Artikkeli
Mitä syntyy, kun laitetaan yhteen Aalto-yliopiston opiskelijoiden osaaminen, julkisen sektorin aidot haasteet sekä uusimmat tekoälytyökalut? 10 opiskelijaa ratkoi kesätyökseen kymmentä julkishallinnolta saatua ongelmaa. Ohjelma näytti miten teknologiamurros muuttaa tapoja, joilla julkinen sektori voi uudistua.
Johtava asiantuntija, Julkisen sektorin tuottavuus -ohjelma
Julkaistu
20.8.2026
Miltä julkisen sektorin tuottavuushaasteet näyttävät arjessa?
Esimerkiksi tältä: Lakisääteinen tehtävä mustata salassa pidettävä tieto julkisista asiakirjoista kuluttaa valtavasti resursseja. Pelkästään poliisissa tarve on miljoonia sivuja vuodessa. Työ on hidasta ja virhealtista.
Tämä oli ongelma, jonka Poliisihallitus antoi opiskelijoiden ratkottavaksi Aalto-ylipiston, tekoäly-yhtiö Lovablen ja Sitran AI-kesätyöohjelmassa (AI Summer Program). Kun suuri osa suomalaisista lomaili, 10 opiskelijaa kehitti ratkaisuja julkishallinnolta saatuihin konkreettisiin haasteisiin.
Ohjelman laajempana tavoitteena oli selvittää, miten julkisen sektorin uudistuminen voi vauhdittua, kun aidot palveluihin ja tuottavuuteen liittyvät haasteet, nuorten poikkitieteellinen osaaminen, ylipistojen tekemä tutkimus ja yritysten teknologia tuodaan yhteen.
Ohjelmaan valituille 10 opiskelijalle tarjottiin kahdeksan viikon mittainen kesätyö. Kesän aikana opiskelijat työskentelivät eri viranomaisen kanssa konkreettisten pullonkaulojen ja haasteiden parissa. Opiskelijat kehittivät ratkaisuja esimerkiksi rutiinitehtävien automatisointiin, asiakasviestinnän selkeyttämiseen ja uusien digitaalisten palvelujen prototyyppien kehittämiseen. Mukana olivat muun muassa Museovirasto, Maahanmuuttovirasto, Opetushallitus, Poliisihallitus, Terveyden ja hyvinvoinnin laitos, Kela ja Traficom.Aalto vastasi ohjelman toteutuksesta ja opiskelijoiden ohjauksesta. Lovable tarjosi tekoälypohjaiset työkalut, joiden avulla palveluja voidaan testata nopeasti käyttäjillä. Sitra rahoitti ohjelman ja toi mukaan asiantuntemusta julkisen sektorin tarpeista ja tuottavuuspotentiaalista.Kesätyöohjelma on osa Sitran laajaa työtä julkisen sektorin tuottavuuden kirittämiseksi.
Ohjelman tuloksista syntyi pelikirja, jonka avulla oppeja voidaan hyödyntää laajastikin. Lisäksi ohjelman toteutuksesta syntyvää toimintamallia voidaan laajentaa myös muihin korkeakouluihin.
Ohjelma herättikin laajempia kysymyksiä. Miten opiskelijoiden ajantasainen osaaminen saadaan nopeammin yhteiskunnan käyttöön? Miten korkeakoulujen, tutkimuksen ja opetuksen on muututtava low code -työkalujen aikakaudella? Miten yritysten teknologia voi vauhdittaa julkisen sektorin uudistumista? Tässä artikkelissa kerromme 5 oppia, jotka ohjelma nosti esiin.
Havainto ei ole enää aivan uusi ja esimerkiksi vibe-koodaamisesta on puhuttu jo tovin. Myös AI-kesätyöohjelma osoitti muutoksen todeksi. Uuden sukupolven työkalut madaltavat teknisen toteutuksen kynnystä radikaalisti. Syvä ohjelmointiosaaminen ei enää kaikissa vaiheissa ole edellytys toimivan ratkaisun rakentamiselle ja testaamiselle.
Ohjelma osoitti, että julkinen sektori voi hyötyä nopeista, matalan riskin data- ja tekoälykokeiluista juuri siksi, että kehittämisen resurssit ovat niukat. Kaikkea ei tarvitse ratkaista raskailla hankkeilla tai vuosien järjestelmäuudistuksilla.
Jos ongelma rajataan oikein, käyttäjät saadaan mukaan ja päätöksenteko on lähellä, lyhyessä ajassa voidaan oppia paljon: mikä toimii, mikä ei toimi ja mitä kannattaisi kehittää seuraavaksi. Suurempi vaikutus syntyy kuitenkin vasta, kun myös organisaatioiden toimintatavat ja johtaminen uudistuvat kokeilujen myötä.
Lisäksi ketterä palvelukehitys juuri opiskelijoiden kanssa voi vahvistaa julkisen sektorin houkuttelevuutta työnantajana. Nuorille julkinen sektori voi parhaimmillaan näyttäytyä paikkana, jossa ei vain hallinnoida nykyistä, vaan rakennetaan parempia palveluja, toimivampaa arkea ja Suomen tulevaisuutta.
Tämä edellyttää kuitenkin, että julkiselle sektorille tuodaan uusia työkaluja, toimintatapoja ja mahdollisuuksia tehdä työtä tavalla, joka tuntuu uudelle sukupolvelle kiinnostavalta ja vaikuttavalta.
Esimerkiksi Aalto-yliopiston opiskelijoilla on ajantasaista, poikkitieteellistä osaamista tekoälystä, datasta, muotoilusta, ohjelmistokehityksestä ja systeemisestä ajattelusta. He tuovat organisaatioiden haasteisiin näkökulmia, joita voi olla sisältäpäin vaikeampi nähdä.
Osaamispääoma uhkaa kuitenkin jäädä työelämän ulkopuolelle. Tilastokeskuksen mukaan 15–24-vuotiaiden nuorten työttömyysaste oli kesäkuussa 2026 22,3 prosenttia. Suomalainen työ ry:n toukokuussa 2026 julkaistun tutkimuksen mukaan 94 prosenttia 16–26-vuotiaista nuorista koki kesätyön saamisen liian vaikeaksi.
Opiskelijoiden työllistymisessä on heidän omien elämien lisäksi kyse Suomen uudistumisesta laajemminkin. Jos ensimmäiset askeleet työelämään jäävät ottamatta tai viivästyvät, menetämme osaamista, toimijuutta ja kykyä uudistaa yhteiskuntaa.
AI-kesätyöohjelman kaltaiset toimintamallit edistävät opiskelijoiden osaamisen nopeampaa siirtymistä esimerkiksi julkisen sektorin hyödyksi. Julkinen sektori voi tarjota nuorille merkityksellisiä haasteita, aitoja asiakasympäristöjä ja väyliä työelämään.
Ohjelma kertoi myös jotakin olennaista Aalto-yliopiston ja korkeakoulujen roolista. Kun tekoäly ja low code -alustat demokratisoivat ratkaisujen rakentamista, innovaatio- ja muotoiluprosessit muuttuvat. Siksi koulutussektorin on päivitettävä ymmärrystään siitä, mitä tulevaisuuden asiantuntijoiden tulee osata: ongelman rajaamista, käyttäjäymmärrystä, vastuullista tekoälyn käyttöä, kokeilevaa rakentamista ja kykyä toimia kompleksisissa toimintaympäristöissä.
Tässä ohjelmassa tutkimuksen rooli oli tärkeä juuri siksi, että se auttaa ymmärtämään, miten muotoiluajattelu, ohjelmistokehitys ja oppiminen muuttuvat tekoälyn aikakaudella. Uusia toimintamalleja on löydettävä myös huippuyliopistoissa entistä nopeammin, jotta koulutus ei vain seuraa työelämän muutosta, vaan auttaa rakentamaan sitä.
Ohjelma vahvisti käsitystä, että julkinen sektori tarvitsee uudistumiseensa yritysten ratkaisuja, teknologiaa ja kykyä tuoda uusia välineitä nopeasti käyttöön. Lovablen kaltaiset työkalut näyttävät, miten ideat voidaan muuttaa nopeasti testattaviksi palveluiksi. Samalla julkinen sektori voi olla yrityksille kasvun ja innovaatioiden alusta – toimintaympäristö, jossa ratkaisut kehittyvät yhteiskunnallisesti merkittäviin tarpeisiin.
Julkisen sektorin on uudistuttava, jotta se kykenee vastaamaan kasvaviin tuottavuuspaineisiin ja tulevaisuuden tarpeisiin. Tähän tarvitaan myös uusia näkökulmia nykyisten rakenteiden ulkopuolelta. Opiskelijat ovat tässä valtava voimavara.
Nuoria osaajia ei siksi pidä nähdä vain tulevaisuuden työvoimana, vaan tämän päivän uudistajina. Suomen uudistumiskyky riippuu siitä, kuinka hyvin saamme tämän osaamispääoman yhteiskunnan käyttöön.
Teknologiamurros avaa mahdollisuuden edetä pienistä parannuksista kohti radikaalimpaa uudistumista. Yksittäinen kokeilu voi olla alku laajemmalle muutokselle, jos sen opit haastavat myös vakiintuneita toimintatapoja, rakenteita ja yhteistyön muotoja.
Sitra vie eteenpäin AI-kesätyöohjelman toimintamallia sekä siitä syntyneitä oppeja uusiin hankkeisiin yhdessä eri kumppanien kanssa. Näin nuorten osaaminen, julkisen sektorin haasteet ja tekoälyekosysteemi voivat yhdessä vahvistaa Suomen kykyä uudistua.
Lue lisää ohjelman opeista Aalto-yliopiston tuottamasta pelikirjasta (englanniksi).
Opetushallituksen Osaamispolku-palvelu auttaa käyttäjiä tunnistamaan vahvuuksiaan ja löytämään koulutus- ja urapolkuja, mutta nuorille palvelu ei näyttäytynyt riittävän houkuttelevana tai ohjaavana. Haasteena oli luoda selkeämpi, motivoivampi ja jatkuvampi palvelukokemus, joka vahvistaa nuoren omaa toimijuutta.
Ratkaisuksi syntyi My Path -ominaisuus, jossa nuori vastaa osaamista ja kiinnostuksia koskeviin kysymyksiin kevyellä, pelillisellä tavalla ja saa semanttisen haun perusteella muutaman ehdotetun suunnan. Ratkaisu rakennettiin matalan kynnyksen käyttökokemukseksi ja sitä testattiin oikealla kohderyhmällä.
Keskeinen oppi oli, että palvelu pitää rajata käyttäjäryhmän todellisten tilanteiden eikä oletusten pohjalta. Nuorille suunnattu ratkaisu ei saa tuntua raskaalta opinto-ohjaukselta, vaan sen pitää sopia heidän arkeensa, kieleensä ja käyttötapoihinsa.
Varhaiskasvatuksen Varda-tietovarannon käyttöliittymä aiheutti erityisesti yksityisille varhaiskasvatuksen toimijoille hankaluuksia. Tietojen syöttäminen oli epäselvää, virheet tulivat näkyviin vasta lähetyksen jälkeen, eikä käyttäjä aina ymmärtänyt, mikä meni pieleen tai miksi.
Alkuperäinen ajatus ulkoisesta tarkistustyökalusta vaihtui käyttäjätutkimuksen jälkeen olemassa olevan käyttöliittymän parantamiseen. Ratkaisuksi syntyi kolme Lovablella rakennettua prototyyppiversiota: ensin nykyistä järjestelmää parantava käyttöliittymä, sitten rakenteellisemmin uudistettu työnkulku ja lopulta vapaampi versio, jossa Vardan nykyiset tekniset ja käyttöliittymärajat eivät ohjanneet suunnittelua.
Keskeinen oppi oli, ettei julkisissa palveluissa useinkaan lähdetä tyhjältä pöydältä. Kun olemassa oleva käyttöliittymä rekonstruoidaan nopeasti kuvakaappausten pohjalta, käyttäjät ja sidosryhmät voivat antaa paljon konkreettisempaa palautetta kuin abstrakteista konsepteista.
Rakennusalalla pääurakoitsijalla on vastuu varmistaa, että ulkomaisella työntekijällä on työnteko-oikeus, mutta tieto ei liiku suoraan ja virallisesti Maahanmuuttovirastolta pääurakoitsijalle. Haaste ei ollut vain tekninen, vaan liittyi käyttäjiin, oikeuksiin, lainsäädäntöön ja siihen, kuka voi jakaa mitäkin tietoa.
Ratkaisuksi syntyi konsepti digitaalisesta oleskelulupakortista, jossa työnteko-oikeuden tieto olisi osa EU:n digitaalista identiteettilompakkoa. Työntekijä voisi itse jakaa puhelimestaan varmennettua ja virallista lupatietoa pääurakoitsijalle.
Keskeinen oppi oli, että kaikki ongelmat eivät ratkea yhdellä sovelluksella. Kun haaste kytkeytyy sääntelyyn, toimialakäytäntöihin ja useisiin käyttäjäryhmiin, tärkein tulos voi olla oikean ongelman ja muutostarpeen tunnistaminen. Tässä tapauksessa ratkaisu ei ollut vain käyttöliittymä, vaan uudenlainen tiedon liikkumisen malli.
Suomen hyvinvointialueet kehittävät ja hankkivat tekoälyratkaisuja osin toisistaan erillään. Kokonaiskuvaa siitä, mitä ratkaisuja on käytössä, kuka niitä toimittaa ja millaisia vaikutuksia niillä on saatavuuteen, kustannusvaikuttavuuteen tai järjestelmän toimintaan, ei ole ollut helposti saatavilla.
Ratkaisuksi syntyi ohjauspaneeli (dashboard), joka kokoaa julkisista lähteistä tietoa hyvinvointialueiden AI-ratkaisuista. Automatisoitu tiedonkeruu hyödyntää esimerkiksi hankintailmoituksia, päätösdokumentteja, laiterekistereitä ja uutisia. Tiedot kootaan tietokantaan ja visualisoidaan katalogiksi.
Keskeinen oppi oli, että ensimmäinen rakennettu versio on usein vasta oppimisen väline. Kun ensimmäinen dataputki osoittautui liian sotkuiseksi, se rakennettiin uudelleen opitun perusteella. Tämä nopeutti myöhempää kehitystä ja osoitti, että nopea kehittäminen toimii parhaiten, kun välillä pysähdytään arvioimaan, onko syntynyt versio kestävä pohja jatkolle vai vasta oppimista varten tehty kokeilu.
THL:n ja Kelan yli 65-vuotiaiden valinnanvapauspilotissa tutkijoilta puuttui tärkeä tieto: kuinka paljon yleislääkäriaikoja yksityiset palveluntuottajat todellisuudessa tarjoavat pilotin käyttöön. Ilman tätä tietoa pilotin vaikutuksia ei voi arvioida kunnolla, sillä käyttömäärä kertoo vain sen, kuinka paljon aikoja varataan – ei sitä, oliko aikoja ylipäätään saatavilla.
Ratkaisuksi syntyi automaattinen järjestelmä, joka tarkistaa kolmen suurimman yksityisen terveyspalvelutoimijan ajanvaraussivut joka yö ja kokoaa saatavilla olevat yleislääkäriajat tietokantaan. Sen päälle rakennettiin ohjauspaneeli (dashboard), jonka avulla tutkijat voivat tarkastella saatavuutta alueittain, ajankohdittain ja palveluntuottajittain.
Keskeinen oppi oli, että AI-työkalut voivat houkutella kehittäään ratkaisuja liian nopeasti. Monimutkaisissa data- ja taustajärjestelmähankkeissa oma ymmärrys, tekninen arkkitehtuuri ja AI-työkalun ymmärrys on rakennettava rinnakkain. Suunnittelu ei hidasta etenemistä, vaan tekee siitä kestävämpää.
Viranomaisten on luovutettava asiakirjoja julkisuuslain mukaisesti, mutta samalla salassa pidettävät tiedot on poistettava oikein. Liiallinen peittäminen rajoittaa julkisuutta, liian vähäinen taas voi paljastaa luottamuksellista tietoa. Työ on hidasta, tarkkaa ja asiantuntijoiden työtaakkaa kuormittavaa.
Ratkaisuksi syntyi AI-avusteinen mustaustyökalu, joka käsittelee PDF-asiakirjoja, ehdottaa arkaluonteisia kohtia, perustelee ehdotukset julkisuuslain pykäläviittauksilla ja antaa käyttäjän tarkistaa, hyväksyä tai muokata merkinnät. Lopputuloksena syntyy sekä mustattu asiakirja, sisäinen merkitty kopio että loki tehdyistä merkinnöistä.
Keskeinen oppi oli, että rajoitetun tai salassa pidettävän datan hankkeissa kehitystä voi viedä eteenpäin myös ilman oikeaa tuotantodataa. AI-generoidut malliasiakirjat mahdollistivat turvallisen kehittämisen ja testaamisen, vaikka ne eivät korvaa todellisella aineistolla tehtävää myöhempää validointia.
Finna-palvelun kautta Museovirastolle saapuu vuosittain yli tuhat aineistokyselyä, jotka päätyvät yhteiseen sähköpostilaatikkoon. Asiantuntijat joutuvat lukemaan viestejä selvittääkseen kenen vastuulle kyselyt kuuluvat, mikä tuottaa turhaa työtä.
Ratkaisuksi syntyi asiantuntijoille suunnattu AI-avusteinen projektinhallinta-alusta. Kyselyt voidaan ohjata oikeille asiantuntijoille, ja AI-avustaja tukee matalan riskin tapausten käsittelyä sekä tekee alustavaa taustatutkimusta vaativampiin kysymyksiin. Asiantuntija saa luonnoksen vastauksesta, lähteet ja tiivistelmän, mutta säilyttää vastuun lopullisesta vastauksesta.
Keskeinen oppi oli, että tekoälyn kanssa kannattaa rakentaa yhteinen työskentelytapa. Kun kehittäjä määrittelee tekoälytyökalulle suunnittelu- ja yhteistyösäännöt, käyttää sitä auditointiin ja haastaa sen oletuksia, tekoäly ei ole vain koodiapuri vaan osa työn organisointia.
Kelan tutkimushankkeiden taloustieto tulee useista järjestelmistä ja erilaisista rahoitussopimuksista. Taloushallinnon asiantuntijat kokoavat tietoa manuaalisesti taulukoihin, mikä on hidasta ja riskialtista. Pienilläkin virheillä voi olla suuria taloudellisia seurauksia.
Ratkaisuksi syntyi työkalu, jota voisi kuvata älykkääksi ja jäljitettäväksi taulukoksi. Se vähentää toistuvaa käsityötä tulkitsemalla Kelassa jo syntyviä dokumentteja deterministisesti niin, että jokainen luku voidaan jäljittää alkuperäiseen lähteeseen. Työkalu auttaa seuraamaan hankkeiden budjetteja, tutkijoiden kohdentumista ja rahoituksen jakautumista sekä kokoamaan laskutusaineistoa rahoittajille.
Keskeinen oppi oli, että palvelujen kehittämisen demokratisointi ei tarkoita vain opiskelijan nopeaa prototypointia. Kun myös organisaation omat asiantuntijat pääsevät rakentamaan tai kokeilemaan tekoälytyökaluilla, heidän tarpeensa, oletuksensa ja kipupisteensä tulevat näkyviin. Tämä lisää omistajuutta ja helpottaa mahdollista jatkokehitystä.
Traficomin alkuperäinen haaste liittyi tekoälyavusteiseen analytiikkapalveluun, joka kokoaisi ja tulkitsisi ajantasaista tietoa vaikuttavaksi analyysiksi. Työn aikana haaste tarkentui kahteen käyttäjäryhmään: ulkoisiin käyttäjiin, joille Traficomin tilastosivuston käyttö oli vaikeaa, ja sisäisiin asiantuntijoihin, joiden raportointityötä voisi automatisoida.
Ratkaisuksi syntyi hakukone ja parannettu käyttöliittymä Traficomin tilastosivuille sekä raportinrakennustyökalu. Ulkoisille käyttäjille ratkaisu tarjoaa helpompia polkuja oikeisiin aineistoihin ja valmiiksi laskettuja linkkejä tai raportteja. Sisäisesti työkalu tukee tilasto- ja tilannekuva-analyysien laatimista annetuista lähteistä.
Keskeinen oppi oli, että sidosryhmät on tunnistettava heti alussa. Ulkopuolinen kehittäjä ei tunne organisaation sisäisiä rakenteita, joten ilman valmiiksi koottua poikkitoiminnallista tiimiä suuri osa ajasta voi kulua oikeiden ihmisten etsimiseen. Lisäksi numeerisessa raportoinnissa opittiin, että laskenta kannattaa erottaa LLM-pohjaisesta tekstin tuottamisesta deterministisiin, tarkistettaviin koodiajoihin.
Opetushallituksen haasteessa oli kaksi puolta. Ensinnäkin aktiivisia tai tulevia tutkinnon osia on tuhansia, ja niissä voi olla päällekkäisyyksiä esimerkiksi myynnin, johtamisen tai asiakaspalvelun teemoissa. Päällekkäisyyksiä on vaikea havaita ilman manuaalista vertailua. Toiseksi muuttuva työelämä lisää tarvetta mikro-osaamisille, mutta nykyiset järjestelmärajat eivät tue niitä riittävästi.
Ratkaisuksi syntyi kaksi työkalua. Ensimmäinen on OPH:n sisäiseen käyttöön tarkoitettu vertailutyökalu, jolla käyttäjä voi hakea ja valita tutkinnon osia, muodostaa automaattisesti vertailupareja ja tarkastella eroja aina sanatasolle asti. Toinen on proof of concept -ratkaisu mikro-osaamisten muodostamiseen tilanteessa, jossa vanhat järjestelmärajat eivät ohjaisi suunnittelua.
Keskeinen oppi oli, että monialainen opiskelijakohortti on itsessään resurssi. Vaikka jokainen työskenteli oman haasteensa parissa, muut opiskelijat toivat osaamista esimerkiksi koneoppimisesta, käyttäjätestauksesta, käyttöliittymistä ja palautteenannosta. Yksin rakennettu projekti ei todellisuudessa ollut yksin tehty.