Tekoäly on mullistanut ohjelmistokehityksen, mutta suuri murros on käynnissä myös suunnittelussa ja käyttäjätutkimuksessa. Litterointi, datan työstö ja löydösten ryhmittely ovat kokeneet isoja muutoksia viimeisen vuoden aikana. Nyt käymme läpi, miten Fraktiolla koemme, että tekoälyä kannattaa hyödyntää käyttäjätutkimusprojektin eri vaiheissa.

Missä AI:n ja tutkimusten kanssa mennään juuri nyt (2026)?

Käyttäjätutkimus tuottaa valtavasti tekstisisältöä, kuten haastattelujen litterointeja, muistiinpanoja, analyysiä ja dokumentaatiota. Juuri tässä kielimallit loistavat. Ne käsittelevät ja tuottavat tekstiä tehokkaasti, ja viimeisen vuoden aikana AI-työkalut ovat kehittyneet räjähdysmäisesti. Vielä vuosi sitten tekoäly lähinnä generoi sisältöä, mutta ei muuttanut työtapoja. Nyt tilanne on toinen. Uudet työkalut mahdollistavat aivan uudenlaisen tavan työskennellä datan kanssa.

Yritykset ovat alkaneet ymmärtää paremmin, missä tekoäly toimii hyvin ja missä ei. Pelko siitä, että tekoäly "syö koko design-prosessin", on vaihtunut realistisempaan käsitykseen: tekoäly toimii parhaiten prosessin eri osissa, yhdistettynä ihmisen asiantuntemukseen.

Miten hyödyntää tekoälyä tutkimuksen suunnitteluvaiheessa?

Hyvä käyttäjätutkimus alkaa aina selkeästä tavoitteesta. Mitä päätöksiä halutaan tehdä? Mihin liiketoiminnan kysymyksiin tarvitaan vastauksia?

Tässä vaiheessa tekoäly voi auttaa löytämään uusia näkökulmia, tunnistamaan aukkoja tiedossa ja käymään läpi aikaisempia tutkimuksia tai asiakaspalautteita. Se voi sparrata tutkimuskysymysten muotoilussa ja auttaa pilkkomaan liian laajan aiheen hallittaviin osiin.

Tärkeää on kuitenkin muistaa, että tekoäly ei ymmärrä organisaation sisäistä politiikkaa, resursseja tai strategiaa samalla tavalla kuin ihminen. Se ei korvaa ammattitaitoa, mutta voi toimia tehokkaana ajattelun tukena.

Tutkimuksissa hypoteesien luominen on erityisen tärkeää. Tekoäly voi auttaa kiteyttämään ajatuksia ja generoimaan vaihtoehtoisia hypoteeseja. Analyysivaiheessa voit sitten pyytää tekoälyä etsimään asioita, jotka ovat ristiriidassa hypoteesin kanssa tai vahvistavat sitä. Tämä mahdollistaa syvemmän analyysin kuin pelkkä datan yhteenveto.

GDPR ja luvat ovat kriittisiä. Ennen kuin syötät mitään haastattelumateriaalia tekoälyyn, varmista, että sinulla on lupa siihen. Käy vaadittujen tahojen kanssa läpi, mitä työkaluja käytetään, mitä tietoja niihin saa syöttää ja miten niitä käsitellään. Joskus lupaa ei välttämättä liiketoiminnallisista syistä saa, silloin tyydytään perinteisiin keinoihin.

Miten tekoäly voi auttaa käyttäjähaastattelujen toteutuksessa?

Haastattelutilanteessa tekoälyllä on lähinnä tukeva rooli. Itse haastatteluhan on inhimillinen prosessi, jossa luottamuksen rakentaminen ja aito vuorovaikutus ovat keskeisiä.

Tekoäly voi auttaa kutsujen kirjoittamisessa tai haastattelurungon luomisessa. Se voi muotoilla kysymyksiä uudelleen, tarkistaa johdattelevia kysymyksiä ja jopa simuloida haastattelua etukäteen, mutta varsinainen haastattelutilanne vaatii ihmisen läsnäolon.

Miksi ihminen on edelleen korvaamaton?

Tekoäly ei näe ilmeitä, eleitä tai turhautumista samalla tavalla kuin ihminen. Se käsittelee tekstiä, ei käyttäytymistä. Tämän takia on tärkeää:

• Tehdä edelleen omat muistiinpanot haastattelun aikana
• Kirjata ylös havainnot käyttäytymisestä ("käyttäjä pudisti päätään", "näytti turhautuneelta")
• Tallentaa haastattelu myöhempää analyysiä varten, jotta voi palata tiettyyn kohtaan

Koskaan ei voi luottaa pelkästään tekoälyn automaattisiin muistiinpanoihin. Ne voivat olla hyödyllinen lisä, mutta ilman ihmisen tekemiä havaintoja menetetään kriittistä kontekstia.

Kuinka hyödyntää tekoäly käyttäjätutkimuksen analyysivaiheessa?

Jos jokin vaihe on muuttunut radikaalisti, se on analyysivaihe. Aikaisemmin tutkijan piti lukea kaikki haastattelut läpi monta kertaa, ja etsiä manuaalisesti yhteisiä teemoja. Nyt työtapa on muuttunut keskustelevammaksi.

Litterointi on yksi suurimmista kielimallien eduista. Työkalut, kuten Condens.io, litteroivat haastattelut automaattisesti ja tunnistavat keskusteltuja teemoja. Tämä säästää valtavasti aikaa.

Keskustelu datan kanssa on myös uusi normaali. Voit ladata materiaalin esimerkiksi Notebook LM:ään ja kysyä:

• "Mitä käyttäjät sanoivat maksamisesta?"
• "Mitkä asiat toistuvat vastauksissa?"
• "Missä asiassa käyttäjät olivat ristiriidassa keskenään?"
• "Kuka sanoi mitäkin mistäkin aiheesta?"

Voit vertailla useita haastatteluja, eri kierroksia ja jopa yhdistää käyttäjätestien tuloksia samaan analyysiin. Tämä mahdollistaa paljon syvemmän ja nopeamman louhinnan kuin aikaisemmin.

Mutta varo pintapuolisuutta. Tekoälyllä on taipumus miellyttää ja tarjota helposti löydettäviä vastauksia. Se saattaa:

• Painottaa asioita, joista puhuttiin eniten – eivät välttämättä tärkeimpiä asioita
• Tarttua positiivisiin kommentteihin pintapuolisesti, vaikka syvemmässä keskustelussa paljastuisi ongelmia
• Ohittaa asioita, joita käyttäjät eivät sanoneet, mutta jotka ovat merkityksellisiä

Tekoäly ei tee laadullista analyysiä. Se tekee yhteenvetoja. Ihminen tekee varsinaisen analyysin eli yhdistää asioita, ajattelee systeemisesti ja ymmärtää kontekstin.

Konteksti ja käyttäytyminen

Käyttäjätutkimuksessa konteksti on kaikki kaikessa. Se määrittää, miten ja miksi ihminen toimii. Konteksti voi olla:

• Tilannekontekstia: Missä ja milloin käyttäjä työskentelee?
• Psykologista kontekstia: Mitkä ovat käyttäjän tunteet, motivaatio, pelot?
• Systeemistä kontekstia: Miten organisaation prosessit, kulttuuri tai tilanne vaikuttavat?

Ihmiset sanovat yhtä ja tekevät toista. Tekoäly uskoo litteroituun tekstiin, kun taas kokenut haastattelija huomaa ristiriidan sanomisen ja tekemisen välillä. Hän näkee eleet, kuulee äänensävyt ja ymmärtää, milloin käyttäjä ei kerro kaikkea.

Tekoäly ei myöskään tunnista, mitä ei sanottu. Usein merkittävimmät havainnot tulevat siitä, että käyttäjä ei maininnut jotain tärkeää asiaa ollenkaan. Tämä vaatii ihmisen havainnointia ja vertailua muihin haastatteluihin.

Vaikka työtapa on tutkimuksissa muuttunut pelkästä materiaalin lukemisesta keskustelevammaksi, päämäärä on edelleen sama: ymmärtää käyttäjiä syvällisesti ja tuottaa sellaista tietoa, joka auttaa tekemään parempia päätöksiä. Tekoäly ei ole itse päämäärä; se on vain keino tehdä omasta työstä tehokkaampaa ja vapauttaa aikaa ajatteluun.