Limwowa järjesti LOBRA-hankkeeseen liittyvän aamuseminaarin 13.1.2026. HAMKin tutkijaopettaja Timo Hynninen kertoi TkiÄly-hankkeesta ja siitä, miten GenAI ratkaisuja voi opettaa omalla aineistolla: Tekoäly logistiikassa
TkiÄly -Hankkeessa toteutetaan tietoturvallisen tekoälyn kokeiluja pk-yrityksille. Kokeiluissa voi hyödyntää tekoälyä sellaisten aineistojen käsittelyssä, joita ei yksityisyyden suojaan liittyvien huolien takia haluta kaupallisiin kuluttajatuotteisiin syöttää. Tällaiset aineistot voivat sisältää esimerkiksi liikesalaisuuksia, henkilötietoja tai muita erityistä suojausta vaativia tietoja. Tutustu tarkemmin hankkeeseen ja hae kokeiluun: https://www.hamk.fi/tietoturvallinen-tekoaly-tyon-tekemisen-tueksi-kokeiluja-pk-yrityksille/
Hevonen tilittää katkerana: ”Traktori vei työt!”:
Sen jälkeen Aalto yliopiston tutkija Janne Kilpua saatteli meidät tekoälyagenttien maailmaan. Seminaarin loppuosan käytimme esiintyjien toteuttamien konkreettisten ratkaisuesimerkkien ja kokeilujen äärellä.
Generatiivinen tekoäly ja agenttien tekoäly ovat läheisessä suhteessa, mutta niiden roolit ovat erilaiset. Tiivistettynä voi sanoa, että generatiivinen tekoäly on ”ajattelija” ja agenttien tekoäly on ”toimija”. Näiden suhdetta voi ajatella työpaikka-analogian kautta:
- Generatiivinen tekoäly (esim. kielellinen malli kuten GPT-4) on asiantuntija, joka osaa kirjoittaa, kääntää, analysoida ja ideoida. Se on kuitenkin luonteeltaan reaktiivinen: se vastaa, kun sille syötetään jotain, mutta se ei ”lähde tekemään töitä” itsenäisesti.
- Agenttinen tekoäly on kuin projektipäällikkö tai työntekijä, jolle annetaan tavoite (esim. ”suunnittele loma ja varaa lennot”). Agentti käyttää kielellistä mallia suunnitteluun, mutta se osaa myös käyttää työkaluja (selainta, kalenteria, maksupalveluita) tavoitteen saavuttamiseksi.
Kun puhutaan tämän päivän trendikkäästä ”agenttisesta tekoälystä”, kielellinen malli on sen aivot. Ilman sitä agentti menettää seuraavat kyvyt:
- Luonnollisen kielen ymmärrys: Kyky ottaa vastaan monimutkaisia ohjeita ihmiseltä.
- Päättely ja suunnittelu: Kyky pilkkoa iso tehtävä pienempiin osiin (esim. ”Ensin etsin lennot, sitten vertailen hintoja, sitten tarkistan hotellit”).
- Työkalujen valinta: Kyky päättää, milloin pitää avata Excel ja milloin hakea tietoa Googlesta.
| Ominaisuus | Generatiivinen tekoäly | Agenttien tekoäly |
| Päätehtävä | Sisällön luominen (teksti, kuva) | Tavoitteen saavuttaminen ja toiminta |
| Vuorovaikutus | Keskustelu (Prompt -> Vastaus) | Itsenäinen suorittaminen (Tavoite -> Toiminta) |
| Työkalut | Käyttää vain sisäistä tietoaan | Käyttää ulkoisia ohjelmia, API-rajapintoja |
| Rooli | Konsultti / Kirjoittaja | Autonominen assistentti |
Vaikka agentti voi teknisesti perustua vanhanaikaiseen koodiin ilman kielimallia, modernit ja monipuoliset tekoälyagentit tarvitsevat kielimallin toimiakseen älykkäästi. Kielimalli tarjoaa agentille ”yleissivistyksen” ja loogisen päättelykyvyn, kun taas agenttiympäristö antaa mallille ”kädet ja jalat” toimia maailmassa.
AI-agentit logistiikassa – ei vain hypeä, vaan tekoja
Tekoälystä puhutaan juuri nyt enemmän kuin koskaan. Erityisesti AI-agentit nousevat keskusteluissa esiin – mutta monelle ne näyttäytyvät edelleen abstraktina lupauksena tulevaisuudesta. Logistiikassa ja toimitusketjussa tilanne on toinen: AI-agentit tekevät jo nyt konkreettista työtä.
AI-agentti ei ole vain kielimalli.
Pelkkä ChatGPT tai muu kielimalli ei vielä tee päätöksiä eikä toimi järjestelmissä. AI-agentti sen sijaan yhdistää kielimallin yrityksen dataan, työkaluihin ja järjestelmiin – ja kykenee toimimaan itsenäisesti kohti ennalta määriteltyä tavoitetta. Se voi analysoida dataa, tehdä ehdotuksia, suorittaa tehtäviä ERPissä tai viestiä toimittajien kanssa.
Logistiikka on luonteva ympäristö AI-agenteille.
Toimitusketjuissa yhdistyvät suuret datamäärät, toistuvat päätökset ja jatkuvat poikkeamat. Varastotasot, kysyntäennusteet, ostotilaukset, toimittajaviestintä ja KPI-raportointi ovat esimerkkejä tehtävistä, joissa AI-agentti voi toimia digitaalisena tiimiläisenä – 24/7, johdonmukaisesti ja skaalautuvasti.
Sisälogistiikka on perinteisesti nojannut sääntöpohjaiseen automaatioon (WMS-järjestelmät) ja manuaaliseen valvontaan. Haasteena ja uutena normaalina globaalit toimitusketjujen häiriöt, työvoimapula ja vaatimus yhä nopeammista toimitusajoista. Miten agenttinen tekoäly (Agentic AI) – tekoäly voisi auttaa, Sehän ei vain analysoi dataa, vaan tekee itsenäisiä päätöksiä ja suorittaa tehtäviä tavoitteiden pohjalta.
Siinä missä tavallinen tekoäly ennustaa (esim. ”varasto loppuu pian”), agentti toimii (esim. ”neuvottelen toimittajan kanssa ja tilaan täydennyksen optimaaliseen hintaan”). Agenttinen tekoäly voi tarvittaessa toimia ilman jatkuvaa ihmisen ohjausta, kykenee ratkaisemaan yllättäviä pullonkauloja lennosta. Agentit voivat kommunikoida keskenään (esim. kuljetusagentti ja hyllytysagentti).
Kaikki ei tapahdu kerralla – autonomialla on tasoja.
AI-agentit voidaan ottaa käyttöön vaiheittain. Aluksi agentti voi tehdä päivittäisiä analyysejä ja raportteja (tietotason agentti). Seuraavaksi se voi tehdä ostoehdotuksia tai päivittää järjestelmiä ihmisen valvonnassa. Kehittyneimmillään moniagenttijärjestelmä voi hoitaa kokonaisia vastuualueita, kuten varastonhallintaa, usean erikoistuneen agentin yhteistyönä.
Agentit ovat vain niin hyviä kuin niille syötetty data. Pilotti: Valitse yksi selkeä prosessi (esim. palautusten käsittely tai keräilyreittien optimointi). Miten työntekijät koulutetaan toimimaan agenttien ”esihenkilöinä”.
Arvo syntyy prosessista – ei teknologiasta.
Onnistuneet AI-agenttiratkaisut eivät ala työkalujen valinnasta, vaan liiketoiminnan ongelmasta. Ensin korjataan prosessi, sitten lisätään tekoäly. Nopea pilotti näyttää konkreettisesti, syntyykö aidosti säästöjä, parempaa palvelutasoa tai vähemmän manuaalityötä. Vasta sen jälkeen ratkaisu skaalataan pysyväksi osaksi toimintaa.
AI-agentit eivät korvaa ihmisiä – ne vapauttavat heidät.
Kun rutiinit, analyysit ja järjestelmien välinen “sähköpostijumppa” siirtyvät digitaalisille työntekijöille, ihmisille jää enemmän aikaa päätöksentekoon, kehittämiseen ja asiakastyöhön. Tässä mielessä AI-agentit eivät ole hypeä, vaan yksi seuraava askel tehokkaampaan ja kestävämpään logistiikkaan.
Tilaisuus oli osa Uudenmaan Liiton rahoittamaa LOBRA (Logistiikan laboratoriot) hanketta.
