Kekke Hyvämäki, KM, medianomi (YAMK), Digipedagogiikan asiantuntija, Humanistinen ammattikorkeakoulu,
Digitaalisen oppimisympäristön vaihtaminen on harvoin vain tekninen siirtymä. Se on monitoimijainen prosessi, jossa pedagogiikka, hallinto, osaaminen ja opiskelijakokemus kytkeytyvät toisiinsa, ja siksi sitä on perusteltua tarkastella systeemisenä muutoksena.
Tekoäly toimii muutoksessa kahdessa roolissa: henkilöstön tukena ja muutoksen teknisenä toteuttajana. Samalla sen käyttö herättää kysymyksiä pedagogisesta toimijuudesta, tietopohjasta ja tehokkuuden suhteesta oppimisen laatuun.
Tarkastelen artikkelissa Humanistisen ammattikorkeakoulun (Humak) siirtymää Open LMS:stä Canvasiin systeemimuotoilun näkökulmasta sekä sitä, millaisia mahdollisuuksia ja jännitteitä tekoälyn kaksoisrooli synnyttää.
Alustasiirtymä viheliäisenä ongelmana
Korkeakoulun vaihtaessa oppimisalustaa huomio kiinnittyy helposti tekniikkaan. Todellisuudessa vaihdos koskettaa koko toimijoiden kokonaisuutta – opettajien työtavat, opintohallinto, arviointi ja opiskelijoiden arki muuttuvat samanaikaisesti. Yhteen osaan tehty ratkaisu heijastuu muihin. Esimerkiksi arvioinnin toteutustapa alustalla vaikuttaa arvosanojen siirtoon opintohallinnon järjestelmään, opettajien ohjeistukseen ja tukipalvelujen kuormitukseen.
Tämänkaltaiset ongelmat ovat luonteeltaan viheliäisiä (engl. wicked problems). Viheliäisellä ongelmalla ei ole yksiselitteistä määritelmää eikä lopullista ratkaisua, ja jokainen ratkaisuyritys muuttaa ongelmaa itseään (Rittel & Webber, 1973, 155–156). Alustasiirtymän viheliäisyys syntyy siitä, että oppimisalusta on kytkeytynyt osaksi laajempaa kokonaisuutta. Ratkaisua ei voida määritellä etukäteen, vaan se syntyy kokeilemalla, ja seuraukset näkyvät vasta toimijoiden käyttäessä alustaa. Humakissa toimijoiden yksilölliset tarpeet synnyttivät juuri tällaisia ongelmia.
Systeemimuotoilu tarjoaa yksittäistä käyttökokemusta laajemman näkökulman, jolloin tarkastelun kohteena ovat toimijat, niiden väliset suhteet ja koko toimintaympäristö (Sevaldson & Jones, 2019, 75–76; Norman & Stappers, 2016, 83–86).
Tätä täydentää systeemiälyn käsite: kyky havaita oman toiminnan yhteydet laajempaan kokonaisuuteen ja tunnistaa toimijoiden välisiä riippuvuuksia (Hämäläinen & Saarinen, 2004). Toimija ei tarkastele systeemiä ulkopuolelta vaan on itse osa sitä: omat ratkaisut muokkaavat kokonaisuutta samalla kun systeemin rakenteet muokkaavat toimijan toimintaa.
Humakin siirtymässä tämä tarkoittaa, ettei Canvasin ratkaisuja voida tarkastella irrallaan pedagogiikasta, opintohallinnosta tai opiskelijoiden oppimispoluista. Kuvio 1 kokoaa nämä toimijat toisiinsa kytkeytyneeksi kokonaisuudeksi, jonka keskellä tekoäly toimii kollegana ja toteuttajana ja jota ympäröi jatkuvan palautteen kehä (ks. Kuvio 1).
Kuvio 1. Alustasiirtymän toimijat ja tekoälyn kaksi roolia. Kuvio on laadittu tekoälyavusteisesti (Claude, Anthropic) kirjoittajan sisällön pohjalta.
Tekoäly kollegana – agentit henkilöstön tukena
Järjestelmäsiirtymän suurin haaste on osaaminen, sillä opettajien on rakennettava työnsä toisenlaisen logiikan varaan. Siirtymä tapahtui Humakissa erittäin nopealla aikataululla. Tekoäly astuu systeemiin ensimmäisessä roolissaan vastaamaan tähän tarpeeseen opetushenkilöstöä tukevana avustajana.
Opetushenkilöstön käyttöön rakennettiin eri työn osa-alueille suunnattuja tekoälyagentteja (ks. Taulukko 1). Agentti ei korvaa opettajan asiantuntemusta, vaan keventää toistuvaa työtä, ja kaikkien saatavilla oleva sama ohjeistus antaa hajautuvalle osaamiselle yhteisen tukirakenteen.
Taulukko 1. Opetushenkilöstön tueksi rakennettujen tekoälyagenttien ryhmät ja niiden hyöty.
| Agenttiryhmä | Esimerkkejä | Hyöty henkilöstölle |
| Tekninen ja pedagoginen rakentaminen | Avustaa ongelmissa ja antaa ratkaisuehdotuksia opettajien kysymyksiin opintojaksoja rakennettaessa. | Nopeuttaa opintojaksojen rakentamista ja madaltaa käyttöönoton kynnystä. |
| Vastuullinen tekoäly | Tehtävät, joissa tekoälyn rooli on rajattu ja opiskelijan oma ajattelu korostuu. | Tukee eettistä ja oppimislähtöistä tekoälyn käyttöä. |
| Viestintä ja visuaalisuus | Opintojaksoviestintä, bannerit, infograafit, aikajanat ja muu havainnollistava materiaali. | Luo laadukkaan visuaalisen ilmeen ilman graafisten työkalujen erillistä opettelua. |
Tekoäly toteuttajana – rajapinnat ja sisällön käsittely
Agenttien lisäksi tekoälyä hyödynnettiin teknisissä toteutuksissa ja Canvasin toimintoja täydentävien lisätyökalujen kehittämisessä. Siirtoa varten kehitettiin tekoälyavusteisia sovelluksia, jotka muuntavat sisällöt ja rakenteet Canvasin tietomalliin sopiviksi ja vievät ne rajapintojen kautta uudelle alustalle.
Sovellukset hyödyntävät oppimisalustojen ohjelmointirajapintoja (API) ja jakautuvat kolmeen kokonaisuuteen. Ensimmäinen muuntaa vuorovaikutteisia sisältöjä, kuten H5P-tehtäviä, Canvasin tukemaan QTI-muotoon. Toinen siirtää opiskelijaryhmät ja kurssirakenteet niin, että oppimispolku säilyy ehjänä. Kolmas varmistaa, että palautukset ja arvosanat siirtyvät kunkin tarpeen mukaan.
Lisäksi sovellukset tukevat laadunvarmistusta ja nopeuttavat opintojaksojen asetusten määrittämistä. Kuntotarkistukset ja suoritusmatriisit näyttävät, mikä kullakin opintojaksolla vaatii vielä työtä, ja massaoperaatiot yhdenmukaistavat asetuksia useille opintojaksoille kerralla.
Pisimmälle viety esimerkki on Claude-tekoälyn avulla toteutettu automaatiosovellus, joka korvaa Open LMS:n ryhmävalintatyökalun toiminnon. Opiskelijat sijoitetaan valintansa perusteella automaattisesti oikeaan Canvas-osioon, johon opettaja on etukäteen liittänyt näkyvyyssäännöt. Automaatio vähentää huomattavasti opettajien manuaalista työtä erityisesti isoilla opintojaksoilla.
Systeemin kannalta olennaista on, että sovellukset vapauttavat opettajien ja tukihenkilöstön aikaa mekaanisesta toistotyöstä pedagogiseen työhön. Vapautunut aika voidaan suunnata esimerkiksi opintojaksojen kehittämiseen uuden alustan mahdollisuuksia hyödyntäen, opiskelijoiden ohjaukseen sekä kokemusten jakamiseen henkilöstön kesken. Näin muutos vahvistaa systeemiä sen sijaan, että se vain kuormittaisi sitä.
Tekoälyn hyödyntämisen jännitteet ja niiden hallinta
Tekoälyn hyödyntäminen tehostaa siirtymää, mutta synnyttää myös jännitteitä, jotka nousevat esiin vasta käytännössä. Viheliäisen ongelman logiikan mukaisesti (Rittel & Webber, 1973; ks. myös Corbin ym., 2026, 736–738) jännitteitä ei voida ratkaista lopullisesti, koska toimijoiden tarpeet ja aikataulut eivät ole täysin yhteensovitettavissa. Olennaista on oppia hallitsemaan jännitteitä, ei pyrkiä poistamaan niitä.
Ensimmäinen jännite koskee agenttien tietopohjaa. Ohjatessaan opettajaa agentti välittää käsitystä hyvästä pedagogiikasta, ja riskinä on tahaton yhdenmukaistaminen (Zhu ym., 2025). Siksi tietopohjan tulee olla läpinäkyvä ja muokattava, ja agentin tulisi tarjota vaihtoehtoja valmiiden ratkaisujen sijaan. Näin käsitys hyvästä pedagogiikasta muotoutuu organisaation yhteisenä työnä.
Toinen jännite liittyy pedagogiseen toimijuuteen. Mitä sujuvammin agentti tuottaa sisältöä, sitä houkuttelevampaa opettajan on käyttää sitä sellaisenaan (Tripathi ym., 2025), ja kiireessä riski harkitsemattomasta käytöstä korostuu. Vastuu säilyy opettajalla, joka arvioi, sopiiko agentin ehdotus opintojakson tavoitteisiin ja opiskelijoille. Arenen (2026) suositus ja liikennevalomalli tukevat tätä työnjakoa korostamalla läpinäkyvyyttä ja ihmisen vastuuta.
Kolmas jännite koskee henkilöstön ja organisaation tarpeiden sekä teknisen toteutuksen välistä suhdetta. Tekninen toteutus voi edetä omalla logiikallaan, joka ei kohtaa arjen tarpeita, tai tarpeet, kuten opetussuunnitelman uudistaminen, muuttuvat nopeammin kuin siirtotyökaluja ja alustan rakenteita ehditään mukauttaa. Opettajien osallistaminen teknologian kehittämiseen auttaa pitämään tekniikan ja tarpeet yhteydessä (Cober ym., 2015; Nicholson ym., 2022). Humakissa työkalut kehitettiin lähellä käyttäjiä, ja niitä voitiin muokata palautteen mukaan nopeasti.
Neljäs jännite on tehokkuuden ja oppimisen laadun välinen. Tekoäly nopeuttaa siirtymää ja keventää työtä, mutta nopeus ei itsessään ole pedagoginen arvo (Bjork, 1994). Jos tehokkuudesta tulee itsetarkoitus, sisältöä voidaan tuottaa ja siirtää enemmän ilman että sen pedagogista tarkoituksenmukaisuutta arvioidaan riittävästi. Tekoälyn tuoma tehokkuus palvelee oppimisen laatua vain, jos säästetty aika ohjautuu takaisin pedagogiikkaan, eli vuorovaikutukseen, opiskelijoiden ohjaukseen ja harkintaan, joita tekoäly ei voi korvata.
Kollektiivinen kyvykkyys muutoksen muotoilussa
Alustasiirtymä on helppo nähdä kertaluontoisena projektina, mutta organisaation näkökulmasta se on mahdollisuus rakentaa pysyvää muutoskyvykkyyttä (Teece, 2007; Teece ym., 1997). Tekoälyn kaksoisrooli ei ainoastaan nopeuttanut Humakin siirtymää, vaan organisaatiolle kertyi osaamista ja rakenteita myös tuleviin muutoksiin.
Muutoskyvykkyys on kollektiivista. Se syntyy, kun pedagoginen, tekninen ja hallinnollinen osaaminen kytkeytyvät yhteiseen käyttöön (Wenger ym., 2002). Humakissa agenttien tietopohjaan koottiin pedagogiset linjaukset ja hallinnolliset käytännöt, ja kuntotarkistukset tekivät opintojaksojen tilanteen näkyväksi opettajille, tukihenkilöstölle ja opintohallinnolle. Siirtymä ei jäänyt yksittäisten asiantuntijoiden varaan, vaan henkilöstöyhteisölle muodostui yhteinen ymmärrys muutoksen toteuttamisesta.
Tekoäly ei tee muutoksesta helppoa, eikä sen tule tehdä siitä näkymätöntä. Sen arvo on siinä, että se vapauttaa aikaa harkita, millaista oppimista korkeakoulu haluaa mahdollistaa (Gonzalez ym., 2026). Vapautunut aika ei kuitenkaan ohjaudu harkintaan itsestään, vaan se edellyttää johtamista, joka varaa aikaa pedagogiselle kehittämiselle, sekä rakenteita muutoksen yhteiselle tarkastelulle. Systeemimuotoilu tarjoaa tähän menetelmät, kuten riippuvuuksien kartoittamisen, jännitteiden näkyväksi tekemisen ja palautteeseen perustuvan kehittämisen. Näin alustasiirtymä voi vahvistaa korkeakoulun kykyä muotoilla tulevia muutoksia, ja tekoäly toimii yhtenä toimijana ihmisten ja teknologioiden systeemissä.
Arene. (2026). Arenen suositukset tekoälyn hyödyntämisestä ammattikorkeakouluille. https://arene.fi/julkaisut/arenen-suositukset-tekoalyn-hyodyntamisesta-ammattikorkeakouluille/
Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. Teoksessa J. Metcalfe & A. Shimamura (toim.), Metacognition: Knowing about knowing (s. 185–205). MIT Press.
Cober, R., Tan, E., Slotta, J., So, H.-J., & Könings, K. D. (2015). Teachers as participatory designers: Two case studies with technology-enhanced learning environments. Instructional Science, 43(2), 203–228.
Corbin, T., Bearman, M., Boud, D., & Dawson, P. (2026). The wicked problem of AI and assessment. Assessment & Evaluation in Higher Education, 51(4), 736–752. https://doi.org/10.1080/02602938.2025.2553340
Gonzalez, C., Donahue, K., Goldstein, D. G., Heidari, H., Jalali, M. S., Schelble, B., Singh, A., & Woolley, A. W. (2026). Toward a science of human–AI teaming for decision making: A complementarity framework. PNAS Nexus, 5(3), pgag030. https://doi.org/10.1093/pnasnexus/pgag030
Hämäläinen, R. P. & Saarinen, E. (toim.). (2004). Systeemiäly – Näkökulmia vuorovaikutukseen ja kokonaisuuksien hallintaan. Helsinki University of Technology, Systems Analysis Laboratory, Research Reports B24.
Nicholson, R., Bartindale, T., Kharrufa, A., Kirk, D., & Walker-Gleaves, C. (2022). Participatory design goes to school: Co-teaching as a form of co-design for educational technology. Teoksessa Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems (Artikkeli 150, s. 1–17). ACM. https://doi.org/10.1145/3491102.3517667
Norman, D. A., & Stappers, P. J. (2016). DesignX: Complex sociotechnical systems. She Ji: The Journal of Design, Economics, and Innovation, 1(2), 83–106. https://doi.org/10.1016/j.sheji.2016.01.002
Rittel, H. W. J., & Webber, M. M. (1973). Dilemmas in a general theory of planning. Policy Sciences, 4(2), 155–169. https://doi.org/10.1007/BF01405730
Sevaldson, B. & Jones, P. (2019). An Interdiscipline Emerges: Pathways to Systemic Design. She Ji: The Journal of Design, Economics, and Innovation, 5(2), 75–84. https://doi.org/10.1016/j.sheji.2019.05.002
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350.
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.
Tripathi, T., Sharma, S. R., Singh, V., Bhargava, P., & Raj, C. (2025). Teaching and learning with AI: A qualitative study on K-12 teachers’ use and engagement with artificial intelligence. Frontiers in Education, 10, Artikkeli 1651217. https://doi.org/10.3389/feduc.2025.1651217
Wenger, E., McDermott, R., & Snyder, W. M. (2002). Cultivating communities of practice: A guide to managing knowledge. Harvard Business School Press.
Zhu, H., Sun, Y., & Yang, J. (2025). Towards responsible artificial intelligence in education: A systematic review on identifying and mitigating ethical risks. Humanities and Social Sciences Communications, 12, Artikkeli 1111. https://doi.org/10.1057/s41599-025-05252-6
Replacing an organization-wide learning management system is a complex change process where pedagogy, administration, staff competence, student experience, and technology are deeply intertwined. This article examines a university of applied sciences’ transition from Open LMS to Canvas through systemic design, highlighting artificial intelligence as a catalyst for change. AI plays a dual role in this process: first, as a pedagogical sparring partner supporting teaching staff in course design, communication, and visual tasks; second, as a technical assistant streamlining migration by processing content, connecting system interfaces, and automating repetitive work. Furthermore, the article explores key tensions—such as defining knowledge bases, preserving pedagogical agency, and channeling efficiency into learning quality. It offers a practice-based perspective on leveraging AI to build collective capability for systemic digital and pedagogical change in higher education.
Vastaa