Yritykset etsivät vauhdilla tapoja hyödyntää tekoälyä liiketoiminnassa ja raportoinnin laatimisessa. Vähemmälle huomiolle on jäänyt raportointiketjun toinen puoli: mitä tapahtuu, kun julkisia raportteja lukee ja arvioi tekoäly?

PwC:n Global Investor Survey 2025 -tutkimuksen mukaan sijoittajat hyödyntävät yrityksiä arvioidessaan tilinpäätöksen, kestävyysraportoinnin ja sijoittajaviestinnän lisäksi analyytikkoraportteja, luottoluokituksia, ESG-luokituksia ja muita ulkopuolisia tietolähteitä.

Tekoäly on jo yhä vahvemmin osa tätä työtä; tutkimuksesta käy ilmi, että 62 % sijoittajista käyttää tekoälyä yhtiöraporttien ja tulospuheluiden analysointiin, ja 56 % hyödyntää sitä sijoitusteesien ja analyysimuistioiden laatimisessa. Vain 4 % sijoittajista ei käytä tekoälyä lainkaan.

Muutos näkyy koko pääomamarkkinassa. Arvopaperimarkkinoiden valvojien kansainvälisen yhteistyöjärjestön IOSCO:n mukaan tekoälyä hyödynnetään jo esimerkiksi sijoitustutkimuksessa, salkunrakennuksessa ja viranomaisvalvonnassa. Sama kehitys ulottuu veroviranomaisiin, luokituslaitoksiin, hankintaorganisaatioihin ja kansalaisyhteiskunnan toimijoihin.

Raporttia ei lueta vain tiedon vuoksi, vaan myös päätöksenteon tueksi. Yhä useammin tekoälyagentit tai tekoälytyöketjut hoitavat koko prosessin alusta loppuun: ne hakevat tarvittavan aineiston, tunnistavat olennaiset havainnot ja jalostavat ne päätöksentekoa tukeviksi johtopäätöksiksi.

Tekoälyn kytkeytyessä yhä tiiviimmin päätöksentekoon ja siihen, millaista tietoa keskeisille sidosryhmille esitetään, raportoiville yrityksille syntyy uudenlaisia riskejä. Riskien hallinta edellyttää ymmärrystä siitä, miten tekoäly käsittelee tietoa, missä sen vahvuudet ja heikkoudet ovat sekä miten tehtävä, lähdeaineisto ja arviointikriteerit ohjaavat tekoälyn lopputulosta.

Tekoälyn tapa lukea tietoa on yhtälön ensimmäinen osa: Tekoäly on tarkka, kirjaimellinen ja sille annettuja arviointikriteerejä vahvasti painottava lukija.

Tekoäly käsittelee raportoitua tietoa eri tavalla kuin ihminen. Ihmislukija voi rakentaa merkitystä asiayhteydestä ja pystyy yhdistämään usean kappaleen muodostaman kokonaisuuden: vaikka yksittäinen lause ei vastaisi kysymykseen suoraan, pidemmästä kuvauksesta voi muodostua varsin selkeä käsitys siitä, mitä yritys tarkoittaa.

Tekoälylle tällainen tulkinta ei ole yhtä itsestään selvää. Se toimii parhaiten silloin, kun olennainen tieto ilmaistaan selkeästi ja yksiselitteisesti. Täsmällinen väite, selkeä rajaus tai suora vastaus muodostaa vahvan signaalin, jonka tekoäly pystyy tunnistamaan, hakemaan ja yhdistämään arvioitavaan kysymykseen.

Selkeä signaali erottuu kohinasta

Signaalilla tarkoitetaan selkeästi ja yksiselitteisesti esitetty tieto, jossa olennainen väite, rajaus ja asiayhteys käyvät suoraan ilmi. Kohina taas muodostuu hajanaisesti esitetystä tiedosta, vaihtelevasta terminologiasta, varauksellisista ilmaisuista tai yhteyksistä, jotka jäävät lukijan pääteltäväksi.

Terminologian merkitys korostuu, sillä tekoälyn löytämä tieto riippuu olennaisesti siitä, miten sille annettu tehtävä on määritelty. Jos tekoälyn tehtävänä on esimerkiksi löytää ESRS-tietopisteitä, standardien käsitteiden, otsikoiden ja sanaston johdonmukainen käyttö helpottaa tiedon tunnistamista ja yhdistämistä oikeaan vaatimukseen. Tekoäly voi toki löytää myös eri sanoin tai epäsuorasti ilmaistua tietoa, mutta mitä enemmän vastaavuuden tunnistaminen vaatii tulkintaa, sitä epävarmemmaksi lopputulos muuttuu.

Tee raportistasi helpompi tulkita:

• Käytä johdonmukaisesti raportointistandardien määrittelemää terminologiaa.
• Jäsennä sisältö selkeästi ja tee olennaiset yhteydet näkyviksi.
• Kerro oletukset, rajaukset ja aikajänteet yksityiskohtaisesti.
• Määrittele mittarit, yksiköt ja muu tulkinnan kannalta olennainen tieto.

Tekoäly heijastaa sidosryhmien odotuksia

Tekoäly ei ole neutraali lukija, vaan se heijastaa tehtävää, lähteitä ja arviointikriteerejä. Sama periaate ulottuu terminologiaa laajemmalle. Tekoälyn huomio määräytyy pitkälti sen perusteella, miten sen tehtävä on määritelty ja mihin lähdeaineistoon sen arviointi perustuu.

Raporttia voidaan tarkastella esimerkiksi valvojan, standardinlaatijan tai sijoittajan näkökulmasta käyttämällä näiden julkaisuja, kriteerejä ja muita luotettavia lähteitä analyysin perustana. Mitä selkeämmin odotukset on määritelty ja dokumentoitu, sitä helpompi tekoälyn on etsiä raportista kullekin taholle tärkeitä yksityiskohtia. Siten poikkeamat näistä vaatimuksista ja odotuksista tulevat helpommin näkyviin. Puuttuvat tiedot sekä pienetkin epäjohdonmukaisuudet voidaan tunnistaa.

Kun tekoäly tuo esiin aiempaa runsaampia havaintoja, myös varmentajan ammattitaidon arvo korostuu. Pätevä harkinta siivilöi olennaisen virheellisyyden riskin omaavat tekijät. Kun nämä havainnot tuodaan yrityksen arvioitaviksi riittävän varhaisessa vaiheessa, niihin voidaan puuttua jo ennen raportin julkaisemista.

Tekoälypohjaisen haun ja analyysin yleistyessä myös luotettavien ja vakiintuneiden lähteiden merkitys voi kasvaa. Esimerkiksi ESRS-standardit, ESMA:n valvontahavainnot, GHG-protokollan ohjeistukset sekä muut keskeiset lähteet tarjoavat tekoälylle valmiin viitekehyksen, jonka pohjalta yritysten raportointia voidaan tarkastella järjestelmällisesti.

Samalla näiden lähteiden painotukset voivat korostua. Kun samoja kriteerejä ja valvontahavaintoja käytetään toistuvasti analyysin perustana, myös niiden nostattamat kysymykset toistuvat uusissa tarkasteluissa. Valvojien, standardinlaatijoiden ja muiden keskeisten toimijoiden painopisteet voivat näin saada tekoälyn käytön myötä entistä enemmän näkyvyyttä.

Tekoäly ei lue vain raporttia – se lukee koko tietojalanjälkeä

Mitä tekoäly päättelee lukiessaan raporttia kaiken muun yrityksestä julkaistun tiedon kanssa?

Yrityksen koko julkinen tietojälki on tarkasteltavissa

Tekoäly muuttaa myös analyysin mittakaavaa. Ihmisetkin vertaavat vuosiraportteja, verkkosivuja, sijoittajaviestintää ja ulkopuolisia lähteitä keskenään, mutta käytännössä tarkasteltavan aineiston määrää rajoittavat aika ja resurssit. Tekoälyllä samaa tarkastelua voidaan tehdä huomattavasti laajemmin ja järjestelmällisemmin. Siksi arvioinnin kohteena ei ole vain vuosiraportti tai kestävyysraportti, vaan koko yrityksen verkossa oleva julkinen tietojälki.

Kehityssuunta näkyy jo verkossa

Cloudflaren mukaan internetliikenteestä yli puolet on muuta kuin ihmisten tuottamaa liikennettä. Lisäksi käyttäjän pyynnöstä tehtävä tekoälypohjainen verkkosisältöjen haku kasvoi vuoden 2025 aikana yli 15-kertaiseksi.

Raportoivalle yritykselle tämä tarkoittaa, että eri lähteiden väliset ristiriidat tulevat aiempaa helpommin näkyviin. Tavoite voi olla kuvattu eri tavalla verkkosivulla ja raportissa, mittarin rajaus voi muuttua vuodesta toiseen tai aiemmin julkaistu sitoumus voi jäädä elämään verkkoon. Erot eivät välttämättä tarkoita virhettä, mutta niiden havaitseminen ja nostaminen tarkasteluun helpottuu olennaisesti. Siksi kaiken julkaistun tiedon yhdenmukaisuus on tärkeää varmistaa.

Aiemmin hajallaan ollut tieto on yhä useammin vain yhden tekoälyavusteisen haun päässä.

Yrityksen julkinen tietojälki, eli kaikki julkiset lähteet internetissä:

• Verkkosivut
• Tiedotteet
• Sijoittajamateriaalit
• Aiemmat raportit
• Tavoiterekisterit
• Viranomaisaineistot

Miten raportoijan kannattaa varautua?

Raportoinnin hallinta on avainasemassa. Tekoälyn kasvavaan rooliin varaudutaan parhaiten varmistamalla, että yrityksen strategia, suorituskyky ja keskeiset valinnat välittyvät selkeästi ja johdonmukaisesti kaikessa julkisessa raportoinnissa ja viestinnässä.

1: Hallitse kokonaisuutta

Kun tekoäly yhdistää vuosiraportteja, kestävyysraportteja, verkkosivuja, sijoittajaviestintää ja muita lähteitä, keskeisten väitteiden, tavoitteiden, mittareiden ja rajausten on muodostettava sama kokonaisuus. Mitä johdonmukaisemmin olennainen tieto näkyy julkisessa tietojäljessä, sitä vahvemman signaalin se muodostaa myös tekoälylle.

2: Varmista, että ydintieto on helposti löydettävissä

Johdonmukaisuus auttaa myös silloin, kun tekoäly toimii puutteellisesti. Ihmiselle selkeä taulukko, kuvio, alaviite tai PDF-rakenne voi jäädä tekoälyltä huomaamatta jopa yksinkertaisten toiminnallisten syiden takia tai vain irrota asiayhteydestään. Selkeästi ja systemaattisesti viestitetyt ydinkohdat kestävät yksittäisiä haku- ja tulkintahäiriöitä paremmin.

3: Varaudu kehittyviin muotoihin

Vielä ei tiedetä tarkasti, miltä tekoälyn tulkintaan parhaiten soveltuva raportointi näyttää. Ratkaisuna voivat olla XBRL- ja iXBRL-merkinnät, erillinen koneellisesti luettava tietokerros, nykyistä jäsennellymmät raportit tai ihmisille ja tekoälylle suunnatut erilliset raportointimuodot. Kehitys on edelleen kesken.

4: Hyödynnä itse tekoälyä ennen julkaisua

Yrityksen kannattaa hyödyntää tekoälyä jo ennen julkaisua ja testata, miten sen raportointi näyttäytyy sijoittajan, valvojan, luokituslaitoksen tai muun keskeisen sidosryhmän näkökulmasta. Näin voidaan tunnistaa puuttuvia tietoja, ristiriitoja ja väärintulkinnan riskejä sekä arvioida, millaisen kuvan tekoäly yrityksestä muodostaa.

Tavoitteena ei ole vain suojautua virheellisiltä tulkinnoilta. Tekoälyä voidaan ennen julkaisua käyttää myös oman raportoinnin laadun haastamiseen: ovatko keskeiset viestit selkeitä, vastaavatko ne sidosryhmien kysymyksiin ja säilyvätkö ne johdonmukaisina eri lähteissä?

Samalla yritys voi paremmin hallita sitä kuvaa, jonka ulkopuoliset tekoälyjärjestelmät muodostavat sen julkisista tiedoista ja välittävät edelleen eri sidosryhmille.

Kaikkia tekoälyn tekemiä johtopäätöksiä ei voida ennakoida. Yritys voi kuitenkin varmistaa, että sen strategiasta, suorituskyvystä ja keskeisistä valinnoista välittyy mahdollisimman selkeä ja johdonmukainen kuva riippumatta siitä, kuka tietoa tarkastelee tai millä tavalla sitä haetaan ja tulkitaan.

Artikkeli on saanut vahvoja vaikutteita PwC:n englanninkielisestä artikkelista: When AI becomes the reader: a turning point for corporate reporting