Kaikki tekoälyväittämät eivät tarvitse lähdeviittausta – mutta jokainen väittämä tarvitsee perustelun

Miksi ”ei viittausta” lakkasi olemasta riittävän hyvä testiLuottamusongelma ei ole abstrakti. Se on mitattavissa, ja se pahenee tietyin, dokumentoiduin tavoin.Vuoden 2025 tutkimus tekoälyllä luoduista viittauksista havaitsi, että 19,9 % oli täysin keksittyjä ja lisäksi 45,4 %:ssa oli vakavia bibliografisia virheitä – mikä tarkoittaa, että lähes kaksi kolmasosaa tekoälyn kyseisessä tutkimuksessa tuottamista viittauksista oli joko keksittyjä tai jollain olennaisella tavalla virheellisiä. Erillinen seuranta keksityistä viittauksista julkaistuissa tutkimuksissa osoittaa noin 12-kertaisen kasvun vuosien 2023 ja 2025 välillä, ja yli 4 000 biolääketieteellisessä artikkelissa havaittiin viitattavan tutkimukseen, jota ei ole olemassa.Oikeusjärjestelmä kantaa jo tämän kustannuksia. Helmikuuhun 2026 päättyneenä vuonna 66 Yhdysvaltain oikeustapausta määrättiin seuraamuksiin erityisesti tekoälyllä tuotettujen virheiden vuoksi, ja kesäkuuhun 2026 mennessä tämä luku oli kasvanut 1 598 oikeudenkäyntiin maailmanlaajuisesti, joihin liittyi tekoälysisältöä keksityillä viittauksilla – ja pelkästään vuoden 2026 ensimmäisellä neljänneksellä Yhdysvaltain tuomioistuimissa määrättiin yli 145 000 dollarin sakot tekoälyllä tehdyistä hakemuksista.Mikään tästä ei ole syy epäillä tekoälyä suoraan. Se on syy lopettaa ”onko siinä viittaus” -kysymyksen käyttäminen koko testinä, koska tämä testi on liian helppo läpäistä olematta kuitenkaan totta, ja – yhtä tärkeästi – liian helppo epäonnistua ollessaan itse asiassa oikein.Tässä on myös todellinen komplikaatio toisella puolella, joka kannattaa todeta rehellisesti ohittamatta sitä: Yalen tutkimus havaitsi, että ihmiset, jotka käyttivät tekoälychatbotteja uutisten todentamisessa, kokivat 15 pisteen laskun omassa avustamattomassa kyvyssään havaita väärää tietoa vain neljän viikon jälkeen. Todennuksen ulkoistaminen ei ole ilmaista. Se voi heikentää omaa kykyäsi tehdä sitä. Tämä on todellinen syy haluta järjestelmää, joka näyttää työnsä sen sijaan, että se vain antaisi sinulle siistin näköisen vastauksen.---## Mihin väittämä voi todella perustuaJos pelkkä viittaus ei ole oikea testi, hyödyllisempi kysymys on: millainen todiste tuotti tämän väittämän? Käytännössä on kuusi todellista, erillistä vastausta.### 1. Ulkoinen tutkimusVäittämä, joka perustuu live-hakuun tai -selvitykseen todellisia, ajantasaisia lähteitä vastaan – sellainen todiste, johon odottaisit viittauksen osoittavan, ja jossa puuttuva viittaus on todellinen varoitusmerkki.### 2. Käyttäjän antamat tiedotVäittämä, joka perustuu johonkin, jonka kerroit järjestelmälle suoraan – omat bränditietosi, oma markkinatietosi, korjaus, jonka annoit. Tämä ei vaadi ulkoista viittausta. Viittaus olet sinä.### 3. Aikaisemmasta vaiheesta siirretty todisteaineistoMonivaiheisessa tutkimuksessa myöhempi vaihe voi perustellusti nojautua todisteisiin, jotka edellinen vaihe on jo vahvistanut ja tarkistanut, sen sijaan, että ne tutkittaisiin uudelleen alusta. Viittaus on ylävirrassa, ei jokaisessa sitä käyttävässä alavirran lauseessa.### 4. Analyyttinen päättely, selvästi päättelyksi merkittynäJoskus rehellinen vastaus on ”kerättyjen todisteiden perusteella tämä on järkevin tulkinta” – ei löydetty fakta, vaan harkintakysymys. Se on oikeutettua, kunhan se on merkitty päättelyksi eikä pukeuduttu viittaukseksi.### 5. Deterministinen laskelmaJotkut väitteet ovat vain aritmetiikkaa. Jos syötteet ovat oikein, kiinteä, toistettavissa oleva laskelma ei tarvitse viittausta enempää kuin taulukkolaskentaohjelman kaava – ”todiste” on se tosiasia, että samat syötteet tuottavat aina saman tuloksen.### 6. Ihmisen tekemä korjaus, joka on tehty jälkikäteenTämä on se, jonka useimmat tekoälyn luottamusta koskevat raportit jättävät kokonaan huomiotta: kun todellista, ensikäden tietoa omaava henkilö korjaa tekoälyn luoman väittämän, tämä korjaus on itsessään eräänlainen todiste – kiistatta vahvin saatavilla oleva, koska se tulee henkilöltä, joka oli todella paikalla. Me pidämme tätä todellisena, kuudentena luokkana sinänsä, ei vain laadunvalvontavaiheena, joka on liitetty viiteen muuhun. Tämä on aito synteesi meidän puoleltamme, ei vakiintunut alan termi – kannattaa sanoa selkeästi sen sijaan, että esittäisi sen olevan enemmän kuin mitä se on.Kuusi todellista vastausta. Yksi testi – ”onko viittausta” – ei koskaan olisi kattanut kaikkia kuutta.---## Ero, jota lähes kukaan ei tee: aukko vs. artefaktiTässä on näkökulma, joka on aidosti alitutkittu, ja sillä on enemmän merkitystä kuin miltä kuulostaa.Kun tekoälyjärjestelmä merkitsee jotain epävarmaksi, tämä merkintä voi tarkoittaa kahta hyvin erilaista asiaa:Todellinen todistusaineiston aukko – asiaa ei todellakaan voitu varmistaa. Kukaan ei ole julkaissut numeroa. Tiedot eivät ole julkisia. Epävarmuus on todellista ja koskee maailmaa.Kielellinen artefakti – taustalla oleva havainto on kunnossa, mutta se merkittiin negatiiviseksi tai epävarmaksi puhtaasti sen muotoilun vuoksi, ei sen varsinaisen sisällön vuoksi. Epävarmuus koskee lausetta, ei aihetta.Nämä näyttävät sivulla identtisiltä. Molemmat näkyvät keltaisena lippuna väittämän vieressä. Mutta ne vaativat täysin erilaisia vastauksia. Todellinen aukko vaatii lisää tutkimusta. Kielellinen artefakti vaatii parempaa muotoilua – ja sen kohteleminen tutkimusaukkona tuhlaa aikaa etsimällä todisteita jostakin, mikä ei ollut koskaan epäselvää.Tämä ero tuskin esiintyy nykyisissä tekoälyn luottamusta ja hallusinaatioita käsittelevissä raportoinneissa. Suurin osa niistä päättyy ”tekoäly voi olla väärässä, varmista tärkeät väittämät” – totta, mutta ei toimintakelpoista. Se, että tiedät, millaisen lipun näet, kertoo sinulle, mitä seuraavaksi on tehtävä.---## Miksi kapeammat kysymykset voittavat laajemmatKertomisen arvoinen on toinenkin malli, joka kulkee vastakkaiseen suuntaan siitä, mitä useimmat ihmiset olettavat ”perusteellisemman” tekoälytutkimuksen näyttävän.Vaistona on esittää yksi suuri, avoin kysymys ja odottaa kattavaa vastausta. Käytännössä vastakohta toimii yleensä paremmin: laajan kysymyksen jakaminen useisiin kapeisiin, spesifisiin, rajattuihin kysymyksiin – ja niiden esittäminen erikseen – tuottaa todisteita, jotka on helpompi tarkistaa, helpompi luottaa ja usein suoraan hyödyllisempiä kuin yksi laaja vastaus, joka yrittää kattaa kaiken kerralla.Osa syystä: kapea kysymys antaa järjestelmälle vähemmän tilaa yhdistellä asioita, joiden tulisi pysyä erillään. Se antaa myös sinulle, lukijalle, paljon helpomman väittämän todentaa – spesifinen vastaus spesifiseen kysymykseen on jotain, jonka voit tarkistaa spesifisestä lähteestä. Yksittäistä kappaletta, joka yrittää vastata viiteen asiaan kerralla, ei yleensä voi tarkistaa mistään tietystä.Vähemmän, tarkemmin kohdistettuna, yleensä voittaa enemmän.---## Miltä tämä todella näytti tosiasiallisessa markkinatutkimuksessaEmme uskoneet mihinkään näistä sokeasti. Teimme todellista tutkimusta siitä, miten ihmiset tällä hetkellä kuvaavat turhautumistaan tekoälytyökaluihin, jotka tekevät todiste- ja luottamusväitteitä – toistuvaa kieltä, johon ihmiset todella tarttuvat, ei hypoteesia siitä.Kolme ilmausta esiintyi tarpeeksi usein, itsenäisesti, ollakseen toistamisen arvoisia tässä, liittämättä niitä mihinkään tiettyyn tuotteeseen tai yritykseen, koska malli on olennainen, ei mikään yksittäinen toimittaja:- Koettu ”5 % hölynpölyaste” – tunne siitä, että jopa enimmäkseen luotettavassa tekoälytyökalussa on pieni mutta todellinen osuus itsevarmasti vääriä tuloksia, ja että tämä osuus harvoin kutistuu nollaan riippumatta siitä, kuinka hyvä työkalu on.- ”Läpinäkyvyyden illuusio” – jossa työkalu näyttää näkyvästi päättelynsä tai lähteensä, mikä vaikuttaa luotettavalta, ilman että tämä näkyvä kerros olisi todella tarkistettavissa tai oikein.- ”Validointitaakka” – hiljainen, todellinen kustannus, että tekoälyavusteinen työ ei poista tarvetta tarkistaa asioita, se vain siirtää tarkistamisen ihmiselle, myöhemmin, usein varoittamatta, että sitä edelleen tarvitaan.Sama tutkimus nosti esiin myös sen, mitä ihmiset todella haluavat sen sijaan, itsenäisesti ja toistuvasti, ilman, että heitä olisi ohjattu mihinkään tiettyyn vastaukseen: johdonmukainen, todennettavissa oleva viittauskyky; näkyvä selitys siitä, miten tekoäly päätyi johtopäätökseensä, eikä pelkästään itse johtopäätös; ja syntetisoitu, toimintakelpoinen tuomio sen sijaan, että järjestelmä olisi suodattamatta kaikki, mitä se löysi.Emme vaadi tunnustusta tämän kysynnän tunnistamisesta – tutkimus löysi sen itsestään. Sen sijaan haluamme huomauttaa, että se vastaa läheisesti sitä, miten olemme rakentaneet oman tuotteemme: rehellisyyskerroksen, joka näyttää oletukset, aukot ja ristiriidat piilottamatta niitä; tavan korjata ja suorittaa analyysi uudelleen todellisella kontekstilla sen sijaan, että aloitettaisiin alusta; ja yhden syntetisoidun tuomion etukäteen, jonka alla on täysi todisteaineisto saatavilla kaikille, jotka haluavat tarkistaa työmme.---## Tarkistuslista seuraavalle tekoälyväittämälle, jonka saatSeuraavan kerran kun tekoälyjärjestelmä – meidän tai kenen tahansa muun – antaa sinulle väittämän, johon aiot toimia, viisi kysymystä vievät sinua pidemmälle kuin ”onko viittausta”:- 1. Minkä tyyppinen tämä on? Ulkoinen tutkimus, oma syötteesi, siirretty todisteaineisto, merkitty päättely, laskelma tai ihmisen tekemä korjaus – ne vaativat eri luottamustasoja.- 2. Jos se on viittaus, sanooko lähde todella tämän? Viittauksen olemassaolo ja viittauksen tukeminen tiettyä väittämää eivät ole sama tarkistus.- 3. Jos se on merkitty epävarmaksi, onko kyseessä aukko vai artefakti? Kysy, mikä erityisesti on varmistamaton – aihe vai pelkkä lause.- 4. Saisitko kapeammalla versiolla tästä kysymyksestä paremmin tarkistettavissa olevan vastauksen? Jos väittämä on laaja, harkitse, auttaisiko sen jakaminen.- 5. Onko kukaan ensikäden tietoa omaava henkilö todella tarkastellut tätä? Ihmisen tekemä korjaus, jos sellainen on saatavilla, on usein vahvin todistetyyppi listalla – käytä sitä.Mikään tästä ei vaadi tekoälyn epäilemistä suoraan. Se vaatii ”viitatun” ja ”totuuden” käsittelemistä kahtena eri kysymyksenä, koska ne ovat.