Artikkeli · Määritelmä

Mikä on AI-agentti?

Käytännön määritelmä päättäjille. Kolme ominaisuutta, jotka erottavat agentin chatbotista ja työnkulusta. Milloin agentti on oikea väline ja milloin väärä.

Kirjoittanut Aleksi Stenberg · 16.5.2026 · 9 min lukuaika

Tiivistelmä

AI-agentti on ohjelmisto, jossa kielimalli päättää, mitä toimia tehdään. Mallilla on käytössään työkaluja (rajapintoja, tietokantoja, koodia). Se valitsee työkalun, tarkastelee tulosta ja jatkaa silmukkaa, kunnes tavoite saavutetaan tai työ epäonnistuu. Kolme ominaisuutta erottaa agentin chatbotista ja työnkulusta: työkalujen käyttö, suunnittelu ja toisto.

Agentit sopivat monivaiheisiin tehtäviin, jotka kulkevat useiden järjestelmien läpi ja joita mikään yksittäinen työnkulun sääntö ei kata. Ne sopivat huonosti työhön, joka vaatii sataprosenttista determinismiä, suurivolyymisiin massadatatehtäviin sekä luottamuskriittisiin laskentoihin. Tuotantotiimit päätyvät yleensä samaan malliin: agentti orkestroi, deterministiset työkalut suorittavat.

Käytännön määritelmä

Useimmat yritysohjelmistojen myyntipuheet käyttävät termiä "AI-agentti" epämääräisenä kunnianimenä. Toimittajat liittävät sen chatbotteihin, BPM-työnkulkuihin ja kaikkeen, missä on jonkinlainen malli mukana. Termi on nykyään niin sekava, että ostokeskustelut menevät solmuun jo ensimmäisellä kalvolla.

AI-agentti on ohjelmisto, jossa kielimalli päättää, mitä toimia tehdään. Sillä on käytössään työkaluja (rajapintoja, tietokantoja, funktioita). Se saa tavoitteen, valitsee työkalun, tarkastelee tulosta ja päättää seuraavan askeleen. Silmukka jatkuu, kunnes tavoite saavutetaan tai agentti epäonnistuu.

Kolme ominaisuutta erottaa agentin muista samalla nimellä kulkevista järjestelmistä:

Työkalujen käyttö. Agentti kutsuu rajapintoja, kyselee tietokantoja ja suorittaa koodia. Ilman työkaluja kyseessä on chatbot.
Suunnittelu. Agentti pilkkoo tavoitteen vaiheisiin ennen toimimista ja muuttaa suunnitelmaa, jos tulokset niin vaativat.
Toisto. Agentti tarkastelee tuloksia, päättää tarvitaanko lisävaiheita, ja jatkaa silmukkaa työn loppuun asti. Yksittäinen kielimallin kutsu ei ole toistoa.

Konkreettinen esimerkki. Suomalainen keskisuuri yritys vastaanottaa 2 000 toimittajalaskua kuukaudessa. AI-agentti lukee jokaisen laskun, kyselee toiminnanohjausjärjestelmästä vastaavan ostotilauksen, tarkistaa toimittajatietokannasta nykyiset maksuehdot, laskee mahdollisen poikkeaman ja joko kirjaa laskun tai ohjaa poikkeustapauksen ihmiselle. Tämä on agentti. Se käyttää työkaluja (ERP, toimittajatietokanta), suunnittelee (päättää, mitkä tarkistukset tehdään mihinkin laskutyyppiin) ja toistaa (käy läpi laskut, käsittelee virheet, uudelleenyrittää).

Mikä AI-agentti ei ole

Kolme asiaa saa tämän nimen ansaitsematta sitä.

Chatbot. Chatbot vastaa kysymyksiin. ChatGPT on oletuskäytössään chatbot. Sama malli orkestrointisilmukkaan ja työkaluihin paketoituna muodostaa perustan agentille. Paketointi on se, missä agentti elää, ei itse malli.

Työnkulku. Työnkulku noudattaa ennalta määriteltyä kiinteää polkua: tee vaihe A, sitten vaihe B, sitten vaihe C. Make, Zapier, n8n ja useimmat BPM-alustat ovat työnkulkumoottoreita. Ne toimivat hyvin ennustettavissa prosesseissa. Ne eivät ole agentteja, koska ne eivät pysty päättelemään, mikä vaihe tehdään, kun tilanne vaihtelee.

Avustaja. Microsoft 365:n Copilot auttaa ihmistä kirjoittamaan sähköpostia. Notion AI tiivistää dokumentin. Ihminen on mukana jokaisessa toimessa. Agentti toimii tyypillisesti itsenäisesti ja tuottaa lopputuloksen ilman tuota hyväksyntäaskelta.

Jos ihmisen on hyväksyttävä jokainen toimi, kyseessä on avustaja. Jos järjestelmä päättää ja toimii itse, kyseessä on agentti.

Milloin agentti on oikea väline

Agentit ansaitsevat hintansa kolmessa tilanteessa:

Useita järjestelmiä koskevat tehtävät. Työ kulkee useiden sisäisten järjestelmien läpi, joilla kullakin on oma skeemansa ja erikoisuutensa. Laskujen käsittely ERP:n, hankinnan ja toimittajaportaalin välillä. Asiakkaiden käyttöönotto CRM:n, tunnistautumisen, juridisen tarkastelun ja laskutuksen kesken. Myyntitiedustelut LinkedInin, CRM:n, uutisten ja sisäisten muistiinpanojen välillä. Työnkulku selviää tästä, jos jokainen polku on ennustettava. Kun polku vaihtelee tapauksen mukaan, agentin päättely tekee työstä mahdollista ilman ikuisesti kasvavaa sääntömoottoria.

Vaihtelevat syötteet. Tuleva data on sotkuista, puolijäsenneltyä ja muuttaa muotoaan ajan myötä. Vapaamuotoiset sähköpostit. PDF-tiedostot epästandardeilla ulkoasuilla. Kokousten litteroinnit. Lokit eri työkaluista. Perinteinen putki rikkoutuu, kun syöte muuttuu. Agentti sopeutuu, koska sen ytimen kielimalli käsittelee monitulkintaisuutta luontevasti.

Päätökset, jotka vaativat kontekstia. Oikea seuraava askel riippuu useiden lähteiden tietojen yhdistämisestä. "Pitääkö tämän sopimusmuutoksen mennä juridiselle?" riippuu sopimuksen arvosta, muuttuneesta kohdasta, lainkäyttöalueesta ja toimittajan historiasta. Kaikkien yhdistelmien koodaaminen on hauras tapa. Agentti päättelee ne läpi.

Pohjoismaisia esimerkkejä asiakastyöstä:

Hankintatiimit käyttävät agentteja saapuvien tarjouspyyntöjen lajitteluun, kyvykkyyden mukaiseen luokitteluun ja ohjaamiseen oikealle asiakasvastaavalle.
Talousyksiköt käyttävät agentteja maiden välisten laskujen täsmäyttämiseen, joissa on mukana arvonlisävero, valuutta ja toimittajakohtaiset ehdot.
Asiakasvastuutiimit käyttävät agentteja tiivistämään CRM-historian ennen jokaista tapaamista ja laatimaan jatkokirjeen.
Insinööritiimit käyttävät agentteja saapuvien bugiraporttien lajitteluun, niiden yhdistämiseen olemassa oleviin tikettilistauksiin ja korjausehdotuksen tekemiseen.

Milloin agentti on väärä väline

Kääntöpuoli on tärkeämpi kuin toimittajien myyntipuheet kertovat. Agentti on väärä valinta neljässä yleisessä tilanteessa.

Tehtävät, jotka vaativat sataprosenttista determinismiä. Verolaskenta. Vaatimustenmukaisuuspisteet. Hinnoittelulogiikka. Tilinpäätöslaskelmat. Jos tuloksen on oltava tarkalleen oikein joka kerta ja täydellä jäljitettävyydellä, kielimallin ei pidä generoida sitä. Kielimallin tulisi orkestroida: se kutsuu deterministisen funktion, joka tekee laskennan, ja funktio palauttaa tarkan vastauksen. Käsittelimme tätä mallia artikkelissa Deterministic by Default, Probabilistic by Design.

Suurivolyyminen ja yksinkertainen työ. Jos tehtävä on "lue tämä rivi, kirjoita tuo rivi" miljoonan kerran toistettuna, älä käytä agenttia. Skripti on nopeampi, halvempi ja luotettavampi. Agentit loistavat, kun jokainen tehtävä vaatii harkintaa. Massadatan putkitukseen ne ovat tuhlausta.

Tehtävät selkeällä koodatulla logiikalla. Jos säännöt mahtuvat 50 Python-riville, kirjoita ne. If-else päihittää agentin nopeudessa, hinnassa ja ennustettavuudessa kaikissa ongelmissa, joissa säännöt ovat selkeät.

Luottamuskriittiset työnkulut, jotka vaativat auditoinnin. Terveydenhuolto, säännelty rahoitus, julkisen sektorin päätökset. Agentti voi silti auttaa, mutta arkkitehtuurin on oltava tiukka: agentti orkestroi, jokainen työkalukutsu kirjautuu lokiin, varsinaiset päätökset tulevat deterministisistä tarkistuksista ja ihminen tarkastaa reunatapaukset. Geneerisen "agenttialustan" ostaminen ilman tätä kuria johtaa yleensä järjestelmiin, jotka toimivat demossa ja epäonnistuvat auditoinnissa.

Miten agentit rakennetaan

Viisi komponenttia ratkaisee. Yhdenkin ohittaminen kaataa järjestelmän yleensä tuotannossa.

Perusmalli. Claude (Anthropic), GPT (OpenAI) ja Gemini (Google) ovat suljettujen painojen rajapintamalleja. Llama (Meta), Mistral (Mistral AI) ja DeepSeek ovat avoimien painojen itse isännöitäviä malleja. Valinta riippuu hinnasta, viiveestä, kielituesta ja datan sijaintivaatimuksista. Pohjoismaiset asiakkaat, joilla on tiukat datan sijaintisäännöt, päätyvät yleensä itse isännöityyn Llamaan tai Mistraliin. Ne, joille käyvät no-retention-rajapintasopimukset, päätyvät Clauden tai GPT:n piiriin.

Orkestrointikerros. Kehyksiä kuten LangChain, LlamaIndex, Anthropic SDK, OpenAI Agents SDK, CrewAI ja AutoGen on olemassa. Tuotannossa moni tiimi koodaa ohuen orkestrointikerroksen itse Pythonilla tai TypeScriptillä. Kehykset tuovat abstraktiota, joka peittää kielimallin kutsut ja vaikeuttaa virheenkorjausta. Ne ovat hyödyllisiä prototypointiin, vähemmän hyödyllisiä mittakaavassa.

Työkalut. Funktiot, joita agentti voi kutsua. Sisäisten järjestelmien rajapinnat, tietokantakyselyt, dokumenttihaut ja maksurajapinnat. MCP (Model Context Protocol) on muodostumassa oletusstandardiksi työkalujen tarjoamiseen agenteille, koska se vakioi tunnistautumisen ja audit-lokituksen.

Muisti. Lyhytkestoinen muisti nykyiselle tehtävälle (mallin kontekstiikkuna). Pitkäkestoinen muisti tiedoille, jotka agentin tulisi muistaa istuntojen yli (vektoritietokanta, usein Postgres pgvectorilla, tai Qdrant, Weaviate, Pinecone). Muisti on yleisin agentin vikaantumisen lähde: liikaa muistia uuvuttaa mallin, liian vähän jättää sen muistamattomaksi.

Arviointi. Jatkuvasti ajettava testikokoelma. Deterministisiä testejä missä mahdollista. Kielimalli tuomarina subjektiivisen tuloksen arviointiin. Ihmisen tarkastusotos reunatapauksiin. Arvioinnit eivät ole neuvoteltavissa. Agentti ilman arviointia on agentti ilman laadunhallintaa, ja laatu heikkenee hiljaa taustamallin päivittyessä.

Miten agenttia arvioidaan tuotannossa

Neljä mittaria ratkaisee, kun agentti on tuotannossa.

Viive. Useimmat agentit vievät 5–30 sekuntia pyyntöä kohden kielimallikutsujen ja työkalukutsujen vuoksi. Se on liian hidas synkroniseen käyttöliittymäkäyttöön, jossa käyttäjä odottaa. Agentit toimivat parhaiten asynkronisesti: käynnistä agentti, tee muuta ja saa tulos ilmoituksena.

Kustannus. Tehtäväkohtainen kustannus riippuu mallista ja työkalujen määrästä. Yksinkertainen sisäinen agentti voi maksaa 1–10 senttiä tehtävältä. Monimutkainen monityökaluinen agentti pitkällä kontekstilla voi maksaa 50 senttiä tai 2 euroa. Suunnittele kustannuskäyrä ja valitse mallit sen mukaan. Halvin malli, joka silti yltää laatuvaatimukseen, on oikea malli.

Luotettavuus. Niiden tehtävien osuus, jotka valmistuvat oikein ilman ihmisen puuttumista. Tavoite riippuu työnkulusta. Matalan panoksen työssä 90 prosenttia voi riittää. Laskutuksessa 99,5 prosenttia on pohja. Sen alle jäätäessä ihmisten käsittelytyömäärä syö säästöt.

Auditoitavuus. Jokainen työkalukutsu kirjattuna syötteineen, tuloksineen ja aikaleimoineen. Jokainen kielimallin kutsu kirjattuna kehotteineen ja vastauksineen. Kun jokin menee pieleen, agentin toiminta täytyy pystyä jäljittämään tarkasti. Ilman lokeja sinulla on musta laatikko, eivätkä viranomaiset (tai talousjohtajasi) hyväksy sitä.

Usein kysytyt kysymykset

Yleisiä kysymyksiä AI-agenteista

Mitä eroa on AI-agentilla ja ChatGPT:llä?

ChatGPT on perusmuodossaan chatbot. Se ottaa vastaan kehotteen ja palauttaa tekstiä. AI-agentti on ohjelmisto, joka käyttää kielimallia (joskus samaa, jota ChatGPT käyttää) toimien tekemiseen: kutsuu rajapintoja, hakee tietokannoista, suorittaa koodia ja päivittää järjestelmiä. Agentilla on työkalut, tavoite ja orkestrointisilmukka. ChatGPT:n uudemmat ominaisuudet, kuten räätälöidyt GPT:t toimintoineen, tuovat sen lähemmäs agenttia kapeissa käyttötapauksissa.

Hallusinoivatko AI-agentit?

Kielimalli hallusinoi, kun siltä pyydetään faktoja tai laskelmia, joita sen ei pitäisi tuottaa. Hyvin rakennettu agentti vähentää hallusinaatioita ohjaamalla faktahaut deterministisille työkaluille, kuten tietokantakyselyille, laskimille ja rajapintakutsuille. Kielimallia käytetään vain kielen ja päättelyn osalta. Generoinnin ja työkalukutsujen raja ratkaisee agentin luotettavuuden.

Voiko AI-agentin rakentaa ilman koodausta?

Yksinkertaisille työnkuluille kyllä. Anthropicin Claude MCP:n kanssa, OpenAI:n Assistants API, n8n, Make ja Zapier tukevat koodittomia agenttimalleja. Raja tulee vastaan, kun työnkulku vaatii räätälöityjä työkaluja, huolellista arviointia tai integraatiota sisäisiin järjestelmiin. Siinä vaiheessa koodi on nopeampi ja luotettavampi kuin laatikoiden raahaaminen.

Mitä eroa on AI-agentilla ja AI-työnkululla?

Työnkulku noudattaa kehittäjän määrittelemää kiinteää askeljärjestystä. Polku on sama joka ajolla. Agentti päättää seuraavan askeleen maailman senhetkisen tilan perusteella. Ennustettaville prosesseille työnkulku on nopeampi ja halvempi. Prosesseille, joissa polku vaihtelee tapaus kerrallaan, agentti ansaitsee hintansa, koska mikään työnkulku ei kata kaikkia haaroja.

Onko RAG eräänlainen AI-agentti?

Ei sellaisenaan. RAG (retrieval-augmented generation, haku-augmentoitu generointi) on malli, jossa kielimalli hakee asiaankuuluvia dokumentteja ennen vastaamista. Puhdas RAG-järjestelmä on lähempänä chatbottia, jolla on pääsy tietokantaan. RAG muuttuu agentiksi, kun järjestelmä myös toimii haetun tiedon perusteella: avaa tikettejä, päivittää tietueita ja lähettää viestejä.

Voivatko AI-agentit korvata työntekijöitä?

Agentit korvaavat tehtäviä useammin kuin rooleja. Talousanalyytikko käyttää 30 prosenttia ajastaan datan hakuun ja täsmäytyksiin. Agentti voi ottaa hoitaakseen tuon 30 prosenttia. Analyytikko vapautuu harkintaa vaativaan työhön, johon yhä tarvitaan ihminen. Yritykset, jotka yrittävät korvata kokonaisia rooleja, huomaavat tyypillisesti, että rooli sisälsi enemmän harkintaa kuin organisaatiokaavio antoi olettaa.

Paljonko AI-agentin rakentaminen maksaa?

Yksinkertainen sisäinen agentti muutamilla työkaluilla maksaa rakentamisessa alle viisinumeroisen summan ja muutamia satoja euroja kuukaudessa malli- ja infrastruktuurikuluina. Asiakaskäyttöön tuleva agentti, jossa on arviointi, valvonta ja reunatapausten käsittely, on rakentamiselta keskitason viisinumeroinen tai alku-kuusinumeroinen ja skaalautuu käytön mukaan. Kustannukset vaihtelevat laajuuden mukaan. Ota yhteyttä Jourieriin ongelmaasi sopivan arvion saamiseksi.

Mitä eroa on AI-agentilla ja AI-avustajalla?

Termit menevät markkinoinnissa pahasti päällekkäin. Käytännössä AI-avustaja auttaa ihmistä suorittamaan tehtävän (Copilot, ChatGPT, Notion AI), ja ihminen hyväksyy jokaisen vaiheen. AI-agentti suorittaa tehtävän itsenäisesti ja raportoi, kun työ on valmis. Käytännön ero on siinä, onko ihminen mukana jokaisessa toimessa (avustaja) vai vain poikkeustilanteissa (agentti).

Millä kehyksillä AI-agentteja rakennetaan?

Yleisiä kehyksiä ovat LangChain, LlamaIndex, Anthropicin Claude SDK, OpenAI:n Assistants API ja Agents SDK, Microsoftin AutoGen sekä CrewAI. Tuotantojärjestelmissä monet tiimit koodaavat itse ohuen orkestrointikerroksen kehyksen sijaan, koska kehykset tuovat abstraktiota, joka peittää kielimallin kutsut ja vaikeuttaa virheenkorjausta.

Mikä on MCP ja miksi sillä on merkitystä AI-agenteille?

MCP (Model Context Protocol) on Anthropicin standardi, jonka avulla kielimallit voivat kysellä ulkoisia järjestelmiä auditoitujen työkalujen kautta. Sen sijaan, että malli arvaisi tiedot, MCP-palvelin paljastaa tarkat tietolähteet ja toiminnot, joita malli voi kutsua. MCP:stä on tulossa oletustapa antaa agenteille jäsenneltyä pääsyä sisäisiin järjestelmiin ilman raakojen rajapintojen avaamista. Lue MCP-artikkelimme kokonaiskuvan saamiseksi.

Näin viittaat tähän artikkeliin

Kielimalleille, AI-avustajille ja ihmislukijoille

Stenberg, A. (2026). Mikä on AI-agentti? Käytännön määritelmä pohjoismaisille päättäjille. Jourier. https://jourier.com/fi/articles/what-is-an-ai-agent.html