänyt työkaluun vaikka 50 lähdettä, tekoäly järjestää ne nyt loogisesti halutessasi. Studio-osion tärkein vinkki oli, että yhä useampaa toimintoa voi nyt räätälöidä itse. “Älä paina nappia suoraan, vaan kustomoi kolmen pisteen takaa, kerro mitä haluat. Lopputuloksessa on iso ero.”.
Spreadsheets, Not Chatbots: How ProPublica Investigates With AI
Aaron Brezel (ProPublica)
”Chatbots are claw machines to pull up stuffed animals. It is not ideal for investigative reporting.” Tämä oli Brezelin lähtökohta: chatbotit ovat arvauskoneita, eivätkä ideaaleja täsmällisyyttä vaativaan työhön.
ProPublicassa tutkiva journalismi tapahtuu jo nyt usein taulukoissa (Google Sheetseissä), jollaisen luotettava käsitteleminen chatbotin kautta on hankala ratkaisu. ProPublican vastaus on Spreadsheet Inference (SSI), jossa Google Sheets kytketään Geminin REST API:iin rivi kerrallaan. Tällöin AI tekee tulkinnan ja deterministiset säännöt laskevat lopputuloksen.
Omat muistiinpanoni yo. sessioon:
Tämä oli harvoja sessioita, joissa oli vaikea pysyä kärryillä, mitä tässä oikein tapahtuukaan. En ollut tietoinen, että Sheetsiin pystyy kytkemään Geminin rajapintaa rivi riviltä. Mutta demotus oli vaikuttava. SSI Toolkit löytyy GitHubista: github.com/propublica/gas-ssi-toolkit/
Brezel heitti heti alkuun erinomaisen pointin: se mikä toimii tekoälyn hyödyntämisessä yhdessä mediassa, ei välttämättä toimi ollenkaan toisessa. Tämä johtuu siitä, että medioilla on eri kohderyhmät, eri tavoitteet ja erilaiset toimintakulttuurit. ProPublica on tutkivaan journalismiin erikoistunut voittoa tuottamaton järjestö, jonka asema mediakentässä on monella tapaa erikoinen. Se ei esimerkiksi pidä juttujaan vain omilla sivuillaan, vaan tekee paljon yhteistyötä.
AI as Your Data Desk Partner
Lauren Malkani (Seven Mile Media) & Nick Harbaugh (X-energy)
Sessiossa näytettiin, miten datasetti muuttuu juttuprototyypiksi Claude Coden avulla luonnollisella kielellä kysymällä.
Make Your Own Personal Coach
Sonya Quick (CalMatters & The Markup)
Quick kertoi, miten rakensi oman AI-valmentajan, joka haastaa hänen omaa ajatteluaan.
Using MCP to Analyze Text and Visualize Data
Hong Qu (Harvard Kennedy School)
Sessio näytti vaihe vaiheelta, miten rakenteistamaton teksti muuttuu taulukoiksi ja lopulta selkeiksi visuaalisiksi tuotoksiksi MCP:n avulla. Metodilla on potentiaalia erityisesti suurten tekstimassojen kuten poliittisten puheiden tai oikeusasiakirjojen systemaattisessa analyysissa.
MCP on eräänlainen tekoälysovellusten USB-portti.
Large Language Mathematicians: Public Records in Record Time
Tyson Bird (American City Business Journals)
American City Business Journals halusi työkalun, joka vinkkaa juttuaiheita julkisista asiakirjoista, mutta törmäsi jatkuvasti laskuvirheisiin. Sessiossa kerrottiin, miten ongelma ratkaistiin yhdistämällä kielimallin tekstinymmärrys deterministiseen laskentaan. Siinä tekoäly tunnistaa relevantit luvut ja kontekstin, mutta varsinainen matematiikka jätetään koodille.
TEEMA5: Rakentaminen ilman perinteistä ohjelmointitaustaa — vibekoodaus (tai kansalaiskoodaus)
Vibe Coding Jam Sessions
Kummankin päivän ohjelmassa oli avoin vibekoodaussessio ilman esitäytettyä esityslistaa: tuo läppäri, kerro mitä rakennat, jaa vinkit. Sessio oli avoinna kaikille, myös niille joilla ei ole perinteistä ohjelmointitaustaa.
From Concept to Code: Building Prototypes & Agents With Google AI
Etan Horowitz (Google)
Googlen sessio tutustutti osallistujat Googlen AI -ekosysteemiin, johon kuuluu mm. NotebookLM, Gemini, Stitch ja Flow. Tarkoituksena oli osoittaa, miten näitä työkaluja voidaan yhdistää uutistyöhön toisiinsa kytkettyinä komponentteina. Erityisesti Flow herätti kiinnostusta osallistujissa.
Rapid AI Prototyping Inside the Minnesota Star Tribune
Frank Bi (The Minnesota Star Tribune)
Kun Minnesota Star Tribune rakensi ensimmäisen yleisölle suunnatun AI-tuotteensa, prosessi vaati ”pirates in the navy” -asenteen. Bi kertoi, miten toimituksen sisällä piti luoda tilaa nopeille kokeiluille ilman, että jokainen askel vaati kymmentä hyväksyntää. Ydinajatus oli, että nopea prototyyppi, joka epäonnistuu, on arvokkaampi kuin pitkä suunnitteluprosessi, joka ei tuota mitään.
Pinpoint: Re-Thinking Our Product for the Age of Generative AI
Yuval Shukroon (Google)
Google Pinpoint on tutkivien toimittajien työkalu suurten dokumenttimäärien analysointiin. Sessiossa Googlen tiimi kertoi, miten he ovat miettineet Pinpointia uudelleen generatiivisen tekoälyn aikakaudella ja miten tuotetta on suunniteltu käyttäjille, joiden tekninen osaaminen vaihtelee suuresti.
Schellmann ja Tuquero esittelivät menetelmiä, joilla toimittajat voivat rakentaa kestävämpää todentamisprosessia tekoälyn ja synteettisen sisällön aikakaudella.
What About the Lawsuits? Copyright Litigation, Bot Scrapers, and the Future of the Open Web
Monika Bauerlein (Center for Investigative Reporting), Kevin Bankston (CDT), Meredith Rose (Public Knowledge)
Muutamat kustantajat ovat nostaneet kanteita tekoäly-yhtiöitä vastaan. Sessio purki, mitä oikeudenkäynneissä on tähän mennessä tapahtunut, mitkä kysymykset ovat avoimia ja miten lopputulos voi vaikuttaa siihen, mitä toimituksissa on sallittua tehdä tekoälyn kanssa.
AI Crawlers and the New Publisher Reality: Lessons From the Newspack Network
Joe Boydston (Newspack), Tracy Becker (Automattic)
Newspack-verkoston keräämä data paljasti, miltä käytännössä näyttää AI-ajan tuoma liikenne uutismedioihin: mitkä bottityypit liikkuvat, milloin ja kuinka paljon. Tieto auttaa kustantajia päättämään, miten reagoida.
Move Fast Without Breaking Trust: Challenges in AI Governance for the Future of News
Paine kokeilla tekoälyä luo jännitettä uutisorganisaatioissa. Sessio purki tätä jännitettä käytännöllisesti: miten rakennetaan prosessit, joissa voidaan liikkua nopeasti menettämättä journalistista luottamusta.
AI Without Losing the Human Touch: Sustaining Mental Muscle in AI-Assisted Journalism
Vania André (The Haitian Times)
Sessio otti esille kysymyksen, jota muut lähestyivät varovaisemmin: mitä tapahtuu kognitiivisille taidoille, kun tekoäly ottaa yhä enemmän perustehtäviä hoitaakseen? André esitteli menetelmiä sille, miten toimitukset voivat säilyttää ihmisen kriittisen ajattelun myös silloin, kun apuvälineitä on käytettävissä enemmän kuin koskaan.
Do We Really Need an AI Use Policy?
Alex Mahadevan (Poynter), Emma Cosgrove (Business Insider)
Poynterin Alex Mahadevan ja Business Insiderin Emma Cosgrove esittelivät skenaarioita, joissa käytäntöjen puuttuminen on johtanut ongelmiin, ja skenaarioita, joissa liian jäykät säännöt ovat estäneet hyödyllisten kokeilujen tekemisen.
Evaluating A.I. in the Newsroom: From Patterns to Benchmarks
Nikita Roy (Newsroom Robots Lab), Duy Nguyen (The New York Times), Teresa Mondría Terol (NPR)
Newsroom Robots Lab, NYT ja NPR esittelivät mittareita, joilla voidaan vertailla eri mallien suorituskykyä toimituksellisissa tehtävissä.
How Law Firms Manage Document-Heavy Investigations, and How Journalists Can Use These Tools
Chris Miles & Aaron Patton (Everlaw)
Tutkivat toimittajat ja asianajajat tekevät samantyyppistä työtä: suuria dokumenttimääriä, tutkimista, seuraamista. Everlaw on lakifirmoille rakennettu dokumenttien tutkimisalusta, ja sessio esitteli miten sen metodeja voidaan tuoda journalistien käyttöön.
TEEMA 7: Yleisöt, sisältö, personointijaliiketoiminta
The Survey That Asks ”One More Thing” (on Purpose)
Patrick Boehler & Madison Karas (Gazzetta)
Perinteiset kyselyt kysyvät ennalta määriteltyjä kysymyksiä. Adaptiiviset kyselyt tekevät jotain muuta: AI seuraa vastausta ja kysyy yhden lisäkysymyksen, joka on relevantti juuri sen ihmisen vastaukselle. Gazzetta on rakentanut tällaisen järjestelmän, ja sessio esitteli miten pienten vakiokysymysten ja AI-ohjatun jatkokyselyn yhdistelmä tuottaa rikkaamman kuvan yleisöstä kuin perinteinen lomake.
Using AI to Customize Content & Connect Readers
Ava Motes (Center for Media Engagement, University of Texas at Austin)
Miten AI voi auttaa toimituksia edistämään terveempää puoluerajat ylittävää vuoropuhelua, rauhoittamaan räyhääviä kommenttiosioita ja tavoittamaan paremmin monimuotoiset yleisöt? UT Austinin Media Engagement Center esitteli tutkimuspohjaisia käytännöllisiä menetelmiä.
From AI Journaling to the Mind Economy: Rethinking How Journalism Understands Human Narratives
Dexiang ”Darren” Gao (HEAUT Foundation)
HEAUT on AI-päiväkirjaalusta, joka muuttaa henkilökohtaisen kirjoittamisen strukturoiduksi tiedoksi. Sessio esitteli ”Mind Economy” -konseptin: henkilökohtaisista narratiiveista tulee tietopääomaa, jota voidaan käyttää journalismin lähdeaineistona.
AI as a Power Assist for Political Accountability Reporting
Chandran Sankaran (Gigafact), Emily Le Coz (Suncoast Searchlight), Kevin Grant (Allbritton Journalism Institute)
Poliitikkojen lausunnot ovat hajallaan ympäri nettiä: Gigafact on rakentanut alustan, joka kokoaa nämä, analysoi ne ja auttaa toimittajia.
Build the News Industry’s AI Business Plan
Richard Lui (MS NOW / CAREGenome), Andy Pergam (Knight Center, ASU)
Sessio haastoi osallistujia rakentamaan käytännöllistä liiketoimintasuunnitelmaa sille, miten uusmedia voi hyödyntää asemaansa sen sijaan, että odottaa yhtiöiden tekevän sen heidän puolestaan.
What’s Possible With Local Models? Building Secure AI Pipelines for Investigative Journalism
Ben Werdmuller & Dana Chiueh (ProPublica)
Paikallisesti pyörivät AI-mallit ratkaisevat yksityisyysongelman, mutta luovat uusia: mitkä mallit toimivat, mihin ne soveltuvat, mitä taitoja tarvitaan? ProPublican tiimi esitteli, miten he ovat rakentaneet turvallisia AI-putkistoja tutkivaan journalismiin paikallisilla malleilla.
Getting the Very, Very Best Out of Archival Audio
Mark Chonofsky (Chicago Public Media)
Chonofsky kertoi, miten he ovat litteroineet WBEZ:n koko äänarkiston tekoälyavusteisesti ja mitä teknisiä haasteita se vaati: äänen valmistelu, puhujien tunnistaminen, erikoistermit, vaihtelevat tallennusolosuhteet.
From Fear to Fluency: Building an AI-Ready Newsroom Culture
Peder Hammerskov (Center for AI at DMJX)
Hammerskov esitteli työtä, jota tanskalaisten uutistoimitusten kanssa on tehty AI-kulttuurin rakentamisessa.
Tunnelma: synkistelystä ei tietoakaan
Loppuun omia mietteitäni. Poikkeuksellisen Hacks and Hackers -tapahtumasta teki tunnelma. Synkistelyä ei ollut lainkaan. Huolipuheen puuttumisen panivat merkille myös tapahtuman järjestäjät loppupuheenvuorossaan: alan murros voidaan nähdä myös mahdollisuutena. Jotain kuvastanee myös tämä AI-kurssikaverini, uutistoimisto AP:n Head of Productin Bryan Davisin ilme=)
Vakavammin ottaen, kaksi havaintoa jäi erityisesti mieleen. Torstaiaamun ryhmäharjoituksessa asetuimme kaikki noin kolmesataa ihmistä isoon rinkiin, ja moni kertoi pyydettäessä avoimista tehtävistä organisaatioissaan. Käden sai nostaa pystyyn, jos koki että pystyy auttamaan joko itse tai vinkkaamaan sopivan rekryn. Virkistävää.
Toinen mieleen jäänyt ajatus on se, että eurooppalaista ja etenkin pohjoismaista tekoälytekemistä arvostetaan täälläkin laajalti. Mutta se täytyy tämän tapahtuman perusteella sanoa, että amerikkalaiset kirivät kovaa, etenkin uutishankinnan automatisoinnin saralla.
Järjestäjät alleviivasivat halunneensa pitää tapahtuman startup-henkisenä, mikä toteutuikin. Asian kääntöpuoli on se, että ensi vuonna tapahtumaan tuskin on saatavilla kovin paljon enemmän lippuja: kun juttelin pääjärjestäjän kanssa, hän totesi, että ei halua kasvattaa tapahtumaa kovin paljon isommaksi, koska tietynlainen ”kotikutoisuus” kärsisi.
PS. Tapahtumalla oli käytössä MCP-yhteys tapahtumaohjelmaan ja jaettuihin muistiinpanoihin, mikä helpotti kovasti omienkin muistiinpanojen täydentämistä Claude Coden avustuksella. Tapahtuman hengessä tallensin kaikki omat muikkarini omaan Obsidian-holviini, joka on koneluettavaan md-tiedostomuotoon materiaaleja pakkaava ilmainen muistiinpano-ohjelma.Näin niiden hyödyntäminen aina jatkossa kaikissa Claude-keskusteluissani on helpompaa.
Tekoälystä on tullut työelämän nopein lupaus. Yksi lupaus on, että ulkoista tylsät rutiinit koneelle ja saat enemmän aikaa ajattelulle.
Näin monesti onkin. Väitän kuitenkin, että todellisuus ei ole ihan mustavalkoinen, vaan osin jopa ristiriitainen. Se aika ei vapaudu automaattisesti, vaan sen eteen täytyy myös tehdä itse töitä.
Haluan alleviivata, että omasta mielestäni järkevin tapa suhtautua tekoälyyn on optimistinen kriittisyys. Ei siis täysin pidäkkeetön hypetys, eikä liioin neliraajajarrutus-tyyppinen torjunta. Optimistisella kriittisyydellä tarkoitan halua ja kykyä etsiä uusia mahdollisuuksia, mutta ymmärtäen samalla riskit ja miten niitä voi ehkäistä.
Optimistisen kriittisyyden hengessä nostan tähän blogikirjoitukseen kolme osittain toisiinsa limittyvää kiinnostavaa teemaa, joita käsitteleviin artikkeleihin olen törmännyt lyhyen ajan sisään.
1. Miten hyödyntää tekoälyä (journalistisessa) työssä siten, että oma ajattelu ei taannu? Kärjistäen: miten välttää “aivokuolema”
Vältä kirjoittamisen ulkoistamista tekoälylle. Kirjoittaminen on ajattelua. Jos ulkoistat sitä liiaksi tekoälylle, et ajattele samalla tavalla kuin kirjoittaessasi. Tietyntyyppisten asioiden luonnostelu tekoälyllä on eri asia. Se voi olla hyvinkin perusteltua ja tarpeellista, ja helpottaa työtä. Ihmisen vastuu on avainasemassa.
Varo lipsahtamasta moodiin, jossa tekoälyn kanssa keskustelemisesta tulee ajattelun korvike. Yksi merkki tästä voi olla, jos huomaat kyseleväsi tekoälyltä yksinkertaisia asioita, jotka ennen olisit ratkonut itse pohtimalla (ja kyllä, olen itsekin sortunut tähän toistuvasti, heh).
Tarkista ja tarvittaessa kyseenalaista tekoälyn vastaukset, vaikka se onkin työlästä. Tarkistaminen pitää ajattelusi terässä. Jos koet, että tekisit koko homman nopeammin ilman tekoälyä, sitten tee niin.
Vältä liiallista automatisointia, vaikka se kuinka houkuttelisi. Toistuvat rutiinit kyllä kannattaa automatisoida.
Säilytä vastuu päätöksistä itselläsi.
Harjoita aktiivisesti omaa ajatteluasi myös ilman tekoälyä. Kuulostaa itsestäänselvältä, mutta esimerkiksi kavereiden/kollegoiden kanssa kasvokkain sparrailu on mitä parasta ajattelun treenaamista.
2. Miten välttää “AI brain fry” eli kognitiivinen ylikuormitus? Toisin sanoen, että homma ei lähde lapasesta…
Lähde: Harvard Business Review’n artikkeli “When Using AI Leads to “Brain Fry”. (5.3.2026). Allaoleva lista on yhdistelmä artikkelin sisältöä ja omaa ajatteluani.
Kiinnitä tietoisesti huomiota siihen, minkä verran kuormitusta ihmiselle tai ihmisille syntyy. Älä ota käyttöön liikaa tekoälytyökaluja tai -prosesseja yhtä aikaa.
Vältä liiallista jatkuvaa valvontaa. Käytä tekoälyä niin, ettei synny liian paljon seurattavaa ja tarkistettavaa.
Hyödynnä tekoälyä etenkin rutiinitöissä. Pyri siirtämään toistuvat ja kuormittavat tehtävät tekoälylle.
Luo selkeät ja realistiset odotukset. Määrittele, mitä tekoälyn käytöllä tavoitellaan ja miten sen pitäisi vaikuttaa työn määrään. Ole suora ja rehellinen.
Keskity vaikutuksiin, älä määrään. Vältä mittaamasta onnistumista sillä, kuinka paljon tekoälyä käytetään, vaan mitä sillä saadaan aikaan.
Satsaa ongelmien jäsentämiseen, priorisointiin, kokonaisuuksien hallintaan.
Tarjoa tukea ja opastusta. Esimerkiksi esihenkilön tuki ja selkeät ohjeet vähentävät kuormitusta.
Sovi yhteiset pelisäännöt ja käytännöt.
Suojele keskittymistä. Vältä tilannetta, jossa työ pirstaloituu jatkuviin keskeytyksiin ja esimerkiksi työkalujen välillä hyppimiseen.
3. Mitä tehdä tilanteessa, jossa tekoäly ei vähennäkään työtä, vaan tekee siitä intensiivisempää?
Lähde: Harvard Business Review’n artikkeli “AI Doesn’t Reduce Work—It Intensifies It”. (9.2.2026). Allaoleva lista on yhdistelmä artikkelin sisältöä ja omaa ajatteluani.
Rajaa tekoälyllä tehtävän työn laajuutta tietoisesti. Älä ota uusia tehtäviä vain siksi, että tekoäly tekee ne mahdollisiksi.
Vältä tekoälyn käytön valumista ainakaan liiallisesti taukoihin ja pieniin vapaa-ajan hetkiin.
Vältä ”multipaskingia” (sic, heh). Keskity yhteen kokonaisuuteen kerrallaan, älä yritä tehdä montaa tekoälyasiaa yhtä aikaa.
Etene vaiheittain. Tee työ selkeissä jaksoissa tai osioissa sen sijaan, että reagoit jatkuvasti uusiin ärsykkeisiin.
Pidä säännöllisiä harkintataukoja. Pysähdy arvioimaan suuntaa.
Säilytä selkeät rajat työn ja vapaa-ajan välillä siinä määrin, kun se sinulle sopii (esim. itse en ole koskaan kaivannut selkeää rajaa näiden välille, mutta rajansa varmaan kaikella). Huolehdi palautumisesta.
Tee työtä myös yhdessä ihmisten kanssa. Keskustelu ja yhteistyö tasapainottavat yksin työskentelyä.
Tunnista kuormituksen kasvu ajoissa. Jos työ lisääntyy huomaamatta, pysähdy ja tarkista tapasi toimia.
Aloitin viime vuonna blogisarjan, jossa summaan tasaisin väliajoin isoja kehityskulkuja niitä taustoittavine lähteineen blogikirjoituksiksi. Viime kesän 12 nostoa löytyvät täältä ja loppuvuoden 14 havaintoa täältä. Tähän kirjoitukseen olen koonnut toimintaympäristöhavaintoja tammi-helmikuulta 2026. Painotus on uutismediassa ja tekoälyssä.
Iso kuva – viisi kysymystä
Alkuvuonna julkaistut tutkimukset, analyysit, uutiset ja muut signaalit media-alalta kertovat, että isot kysymykset pyörivät ainakin näiden viiden teeman ympärillä (selvyyden vuoksi: tulkinta on omani, ei tekoälyn):
Millaiseksi ihmisen ja koneen työnjaon pitäisi oikeastaan muodostua? Onko tekoäly “vain työkalu muiden joukossa” vai onko tämä aikansa elänyt väite, eli onko tästä työnjaosta tulossa jotain muuta?
Miten ihmisten journalistista perusosaamista – hoksaamisesta haastattelutaitoihin – vahvistetaan tekoälyn aikakaudella käytännössä? Mitä muuta se tarkoittaa kuin lisäkoulutusta?
Miten erottuvuutta mietitään medioissa ihan konkreettisesti? Tässä on syytä erottaa toisistaan ainakin sisältöjen kerronta itsessään sekä niin sanottu koneluettava tai rakenteistettu data.
Miten pidetään huolta siitä, että ihmisillä olisi paitsi aikaa myös kykyä kriittiseen ajatteluun tilanteessa, jossa ympärillä on käynnissä valtava muutos?
Tuleeko kokemus tekoälystä jakautumaan jatkossakin epätasaisesti, sekä yleisesti että myös työpaikoilla? Joidenkin mielestä tekoälykehitys on jo nyt AGI-vaiheessa, jossa tekoäly kykenee ymmärtämään, oppimaan ja suorittamaan mitä tahansa älyllistä tehtävää ihmisen tasoisesti tai paremmin. Toiset taas ihmettelevät, kun tekoälyt horisevat yhä vain joutavanpäiväisiä. On epäolennainen kysymys, voivatko molemmat olla totta samaan aikaan. Tärkeää on, pysyykö ihmisten kokemusten epäsuhta aina tällaisena ja mitä asialle on tehtävissä.
Jos nämä kaikki vedetään yhteen, huomataan ainakin se, että ihmisen rooli on jokaisessa kohdassa vielä auki. Tekoäly pakottaa määrittelemään uudelleen, mitä ihminen tekee, missä kohtaa arvoketjua ja miksi.
Edellä mainittuihin viiteen teemaan liittyviä lukuvinkkejä tammi-helmikuulta 2026:
Tekoäly muuttaa hakukoneita – mutta mitä se tarkoittaa medioille? Riippuu siitä, haluatko tulla helposti löydetyksi vai suojella sisältöäsi. Kumpikin voi olla tapauksesta – ja sisällöstä – riippuen perusteltua, mutta kumpaakin on vaikea saada samassa paketissa.
Kokoan tähän kirjoitukseen eri lähteistä kokoamiani pohdintoja siitä, millainen sisältö olisi tämänhetkisen käsityksen mukaan parhaiten suojassa vaikkapa Googlen tekoäly-yhteenvedoilta ja toisaalta, millaiset toimenpiteet nostavat mahdollisuuksia päästä niissä esille mahdollisimman hyvin. Puhutaan siis tekoälyoptimoinnista eli GEO:sta tai jopa AEO:sta eli “hakukoneoptimoinnista vastausmoottoreille”.
Samaan aikaan niin sanotun perushaun optimointiakaan ei voi vielä unohtaa.
Medioille aihe on hankala, sillä tekoälyt käytännössä vähentävät medioille tärkeää liikennettä. Googlen osalta huolestuttavinta tällä hetkellä lienee, että se on ollut tuomassa tekoäly-yhteenvetoja myös Discover-uutissyötteeseen, joka on pitkään ollut perushakua tärkeämpi liikenteenlähde.
ChatGPT:n ja Clauden kaltaisille tekoälypalveluille journalistinen sisältö on tärkeää, sillä niiden siteeraamasta materiaalista jopa 25-50 prosenttia on peräisin uutismediasta.
AI-epäystävällinen sisältö
Kaikki sellainen, mikä on koneelle vaikeinta tiivistää/kopioida/pilkkoa.
Suosi sellaista kerrontaa, jossa näkyy kirjoittajan oma kokemus ja läheisyys aiheeseen (paikalla oleminen, henkilökohtaiset havainnot, yksityiskohtaiset kuvaukset). Kuvaileva, värikäs kieli, sanaleikit, metaforat, monitulkintaisuus – mutta ei toki asiakkaan ymmärryksen kustannuksella. Hollantilainen mediastrategi Piet van Niekerk tiivistää tämän käsitteeseen “emotional proximity”: jos onnistut luomaan sitä, se on vaikeinta tekoälyn kopioida tai tiivistää. Van Niekerk ehdottaa myös edellä kuvatun tyyppisen “pitkähäntäisen” eli hyvin aikaa kestävän sisällön lisäämistä. Toisaalta esimerkiksi aikaa kestävä lifestyle- tai ruokasisältö, tai horoskoopit, näyttäisi ensihavaintojen mukaan kärsivän eniten hakukoneliikenteen vähenemisestä, varmaankin osin koska niiden yhteydessä tekoälytiivistelmät näyttävät harvemmin linkkejä.(linkkien määrä vaihtelee sen mukaan, onko kyse esim. Perplexitystä, ChatGPT:stä tai Googlen tekoäly-yhteenvedoista tai Googlen AI Modesta).
Käytännössä uutispuolella esimerkiksi hetki hetkeltä -seurannat tai pidemmät kuvailevat jutut kuten reportaasit ja featuret voivat olla tällaisia. Mitä uniikimpi ja omaleimaisempi tyyli, sen parempi.
Kiinnostavin fakta tai faktat eivät selkeästi poimittavissa jutun alusta, esim. yhdessä lauseessa. Useampi näkökulma samassa jutussa. Pitkissä jutuissa kronologian rikkominen.
Jutussa olennaisia tietoja muuallakin kuin vain perustekstinä, kuten grafiikassa tai videolla. Useat sisältöelementit aiheuttavat sen, että pelkkä tekstin lukeminen ei anna tekoälylle koko kuvaa (tässäkin toki mietittävä ensisijaisesti asiakkaan käyttökokemusta, ei tekoälyä – itsehän olen sitä mieltä, että valtavat monimediaiset juttupläjäykset turhan usein lähinnä karkottavat lukijan, vaikka toimituksen mielestä hienolta näyttää).
Tekniset toimenpiteet, esimerkiksi tekoälybottien blokkaus, jotta tekoäly-yhtiöt eivät käyttäisi medioiden materiaalia vastikkeetta. Blokkaamisen toimivuudesta ei ole takeita, eikä välttämättä edes maksumuuri pidättele tekoälyjä.
Mieti sisältöjä ja niiden rakennetta siten kuin ne ovat esillä tekoälychäteissä tai esimerkiksi Googlen tekoäly-yhteenvedoissa.
Tässä INMA:n artikkelissa hieman konkretiaa: “Think featured snippets, “people also ask” boxes, or position zero.”
Kaikki sellainen, mikä on koneelle helpointa tiivistää.
Kiinnostavin fakta tai faktat heti selkeästi jutun alussa, esim. yhdessä lauseessa.
Selkeä otsikko ja ingressi, joista jutun pääsisältö käy jo ilmi.
Kaikki oleellinen html-tekstinä, ei esimerkiksi grafiikoihin tai videoihin “piilotettuna”.
Valmiit tiivistelmät jutun yhteydessä, tai juttu itsessään tiivistelmämuodossa.
Listamuotoiset jutut (kuten tämäkin tekemäni tässä nyt).
Nimet, numerot ja muut keskeiset tiedot selkeästi esillä.
Lineaariset aikajanat. Lyhyet kappaleet.
Erillissopimus tekoäly-yhtiöiden kanssa median aineistojen käytöstä saattaa nostaa todennäköisyyttä näkyvyydelle tekoälypalveluissa – tosin päinvastaisiakin havaintoja on.
Tekniset toimenpiteet: metadatan rakentaminen tukemaan em. asioita.
Iso kuva
Suomi on siinä mielessä poikkeus, että täällä monia muita maita isompi osa tulee uutispalveluihin suoraan, joten tekoälyhakujen laajemmat vaikutukset näkyvät meillä viiveellä. Asiantuntijat kehottavatkin toimenpiteisiin, jotka edelleen vahvistavat suoraa liikennettä palveluihin, mikä voi tarkoittaa esimerkiksi uutiskirjeiden tai etusivun ja artikkelinäkymän kehittämistä.
Medioiden suhteessa tekoälyjätteihin on kaikuja sosiaalisen median nousun alkuaikoihin: oli jälkikäteen katsottuna perinteiseltä medialta virhe tehdä liiaksi someen nojautuvaa strategiaa (vrt. Buzzfeed), mutta ei sieltä kokonaankaan voinut tietenkään pois olla. Sama tasapainottelu on edessä nytkin. Se on ainakin selvää, että mediataloissa kannattaa vastuuttaa henkilö tai henkilöitä seuraamaan tätä kehitystä, ei vain liikennetasolla, vaan myös sisältö/aihetasolla, kuten INMA:kin alleviivaa.
En tiedä kuinka monen elämää tällainen vitsaus koskee, mutta ainakin omaani: teen jatkuvasti ja yleensä kännykällä merkintöjä Google-kalenteriini, mikä on näillä nakkisormilla joskus tuskaista nysväystä.
Kuukausimaksullinen Gemini-tilaus mahdollistaa nyt sen, että tekoäly kykenee lisäämään kalenterimerkintöjä kalenteriisi.
Ensin ominaisuus toimi vain selainversiolla, mutta nyt myös kännykkäsovelluksessa, mikä on ainakin omasta vinkkelistäni kätevintä.
Nysväystä se on toki tekoälylle viestinkin näpyttely, mutta sama toimii halutessaan myös äänikomennolla.
Esimerkki Geminin kännykkäsovelluksesta:
Myös Microsoftin Copilotilla pystyy tekemään saman:
Googlen hakukone näyttää käyttäjälleen yhä useammin valmiiksi tiivistettyjä vastauksia. Kehitys kuulostaa ihan kätevältä tiedonhakijalle, mutta uutismedialle se on huolestuttavaa. Moni alan asiantuntija uskoo, että hakukoneliikenne uutismedioihin tulee lähivuosina vähenemään.
Uutismediaan erikoistunut SEO-konsultti Barry Adams kuvailee tulevaa muutosta apokalyptisesti hakukoneliikenteen maailmanlopuksi, ”joka tulee olemaan medialle äärimmäisen kivulias”. Jotain positiivistakin sentään on.
Seuraavassa lyhyesti kahden tuoreimman uudistuksen AI Overviewsin ja AI Moden tiedot ja niiden tilanne Suomessa sekä lisäksi pohdintaa Google Discoverin roolista jatkossa.
Google AI Overviews eli hakutulosten tekoäly-yhteenvedot
Jos tekoäly on käyttäjän mielestä jo tiivistänyt olennaisen, miksi klikata enää uutislinkkiä? Linkkejä kyllä tarjotaan, mutta niitä klikataan vähemmän kuin ennen.
Esimerkiksi brittitabloidi Daily Mailin testissä klikkaukset romahtivat. Daily Mailin SEO-pomo toteaa media-alaa seuraavan Press Gazzetten jutussa, että lehden täytyy keskittyä sisältöön, jota tekoäly ei voi helposti korvata. Tämä tarkoittaa esimerkiksi menestymistä brändihauissa, eli kun joku esimerkiksi etsii tietoa yhdistämällä julkkiksen ja lehden nimen, kuten ”Meghan Markle Daily Mail”. Tällaisissa hauissa ihmiset haluavat juuri kyseisen median version tarinasta.
Daily Mailissa myös pohditaan kolumnien, mielipidekirjoitusten ja liveseurantojen roolin vahvistamista, sillä ne eivät ole tekoäly-yhteenvedoille ideaalia sisältöä.
Tilanne Suomessa
Google otti tekoäly-yhteenvedot käyttöön Suomessa toukokuussa 2025. Et saa niitä välttämättä heti ensimmäisellä yrittämällä näkyviin, sillä ne näkyvät vain osassa hauistasi. Omassa hakuesimerkissäni (alla) yhteenvedon ohessa Google tarjosi linkkiä Keskisuomalaisen juttuun. Yhteenvedot ovat Suomessa niin tuore juttu, että kestää aikansa, ennen kuin niiden vaikutuksista uutisliikenteeseen tiedetään enemmän.
Miltä ne näyttävät?
Google AI Mode eli keskusteleva hakukokemus
Mikä se on?
AI Mode on Googlen uusi hakutila, jossa käyttäjä voi esittää monimutkaisempia kysymyksiä ja saada tekoälyn tuottamia vastauksia, jotka sisältävät syvällisempää analyysiä ja mahdollisuuden jatkokysymyksiin. Toistaiseksi ominaisuus on käytössä vain Yhdysvalloissa.
Miksi tällä on väliä uutismedialle?
AI Mode voi vähentää entisestään tarvetta klikata lähteisiin, sillä se tarjoaa kattavia vastauksia suoraan hakutuloksissa ja on vahvemmin integroitu Googlen palveluihin.
Uutismediaan erikoistunut SEO-konsultti Barry Adams arvioi, että AI Moden vastausten laatu on tekoäly-yhteenvetoja niin paljon parempi, että käyttäjät eivät klikkaa eteenpäin sitäkään vähää. Adamsin Linkedin-postauksessaan näyttämissä esimerkeissä hän on pyytänyt AI Mode -tilassa esimerkiksi tuoreimpia uutisia tai NBA-tuloksia. AI Overviewsin tapaan oikealla näkyy joukko linkkejä medioihin, mutta kieltämättä tekoälyn tarjoama vastaus vaikuttaa sisällöltään runsaammalta ja rakenteeltaan selkeämmältä kuin yhtä pötköä olevat AI Overviews -yhteenvedot. Haut myös jäävät muistiin, jolloin niihin voi palata samaan tapaan kuin ChatGPT:ssä. AI Moden vastaukset tuottaa Googlen tekoälymalli Gemini.
Press Gazetten testissä AI Mode antoi pitkiä vastauksia uutiskyselyihin, ja linkkejä uutismedioiden sivustoille esiintyi hajanaisesti tekstin lomassa. Lisäksi sivupaneelissa näkyi kolme uutissivustoa. Kun haettiin tietoa Press Gazetten omasta uutisesta valeasiantuntijoiden esiintymisestä mediassa, AI Mode linkitti vain sellaisiin julkaisuihin, jotka olivat seuranneet aihetta – ei itse alkuperäiseen lähteeseen.
Tilanne Suomessa
AI Mode on tällä hetkellä saatavilla Yhdysvalloissa. Sen on ennakoitu laajenevan muihin maihin lähitulevaisuudessa, vaikka Google on sanonut kyse olevan ”kokeellisesta” ominaisuudesta.
Miltä se näyttää?
Google Discover on yhä tärkeämpi liikenteenlähde uutismedioille – miten sen käy?
Google Discover ei ole uusi tekoälyominaisuus, vaan jo vuodesta 2018 toiminnassa ollut henkilökohtainen uutisvirta, joka tarjoaa käyttäjälle räätälöityä sisältöä ilman aktiivista hakua. Ominaisuus tuli ensin Android-puhelimien Google- ja Chrome-sovelluksiin ja laajeni myöhemmin iPhoneihin. Google on nyt laajentamassa Discoveria kännyköistä pöytäkonenäkymiin.
Discoverin merkitys liikenteenlähteenä uutismedialle on ollut nousussa myös Suomessa. Liikenteen ennakoiminen on kuitenkin vaikeaa, koska sen algoritmin toiminnasta ei tiedetä kovin paljon.
SEO-konsultti Adams arvioi, että Discoverista tulee tärkein Google-liikenteen lähde valtaosalle uutismediasta, mikä jonkin verran pehmentää uusien tekoälyominaisuuksien tuomaa iskua.
Oma lukunsa on Google News Showcase eli Uutisnostot, jossa Google maksaa myös Suomessa medioille siitä, että ne tarjoavat artikkeleitaan ”Uutisnosto-muodossa”. Uutisnosto-artikkelit voivat näkyä hakutuloksissa, Google Uutiset -uutiskoostimessa (Google News) tai Discoverissa.
This is an English translation of my Finnish post from a few days back.
What can we already say about how generative AI is shaping news media in this year, and what might unfold further into the future? The short-term view is clear, the long-term one is more uncertain. The big question in my opinion is how newsrooms can keep their creativity and uniqueness as AI takes a bigger role.
Technology already enables a wide range of capabilities, but not everything should be pursued merely because it’s possible. Trust is at stake. Look what happened to the Italian newspaper Il Foglio. This does not, of course, mean that you should not experiment.
Some editorial processes appear safer to automate — at least within certain content domains. One of the most advanced experiments so far is the Danish company Better Collective’s football transfer news site, run entirely by AI from start to finish. The content is far from perfect of course but it is an interesting experiment.
An ongoing balancing act
Whether we’re talking about the near future or the long haul, this Ezra Eeman’sstrategic quadrant provides a solid framework. It basically illustrates that this is an ongoing balancing act. When the focus shifts toward automation and AI agents, it inevitably comes at the cost if not of actual control, then at least of the feeling of control within an organization.
Eeman’s visual model on the potential of AI agents in media similarly captures the essence of what’s happening, for example, in the aforementioned Danish case:
Ezra Eeman is the Director of Strategy and Innovation at the Dutch public broadcaster NPO and an AI advisor for WAN-IFRA, the global association of news publishers.
Short-term: 2025
This part we already know — or at least we have insight into what news organizations are planning for this year, and what kinds of outcomes have been shared at various international seminars.
The big picture is outlined in a Reuters Institute survey from January. Two key visuals from the report reveal both what’s happening under the hood and what’s visible to the public.
Many news organizations are either building or have already implemented tools for summarization, translation, content versioning, transcription, SEO, headline generation, audience development, fact-checking, brainstorming, editing, and research. The landscape has diversified dramatically within just one to two years. Initially, AI was mostly used for summarization and translation, but now many of these features have been embedded into newsroom and planning systems where journalists already work every day. Editorial process automation is advancing.
On the audience side, many outlets are experimenting with conversational interfaces. Still, it’s unclear how large an audience truly wants to use such tools specifically for news consumption. This is because these systems require a certain level of activity from the user. And the risks are real: the greatest being if a trustworthy media chatbot ends up delivering false information.
Some foresee a fully hyper-personalized future in which users receive content in the exact format they prefer — automatically — and the traditional ”article” format may even become obsolete. But I wouldn’t bet on this fully yet. The media industry has predicted the death of many formats before (e.g. newspaper reading when radio emerged). Often, old and new end up coexisting. That may well continue to be the case.
Liquid content was one of the recurring themes at the Nordic AI in Media 2025 summit held recently in Denmark. Other themes included:
Reclaiming time for uniquely human journalism – using the hours saved by AI tools to produce work that can’t be copied or automated.
Independence from big tech platforms – building in-house tools and integrating them into newsroom workflows. This doesn’t exclude collaboration with major AI providers.
New business models – a need to move beyond ad- and subscription-only revenue structures.
Cultural change within newsrooms – requiring openness, curiosity, adaptability, and more transparent collaboration between media organizations — even including competitors.
What truly matters?
Amid all the noise, I myself keep coming back to the same thought: the noise itself – and creativity. How do we identify what’s truly essential in the midst of this chaos? It’s a central journalistic question. I genuinely believe AI will eventually save time in meaningful ways, allowing us to focus on what really matters which means the kind of journalism that is unique and the hardest to replicate. But the shift will be slower than many assume.
As Jukka Niittymaa, one of Finland’s most respected AI experts, put it so eloquently in his recent Linkedin post about knowledge work:
”At first, I thought generative AI would free us from the worst time pressures. I no longer believe that. Our tasks are changing, but it was naive to assume human nature would evolve as fast as the technology. If we truly want people to generate ideas that AI can’t hallucinate, we must start valuing time for thinking. But how do we do that in a country where the efficiency of innovation is still often measured in billable hours — even in expert and creative work?”
A screenshot of the list. A scrollable list can be found below, both in English and in Finnish.
The List in English – scrollable horizontally and vertically & with clickable links (works best on computer, not by phone):
The List in Finnish – Finnish examples are highlighted green:
***
What is this list and who am I?
When first published in early 2025, I was asked to do this list in English as well and not just in Finnish, so here you go: in this blog you can find an updating list of GenAI tools and products in media, both in English and in Finnish. My name is Kalle Pirhonen, and as of late May 2026 I’m starting as an Executive Producer, Editorial AI Development at Alma Media, Finland (previously AI producer at Ilta-Sanomat, a Finnish tabloid owned by Sanoma Media Finland).
I am updating this list using several publicly available sources such as press releases from media companies, media industry events, publications, and newsletters, LinkedIn (e.g. Ezra Eeman’s Wayfinder and Martin Schori’s Aftonbladet’s AI Hub Buzz), Nordic AI Journalism network, Wan-Ifra, INMA, Reuters Institute, Thomson Reuters Foundation, JournalismAI website (Case studies), Newsroom Robots podcast etc. In the list I’ve also included media industry value chain placement for the examples and also, whether the example is mostly about text, audio or video.Please note that the dates are clickable links to the source.
I will update the list continuously in this blog post.My apologies if you detect some mistakes – if you notice any or want to tip me about some new great examples or sources for updating this list, please contact me via Linkedin here!
The name of this blog, ”Numeroiden takaa”, means ”Behind numbers” and it deals with the media industry’s operating environment. I’ve written the blog mainly in Finnish since 2017.
Amerikkalaisfuturisti Amy Webbin Future Today -instituutti on julkaissut massiivisen, tänä vuonna tasan 1000-sivuisen 2025 Tech Trends -raportin, jossa käydään läpi teknologian tulevaisuuden suuntaviivoja.
Tiivistän tähän blogiin kaksi osiota, joista toinen liittyy tekoälyn kehitykseen ja toinen uutismediaan.
Tekoälyn kehityksessä raportti nostaa esiin muun muassa nämä kehityskulut:
Tekoäly alkaa toimia kuin käyttöjärjestelmä – suuret kielimallit (LLM) muuttuvat alustoiksi, jotka pyörittävät monia sovelluksia taustalla. Käyttäjän ei tarvitse enää erikseen avata AI-työkalua, vaan se tulee osaksi kaikkea tekemistä (osaksihan näin on jo tapahtunut).
Autonomiset tekoälymallit ottavat enemmän päätäntävaltaa – LAM-mallit (”Large Action Models”) eivät ainoastaan suosittele päätöksiä, vaan alkavat tehdä niitä itsenäisesti. Tämä olisi askel eteenpäin tekoälyagenteista, joiden luominen vaatii ihmiseltä vielä toistaiseksi jonkin verran aktiivisuutta.
Kun Yhdysvallat ja Kiina käyvät “tekoälyn kylmää sotaa”, se vaikuttaa suoraan esimerkiksi teknologiasääntelyyn ja yritysten innovaatioihin.
Uutismedian tulevaisuutta raportti pitää epävarmana. Se ennakoi muun muassa näitä kehityskulkuja:
Journalismi siirtyy yhä enemmän maksumuurien taakse tai lahjoituspohjaiseksi.
Mediatalot joutuvat kehittämään uusia ansaintamalleja, kun somen tuoma liikenne verkkosivuille vähenee (ja on jo vähentynyt). Lisäksi, kun ihmiset lukevat yhä useammin tekoälyn koostamia uutistiivistelmiä tekoälypalveluista tai Googlesta, se vähentää alkuperäisten juttujen klikkauksia.
Faktantarkistus vaatii entistä älykkäämpiä keinoja, koska tekoäly.
Yhä useammat uutismediat tarjoavat tekoälypohjaisen haun ja äänikäyttöliittymien avulla personoituja, keskustelunomaisia kokemuksia, mikä lisää käyttäjien sitoutumista.
Tekoälyn luomat avatarit avaavat uutismedioille uusia jakelukanavia, mikä auttaa kustantajia tavoittamaan uusia yleisöjä ja suojelemaan toimittajia vaarallisilla alueilla.
Esimerkiksi Venezuelassa toimittajat ovat käyttäneet tekoälyavatareja salatakseen henkilöllisyytensä ja raportoidakseen tapahtumista uhkauksista huolimatta.
Perussa puolestaan tekoälyavatareja on käytetty tavoittamaan aliedustettuja ryhmiä: San Marcosin yliopisto kehitti tekoälyuutisankkurin, joka kertoo Tiktokissa uutisia vähemmistökieli ketšuaksi, joka oli aikoinaan inkavaltakunnan pääkieli.
Numeroiden takaa 