Keskustelevan tekoälyn hyväksyminen taloushallinnon asiantuntijoiden näkökulmasta

Liida Kumpulainen KESKUSTELEVAN TEKOÄLYN HYVÄKSYMINEN TALOUSHALLINNON ASIANTUNTIJOIDEN NÄKÖKULMASTA JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 2024 TIIVISTELMÄ Kumpulainen, Liida Keskustelevan tekoälyn hyväksyminen taloushallinnon asiantuntijoiden näkökulmasta Jyväskylä: Jyväskylän yliopisto, 2024, 120 s. Tietojärjestelmätiede, pro gradu -tutkielma Ohjaaja(t): Lumivalo, Juuli & Riekkinen, Janne Keskustelevien tekoälysovelluksien, kuten ChatGPT:n, Copilotin ja Geminin, laaja-alaiset toiminnallisuudet mahdollistavat niiden monipuolisen käytön eri aloilla sekä tehtävissä esimerkiksi koulutuksessa, tutkimustyössä, taiteessa sekä tietotyössä. Taloushallinnon kontekstissa sovellusten kyky käsitellä tekstipohjaisia tehtäviä tekee niistä hyödyllisiä työkaluja yhteenvetojen luomisessa, asiakasviestinnässä ja monimutkaisten säädösten selventämisessä. Tulevaisuudessa keskustelevilla tekoälysovelluksilla uskotaan olevan entistä suurempi potentiaali myös monimutkaisempien tehtävien hoitamiseen. Tässä tutkielmassa tutkittiin keskustelevan tekoälyn ja taloushallinnon asiantuntijoiden välistä suhdetta osana työtehtävien suorittamista. Tutkimuksen tavoitteena oli saavuttaa laajempi ymmärrys keskustelevan tekoälyn hyödynnettävyyden yleisyydestä sekä siitä, millaiset tekijät vaikuttavat merkittävimmin keskustelevan tekoälyn hyväksymiseen taloushallinnon alalla Suomessa. Tutkielman teoreettisena viitekehyksenä hyödynnettiin UTAUT- viitekehystä, joka on kehitetty erityisesti teknologian hyväksymisen ja käytön tutkimiseen organisaatioympäristössä. Tutkimus toteutettiin hyödyntäen määrällistä tutkimusmenetelmää ja tutkimuksen tiedonkeruumenetelmänä käytettiin vakioitua, viitekehyksen pohjalta johdettua sähköistä kyselylomaketta, joka osoitettiin ositettua otantamenetelmää hyödyntäen taloushallinnon asiantuntijoille. Kerättyä tutkimusaineistoa analysoitiin hyödyntäen muun muassa korrelaatioanalyysia sekä lineaarista regressioanalyysiä. Tutkimuksen tulokset osoittivat, että suurin osa taloushallinnon alan ammattilaisista hyödyntää keskustelevaa tekoälysovellusta työssään vähintään harvoin ja sovellus koetaan hyödyllisesti erityisesti käännöstehtäviin sekä ideointiin. Merkittävimmin keskustelevan tekoälysovelluksen hyväksyntään sekä käyttöaikomukseen vaikuttivat saatujen tuloksien perusteella asenne käyttöä kohtaan sekä suorituskykyodotukset. Tutkimuksen kautta saatiin arvokasta tietoa keskustelevan tekoälyn kehitystarpeista ja käyttöönoton tehostamisesta taloushallinnon alalla. Keskustelevan tekoälysovelluksen käyttöönotto edellyttää kuitenkin tietoturvaa koskevien näkökulmien huomioon ottamisen yritystasolla, jotta käyttöön liittyvät riskit voidaan minimoida. Asiasanat: keskusteleva tekoäly, taloushallinto, teknologian hyväksyminen ABSTRACT Kumpulainen, Liida Acceptance of conversational artificial intelligence from the perspective of financial management experts Jyväskylä: University of Jyväskylä, 2024, 120 pp. Information Systems, Master’s Thesis Supervisor(s): Lumivalo, Juuli & Riekkinen, Janne The wide range of functionalities of conversational artificial intelligence (AI) applications such as ChatGPT, Copilot and Gemini allow them to be used in a variety of fields and tasks such as education, research, art, and knowledge work. In the context of financial management, their ability to handle text-based tasks makes them useful tools for creating summaries, communicating with customers, and clarifying complex regulations. In the future conversational AI applications are expected to have an even greater potential to handle more complex tasks. In this thesis, the relationship between conversational AI and financial management experts as part of task execution was investigated. The aim of the study was to achieve a broader understanding of the prevalence of the usability of conversational AI, as well as which factors most significantly influence the acceptance of conversational AI in the field of financial management in Finland. UTAUT framework, which was specifically developed for the study of technology acceptance and use in organizational environments, was utilized as the theoretical framework of the thesis. The study was conducted using a quantitative research method, and data collection was carried out using standardized questionnaire derived from the theoretical framework. The questionnaire was distributed to financial management experts utilizing a stratified sampling method. The collected data was analyzed using, among other methods, correlation analysis and linear regression analysis. The results of the study demonstrated that most professionals in the field utilize conversational AI applications in their work at least occasionally, and the application is found to be particularly useful for translation tasks and brainstorming. The results indicate that attitude towards use and performance expectations most significantly influenced the acceptance and intention to use conversational AI. Through the study, valuable information was obtained about the development needs and the enhancement of implementation of conversational AI in the field of financial management. However, the implementation of conversational AI application requires the consideration of data security perspectives at the corporate level to minimize risks associated with its use. Keywords: conversational artificial intelligence, financial management, technology acceptance KUVIOT KUVIO 1 Tekoälytyypit (Kaplan & Haenlein, 2019, s. 16) ..................................... 17 KUVIO 2 Tekoälytyypit tehokkaan tekoälyn rakentamiseen (Sarker, 2022, s. 3)18 KUVIO 3 Koneoppimisen sekä syväoppimisen asema osana tekoälyä (Sarker, 2022, s. 4) ....................................................................................................................... 19 KUVIO 4 UTAUT-viitekehys (Venkatesh ym., 2003, s. 447) ................................. 32 KUVIO 5 UTAUT-viitekehyksen tekijät tekoälykontekstissa (Venkatesh, 2022, s. 645) ................................................................................................................................. 43 KUVIO 6 Sirontakuvio suorituskykyodotuksien, asenne käyttöä kohtaan ja käyttöaikomuksen välisistä yhteyksistä ................................................................... 77 KUVIO 7 Sirontakuvio vaivattomuuden odotuksien, sosiaalisen vaikutuksen, käyttöä edistävien olosuhteiden ja käyttöaikomuksen välisistä yhteyksistä ..... 78 TAULUKOT TAULUKKO 1 Teknologian hyväksymistä käsittelevät teoriat luokitellusti (Momani ym., 2017, s. 10; Momani, 2020, s. 91) ...................................................... 25 TAULUKKO 2 Yhteenveto käsiteltyjen viitekehyksien keskeisistä tekijöistä .... 30 TAULUKKO 3 Ominaisuuksien vaikutukset UTAUT-viitekehyksen tekijöihin (Venkatesh ym., 2003, s. 468) ..................................................................................... 35 TAULUKKO 4 Auktorisoitujen tilitoimistojen suhteellinen jakautuminen henkilöstömäärän mukaan verrattuna otannan jakautumiseen ........................... 50 TAULUKKO 5 Vastaajat ikäryhmittäin.................................................................... 60 TAULUKKO 6 Vastaajien sukupuolijakauma ......................................................... 60 TAULUKKO 7 Vastaajien kokemusvuodet taloushallinnon työtehtävistä ........ 61 TAULUKKO 8 Jakauma työnantajaorganisaation henkilöstömäärän mukaan . 61 TAULUKKO 9 Vastaajien jakauma keskustelevan tekoälysovelluksen hyödyntämisen toistuvuuden osalta ........................................................................ 61 TAULUKKO 10 Vastaajien jakauma käytettävän keskustelevan tekoälysovellustyypin osalta ...................................................................................... 62 TAULUKKO 11 Keskustelevan tekoälyn hyödyntämisen toistuvuus ikäryhmittäin ................................................................................................................ 63 TAULUKKO 12 Keskustelevan tekoälyn hyödyntämisen toistuvuus sukupuolen mukaan .......................................................................................................................... 64 TAULUKKO 13 Keskustelevan tekoälyn hyödyntämisen toistuvuus työkokemuksen mukaan ............................................................................................ 64 TAULUKKO 14 Keskustelevan tekoälyn hyödyntämisen toistuvuus työnantajaorganisaation henkilöstömäärän mukaan ............................................. 65 TAULUKKO 15 Hyödynnettävä keskusteleva tekoälytyyppi työnantajaorganisaation henkilöstömäärän mukaan ............................................. 66 TAULUKKO 16 Hyödynnettävä keskusteleva tekoälytyyppi henkilöstömäärän mukaan huomioiden vain sovellusta hyödyntävät vastaajat ............................... 67 TAULUKKO 17 Keskiarvo, keskihajonta sekä sisäinen yhdenmukaisuus väittämäkokonaisuuksista .......................................................................................... 68 TAULUKKO 18 Frekvenssi, keskiarvo sekä keskihajonta suorituskykyodotuksista ............................................................................................ 69 TAULUKKO 19 Frekvenssi, keskiarvo sekä keskihajonta vaivattomuuden odotuksista .................................................................................................................... 70 TAULUKKO 20 Frekvenssi, keskiarvo sekä keskihajonta sosiaalisesta vaikutuksesta ................................................................................................................ 71 TAULUKKO 21 Frekvenssi, keskiarvo sekä keskihajonta käyttöä edistävistä olosuhteista ................................................................................................................... 72 TAULUKKO 22 Frekvenssi, keskiarvo sekä keskihajonta asenteesta käyttöä kohtaan .......................................................................................................................... 73 TAULUKKO 23 Frekvenssi, keskiarvo sekä keskihajonta aikomuksesta järjestelmän käyttämiseen .......................................................................................... 74 TAULUKKO 24 UTAUT-viitekehyksen tekijöiden suhde käyttöaikomukseen. 76 TAULUKKO 25 Todellisen käytön keskiarvo käyttöaikomuksen mukaan ........ 79 TAULUKKO 26 Käyttöaikomuksen ja todellisen käytön välinen suhde ............ 80 TAULUKKO 27 Yksilön sukupuolen suhde UTAUT-viitekehyksen tekijöihin . 81 TAULUKKO 28 Yksilön iän suhde UTAUT-viitekehyksen tekijöihin ................ 82 TAULUKKO 29 Yksilön taloushallinnon alan työkokemuksen suhde UTAUT- viitekehyksen tekijöihin .............................................................................................. 82 TAULUKKO 30 Yksilön työnantajaorganisaation henkilöstömäärän suhde UTAUT-viitekehyksen tekijöihin .............................................................................. 83 TAULUKKO 31 Lineaarinen regressioanalyysi, jossa selitettävänä muuttujana käyttöaikomus .............................................................................................................. 84 TAULUKKO 32 Lineaarinen regressioanalyysi, jossa selitettävänä muuttujana varsinainen käyttö ....................................................................................................... 86 TAULUKKO 33 Hypoteesien vahvistaminen ......................................................... 87 SISÄLLYS TIIVISTELMÄ ABSTRACT KUVIOT JA TAULUKOT 1 JOHDANTO ........................................................................................................... 8 1.1 Tutkimuksen tavoitteet, tutkimuskysymys sekä toteutettu tutkimus . 9 1.2 Tutkielman rakenne sekä toteutettu kirjallisuuskatsaus ..................... 10 2 KESKUSTELEVA TEKOÄLY ............................................................................ 12 2.1 Tekoälyn määritelmä ................................................................................. 12 2.2 Tekoälyn historia ja tulevaisuus .............................................................. 14 2.3 Tekoälytyypit ja tekniikat tekoälyn taustalla......................................... 16 2.4 Keskustelevan tekoälyn kehittyminen ................................................... 20 2.5 Keskustelevan tekoälyn vaikutukset yhteiskuntaan ............................ 22 3 TEKNOLOGIAN HYVÄKSYMINEN JA KÄYTTÖÖNOTTO ..................... 24 3.1 Teknologian hyväksymistä ja käyttöä käsitteleviä viitekehyksiä ....... 25 3.1.1 Theory of Reasoned Action (TRA) ................................................. 25 3.1.2 Technology Acceptance Model (TAM) ......................................... 26 3.1.3 Innovation Diffusion Theory (IDT) ............................................... 27 3.1.4 Model of PC Utilization (MPCU) ................................................... 27 3.1.5 Theory of Planned Behavior (TPB) ................................................ 28 3.1.6 Motivational Model (MM) .............................................................. 28 3.1.7 Combined TAM and TPB (C-TAM-TPB) ...................................... 29 3.1.8 Social Cognitive Theory (SCT) ....................................................... 29 3.1.9 Yhteenveto viitekehyksien tekijöistä ............................................. 30 3.2 Unified Theory of Acceptance and Use of Technology (UTAUT) ...... 31 3.2.1 Suorituskykyodotukset ................................................................... 32 3.2.2 Vaivattomuuden odotukset ............................................................ 33 3.2.3 Sosiaalinen vaikutus ........................................................................ 33 3.2.4 Käyttöä edistävät olosuhteet .......................................................... 33 3.2.5 Yksilön ominaisuudet ...................................................................... 34 3.2.6 Viitekehyksen hyödyt ja rajoitteet ................................................. 35 4 KESKUSTELEVAN TEKOÄLYN HYVÄKSYMINEN TALOUSHALLINNON ALALLA ............................................................................. 37 4.1 Keskustelevan tekoälyn hyödynnettävyys taloushallinnon alalla ..... 37 4.2 Aikaisempi tutkimus keskustelevan tekoälyn hyväksymisestä ja käytöstä ....................................................................................................... 39 4.3 UTAUT-viitekehyksen sovellettavuus tekoälykontekstiin ................. 41 4.4 Yhteenveto tutkimuksen lähtökohdista ................................................. 43 5 TUTKIMUSMENETELMÄ ................................................................................ 45 5.1 Tutkimusmenetelmä ................................................................................. 45 5.2 Tutkimuksen hypoteesit ........................................................................... 47 5.3 Tutkimuksen perusjoukko ja otos ........................................................... 48 5.4 Tiedonkeruumenetelmä ja tutkimusaineiston kerääminen ................. 50 5.5 Tutkimusaineiston analyysi ..................................................................... 53 5.6 Tutkimuksen luotettavuus ....................................................................... 56 5.6.1 Validiteetti ......................................................................................... 56 5.6.2 Reliabiliteetti ..................................................................................... 57 6 TUTKIMUSTULOKSET ..................................................................................... 59 6.1 Taustatiedot ................................................................................................ 59 6.2 Taustatekijöiden vaikutus keskustelevan tekoälysovelluksen käytön toistuvuuteen .............................................................................................. 62 6.3 Tulokset laajennetun UTAUT-viitekehyksen tekijöistä ....................... 67 6.3.1 Suorituskykyodotukset ................................................................... 68 6.3.2 Vaivattomuuden odotukset ............................................................ 70 6.3.3 Sosiaalinen vaikutus ........................................................................ 71 6.3.4 Käyttöä edistävät olosuhteet .......................................................... 72 6.3.5 Asenne käyttöä kohtaan .................................................................. 73 6.3.6 Aikomus järjestelmän käyttämiseen .............................................. 74 6.4 Viitekehyksen tekijöiden suhde käyttöaikomukseen ........................... 75 6.5 Käyttöaikomuksen suhde keskustelevan tekoälysovelluksen varsinaiseen käyttöön ............................................................................... 79 6.6 Vastaajan ominaisuuksien vaikutus viitekehyksen tekijöihin ............ 80 6.7 Lineaarinen regressioanalyysi ................................................................. 83 6.8 Tutkimuksen hypoteesit ........................................................................... 87 7 JOHTOPÄÄTÖKSET JA POHDINTA.............................................................. 91 7.1 Yhteenveto tutkimustuloksista ................................................................ 91 7.2 Johtopäätökset tutkimustuloksista .......................................................... 96 7.3 Tutkimuksen tieteellinen ja käytännön kontribuutio ........................... 97 7.4 Tutkimuksen kokonaisluotettavuus ....................................................... 99 7.5 Jatkotutkimusmahdollisuudet ............................................................... 102 LÄHTEET .................................................................................................................... 104 LIITE 1 UTAUT-VIITEKEHYKSEN ALKUPERÄISET VÄITTÄMÄT ................ 111 LIITE 2 TUTKIELMAN KYSELYLOMAKE ............................................................ 112 LIITE 3 SÄHKÖPOSTIVIESTIN SAATEKIRJE TUTKIMUKSESTA ................... 115 LIITE 4 SOSIAALISEEN MEDIAAN JULKAISTU SAATEVIESTI TUTKIMUKSESTA ..................................................................................................... 116 LIITE 5 TUTKIMUKSEN TIEDOTE JA TIETOSUOJALIITE ................................ 117 Tekoälyala on ollut nousujohteinen jo pidemmän aikaa ja alan kuvataan olevan yksi kiinnostavimmista sekä nopeimmin kasvavista aloista, sillä tekoälybisnes tuottaa jo yli biljoona dollaria vuodessa (Russell ym., 2022, s. 19). Aikaisemmin tekoälyä on hyödynnetty hieman taka-alalla esimerkiksi kuluttajasekä yritysohjelmistojen algoritmien parantamiseen, mutta hiljalleen tekoäly on levittäytynyt paremmin suuren yleisön nähtäville muun muassa älykkäiden assistenttisovellusten sekä itseohjautuvien autojen myötä (Ritala, Ruokonen & Ramaul, 2024, s. 214). Tekoälyalan nousujohteesta huolimatta luonnollisen kielen ymmärtäminen sekä tuottaminen koettiin pitkään haastavaksi ongelmaksi alalla johtuen ihmisen kielen monimutkaisuudesta. Merkittävä läpimurto tekoälyalalla tapahtui kuitenkin GPT-kielimallien (Generative Pre-trained Transformer) kehittämisen ja lanseerauksen myötä, mikä edelleen avaa uusia mahdollisuuksia monimutkaisten kielellisten haasteiden ratkaisemiseksi tulevaisuudessa. (Yenduri ym., 2023, s. 1–2.) Vuoden 2022 loppupuolella OpenAI lanseerasi ChatGPT- tekoälysovelluksen ja nopeasti keskusteleva tekoäly nousi merkittäväksi työkaluksi ympäri maailmaa useilla eri aloilla. Keskustelevan tekoälyn suosio perustuu sen laaja-alaiseen hyödynnettävyyteen, sillä sovellus kykenee osoittamaan ja jäljittelemään ihmisen luovuutta, jonka vuoksi keskusteleva tekoäly soveltuu käytettäväksi etenkin luovissa ja tietointensiivisissä tehtävissä. (Ritala ym., 2024, s. 214.) Tietointensiivisiä tehtäviä ovat esimerkiksi taloushallinnon alan työtehtävät. Taloushallinnon alan on jo vuonna 2014 kuvattu olevan merkittävän muutoksen edessä digitalisoitumisen sekä teknologian kehittymisen vuoksi (Työ- ja elinkeinoministeriö, 2014, s. 18). Automaation, robotiikan sekä tekoälyn hyödyntäminen on yleistynyt taloushallinnon järjestelmissä vähentäen rutiiniomaisia työtehtäviä, tehostaen prosesseja sekä muuttaen alan työntekijöiden työnkuvaa. Edellä mainittujen teknologisten kehitysaskeleiden ohella myös keskustelevalla tekoälyllä uskotaan olevan suuri vaikutus tulevaisuudessa taloushallinnon alan työtehtäviin. (Zhao & Wang, 2024, s. 269–270.) 1 JOHDANTO 9 Keskusteleviin tekoälysovelluksiin voidaan tällä hetkellä viitata työssä vapaaehtoisesti hyödynnettävänä teknologiana. Kyseisiä sovelluksia voi käyttää ilmaisversiona tai omakustanteisesti maksullisena versiona, vaikka työnantajaorganisaatio ei olisikaan hankkinut yrityksille suunnattua versiota sovelluksesta tai muutoinkaan erityisesti tukisi keskustelevan tekoälyn käyttöä. Alan suuret kansainväliset toimijat, kuten PwC ja Ernst & Young, ovat kuitenkin jo tiedottaneet tekevänsä suuria investointeja keskustelevan tekoälyn laajaalaiseen hyödyntämiseen työssään seuraavien vuosien aikana (Zhao & Wang, 2024, s. 270). Tämä viittaa siihen, että vaikka käyttö onkin toistaiseksi vapaaehtoista ja sovellukset eivät ole vielä integroituneet kirjanpitoohjelmistoihin, alalla on selkeää kiinnostusta ja näkemystä keskustelevan tekoälyn potentiaalista ja sen tuomista mahdollisuuksista. Koska teknologiset innovaatiot ovat olleet merkittävässä roolissa taloushallinnon alalla, on tärkeää selvittää, missä määrin keskustelevaa tekoälyä jo hyödynnetään alalla Suomessa sekä kuinka alan asiantuntijat suhtautuvat siihen. Tutkimalla keskustelevan tekoälyn hyväksymistä taloushallinnon asiantuntijoiden näkökulmasta saadaan arvokasta tietoa siitä, miten tämä teknologia voi tukea heitä ja millaisia haasteita sen käyttöön liittyy. Ymmärtämällä, mitkä tekijät vaikuttavat merkittävimmin asiantuntijoiden halukkuuteen hyväksyä ja käyttää keskustelevaa tekoälysovellusta, organisaatiot voivat tunnistaa ne henkilöt, jotka pystyvät luomaan teknologian ympärille positiivisen ilmapiirin. Tämä edistää teknologian käyttöönottoa koko organisaatiossa. Asiantuntijoiden kokemusten sekä näkemysten selvittäminen mahdollistaa kehitystarpeiden tunnistamisen sekä alan tulevaisuuden suuntaviivojen hahmottamisen, mikä on ensisijaisen tärkeää alan kehityksen ja kilpailukyvyn kannalta. 1.1 Tutkimuksen tavoitteet, tutkimuskysymys sekä toteutettu tutkimus Tutkielman keskiössä on keskustelevan tekoälyn ja taloushallinnon asiantuntijoiden suhteen tutkiminen osana työtehtävien suorittamista. Toteutettavan tutkimuksen myötä pyritään saavuttamaan laajempi ymmärrys keskustelevan tekoälyn hyödynnettävyyden yleisyydestä ja siitä, millaiset tekijät vaikuttavat merkittävimmin keskustelevan tekoälyn hyväksymiseen taloushallinnon alalla Suomessa. Tavoitteen pohjalta on johdettu seuraava tutkimuskysymys, johon tutkimuksella pyritään vastaamaan: Mitkä tekijät vaikuttavat merkittävimmin keskustelevan tekoälyn hyväksymiseen ja käyttöönottoon osaksi taloushallinnon työtehtäviä yksilötasolla? Tutkimuksen teoreettisena viitekehyksenä sovelletaan United Theory of Acceptance and Use of Technology -viitekehystä eli UTAUT-viitekehystä. UTAUT-viitekehys on vuonna 2003 Venkateshin, Morrisin, Davis Gordonin sekä Davis Fredin kehittämä teoria, joka käsittelee teknologian hyväksymistä sekä 16 Tekoälyn taustalla vaikuttavien teknologioiden, menetelmien sekä suuren saatavilla olevan datamäärän myötä tekoäly on 2000-luvun aikana kehittynyt merkittävästi ja 2010-luvulla tekoälystä tuli jälleen suuren yleisön kiinnostuksen kohde. Etenkin syväoppimiseen perustuvat tekoälyohjelmat ovat saavuttaneet merkittäviä saavutuksia ja sittemmin tekoäly on onnistunut ylittämään ihmisen suorituskyvyn joissakin tehtävissä. (Russell ym., 2022, s. 44–45; Toosi ym., 2021, s. 10–11). Tekoälyn suosiota kuvastaa myös se, että vuodesta 2010 vuoteen 2020 maailmanlaajuiset investoinnit tekoälyalan startup-yrityksiin ovat kasvaneet 1,3 miljardista dollarista yli 40 miljardiin dollariin (Toosi ym., 2021, s. 11). Vuonna 2023 maailman johtavia tekoälyä kehittäviä yrityksiä olivat muun muassa Google, Microsoft, Amazon, Meta sekä OpenAI (Law, 2023). Tänä päivänä tekoäly on arkipäiväinen osa niin kuluttajien kuin yrityksienkin elämää esimerkiksi puheentunnistuksen, itseohjautuvien autojen sekä sisällöntuotannon muodossa (Haenlein & Kaplan, 2019). Tulevaisuudessa tekoälyn odotetaan ottavan myös suurempaa roolia muun muassa merkittävää päätöksentekoa vaativissa tehtävissä, kuten lääketieteellisessä diagnostiikassa sekä oikeudellisissa tuomioissa (Toosi ym., 2021, s. 13). Jatkuvasti kehittyvä tekoäly nostaa tulevaisuutta ajatellen esiin niin odotuksia kuin myös kysymyksiä sekä uhkakuvia, jotka edellyttävät niin eettistä kuin oikeudellistakin pohdintaa, jotta ihmiset ja tekoälyjärjestelmät voivat tulevaisuudessa elää sopuisasti rinnakkain sekä toisiaan tukien. 2.3 Tekoälytyypit ja tekniikat tekoälyn taustalla Kattavamman ymmärryksen saavuttamiseksi tekoäly voidaan jakaa eri tyyppeihin, joista yleisimpiä luokittelutapoja ovat jako kahteen tai kolmeen tyyppiin. Ailisto ja Myllymäki (2022, s. 37) luokittelevat tekoälyn heikkoon ja vahvaan tekoälyyn. Heikolla tekoälyllä viitataan siihen tekoälyyn, joka on jo onnistuttu toteuttamaan. Vahva tekoäly on puolestaan tavoite, joka pyritään saavuttamaan tulevaisuudessa. (Ailisto & Myllymäki, 2022, s. 37.) Elements of AI -verkkokurssin (ei pvm.) mukaan vahvalla tekoälyllä tarkoitetaan sellaisen mielen kehittämistä, joka on aidosti älyllinen sekä tietoinen olento. Kaplan ja Haenlein (2019, s. 16) puolestaan luokittelevat tekoälyn kapeaan, yleiseen ja supertekoälyyn. Kapea tekoäly on verrannollinen edellä mainittuun heikkoon tekoälyyn eli sillä tarkoitetaan sitä tekoälyä, joka on jo onnistuttu kehittämään. Kapeat tekoälysovellukset ovat jo levinneet lähes kaikkialle, muun muassa Facebookin kasvojentunnistus sekä Teslan itseohjautuvat autot hyödyntävät kapeaa tekoälyä. Kapea-alaisen älykkyyden omaaville sovelluksille ominaista on siis se, että ne suoriutuvat vain niille osoitetuista tehtävistä, mutta eivät pysty ratkaisemaan itsenäisesti ongelmia muilla tehtäväalueilla. Yleisellä tekoälyllä viitataan toisen sukupolven tekoälyyn, joka kykenee päättelemään sekä ratkaisemaan ongelmia itsenäisesti tehtävissä, joita varten sitä ei ole edes suunniteltu. Kolmannen sukupolven eli supertekoälyjärjestelmät ovat puolestaan hyvin itsetietoisia järjestelmiä, jotka tietyillä osa-alueilla tekevät 17 ihmisistä tarpeettomia. Tällaiset järjestelmät kykenisivät tekoälyn soveltamiseen millä tahansa alalla ja näin ollen ne omaisivat niin sosiaaliset taidot, yleisen viisauden kuin tieteellisen luovuuden. (Kaplan & Haenlein, 2019, s. 16.) Kuviossa 1 on esitetty edellä mainitut kolme tekoälytyyppiä sekä esimerkit, miten kukin tekoäly taso vaikuttaisi Siri-tekoälysovelluksen ominaisuuksiin. KUVIO 1 Tekoälytyypit (Kaplan & Haenlein, 2019, s. 16) Sarker (2021, s. 3) lähestyy tekoälyn luokittelua neljännen teollisen vallankumouksen näkökulmasta, jolla tarkoitetaan tämänhetkistä tekoälypohjaisten innovaatioiden aikakautta. Sarkerin mukaan tekoälyä tulee tarkastella analyyttisesta, funktionaalisesta, vuorovaikutteisesta, tekstillisestä sekä visuaalisesta perspektiivistä, jotta tehokkaan tekoälymallin rakentaminen olisi mahdollista (kuvio 2). Analyyttisella tekoälyllä viitataan prosessiin, jossa keskiössä on merkityksellisten tietomallien tunnistaminen, tulkinta sekä välittäminen. Analyyttisen tekoälyn tavoitteena on uusien oivalluksien sekä riippuvuuksien löytäminen tiedoista ja tämän vuoksi se on keskeisessä asemassa tietoon perustuvassa päätöksenteossa, jolloin tekoäly pystyy analyyttisen käsittelykykynsä myötä tarjoamaan muun muassa yrityksille tietoon perustuvia näkemyksiä sekä tuottamaan ehdotuksia. Funktionaalisen eli toiminnallisen tekoälyn toimintamalli on samankaltainen kuin analyyttisen tekoälyn eli se pyrkii tunnistamaan kuvioita ja riippuvuuksia suurista tietomääristä, mutta toimintaehdotuksien sijaan se toimii itse tekemiensä päätöksien mukaisesti. Kolmas tekoälytyyppi eli vuorovaikutteinen tekoäly mahdollistaa vuorovaikutteisen viestinnän automatisoinnin. Tätä tekoälytyyppiä hyödynnetään esimerkiksi kaupallisen alan chatboteissa. Tekstianalytiikan sekä luonnollisen kielen käsittelyn omaavaa tekoälyä kutsutaan tekstilliseksi tekoälytyypiksi ja se mahdollistaa muun muassa puheen kääntämisen tekstiksi, sisällön tuottamisen sekä konekääntämisen kielestä toiseen. Viimeistä eli Kapea/heikko tekoäly •Siri-sovellus, joka kykenee puheentunnistukseen, mutta ei suoriutuisi autolla ajamisesta Yleinen/vahva tekoäly •Siri-sovellus, joka kehittyy humanoidirobotiksi ja puheentunnistuksen lisäksi suoriutuisi esim. kahvin valmistamisesta sekä kirjoittamisesta Supertekoäly •Siri-sovellus, joka omaisi yliinhimillisiä kykyjä ja kykenisi ratkaisemaan esim. monimutkaisia matemaattisia ongelmia hetkessä 18 visuaalista tekoälytyyppiä hyödynnetään tietokonenäön sekä lisätyn todellisuuden aloilla. Tämä tekoälytyyppi kykenee kohteiden tunnistamiseen, luokitteluun ja lajitteluun sekä pystyy tekemään oivalluksia kuvista sekä vidoista. (Sarker, 2022, s. 3–4.) KUVIO 2 Tekoälytyypit tehokkaan tekoälyn rakentamiseen (Sarker, 2022, s. 3) Erilaiset tekoälytyypit ja edelleen yksittäiset tekoälyratkaisut perustuvat nykyisellään pitkälti koneoppimiseen ja koneoppimisen eri tekniikoihin, kuten syväoppimiseen (eng. deep learning) ja neuroverkkoihin, tiedonlouhintaan (eng. data mining) ja analysointiin sekä tekstin louhintaan ja luonnollisen kielen käsittelyyn (Ailisto & Myllymäki, 2022, s. 37; Sarker, 2022, s. 2). Yksinkertaistetusti koneoppimisella tarkoitetaan sitä, että tietokoneohjelma pystyy ajattelemaan sekä oppimaan datasta itsenäisesti toistojen myötä. Koneoppimisen perustana on se, että ohjelma kykenee olemassa olevan datan ja annettujen raamien sisällä itse säätämään toimintojaan siten, että ohjelman tuottama lopputulos vastaa sille annettua tehtävää mahdollisimman tarkasti ja tämän myötä ohjelmoijan eli ihmisen ei tarvitse ratkaista jokaista ohjelmalle relevanttia yksityiskohtaa itse. (Ailisto & Myllymäki, 2022, s. 37; Alzubi, Nayyar & Kumar, 2018, s. 1; Janiesch, Zschech & Heinirch, 2021, s. 685.) Tämän päivän tekoälyjärjestelmille, jotka suurelta osin perustuvat koneoppimisen menetelmiin, laadukkaan sekä runsaan datan saatavuus on välttämätöntä, sillä järjestelmät oppivat saatavilla olevan datan pohjalta (Ailisto & Myllymäki, 2022, s. 39). Koneoppiminen voidaan edelleen jakaa kolmeen tyyppiin oppimistyylin perusteella: ohjattu oppiminen, ohjaamaton oppiminen sekä vahvistettu oppiminen. Ohjatussa oppimistyylissä ohjelmalle annetaan joukko harjoituksia sekä harjoituksien oikeat lopputuotokset. Ohjelman algoritmi vertaa tuotoksiaan annettuihin harjoitusjoukkoihin ja tätä kautta algoritmi oppii vastaamaan tarkemmin sille annettuun tehtävään. Ohjaamatonta oppimistyyliä sovelletaan tilanteissa, joissa datan luokat ovat tuntemattomia. Tällöin ohjelma siis pyrkii tunnistamaan datasta olemassa olevia tunnistamattomia malleja, jotta niistä voidaan edelleen johtaa sääntöjä. (Alzubi ym., 2018, s. 6–7.) Vahvistettu oppiminen viittaa oppimiseen yrityksen ja erehdyksen kautta. Tässä oppimistyypissä kuvataan ohjelman nykytila, määritellään tavoite sekä annetaan luettelo sallituista toimista ja tämän jälkeen ohjelma pyrkii saavuttamaan tavoitteen yrityksen ja erehdyksen kautta. (Janiesch ym., 2021, s. 687.) Tekoäly Analyyttinen tekoäly Toiminnallinen tekoäly Vuorovaikutteinen tekoäly Tekstillinen tekoäly Visuaalinen tekoäly 19 Koneoppimisen ohella myös syväoppiminen nähdään olennaisena tekoälytekniikkana. Syväoppiminen perustuu monikerroksisten neuroverkkojen käsittelemiseen, joiden toiminnan ytimessä on vastaavanlaiset oppimismenetelmät, kuin koneoppimisessa. Keinotekoinen neuroverkko on tietokoneohjelmalla toteutettu laskentamalli, joka jäljittelee ihmisen aivosolujen rakennetta sekä toimintaa. (Ailisto & Myllymäki, 2022, s. 38; Sarker, 2022, s. 4, 6.) Neuroverkko rakentuu yksittäisistä neuroneista, jotka yhdistyvät toisiinsa muodostaen verkkomaisen rakenteen, jolloin neuroverkon alkupäähän syötetty data kulkeutuu koko verkon läpi lopulta tuottaen ratkaisuehdotuksen ongelmaan (Janiesch ym., 2021, s. 687; Ailisto & Myllymäki, 2022, s. 38). Syväoppimisessa käsiteltävä neuroverkko koostuu suurista määristä, jopa miljardeista, neuroneista ja näin ollen neuroverkossa on myös hyvin monta kerrosta (Ailisto & Myllymäki, 2022, s. 38). Yksinkertaisiin neuroverkkoihin verrattuna syvät neuroverkot myös sisältävät yleensä kehittyneempiä neuroneja (Janiesch ym., 2021, s. 687). Syväoppimisen suhde koneoppimiseen ja näiden asema edelleen tekoälyyn on havainnollistettu kuviossa kolme. KUVIO 3 Koneoppimisen sekä syväoppimisen asema osana tekoälyä (Sarker, 2022, s. 4) Datan määrä on nykymaailmassa valtava ja ennusteiden mukaan maailman datavarastojen tietomäärä tuplaantuu joka kahdeskymmenes kuukausi. Jo suuri ja edelleen kasvava tietomäärä korostaa tiedonlouhinnan ja analysoinnin merkitystä, jotta valtavista datamääristä saadaan poimittua hyödyllisiä malleja sekä tietoa. (Witten, Frank & Hall, 2011, s. 3–4.) Näiden tekniikoiden avulla tekoäly kykenee selittämään tai ennustamaan asioita datan pohjalta. Tekstin louhinta puolestaan on prosessi, jossa hyödyllistä tietoa poimitaan erilaisista tekstimallisista lähteistä, kuten verkkosivustoista, artikkeleista tai asiakirjoista. Tekstin louhinnan yksi analyysitekniikoista on luonnollisen kielen käsittely, jonka avulla ohjelmistot kykenevät tulkitsemaan ihmisen puhetta. Tekoäly Koneoppiminen Syväoppiminen Oppiminen datan ja aikaisempien kokemuksien pohjalta Laskenta neuroverkkojen ja prosessoinnin avulla 20 Yhdistelemällä kone- ja syväoppimisen tekniikoita luonnollisen kielen käsittelyyn pystytään luomaan tekoälysovelluksia, jotka kykenevät analysoimaan, ymmärtämään sekä päättelemään merkityksiä ihmisen tuottamasta puheesta tai tekstistä. (Sarker, 2022, s. 8.) 2.4 Keskustelevan tekoälyn kehittyminen Keskustelevat tekoälyt, kuten ChatGPT, ovat kehittyneet merkittävästi syvän oppimisen ja suurten kielimallien avulla, jotka mahdollistavat luonnollisen kielen ymmärtämisen ja tuottamisen. Niiden toimintamalli perustuu siihen, että ne käsittelevät suurta määrää tekstidataa oppiakseen kielen rakenteita ja kontekstuaalista ymmärtämistä. Näitä tekoälyjä voidaan hyödyntää monilla aloilla, kuten asiakaspalvelussa, koulutuksessa, terveydenhuollossa ja viihteessä, missä niitä käytetään vastaamaan kysymyksiin, tarjoamaan tietoa ja tuottamaan vuorovaikutteista sisältöä ihmisten kanssa. (OpenAI, 2024.) Yllä oleva lainaus on ChatGPT:n tuottama vastaus, kun sovellusta pyydettiin kertomaan muutamalla lauseella keskustelevan tekoälyn kehittymisestä, toimintamallista sekä hyödyntämiskohteista. ChatGPT on OpenAI:n loppuvuodesta 2022 lanseeraama keskusteleva tekoälysovellus. Lanseerauksen jälkeen markkinoille on tullut myös kilpailijoiden vastaavia tekoälysovelluksia, kuten Microsoftin Copilot sekä Googlen Gemini, entinen Bard. (Teubner, Flath, Weinhardt, Aalst & Hinz, 2023, s. 95–96.) Seuraavaksi tarkastellaan keskustelevien tekoälysovelluksien kehittymistä, toimintamallia sekä hyödyntämiskohteita lähteisiin perustuen. Tätä kautta pystymme lopuksi arvioimaan, kuinka oikeellinen ChatGPT:n tuottama vastaus tässä tapauksessa on. Keskustelevien tekoälysovelluksien kehittymisen taustalla merkittävimpänä tekniikkana ovat luonnollisen kielen käsittely ja kielimallit, tarkemmin suuret kielimallit (eng. Large language models, LLM). Kuten jo edellisessä kappaleessa esitettiin, luonnollisen kielen käsittely on tekoälyn osaalue, jonka tavoitteena on, että tietokoneet kykenevät ymmärtämään sekä hyödyntämään ihmisen kieltä, tekstiä ja puhetta. Suuret kielimallit ovat puolestaan yksi merkittävimmistä työkaluista luonnollisen kielen käsittelyn työkalupakissa. (Head, Jasper, McConnachie, Raftree, Higdon, 2023, s. 34–35.) Kielimallityyppejä on neljä erilaista: tilastolliset kielimallit, neuraaliset kielimallit, esikoulutetut kielimallit sekä suuret kielimallit. Suuret kielimallit on suunniteltu parantamaan multimodaalisia dialogeja, joissa sekä visuaalinen että tekstillinen tieto ovat olennaisia ja tämän vuoksi suurten kielimallien rooli keskustelevien tekoälysovelluksien taustalla on olennainen. (Hadi ym., 2023, s. 1–2.) Suuret kielimallit rakennetaan hyödyntäen syväoppimisalgoritmeja ja niiden koulutuksessa olennaista ovat internetistä peräisin olevat hyvin suuret tekstidatamäärät. Suurten kielimallien koulutus noudattaa usein ohjaamatonta koulutustapaa eli mallit pyrkivät ennustamaan sanoja ilman ihmisen apua. ChatGPT:n kaltaisten tehokkaiden kielimallien koulutuksessa on usein kuitenkin 21 myös vaihe, jossa ihmiset tarkastavat sekä parantavat mallin antamia tulkintoja, jotta tulkinnat kehittyisivät tarkemmiksi. Perinteisempään, valvottuun koneoppimiseen verrattaessa suurten kielimallien kehittäminen on edullisempaa sekä tehokkaampaa, koska jo kertaalleen koulutettuja kielimallin osia voidaan uudelleen käyttää pohjana uusia tehtäviä varten. (Head ym., 2023, s. 35–36.) Abdullah, Madain sekä Jararweh (2022) kuitenkin huomauttavat, että etenkin kehittämisen alkuvaihe voi olla hyvin kallista suurten kielimallien monimutkaisen luonteen, vaadittavan arkkitehtuurin sekä suuren harjoitusdatamäärän vuoksi. Yksinkertaistetusti, keskustelevien tekoälysovelluksien, kuten ChatGPT:n, toiminnan taustalla on valtavat määrät tietoa ja sovellukset on koulutettu käymään vuoropuhelua ihmiskäyttäjän kanssa. Myös toiminnot, joihin keskusteleva tekoälysovellus pysyy perustuvat taustalla olevan datan monipuolisuuteen. (Abdullah ym., 2022.) Millaisia toimintoja keskustelevalla tekoälyllä sitten on? Lähtökohtaisesti keskustelevat tekoälysovellukset pystyvät analysoimaan, muotoilemaan, muokkaamaan, kääntämään sekä tuottamaan luonnollista kieltä. Jokaisella taustalla vaikuttavalla kielimallilla on kuitenkin erilaiset vahvuudet sekä heikkoudet, jotka heijastuvat käytettävän sovelluksen toiminnallisuuksiin. (Abdullah ym., 2022.) OpenAI (2022) on blogitekstissään ”Introducing ChatGPT” antanut neljä esimerkkiä ChatGPT:n toiminnallisuuksista. Esimerkkeihin kuuluu keskustelu koodin virheenkorjauksesta, mahdollista laitonta toimintaa sisältävä pyyntö, matemaattisen lauseen selittäminen sekä lyhyen tervehdyksen kirjoittaminen naapurille. Esitettyjen näytteiden perusteella ChatGPT kykenee vastaamaan esitettyihin kysymyksiin luonnollisella kielellä hyödyntäen erilaisia kirjoitustyylejä, selittämään erilaisten teorioiden toimintalogiikkaa, muodostamaan runon annetusta aiheesta, luomaan tiivistelmän tekstistä ja havainnoimaan pyyntöjä, jotka mahdollisesti sisältävät laitonta toimintaa. Mikäli pyynnössä tulkitaan olevan jotain laitonta, ChatGPT kieltäytyy vastaamasta. Lisäksi esimerkeissä havainnollistetaan, kuinka ChatGPT kykenee seuraamaan keskustelua; käyttäjä esittää uuden pyynnön, jossa viitataan edellisen kysymyksen aiheeseen sanalla ”se” (eng. it) ja ChatGPT pystyy antamaan vastauksen uuteen pyyntöön alkuperäiseen aiheeseen liittyen. (OpenAI, 2022.) Monipuoliset toiminnallisuudet mahdollistavat sen, että keskustelevia tekoälysovelluksia voidaan hyödyntää useilla eri aloilla sekä tehtävissä, kuten ohjelmistokehityksessä, koulutuksessa, tutkimustyössä, media-alalla sekä taiteessa (Abdullah ym., 2022; Vasarhelyi, Moffitt, Stewart & Sunderland, 2023, s. 2). Lähteisiin perustuneen tarkastelun myötä voidaan todeta, että ChatGPT:n tuottama tiivistys käsitellystä aiheesta on varsin relevantti ja vastaus sisältää paljon samoja elementtejä, kuin aihetta käsittelevät tieteelliset artikkelit sekä muut lähteet. Tässä esimerkkitapauksessa saatu vastaus oli varsin oikeellinen, mutta se ei kuitenkaan vähennä keskustelevalta tekoälysovellukselta saadun vastauksen kriittisen arvioinnin tarpeellisuutta vastaisuudessa. Seuraavassa 22 kappaleessa tarkastellaan tarkemmin keskustelevan tekoälyn suosiota, haittoja sekä tulevaisuutta yhteiskunnallisesta näkökulmasta. 2.5 Keskustelevan tekoälyn vaikutukset yhteiskuntaan Suuriin kielimalleihin perustuvia keskustelevia tekoälysovelluksia, kuten markkinointisisällön tuottamiseen suunnattu Jasper AI, on ollut markkinoilla jo ennen loppuvuotta 2022, mutta nämä sovellukset ovat ensisijaisesti olleet tietyn alan asiantuntijoiden käytössä (Teubner ym., 2023, s. 96; Kaushik, 2024). Läpimurto keskustelevien tekoälysovelluksien käytössä sekä suosiossa tapahtui kuitenkin vasta, kun OpenAI lanseerasi ChatGPT:n julkisesti ilmaiskäyttöön ja tämä avasi suurten kielimallien mahdollistaman teknologian laajempaan käyttöön. ChatGPT:n saavuttama suosio lyhyessä ajassa hakee vertaansa, sillä sovellus saavutti miljoonan käyttäjän rajan viidessä päivässä sekä 100 miljoonan käyttäjän kahdessa kuukaudessa. Vertailun vuoksi Instagram-sovelluksella kesti 2,5 kuukautta ensimmäisten miljoonan käyttäjän saavuttamiseen, kun taas Spotifylla tuon käyttäjämäärän saavuttaminen kesti lähes puolivuotta. (Teubner ym., 2023, s. 96.) Läpimurron jälkeen keskustelevien tekoälysovelluksien valikoima markkinoilla on kasvanut jatkuvasti, jonka myötä yrityksillä kuin myös yksittäisillä kuluttajilla on mahdollisuus etsiä ja hyödyntää heidän tarpeisiinsa sopivinta sovellusta ja toisaalta, kilpailu sovelluskehittäjien välillä on kiivasta (Head ym., 2023, s. 37). Suuren suosion ja monipuolisen hyödynnettävyyden ohella keskustelevien tekoälysovelluksien käyttöön liittyy myös haittoja, jotka linkittyvät tiedon luotettavuuteen, tietoturvaan sekä eettisiin ja yhteiskunnallisiin kysymyksiin. Hyödynnettäessä keskustelevia tekoälysovelluksia korostuu saadun vastauksen kriittisen arvioinnin merkitys. Vaikka edellisen kappaleen esimerkissä ChatGPT onnistui tuottamaan varsin asiasisältöisen vastauksen ei aina ole näin, vaan sovellus voi yhtä hyvin välittää väärää tietoa lainkaan epäröimättä. Esimerkiksi Huttunen (2023) kertoo blogitekstissään, kuinka kysyttäessä Suomen valtiomuotoa ChatGPT oli vastannut hänelle, että Suomen valtiomuoto on monarkia. Myös Teubner ja muut (2023, s. 97) nostavat esiin, että ChatGPT on tuottanut virheellistä tietoa niin maalaisjärkeä, logiikkaa, matematiikkaa, faktatietoa kuin moraalista arvostelukykyä käsittelevistä aiheista. Stack Overflow (ei pvm.) on puolestaan estänyt kaiken sellaisen sisällön postaamisen sivustolle, joka on tuotettu keskustelevaa tekoälysovellusta hyödyntäen, koska heidän mukaansa sovelluksista saatujen vastauksien oikeellisuus on liian alhainen. Luotettavuuden lisäksi keskustelevien tekoälysovelluksien tuottamat vastaukset ovat omiaan ylläpitämään ennakkoluuloja, kuten rasismia ja seksismiä, koska yleisesti ottaen suuret kielimallit koulutetaan internetistä löytyvillä teksteillä (Head ym., 2023, s. 33). Luotettavuuden ohella myös tietoturvariski on merkittävä sovelluksien käyttöön liittyvä haittapuoli, etenkin avoimissa ilmaissovelluksissa, sillä sovelluksessa käydyt keskustelut eivät ole yksityisiä. Käyttäjien sovelluksiin 23 syöttämää dataa hyödynnetään jatkuvasti sovelluksien kouluttamiseksi ja toiminnallisuuksien parantamiseksi. (Abdullah, 2023.) Esimerkiksi Googlen (2024) Gemini-sovelluksen yksityisyys- ja tietosuojaselosteessa korostetaan, ettei keskusteluihin tulisi lisätä luottamuksellisia tietoja, mikäli käyttäjä ei halua, että tiedot päätyvät tarkastajien nähtäväksi tai, että tietoja hyödynnetään sovelluksen kehittämiseen. Jotta keskustelevaa tekoälyä olisi tietoturvallista hyödyntää yritysmaailmassa, ovat Microsoft, OpenAI sekä Google julkaisseet sovelluksistaan myös maksulliset yrityskäyttöön suunnatut versiot. Muun muassa OpenAI:n (2023) yrityskäyttöön suunnatun ChatGPT:n esittelytekstissä korostetaan, että sovelluksessa käytyjä keskusteluita tai yrityksen liiketoimintatietoja ei hyödynnetä sovelluksen kehittämiseen, vaan sovelluksen dataa hallinnoi itse käyttäjäyritys. Head ja muut (2023, s. 43) nostavat esiin, että keskustelevien tekoälysovelluksien kehittäminen on vahvasti sidoksissa historiallisen, globaalin valtadynamiikan ylläpitoon. Time-aikakausilehti on muun muassa raportoinut, kuinka OpenAI on ulkoistanut haitallisen sisällön merkitsemisen alihankkijayritykselle, jonka alaisuudessa työskentelevät matalapalkkaiset työntekijät esimerkiksi Keniassa, heikoissa työoloissa. Näiden työntekijöiden tehtävään on kuulunut suurilta osin pimeästä verkosta (eng. dark web) kaivettujen sisältöjen läpikäyminen, jotka ovat sisältäneet muun muassa lasten hyväksikäyttöä sekä kiduttamista ja tätä kautta sovellusta on saatu kehitettyä turvallisemmaksi loppukäyttäjilleen. Samaa alihankkijaa ovat OpenAI:n ohella hyödyntäneet myös Google ja Microsoft. (Perrigo, 2023.) Viime aikoina esiin on myös nostettu suurten kielimallien kehittämisen merkittävät ympäristökustannukset. Esimerkiksi GPT-3 kielimallin kouluttaminen kuluttaa puhdasta makeaa vettä 700 000 litraa Microsoftin huippuluokan datakeskuksissa Yhdysvalloissa ja Aasian datakeskuksissa vedenkulutus olisi jopa kolminkertainen. Keskustelevien tekoälysovelluksien suuren suosion keskellä ei siis tule ummistaa silmiä haittapuolista, jotka liittyvät sovelluksien käyttöön sekä kehittämiseen – päinvastoin, kriittinen tarkastelu ja tietoisuuden lisääntyminen ovat avainasemassa, jotta vältyttäisiin siltä, että keskustelevat tekoälysovellukset aiheuttavat tulevaisuudessa enemmän haittaa kuin hyötyä yhteiskunnalle. (Head ym., 2023, s. 43–44.) Tulevaisuuden osalta keskustelevien tekoälysovelluksien vaikutuksia on vaikea ennustaa sovelluksien uutuuden vuoksi. Varmaa on kuitenkin se, että alan suuret toimijat jatkavat yhä tehokkaampien sekä toiminnallisuuksiltaan parempien kielimallien kehittämistä. Teubner ja muut (2023, s. 98) enteilevät, että keskustelevien tekoälysovelluksien lisääntyvä käyttö johtaisi tulevaisuudessa siihen, että kyvystä lukea ja tulkita erilaisia tekstivaihtoehtoja tulee kriittisen tärkeää ja tämän myötä itsenäistä kirjoittamiskykyä ei pidettäisi enää niin merkittävänä. Tietotyöläisten halutuissa ominaisuuksissa korostuisi puolestaan tulevaisuudessa taitava kehotuksien antaminen keskusteleville tekoälysovelluksille sekä kyky vastausten nopeaan kriittiseen arviointiin ja mukauttamiseen. (Teubner ym., 2023, s. 98.) 24 Teknologian hyväksymisen, käyttöaikomuksen sekä käytön tutkiminen ovat jo pidemmän aikaa olleet ajankohtaisia tutkimuskohteita niin tietojärjestelmätieteiden kuin esimerkiksi yhteiskuntatieteidenkin tutkimusaloilla (Alkhwaldi & Kamala, 2017; Rondan-Cataluña, Arenas-Gaitán & Ramírez-Correa, 2015, s. 788). Tietojärjestelmätieteen näkökulmasta ensimmäinen aihetta käsittelevä viitekehys, Tecnology accpetance model (TAM), julkaistiin 1980-luvulla ja tämän jälkeen uusia viitekehyksiä on julkaistu useampia, joista viimeisin, merkittävä viitekehys, Unified theory of acceptance and use of technology (UTAUT), julkaistiin vuonna 2003 (Rondan-Cataluña ym., 2015, s. 788; Momani & Jamous, 2017, s. 56). Viitekehykset tarkastelevat teknologioiden hyväksymistä erilaisista näkökulmista. Tiivistetysti voidaan yleistää, että psykologian ja sosiologian tutkimusaloilla kehitetyt viitekehykset tarkastelevat teknologian hyväksymistä käyttäytymisen näkökulmasta, kun taas tietojärjestelmätieteen viitekehykset keskittyvät tarkastelemaan järjestelmien ominaisuuksia ja niiden vaikutusta teknologian hyväksymiseen. (Momani, 2020, 79, s. 90.) Yhteistä olemassa oleville viitekehyksille on kuitenkin se, että kaikki mallit pyrkivät ymmärtämään, miten käyttäjät hyväksyvät sekä käyttävät eri teknologioita sekä millaiset tekijät vaikuttavat heidän käyttöaikomuksiinsa (Rondan- Cataluña ym., 2015, s. 788). Vaikka teknologian hyväksymistä ja käyttöönottoa tarkastelevalla tutkimuksella on jo pitkät juuret syvällä historiassa, ei se vähennä aiheen ajankohtaisuutta tänä päivänä. Teknologia kehittyy jatkuvasti, merkittävämpänä esimerkkinä keskustelevat tekoälysovellukset, ja toisaalta teknologia valtaa alaa yhä useammilta toimialoilta. Kehittyvä teknologia nostaa jatkuvasti esiin uusia tutkimusalueita hyväksynnän sekä käyttöönoton näkökulmasta, joiden joukossa on muun muassa keskustelevan tekoälyn tutkiminen taloushallinnon alalla. Seuraavassa kappaleessa perehdytään tarkemmin olemassa oleviin teknologian hyväksymistä sekä käyttöönottoa käsitteleviin viitekehyksiin, jotta saavutetaan ymmärrys toisaalta viitekehyksien historiasta, mutta myös siitä, mihin tässä tutkielmassa hyödynnettävä UTAUT-viitekehys pohjautuu. Tämän 3 TEKNOLOGIAN HYVÄKSYMINEN JA KÄYTTÖÖNOTTO 25 jälkeen tarkastellaan tarkemmin UTAUT-viitekehyksen rakennetta, sen hyötyjä sekä rajoitteita ja viitekehyksen soveltamista tekoälykontekstiin. Luku on toteutettu kirjallisuuskatsauksena. 3.1 Teknologian hyväksymistä ja käyttöä käsitteleviä viitekehyksiä Unified theory of acceptance and use of technology (UTAUT) -viitekehys on johdettu kahdeksasta jo olemassa olleesta teknologian hyväksymistä ja käyttöönottoa käsittelevästä viitekehyksestä (Venkatesh ym., 2003, s. 440; Momani & Jamous, 2017, s. 56). Nämä hyödynnetyt viitekehykset eroavat toisistaan niin tutkimusalan kuin kehittämistavankin näkökulmasta, minkä myötä UTAUT-viitekehyksen nähdään olevan yhtenäisin sekä kehittynein teknologian hyväksymistä käsittelevä teoria (Momani, 2020, s. 80). Alla olevassa taulukossa (taulukko 1) on esitetty seuraavissa alaluvuissa käsiteltävien viitekehyksien jakautuminen kehittämistavan sekä tutkimusalan näkökulmasta Momanin, Jamousin sekä Hillesin (2017, s. 10) kehittämän luokittelutavan mukaisesti. TAULUKKO 1 Teknologian hyväksymistä käsittelevät teoriat luokitellusti (Momani ym., 2017, s. 10; Momani, 2020, s. 91) Luokittelutavat Viitekehykset Kehittämistapa Aikaisempien tutkimuksien raakatiedon hyödyntäminen uuden teorian pohjana (eng. extraction) IDT, TRA, MPCU, MM, SCT Aikaisempien teorioiden hyödyntäminen uuden teorian perustana (eng. adoption) TPB, TAM, C-TAM-TPB, UTAUT Tutkimusala Sosiaalipsykologia TRA, TPB, MM Yhteiskuntatieteet IDT, SCT IT-ala TAM, C-TAM-TPB, MPCU, UTAUT 3.1.1 Theory of Reasoned Action (TRA) Theory of Reasoned Action (TRA) -viitekehys on vaikuttavin, sosiaalipsykologiaan pohjautuva, yksilön käyttäytymistä tarkasteleva teoria (Venkatesh, 2003, s. 428). Rondan-Cataluñan ja muiden (2015, s. 791) mukaan viitekehystä ei ole kehitetty tarkastelemaan mitään tiettyä käyttäytymistä, jonka vuoksi mallia on pystytty soveltamaan useiden eri tieteenalojen tutkimuksissa. 32 sekä kokemus. UTAUT2-viitekehys kehitettiin tarkastelemaan kuluttajien teknologian hyväksymistä sekä käyttöä, kun taas alkuperäinen UTAUT- viitekehys on kehitetty ensisijaisesti organisaatiokontekstiin. Tämän vuoksi UTAUT2-viitekehykseen on lisätty esimerkiksi hinta yhdeksi keskeiseksi tekijäksi, mikä puolestaan ei organisaatiokontekstissa ole merkittävä tekijä. (Venkataesh, Thong & Xu, 2012, s. 157, 160.) Tässä tutkielmassa pyritään selvittämään keskustelevan tekoälyn hyväksymistä ja käyttöä taloushallinnon asiantuntijoiden näkökulmasta, eli organisaatiokontekstissa, jonka vuoksi alkuperäinen UTAUT-viitekehys on soveltuvampi viitekehys hyödynnettäväksi. Seuraavissa alakappaleissa tarkastellaan UTAUT-viitekehyksen keskeisiä tekijöitä, viitekehyksen hyötyjä ja rajoitteita sekä soveltamista tekoälykontekstiin tarkemmin. KUVIO 4 UTAUT-viitekehys (Venkatesh ym., 2003, s. 447) 3.2.1 Suorituskykyodotukset Venkateshin ja muiden mukaan suorituskykyodotuksilla (eng. performance expectancy) viitataan siihen, missä määrin yksilö kokee, että järjestelmän käyttäminen parantaa hänen työsuoritustaan. Tämän tekijän nähdään olevan merkittävin yksilön aikomukseen vaikuttava tekijä sekä vapaaehtoisia että pakollisia teknologioita käytettäessä. (Venkatesh ym., 2003, s. 447.) Suorituskykyodotustekijä on johdettu kuuden viitekehyksen aihetta käsittelevistä tekijöistä, joita ovat TAM, C-TAM-TPB ja IDT-viitekehyksien koettu hyödyllisyys, MM-viitekehyksen ulkoinen motivaatio, MPCU- viitekehyksen yhteensopivuus työn kanssa sekä SCT-viitekehyksen tulosodotukset. (Venkatesh ym., 2003, s. 447.) 33 3.2.2 Vaivattomuuden odotukset Vaivattomuuden odotuksilla (eng. effort expectancy) tarkoitetaan järjestelmän käytön helppouden astetta eli kuinka helpoksi tai vaikeaksi yksilö kokee järjestelmän käyttämisen. Tällä tekijällä nähdään olevan merkittävä vaikutus yksilön käyttöaikomukseen järjestelmän ollessa hänelle uusi tai uudehko, mutta pidemmällä aikavälillä tämän tekijän merkittävyys käyttöaikomukseen vähenee. (Venkatesh ym., 2003, s. 450.) Vaivattomuuden odotukset -tekijän taustalla vaikuttavat kolmen viitekehyksen vastaavat havainnot: TAM-viitekehyksen koettu helppokäyttöisyys, MPCU-viitekehyksen monimutkaisuus sekä IDT- viitekehyksen helppokäyttöisyys (Venkatesh ym., 2003, s. 450). 3.2.3 Sosiaalinen vaikutus Venkateshin ja muiden mukaan sosiaalisella vaikutuksella (eng. social influence) tarkoitetaan sitä, missä määrin yksilö kokee, että hänelle tärkeät henkilöt uskovat, että hänen tulisi käyttää uutta järjestelmää. Sosiaalisen vaikutuksen nähdään vaikuttavan yksilön käyttöaikomukseen mukautumisen, sisäistämisen sekä samaistumisen kautta. Mukautumisella tarkoitetaan yksilön reaktiota sosiaaliseen painostukseen, jonka seurauksena hän muuttaa aikomustaan mukautuakseen sosiaaliseen vaikutukseen. Sisäistäminen sekä samaistuminen puolestaan liittyvät yksilön uskomuksien muuttumiseen. (Venkatesh ym., 2003, s. 451–452.) Sosiaaliseen vaikutukseen viitataan TRA, TPB sekä C-TAM-TPB- viitekehyksissä termillä subjektiivinen normi, MPCU-viitekehyksessä sosiaalisilla tekijöillä sekä IDT-viitekehyksessä imagolla. Erilaisista termeistä riippumatta jokaisen tekijän nähdään viittaavaan siihen, että yksilön käyttäytymiseen vaikuttaa se, kuinka yksiö uskoo muiden suhtautuvan häneen teknologian käytön seurauksena. (Venkatesh ym., 2003, s. 451.) 3.2.4 Käyttöä edistävät olosuhteet UTAUT-viitekehyksessä käyttöä edistävät olosuhteet (eng. facilitating conditions) viittaavat siihen, missä määrin yksilö uskoo, että organisatorinen ja tekninen infrastruktuuri järjestelmän käytön tukemiseksi on olemassa. Venkateshin ja muiden mukaan käyttöä edistävät olosuhteet vaikuttavat suoraan tietojärjestelmän käyttämiseen, kun taas muut edellä käsitellyt tekijät vaikuttavat yksilön käyttöaikomukseen. (Venkatesh ym., 2003, s. 453–454.) Käyttöä edistävät olosuhteet -tekijä kattaa kolme aikaisempien viitekehyksien tekijää, joita ovat TPB sekä C-TAM-TPB-viitekehyksien havaittu käyttäytymisen hallinta, MPCU-viitekehyksen helpottavat olosuhteet sekä IDT- viitekehyksen yhteensopivuus. Käyttöä edistävät olosuhteet -tekijän ohella myös näiden tekijöiden nähdään viittaavan organisatorisen ympäristön osatekijöihin, joiden tarkoituksena on poistaa teknologian käytön esteitä. (Venkatesh ym., 2003, s. 453.) 34 3.2.5 Yksilön ominaisuudet Yksilön teknologian käyttöaikomukseen ja edelleen käyttöön vaikuttavien tekijöiden lisäksi UTAUT-viitekehys sisältää neljä käyttöaikomukseen sekä käyttöön vaikuttavaa tekijää. Näistä tekijöistä kolme liittyvät yksilön ominaisuuksiin, sukupuoli, ikä sekä kokemus, ja viimeinen tekijä liittyy tarkastelun kohteena olevan teknologian vapaaehtoisuuteen. (Venkatesh ym., 2003, s. 468.) Viitekehyksen mukaan miehet ovat usein naisia tehtäväkeskeisempiä ja nuoremmat työntekijät asettavat suuremman painoarvon ulkoisille palkkioille, minkä vuoksi suorituskykyodotuksien nähdään olevan erityisen tärkeitä miehille sekä nuoremmille työntekijöille. Puolestaan vaivattomuuden odotuksien nähdään olevan tärkeämpiä naisille, työntekijöille, jotka omaavat vähäisen kokemuksen kohteena olevasta teknologiasta sekä iäkkäämmille työntekijöille, sillä iän lisääntymisen on osoitettu olevan yhteydessä vaikeuksiin käsitellä monimutkaisia ärsykkeitä. Sosiaalisen vaikutuksen suhteen naisten nähdään olevan herkempiä muiden mielipiteille. Lisäksi on tutkittu, että yhteenkuuluvuuden tarpeet lisääntyvät iän myötä, jonka vuoksi sosiaalisten vaikutuksien nähdään olevan tärkeämpiä vanhemmille työntekijöille, mutta vaikutuksen tarve vähenee kokemuksen kasvaessa. Myös pakollisissa teknologian käyttötilanteissa sosiaalisella vaikutuksella nähdään olevan merkittävä vaikutus teknologian käyttämiseen etenkin kokemuksen alkuvaiheessa. Viimeisen tekijän eli käyttöä edistävien olosuhteiden merkittävyyden nähdään lisääntyvän järjestelmän käytön myötä, kun yksilö löytää apua sekä tukea tarjoavia kanavia organisaatiosta, jotka poistavat esteitä järjestelmän käytön jatkumiselta. Lisäksi vanhemmille työntekijöille avun ja tuen saaminen työpaikalla on tärkeää. Näin ollen kokemuksen ja iän vaikutuksesta edistävillä olosuhteilla on merkittävä vaikutus yksilön teknologian käyttämiseen. (Venkatesh ym., 2003, s. 449–450, 453–454.) Alla olevaan taulukkoon 3 on tiivistetty UTAUT-viitekehyksen keskeiset tekijät, tekijöihin vaikuttavat muuttujat sekä kuvaus näiden muuttujien vaikutuksesta kuhunkin tekijään. 35 TAULUKKO 3 Ominaisuuksien vaikutukset UTAUT-viitekehyksen tekijöihin (Venkatesh ym., 2003, s. 468) Käyttöön suorasti vaikuttava tekijä Tekijään vaikuttava muuttuja Vaikutuksien kuvaus Suorituskykyodotukset Sukupuoli Ikä Vaikutus voimakkaampi miehillä sekä nuoremmilla työntekijöillä Vaivattomuuden odotukset Sukupuoli Ikä Kokemus Vaikutus voimakkaampi naisilla, iäkkäillä työntekijöillä sekä vähäisen kokemuksen omaavilla työntekijöillä Sosiaalinen vaikutus Sukupuoli Ikä Kokemus Käytön vapaaehtoisuus Vaikutus voimakkaampi naisilla, vanhemmilla työntekijöillä, pakollisissa käyttöolosuhteissa sekä vähäisen kokemuksen omaavilla työntekijöillä Edistävät olosuhteet Ikä Kokemus Vaikutus voimakkaampi vanhemmilla työntekijöillä kokemuksen lisääntyessä 3.2.6 Viitekehyksen hyödyt ja rajoitteet Kuten jo aikaisemmin tuotiin esiin, UTAUT-viitekehyksen yksi merkittävimmistä hyödyistä on se, että viitekehyksessä yhdistyvät kahdeksan aikaisempaa teknologian hyväksymistä ja käyttöä tarkastelevaa viitekehystä (Venkatesh ym., 2003, 467). Taustalla olevat viitekehykset on kehitetty eri tutkimusaloilla, jonka ansiosta UTAUT-viitekehyksessä yhdistyy tekijöitä niin psykologian, yhteiskuntatieteiden kuin tietojärjestelmätieteidenkin alalta teknologian hyväksymisen ja käytön tutkimiseksi, mikä edelleen mahdollistaa viitekehyksen laajan soveltamisalan (Momani, 2020, s. 80–81). UTAUT- viitekehystä on hyödynnetty esimerkiksi tutkimuksissa, joissa keskiössä on ollut sosiaalisen median, verkkopankkien, verkko-oppimisympäristöjen kuin tekoälypohjaisten sovellustenkin hyväksynnän sekä käytön tutkiminen (Momani, 2020, s. 85; Kelly, Kaye & Oviedo-Trespalacios, 2023, s. 30). Laajan soveltamisalan myötä UTAUT-viitekehystä on hyödynnetty sekä tutkittu paljon, mikä antaa tukea viitekehyksen pätevyydelle sekä luotettavuudelle. Tätä tukee myös Google Scholar -hakukoneen tuottamien tuloksien runsaus. Google Scholar on hakukone tieteellisille julkaisuille ja tuloksien määrää voidaan pitää suuntaa antavana arviona siitä, kuinka tunnetusta sekä paljon hyödynnetystä viitekehyksestä on kyse. Haettaessa viitekehyksen koko nimellä, ”unified theory of acceptance and use of technology”, tuloksia saadaan 705 000 kappaletta (hakupäivämäärä 4.3.2024). Vastaavasti haettaessa viitekehyksen lyhenteellä, ”UTAUT”, tuloksia saadaan 36 85 200 kappaletta, kun taas esimerkiksi haku ”MPCU” tuottaa 7 530 tulosta ja haku ”C-TAM-TPB” tuottaa 3 720 tulosta (hakupäivämäärä 4.3.2024). Momani mainitsee artikkelissaan yhdeksi UTAUT-viitekehyksen eduksi sen, että UTAUT-viitekehyksessä nostetaan esiin myös teknologian hyväksyntään sekä käyttöön välillisesti vaikuttavat muuttujat, kuten yksilön ikä ja kokemus. Muissa aikaisemmissa viitekehyksissä näille tekijöille ei ole annettu yhtä suurta painoarvoa tai muuttujia ei ole huomioitu lainkaan. (Momani, 2020, s. 93.) Tämän tutkielman tavoitteena on selvittää, kuinka taloushallinnon asiantuntijat ovat hyväksyneet sekä ottaneet keskustelevan tekoälyn käyttöön työssään sekä kuinka yksilön ominaisuudet vaikuttavat edellä mainittuun, mikä tukee UTAUT-viitekehyksen hyödyntämistä osana tutkielmaa. UTAUT-viitekehyksen rajoitteena voidaan nähdä se, että viitekehys on julkaistu vuonna 2003 ja teknologia on kehittynyt suuresti yli 20 vuoden aikana. Onko viitekehys siis edelleen pätevä sovellettavaksi tämän päivän teknologioiden, etenkin tekoälyohjelmien, tarkasteluun? Vuonna 2016 Khechine, Lakhal sekä Ndjambou toteuttivat meta-analyysin UTAUT-viitekehyksestä. Khechine ja muut (2016, s. 149) toteavat meta-analyysin tuloksien vahvistavan UTAUT-viitekehyksen vahvuuden sekä kestävyyden teknologian hyväksymistä ja käyttöä selittävänä teoriana. Kelly ja muut (2023) ovat puolestaan tarkastelleen tuoreessa tutkimuksessaan muun muassa, mitä viitekehyksiä on sovellettu tekoälyn hyväksymisen ja käytön tutkimiseen. Heidän mukaansa eniten hyödynnettyjä viitekehyksiä ovat olleet UTAUT sekä TAM (Kelly ym., 2023, s. 30). Lisäksi haettaessa tieteellisiä julkaisuja Google Scholar -hakukoneesta haulla ”UTAUT and AI” saadaan 20 000 tulosta, joista 3 480 on julkaistu vuonna 2023 tai sen jälkeen (hakupäivämäärä 4.3.2024). Näiden myötä voidaan todeta, että UTAUT-viitekehys on validi teoria teknologian hyväksymisen ja käytön tutkimiseen yhä tänä päivänä ja soveltuu myös tekoälykontekstiin. 37 Tässä luvussa tarkastellaan tutkielman pääteemoja yhdessä eli kuinka tekoälyä hyödynnetään taloushallinnon alalla, millaista tutkimustietoa tekoälyn hyväksymisestä ja käytöstä on jo olemassa sekä miten UTAUT-viitekehys soveltuu tekoälykontekstiin. Viimeisessä luvussa luodaan yhteenveto tutkimuksen lähtökohdista. Luku perustuu olemassa olevaan kirjallisuuteen sekä aikaisempiin tutkimuksiin aiheesta. 4.1 Keskustelevan tekoälyn hyödynnettävyys taloushallinnon alalla Taloushallinnon ala Suomessa on kehittynyt sekä muovannut alan asiantuntijoiden työnkuvaa merkittävästi teknologioiden nopean kehittymisen myötä. 2000-luvun aikana taloushallinto on kehittynyt sähköisestä taloushallinnosta digitaaliseen taloushallintoon ja nykypäivänä taloushallintoon viitataan termillä älykäs taloushallinto. (Kaarlejärvi & Salminen, 2018, s. 13–16.) Kuinka digitaalinen ja älykäs taloushallinto sitten eroavat toisistaan? 2010-luvun digitaalisen taloushallinnon ominaispiirteisiin kuuluu olennaisesti se, että kaikki kirjanpitomateriaaliin liittyvä tiedon käsittely, arkistointi sekä siirtäminen tapahtuu sähkököisessä muodossa ja automaatiota hyödynnetään säännönmukaisissa tehtävissä, kuten transaktioiden prosessoinnissa sekä raportoinnissa. Älykkäässä taloushallinnossa automaatiota, kuten robotiikkaa, sekä tekoälyä, hyödynnetään laajemmin myös poikkeuksien ja ei-rakenteellisen datan käsittelyssä, minkä myötä ohjelmistot kykenevät analyysien, ennusteiden sekä toimenpide-ehdotuksien luomiseen. Valtaosa taloushallinnon asiantuntijoiden aikaisemmin suorittamista rutiinitehtävistä hoituu jo automaattisesti ja tulevaisuudessa automaatio syrjäyttää ihmisen myös monimutkaisemmissa tehtävissä. Alan merkittävät teknologiapohjaiset muutokset ovat jo muokanneet ja muokkaavat tulevaisuudessakin 4 KESKUSTELEVAN TEKOÄLYN HYVÄKSYMINEN TALOUSHALLINNON ALALLA 38 asiantuntijoiden työnkuvaa suuntaan, jossa keskeisimpiä tehtäviä ovat prosessien ja tietovirtojen määrittely ja kehittäminen sekä lopputuloksena syntyvän tiedon hyödyntäminen voimassa olevien säädösten ja lakien mukaisesti. (Kaarlejärvi & Salminen, 2018, s. 17–18, 241–242.) Keskustelevat tekoälysovellukset eroavat muusta taloushallinnon alalla käytettävästä automaatiosta ja tekoälystä siten, että kaikkien asiantuntijoiden on mahdollista hyödyntää näitä sovelluksia työssään, vaikka työnantajaorganisaatio ei olisikaan hankkinut käyttöönsä yrityksille suunnattua sovellusta. Sillä kuten jo aikaisemmin tuotiin esiin, esimerkiksi ChatGPT tai Gemini-sovelluksien ilmaisversioita pystyy hyödyntämään kuka tahansa, mikäli hänellä on käytössään internetyhteyden sisältävä laite, kuten puhelin tai tietokone. ChatGPT-sovellusta koskevassa tutkimuksessa Wood ja muut (2023, s. 82) ovat selvittäneet, kuinka hyvin ChatGPT suoriutuu taloushallintoa käsittelevistä koekysymyksistä alan opiskelijoihin verrattaessa. Tämän tutkimuksen kokonaistuloksen mukaan opiskelijat suoriutuivat tehtävissä paremmin saaden oikein keskimäärin 76,7 prosenttia, kun taas ChatGPT:n pistemäärä oli 47,4 prosenttia täysin oikeiden vastausten perusteella. Kysymystyypistä sekä - asetannasta riippuen tietyillä osa-alueilla, esimerkiksi tilintarkastusarviointeja sekä kirjanpito-ohjelmistoja koskevissa kysymyksissä, ChatGPT pärjäsi kuitenkin opiskelijoita paremmin. Tutkijoiden mukaan tämä tukee sitä väitettä, että keskustelevat tekoälysovellukset selviävät paremmin tekstimuotoisista kysymyksistä, kun taas matemaattisiin tehtäviin sovelluksilla on toistaiseksi vaikeuksia vastata oikein. (Wood ym., 2023, s. 82–83.) Zhao ja Wang (2024, s. 269) nostavat artikkelissaan esiin, että taloushallinnon ala on numeraalisen tiedon lisäksi riippuvainen myös tekstimuotoisesta tiedosta, jonka vuoksi keskusteleva tekoäly tarjoaa alalle mahdollisuuden rutiiniprosessien virtaviivaistamiseen sekä päätöksenteon tehostamiseen. ChatGPT-sovellusta koskevissa tutkimuksissa sovellus on osoittautunut ylivoimaiseksi ideoiden tuottamisessa, tietojen tunnistamisessa sekä monimutkaisiin kysymyksiin vastaamisessa (Ayinde, Wibowo, Ravuri & Emdad, 2023). Konkreettisella tasolla sovellukset kykenevät siis jo tänä päivänä avustamaan taloushallinnon asiantuntijoita esimerkiksi monimutkaisten lakien ja standardien ymmärtämisessä ja soveltamisessa, asiakasviestinnässä, tuottamalla informatiivisia vastausehdotuksia asiakkaiden kysymyksiin sekä tekstipohjaisten analyysien ja yhteenvetojen luomisessa (Ayinde ym., 2023; Zhao & Wang, 2024, s. 273). Vasarhelyi ja muut (2023, s. 9) korostavat artikkelissaan, että taloushallinnon alan tekoälypohjainen kehitys ei ole pelkkä ennuste, vaan meneillään olevaa todellisuutta. Tulevaisuudessa keskustelevilla tekoälysovelluksilla uskotaan olevan vielä suurempi potentiaali suoriutua erilaisista taloushallinnon tehtävistä, kuten taloudellisten ja hallinnollisten selvitysten analysoinnista, taloudellisten raporttien luomisesta, poikkeamien havaitsemisesta, raportointitietojen analysoinnista sekä erilaisten taloudellisten suunnitelmien ja ennusteiden luomisesta (Zhao & Wang, 2024, s. 271–272). 39 Kehityksen myötä keskustelevat tekoälysovellukset tulevat tulevaisuudessa olemaan keskeisiä välineitä organisaatioiden sekä yksittäisten työntekijöiden tehokkuuden ja vaikuttavuuden parantamisessa (Ayinde ym., 2023). 4.2 Aikaisempi tutkimus keskustelevan tekoälyn hyväksymisestä ja käytöstä Yleisesti erilaisten tekoälylaitteiden sekä -sovellusten hyväksyntää ja käyttöä on tutkittu melko monipuolisesti erilaisissa konteksteissa. Kellyn ja muiden (2023, s. 8) toteuttaman kirjallisuuskatsauksen mukaan yleisimmät toimialat, joissa tekoälyn hyväksyntää on tutkittu ovat asiakaspalvelu, koulutus sekä terveydenhuolto. Näissä tutkimuksissa yleisimmin hyödynnettyjä viitekehyksiä ovat olleet TAM sekä UTAUT (Kelly ym., 2023, s. 30). Sen sijaan keskustelevan tekoälyn (eng. Conversational AI) hyväksymistä ja käyttöä koskeva aikaisempi tutkimus on toistaiseksi kokonaisuudessaan melko vähäistä, mitä selittää aiheen uutuus. Taloushallinnon asiantuntijoiden näkökulmasta aikaisempaa tutkimustietoa tästä aiheesta ei tämän tutkielman tekohetkellä löydetty. Olemassa oleva tutkimustieto, jossa yhdistyvät keskusteleva tekoäly sekä taloushallinnon ala, käsittelee lähtökohtaisesti sovelluksien toiminnallisuuksia sekä hyödynnettävyyttä taloushallinnon alalla. Seuraavaksi perehdymme siihen tutkimustietoon, jota on saatavilla keskustelevan tekoälyn hyväksymisestä ja käytöstä eri konteksteissa. Menon ja Shilpa (2023, s. 1) ovat tutkineet keskustelevan tekoälyn, ChatGPT-sovelluksen, hyväksymistä ja käyttöä intialaisten kuluttajakäyttäjien näkökulmasta hyödyntäen laajennettua UTAUT-viitekehystä. Heidän saamiensa tuloksien mukaan suorituskykyodotukset olivat merkittävin tekijä, jotka vaikuttivat keskustelevan tekoälyn hyväksymiseen ja käyttöön. Vastaajat kokivat ChatGPT-sovelluksen tarjoavan heille heidän tarpeitaan vastaavaa merkityksellistä tietoa, joka auttaa heitä suorittamaan koulutukseensa tai työhönsä liittyviä tehtäviä ja näin ollen parantaa heidän tehokkuuttaan. Myös vaivattomuuden odotukset korostuivat sovelluksen hyväksynnässä ja edelleen käytössä. Tuloksien mukaan ChatGPT-sovelluksen käyttö koettiin helppokäyttöiseksi ja aikaa säästäväksi. Sosiaalisen median kautta sekä vertaisiltaan saadun sosiaalisen vaikutuksen nähtiin olevan tärkeässä roolissa uuden sovelluksen hyväksynnän ja käytön alkuvaiheessa. Puolestaan käyttöä edistävillä olosuhteilla ei nähty olevan merkittävää roolia, sillä käyttäjät kokivat ChatGPT-sovelluksen käytön varsin yksinkertaiseksi ja näin ollen he eivät kokeneet tarvetta tekniselle avulle tai muulle käyttöä edistävälle tuelle. Yksilön ominaisuuksista sukupuolella ei nähty olevan merkitystä keskustelevan tekoälyn hyväksymiselle ja käytölle. Yksilön iän ja kokemuksen nähtiin kuitenkin vaikuttavan jonkin verran käyttöön. Kokeneempien yksilöiden käyttöpäätöksen taustalla vaikutti merkittävimmin omien tavoitteiden saavuttaminen eli suorituskykyodotukset, kun taas nuoremmilla henkilöillä 40 korostui sosiaalinen vaikutus sekä helppokäyttöisyys. (Menon & Shilpa, 2023, s. 8–10, 12.) Strzelecki (2023, s. 1) on tutkinut keskustelevan tekoälyn hyväksymistä ja käyttöä puolalaisten korkeakouluopiskelijoiden näkökulmasta hyödyntäen laajennettua UTAUT2-viitekehystä. Tuloksien mukaan tottumuksella, suorituskykyodotuksilla sekä hedonistisella motivaatiolla oli merkittävin vaikutus opiskelijan keskustelevan tekoälysovelluksen käyttöaikomukseen. Tottumuksella viitataan siihen, että opiskelijat käyttävät mielellään uusia teknologioita ja näiden teknologioiden käyttötiheys edistää tottumuksen kehittymistä edelleen. Suorituskykyodotuksien osalta saadut tutkimustulokset osoittivat, että opiskelijat hyväksyvät todennäköisesti ChatGPT-sovelluksen kaltaisia teknologioita, kun heillä on korkeat tulosodotukset sovelluksen käytön suhteen. Tuloksien perusteella opiskelijat kokivat keskustelevat tekoälysovellukset miellyttävinä sekä viihdyttävinä, mikä kuvastaa hedonistisen motivaation merkitystä teknologian hyväksymisessä. Puolestaan sosiaalisella vaikutuksella, vaivattomuuden odotuksilla tai käyttöä edistävillä olosuhteilla ei tuloksien mukaan ole merkittävää vaikutusta keskustelevan tekoälyn hyväksymiseen ja käyttöaikomukseen opiskelijoiden keskuudessa. (Strzelecki, 2023, s. 10–11.) Myös Faruk, Rohan, Ninrutsirikun ja Pal (2023) ovat tutkineet korkeakouluopiskelijoiden keskustelevan tekoälyn hyväksymistä ja käyttöä. Heidän tutkimuksensa on toteutettu psykoteknisestä näkökulmasta, mutta saadut tulokset ovat hyvin samankaltaiset Strzeleckin saamien tuloksien kanssa. Tuloksien mukaan havaitulla hyödyllisyydellä, joka on rinnastettavissa suorituskykyodotuksiin, on merkittävä vaikutus keskustelevan tekoälyn käyttöaikomukseen. Puolestaan helppokäyttöisyydellä, joka voidaan rinnastaa vaivattomuuden odotuksiin, ja käyttöä edistävillä olosuhteilla ei havaittu olevan vaikutusta opiskelijoiden käyttöaikomuksiin. (Faruk ym., 2023.) Agrawal (2023, s. 1–2 ,9) on tutkinut keskustelevan tekoälyn hyväksymistä intialaisten organisaatioiden näkökulmasta hyödyntäen IDT-viitekehystä yhdessä teknologia-organisaatio-ympäristö-viitekehyksen kanssa (eng. technology-organization-environment theory, TOE). Näiden tutkimustuloksien mukaan koetun hyödyllisyyden ei koettu olevan merkittävä tekijä keskustelevan tekoälyn hyväksymiseen organisaatiotasolla. Sen sijaan tuloksissa korostui vaivattomuuden odotuksien ja käyttöä edistävien olosuhteiden merkitys keskustelevan tekoälyn hyväksymiseen organisaatiotasolla. Agrawalin mukaan organisaatiot antavat enemmän painoarvoa keskustelevien tekoälysovelluksien mahdollisille ongelmille ja riskeille, kuin sovelluksien tarjoamille mahdollisille kilpailueduille, kuten suorituskykyodotuksille. (Agrawal, 2023, s. 11–12.) Aikaisempien keskustelevan tekoälyn hyväksyntää ja käyttöä käsittelevien tutkimuksien tuloksissa voidaan havaita olevan merkittävä ero riippuen siitä, tutkitaanko asiaa yksilötasolla vai organisaatiotasolla. Yksilötasolla merkittävin tekijä käyttöaikomukseen oli suorituskykyodotukset. Myös vaivattomuuden odotuksille annettiin jonkin verran painoarvoa. Puolestaan sosiaalisella vaikutuksella ja käyttöä edistävillä olosuhteilla ei koettu olevan merkittävää vaikutusta käyttöaikomukseen. Organisaatiotasolla tulokset olivat lähes 41 päinvastaiset yksilötason tuloksiin verrattaessa. Organisaatioiden näkökulmasta käyttöä edistäville olosuhteille sekä vaivattomuuden odotuksille annettiin suorituskykyodotuksia suurempi painoarvo keskustelevan tekoälyn käyttöönotossa. 4.3 UTAUT-viitekehyksen sovellettavuus tekoälykontekstiin Kuten jo aikaisemmin tuotiin ilmi, on UTAUT-viitekehys ollut aikaisemmissa tutkimuksissa, myös tekoälykontekstissa, yksi yleisimmistä teknologian hyväksymisen ja käytön tutkimiseen käytetyistä viitekehyksistä. Useimmissa tutkimuksissa viitekehystä kuitenkin mukautetaan tai laajennetaan siten, että viitekehys on soveltuvampi kyseessä olevan tutkimusongelman ratkaisemiseksi ja saavutetaan kattavampi käsitys käyttäjien käyttöaikomuksista (Menon & Shilpa, 2023, s. 5). Myös Venkatesh ja muut (2003, s. 468, 471) korostavat alkuperäisessä UTAUT-viitekehystä käsittelevässä artikkelissaan, että teknologian käyttöön voivat vaikuttaa myös muut tekijät, kuin viitekehyksessä määritellyt, ja tästä syystä he myös kannustavat tarvittaessa laajentamaan viitekehystä kattavamman ymmärryksen ja soveltuvuuden saavuttamiseksi Menon ja Shilpa (2023, s. 1) laajensivat tutkimuksessa hyödyntämäänsä UTAUT-viitekehystä kahdella uudella tekijällä, koettu vuorovaikutteisuus sekä tietoturvaan liittyvät huolenaiheet, jotka he kokivat merkittäviksi tekijöiksi käyttäjien hyväksynnän ja käytön tutkimiseksi keskustelevan tekoälyn kontekstissa. Lisättyjen tekijöiden myötä saavutettiin tietoa, että myös koetulla vuorovaikutteisuudella on merkittävä vaikutus keskustelevan tekoälyn käyttöaikomukseen kuluttajakäyttäjien keskuudessa. Puolestaan tässä kontekstissa tietoturvaan liittyviä huolenaiheita ei koettu niin merkittäviksi, että se toimisi esteenä keskustelevan tekoälyn hyväksymiselle ja käytölle. (Menon & Shilpa, 2023, s. 10–11.) Andrews, Ward ja Yoon (2021, s. 1) ovat puolestaan soveltaneet UTAUT- viitekehystä tekoälytyökalujen käyttöaikomuksen ymmärtämiseksi kirjastonhoitajien keskuudessa. He korvasivat käyttöä edistävät olosuhteet - tekijän tekijällä ”asenne käyttöä kohtaan” (eng. attitude toward using), joka määritellään yksilön yleiseksi affektiiviseksi reaktioksi keskustelevan tekoälysovelluksen käyttöön (Andrews ym., 2021, 3; Venkatesh ym., 2003, 455). Lisäksi he sovelsivat tekijöihin vaikuttavia muuttujia siten, että tutkimuksessa huomioitiin alkuperäisten muuttujien, sukupuolen, iän, kokemuksen ja vapaaehtoisuuden, sijaan yksilön kokemus tekoälypohjaisesta teknologiasta, sukupuoli ja ikä sekä kirjastotyyppi eli työskenteleekö yksilö akateemisessa vai julkisessa kirjastossa. Modifioidun viitekehyksen myötä saavutettiin tutkimustietoa, jonka mukaan suorituskykyodotuksien ohella myös asenteella käyttöä kohtaan on merkittävä vaikutus tekoälypohjaisten teknologioiden käyttöaikomukseen kirjastonhoitajien keskuudessa. Tutkimustulokset myös osoittivat, että muun muassa kirjastotyypillä ei ollut vaikutusta yksilön käyttöaikomukseen. (Andrews ym., 2021, s. 3, 6–7.) 48 H3: Taloushallinnon asiantuntijat, jotka kokevat, että kollegat sekä työantajaorganisaatio tukevat heitä keskustelevan tekoälysovelluksen käytössä, ovat halukkaita käyttämään sovellusta työssään Käyttöä edistävät olosuhteet (Facilitating Conditions) H4: Taloushallinnon asiantuntijat, jotka kokevat omaavansa riittävät resurssit keskustelevan tekoälysovelluksen käytölle, ovat halukkaita hyväksymään ja käyttämään sovellusta työssään Asenne käyttöä kohtaan (Attitude towards using technology) H5: Positiivinen asenne keskustelevan tekoälysovelluksen käyttöä kohtaan taloushallinnon asiantuntijoiden keskuudessa vaikuttaa positiivisesti sovelluksen hyväksymiseen ja käyttämiseen Tietosuojahuolet (Privacy concerns) H6: Taloushallinnon asiantuntijat, jotka kokevat keskustelevan tekoälysovelluksen käyttöön liittyvän tietosuojahuolia eivät hyväksy ja käytä sovellusta työssään Aikomus järjestelmän käyttämiseen (Behavioral intention) H7: Käyttöaikomuksella on positiivinen vaikutus keskustelevan tekoälysovelluksen varsinaiseen käyttöön. 5.3 Tutkimuksen perusjoukko ja otos Tutkimuksen populaatiolla eli perusjoukolla tarkoitetaan kohdejoukkoa, johon toteutettava tutkimus kohdistuu ja, josta tutkimuksessa halutaan tehdä päätelmiä (Tähtinen ym., 2020, s. 16; Vilkka, 2007, s. 51). Perusjoukko voi olla esimerkiksi suuri ihmisryhmä, kuten kaikki työikäiset suomalaiset, mutta se voi myös olla hyvinkin rajattu joukko, kuten tietyn ammattiryhmän tai edelleen yksittäisen yrityksen työntekijät (Tähtinen ym., 2020, s. 16). Tutkimuksen perusjoukko muodostui Suomen taloushallinnon asiantuntijoista. Taloushallintoliiton mukaan vuonna 2022 tilitoimistoalalla Suomessa oli 6 195 yritystä ja alalla työskenteli tuolloin reilut 13 000 henkilöä (Taloushallintoliitto, ei pvm.). Tutkimuksen perusjoukon voidaan siis nähdä olevan hyvin suuri ja näin ollen tutkimuksen toteuttamista kokonaistutkimuksena ei nähty mahdollisena. Kokonaistutkimuksella tarkoitetaan tutkimusta, joka osoitetaan kaikille perusjoukkoon kuuluville (Vilkka, 2007, s. 51). Vaihtoehtoinen toteuttamistapa on otanta, mikäli koko perusjoukkoa ei voida ottaa mukaan tutkimukseen. Otannalla tarkoitetaan osajoukkoa eli otosta, joka valitaan otantamenetelmää hyödyntäen tutkimuksen kohteena olevasta perusjoukosta. Otoksen tulee olla ominaisuuksiltaan sekä rakenteeltaan mahdollisimman samankaltainen kuin tutkimuksen perusjoukko, jotta perusjoukkoa koskevien päätelmien ja yleistyksien tekeminen otoksen perusteella on mahdollista. (Tähtinen ym., 2020, s. 16; Vilkka, 2007, s. 51, 56.) Otoskoon määrittelyssä tulee huomioida perusjoukon koko sekä käytettävissä olevat resurssit. Karkeasti voidaan määritellä, että mitä suurempi perusjoukko 49 on, sitä suuremman tulisi olla myös otoskoko. Lisäksi mitä suurempi otos on, sitä luotettavampina voidaan myös saatuja tuloksia pitää. (Vilkka, 2007, s. 57.) Tutkimuksen otannan määrittely aloitettiin pohtimalla, kuinka tutkimukseen saataisiin mahdollisimman monipuolisia vastauksia taloushallinnon asiantuntijoilta siten, että vastausmäärä olisi mahdollisimman laaja perusjoukon suuruuteen nähden olemassa olevat resurssit huomioiden. Otannan määrittelyssä päädyttiin hyödyntämään Taloushallintoliiton auktorisoimia tilitoimistoja, sillä listaus näistä tilitoimistoista oli saatavilla Taloushallintoliiton nettisivuilla. Listauksen tiedot siirrettiin taulukkomuotoon ja aineistoa käsiteltiin Excel-ohjelmistolla. Kokonaisuudessaan auktorisoitujen tilitoimistojen määrä 7.2.2024 oli 1 032 kappaletta. Taulukosta poistettiin tilitoimistot, joiden paikkakunnaksi oli ilmoitettu muu kuin Manner-Suomi. Lisäksi taulukosta poistettiin kaksoiskappaleet tilitoimiston nimen perusteella, sillä listauksessa oli ilmoitettuna kunkin yrityksen jokainen toimipaikka erikseen. Tupla-arvojen poistamisen myötä jäljelle jäi yksi rivi per tilitoimisto ja kappalemääräksi muodostui 609 auktorisoitua tilitoimistoa. Varsinaisessa otannassa päätettiin hyödyntää ositettua otantamenetelmää tilitoimistojen henkilöstömäärän perusteella. Ositettu otanta soveltuu tutkimuksiin, joissa perusjoukko on jakaantunut ryhmiin ja otannassa halutaan ottaa huomioon jokainen perusjoukon ryhmä siten, että otoksen rakenne on suhteellisesti mahdollisimman hyvin linjassa perusjoukon rakenteen kanssa (Stokes & Wall, 2014, s. 162–163). Tilitoimistoalalla suurin osa yrityksistä kuuluu mikroyrityksien eli henkilöstömäärältään 9 tai vähemmän luokkaan ja vuonna 2022 tilitoimistoalan yrityksien keskikoko olikin 2 henkilöä (Taloushallintoliitto, ei pvm.). Ositettu otantamenetelmä koettiin soveltuvammaksi vaihtoehdoksi, sillä sen avulla pystyttiin takaamaan, että perusjoukossa vähemmän edustetut keskisuuret sekä suuret yritykset huomioitaisiin myös otannassa. Määrällisen tutkimuksen yleinen otantamenetelmä on satunnaisotanta, jossa havaintoyksiköt valitaan sattumanvaraisesti arpomalla perusjoukosta. Tämä otantamenetelmä soveltuu tutkimuksiin, joissa perusjoukon sisällä ei ole suurta vaihtelua havaintoyksiköiden ominaisuuksissa. (Vilkka, 2007, s. 53.) Tässä tapauksessa satunnaisotanta olisi kuitenkin mahdollisesti johtanut otantaan, jossa alan keskisuurissa sekä suurissa yrityksissä työskenteleviä asiantuntijoita ei olisi otettu huomioon tai heidän osuutensa otannassa olisi ollut hyvin pieni. Koska yrityksien henkilöstömäärä oli olennaisessa asemassa tutkimuksen otannassa, taulukkoon lisättiin kaksi uutta saraketta: sarake, joka kertoo yrityksen henkilöstömäärän sekä sarake, joka jakaa yritykset neljään eri kokoluokkaan henkilöstömäärän perusteella: 9 tai vähemmän, 10–49, 50–249 ja 250 tai enemmän. Henkilöstömäärän täydentämiseksi hyödynnettiin pääasiallisesti Finder-hakukonetta, jonka kautta saatiin tietoon yrityksen viimeisimmän tilinpäätöksen mukainen henkilöstömäärä. Mikäli tietoja ei ollut saatavilla Finder-hakukoneessa, pyrittiin tietoa etsimään esimerkiksi yrityksen nettisivuilta. Suuntaa antavan henkilöstömäärän perusteella täydennettiin yrityksen kokoluokitus henkilöstömäärän mukaisesti. Mikäli yrityksestä ei löytynyt tarvittavia tietoja, tilitoimisto poistettiin taulukosta. Lisäksi, jos 50 selvitettäessä kävi ilmi, että tilitoimisto on osa suurempaa konsernia, joka on jo mainittu samassa taulukossa, tällaiset tupla-arvot poistettiin. Näiden toimenpiteiden jälkeen jäljelle jäi 530 kappaletta tilitoimistoja. Tutkimuksen toteuttamisen resurssit huomioiden jäljelle jäävä tilitoimistojen määrä oli edelleen liian suuri, jotta kaikki voitaisiin huomioida otannassa. Tämän vuoksi otantaa rajattiin edelleen siten, että otannassa huomioitiin kaikki taulukon auktorisoidut tilitoimistot, joiden henkilöstömäärä on viisi tai enemmän. Tämän rajauksen myötä tutkimuksen otos muodostui 260 kappaleesta tilitoimistoja, mutta tutkimusaineiston keräämisen aikana 13 tilitoimistoa karsiutui edelleen otoksesta. Lopulliseen otokseen jäi näin ollen 247 tilitoimistoa. Nämä 13 tilitoimistoa poistettiin, koska yhteystietoja ei löytynyt tai tuli ilmi, että yritykset ovat sulautuneet osaksi toista tilitoimistoa, joka oli jo edustettuna taulukossa. Taulukossa 4 on esitetty kaikkien auktorisoitujen tilitoimistojen suhteellinen jakautuminen henkilöstömäärän mukaan verrattuna lopullisen otannan suhteelliseen jakautumiseen. Taulukosta voidaan huomata, että mikroyrityksien suhteellinen osuus otannassa pieneni, kun taas muiden luokkien osuus kasvoi. Vertailusta voidaan kuitenkin havaita, että mikroyrityksien osuus otannassa pysyi edelleen suurimpana, kun taas suurien yrityksien osuus pysyi pienimpänä. Tutkimuksen resurssit huomioiden voidaan todeta, että otos kattoi perusjoukon jakautumisen asianmukaisesti ositetun otantamenetelmän määritelmän mukaisesti. TAULUKKO 4 Auktorisoitujen tilitoimistojen suhteellinen jakautuminen henkilöstömäärän mukaan verrattuna otannan jakautumiseen Kaikki auktorisoidut tilitoimistot Otanta n Prosentti n Prosentti 9 tai vähemmän 392 74 % 5–9 118 48 % 10–49 104 20 % 10–49 96 39 % 50–249 23 4 % 50–249 22 9 % 250 tai enemmän 11 2 % 250 tai enemmän 11 4 % 530 100 % 247 100 % 5.4 Tiedonkeruumenetelmä ja tutkimusaineiston kerääminen Tutkielman tiedonkeruumenetelmänä päädyttiin hyödyntämään vakioitua kyselylomaketta. Kyselylomake on varsin perinteinen määrällisen tutkimusmenetelmän aineiston keruumenetelmä ja se soveltuu etenkin tutkimuksiin, joissa kiinnostuksen kohteena ovat esimerkiksi tutkittavien mielipiteet sekä kokemukset (Tähtinen ym., 2020, s. 25; Vilkka, 2007, s. 28). Kyselylomakkeen vakioinnilla tarkoitetaan, että kaikilta kyselyn osallistujilta kysytään täysin samat kysymykset, samassa järjestyksessä ja samalla tavalla (Vilkka, 2007, s. 28). 51 Kyselylomake toteutettiin sähköisessä muodossa Webropolkyselyohjelmistolla. Kyselytutkimuksessa olennaista on kyselyn huolellinen suunnitteleminen sekä testaaminen, jotta vastausprosentti ei jäisi alhaiseksi puutteellisen suunnittelun vuoksi, ja jotta varmistutaan siitä, että kyselylomakkeen avulla saadaan kerättyä tutkimuksen kannalta hyödyllistä tietoa (Vilkka, 2007, s. 28; Stokes & Wall, 2014, s. 153). Aikavälillä 13.3.-15.3.2024 suoritetiin kyselyn testiotanta, jolloin kyselylomake jaettiin tutkimuksen perusjoukon ulkopuolisille henkilöille. Testiotannan henkilöitä pyydettiin täyttämään kyselylomake ja lisäksi heiltä pyydettiin palautetta kyselyn sisällöstä sekä asettelusta. Testivastauksia saatiin yhdeksän kappaletta ja palautteiden perusteella muutamia kysymyksiä muutettiin muotoilultaan selkeämmäksi, mutta kyselyn sisältöön ei ollut tarvetta tehdä muutoksia. Varsinainen kysely oli avoimena 18.3.-28.3.2024 sekä 15.4.-22.4.2024. Ensimmäisen viikon alussa eli viikolla 12 liitteessä 3 oleva saatekirje, linkki kyselyaineistoon sekä tiedote tutkimuksesta ja tietosuojaliite (liite 5) lähetettiin 247 auktorisoidun tilitoimiston edustajalle sähköpostitse. Sähköpostiviestissä tilitoimiston edustajaa pyydettiin jakamaan kyselyn saatekirje kyselylinkin kera yrityksen henkilöstölle heidän sisäisessä kanavassaan tai sähköpostitse. Tiedonkeruussa päätettiin lähestyä tilitoimiston edustajia, sillä tämän uskottiin lisäävän luottamusta ja siten myös motivaatiota osallistua tutkimukseen. Toisena vaihtoehtona olisi ollut lähestyä sähköpostitse suoraan tilitoimistojen taloushallinnon asiantuntijoita, mutta tämä olisi ollut huomattavasti työläämpi vaihtoehto tutkimuksen resurssit huomioiden. Tässä vaihtoehdossa vastausmäärä olisi mahdollisesti jäänyt myös alhaisemmaksi, sillä nykypäivänä reagointi tuntemattomien lähettäjien lähettämiin linkkeihin on hyvin varovainen esimerkiksi haittaohjelmien pelossa. Viikon 13 alussa tilitoimiston edustajille lähetettiin muistutusviesti tutkimukseen osallistumisesta ja tämän lisäksi linkki kyselyyn jaettiin myös LinkedInsovelluksessa, jotta kyselyn vastausmäärää saataisiin nostettua. Huhtikuussa 2024 kyselylomake päätettiin avata uudelleen viikon ajaksi vastausmäärän kasvattamiseksi. Tällöin saateviesti (liite 4) kyselylinkin kera jaettiin taloushallinnon alaa koskevissa ryhmissä Facebookissa sekä LinkedInsovelluksessa. Lisäksi Taloushallintoliitto jakoi tiedon tutkimuksesta sekä linkin kyselylomakkeeseen sähköisessä uutiskirjeessään 19.4.2024. Uutiskirje toimitettiin noin 11 000 alasta kiinnostuneelle henkilölle sähköpostitse kyseisenä päivänä. Sekä sähköpostiviestissä tilitoimiston edustajille kuin sosiaalisen median julkaisuissa korostettiin, että kysely on osoitettu taloushallinnon asiantuntijoille Suomessa. Tiedonkeruumenetelmän valintaa tuki muun muassa perusjoukon suuruus ja tämän myötä myös otoksen laajuus, sillä kyselylomake soveltuu etenkin tilanteisiin, joissa tutkittavia on paljon ja he ovat sijoittautuneet hajanaisesti (Vilkka, 2007, s. 28). Valintaa puoltavana tekijänä nähtiin osallistumisen joustavuus. Kyselylomake oli ensimmäisellä kerralla avoimena lähes kaksi viikkoa sekä toisella kerralla viikon ajan, mikä mahdollisti sen, että vastaaja voi täyttää lomakkeen hänelle sopivampana hetkenä sekä tarvittaessa pohtia rauhassa vastauksiaan. Kolmantena valintaa ohjaavana tekijänä pidettiin 52 tutkimuksessa hyödynnettävää UTAUT-viitekehystä. Venkatesh ja muut (2003) ovat hyödyntäneet tutkimuksessaan kvantitatiivista tutkimusmenetelmää sekä kyselylomaketta, jonka myötä viitekehyksen tekijät sekä mittaristo pystyttiin adaptoimaan toteutettavaan tutkimukseen. Myös muut aikaisemmat UTAUT- viitekehystä hyödyntäneet tutkimukset, kuten Andrewsin ja muiden tutkimus vuodelta 2021, ovat käyttäneet tiedonkeruumenetelmänään kyselylomaketta sekä analysoineet tietoja kvantitatiivisin menetelmin. Samankaltaisuus tutkimusmenetelmän sekä tiedonkeruumenetelmän valinnassa mahdollistavat sen, että tuloksia pystytään vaivatta vertailemaan keskenään. Vaikka kyselylomake tiedonkeruumenetelmänä koettiin soveltuvammaksi vaihtoehdoksi, tunnistettiin menetelmään liittyvän myös haasteita, joita pyrittiin ennaltaehkäisemään mahdollisimman hyvin ennen varsinaisen tiedonkeruun aloittamista. Keskeisiä tunnistettuja haasteita olivat kato eli mahdollinen alhainen vastausprosentti, mahdollisuus väärinymmärtämiseen tai aiheen monimutkaiseksi kokeminen. Kyselytutkimuksissa kato voi usein olla jopa 70– 75 prosenttia, jolloin vain noin 30 prosenttia otokseen valituista vastaavat kyselyyn (Vilkka, 2007, s. 59). Vilkka (2007, s. 28) tuo esiin, että kyselytutkimuksessa kyselyn lähettämisen ajoitus tulee suunnitella tarkasti, jotta vastausprosentti ei jää ajoituksen vuoksi liian alhaiseksi. Tässä tutkielmassa etenkin tutkimuksen ajoitus koettiin haasteelliseksi, sillä tilitoimistoimistojen merkittävin kiirekausi tilinpäätösten takia ajoittuu alkuvuoteen ja jatkuu huhtikuun loppuun asti. Tunnistettu haaste korosti selkeän kyselyn sekä tiiviin, mutta informatiivisen saatekirjeen suunnittelemisen tärkeyttä. Kiirekauden lisäksi tilitoimistoissa myös kuukauden alkupuoli on usein kiireistä aikaa, sillä tuolloin tehdään edellisen kuun kuukausikirjanpitoon liittyvät tehtävät valmiiksi. Tästä syystä molemmat kyselyt ajoitettiin kuukauden puoliväliin tai loppukuuhun, jotta tilitoimistoissa ei olisi meneillään tilinpäätöskiireiden lisäksi myös alkukuuhun liittyviä kiireitä. Väärinymmärrysten ja aiheen monimutkaisuuden vähentämisessä olennaista on operationalisointi. Tällä tarkoitetaan teoreettisten käsitteiden muuttamista arkielämän kielelle sekä mitattavaan muotoon. Operationalisoinnin avulla varmistetaan myös se, että toteutettava tutkimus vastaa määriteltyä tutkimusongelmaa ja tämän myötä saadut tulokset tuottavat tarvittavaa tietoa tutkittavasta aiheesta. (Vilkka, 2007, s. 36–37.) Ennen varsinaista kyselylomakkeen luomista tutkimuksessa hyödynnettävään UTAUT- viitekehykseen ja sen tekijöihin perehdyttiin huolellisesti. Venkateshin ja muiden (2003, s. 460) tutkimus sisältää valmiita väittämiä, jotka on kehitetty mittaamaan viitekehyksen keskeisiä tekijöitä. Näitä väittämäkokonaisuuksia hyödynnettiin tutkimuksen kyselylomakkeen pohjana. Viitekehyksen alkuperäiset väittämät on esitetty liitteessä 1. Operationalisoinnin yhteydessä keskeiset tekijät sekä näitä mittaavat väittämät käännettiin suomeksi niin, että sisältö vastasi edelleen mahdollisimman tarkasti viitekehyksen alkuperäisiä väittämiä. Tämän jälkeen väittämiä muotoiltiin selkeämpään sekä ymmärrettävämpään muotoon, välttäen liian teoreettista sanastoa. Muotoilussa kiinnitettiin kuitenkin huomiota siihen, että väittämien keskeinen sisältö säilyi edelleen viitekehyksen mukaisena, jotta 53 tutkimusaineiston keräämisen myötä saavutettaisiin tutkimuksen kannalta olennaista tietoa. Kyselylomakkeen lisäksi myös saatekirjeen sisältöön kiinnitettiin huomioita. Vilkka (2007, s. 65) korostaa, että vastaajan motivaatio tutkimukseen osallistumisesta herää saatekirjeestä. Saatekirjeessä tuotiin selkeästi esiin tutkimuksen tarkoitus ja lisäksi käsitettä ”keskusteleva tekoälysovellus” avattiin esimerkkien avulla. Tämä koettiin tarpeelliseksi, koska termi saattaa uutuutensa vuoksi olla monille vielä tuntematon ja keskusteleviin tekoälysovelluksiin viitataan usein sovellusten nimellä tai yleisellä termillä ”tekoäly”. Lopullinen kyselylomake on esitetty liitteessä 2. Ennen kyselyyn vastaamista osallistujan oli annettava lomakkeella suostumuksena siihen, että anonyymeja tutkimustuloksia hyödynnetään johtopäätöksien tekemiseen tutkittavasta aiheesta. Tällä toimintatavalla varmistettiin se, että kaikki vastaajat ymmärtävät tutkimuksen tarkoituksen sekä sen, kuinka tuloksia tullaan hyödyntämään. Varsinainen kyselylomake sisälsi seitsemän taustakysymystä sekä 26 väittämää, joihin vastattiin Likertin 7-portaisella asteikolla eli vastaus tuli esittää asteikolla 1–7, jossa 1 oli täysin eri mieltä, 2 eri mieltä, 3 osittain eri mieltä, 4 ei samaa eikä eri mieltä, 5 osittain samaa mieltä, 6 samaa mieltä ja 7 täysin samaa mieltä. Kyselyn lopussa oli lisäksi vapaakenttä, johon vastaaja sai halutessaan jättää vapaamuotoisen kommentin keskustelevan tekoälysovelluksen käyttöön liittyen. 7-portaisen asteikon valintaa tuki muun muassa Rhodesin, Mathesonin sekä Markin (2010, s. 148) tutkimuksen tulokset, joiden mukaan 7-portaan vastausasteikolla saavutettiin suurempi vaihtelu kuin 5-portaan vastausasteikolla ja lisäksi 7-portaisella asteikolla oli suurin yleinen luotettavuus. Finstadin (2010, s. 108) mukaan 7-portainen Likertin asteikko heijastaa vastaajan todellista subjektiivista arviota kyselylomakkeen kohteesta todennäköisemmin kuin 5-portainen asteikko. Vastausasteikon vaihteluväli tuotiin vastaajille esiin saatekirjeessä, kyselylomakkeen etusivulla sekä kysymysten yhteydessä. 5.5 Tutkimusaineiston analyysi Tutkimusaineiston analyysia sekä tulkintaa edelsi aineiston kerääminen sekä käsittely. Aineiston käsittelyksi kutsutaan vaihetta, jossa kyselylomakkeilla saatu aineisto tarkastetaan ja aineisto muutetaan numeeriseen muotoon. Mahdollisimman virheettömästi tallennettu aineisto luo paremmat edellytykset aineiston laadulle ja sen myötä tuloksien tarkkuudelle. (Vilkka, 2007, 106, 115.) Kerätyn aineiston käsittely toteutettiin Webropol-ohjelmiston raportointityökalua hyödyntäen, kun jälkimmäisen aineistonkeruuajanjakson määräaika oli umpeutunut. Sähköinen kyselylomake toimi tiedonkeruumenetelmänä suunnitellusti, ja vastaajat täyttivät vastauksensa kaikkiin vaadittuihin kysymyksiin. Kaikki kyselylomakkeen kysymykset olivat merkitty pakollisiksi, lukuun ottamatta viimeistä vapaamuotoista kommenttikenttää, johon vastaajat saivat halutessaan 54 jättää kommentin liittyen keskustelevan tekoälysovelluksen käyttöä työssään. Vapaamuotoiset kommentit päätettiin ottaa huomioon johtopäätöksiä muodostettaessa saatujen tutkimustuloksien tueksi. Tutkimusaineiston varsinaista analyysia varten käytettiin Excel- ja SPSS 28.0 -ohjelmistoja, joihin numeerinen aineisto siirrettiin Webropol-ohjelmistosta. Kyselylomakkeen väittämäkokonaisuus ”tietosuojahuolet (privacy concerns)” sisälsi kaksi väittämää, PC1: Olen huolissani, että keskustelevan tekoälysovelluksen antamat vastaukset ovat puolueellisia sekä PC2: Olen huolissani, että keskusteleva tekoälysovellus tuottaa virheellistä tietoa, jotka olivat tilastojen näkökulmasta esitetty negatiivisessa muodossa. Kääntämällä muuttujien suunta saman suuntaiseksi muiden muuttujien kanssa on tulkintojen tekeminen helpompaa (Vehkalahti, 2019, s. 65). Tästä syystä edellä mainittujen väittämien vastaukset käännettiin siten, että arvo 1 sai arvon 7, arvo 2 sai arvon 6, arvo 3 sai arvon 5, arvo 4 pysyi ennallaan, arvo 5 sai arvon 3, arvo 6 sai arvon 2, sekä arvo 7 sai arvon 1. Vilkka korostaa, että analyysimenetelmän valinnassa olennaisinta on valita sellainen menetelmä, joka mahdollistaa tiedon saamisen tutkittavasta aiheesta. Tämän lisäksi menetelmän valintaan vaikuttaa se, tutkitaanko vain yhtä muuttujaa vai kahden tai useamman muuttujan välistä yhteyttä. (Vilkka, 2007, s. 119.) Aineiston analyysi aloitettiin tarkastelemalla laajennetun UTAUT- viitekehyksen tekijöitä yksittäisinä muuttujina yleiskuvan luomiseksi. Saatuja vastauksia tutkittiin laskemalla kunkin muuttujan aritmeettinen keskiarvo sekä keskihajonta. Keskiarvo on yksi yleisimmistä sijaintiluvuista, jonka avulla pystytään kuvaamaan havaintojen keskimääräistä suuruutta (Vilkka, 2007, s. 122). Keskiarvo soveltuu välimatka- ja suhdelukuasteikollisten, kuten Likertasteikollisten, havaintojen tarkasteluun. Keskiarvo voi olla herkkä poikkeaville havainnoille, jonka vuoksi aineistoa on tärkeä tarkastella myös hajontaa kuvaavan tunnusluvun, kuten keskihajonnan, avulla. (Tähtinen ym., 2020, s. 102, 105.) Keskihajonnan avulla saadaan tietoa siitä, kuinka kaukana yksittäiset muuttujan arvot ovat suhteessa laskettuun aritmeettiseen keskiarvoon (Vilkka, 2007, s. 124). Aineiston analyysin seuraavassa vaiheessa keskityttiin tutkittavien muuttujien välisten riippuvuuksien tarkasteluun korrelaatioanalyysimenetelmää hyödyntäen. Analyysimenetelmän valintaa tuki sen soveltuvuus Likert-asteikollisten muuttujien tarkasteluun sekä tutkimuksen tarkoitus (Tähtinen ym., 2020, s. 183). Asetetun tutkimuskysymyksen sekä hyödynnettävän viitekehyksen kannalta olennaista oli tarkastella laajennetun UTAUT-viitekehyksen tekijöiden ja käyttöaikomuksen sekä yksilön ominaisuuksien riippuvuussuhdetta. Yksilön ominaisuuksista tutkimuksessa huomioitiin alkuperäisen viitekehyksen mukaisesti yksilön sukupuoli sekä ikä, ja lisäksi ominaisuuksina huomioitiin työkokemus taloushallinnon asiantuntijan tehtävistä sekä työnantajaorganisaation koko henkilöstömäärän mukaan. Riippuvuussuhteiden analyysissä käytettiin Pearsonin korrelaatiokerrointa (r), joka soveltuu lineaarisen eli suoraviivaisen riippuvuuden sekä yhteyden suunnan ja voimakkuuden tutkimiseen (Tähtinen ym., 2020, s. 183, 185). 55 Korrelaatiokerroin voi saada arvokseen luvun -1 ja 1 väliltä. Mitä lähempänä korrelaatiokertoimen arvo on nollaa, sitä heikompi on muuttujien välinen riippuvuus. Ääripäiden arvot ilmaisevat täydellistä lineaarista riippuvuutta. Positiivinen korrelaatio tarkoittaa, että arvot kasvavat samansuuntaisesti, kun taas negatiivinen korrelaatio merkitsee, että arvot vähenevät samansuuntaisesti. (Vilkka, 2007, s. 130.) Pearsonin korrelaatiokertoimen tulkinnan avuksi on määritelty raja-arvoja, jotka tosin vaihtelevat hieman lähteistä riippuen. Tähtinen ja muut esittävät suuntaa antaviksi raja-arvoiksi seuraavaa: arvon ollessa yli 0,70 riippuvuus voidaan tulkita voimakkaaksi, arvon ollessa 0,3 < r < 0,70 riippuvuus tulkitaan kohtalaiseksi ja alle 0,3 arvo tulkitaan heikoksi. Raja-arvojen ohella tulkinnassa on huomioitava myös otoksen koon vaikutus. Pienten otosten kohdalla korrelaatiokertoimen tulee olla suurempi, jotta muuttujien välisen suhteen voidaan katsoa olevan tilastollisesti merkitsevää. (Tähtinen ym., 2020, s. 186.) Tutkimusaineiston analyysin viimeisessä vaiheessa keskustelevan tekoälysovelluksen hyväksyntää tarkasteltiin myös lineaarisen regressioanalyysin avulla. Regressioanalyysi mahdollistaa muuttujien välisen yhteyden yksityiskohtaisemman tulkitsemisen tutkimusongelman ratkaisemiseksi. Regressioanalyyseja on erilaisia, joista lineaarista regressioanalyysiä hyödynnetään yleensä tilanteissa, joissa tutkimuksen taustalla on jokin teoreettinen viitekehys tai ennakko-olettamus, kuten tässä tutkimuksessa UTAUT-viitekehys. Analyysin tavoitteena on arvioida selittävien muuttujien roolia suhteessa selitettävään muuttujaan ja mahdollisesti vahvistaa tai kumota teoreettisia oletuksia. (Tähtinen ym., 2020, s. 194, 196.) Tutkimusaineistoon liittyvän tulkinnan sekä päätöksenteon arvioimisen tukena hyödynnettiin tilastollista merkitsevyystasotarkastelua. Tilastollista merkitsevyyttä kuvastava p-arvo kertoo, millä todennäköisyydellä tutkimusasetelmaan liittyvä nollahypoteesi hylätään, vaikka se olisikin tosi. Yleisimmin p-arvon tarkastelu liittyy kuitenkin määrällisissä ei-kokeellisissa tutkimuksissa eri tekijöiden välisen riippuvuuden arviointiin ja vahvistamiseen. Tällöin tilastollisen merkitsevyyden tulkinta keskittyy ennen kaikkea siihen, millä riskitasolla otoksesta havaittuja tuloksia voidaan yleistää koskemaan tutkimuksen perusjoukkoa. (Tähtinen ym., 2020, s. 40–41.) P-arvon yleisenä riskitasokriteerinä käytetään 0,05:n tasoa, jota käytetään kriteerinä myös tässä tutkimuksessa. Kriteeritason mukaisesti p-arvon ollessa pienempi kuin 0,05 voidaan tulosta pitää tilastollisesti merkitsevänä. (Tähtinen ym., 2020, s. 42.) P-arvoa hyödyntämällä pyritään minimoimaan virheellisten päätelmien riskiä, jotka tehdään otoksen perusteella perusjoukosta. Vaikka tilastollisesti merkitsevä p-arvo saavutettaisiin, sen sisällöllinen merkitys edellyttää tutkijan omaa arviota siitä, onko havaittu ero tai yhteys myös käytännössä merkittävä. (Venkalahti, 2019, s. 88.) 56 5.6 Tutkimuksen luotettavuus Tutkimuksen kokonaisluotettavuus muodostuu validiteetista sekä reliabiliteetista. Tutkimuksen kokonaisluotettavuutta voidaan pitää hyvänä, kun toteutunut otos edustaa tutkimuksen perusjoukkoa ja satunnaisvirheiden määrä mittauksessa on mahdollisimman minimaalinen. Jotta nämä tavoitteet pystytään saavuttamaan, tulee koko tutkimusprosessi toteuttaa suunnitelmallisesti siten, että tehdyt päätökset ovat perusteltuja ja vastaavat tutkimusongelmaan. Kokonaisluotettavuuden näkökulmasta olennaista on myös tieteellisten vaatimusten noudattaminen, kuten tutkimuskohteen tarkka määrittäminen, puolueettomat ja rehelliset tutkimustulokset sekä tutkimusetiikan noudattaminen. (Vilkka, 2007, s. 152, 154.) 5.6.1 Validiteetti Validiteetilla viitataan tutkimuksen pätevyyteen eli siihen, tuottavatko tutkimuksessa käytetyt menetelmät luotettavia sekä tarkkoja tuloksia, jotka ovat tutkimuksen kannalta olennaisia (Stokes & Wall, 2014, s. 206–207). Käsitteiden operationalisoinnilla on suuri vaikutus tutkimuksen validiuteen, sillä puutteellisesti toteutettu operationalisointi voi johtaa vääristyneisiin tai puutteellisiin tutkimustuloksiin, mikä edelleen heijastuu tuloksien analysointiin sekä johtopäätöksien tekemiseen. Validiteetin näkökulmasta tutkimusraportissa on tärkeää tuoda esiin tehdyt ratkaisut sekä perustelut niille. Tutkimuksen validiteettia voidaan pitää hyvänä, kun operationalisointi on toteutettu huolellisesti eikä tutkimus sisällä systemaattisia virheitä eli virheitä, jotka johtavat virheellisiin tuloksiin. (Vilkka, 2007, s. 150, 153.) Tämä tutkimus pohjautuu vahvasti UTAUT-viitekehykseen, joka osaltaan varmistaa tutkimuksen validiteetin toteutumista, sillä tutkimuksen mittaristo on johdettu hyödynnettävästä viitekehyksestä. Operatinalisoinnissa ja lopullisen kyselyn muodostamisessa kiinnitetiin huomioita siihen, että sisältö on edelleen viitekehyksen mukainen, vaikka alkuperäiset väittämät käännettiin ja muotoiltiin englannin kielestä suomen kielelle, jotta tutkimuksen validius ei vaarantuisi. Tässä tutkimuksessa mittariston validiteettia ei arvioitu erikseen faktorianalyysin avulla, koska UTAUT-viitekehys ja sen mittarit ovat jo laajasti tutkittuja, ja niiden pätevyys on vahvistettu aikaisemmissa tutkimuksissa. Muun muassa Andrews ja muut (2021, s. 5) sekä Rahi ja muut (2019, s. 419) ovat hyödyntäneet tutkimuksissaan UTAUT-viitekehystä ja arvioineet mittariston validiuden faktorianalyysilla. Tässä tutkimuksessa alkuperäiseen UTAUT- viitekehykseen ei tehty merkittäviä muutoksia, jonka myötä voidaan todeta, että tutkimuksessa käytetyn mittariston validiteetti on jo aikaisemmin vahvistettu tutkimuksissa, jotka ovat hyödyntäneet tätä viitekehystä. 57 5.6.2 Reliabiliteetti Stokes ja Wall (2014, s. 206) kuvaavat reliabiliteetin tarkoittavan sitä, missä määrin tutkimuksessa käytettyjä tutkimusmenetelmiä sekä lähestymistapoja voidaan pitää luotettavina. Reliabiliteetti viittaa tutkimuksen kykyyn tuottaa johdonmukaisia tuloksia, jotka eivät perustu sattumaan. Toisin sanoen se arvioi mittauksen toistettavuutta sekä tulosten pysyvyyttä eri mittauskerroilla. (Vilkka, 2007, s. 149.) Näin ollen tutkimuksen luotettavuuteen liittyy olennaisesti kysymys, mikäli tutkimus toteutettaisiin täysin samoja menetelmiä hyödyntäen uudelleen eri tutkijan toimesta, missä määrin voidaan olla varmoja, että tulokset ovat linjassa alkuperäisten tutkimustuloksien kanssa (Stokes & Wall, 2014, s. 206). Vilkka (2007, s. 149) korostaa, että tutkimuksen reliabiliteettia on tärkeä arvioida sekä itse tutkimuksen aikana että sen jälkeen. Yksi menetelmä reliabiliteetin arvioimiseksi on mitata samaa ilmiöitä vähintään kahdella kysymyksellä, jolloin reliabiliteettia voidaan tarkastella kysymysten välisen korrelaatioasteen avulla (Vilkka, 2007, s. 149). Tutkimuksen kyselylomakkeella hyödynnetyn UTAUT-viitekehyksen tekijöitä mitattiin useamman väittämän avulla siten, että suorituskykyodotuksien, vaivattomuuden odotuksien sekä sosiaalisen vaikutuksen -kokonaisuudet sisälsivät neljä väittämää, käyttöä edistävät olosuhteet, tietosuojahuolet sekä aikomus järjestelmän käyttämiseen sisälsivät kolme väittämää, ja asenne käyttöä kohtaan kokonaisuus sisälsi viisi väittämää. Tekijäkokonaisuuksien useammat väittämät mahdollistavat tulosten välisen korrelaation tarkastelemisen. Tutkimuksen reliabiliteettia lisää myös valittu analyysimenetelmä, jonka mukaisesti tutkimustuloksia analysoidaan korrelaatioanalyysia hyödyntäen. Tutkimuksen keskiössä olevien UTAUT-viitekehyksen tekijöiden väittämäkokonaisuuksien reliabiliteettia tarkasteltiin tulosten analysointivaiheessa hyödyntäen Cronbachin alfa -kerrointa (α), jonka tulos kuvastaa kunkin mitattavan kokonaisuuden sisäistä homogeenisuutta eli yhteneväisyyttä. Kokonaisuuksien sisäisellä yhteneväisyydellä tarkoitetaan sitä, ovatko kokonaisuuksien sisältämät väittämät yhtenäisiä ja näin ollen ne mittaavat samaa asiaa. Cronbachin alfa -kerroin saa arvokseen luvun väliltä 0–1. Mitä lähempänä kertoimen arvo on lukua yksi, sen yhdenmukaisempia ovat kokonaisuuden sisältämät kysymykset keskenään. Päin vastaisesti, mikäli kertoimen arvo on lähellä nollaa mittarin muuttujat eivät muodosta yhteneväistä kokonaisuutta. (Tähtinen ym., 2020, s. 84, 86–87.) Alfa-kertoimen tulkitsemiseksi on määritelty erilaisia raja-arvoja. Andrewsin ja muiden (2021, 4) mukaan alfakertoimen tulisi saada arvokseen vähintään 0,70, jotta sisäistä luotettavuutta voitaisiin pitää riittävänä. Myös Tähtinen ja muut (2021, 87) esittävät, että yleisesti mittarin reliabiliteetin raja-arvona pidetään arvoa 0,70, mutta itse laadituissa mittaristoissa myös raja-arvoa 0,60 voidaan pitää riittävänä sisäisen yhteneväisyyden saavuttamiseksi. Koska tämän tutkimuksen mittaristo on johdettu UTAUT-viitekehyksestä, päätettiin Cronbachin alfa -kertoimen rajaarvoksi asettaa 0,70. Näin ollen tulosten analysointivaiheessa laskettuja tekijäkokonaisuuksien sisäistä yhteneväisyyttä kuvaavia arvoja tulkitaan seuraavasti: kertoimen arvon ollessa välillä 0,70 ≤ α ≤ 0,80 tulkitaan sisäisen 64 otannassa oli pieni, sillä vastaajia oli vain yksi. Tämän vuoksi muunsukupuolisten keskustelevan tekoälysovellusten hyödyntämisen toistuvuutta ei voida tutkia tarkemmin. TAULUKKO 12 Keskustelevan tekoälyn hyödyntämisen toistuvuus sukupuolen mukaan Keskiarvon 95 % luottamusväli n Prosentti Keskiarvo Keskihajonta Alaraja Yläraja Nainen 58 76,3 % 3,60 1,413 3,23 3,98 Mies 17 22,4 % 3,18 1,334 2,49 3,86 Muu 1 1,3 % 4 - - - Yhteensä 76 100,0 % 3,51 1,390 Vertailtaessa vastaajien työkokemusta taloushallinnon tehtävistä keskustelevan tekoälyn hyödyntämisen toistuvuuteen voidaan havaita, että 3 vuotta tai vähemmän (ka=3,38) sekä 10 vuotta tai enemmän (ka=3,36) alalla työskennellet vastaajat hyödyntävät keskustelevaa tekoälyä työssään kuukausittain. 4–9 vuotta alalla työskennelleiden keskiarvo oli puolestaan 3,95 eli keskustelevaa tekoälyä hyödynnetään työssä harvoin. Heidän vastauksissaan oli myös vähiten keskihajontaa sen ollessa 1,268. Jakauma työkokemuksen mukaan on esitetty taulukossa 13. TAULUKKO 13 Keskustelevan tekoälyn hyödyntämisen toistuvuus työkokemuksen mukaan Keskiarvon 95 % luottamusväli n Prosentti Keskiarvo Keskihajonta Alaraja Yläraja 3 vuotta tai vähemmän 13 17,1 % 3,38 1,556 2,44 4,33 4–9 vuotta 19 25,0 % 3,95 1,268 3,34 4,56 10 vuotta tai enemmän 44 57,9 % 3,36 1,382 2,94 3,78 76 100,0 % 3,51 1,390 Taulukossa 14 on esitetty keskustelevan tekoälyn hyödyntämisen toistuvuuden jakautuminen vastaajien työnantajaorganisaatioiden henkilöstömäärän mukaan. Taulukosta voidaan havaita, että aktiivisimmin keskustelevaa tekoälyä hyödynnetään organisaatioissa, joiden henkilöstömäärä on 250 tai enemmän. Tämän ryhmä keskiarvoksi muodostui 2,84, joka viittaa kuukausittaiseen toistuvuuteen. Keskiarvon luottamusvälin mukaan keskustelevaa tekoälyä hyödynnetään suurissa organisaatioissa viikoittain-kuukausittain. Mikrosekä pienyrityksissä keskustelevaa tekoälyä hyödynnetään keskiarvon perusteella työssä harvoin sekä luottamusvälin mukaan 65 kuukausittain-harvoin. Keskisuurissa organisaatioissa työskentelevien vastaajien keskiarvoksi muodostui 4,67 mikä viittaa siihen, että keskustelevaa tekoälyä ei hyödynnettäisi työssä lainkaan. Tämän vastaajaryhmän keskihajonta (0,520) oli myös hyvin pieni. Luottamusväliarvion mukaan toistuvuus asettuu välille harvoin-ei koskaan. On kuitenkin huomioitava, että keskisuurissa organisaatioissa työskentelevien vastaajien osuus tutkimuksen otannassa oli vähäinen, vain 7,9 prosenttia. TAULUKKO 14 Keskustelevan tekoälyn hyödyntämisen toistuvuus työnantajaorganisaation henkilöstömäärän mukaan Keskiarvon 95 % luottamusväli n Prosentti Keskiarvo Keskihajonta Alaraja Yläraja 9 tai vähemmän 19 25,0 % 3,74 1,485 3,02 4,45 10–49 20 26,3 % 4,00 1,414 3,34 4,66 50–249 6 7,9 % 4,67 0,520 4,12 5,00 250 tai enemmän 31 40,8 % 2,84 1,130 2,42 3,25 76 100,0 % 3,51 1,390 Kyselylomakkeen taustatieto-osion viimeisenä kysymyksenä kysyttiin, millaista keskustelevaa tekoälysovellustyyppiä vastaaja pääasiallisesti hyödyntää työssään. Vastausvaihtoehtoina olivat avoin ilmaisversio (1), työnantajaorganisaation tarjoama yritysversio (2), itse kustannettu maksullinen versio (3), sekä en käytä keskustelevaa tekoälysovellusta työssäni lainkaan (4). Taulukossa 15 hyödynnettävää keskustelevaa tekoälytyyppiä tarkastellaan työnantajaorganisaation henkilöstömäärään mukaan huomioiden kaikki edellä mainitut vastausvaihtoehdot. Vastausvaihtoehto 4 kuitenkin vääristää keskustelevan tekoälysovellustyypin arvioimista. Tämän vuoksi tuloksia tulee tarkastella ilman kyseistä vastausvaihtoehtoa, jotta saadaan käsitys yleisimmästä keskustelevasta tekoälysovellustyypistä työnantajaorganisaation henkilöstömäärän mukaan. 66 TAULUKKO 15 Hyödynnettävä keskusteleva tekoälytyyppi työnantajaorganisaation henkilöstömäärän mukaan Keskiarvon 95 % luottamusväli n Prosentti Keskiarvo Keskihajonta Alaraja Yläraja 9 tai vähemmän 19 25,0 % 2,68 1,334 2,04 3,32 10–49 20 26,3 % 2,95 1,395 2,30 3,60 50–249 6 7,9 % 3,50 1,225 2,21 4,78 250 tai enemmän 31 40,8 % 2,06 0,727 1,80 2,33 76 100,0 % 2,57 1,204 Taulukossa 16 on esitetty hyödynnettävän keskustelevan tekoälysovellustyypin jakautuminen työnantajaorganisaation henkilöstömäärän mukaan huomioiden vain sovellusta työssään hyödyntävät vastaajat. Näin ollen vastauksia En käytä keskustelevaa tekoälysovellusta lainkaan työssäni (4) eli ole huomioitu alla olevissa tunnusluvuissa. Kokonaiskeskiarvon (1,68) mukaan yleisin taloushallinnon yrityksissä hyödynnettävä keskusteleva tekoälysovellustyyppi on työnantajaorganisaation tarjoama yritysversio sovelluksesta. Keskiarvojen perusteella mikroyrityksissä yleisin hyödynnettävä keskusteleva tekoälysovellustyyppi on avoin ilmaisversio (1) tai työnantajaorganisaation tarjoama yritysversio (2), keskiarvon ollessa 1,50. Tätä tukee myös keskiarvon luottamusvälitarkastelu. Pienyrityksissä yleisin sovellustyyppi on avoin ilmaisversio (1). Kuitenkin keskiarvon luottamusvälin mukaan, pienyrityksissä hyödynnetään avointa ilmaisversiota tai työnantajaorganisaation tarjoamaa yritysversiota. Keskisuurten yrityksien osalta arvioita ei voida tehdä, sillä vain yksi vastaajista kuului tähän ryhmään. Suuryrityksissä työskentelevät vastaajat hyödynsivät keskiarvon (1,86) mukaan pääasiallisesti työnantajaorganisaation tarjoamaa yritysversiota. Tämän ryhmän keskihajonnaksi muodostui 0,356, joka viittaa hyvin vähäiseen hajontaan vastauksissa. Myös keskiarvon luottamusvälitarkastelun perusteella suuryrityksissä hyödynnetään pääasiallisesti työnantajaorganisaation tarjoamaa yritysversiota keskustelevasta tekoälysovelluksesta. 67 TAULUKKO 16 Hyödynnettävä keskusteleva tekoälytyyppi henkilöstömäärän mukaan huomioiden vain sovellusta hyödyntävät vastaajat Keskiarvon 95 % luottamusväli n Prosentti Keskiarvo Keskihajonta Alaraja Yläraja 9 tai vähemmän 10 21,3 % 1,50 0,527 1,12 1,88 10–49 8 17,0 % 1,38 0,744 0,753 2,00 50–249 1 2,1 % 1,00 - - - 250 tai enemmän 28 59,6 % 1,86 0,356 1,72 2,00 47 100,0 % 1,68 0,515 6.3 Tulokset laajennetun UTAUT-viitekehyksen tekijöistä Tutkimuksessa alkuperäistä UTAUT-viitekehystä laajennettiin siten, että neljän alkuperäisen tekijän lisäksi tutkimuksessa mitattiin myös vastaajan asennetta keskustelevan tekoälysovelluksen käyttöä kohtaan, tietosuojahuolia sekä aikomusta keskustelevan tekoälysovelluksen käyttämiseen. Tarkasteltavia tekijöitä tutkittiin väittämäkokonaisuuksien avulla, joista suorituskykyodotuksien, vaivattomuuden odotuksien sekä sosiaalisen vaikutuksen -kokonaisuudet sisälsivät neljä väittämää, käyttöä edistävät olosuhteet, tietosuojahuolet sekä aikomus järjestelmän käyttämiseen sisälsivät kolme väittämää, ja asenne käyttöä kohtaan kokonaisuus sisälsi viisi väittämää. Jokaiseen väittämään tuli esittää vastaus Likert-asteikolla 1–7, jossa 1 oli täysin eri mieltä (TE), 2 oli eri mieltä (E), 3 oli osittain eri mieltä (OE), 4 oli ei samaa eikä eri mieltä (N), 5 oli osittain samaa mieltä (OS), 6 oli samaa mieltä (S) ja 7 oli täysin samaa mieltä (TS). Tässä luvussa väittämäkokonaisuuksien tuloksia tarkastellaan aluksi kokonaisuuksina, minkä jälkeen alaluvuissa tarkastellaan kunkin kokonaisuuden tuloksia väittämäkohtaisesti. Väittämäkokonaisuuksien kokonaistulokset ovat esitettyinä taulukossa 17 keskiarvon, keskiarvon 95 prosentin luottamusvälitarkastelun, keskihajonnan sekä Cronbachin alfan eli sisäisen yhdenmukaisuuden avulla. 68 TAULUKKO 17 Keskiarvo, keskihajonta sekä sisäinen yhdenmukaisuus väittämäkokonaisuuksista Keskiarvon 95 % luottamusväli Keskiarvo Keskihajonta Cronbachin alfa Alaraja Yläraja Suorituskykyodotukset PE1-4 4,15 1,667 0,923 3,81 4,50 Vaivattomuuden odotukset EE1-4 4,89 1,631 0,908 4,56 5,22 Sosiaalinen vaikutus SI1-4 3,76 2,011 0,894 3,38 4,15 Käyttöä edistävät olosuhteet FC1-3 4,64 1,947 0,783 4,27 5,00 Asenne käyttöä kohtaan ATU1-5 4,34 1,709 0,900 4,01 4,66 Tietosuojahuolet PC1-3 3,30 1,590 0,403 3,07 3,53 Aikomus järjestelmän käyttämiseen BI1-3 4,46 1,828 0,913 4,09 4,83 Kokonaisuuksien keskiarvoja tarkasteltaessa voidaan havaita, että kaikki keskiarvot sijoittuvat asteikon keskivaiheille saaden arvokseen 3,30–4,89. Myös väittämäkokonaisuuksien keskihajonta on hyvin samankaltainen kokonaisuuksien välillä saaden arvokseen 1,590–2,001. Keskihajontalukujen perusteella voidaan todeta, että tulosten välillä on jonkin verran hajontaa, mikä edelleen tukee aikaisemmin esitettyä tietoa, jonka mukaan 7-portaisen Likertin asteikko heijastaa paremmin vastaajien todellista subjektiivista arviota ja näin saavutetaan myös suurempi vaihtelu kuin 5-portaisella vastausasteikolla. Cronbachin alfa -kerrointa eli muuttujien sisäistä yhdenmukaisuutta kuvaavaa tunnuslukua tarkasteltaessa voidaan todeta, että yhtä arvoa lukuun ottamatta sisäinen yhdenmukaisuus on hyvällä tasolla. Suorituskykyodotukset, vaivattomuuden odotukset sekä aikomus järjestelmän käyttämiseen -tekijöiden arvot olivat yli 0,90, jolloin sisäinen yhteneväisyys on asetettujen raja-arvojen mukaan erinomaisella tasolla. Myös sosiaalinen vaikutus, käyttöä edistävät olosuhteet sekä asenne käyttöä kohtaan -tekijöiden arvot olivat raja-arvojen mukaisesti hyväksyttävällä tai hyvällä tasolla. Heikoin sisäinen yhdenmukaisuus oli tietosuojahuolet-kokonaisuudella, jonka sisäistä yhdenmukaisuutta kuvaava arvo oli vain 0,403 eli selvästi alle asetetun rajaarvon. Kokonaisuuden sisäisen luotettavuuden puuttuessa päätettiin kyseinen kokonaisuus jättää seuraavien analyysivaiheiden ulkopuolelle. 6.3.1 Suorituskykyodotukset Suorituskykyodotukset -kokonaisuus (Performance Expectancy, PE) kuvastaa sitä, missä määrin yksilö kokee, että keskustelevan tekoälysovelluksen 69 käyttäminen parantaa hänen työsuoritustaan. Kyselylomakkeella suorituskykyodotukset -tekijää mitattiin neljän väittämän (PE1-4) avulla. Tämän kokonaisuuden Cronbachin alfa -kertoimen arvo oli kaikista korkein saaden arvokseen 0,923 eli sisäinen yhdenmukaisuus oli erinomaisella tasolla. Suorituskykyodotus -kokonaisuuden vastausten frekvenssi, keskiarvo, keskiarvon 95 prosentin luottamusvälitarkastelu ja keskihajonta ovat esitettyinä taulukossa 18 väittämä kohtaisesti. TAULUKKO 18 Frekvenssi, keskiarvo sekä keskihajonta suorituskykyodotuksista Keskiarvon 95 % luottamusväli* TE E OE N OS S TS n Keskiarvo Keskihajonta Alaraja Yläraja PE1 5 7 7 18 15 12 12 76 4,51 1,755 4,12 4,91 PE2 6 11 3 28 15 7 6 76 4,05 1,624 3,67 4,42 PE3 7 8 5 29 17 6 4 76 3,99 1,536 3,63 4,33 PE4 10 5 7 24 13 12 5 76 4,07 1,723 3,67 4,45 *ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen Väittämien tunnuslukuja tarkasteltaessa voidaan havaita, että korkein keskiarvo (4,51) sekä keskihajonta (1,755) saatiin väittämälle PE1: Keskustelevasta tekoälysovelluksesta on minulle hyötyä työssäni. Yli puolet vastaajista (51,3 %) olivat väittämän kanssa osittain samaa mieltä (5), samaa mieltä (6) tai täysin samaa mieltä (7). Muiden väittämien keskiarvot olivat hyvin lähellä toisiaan. Väittämän PE2: Keskustelevan tekoälysovelluksen avulla voin suorittaa työtehtäväni nopeammin vastauksista suurin osa (56, 6 %) sijoittui välille ei samaa eikä eri mieltä (4) - osittain samaa mieltä (5). Väittämiin PE2 (36,8 %) sekä PE3: Keskustelevan tekoälysovelluksen käyttö työssä lisää tuottavuuttani (38,2 %) yli kolmasosa vastaajista ilmaisi olevansa väittämän kanssa ei samaa eikä eri mieltä (4). Väittämän PE3 keskiarvo (3,99) sekä keskihajonta (1,536) olivat kokonaisuuden pienimmät. Eniten täysin eri mieltä (1), eri mieltä (2) tai osittain eri mieltä (3) vastauksia (28,9 %) sai väittämä PE4: Uskon, että keskustelevan tekoälysovelluksen käytöllä on myönteinen vaikutus uraani. Väittämien positiivisia (OS, S, TS) ja negatiivisia (TE, E, OE) arvioita vertailtaessa voidaan havaita, että yleisesti ottaen väittämät saivat positiivisia arvioita enemmän. Saadut keskihajonta luvut sijoittuivat välille 1,536–1,755 eli jokaisen väittämän vastaukset ovat jokseenkin vaihdelleet. Keskiarvon luottamusvälejä tarkasteltaessa voidaan todeta, että väittämän PE1 osalta perusjoukon keskiarvo sijoittuisi 95 prosentin varmuudella välille ei samaa eikä eri mieltä (4) – osittain samaa mieltä (5), kun muiden väittämien keskiarvo sijoittuisi tasolle ei samaa eikä eri mieltä (4). 70 6.3.2 Vaivattomuuden odotukset Vaivattomuuden odotukset -kokonaisuuden (Effort Expectancy, EE) vastausten jakauma, keskiarvot, keskiarvon 95 prosentin luottamusvälitarkastelu sekä keskihajonnat ovat esitettyinä taulukossa 19 väittämä kohtaisesti. Vaivattomuuden odotuksilla viitattiin UTAUT-viitekehyksen mukaisesti siihen, kuinka helpoksi tai vaikeaksi yksilö kokee keskustelevan tekoälysovelluksen käyttämisen. Tekijää mitattiin neljällä väittämällä (EE1-4) ja kokonaisuuden sisäinen yhdenmukaisuus oli erinomaisella tasolla saaden arvokseen 0,908. TAULUKKO 19 Frekvenssi, keskiarvo sekä keskihajonta vaivattomuuden odotuksista Keskiarvon 95 % luottamusväli* TE E OE N OS S TS n Keskiarvo Keskihajonta Alaraja Yläraja EE1 6 2 9 21 11 16 11 76 4,60 1,706 4,21 4,97 EE2 5 3 5 23 10 12 18 76 4,81 1,757 4,42 5,21 EE3 2 2 3 21 8 19 21 76 5,30 1,552 4,91 5,61 EE4 2 2 6 23 14 18 11 76 4,88 1,451 4,55 5,20 *ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen Kokonaisuutta tarkasteltaessa vaivattomuuden odotukset - tekijäkokonaisuudella oli korkein keskiarvo sen ollessa 4,89 ja kokonaisuuden keskihajonta oli toiseksi pienin (1,631). Väittämällä EE3: Keskustelevan tekoälysovelluksen käytön opettelu on minulle helppoa oli kokonaisuuden korkein keskiarvo (5,26), johon neljäsosa vastaajista olivat valinneet vaihtoehdon samaa mieltä (6) ja vajaa kolmannes (27,6 %) oli valinnut vaihtoehdon täysin samaa mieltä (7). Huomionarvoista on myös se, että vain kaksi vastaajaa (2,6 %) valitsi vaihtoehdon täysin eri mieltä (1) väittämiin EE3 sekä EE4: Minun on helppo tulla taitavaksi keskustelevan tekoälysovelluksen käytössä. Pienin keskiarvo (4,60) oli väittämällä EE1: Keskustelevan tekoälysovelluksen käyttö on selkeää ja ymmärrettävää. Väittämä EE2: Keskustelevaa tekoälysovellusta on helppo käyttää sai verrattain melko korkean keskiarvon (4,82), mutta tämän väittämän kohdalla keskihajonta oli myös suurin (1,757). Väittämien positiivisia (OS, S, TS) ja negatiivisia (TE, E, OE) arvioita vertailtaessa voidaan havaita, että yleisesti ottaen väittämät saivat positiivisia arvioita enemmän. Vastaajista vähintään puolet (50 % - 63,2 %) vastasivat jokaiseen väittämään olevansa osittain samaa mieltä, samaa mieltä tai täysin samaa mieltä. Vaivattomuuden odotukset -tekijän väittämien hajontaluvut vaihtelivat välillä 1,451–1757, mikä osoittaa, että vastauksissa oli jonkin verran vaihtelua, samoin kuin suorituskykyodotusten tekijäkokonaisuuden väittämissä. Keskiarvon 95 prosentin luottamusvälitarkasteluiden perusteella väittämien EE1 sekä EE2 perusjoukon keskiarvo sijoittuisi 95 prosentin varmuudella välille ei 71 samaa eikä eri mieltä (4) – osittain samaa mieltä (5). Väittämän EE3 keskiarvo sijoittuisi välille osittain samaa mieltä (5) – samaa mieltä (6) ja väittämän EE4 keskiarvo olisi 95 prosentin varmuudella tasolla 5 eli osittain samaa mieltä. 6.3.3 Sosiaalinen vaikutus UTAUT-viitekehyksen sosiaalinen vaikutus -tekijä (Social Influence, SI) kuvasi sitä, missä määrin yksilö kokee, että hänelle tärkeät henkilöt uskovat, että hänen tulisi käyttää keskustelevaa tekoälysovellusta työssään. Kokonaisuuteen sisältyi neljä väittämää (SI1-4), joiden sisäinen yhdenmukaisuus oli hyvällä tasolla saaden arvokseen 0,894. Taulukossa 20 on esitetty kokonaisuuden vastauksien frekvenssi, keskiarvot, keskiarvon 95 prosentin luottamusvälitarkastelu ja keskihajonta väittämä kohtaisesti. TAULUKKO 20 Frekvenssi, keskiarvo sekä keskihajonta sosiaalisesta vaikutuksesta Keskiarvon 95 % luottamusväli* TE E OE N OS S TS n Keskiarvo Keskihajonta Alaraja Yläraja SI1 15 17 8 16 12 4 4 76 3,28 1,771 2,88 3,66 SI2 20 14 3 28 3 7 1 76 3,07 1,684 2,70 3,45 SI3 6 11 3 19 8 9 20 76 4,57 2,002 4,12 5,00 SI4 13 12 4 11 10 10 16 76 4,14 2,195 3,64 4,63 *ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen Kokonaisuutta tarkasteltaessa sosiaalinen vaikutus -tekijäkokonaisuudella oli pienin keskiarvo (3,76) ja samalla suurin keskihajonta (2,011). Väittämistä pienin keskiarvo (3,07) sekä keskihajonta (1,684) oli väittämällä SI2: Minulle tärkeät kollegat olisivat sitä mieltä, että minun tulisi käyttää keskustelevaa tekoälysovellusta työssäni, johon yli neljännes (26,3 %) oli valinnut vaihtoehdon täysin eri mieltä (1). Puolestaan vain yksi vastaaja (1,3 %) oli valinnut vaihtoehdoksi täysin samaa mieltä (7). Väittämään SI1: Minulle tärkeät kollegat tai muut sidosryhmät käyttävät keskustelevaa tekoälysovellusta työssään yli puolet vastaajista (52,6 %) oli valinnut vaihtoehdoksi täysin eri mieltä (1), eri mieltä (2) tai osittain eri mieltä (3) ja väittämän keskiarvo oli 3,28. Korkein keskiarvo (4,57) oli väittämällä SI3: Työnantajaorganisaationi pitää keskustelevan tekoälysovelluksen käyttöä työssä hyvänä ideana, mutta väittämän keskihajonta oli myös melko suurta sen ollessa 2,002. Vastaajista yli neljäsosa (26,3 %) antoi väittämään vastaukseksi täysin samaa mieltä (7), mutta hieman vajaa neljäsosa (22,4 %) oli väittämän kanssa täysin eri mieltä (1) tai eri mieltä (2). Väittämällä SI4: Yleisesti ottaen työnantajaorganisaationi tukee minua keskustelevan tekoälysovelluksen käytössä oli kokonaisuuden korkein keskihajonta (2,195) ja vastaukset jakautuivat melko tasaisesti koko vastausasteikolle 1–7. 72 Väittämien positiivisia (OS, S, TS) ja negatiivisia (TE, E, OE) arvioita vertailtaessa voidaan havaita, että väittämät SI1 (52,6 %) sekä SI2 (48,7 %) saivat enemmän täysin eri mieltä (1), eri mieltä (2) tai osittain eri mieltä (3) -vastauksia. Kuitenkin väittämien SI3 (48,7 %) sekä SI4 (47,4 %) kohdalla suurempi osa vastaajista valitsi vaihtoehdoksi osittain samaa mieltä (5), samaa mieltä (6) tai täysin samaa mieltä (7). Väittämien keskihajonta vaihteli välillä 1,683–2,195, jonka myötä voidaan todeta, että vastauksissa oli melko paljon hajontaa. Keskiarvon luottamusvälitarkastelun mukaan väittämän SI1 perusjoukon keskiarvo sijoittuisi 95 prosentin varmuudella välille osittain eri mieltä (3) – ei samaa eikä eri mieltä (4). Väittämän SI2 keskiarvo olisi 95 prosentin varmuudella tasolla osittain eri mieltä (3). Väittämien SI3 sekä SI4 keskiarvot puolestaan sijoittuisivat välille ei samaa eikä eri mieltä (4) – osittain samaa mieltä (5). 6.3.4 Käyttöä edistävät olosuhteet Käyttöä edistävät olosuhteet -tekijällä (Facilitating Conditions, FC) viitattiin UTAUT-viitekehyksen mukaisesti siihen, missä määri yksilö uskoo, että organisatorinen ja tekninen infrastruktuuri keskustelevan tekoälysovelluksen käytön tukemiseksi on olemassa. Kokonaisuus muodostui kolmesta (FC1-3) väittämästä, joiden sisäinen yhteneväisyys oli hyväksyttävällä tasolla (0,783). Taulukossa 21 on esitetty vastausten frekvenssi, keskiarvot, keskiarvon 95 prosentin luottamusvälitarkastelu sekä keskihajonnat väittämä kohtaisesti. TAULUKKO 21 Frekvenssi, keskiarvo sekä keskihajonta käyttöä edistävistä olosuhteista Keskiarvon 95 % luottamusväli* TE E OE N OS S TS n Keskiarvo Keskihajonta Alaraja Yläraja FC1 4 8 3 12 16 9 24 76 4,99 1,880 4,57 5,41 FC2 7 6 7 10 13 14 19 76 4,76 1,965 4,32 5,21 FC3 9 7 11 20 7 9 13 76 4,16 1,926 3,72 4,59 *ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen Kokonaisuutta arvioitaessa käyttöä edistävät olosuhteet -tekijäkokonaisuudella oli toiseksi korkein keskiarvo (4,64) sekä keskihajonta (1,947). Korkein keskiarvo (4,99) sekä matalin keskihajonta (1,880) oli väittämällä FC1: Minulla on tarvittavat resurssit keskustelevan tekoälysovelluksen käyttöön, johon selvästi yli puolet vastaajista (64,5 %) antoi vastaukseksi osittain samaa mieltä (5), samaa mieltä (6) tai täysin samaa mieltä (7). Lähes kolmasosa (31,6 %) vastaajista ilmaisi olevansa täysin samaa mieltä (7) väittämästä. Myös väittämän FC2: Minulla on tarvittava osaaminen keskustelevan tekoälysovelluksen käyttämiseksi keskiarvo (4,76) oli melko korkea, mutta myös keskihajonta (1,965) oli kokonaisuuden korkein. Valtaosa (70,7 %) vastauksista sijoittui välille ei samaa eikä eri mieltä (4) – täysin samaa mieltä (7). Pienin keskiarvo (4,16) oli väittämällä FC3: Saan apua muilta, mikäli 73 minulla on ongelmia keskustelevan tekoälysovelluksen käytössä. Vastaajista noin neljäsosa (26,3 %) antoi vastaukseksi vaihtoehdon ei samaa eikä eri mieltä (4) ja loput vastauksista jakaantuivat melko tasaisesti vastausasteikolle. Väittämien keskihajonta oli välillä 1,880–1,965, mikä viittaa huomattavaan vaihteluun vastauksissa. Keskiarvon luottamusvälitarkastelun pohjalta voidaan tulkita, että väittämän FC1 osalta perusjoukon keskiarvo sijoittuisi 95 prosentin varmuudella tasolle osittain samaa mieltä (5). Väittämien FC2 sekä FC3 keskiarvo puolestaan sijoittuisi tasolle ei samaa eikä eri mieltä (4) – osittain sama mieltä (5). 6.3.5 Asenne käyttöä kohtaan Asenne käyttöä kohtaan -tekijä (Attitude towards using technology, ATU) määritellään yksilön yleiseksi affektiiviseksi reaktioksi keskustelevan tekoälysovelluksen käyttöön. Tekijää mitattiin viidellä väittämällä (ATU1-5), joiden sisäinen yhteneväisyys oli hyvällä tasolla saaden arvokseen 0,900. Taulukossa 22 on esitetty kokonaisuuden vastausten frekvenssi, keskiarvot, keskiarvon 95 prosentin luottamusvälitarkastelu sekä keskihajonnat väittämä kohtaisesti. TAULUKKO 22 Frekvenssi, keskiarvo sekä keskihajonta asenteesta käyttöä kohtaan Keskiarvon 95 % luottamusväli* TE E OE N OS S TS n Keskiarvo Keskihajonta Alaraja Yläraja ATU1 4 7 5 11 23 13 13 76 4,75 1,706 4,37 5,13 ATU2 8 7 2 27 16 6 10 76 4,24 1,743 3,84 4,62 ATU3 5 4 2 28 13 11 13 76 4,64 1,655 4,26 5,00 ATU4 6 6 4 30 9 13 8 76 4,33 1,660 3,96 4,70 ATU5 9 10 13 16 20 4 4 76 3,74 1,636 3,37 4,10 *ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen Asenne käyttöä kohtaan -tekijän väittämien hajontaluvut vaihtelivat välillä 1,636–1,743, mikä osoittaa, että vastauksissa oli jonkin verran vaihtelua. Väittämällä ATU1: Keskustelevan tekoälysovelluksen käyttö osana työtehtävien suorittamista on hyvä ajatus oli kokonaisuuden korkein keskiarvo (4,75), johon lähes kolmasosa (30,3 %) vastaajista antoi vastaukseksi osittain samaa mieltä (5) ja yli puolen (64,5 %) vastaus sijoittui välille osittain samaa mieltä (5) – täysin samaa mieltä (7). Verrattaessa kokonaisuuden muihin väittämiin, väittämä ATU1 sai merkittävästi vähemmän ei samaa eikä eri mieltä (4) -vastauksia, vain 11 vastausta (14,5 %). Korkein keskihajonta (1,743) oli väittämällä ATU2: Keskustelevan tekoälysovelluksen käyttö tekee työstä mielenkiintoisempaa, jonka vastauksista yli puolet (56,6 %) sijoittuivat välille ei samaa eikä eri mieltä (4) – osittain samaa mieltä (5). Kuitenkin kymmenesosa (10,5 %) vastaajista antoi 80 sai arvon 4, arvo 3 (kuukausittain) pysyi ennallaan, arvo 4 (harvoin) sai arvon 2 ja arvo 5 (en koskaan) sai arvon 1. Taulukossa 26 on esitetty käyttöaikomuksen ja todellisen käytön välinen riippuvuus Pearsonin korrelaatiokertoimen avulla yhdessä p-arvon sekä 95 prosentin luottamusvälitarkastelun kanssa. TAULUKKO 26 Käyttöaikomuksen ja todellisen käytön välinen suhde Käyttöaikomus (BI) Todellinen käyttö Pearsonin korrelaatiokerroin (r) 0,577** P-arvo (Sig. 2-tailed) <0,001 Bootstrap* 95 % luottamusväli Harha -0,001 Keskivirhe 0,078 Alaraja 0,410 Yläraja 0,714 * ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen ** korrelaatio merkittävä tasolla 0,01 Taulukosta voidaan havaita, että käyttöaikomuksen ja todellisen käytön välillä on p-arvon mukaan tilastollisesti merkittävä riippuvuus. Muuttujien välinen korrelaatiokerroin (0,577) kuvastaa positiivista riippuvuutta, eli käyttöaikomuksen kasvaessa myös todellinen keskustelevan tekoälysovelluksen käyttö kasvaa. Asetetut korrelaatiokertoimen raja-arvot ja otoskoko huomioiden muuttujien välistä riippuvuutta voidaan kuvailla kohtalaiseksi. Kohtalaista riippuvuutta kuvastaa myös luottamusvälitarkastelu, jonka mukaan perusjoukon käyttöaikomuksen ja todellisen käytön välinen korrelaatiokertoimen arvo sijoittuisi 95 prosentin varmuudella välille 0,410 ≤ r ≤ 0,714. Harhan ollessa hyvin lähellä nollaa, voidaan olla melko varmoja siitä, että bootstrap-menettely ei tuottanut merkittävä vinoumaa korrelaatiokertoimen arviointiin. 6.6 Vastaajan ominaisuuksien vaikutus viitekehyksen tekijöihin UTAUT-viitekehyksen mukaan käyttöaikomukseen sekä käyttöön vaikuttaviin tekijöihin vaikuttavia yksilön ominaisuuksia ovat sukupuoli, ikä, kokemus järjestelmän käytöstä sekä käytön vapaaehtoisuus (Venkatesh ym., 2003, s. 468). Tässä tutkimuksessa yksilön ominaisuuksiksi määriteltiin alkuperäisen viitekehyksen mukaisesti yksilön sukupuoli ja ikä. Lisäksi ominaisuuksina otettiin huomioon vastaajan kokemus taloushallinnon työtehtävistä sekä työnantajaorganisaation henkilöstömäärä. Kokemus järjestelmän käytöstä - muuttujaa ei otettu huomioon keskustelevien tekoälysovelluksien uutuuden vuoksi. Keskustelevat tekoälysovellukset nousivat ajankohtaisiksi vuoden 2022 lopussa ChatGPT:n lanseerauksen myötä. Näin ollen suurimmalla osalla sovelluksien käyttäjistä on kokemusta niiden käytöstä enintään puolentoista 81 vuoden ajalta. Myöskään käytön vapaaehtoisuutta ei otettu huomioon muuttujana, sillä aikaisempien tutkimuksien pohjalta tehtiin johtopäätös, että vaikka yritykset ovat ottaneet keskustelevien tekoälysovelluksien yritysversioita käyttöönsä, ei niiden käyttö ole, ainakaan toistaiseksi, pakollista yrityksissä. Sen sijaan käyttö perustuu vapaaehtoisuuteen yksilön omasta tahdosta tai työnantajaorganisaation suosituksesta. Taulukossa 27 on esitetty sukupuolen ja UTAUT-viitekehyksen tekijöiden välinen Pearsonin korrelaatiokerroin, P-arvo sekä korrelaatiokertoimen 95 prosentin luottamusväli. Tuloksista voidaan havaita, että sukupuoli ei korreloi minkään viitekehyksen mukaisen tekijän kanssa. Saadut tulokset eroavat Venkateshin ja muiden (2003) tuloksista, joiden mukaan sukupuolella olisi vaikutusta suorituskykyodotukset (PE), vaivattomuuden odotukset (EE) sekä sosiaalinen vaikutus (SI) -tekijöihin. TAULUKKO 27 Yksilön sukupuolen suhde UTAUT-viitekehyksen tekijöihin PE EE SI FC ATU Sukupuoli Pearsonin korrelaatiokerroin -0,027 -0,077 -0,133 0,040 -0,066 P-arvo (Sig. 2- tailed) 0,814 0,507 0,254 0,731 0,574 Bootstrap* 95 % luottamusväli Harha 0,001 -0,001 0,005 0,001 0,002 Keskivirhe 0,102 0,099 0,109 0,102 0,117 Alaraja -0,227 -0,278 -0,335 -0,161 -0,285 Yläraja 0,171 0,112 0,092 0,243 0,167 *ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen Taulukossa 28 on esitetty yksilön iän ja UTAUT-viitekehyksen tekijöiden välinen Pearsonin korrelaatiokerroin, P-arvo sekä korrelaatiokertoimen 95 prosentin luottamusväli. Korrelaatiokertoimista voidaan havaita, että ikä ei korreloi minkään viitekehyksen tekijän kanssa. Myös nämä tulokset poikkeavat suhteessa UTAUT-viitekehykseen. Viitekehyksen mukaan iällä on vaikutusta kaikkiin alkuperäisen UTAUT-viitekehyksen tekijöihin eli suorituskykyodotuksiin (PE), vaivattomuuden odotuksiin (EE), sosiaaliseen vaikutukseen (SI) sekä käyttöä edistäviin olosuhteisiin (FC). 82 TAULUKKO 28 Yksilön iän suhde UTAUT-viitekehyksen tekijöihin PE EE SI FC ATU Ikä Pearsonin korrelaatiokerroin 0,089 -0,099 -0,093 -0,048 0,038 P-arvo (Sig. 2-tailed) 0,444 0,396 0,425 0,679 0,747 Bootstrap* 95 % luottamusväli Harha 0,002 0,002 0,000 0,000 0,002 Keskivirhe 0,128 0,110 0,109 0,111 0,124 Alaraja -0,165 -0,308 -0,303 -0,264 -0,202 Yläraja 0,335 0,127 0,122 0,168 0,282 * ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen Taulukosta 29 voidaan havaita, että myöskään yksilön taloushallinnon alan työkokemuksen ja UTAUT-viitekehyksen käyttöaikomukseen vaikuttavien tekijöiden välillä ei ole lainkaan riippuvuutta. UTAUT-viitekehyksessä kokemuksella viitattiin tutkimuksen kohteena olevan järjestelmän käyttökokemukseen. Viitekehyksen mukaan yksilön järjestelmän käyttökokemus korreloi vaivattomuuden odotukset (EE), sosiaalinen vaikutus (SI) sekä käyttöä edistävät olosuhteet (FC) -tekijöiden kanssa. TAULUKKO 29 Yksilön taloushallinnon alan työkokemuksen suhde UTAUT- viitekehyksen tekijöihin PE EE SI FC ATU Työkokemus Pearsonin korrelaatiokerroin 0,054 0,057 -0,035 0,007 0,128 P-arvo (Sig. 2-tailed) 0,640 0,625 0,762 0,954 0,271 Bootstrap* 95 % luottamusväli Harha -0,001 0,001 0,000 0,001 -0,001 Keskivirhe 0,114 0,111 0,103 0,114 0,107 Alaraja -0,170 -0,157 -0,234 -0,210 -0,086 Yläraja 0,279 0,277 0,169 0,234 0,334 * ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen Taulukossa 30 on esitetty työnantajaorganisaation henkilöstömäärän ja UTAUT- viitekehyksen tekijöiden välinen Pearsonin korrelaatiokerroin, P-arvo sekä korrelaatiokertoimen 95 prosentin luottamusväli. Saaduista tuloksista voidaan havaita, että korkein positiivinen lineaarinen yhteys (r=0,545, merkitsevyystasolla 0,01) on henkilöstömäärän sekä sosiaalinen vaikutus (SI) - tekijän välillä. Luottamusvälitarkastelun mukaan perusjoukon korrelaatiokerroin asettuisi 95 prosentin varmuudella välille 0,370 ≤ r ≤ 0,701, joten riippuvuuden voidaan tulkita olevan kohtalainen. 83 Myös vaivattomuuden odotukset (EE) ja käyttöä edistävät olosuhteet (FC) -tekijöiden sekä henkilöstömäärän välillä voidaan havaita olevan positiivinen lineaarinen yhteys, vaivattomuuden odotukset -tekijän korrelaatiokertoimen ollessa 0,417 merkittävyystasolla 0,01 sekä käyttöä edistävät olosuhteet -tekijän kertoimen ollessa 0,415 merkittävyystasolla 0,01. Luottamusvälitarkastelun mukaan vaivattomuuden odotukset -tekijän perusjoukon korrelaatiokerroin asettuisi 95 prosentin varmuudella välille 0,225 ≤ r ≤ 0,598, kun taas käyttöä edistävät olosuhteet -tekijän luottamusväli on 0,225 ≤ r ≤ 0,589. Saatujen tuloksien pohjalta näiden tekijöiden ja henkilöstömäärän välistä korrelaatiota voidaan kuvat heikoksi. Suorituskykyodotukset (PE) ja asenne käyttöä kohtaan (ATU) -tekijöiden korrelaatio on tilastollisesti merkittävä tasolla 0,05. Suorituskykyodotuksien korrelaatiokertoimeksi saatiin 0,232, luottamusvälin ollessa 0,014 ≤ r ≤ 0,443. Asenne käyttöä kohtaan -tekijän ja henkilöstömäärän korrelaatiokerroin puolestaan oli 0,267 ja 95 prosentin luottamusväli 0,055 ≤ r ≤ 0,471. Tutkimuksen otoskoko sekä tulokset huomioiden voidaan todeta, että suorituskykyodotukset ja asenne käyttöä kohtaan -tekijöiden sekä henkilöstömäärän välillä ei ole merkittävää korrelaatiota. TAULUKKO 30 Yksilön työnantajaorganisaation henkilöstömäärän suhde UTAUT- viitekehyksen tekijöihin PE EE SI FC ATU Henkilöstömäärä Pearsonin korrelaatiokerroin 0,232* 0,417** 0,545** 0,415** 0,267* P-arvo (Sig. 2- tailed) 0,043 <0,001 <0,001 <0,001 0,020 Bootstrap*** 95 % luottamusväli Harha 0,002 0,000 0,000 -0,001 0,001 Keskivirhe 0,110 0,096 0,085 0,092 0,107 Alaraja 0,014 0,225 0,370 0,225 0,055 Yläraja 0,443 0,598 0,701 0,589 0,471 * korrelaatio on merkittävä tasolla 0,05 ** korrelaatio on merkittävä tasolla 0,01 **** ellei toisin mainita, bootstrap-tulokset perustuvat 10 000 bootstrap-näytteeseen 6.7 Lineaarinen regressioanalyysi Keskustelevan tekoälysovelluksen hyväksyntää tarkasteltiin myös lineaarisen regressioanalyysin avulla, joka soveltuu hyvin edellä olleiden korrelaatioanalyysien jatkumoksi. 84 Regressiomalleja, joissa selitettäväksi muuttujaksi määriteltiin käyttöaikomus, muodostettiin kolme. Regressioanalyysin ensimmäisessä vaiheessa (regressiomalli 1) käyttöaikomusta selittävinä muuttujina huomioitiin taustamuuttujat eli yksilön sukupuoli, ikä, kokemus taloushallinnon tehtävistä sekä työnantajaorganisaation henkilöstömäärä. Analyysin toisessa vaiheessa (regressiomalli 2) selittävinä muuttujina huomioitiin suorituskykyodotukset, vaivattomuuden odotukset, sosiaalinen vaikutus, käyttöä edistävät olosuhteet sekä asenne käyttöä kohtaan. Kolmannessa regressioanalyysissa (regressiomalli 3) huomioitiin käyttöaikomusta selittävinä muuttujina viitekehyksen mukaiset tekijät sekä taustamuuttujat. Muodostetut lineaariset regressiomallit ovat havainnollistettuna taulukossa 31, jossa regressiokertoimena on esitetty standardoitu regressiokerroin. TAULUKKO 31 Lineaarinen regressioanalyysi, jossa selitettävänä muuttujana käyttöaikomus Käyttöaikomus selitettävänä muuttujana n = 76 Regressiomalli 1 Regressiomalli 2 Regressiomalli 3 Selittävät muuttujat Suorituskykyodotukset 0,204* 0,176 Vaivattomuuden odotukset 0,012 0,057 Sosiaalinen vaikutus 0,112 0,170 Käyttöä edistävät olosuhteet -0,007 -0,023 Asenne käyttöä kohtaan 0,610** 0,559** Taustamuuttujat Sukupuoli -0,024 -0,006 Ikä 0,172 0,138* Kokemus 0,203 0,087 Henkilöstömäärä 0,299* -0,02 SELITYSASTE (Adjusted R Square) 0,103 0,717 0,740 F-arvo 3,159 38,921 24,711 p-arvo 0,019 <0,001 <0,001 * p-arvo <0,05 ** p-arvo <0,01 Ensimmäisen regressiomallin selitysasteeksi saatiin 10,3 prosenttia (Adjusted R Square=0,103). Selitysaste on matala ja viittaa siihen, että yksilön taustamuuttujat itsessään eivät juuri selitä keskustelevan tekoälysovelluksen käyttöaikomusta taloushallinnon asiantuntijoiden keskuudessa. Myös F-arvo on verrattain matala. F-arvon saama tulos kuvastaa sitä, onko regressiomallissa käytetyillä selittävillä muuttujilla, tässä tapauksessa taustamuuttujilla, yhteisvaikutusta selitettävään muuttujaan. Saatu p-arvo (p<0,05) puolestaan kuvastaa F-testin tilastollista merkittävyyttä. Ensimmäisestä regressiomallista voidaan havaita, että tilastollisesti merkittävällä tasolla (p<0,05) voimakkaimmin käyttöaikomusta selittää yksilön työnantajaorganisaation henkilöstömäärä. Positiivinen 85 regressiokerroin viittaa siihen, että työnantajaorganisaation henkilöstömäärän kasvaessa myös yksilön käyttöaikomus kasvaa. Toisen regressiomallin selitysasteeksi saatiin 71,7 prosenttia (Adjusted R Square = 0,717). Selitysaste on korkea ja viittaa siihen, että keskustelevan tekoälysovelluksen käyttöaikomusta taloushallinnon asiantuntijoiden keskuudessa voidaan selittää melko hyvin määritetyillä selittävillä muuttujilla. F-arvo yhdessä p-arvon kanssa osoittavat mallin olevan tilastollisesti merkitsevä eli selittävien muuttujien yhteinen vaikutus selitettävään muuttujaan ei ole satunnainen. Voimakkaimmin käyttöaikomusta selittää asenne käyttöä kohtaan -tekijä regressiokertoimen ollessa 0,610 (p<0,01). Positiivinen kerroin viittaa siihen, että asenne keskustelevan tekoälysovelluksen käyttöä kohtaan nostaa käyttöaikomusta. Toiseksi käyttöaikomusta selittäväksi tekijäksi tunnistettiin suorituskykyodotukset, jonka regressiokertoimeksi saatiin 0,204 (p<0,05). Kolmannessa regressiomallissa käyttöaikomusta selittävinä muuttujina huomioitiin viitekehyksen mukaiset tekijät sekä taustamuuttujat. Tämän mallin selitysasteeksi saatiin 74,0 prosenttia (Adjusted R Square = 0,740). Selitysaste viittaa siihen, että selittävät muuttujat yhdessä taustamuuttujien kanssa selittävät käyttöaikomusta melko hyvin. F-arvo (24,711) sekä p-arvo (<0,001) osoittavat mallin olevan tilastollisesti merkitsevä siten, että vähintään yksi mallin selittävistä muuttujista on yhteydessä käyttöaikomukseen. Myös tässä mallissa käyttöaikomusta selittää eniten asenne käyttöä kohtaan -tekijä, mikä näkyy vahvana regressiokertoimena 0,559 (p<0,01). Toinen tilastollisesti merkitsevä regressiokerroin saatiin yksilön iälle, joka on positiivisesti sekä tilastollisesti merkitsevästi yhteydessä käyttöaikomukseen regressiokertoimen ollessa 0,138 (p<0,05). Puolestaan suorituskykyodotuksilla sekä työnantajaorganisaation henkilöstömäärällä ei havaittu tilastollisesti merkittävää yhteyttä käyttöaikomukseen tämän analyysin myötä. Edellisten regressiomallien lisäksi luotiin myös kolme regressiomallia, joissa selitettäväksi muuttujaksi määriteltiin keskustelevan tekoälysovelluksen varsinaisen käytön yleisyys. Tämän regressioanalyysin myötä haluttiin erityisesti selvittää näyttäytyykö käyttöä edistävät olosuhteet varsinaista käyttöä selittävänä muuttujana UTAUT-viitekehyksen mukaisesti. Regressiomallit luotiin, kuten edellisessä analyysissä eli ensimmäisessä mallissa (regressiomalli 4) selittäviksi muuttujiksi määriteltiin yksilön ominaisuuksia kuvastavat taustamuuttujat. Toisessa mallissa (regressiomalli 5) tarkasteltiin viitekehyksen mukaisten tekijöiden selittävyyttä varsinaista käyttöä kohtaan ja kolmannessa mallissa (regressiomalli 6) otettiin selittävinä muuttujina huomioon sekä taustamuuttujat että viitekehyksen mukaiset tekijät. Muodostetut lineaariset regressiomallit ovat havainnollistettuna taulukossa 32, jossa regressiokertoimena on esitetty standardoitu regressiokerroin. 86 TAULUKKO 32 Lineaarinen regressioanalyysi, jossa selitettävänä muuttujana varsinainen käyttö Varsinainen käyttö selitettävänä muuttujana n = 76 Regressiomalli 4 Regressiomalli 5 Regressiomalli 6 Selittävät muuttujat Suorituskykyodotukset 0,319* 0,287 Vaivattomuuden odotukset 0,256 0,286 Sosiaalinen vaikutus 0,055 0,068 Käyttöä edistävät olosuhteet 0,169 0,116 Asenne käyttöä kohtaan -0,018 -0,013 Taustamuuttujat Sukupuoli 0,146 0,128 Ikä 0,086 0,08 Kokemus 0,082 0,009 Henkilöstömäärä 0,359** 0,074 SELITYSASTE (Adjusted R Square) 0,085 0,376 0,368 F-arvo 2,745 10,057 5,845 p-arvo 0,035 <0,001 <0,001 * p-arvo <0,05 ** p-arvo <0,01 Taulukosta voidaan havaita, että jokaisen mallin selitysaste (Adjusted R Square) on matala (8,5 % - 37,6 %) ja myös saadut F-arvot ovat verrattain matalat eli määritellyt selittävät muuttujat selittävät varsinaista käyttöönottoa heikosti. Regressiomallissa 4 korkein, tilastollisesti merkitsevä (p<0,01) positiivinen regressiokerroin (0,359) saatiin työnantajaorganisaation henkilöstömäärällä. Tämä viittaa siihen, että suuremmissa organisaatioissa keskustelevan tekoälysovelluksen varsinaisen käytön aste on korkeampi. Regressiomallissa 5 korkein, tilastollisesti merkitsevä (p<0,05) positiivinen regressiokerroin (0,319) saatiin suorituskykyodotukset-tekijälle. Tulos viittaa siihen, että yksilön suorituskykyodotukset keskustelevaa tekoälysovellusta kohtaan lisäävät positiivisesti paitsi käyttöaikomusta, myös varsinaista sovelluksen käyttöä. Huomionarvoista on, että vertaillessa taulukoita 31 sekä 32 voidaan havaita, että suorituskykyodotukset selittävät enemmän sovelluksen varsinaista käyttöä (0,319) kuin käyttöaikomusta (0,204). Käyttöä edistävät olosuhteet -tekijän regressiokerroin 0,169 on mallissa 5 positiivinen ja korkeampi verrattuna malliin 2, jossa kerroin on -0,007. Vaikka kerroin mallissa 5 ei saavuta tilastollisesti merkitsevää tasoa, se kuitenkin osoittaa, että käyttöä edistävillä olosuhteilla on suurempi vaikutus varsinaiseen käyttöön kuin käyttöaikomukseen. Tästä huolimatta tekijän selitysaste varsinaiseen käyttöön nähden on suhteellisen matala. Regressiomallissa 6 mikään regressiokerroin ei ole tilastollisesti merkitsevällä tasolla. Korkein positiivinen kerroin tämän mallin mukaan saatiin kuitenkin suorituskykyodotuksille sekä vaivattomuuden odotuksille. 87 6.8 Tutkimuksen hypoteesit Tutkimukselle asetettiin seitsemän teoreettista hypoteesia. Hypoteesien asetannan taustalla hyödynnettiin UTAUT-viitekehystä sekä muita aikaisempia tutkimuksia, joissa viitekehystä on sovellettu tekoälykontekstissa. Taulukossa 33 on esitetty yhteenveto hypoteeseista. TAULUKKO 33 Hypoteesien vahvistaminen Hypoteesi Vahvistetaan H1: Taloushallinnon asiantuntijat, jotka odottavat keskustelevan tekoälyn parantavan heidän työsuoritustaan hyväksyvät ja käyttävät sovellusta työssään Kyllä H2: Taloushallinnon asiantuntijat, jotka kokevat keskustelevan tekoälysovelluksen käytön olevan heille helppoa hyväksyvät ja käyttävät sovellusta työssään Ei H3: Taloushallinnon asiantuntijat, jotka kokevat, että kollegat sekä työantajaorganisaatio tukevat heitä keskustelevan tekoälysovelluksen käytössä, ovat halukkaita käyttämään sovellusta työssään Ei H4: Taloushallinnon asiantuntijat, jotka kokevat omaavansa riittävät resurssit keskustelevan tekoälysovelluksen käytölle, ovat halukkaita hyväksymään ja käyttämään sovellusta työssään Ei H5: Positiivinen asenne keskustelevan tekoälysovelluksen käyttöä kohtaan taloushallinnon asiantuntijoiden keskuudessa vaikuttaa positiivisesti sovelluksen hyväksymiseen ja käyttämiseen Kyllä H6: Taloushallinnon asiantuntijat, jotka kokevat keskustelevan tekoälysovelluksen käyttöön liittyvän tietosuojahuolia eivät hyväksy ja käytä sovellusta työssään Ei H7: Käyttöaikomuksella on positiivinen vaikutus keskustelevan tekoälysovelluksen varsinaiseen käyttöön Kyllä Ensimmäinen hypoteesi, H1: Taloushallinnon asiantuntijat, jotka odottavat keskustelevan tekoälyn parantavan heidän työsuoritustaan hyväksyvät ja käyttävät sovellusta työssään, käsitteli sitä, kuinka taloushallinnon asiantuntijat kokevat keskustelevan tekoälysovelluksen vaikuttavan heidän työsuoritukseensa. Kyselylomakkeella mitattiin yksilön suorituskykyodotuksia neljällä väittämällä ja käyttöaikomusta kolmella väittämällä. Hypoteesi testattiin laskemalla suorituskykyodotusten ja käyttöaikomuksen välinen korrelaatiokerroin sekä kertoimen luottamusvälitarkastelu. Muuttujien välillä havaittiin vahvahko, tilastollisesti merkittävä (p<0,01) korrelaatio (r=0,729), joka havainnollistettiin 88 myös sirontakuvion avulla. Luottamusvälitarkastelun mukaan perusjoukon suorituskykyodotuksien ja käyttöaikomuksen korrelaatiokerroin asettuisi 95 prosentin varmuudella välille 0,609 ≤ r ≤ 0,831. Myös lineaarisen regressioanalyysin mukaan, regressiomallissa 2, suorituskykyodotukset tunnistettiin käyttöaikomusta selittäväksi tekijäksi regressiokertoimen ollessa 0,204 (p<0,05). Saatujen tulosten myötä hypoteesi H1 vahvistetaan. Toinen hypoteesi, H2: Taloushallinnon asiantuntijat, jotka kokevat keskustelevan tekoälysovelluksen käytön olevan heille helppoa hyväksyvät ja käyttävät sovellusta työssään, käsitteli sitä, kuinka helpoksi tai vaikeaksi taloushallinnon asiantuntija kokevat keskustelevan tekoälysovelluksen käytön työssään. Hypoteesin mukaisesti ennakko-oletuksena oli, että yksilöillä, jotka kokevat keskustelevan tekoälysovelluksen käytön olevan helppoa, on myönteisempi käyttöaikomus sovellusta kohtaan. Kyselylomakkeella vaivattomuuden odotuksia mitattiin neljällä väittämällä. Hypoteesi testattiin laskemalla vaivattomuuden odotuksien ja käyttöaikomuksen välinen korrelaatiokerroin sekä kertoimen luottamusvälitarkastelu. Muuttujien välillä havaittiin kohtalainen, tilastollisesti merkittävä (p<0,01) korrelaatio (0,624) ja 95 prosentin luottamusväliksi muodostui 0,475 ≤ r ≤ 0,750. Toteutetun regressioanalyysin mukaan vaivattomuuden odotukset eivät merkittävästi selittäneet käyttöaikomusta kummassakaan regressiomallissa. Koska tutkimuksen otoskoko on suhteellisen pieni perusjoukkoon verrattuna, tulisi korrelaation olla voimakkaampi, jotta hypoteesi voitaisiin vahvistaa. Näin ollen, vaikka kohtalainen korrelaatio havaittiinkin, päätettiin hypoteesi H2 hylätä, koska regressioanalyysissa vaivattomuuden odotukset eivät nousset esiin käyttöaikomusta selittävänä muuttujana. Kolmas hypoteesi, H3: Taloushallinnon asiantuntijat, jotka kokevat, että kollegat sekä työantajaorganisaatio tukevat heitä keskustelevan tekoälysovelluksen käytössä, ovat halukkaita käyttämään sovellusta työssään, käsitteli taloushallinnon asiantuntijoiden kokeman sosiaalisen vaikutuksen suhdetta keskustelevan tekoälysovelluksen käyttöaikomukseen. Kyselylomakkeessa sosiaalista vaikutusta mitattiin neljällä väittämällä, jotka koskivat sekä kollegoiden että työnantajaorganisaation antamaa vaikutusta ja tukea. Hypoteesia testattiin laskemalla sosiaalisen vaikutuksen ja käyttöaikomuksen välinen korrelaatiokerroin sekä kertoimen luottamusvälitarkastelu. Muuttujien välillä havaittiin tilastollisesti merkittävä (p<0,01), kohtalainen korrelaatio (0,628) ja 95 prosentin luottamusväliksi muodostui 0,452 ≤ r ≤ 0,781. Lineaarisessa regressioanalyysissa sosiaalinen vaikutus ei selittänyt käyttöaikomusta kummassakaan regressiomallissa. Ottaen huomioon tutkimuksen otoskoko, kohtalainen korrelaatio ja selittämättömyys regressioanalyysissa, päätettiin hypoteesi H3 hylätä. Neljäs hypoteesi, H4: Taloushallinnon asiantuntijat, jotka kokevat omaavansa riittävät resurssit keskustelevan tekoälysovelluksen käytölle, ovat halukkaita hyväksymään ja käyttämään sovellusta työssään, käsitteli asiantuntijoiden käsitystä heidän käytettävissä olevista resursseista ja niiden vaikutusta heidän käyttöaikomukseensa. Kyselylomakkeessa käyttöä edistäviä olosuhteita mitattiin kolmella väittämällä, jotka koskivat vastaajan resurssien ja osaamisen riittävyyttä sekä tarvittavan tuen saamista. Hypoteesia testattiin laskemalla 89 käyttöä edistävien olosuhteiden sekä käyttöaikomuksen välinen korrelaatiokerroin sekä kertoimen luottamusvälitarkastelu. Korrelaatiokertoimeksi saatiin 0,445 (p<0,01) ja 95 prosentin luottamusväliksi muodostui 0,223 ≤ r ≤ 0,634 ja näin ollen käyttöä edistävät olosuhteet -tekijän ja käyttöaikomuksen välinen riippuvuus todettiin heikoksi. Myöskään regressioanalyysissa käyttöä edistävät olosuhteet eivät nousseet esiin käyttöaikomusta selittävänä muuttujana. Näin ollen hypoteesi H4 päätettiin hylätä. Viides hypoteesi, H5: Positiivinen asenne keskustelevan tekoälysovelluksen käyttöä kohtaan taloushallinnon asiantuntijoiden keskuudessa vaikuttaa positiivisesti sovelluksen hyväksymiseen ja käyttämiseen, käsitteli asiantuntijan suhtautumista keskustelevaa tekoälysovellusta kohtaan ja sen vaikutusta käyttöaikomukseen. Kyselylomakkeessa asennetta käyttöä kohtaan mitattiin viidellä väittämällä. Hypoteesia testattiin laskemalla asenne käyttöä kohtaan -tekijän ja käyttöaikomuksen välinen korrelaatiokerroin sekä kertoimen luottamusvälitarkastelu. Muuttujien välillä havaittiin tilastollisesti merkittävä (p<0,01), voimakas korrelaatio (r=0,839), joka havainnollistettiin myös sirontakuvion avulla. Luottamusvälitarkastelun mukaan perusjoukon asenne käyttöä kohtaan -tekijän ja käyttöaikomuksen välinen korrelaatiokerroin asettuisi 95 prosentin varmuudella välille 0,758 ≤ r ≤ 0,902. Toteutetun lineaarisen regressioanalyysin myötä asenne käyttöä kohtaan tunnistettiin merkittävimmäksi käyttöaikomusta selittäväksi muuttujaksi. Regressiomallissa 2 regressiokertoimeksi saatiin 0,610 (p<0,01) ja regressiomallissa 3 kertoimeksi saatiin 0,559 (p<0,01). Saatujen tulosten myötä hypoteesi H5 vahvistetaan. Tietosuojahuolet-tekijä jätettiin analyysivaiheiden ulkopuolelle, sillä kokonaisuuden sisäinen luotettavuus ei täyttänyt asetettuja raja-arvoja Cronbachin alfa -kertoimen ollessa vain 0,403. Näin ollen hypoteesi H6: Taloushallinnon asiantuntijat, jotka kokevat keskustelevan tekoälysovelluksen käyttöön liittyvän tietosuojahuolia eivät hyväksy ja käytä sovellusta työssään hylätään. Viimeinen hypoteesi, H7: Käyttöaikomuksella on positiivinen vaikutus keskustelevan tekoälysovelluksen varsinaiseen käyttöön, käsitteli käyttöaikomuksen suhdetta keskustelevan tekoälysovelluksen varsinaiseen käyttöön työssä. Hypoteesin mukaisesti ennakko-oletuksena oli, että yksilöt, joiden käyttöaikomus on keskustelevaa tekoälysovellusta kohtaan on positiivisempi myös käyttävät sovellusta työssään aktiivisemmin. Hypoteesia testattiin aluksi tarkastelemalla käyttöaikomuskokonaisuuden saamia arvoja todellisen käytön keskiarvoon. Vertailusta voitiin havaita, että vastaajat, joiden käyttöaikomus oli positiivinen, käyttivät keskustelevaa tekoälysovellusta työssään kuukausittain tai viikoittain. Puolestaan vastaajat, joiden käyttöaikomus oli neutraali tai negatiivinen käyttivät keskustelevaa tekoälyä työssään harvoin tai ei koskaan. Käyttöaikomuksen ja todellisen käytön riippuvuutta tarkasteltiin myös Pearsonin korrelaatiokertoimen, p-arvon sekä luottamusvälitarkastelun avulla. Korrelaatiokertoimeksi muodostui 0,577 p-arvon ollessa <0,001. Tämän myötä käyttöaikomuksen ja todellisen käytön välille tunnistettiin kohtalainen korrelaatio, jota tuki myös 95 prosentin luottamusvälitarkastelu, joten hypoteesi 96 Lisäksi useissa kommenteissa painotettiin sovellusten antamien vastauksien kriittisen arvioinnin tarpeellisuutta. Tekoäly, esim ChatGPT ei ole vielä sillä tasolla, että se osaisi antaa luotettavia vastauksia ja toistaiseksi tilitoimistotyössä sen käytössä ei ole juurikaan hyötyä, koska vastaukset ovat virheellisiä. Uskoisin, että tulevaisuudessa tästä työkalusta on hyötyä, kunhan kielimalli tuosta vielä kehittyy ja tulee paremmaksi lakitekstien kanssa. Keskusteleva tekoäly on toistaiseksi vielä työkalu muiden joukossa, joka nyt sattuu olemaan hyvä tietyissä asioissa ja helpottaa työtä näissä. Vastauksia pitää melko usein tulkita ja vähän myös tarkistaa, koska tekoäly välillä "hieman keksii omiaan". Ei sovellu tilitoimistoille. Lait ja asetukset on mitä on. Niitä ei voi tekoälykään muuttaa. Keskustelevan tekoälyn antamien vastausten oikeellisuus huolettaa. Mielestäni tekoälyä ei kannata yrittää käyttää "väkisin", usein tiettyjä asioita kollegan kanssa pohtiessa saa asiaan huomattavasti parempia näkökulmia. Vastaajien kokemukset keskustelevan tekoälysovelluksen hyödynnettävyydestä ovat hyvin linjassa aikaisempien tutkimuksien kanssa. Esimerkiksi Wood ja muut (2023, s. 82) toteavat nykypäivän keskustelevien tekoälysovelluksien selviytyvän paremmin tekstimuotoisista tehtävistä kuin numeerisista tehtävistä. Ayinde ja muut (2023) puolestaan korostavat keskustelevien tekoälysovelluksien olevan ylivoimaisia muun muassa ideoinnissa sekä tekstipohjaisten analyysien ja yhteenvetojen luomisessa. Saaduista tutkimustuloksista sekä kommenteista käy ilmi, että keskusteleva tekoäly on saavuttanut jalansijaa taloushallinnon alalla Suomessa tietyissä tehtävissä, mutta sovelluksen antamiin vastauksiin, etenkin substanssikysymyksiin liittyen, suhtaudutaan kriittisesti. 7.2 Johtopäätökset tutkimustuloksista Toteutetun tutkimuksen keskiössä oli keskustelevan tekoälyn sekä taloushallinnon asiantuntijoiden suhteen tutkiminen osana työtehtävien suorittamista. Tutkimuksen teoreettisena viitekehyksenä hyödynnettiin vuonna 2003 julkaistua UTAUT-viitekehystä, joka on kehitetty tutkimaan teknologian hyväksymistä ja käyttöä organisaatioympäristössä (Venkatesh ym., 2003). Alkuperäisen viitekehyksen ohella sovellettiin myös Venkateshin vuonna 2022 julkaisemaa ehdotelmaa siitä, millaisia tekijöitä tulisi ottaa huomioon tutkittaessa tekoälytyökalujen hyväksyntää ja käyttöä työntekijöiden näkökulmasta. Tutkimuksen tavoitteena oli kartoittaa, kuinka laajasti keskustelevaa tekoälyä käytetään taloushallinnon alalla Suomessa, millainen on alan asiantuntijoiden suhtautuminen keskustelevan tekoälyn käyttöön sekä selvittää, mitkä tekijät vaikuttavat eniten sen hyväksymiseen ja käyttöön. Tavoitteiden pohjalta tutkimukselle asetettiin seuraava tutkimuskysymys: 97 Mitkä tekijät vaikuttavat merkittävimmin keskustelevan tekoälyn hyväksymiseen ja käyttöönottoon osaksi taloushallinnon työtehtäviä yksilötasolla? Jotta tutkimuskysymykseen pystyttiin vastaamaan, tarkasteltiin viitekehyksen mukaisia tekijöitä sekä yksilön ominaisuuksia suhteessa käyttöaikomukseen. Riippuvuuksien analysoinnissa hyödynnettiin korrelaatiosekä regressioanalyysia. Korrelaatioanalyysissa merkittävimmiksi käyttöaikomukseen vaikuttaviksi tekijöiksi muodostuivat asenne käyttöä kohtaan sekä suorituskykyodotukset -tekijät. Edellä mainitut tekijät näyttäytyivät merkittävimpänä käyttöaikomusta selittävänä muuttujana myös regressiomallissa 2. Yksilön ominaisuuksista työnantajaorganisaation henkilöstömäärällä nähtiin olevan vaikutusta viitekehyksen mukaisista tekijöistä sosiaaliseen vaikutukseen, vaivattomuuden odotuksiin sekä käyttöä edistäviin olosuhteisiin. Lisäksi regressiomallissa 1 henkilöstömäärä näyttäytyi merkittävimpänä käyttöaikomusta selittävänä muuttujana. Muut yksilön ominaisuudet eivät näyttäytyneet selittävänä tekijänä sekä korrelaatioettä regressioanalyysissa, joten voidaan tulkita, että sukupuolella, iällä sekä työkokemuksella taloushallinnon tehtävistä ei ole vaikutusta käyttöaikomukseen vaikuttaviin tekijöihin ja edelleen käyttöaikomukseen. Yhteenvetona tutkimustuloksien pohjalta voidaan todeta, että merkittävimmin keskustelevan tekoälyn hyväksymiseen ja käyttöönottoon taloushallinnon asiantuntijoiden keskuudessa vaikuttavat yksilön asenne keskustelevan tekoälysovelluksen käyttöä kohtaan sekä suorituskykyodotukset. Tunnistettujen tekijöiden ohella tutkimustuloksista havaittiin, että suuri osa taloushallinnon asiantuntijoista käyttää keskustelevaa tekoälysovellusta työssään vähintään harvoin. Erityisesti suuryrityksissä työnantajaorganisaation tarjoama yritysversio on yleinen, mikä tekee sovelluksen käytöstä merkittävästi tietoturvallisempaa avoimen ilmaisversion käyttöön verrattaessa. Lisäksi suuryrityksissä työskentelevät asiantuntijat käyttävät keskustelevaa tekoälyä työssään aktiivisimmin, mikä saattaa johtua siitä, että työnantajaorganisaation tarjoama yritysversio kannustaa heitä käyttämään sovellusta monipuolisemmin. Yleisesti ottaen keskusteleva tekoälysovellus koetaan taloushallinnon alan asiantuntijoiden keskuudessa hyödylliseksi työkaluksi etenkin käännöksissä, tekstien tiivistämisessä, vastausten etsimisessä sekä ideointityössä. Tekoälysovelluksen tuottamiin vastauksiin suhtaudutaan kuitenkin alalla kriittisesti, mikä on täysin normaalia ja toivottavaa, ottaen huomioon työkalun uutuus sekä havaitut epäjohdonmukaisuudet sen toiminnassa. 7.3 Tutkimuksen tieteellinen ja käytännön kontribuutio Toteutetun tutkimuksen myötä saavutettiin sekä tieteellistä että käytännön kontribuutiota. Tutkimustuloksista voitiin havaita, että tässä kontekstissa käyttöä edistävillä olosuhteilla ei ollut vaikutusta käyttöaikomukseen, mutta ei 98 myöskään merkittävää vaikutusta varsinaiseen käyttöön, mikä poikkeaa alkuperäisestä UTAUT-viitekehyksestä, jonka mukaan käyttöä edistävät olosuhteet vaikuttavat suoraan yksilön varsinaiseen teknologian käyttöön. Tieteellisestä näkökulmasta tutkimus vahvistaa muun muassa Strzeleckin (2023) saamia tutkimustuloksia, jossa ChatGPT:n hyväksymistä ja käyttöä tutkittiin UTAUT2-viitekehystä hyödyntämällä puolalaisten korkeakouluopiskelijoiden näkökulmasta. Hänen saamien tutkimustuloksien mukaan käyttöä edistävät olosuteen eivät vaikuta yksilön käyttöaikomukseen, mikä on linjassa toteutetun tutkimuksen tuloksien kanssa. Toisaalta Strzelecki tuo artikkelissaan esiin, että käyttöä edistävillä olosuhteilla havaittiin olevan vaikutusta yksilön varsinaiseen teknologian hyödyntämiseen. (Strzelecki, 2023, s. 11.) Tässä suhteessa toteutettu tutkimus tarjoaa uutta tieteellistä tietoa osoittaen, että taloushallinnon asiantuntijoiden kontekstissa käyttöä edistävät olosuhteet eivät merkittävästi korreloi varsinaisen käytön kanssa. Tutkimustulokset osoittivat, että taloushallinnon asiantuntijoiden keskuudessa asenne käyttöä kohtaan ja suorituskykyodotukset olivat keskeisimmät tekijät, jotka vaikuttavat keskustelevan tekoälysovelluksen hyväksymiseen ja käyttöaikomukseen. Tuloksien perusteella voidaan todeta, että organisaatioympäristöstä huolimatta asiantuntijoiden käyttöaikomukseen vaikuttavat enemmän yksilön omat näkemykset kuin organisaatioympäristön vaikutteet. Tieteellisestä näkökulmasta saadut tulokset vahvistavat Adrewsin ja muiden (2021, 6) havaintoja. Heidän tutkimuksensa mukaan kirjastonhoitajien käyttöaikomukseen vaikuttavat erityisesti suorituskykyodotukset ja asenne käyttöä kohtaan. Sekä kirjastonhoitajan että taloushallinnon asiantuntijan työt voidaan luokitella tietotyöksi eli työn pääpaino on tiedon käsittelyssä, analysoinnissa sekä hallinnassa. Toteutetun tutkimuksen tuloksien yhteneväisyys Adrewsin ja muiden (2021) toteuttaman tutkimuksen kanssa viittaa siihen, että tietotyöläisten keskuudessa merkittävimmin tekoälytyökalujen käyttöaikomukseen vaikuttavat yksilön omat näkemykset teknologian toiminnallisuuksista sekä hyödyllisyydestä. Tutkimuksen kolmas tieteellinen kontribuutio liittyy Venkateshin vuonna 2022 julkaisemaan ehdotelmaan, kuinka UTAUT-viitekehystä voisi mukauttaa tekoälytyökalujen hyväksynnän ja käytön tutkimiseen. Toteutetussa tutkimuksessa otettiin alkuperäisen UTAUT-viitekehyksen ohella huomioon myös Venkateshin (2022) ehdotelma ja tämän myötä ehdotelmalle saatiin tieteellistä vahvistusta. Asenne käyttöä kohtaan -tekijän voidaan nähdä sisältävän samoja elementtejä kuin ehdotelman yksilölliset ominaisuudet. Asenne käyttöä kohtaan -tekijän merkittävä vaikutus käyttöaikomukseen vahvistaa Venkateshin esitystä siitä, että yksilölliset ominaisuudet voivat merkittävästi vaikuttaa tekoälytyökalujen käyttöönottoon siten, että oppimishaluisemmat sekä riskinottohaluisemmat yksilöt hyväksyvät sovelluksen todennäköisemmin käyttöönsä. (Venkatesh, 2022, s. 647.) Toisena käyttöaikomukseen merkittävästi vaikuttavaksi tekijäksi tunnistettiin suorituskykyodotukset. Venkateshin (2022, s. 647) ehdotelman mukaan teknologian ominaisuudet voivat vaikuttaa yksilön suorituskykyodotuksiin, joka 99 edelleen vaikuttaa käyttöaikomukseen. Tutkimustuloksien perusteella voidaan todeta, että yksilö, joka kokee keskustelevan tekoälysovelluksen olevan toiminnallisuuksiltaan hyödyllinen omaa myös korkeammat suorituskykyodotukset, joka edelleen heijastuu korkeampana sovelluksen käyttöaikomuksena -ja päinvastoin. Sen sijaan ehdotelman ympäristön ominaisuuksilla tai interventioilla ei toteutetun tutkimuksen perusteella havaittu olevan vaikutusta yksilön käyttöaikomukseen suorasti tai epäsuorasti. Käytännön kontribuutiona toteutetun tutkimuksen myötä saavutettiin tietoa keskustelevan tekoälysovelluksen käytön yleisyydestä sekä olemassa olevista tietoturvariskeistä. Tuloksien mukaan suurin osa taloushallinnon asiantuntijoista hyödyntää keskustelevaa tekoälyä työssään vähintään satunnaisesti. Puolentoista vuoden aikana keskustelevat tekoälysovellukset ovat siis levittäytyneet yhdeksi työssä hyödynnettäväksi työkaluksi taloushallinnon alalla ja sovelluksien ominaisuuksien koetaan olevan hyödyllisiä erityisesti käännöstehtäviin sekä ideointiin. Vaikka sovelluksien hyödynnettävyys on satunnaisella tasolla nykypäivänä, vain suuryrityksissä hyödynnetään pääasiallisesti työnantajaorganisaation tarjoamaa yritysversiota. Avoimen ilmaisversion hyödyntäminen taloushallinnon alalla luo merkittävän tietoturvariskin, mikäli sovellusta hyödynnetään luottamuksellisten tietojen käsittelyyn. Työnantajaorganisaatioiden, kokoluokasta riippumatta, tulisi huomioida tekoälysovellusten käytön yleisyys ja luoda ohjeistukset niiden turvalliseen käyttöön, mikäli yritysversiota ei ole mahdollista käyttöönottaa organisaatiossa. Ohjeistuksien avulla pystytään lisäämään työntekijöiden tietoisuutta ilmaisversioiden käyttöön liittyvistä riskeistä sekä minimoimaan ne yritystasolla. Kolmas käytännön kontribuutio liittyy taloushallinnon asiantuntijoiden käyttöaikomuksiin vaikuttaviin tekijöihin, asenne käyttöä kohtaan sekä suorituskykyodotukset. Ymmärtämällä tekijät, jotka vaikuttavat eniten asiantuntijoiden halukkuuteen hyväksyä ja käyttää keskustelevaa tekoälysovellusta, organisaatiot voivat tunnistaa avainhenkilöt, jotka kykenevät luomaan keskusteleviin tekoälysovelluksiin myönteisesti suhtautuvan ilmapiirin. Tämä edesauttaa tekoälysovelluksien laajempaa käyttöönottoa koko organisaatiossa. 7.4 Tutkimuksen kokonaisluotettavuus Määrällisen tutkimuksen kokonaisluotettavuus rakentuu validiteetin ja reliabiliteetin varaan. Kokonaisluotettavuus on korkea, mikäli saatu otos on edustava suhteessa tutkimuksen perusjoukkoon ja mittauksissa esiintyvät satunnaisvirheet ovat mahdollisimman vähäisiä. Kokonaisluotettavuuden ohella myös hyvän tieteellisen käytännön noudattaminen tutkimusprosessissa on välttämätöntä eettisesti kestävän tutkimuksen saavuttamiseksi. (Vilkka, 2007, s. 152, 154.) Seuraavaksi arvioidaan tutkimuksen onnistumista validiteetin, reliabiliteetin sekä eettisyyden näkökulmasta. 100 Tutkimuksen validiteettia eli pätevyyttä arvioitaessa olennaista on arvioida, tuottivatko tutkimuksessa käytetyt menetelmät luotettavia sekä tarkkoja tuloksia, jotka ovat tutkimuksen kannalta olennaisia (Stokes & Wall, 2014, s. 206–207). Tutkimuksen teoreettisena viitekehyksenä hyödynnettiin UTAUT-viitekehystä, jota laajennettiin tekoälykontekstiin soveltuvaksi. UTAUT-viitekehys on vakiintunut sekä laajasti hyödynnetty malli teknologian hyväksymisen tutkimisessa, mikä tukee toteutetun tutkimuksen sisällöllistä validiteettia. Tutkimuksen kyselylomake laadittiin viitekehykseen pohjautuen niin, että se vastasi tutkimuksen tarpeita mahdollisimman hyvin, mutta säilytti silti UTAUT- viitekehyksen ja mittariston alkuperäisen rakenteen. Kyselylomakkeen operationalisointiin kiinnitettiin huomioita väärinymmärrysten välttämiseksi ja, jotta asetetut kysymykset mittaisivat tutkimuksen kannalta olennaisia sekä oikeita asioita. Erillistä faktorianalyysia ei toteutettu mittariston validiteetin arvioimiseksi, sillä UTAUT-viitekehys ja sen mittaristo ovat jo osoittautuneet päteviksi useissa aikaisemmissa tutkimuksissa, kuten Andrewsin ja muiden (2021, s. 5) sekä Rahin ja muiden (2019, s. 419) tutkimuksissa. Tutkimuksen sisäistä validiteettia heikentää kuitenkin tietosuojahuolet - kokonaisuuden heikko Cronbachin alfa -kerroin, joka tarkoittaa, että kokonaisuuden väittämät eivät olleet keskenään johdonmukaisia. Heikon sisäisen yhteneväisyyden vuoksi kyseinen tekijäkokonaisuus jätettiin laajempien analyysivaiheiden ulkopuolelle. Kokonaisuuden heikko sisäinen yhteneväisyys saattoi olla seurausta siitä, että kokonaisuus sisälsi kaksi negatiivisessa muodossa olevaa väittämää sekä yhden positiivisessa muodossa olevan väittämän, jolloin mahdollisuus väärinymmärtämiseen tai -tulkitsemiseen oli suurempi kuin muissa väittämäkokonaisuuksissa. Väärinymmärtämisen mahdollisuus puolestaan on merkki siitä, että kyseistä kokonaisuutta ei ollut operationalisoitu riittävän huolellisesti. Tietosuojahuolet -kokonaisuutta lukuun ottamatta tutkimustulokset olivat kuitenkin yhdenmukaisia, minkä perusteella voidaan päätellä, että vastaajat olivat ymmärtäneet väittämät pääasiallisesti hyvin, ilman väärinymmärryksiä. Tutkimuksen ulkoista validiteettia eli yleistettävyyttä arvioitaessa on huomioitava tutkimuksen kohdejoukko eli Suomen taloushallinnon asiantuntijat, mikä rajoittaa tulosten yleistettävyyttä muille aloille sekä maantieteellisille alueille. Edellä mainitun ohella on huomioitava myös tutkimusotoksen pieni koko. Tutkimusotanta toteutettiin ositettua otantamenetelmää hyödyntämällä. Otannan ensimmäinen osa toteutettiin aikavälillä 18.3-28.3.2024, jolloin ensimmäisen viikon aikana 247 auktorisoidun tilitoimiston edustajalle lähetettiin tieto toteutettavasta tutkimuksesta sähköpostitse ja heitä pyydettiin jakamaan saatekirje kyselylinkin kera yrityksen henkilöstölle. Aikavälin toisella viikolla tilitoimistojen edustajille lähetettiin muistutusviesti sähköpostitse tutkimukseen osallistumisesta ja lisäksi tietoa tutkimuksesta jaettiin myös LinkedInsovelluksessa. Edellä mainittujen toimien myötä kyselyyn vastasi 56 taloushallinnon asiantuntijaa. Vastaajamäärää pyrittiin kasvattamaan avaamalla kyselylomake uudelleen aikavälille 15.4.-22.4.2024. Tällöin tietoa tutkimuksesta jaettiin taloushallinnon alaa koskevissa ryhmissä Facebookissa sekä LinkedIn- 101 sovelluksessa. Lisäksi Taloushallintoliitto jakoi tiedon tutkimuksesta uutiskirjeessään 19.4.2024. Toisen otannan myötä kokonaisvastaajamääräksi muodostui 76 ja koko perusjoukkoon suhteutettuna otos on 0,6 prosenttia. Kokonaisuudessaan vastausprosentti jäi siis alhaiseksi, mutta samalla tulee huomioida, että vastauksia saatiin jokaisesta eri taustatekijästä ja tuloksia pystyttiin tarkastelemaan sukupuoli- ja ikäjakauman, työkokemuksen ja työnantajaorganisaation henkilöstömäärän perusteella. Tutkimustuloksien analysoinnissa sekä edelleen johtopäätöksien tekemisessä hyödynnettiin myös 95 prosentin luottamusvälitarkastelua, minkä voidaan osittain katsoa vaikuttavan myös validiteettiin, sillä luottamusvälitarkastelu auttaa arvioimaan tulosten yleistettävyyttä. Alhaiseksi jääneen vastausprosentin vuoksi tutkimustuloksia ei siis voida pitää yleistettävinä koskemaan koko perusjoukkoa, mutta tuloksia voidaan pitää vahvasti suuntaa antavina. Mahdollisuus katoon eli alhaiseen vastausprosenttiin tunnistettiin jo tutkimuksen suunnitteluvaiheessa, sillä tutkimus ajoittui tilitoimistojen merkittävimpään kiirekauteen eli tilinpäätöskauteen. Alhaista vastausprosenttia pyrittiin ennaltaehkäisemään ajoittamalla molemmat kyselyt kuukauden puoliväliin tai loppukuuhun, jotta tilinpäätöskiireiden lisäksi tilitoimistoissa ei olisi meneillään kuukausikirjanpidon katkoon liittyviä kiireitä. Tutkimuksen toteuttajan resurssit huomioiden tutkimusta ei kuitenkaan ollut mahdollista siirtää esimerkiksi syksylle, jolloin tilitoimistoissa ei ole käynnissä vastaavaa kiirekautta. Ajoituksen ohella huomiota kiinnitettiin myös saatekirjeen selkeyteen sekä informatiivisuuteen, jotta vastaamatta jättäminen ei johtuisi esimerkiksi siitä, että tutkimusaihe kuulostaa vaikealta tai kaukaiselta. Saatekirjeessä tuotiin ilmi, että vastaajan ei tarvitse käyttää keskustelevaa tekoälyä työssään aktiivisesti edellytyksenä vastaamiselle sekä, mitä keskustelevilla tekoälysovelluksilla tarkoitetaan. Reliabiliteetilla eli luotettavuudella tarkoitetaan tutkimuksen toistettavuutta sekä mittausmenetelmien johdonmukaisuutta (Vilkka, 2007, s. 149). Tutkimusaineiston keräämisessä hyödynnettiin vakioitua kyselylomaketta. Kyselylomake pohjautui UTAUT-viitekehykseen, minkä voidaan nähdä edistävän mittausten johdonmukaisuutta ja tämän myötä myös luotettavuutta. Tutkimustulokset analysoitiin systemaattisesti tilastollisin menetelmin hyödyntäen sijainti- ja hajontalukujen sekä luottamusvälitarkastelun ohella korrelaatioanalyysiä sekä lineaarista regressioanalyysia. Analyysivaiheen alkupuolella tutkimuksen luotettavuuden arvioinnissa hyödynnettiin Cronbachin alfa -kerrointa väittämäkokonaisuuksien sisäisen yhteneväisyyden arvioimiseksi. Kuten jo aikaisemmin mainittiin, tietosuojahuolet -kokonaisuuden sisäinen yhteneväisyys jäi selkeästi alle asetetun raja-arvon, minkä vuoksi kyseistä kokonaisuutta ei huomioitu myöhemmissä analyysivaiheissa tai johtopäätöksissä. Muiden kokonaisuuksien sisäinen yhteneväisyys oli hyvällä tai erinomaisella tasolla kertoimen arvojen ollessa 0,783–0,923. Luotettavuutta vahvistavana tekijänä nähdään myös se, että kaikki tehdyt päätökset perusteltiin kattavasti olemassa olevaan teoriaan pohjautuen ja valittujen menetelmien soveltuvuutta arvioitiin kriittisesti. Analysoidut tutkimustulokset 102 havainnollistettiin taulukoiden avulla sekä avattiin kattavasti sanallisesti. Kaiken kaikkiaan tutkimus toteutettiin läpinäkyvästi ja tehdyt päätökset sekä saadut tulokset raportoitiin avoimesti. Tämän pohjalta tutkimuksen reliabiliteetin voidaan katsoa toteutuneen. Hyvän tieteellisen tavan periaatteita noudatettiin läpi tutkimuksen toteutuksen sekä raportoinnin. Tutkimusprosessi aloitettiin tutkimussuunnitelman laatimisella sekä alustavan tiedonhankinnan kartoituksella, mikä tukee eettisesti kestävän tutkimuksen toteutumista. Osana tutkimusprojektia laadittiin tiedote tutkimuksesta sekä tietosuojailmoitus. Tutkimuksessa kiinnitettiin huomiota vastaajien informoimiseen tutkimuksen tarkoituksesta sekä heidän antamiensa tietojen käyttötarkoituksesta. Tutkimusaineiston keräämisessä käytettiin sähköistä kyselylomaketta ja kyselylomakkeen alussa vastaajan tuli antaa suostumuksensa siihen, että tutkimustuloksia hyödynnetään johtopäätöksien tekemiseen tutkittavasta aiheesta. Varsinainen tutkimusaineisto kerättiin anonyymisti ja näin ollen heidän henkilöllisyytensä säilyi tuntemattomana sekä aineiston käsittelyettä raportointivaiheessa, joka on olennaista hyvän tieteellisen käytännön näkökulmasta (Vilkka, 2007, s. 164). Tutkimuksen raportoinnin yhteydessä hyödynnetyt lähteet on merkitty asianmukaisesti tekstiviitteinä sekä koottu raportin lähdeluetteloon. Kaiken kaikkiaan hyvä tieteellinen käytäntö huomioitiin tutkimuksen suunnittelussa, toteutuksessa sekä raportoinnissa, mikä vahvistaa tutkimuksen eettistä luotettavuutta. Kokonaisluotettavuuden näkökulmasta yhteenvetona voidaan todeta, että tutkimusmenetelmien sisäinen pätevyys tukee validiteetin toteutumista, mutta ulkoista validiteettia rajoittaa pieni otoskoko, mikä heikentää tutkimustulosten yleistettävyyttä. Reliabiliteetti ilmeni mittausten johdonmukaisuutena sekä systemaattisina analyysimenetelminä, vaikkakin yksi tekijäkokonaisuus jätettiin pois heikon sisäisen yhteneväisyyden vuoksi. Eettiset käytännöt, kuten vastaajien informointi ja anonymiteetti, vahvistavat tutkimuksen eettistä luotettavuutta. Kokonaisuudessaan, huolimatta esiin tuoduista rajoitteista, tutkimuksen kokonaisluotettavuus on pääosin onnistunut, mikä edelleen tukee tutkimuksen tieteellistä arvoa sekä tulosten käyttökelpoisuutta. 7.5 Jatkotutkimusmahdollisuudet Tutkimuksen teoreettisessa tietoperustassa tuotiin esiin, että olemassa oleva tutkimustieto, jossa yhdistyvät keskusteleva tekoäly sekä taloushallinnon ala, käsittelee pääasiallisesti sovelluksien toiminnallisuuksia sekä niiden hyödynnettävyyttä taloushallinnon alalla. Näin ollen kyseessä on vielä melko kattamaton tutkimusalue, etenkin Suomessa, ja toteutettu tutkimus tarjoaa useita eri jatkotutkimusmahdollisuuksia. Tutkimustuloksista tuli ilmi, että taloushallinnon alalla keskustelevien tekoälysovelluksien käyttöön ei toistaiseksi panosteta erityisesti tuen tai koulutuksen muodossa. Käyttäjät etsivät neuvoja sovelluksen tehokkaaseen 103 hyödyntämiseen esimerkiksi sosiaalisen median eri kanavista. Tämä herättää kiinnostuksen jatkotutkimukseen, jossa tarkasteltaisiin tieteellisin menetelmin tehokkaita tapoja hyödyntää keskustelevaa tekoälyä taloushallinnon asiantuntijoiden sekä muiden tietotyöläisten työn tukena ja tehostamisessa. Tutkimus voisi luoda kattavan koosteen parhaista käytännöistä, jotka voisivat tarjota käyttäjille konkreettista apua sovellusten tehokkaaseen käyttöön. Toisena tutkimusmahdollisuutena olisi laajentaa toteutettua tutkimusta esimerkiksi laadullisin tutkimusmenetelmin. Tämä lähestymistapa mahdollistaisi syvällisemmän ymmärryksen saavuttamisen taloushallinnon asiantuntijoiden kokemuksista keskustelevan tekoälysovelluksen käytöstä. Tämän tutkimusnäkökulman myötä voitaisiin saavuttaa lisää tietoa muun muassa siitä, miten taloushallinnon asiantuntijat kokevat keskustelevan tekoälyn käytön työssään, millaisia tarpeita sekä odotuksia taloushallinnon asiantuntijoilla on keskustelevan tekoälyn käyttöön liittyen sekä, millaisia vaikutuksia keskustelevan tekoälysovelluksen käytöllä on käyttäjien työtehtävien suorittamiseen. Kolmantena jatkotutkimusmahdollisuutena olisi tutkia keskustelevan tekoälyn käytön vaikutusta taloushallinnon työn tehokkuuteen ja tuottavuuteen vertailemalla perinteisten menetelmien ja keskustelevan tekoälyn avulla suoritettavien tehtävien suoritusaikoja sekä havainnoimalla virheiden määrää näissä eri toimintatavoissa. Etenkin keskustelevien tekoälysovelluksien edelleen kehittyessä, tämä tutkimusaihe nousee hyvin relevantiksi. Tehokkuuden sekä tuottavuuden ymmärryksen myötä pystyttäisiin arvioimaan myös yritystasoisia tulosvaikutteita eli miten keskustelevan tekoälyn käyttö vaikuttaa yrityksen tuloksiin sekä resurssien käyttöön. 104 LÄHTEET Abdullah, M., Madain, A., & Jararweh, Y. (2022). ChatGPT: Fundamentals, Applications and Social Impacts. 2022 Ninth International Conference on Social Networks Analysis, Management and Security (SNAMS). Milan: IEEE. https://doi.org/10.1109/SNAMS58071.2022.10062688 Agrawal, K. P. (2023). Towards Adoption of Generative AI in Organizational Settings. The Journal of computer information systems, 1-16. https://doi.org/10.1080/08874417.2023.2240744 Ailisto, H. & Myllymäki, P. (2022). Mitä tekoäly on? Teoksessa Ailisto, H., Myllymäki, P., Tarkoma, S., Kämäräinen, J-K., Röning, J., Salakoski, T., Solin, A., Saariluoma, P., Mikkonen, T., Gils, M., Väänänen, K., Puolamäki, K., Ylén, P., Roos, T., Leikas, J., Honkela, A., Kutila, M., Ruotsalainen, L., Ylikoski, P. & Linturi, R. Tekoälyratkaisut tänään ja tulevaisuudessa. Eduskunnan tulevaisuusvaliokunnan julkaisu. Haettu 19.2.2022 osoitteesta https://www.eduskunta.fi/FI/naineduskuntatoimii/julkaisut/Documen ts/tuvj_1+2022.pdf Ajzen, I. (1991). The Theory of Planned Behavior. Organizational behavior and human decision processes, 50(2), 179-211. https://doi.org/10.1016/0749- 5978(91)90020-T Alkhwaldi, A. & Kamala, M. (2017). Why Do Users Accept Innovative Technologies? A Critical Review of Models and Theories of Technology Acceptance in The Information System Literature. The university of Bradford Institutional repository. Haettu 28.2.2024 osoitteesta https://bradscholars.brad.ac.uk/bitstream/handle/10454/13221/alkhwa ldi_kamala_2017.pdf?sequence=1&isAllowed=y Alzubi, J., Nayyar, A. & Kumar, A. (2018). Machine learning from theory to algorithms: an owerview. IOP Conference. Journal of Physics: Conference Series 1142. https://doi:10.1088/1742-6596/1142/1/012012 Andrews, J. E., Ward, H., & Yoon, J. (2021). UTAUT as a Model for Understanding Intention to Adopt AI and Related Technologies among Librarians. The Journal of academic librarianship, 47(6), 102437. https://doi.org/10.1016/j.acalib.2021.102437 Ayinde, L., Wibowo, M. P., Ravuri, B., & Emdad, F. B. (2023). ChatGPT as an important tool in organizational management: A review of the literature. Business information review, 40(3), 137-149. https://doi.org/10.1177/02663821231187991 Baker, T. & Smith, L. (2019). Educ-AI-tion Rebooted? Exploring the future of artificial intelligence in schools and colleges. Haettu 21.2.2024 osoitteesta 105 https://media.nesta.org.uk/documents/Future_of_AI_and_education_v5 _WEB.pdf Compeau, D., Higgins, C. A., & Huff, S. (1999). Social Cognitive Theory and Individual Reactions to Computing Technology: A Longitudinal Study. MIS quarterly, 23(2), 145-158. https://doi.org/10.2307/249749 Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS quarterly, 13(3), 319-340. https://doi.org/10.2307/249008 Elements of AI. (ei pvm.) 1. Miten tekoäly määritellään? Elements of AI - verkkokurssi. Haettu 9.2.2024 osoitteesta https://course.elementsofai.com/fi/1/1 Faruk, L. I. D., Rohan, R., Ninrutsirikun, U. & Pal, D. (2023). University Student’s Acceptance and Usage of Generative AI (ChatGPT) from a Psycho-Technical Perspective. 13th International Conference on Advances in Information Technology (IAIT 2023). https://doi.org/10.1145/3628454.3629552 Finstad, K. (2010). Response Interpolation and Scale Sensitivity: Evidence Against 5-Point Scales. Journal of Usability Studies, 5(3), 104-110. Fishbein, M. & Ajzen, I. (1975). Belief, Attitude, Intention and Behavior: An Introduction to Theory and Research. MA: Addison-Wesley. Haettu 29.2.2024 osoitteesta https://people.umass.edu/aizen/f&a1975.html Floridi, L. (2023). On the Brussels-Washington Consensus About the Legal Definition of Artificial Intelligence. Philosophy & technology, 36(4), 87. https://doi.org/10.1007/s13347-023-00690-z Google. (8.2.2024). Gemini-sovellusten yksityisyys- ja tietosuojakeskus. Haettu 27.2.2024 osoitteesta https://support.google.com/gemini/answer/13594961?hl=fi#your_data. Hadi, M. U., Al-Tashi, Q., Quereshi, R., Shah, A., Muneer, A., Irfan, M., Zafar, A., Shaikh, M. B., Akhtar, N., Wu., J. & Mirjalili, S. (2023). A survey on large language models: Applications, challenges, Limitations, and practical usage. Haettu 25.2.2024 osoitteesta https://d197for5662m48.cloudfront.net/documents/publicationstatus/17 0687/preprint_pdf/afaf5dabd52e8f44288e8e800a54f43d.pdf Haenlein, M., & Kaplan, A. (2019). A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence. California management review, 61(4), 5-14. https://doi.org/10.1177/0008125619864925 Head, C. B., Jasper, P., McConnachie, M., Raftree, L., & Higdon, G. (2023). Large language model applications for evaluation: Opportunities and ethical implications. New directions for evaluation, 2023(178-179), 33-46. https://doi.org/10.1002/ev.20556 112 LIITE 2 TUTKIELMAN KYSELYLOMAKE Vastaamalla kyselyyn annat suostumuksesi siihen, että anonyymejä tutkimustuloksia hyödynnetään johtopäätöksien tekemiseen tutkittavasta aiheesta • Ymmärrän Ammattinimikkeesi: Ikä: • 18–29 • 30–39 • 40–49 • 50–59 • 60 vuotta tai yli Sukupuoli: • Nainen • Mies • Muu • En halua vastata Työkokemuksesi kirjanpidon tehtävistä: • 3 vuotta tai vähemmän • 4–9 vuotta • 10 vuotta tai enemmän Kuinka monta työntekijää työnantajaorganisaatiossasi on kokonaisuudessaan: • Työntekijöitä 9 tai vähemmän • Työntekijöitä 10–49 • Työntekijöitä 50–249 • Työntekijöitä yli 250 Kuinka usein käytät keskustelevaa tekoälyä (esim. ChatGPT/Copilot/Gemini) työssäsi? • Päivittäin • Viikoittain • Kuukausittain • Harvoin • En koskaan Millaista keskustelevaa tekoälysovellusta käytät työssäsi pääasiallisesti? • Käytän avointa ilmaisversiota keskustelevasta tekoälysovelluksesta • Käytän työnantajaorganisaation tarjoamaa yritysversiota keskustelevasta tekoälysovelluksesta 113 • Käytän itse kustantamaani maksullista keskustelevaa tekoälysovellusta • En käytä keskustelevia tekoälysovelluksia työssäni Suorituskykyodotukset (Performance Expectancy) PE1: Keskustelevasta tekoälysovelluksesta on minulle hyötyä työssäni PE2: Keskustelevan tekoälysovelluksen avulla voin suorittaa työtehtäväni nopeammin PE3: Keskustelevan tekoälysovelluksen käyttö työssä lisää tuottavuuttani PE4: Uskon, että keskustelevan tekoälysovelluksen käytöllä on myönteinen vaikutus uraani Vaivattomuuden odotukset (Effort Expectancy) EE1: Keskustelevan tekoälysovelluksen käyttö on selkeää ja ymmärrettävää EE2: Keskustelevaa tekoälysovellusta on helppo käyttää EE3: Keskustelevan tekoälysovelluksen käytön opettelu on minulle helppoa EE4: Minun on helppo tulla taitavaksi keskustelevan tekoälysovelluksen käytössä Sosiaalinen vaikutus (Social Influence) SI1: Minulle tärkeät kollegat tai muut sidosryhmät käyttävät keskustelevaa tekoälysovellusta työssään SI2: Minulle tärkeät kollegat olisivat sitä mieltä, että minun tulisi käyttää keskustelevaa tekoälysovellusta työssäni SI3: Työnantajaorganisaationi pitää keskustelevan tekoälysovelluksen käyttöä työssä hyvänä ideana SI4: Yleisesti ottaen työnantajaorganisaationi tukee minua keskustelevan tekoälysovelluksen käytössä Käyttöä edistävät olosuhteet (Facilitating Conditions) FC1: Minulla on tarvittavat resurssit keskustelevan tekoälysovelluksen käyttöön FC2: Minulla on tarvittava osaaminen keskustelevan tekoälysovelluksen käyttämiseksi FC3: Saan apua muilta, mikäli minulla on ongelmia keskustelevan tekoälysovelluksen käytössä Asenne käyttöä kohtaan (Attitude towards using technology) ATU1: Keskustelevan tekoälysovelluksen käyttö osana työtehtävien suorittamista on hyvä ajatus ATU2: Keskustelevan tekoälysovelluksen käyttö tekee työstä mielenkiintoisempaa ATU3: Keskustelevan tekoälysovelluksen käyttö on hauskaa ATU4: Pidän työskentelystä keskustelevan tekoälysovelluksen kanssa ATU5: Uskon, että keskusteleva tekoälysovellus voi antaa luotettavia vastauksia 114 Tietosuojahuolet (Privacy concerns) PC1: Olen huolissani, että keskustelevan tekoälysovelluksen antamat vastaukset ovat puolueellisia PC2: Olen huolessani, että keskusteleva tekoälysovellus tuottaa virheellistä tietoa PC3: Keskustelevan tekoälysovelluksen käyttö on tietoturvallista Aikomus järjestelmän käyttämiseen (Behavioral intention) BI1: Aion käyttää keskustelevaa tekoälysovellusta työssäni tulevaisuudessa BI2: Pyrin käyttämään keskustelevaa tekoälyä työssäni niin paljon kuin mahdollista BI3: Suunnittelen käyttäväni keskustelevaa tekoälyä usein työssäni tulevaisuudessa Vapaakenttä: Vapaa kommentti keskustelevan tekoälysovelluksen käytöstä työssäsi (esimerkiksi hyötyjä/haittoja/huolia sovelluksen käyttöön liittyen, millaisiin tehtäviin hyödynnät keskustelevaa tekoälysovellusta) 115 LIITE 3 SÄHKÖPOSTIVIESTIN SAATEKIRJE TUTKIMUKSESTA Pyydämme teitä osallistumaan tutkimukseen, jonka tarkoituksena on tutkia keskustelevan tekoälyn hyväksyntää ja käyttöä taloushallinnon asiantuntijoiden näkökulmasta Suomessa. Kyselyyn voivat vastata kaikki taloushallinnon asiantuntijat eli vastaaminen ei edellytä, että käyttäisit työssäsi aktiivisesti keskustelevaa tekoälysovellusta. Keskustelevalla tekoälyllä tarkoitetaan sovellusta, joka pystyy analysoimaan, muotoilemaan, muokkaamaan, kääntämään sekä tuottamaan luonnollista kieltä. Esimerkkejä tällaisista keskustelevista tekoälysovelluksista ovat ChatGPT, Copilot sekä Gemini. Tutkimus on osa tietojärjestelmätieteen opintoihin liittyvää pro gradu - tutkielmaa Jyväskylän yliopistossa. Kyselyyn toivotaan vastauksia taloushallinnon asiantuntijoilta/konsulteilta/kirjanpitäjiltä. Sähköiseen Webropol-kyselyyn vastaamalla autat tutkimusaineiston keräämisessä. Kysely koostuu seitsemästä (7) taustakysymyksestä sekä kahdestakymmenestäkuudesta (26) väittämästä, joihin vastataan asteikolla 1–7. Kyselyn lopuksi on vapaakenttä, johon voit halutessasi jättää vapaamuotoisen kommentin keskustelevan tekoälysovelluksen käyttöön liittyen. Vastaamiseen kuluu aikaa korkeintaan 15 minuuttia. Kyselyyn pääset vastaamaan alla olevasta linkistä. Kysely on avoimena 18.- 28.3.2024. **Linkki kyselyyn** Kyselyyn vastaaminen tapahtuu anonyymisti, eikä yksittäisiä vastauksia voida yksilöidä vastaajaan tai vastaajan työnantajaorganisaatioon. Kysely ei sisällä oikeita tai vääriä vastauksia, joten vastaathan omien ajatuksiesi sekä kokemuksiesi pohjalta. Suuri kiitos jo etukäteen kaikille osallistuville! Tutkimuksen toteuttaja: Liida Kumpulainen Tietojärjestelmätiede, Jyväskylän yliopisto [email protected] 116 LIITE 4 SOSIAALISEEN MEDIAAN JULKAISTU SAATEVIESTI TUTKIMUKSESTA Taloushallinnon asiantuntija, edistä uuden tutkimustiedon kertymistä vastaamalla lyhyeen kyselyyn keskustelevan tekoälyn käytöstä! Vastaamalla tuet tietojärjestelmätieteen opintoihini liittyvää pro gradu - tutkimusta Jyväskylän yliopistossa. Tutkimuksessa pyritään luomaan uutta ymmärrystä keskustelevien tekoälysovelluksien, kuten ChatGPT:n, Copilotin sekä Geminin, käyttöön sekä kehittämiseen liittyen erityisesti taloushallinnon alalla. Vastaajiksi soveltuvat henkilöt, jotka työskentelevät taloushallinnon tehtävien parissa. Tehtävänimikkeesi voi olla esimerkiksi taloushallinnon asiantuntija, - konsultti tai kirjanpitäjä. Voit vastata kyselyyn riippumatta siitä, käytätkö keskustelevaa tekoälysovellusta työssäsi aktiivisesti tai et. Kysely koostuu taustakysymyksistä (7 kpl) sekä väittämistä (26 kpl), joihin vastataan asteikolla 1–7. Kyselyn lopuksi on vapaakenttä, johon voit halutessasi jättää vapaamuotoisen kommentin keskustelevan tekoälysovelluksen käyttöön liittyen. Vastaaminen onnistuu niin tietokoneella, tabletilla kuin puhelimellakin, ja aikaa kuluu korkeintaan 15 minuuttia. Vastaaminen tapahtuu anonyymisti. Kyselyyn pääset tästä linkistä ja vastaaminen on mahdollista XX asti: **linkki kyselyyn** Suuri kiitos vastaajille! 117 LIITE 5 TUTKIMUKSEN TIEDOTE JA TIETOSUOJALIITE JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 13.3.2024 TIEDOTE TUTKIMUKSESTA 1. Tutkimus - Keskustelevan tekoälyn hyväksyminen ja käyttöönotto taloushallinnon asiantuntijoiden näkökulmasta Sinua pyydetään mukaan tutkimukseen, jossa tutkitaan keskustelevien tekoälysovelluksien hyväksymistä ja käyttöönottoa taloushallinnon asiantuntijoiden näkökulmasta. Keskustelevilla tekoälysovelluksilla tarkoitetaan sovelluksia, kuten ChatGPT, Copilot ja Gemini. Tutkimus kohdistetaan asiantuntijoille, jotka työssään hoitavat kirjanpidon tehtäviä. Tämä tiedote kuvaa tutkimusta sekä siihen osallistumista. Liitteessä olevassa tietosuojailmoituksessa on kerrottu henkilötietojesi käsittelystä. Vastaamalla kyselyyn annat suostumuksesi siihen, että tutkimustuloksia hyödynnetään johtopäätöksien tekemiseen siitä, millaiset tekijät vaikuttavat keskustelevien tekoälysovelluksien hyväksymiseen ja käyttöön taloushallinnon asiantuntijoiden näkökulmasta. 2. Vapaaehtoisuus Tähän tutkimukseen osallistuminen on vapaaehtoista. Voit kieltäytyä osallistumasta tutkimukseen tai keskeyttää osallistumisen milloin tahansa tutkimuksen aikana erillistä syytä ilmoittamatta. 3. Tutkimuksen kulku Tutkimus toteutetaan sähköisenä kyselytutkimuksena Webropolohjelmalla. Tutkimuksessa selvitetään keskustelevien tekoälysovelluksien hyväksymistä ja käyttöä taloushallinnon asiantuntijoiden näkökulmasta. Kysely koostuu taustakysymyksistä sekä väittämistä, joihin vastataan annettua asteikkoa hyödyntämällä. Kysely on avoimena reilun viikon ajan, ja kertaluontoinen kyselyyn vastaaminen vie korkeintaan 15 minuuttia. 4. Tutkimuksesta mahdollisesti aiheutuvat hyödyt Tutkimukseen osallistumisesta ei odoteta muodostuvan erityistä hyötyä vastaajalle yksilötasolla. Tieteellisestä näkökulmasta tutkimuksella pyritään saavuttamaan laajempaa ymmärrystä siitä, millaiset tekijät vaikuttavat keskustelevan 118 tekoälysovelluksen käyttöaikomuksen taustalla taloushallinnon asiantuntijoiden perspektiivistä. Yhteiskunnallisesta näkökulmasta tutkimus auttaa hahmottamaan keskustelevan tekoälyn käytön yleisyyttä työssä sekä sen vaikutuksia taloushallinnon alaan nyt ja tulevaisuudessa. 5. Tutkimuksesta mahdollisesti aiheutuvat riskit, haitat ja epämukavuudet sekä niihin varautuminen Tutkimukseen osallistumisesta ei odoteta aiheutuvan riskejä, haittoja tai epämukavuuksia. 6. Tutkimuksen kustannukset ja korvaukset tutkittavalle sekä tutkimuksen rahoitus Tutkimukseen osallistumisesta ei aiheudu osallistujalle kustannuksia eikä osallistujalle makseta palkkiota. 7. Tutkimustuloksista tiedottaminen ja tutkimustulokset Tutkimuksesta valmistuu opinnäytetyö ja analysoidut tutkimustulokset julkaistaan osana pro gradu -tutkielmaa. 8. Tutkittavien vakuutusturva Jyväskylän yliopiston toiminta ja tutkittavat on vakuutettu. Jyväskylän yliopiston vakuutukset korvaavat etänä suoritettavissa tutkimuksissa ainoastaan sellaiset vahingot, jotka liittyvät suoraan annettuun tutkimustehtävään ja jotka ovat sattuneet varsinaisen ohjeistetun tutkimustehtävän aikana. Vakuutus ei korvaa taukojen aikana sattuneita vahinkoja. Jyväskylän yliopiston vakuutukset eivät ole voimassa etänä suoritettavissa tutkimuksissa, jos tutkittavan kotikunta ei ole Suomessa. Vakuutus sisältää potilasvakuutuksen, toiminnanvastuuvakuutuksen ja vapaaehtoisen tapaturmavakuutuksen. Tutkimuksissa tutkittavat (koehenkilöt) on vakuutettu tutkimuksen ajan ulkoisen syyn aiheuttamien tapaturmien, vahinkojen ja vammojen varalta. Tapaturmavakuutus on voimassa mittauksissa ja niihin välittömästi liittyvillä matkoilla. 9. Lisätietojen antajan yhteystiedot Tutkimuksesta ja sen toteutuksesta voi kysyä lisätietoja puhelimitse tai sähköpostitse Liida Kumpulainen, **puhelinnumero** / **sähköpostiosoite** Pro gradu -tutkielman ohjaaja Juuli Lumivalo (Jyväskylän yliopisto), **puhelinnumero** / **sähköpostiosoite** 119 INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 13.3.2024 TIETOSUOJAILMOITUS Olet osallistumassa Jyväskylän yliopiston opiskelijan tekemään opinnäytetyöhön. Tässä tietosuojailmoituksessa sinulle kerrotaan henkilötietojesi käsittelystä. Sinulla on lain mukaan oikeus saada nämä tiedot. 1. Rekisterinpitäjä Liida Kumpulainen, **puhelinnumero** / **sähköpostiosoite** 2. Työnohjaaja opinnäytetyössä Juuli Lumivalo, tutkijatohtori, **puhelinnumero** / **sähköpostiosoite** 3. Käsiteltävät henkilötiedot Kerättyjä tietoja käsitellään tiedotteessa kuvattua tarkoitusta varten. Tutkimuksen kyselylomakkeessa sinusta kerätään seuraavia tietoja: sukupuoli, ikä, ammattinimike, työkokemusvuodet kirjanpidon tehtävistä, työnantajaorganisaation kokonaishenkilömäärä sekä keskustelevan tekoälyn käyttöaikomusta kuvaavat kyselyvastaukset. Tutkimus toteutetaan anonyymisti eli henkilötietoja ei käsitellä lainkaan. Tutkimustulosten analysointivaiheessa tuloksia tarkastellaan yhdessä pro gradu - tutkielman ohjaajan kanssa. Tietojasi käsitellään luottamuksellisesti eikä niitä luovuteta sivullisille. Kaikki osallistujat ovat täysi-ikäisiä. 4. Henkilötietojen käsittelyn oikeudellinen peruste Rekisteröidyn suostumus (tietosuoja-asetuksen artikla 6.1.a, erityiset henkilötietoryhmät 9.2.a) 5. Henkilötietojen siirto EU/ETA ulkopuolelle Tietojasi ei siirretä EU/ETA -alueen ulkopuolelle. 6. Henkilötietojen suojaaminen ☒ suoria tunnistetietoja ei kerätä (nimi tms.) ☐aineisto pseudonymisoidaan ☒käyttäjätunnuksella ☒salasanalla ☐käytön rekisteröinnillä ☐kulunvalvonnalla (fyysinen tila) ☐muulla tavoin, miten: 120 Tutkimustietojanne säilytetään sähköisesti tutkimuksen toteuttajan käyttäjätunnuksen ja salasanan avulla suojatulla tietokoneella. 7. Henkilötietojen käsittelyn elinkaari Kerättyjä tietoja, jotka ovat osa tutkimusta, ei säilytetä sen jälkeen, kun tutkimustuloksien analysointi on suoritettu. Kerätty tutkimusaineisto tuhotaan analysoinnin jälkeen. 8. Rekisteröidyn oikeudet Suostumuksen peruuttaminen (tietosuoja-asetuksen 7 artikla) (jos perusteena käytetään suostumusta ks. kohta 4) Sinulla on oikeus peruuttaa antamasi suostumus, mikäli henkilötietojen käsittely perustuu suostumukseen. Suostumuksen peruuttaminen ei vaikuta suostumuksen perusteella ennen sen peruuttamista suoritetun käsittelyn lainmukaisuuteen. Oikeus saada pääsy tietoihin (tietosuoja-asetuksen 15 artikla) Sinulla on oikeus saada tieto siitä, käsitelläänkö henkilötietojasi ja mitä henkilötietojasi käsitellään. Voit myös halutessasi pyytää jäljennöksen käsiteltävistä henkilötiedoista. Oikeus tietojen oikaisemiseen (tietosuoja-asetuksen 16 artikla) Jos käsiteltävissä henkilötiedoissasi on epätarkkuuksia tai virheitä, sinulla on oikeus pyytää niiden oikaisua tai täydennystä. Oikeus tietojen poistamiseen (tietosuoja-asetuksen 17 artikla) Sinulla on oikeus vaatia henkilötietojesi poistamista tietyissä tapauksissa. Oikeus käsittelyn rajoittamiseen (tietosuoja-asetuksen 18 artikla) Sinulla on oikeus henkilötietojesi käsittelyn rajoittamiseen tietyissä tilanteissa kuten, jos kiistät henkilötietojesi paikkansapitävyyden. Vastustamisoikeus (tietosuoja-asetuksen 21 artikla) (jos perusteena käytetään oikeutettua etua ks. kohta 4) Sinulla on oikeus vastustaa henkilötietojesi käsittelyä, jos käsittely perustuu oikeutettuun etuun. Rekisteröidyn oikeuksien toteuttaminen Jos sinulla on kysyttävää rekisteröidyn oikeuksista, voit olla yhteydessä rekisterinpitäjään (ks. kohta 1). Sinulla on oikeus tehdä valitus erityisesti vakinaisen asuin- tai työpaikkasi sijainnin mukaiselle valvontaviranomaiselle, mikäli katsot, että henkilötietojen käsittelyssä rikotaan EU:n yleistä tietosuoja-asetusta (EU) 2016/679. Suomessa valvontaviranomainen on tietosuojavaltuutettu. Tietosuojavaltuutetun toimiston ajantasaiset yhteystiedot: https://tietosuoja.fi/etusivu