Voiko tekoäly tukea ennakointia? ChatGPT-versioiden vertailu PESTEL-analyysissä

Tiivistelmä

Tekoälyn kehitys on avannut uusia mahdollisuuksia myös strategisen ennakoinnin tueksi, mutta samalla se herättää kysymyksiä analyysien luotettavuudesta ja tulkittavuudesta. Tässä artikkelissa tarkastellaan kahta OpenAI:n kielimallia, GPT‑3.5:tä ja GPT‑4o:ta, ja verrataan niiden tuottamia PESTEL-analyyseja yritysten ennakointityön tukena. Vertailu perustuu avoimeen 2024 Trend Prediction Report Collection -kokoelmaan, johon on koottu kansainvälisiä trendiraportteja eri organisaatioilta, ja se toteutettiin analysoimalla mallien tuottamien vastausten kattavuutta, painotuksia ja tulkintoja. Tulokset osoittavat, että GPT‑4o tuottaa yksityiskohtaisempia ja laajempia analyyseja, kun taas GPT‑3.5 pysyttelee varovaisemmin lähdeaineistossa. Erot havainnollistavat sekä generatiivisen tekoälyn potentiaalia ennakoinnin tukena että siihen liittyviä eettisiä ja metodologisia haasteita. Kielimallit voivat vahvistaa ennakointia, mutta eivät korvata inhimillistä harkintaa ja kriittistä tulkintaa strategisessa päätöksenteossa. 

1 Tekoäly ja ennakointikyvykkyys strategisen päätöksenteon tukena

Tekoälyn kyky tuottaa hyödyllisiä ja laadukkaita analyysejä on edistynyt merkittävästi viime vuosina, mikä avaa uusia mahdollisuuksia myös strategiseen päätöksentekoon ja ennakointiin (Vesnic-Alujevic & d'Ambrosio, 2025; Ripatti, Siltasalmi & Hario, 2025). Ennakointi ei kuitenkaan tarkoita ennustamista, vaan erilaisten mahdollisten tulevaisuuksien tunnistamista ja tulkintaa päätöksenteon tueksi. Ennakointikyvykkyydellä viitataankin organisaation kykyyn hahmottaa useita vaihtoehtoisia tulevaisuuksia ja huomioida ne nykyhetken toimia suunniteltaessa (Aalto, 2022). Yritysten näkökulmasta ennakoinnissa keskeistä on tunnistaa pitkän aikavälin menestyksen ja kasvun mahdollisuuksia sekä toimintaympäristöä muokkaavia tekijöitä ja riskejä epävarmuuden keskellä (Dufva, 2022; Rohrbeck & Kum, 2018). 

Viimeaikainen tutkimus korostaa tekoälyn roolia ennakointiprosessin tukena erityisesti tiedon käsittelyn ja jäsentämisen vaiheessa. Suuret kielimallit voivat auttaa laajojen ja hajanaisten tietoaineistojen kokoamisessa, luokittelussa ja yhdistelyssä, mutta ennakoinnin kannalta keskeinen merkitysten luominen ja ilmiöiden tulkinta edellyttävät edelleen inhimillistä asiantuntemusta ja kontekstuaalista ymmärrystä (Ripatti et al., 2025). Tästä näkökulmasta tekoälyn tuottamien analyysien luotettavuus ja käyttökelpoisuus muodostuvat keskeisiksi kysymyksiksi, kun kielimalleja hyödynnetään ennakoinnin tukena. 

Tässä artikkelissa tarkastellaan, miten OpenAI:n kehittämät GPT-mallit, marraskuussa 2022 julkaistu GPT‑3.5 ja toukokuussa 2024 julkaistu GPT‑4o, toimivat teknologiatrendien analysoinnissa PESTEL-kehikon avulla yritysten ennakointia tukevassa kontekstissa. Kielimallit kehittyvät jatkuvasti datan määrän kasvaessa sekä mallien rakenteiden ja laskentatehon parantuessa. Uudemmat mallit pystyvät yleensä käsittelemään suurempia määriä tietoa ja tarjoavat monipuolisempia analyysimahdollisuuksia kuin edeltäjänsä. Vertailemalla GPT‑3.5- ja GPT‑4o‑malleja pyritään tunnistamaan mahdollisia eroja niiden tuottamien PESTEL-analyysien laadussa, painotuksissa ja käyttökelpoisuudessa liiketoiminnan strategisen suunnittelun ja ennakoinnin tukena. 

2 Miten vertailu tehtiin? PESTEL-analyysi ja tekoälymenetelmä

PESTEL-analyysi on strateginen työkalu, jolla arvioidaan organisaation toimintaympäristöä poliittisten, taloudellisten, sosiaalisten, teknologisten, ympäristöön liittyvien sekä lainsäädännöllisten tekijöiden näkökulmista. Tyypillisesti analyysi perustuu näiden kuuden osa-alueen systemaattiseen tarkasteluun, jonka avulla voidaan tunnistaa keskeisiä muutoksia ja arvioida niiden mahdollisia vaikutuksia organisaation toimintaan (Dufva, 2022). 

Aineistona käytettiin 19 teknologia-artikkelia, jotka suodatettiin avoimesta 2024 Trend Prediction Report Collection ‑kokoelmasta (Daroukakis et al., 2024). Kokoelma sisältää yli 180 raporttia, jotka käsittelevät teknologian, liiketoiminnan ja yhteiskunnan kehityssuuntia. Raportit on koottu eri puolilta maailmaa, ja niiden tuottajina ovat muun muassa Harvard Business Review, Accenture, PwC, KPMG ja Deloitte sekä yritykset kuten Microsoft, Airbnb ja IBM. Aineisto kattaa vuoden 2023 kehityskulkuja ja ennakoi trendejä vuodelle 2024. 

Ensimmäisessä vaiheessa raporttikokoelmasta rajattiin pois muut kuin teknologiaan liittyvät artikkelit. Jäljelle jääneet PDF-muotoiset dokumentit muunnettiin tekstimuotoon Python-skriptin avulla, sillä GPT‑3.5‑malli ei tukenut PDF-tiedostojen suoraa syöttämistä. Muunnetut tekstitiedostot toimivat kummankin GPT-mallin analyysin pohja-aineistona. Kukin artikkeli analysoitiin erikseen hyödyntämällä temporary chat ‑toimintoa, jotta käyttäjän aiemmat keskustelut tai asetukset eivät vaikuttaisi tuloksiin. 

Tekoälymalleja pyydettiin tuottamaan kustakin artikkelista PESTEL-analyysi yhdenmukaisessa muodossa seuraavien otsikoiden alle: artikkelin nimi, poliittiset, taloudelliset, sosiaaliset, teknologiset, ympäristöön liittyvät ja lainsäädännölliset tekijät sekä yhteenveto. Mallien tuottamia vastauksia vertailtiin laadullisesti tarkastelemalla, nostivatko ne esiin samoja teemoja ja näkökulmia alkuperäisten raporttien sisällöstä. Vertailussa kiinnitettiin huomiota erityisesti siihen, ilmenikö mallien välillä eroja analyysien painotuksissa, kattavuudessa tai esiin nostettujen ilmiöiden tulkinnassa. 

3 GPT‑3.5‑ ja GPT‑4o‑mallien tuottamien PESTEL-analyysien vertailu

Vertailuanalyysissa havaittiin johdonmukaisia eroja GPT‑3.5‑ ja GPT‑4o‑mallien tuottamien PESTEL-analyysien pituudessa, kattavuudessa ja tavassa tulkita lähdeaineistoa. GPT‑3.5:n vastaukset olivat keskimäärin lyhyempiä ja niille oli ominaista pidättyväisyys; malli toi usein esiin, ettei tarkasteltu raportti käsitellyt tiettyä PESTEL-ulottuvuutta, ja jätti kyseisen kohdan vähälle huomiolle. GPT‑4o puolestaan tuotti systemaattisesti vastauksia kaikkiin PESTEL-ulottuvuuksiin myös silloin, kun alkuperäinen aineisto ei eksplisiittisesti käsitellyt kyseistä näkökulmaa. Tämä johti analyysien laajempaan kattavuuteen, mutta sisälsi myös mallin omia tulkintoja ja kontekstuaalisia täydennyksiä.

Esimerkki 1. BDO Tech Predictions 2024 – taloudelliset tekijät 

GPT-4o: “Korkea inflaatio, korkotasot ja taloudellinen epävarmuus vaikuttavat yritysten strategisiin päätöksiin, kuten henkilöstövähennyksiin ja investointien lykkäämiseen. Yrityskauppojen (M&A) odotetaan pysyvän hitaana vuonna 2024, mutta markkinoiden vakauduttua odotetaan suurta kasvua vuonna 2025. Yksityisten pääomasijoittajien kiinnostus lisää henkilöstövähennyksiä kustannussäästöjen nimissä.” 

GPT-3.5: “Teknologiateollisuuden muutokset, kuten etätyön väheneminen ja investoinnit autonomisiin agentteihin, vaikuttavat talouteen ja yritysten strategioihin.” 

Tämä esimerkki havainnollistaa kahta keskeistä eroa: GPT‑4o:n analyysi on laajempi ja kontekstualisoidumpi, mutta samalla se lisää tarkasteluun elementtejä (inflaatio), joita ei eksplisiittisesti mainita lähdeaineistossa. GPT‑3.5 puolestaan pitäytyy aineistossa esitettyihin teemoihin, mutta jättää osan keskeisistä havainnoista (korkotasot ja yrityskaupat) kokonaan käsittelemättä. 

 

Esimerkki 2. ACTIVATE Technology and Media Outlook 2024 – taloudelliset tekijät 

GPT-4o: “Teknologia- ja mediamarkkinoiden kokonaiskulutus kasvaa lähes 400 miljardilla dollarilla vuoteen 2027 mennessä. Verkkokauppa (eCommerce) kasvaa kaksi kertaa nopeammin kuin kivijalkakauppa, ja sen ennustetaan saavuttavan 10 biljoonaa dollaria globaalisti vuoteen 2027 mennessä. Yritysten B2B-teknologiainvestointien arvioidaan nousevan 3,5 biljoonaan dollariin samassa ajassa.”  

GPT-3.5: “Kasvava digitaalisen median ja teknologian kulutus sekä e-kaupan ja virtuaalisten kokemusten nousu kuvastavat taloudellisia trendejä, jotka vaikuttavat kulutustottumuksiin ja liiketoimintamalleihin.” 

Tämä esimerkki havainnollistaa, että GPT-4o:n tuottamat analyysit ovat keskimäärin yksityiskohtaisempia ja dataan tukeutuvia, kun taas GPT-3.5 esittää taloudelliset tekijät yleistetymmin. GPT-4o nostaa esiin raportissa keskeisesti esitettyjä määrällisiä ennusteita ja konkretisoi markkinoiden kasvuluvut selkeästi. GPT-3.5 puolestaan tiivistää taloudellisen näkökulman yleiselle tasolle, keskittyen kulutustrendeihin ja liiketoimintamallien muutoksiin ilman numeerista konkretiaa.

Yhteenvetävä vertailu   

Mallien tuottamien vastausten keskeiset eroavaisuudet koottiin vertailutaulukkoon, jonka avulla analyysien kattavuutta, painotuksia ja yksityiskohtaisuutta arvioitiin systemaattisesti. Vertailu aihealueittain osoitti, että GPT‑4o nostaa useammin esiin yksityiskohtaisia ja kontekstuaalisia nostoja, kun taas GPT‑3.5 jää useammin yleisluonteisiin kuvauksiin.  

Poliittiset tekijät: GPT-4o kuvaa poliittisia tekijöitä täsmällisesti ja jäsentää esimerkiksi EU-tason kehikon ja päätöksenteon rakenteet konkreettisiksi vaikutusketjuiksi. GPT-3.5 käsittelee poliittisia tekijöitä yleisemmällä tasolla, usein korostaen hallinnollisia muutoksia tai poliittisia suuntauksia ilman yksityiskohtaista vaikutusten erittelyä.  

Taloudelliset tekijät: GPT-4o liittää havaintoihin selkeitä talouden dynamiikkaan liittyviä muuttujia, kuten suhdannesyklit, investointien ajoituksen, kustannuspaineet ja yrityskauppojen rytmin. Se pystyy hahmottamaan taloudelliset ilmiöt osana laajempaa markkinakontekstia. GPT-3.5 puolestaan tarkastelee taloutta yleisluonteisemmin, mainiten usein uusia liiketoimintamalleja tai tuottavuustrendejä ilman tarkempaa taloudellista taustoitusta.  

Teknologiset tekijät: GPT-4o erittelee teknologisia tekijöitä yksityiskohtaisesti ja kuvaa usein itse mekanismin – esimerkiksi autonomiset agentit, dataputket tai laskennan reunaehdot – mikä lisää analyysin sovellettavuutta. GPT-3.5 keskittyy tyypillisemmin teknologian vaikutuksiin ja mahdollisuuksiin yleisellä tasolla, ilman teknisiä yksityiskohtia.  

Ekologiset tekijät: GPT-4o nostaa esiin konkreettisia ympäristöön liittyviä teemoja, kuten energiankulutuksen, hiilijalanjäljen ja resurssien optimoinnin. Se tarkastelee ympäristötekijöitä osana yritysten strategista vastuuta ja toimintaa. GPT-3.5 jää useammin yleiselle tasolle, esimerkiksi toteamalla, että ”yritykset ovat entistä tietoisempia ympäristöasioista” tai että ”kestävä kehitys on tärkeä trendi”, ilman tarkempaa analyysia vaikutuksista.  

Sosiaaliset tekijät: GPT-4o huomioi useammin konkreettisia sosiaalisia teemoja, kuten saavutettavuuden, monimuotoisuuden ja työntekijöiden hyvinvoinnin. Se liittää nämä teemat organisatorisiin vaikutuksiin ja vastuullisuuteen. GPT-3.5 tarkastelee aihetta yleisemmällä tasolla, korostaen ihmiskeskeistä suunnittelua ja yhteisöllisyyttä, mutta ilman täsmällisiä esimerkkejä siitä, miten nämä näkyvät käytännössä.   

Lainsäädännölliset tekijät: GPT-4o tunnistaa sääntelyn ja lakimuutosten vaikutukset johdonmukaisesti, eritellen esimerkiksi tekoälyä, tietosuojaa ja vastuullisuutta koskevat kehykset. GPT-3.5 käsittelee lainsäädäntöä yleisemmällä tasolla, usein viitaten siihen, että ”sääntely vaikuttaa alaan”, ilman tarkennusta vaikutusten luonteesta tai kohteista.  

 

4 Pohdinta  

Tekoälyn hyödyntämistä ennakoinnissa ja strategisessa päätöksenteossa on viimeaikaisessa kirjallisuudessa tarkasteltu yhä enemmän eettisten ja metodologisten rajoitteiden näkökulmasta. Tutkimuksessa on tunnistettu neljä keskeistä haastetta, jotka rajaavat suurten kielimallien käyttöä ennakointityössä: vinoutunut koulutusdata, riippuvuus historiallisista aineistoista ja tiedollisista rajoista, yliluottamuksen riski sekä tuotosten kyseenalainen luotettavuus (Vesnic‑Alujevic & d’Ambrosio, 2025). Näiden haasteiden vaikutus näkyy konkreettisesti siinä, millaisia analyyseja kielimallit tuottavat ja miten hyvin niitä voidaan hyödyntää päätöksenteon tukena. 

Tässä artikkelissa esitetty GPT‑3.5‑ ja GPT‑4o‑mallien välinen vertailu havainnollistaa ennakointia tukevan tekoälyn rajoitteita käytännössä. GPT‑4o täydentää lähdeaineistoa ajoittain omilla tulkinnoillaan, esimerkiksi tuomalla tarkasteluun inflaatioon tai sääntelyyn liittyviä näkökulmia, vaikka raportti ei käsittelisi niitä suoraan. Tällaiset täydennykset voivat lisätä analyysien strategista käyttökelpoisuutta, mutta ne voivat samalla vahvistaa vakiintuneita ajattelumalleja ja kaventaa ennakoinnin kykyä tunnistaa aidosti uusia kehityskulkuja, mikä liittyy koulutusdatan vinoumiin (Vesnic‑Alujevic & d’Ambrosio, 2025). 

Toinen keskeinen eettinen ulottuvuus liittyy kielimallien historialliseen painottuneisuuteen ja tiedollisiin rajoihin. GPT‑4o kykenee hahmottamaan taloudellisia, poliittisia ja lainsäädännöllisiä ilmiöitä osana tuttua markkina- ja sääntelykontekstia, mikä voi johtaa ennakointiin, joka nojaa voimakkaasti menneiden kehitysurien jatkumoon. GPT‑3.5:n pidättyväisempi lähestymistapa, jossa se tuo eksplisiittisesti esiin lähdeaineiston rajallisuuden ja jättää osan PESTEL-ulottuvuuksista vähemmälle huomiolle, tekee nämä rajoitteet näkyviksi, mutta samalla supistaa analyysin laajuutta. Tämä havainto tukee kirjallisuudessa esitettyä huomiota siitä, että kielimallit voivat ennakoinnissa helpommin projisoida menneitä trendejä kuin tunnistaa heikkoja signaaleja tai aidosti uusia murroksia (Vesnic‑Alujevic & d’Ambrosio, 2025). 

Kolmanneksi tulokset konkretisoivat yliluottamuksen riskin, joka on tunnistettu keskeiseksi eettiseksi haasteeksi tekoälyavusteisessa ennakoinnissa (Vesnic‑Alujevic & d’Ambrosio, 2025). GPT‑4o:n sujuvat ja yksityiskohtaiset analyysit voivat luoda vaikutelman korkeasta luotettavuudesta, mikä saattaa heikentää käyttäjän kriittistä tarkastelua. GPT‑3.5:n niukempi ja paikoin vajavainen analyysityyli puolestaan tekee mallin rajoitteet näkyvämmiksi ja ohjaa käyttäjää aktiivisempaan tulkintaan. Vertailu osoittaa, että eri malliversiot kannustavat käyttäjää erilaiseen suhtautumiseen tekoälyn tuottamiin analyyseihin. 

Neljänneksi mallien väliset erot kaikilla PESTEL-ulottuvuuksilla nostavat esiin kysymyksen tuotosten luotettavuudesta ja vertailtavuudesta. Tässä vertailussa identtinen aineisto ja samanlainen kehotemuotoilu tuottivat eri malliversioilla selvästi toisistaan poikkeavia analyysejä. Tämä tukee näkemystä siitä, että kielimallien tuotokset ovat herkkiä mallikehitykselle ja implisiittisille oletuksille, mikä vaikeuttaa niiden systemaattista käyttöä pitkäjänteisessä ennakointityössä (Vesnic‑Alujevic & d’Ambrosio, 2025). 

Kokonaisuutena tulokset osoittavat, että generatiiviset kielimallit voivat tukea ennakointia erityisesti tiedon käsittelyssä ja jäsentämisessä, mutta varsinainen tulkinta ja strateginen arviointi jäävät ihmiselle (Ripatti et al., 2025; Vesnic‑Alujevic & d’Ambrosio, 2025). GPT‑4o ja GPT‑3.5 havainnollistavat tätä eroa käytännössä hyvin. GPT‑4o tuottaa laajoja ja yksityiskohtaisia analyyseja, jotka laajentavat tarkastelua ja tarjoavat runsaasti aineksia strategiseen keskusteluun. GPT‑3.5 puolestaan tuottaa suppeampia ja varovaisempia analyyseja, jotka tekevät näkyvämmiksi lähdeaineiston ja mallin omat rajat. Vertailu osoittaa, että tekoäly ei toimi ennakoinnissa itsenäisenä ennakoijana, vaan eri malliversiot tukevat ennakointia eri tavoin ja edellyttävät aina käyttäjän kriittistä harkintaa. 

Yritysten kannalta tämä tarkoittaa käytännössä sitä, että tekoälyä kannattaa käyttää ennakoinnissa apuvälineenä, ei vastauksien antajana. Kehittyneemmät mallit, kuten GPT‑4o, ovat hyödyllisiä silloin, kun halutaan nopeasti jäsentää suuria tietomääriä ja saada uusia näkökulmia strategiseen keskusteluun. Niiden tuottamia analyyseja ei kuitenkaan pidä ottaa sellaisenaan totena, vaan niitä on arvioitava kriittisesti. Yksinkertaisemmat mallit, kuten GPT‑3.5, voivat puolestaan toimia maltillisempina lähtökohtina, kun halutaan pysyä tiukasti alkuperäisessä aineistossa. Ennakointikyky ei synny tekoälystä itsestään, vaan siitä, miten ihmiset osaavat käyttää sen tuottamaa tietoa harkiten päätöksenteon tukena. Kielimallien nopean kehityksen vuoksi jatkotutkimuksessa olisi kiinnostavaa selvittää, millaisia uusia mahdollisuuksia uudemmat, päättelyä hyödyntävät mallit tarjoavat ennakointityöhön verrattuna tässä tutkimuksessa tarkasteltuihin malleihin.