Konteksti on kuningas — miksi sama AI tuottaa huippulaadukasta toiselle ja roskaa toiselle

Malli ratkaisee 20 prosenttia, konteksti 80 prosenttia. Sama prompti samalla työkalulla tuottaa eri yritykselle eri tasoisen lopputuloksen, eikä ero ole hinnassa, mallissa tai promptin pituudessa — vaan siinä mitä mallille on annettu nähtäväksi ennen vastausta. Tämän jälkeen tiedät miksi yksi yritys saa ChatGPT:stä huippulaatua ja toinen geneeristä möhnää, ja mistä rakennat kontekstin niin että se toimii sinun yrityksessäsi.

Tämä on sinulle, joka on kokeillut tekoälyä ja törmännyt seinään. Olet ehkä ajatellut “ehkä tarvitsemme paremman mallin” tai “ehkä tarvitsemme rakentajan tekemään tämän kunnolla”. Molemmat voivat olla totta, mutta useimmissa tapauksissa ratkaiseva tekijä on jossain muualla — ja se on hyvä uutinen, koska kontekstia rakennat itse, ilman uutta tilausta tai uutta toimittajaa.

Tämä sääntö pätee tekstigeneroinnissa, kuvageneroinnissa, koodauksessa ja automaatioissa. Kaikki neljä ovat saman ongelman variaatioita.

Mitä konteksti tarkoittaa AI-työssä

Konteksti on kaikki tieto, jonka malli näkee ennen vastauksen muodostamista. Ei pelkkä prompti — vaan koko ympäristö, jossa promptia tulkitaan.

Konteksti viidessä osassa

Ohjeet — mitä halutaan tehdä, missä formaatissa, kenelle. Tämä on se osa josta useimmat aloittavat ja jonka useimmat tuntevat sanalla “prompti”.
Esimerkit — miltä hyvä lopputulos on aiemmin näyttänyt. Yksi tai kaksi konkreettista esimerkkiä opettaa mallille käytännössä, mitä haluat.
Lähdetieto — relevantit dokumentit, datat, taustat. Brand voice -opas. Aikaisemmat artikkelit. Asiakaskontakti-lokit jos kirjoitat asiakkaalle.
Rajat — mitä ei saa tehdä. Kielto-lista (esim. “älä käytä sanaa ‘monipuolinen ratkaisu’”), pituusrajat, kategoriat joista valita.
Rooli — kuka kirjoittaa. “Olet kokenut myyntipäällikkö joka kirjoittaa sähköposteja asiakkaalle.” Rooli ohjaa sävyä ja näkökulmaa.

Tyypillinen prompti antaa vain osan 1 ja kysyy “miksi tulos on geneerinen”. Vastaus on rakenteessa: muut neljä osaa puuttuvat.

Analogia jota käytän asiakaspalavereissa: jos AI on uusi työntekijä, prompti on hänen tehtävänantonsa. Konteksti on perehdytys + esimerkit + brändiopas + asiakaslokit. Kukaan ei odottaisi että uusi työntekijä tuottaa firman äänellä ensimmäisenä päivänä, jos hänelle on annettu pelkkä otsikko ja deadline. Mallit eivät ole erilaisia.

Miksi konteksti voittaa mallin valinnan

Karkea sääntö joka pitää käytännössä paikkansa:

Malli ratkaisee 20 prosenttia, konteksti 80 prosenttia lopputuloksesta.

Käytännön testi jonka voit tehdä itse: ota sama tehtävä, sama prompti, mutta lisää toiseen versioon ote brändistäsi (esim. 200 sanaa aikaisempaa myyntitekstiäsi) ja yksi konkreettinen esimerkki. Aja molemmat halvalla mallilla (Claude Haiku, GPT-5 Mini, Gemini Flash). Sitten aja sama parin sanan promptilla kalliimmalla mallilla (Claude Sonnet, GPT-5).

Yhdeksässä kymmenestä tapauksesta halpa-malli-hyvä-konteksti voittaa kallis-malli-ilman-kontekstia. Tämä ei ole hypoteesi — tämä on toistuva tulos, jonka kaikki promptin kanssa työskentelevät vahvistavat.

Mitä tämä tarkoittaa pk-päättäjälle:

Älä optimoi ensin mallia. Optimoi konteksti. Vaihtaminen halvasta kalliiseen malliin nostaa kustannukset 5–10-kertaisiksi mutta laadun marginaalisesti, jos konteksti on huono.
“Tekoäly ei toimi meillä” tarkoittaa lähes aina “emme antaneet sille tarpeeksi nähtäväksi”. Vaihda näkökulmaa ennen kuin vaihdat työkalua.
Kustannussäästö. Jos pyörität AI:ta tuotannossa, halpa-malli-hyvä-konteksti -kombinaatio voi maksaa kymmenesosan kalliin mallin laskusta samalla laadulla. Tämä ei ole pieni asia kuukausilaskussa.

Konteksti eri AI-tehtävissä — sama sääntö, eri muodot

Tämä on osio jota usein ei ole muiden artikkelien selityksissä: sääntö pätee riippumatta tehtävätyypistä. Vain konteksti-tyypit eroavat.

Tekstigenerointi (myynti, blogi, sähköposti). Konteksti = brand voice -opas, aikaisemmat tekstit, asiakasprofiili, kielto-lista. Sama prompti “kirjoita LinkedIn-postaus uudesta palvelusta” tuottaa eri lopputuloksen Loopyn brand voice -dokumentin kanssa kuin ilman. Itse pyöritän Loopyn ja Kymen.ai:n teksteissä loopy-brand-voice-skilliä joka injektoi automaattisesti brändin sanaston, vältettävät ilmaisut ja äänen — pelkkä “kirjoita LinkedIn-postaus” ilman tätä tuottaa konsulttijargonia, jonka huomaa heti.

Kuvagenerointi (mainoskuva, illustraatio, tuotekuva). Konteksti = referenssikuvat, brändin värit, tyylisanasto, kielto-lista. Pelkkä “moderni toimisto” tuottaa geneeristä stock-photo-tunnelmaa. “Moderni toimisto, vaalea betoni, suomalainen sisustus, ei ihmisiä, valokuvarealistinen tyyli kuin Iittala-mainoksessa” yhdistettynä yhteen referenssikuvaan tuottaa jotain käyttökelpoista. Sama malli, valtava ero.

Koodaus (Claude Code, Cursor, GitHub Copilot). Konteksti = projektin rakenne, käytetyt kirjastot, koodityyli, aiemmat ratkaisut samaan ongelmaan. Claude Code lukee CLAUDE.md-tiedostoa juurikansiosta ennen muokkausta — jos tiedostoa ei ole, malli keksii itse miten asia kannattaa tehdä, ja keksintä on yleensä ristiriidassa olemassa olevan koodin kanssa. CLAUDE.md jossa on 20 riviä konventioista voi muuttaa kokonaan lopputuloksen.

Automaatiot ja prosessit. Konteksti = data josta päätetään, päätöskriteerit, formaatti johon vastataan, virheskenaariot. Sähköpostin triage on hyvä esimerkki: pelkkä “lajittele sähköposti” → kaaos. “Lajittele kategorioihin A/B/C näiden esimerkkien perusteella, palauta JSON” → toimii. Käsittelin tämän omassa artikkelissaan, Sähköposti-AI-triage Gmailille.

Yhteinen säännönmukaisuus kaikissa neljässä: lopputulos paranee samalla tavalla — annetaan mallille nähtäväksi mitä on jo olemassa ja miten asia on aiemmin tehty. Ei “tee tällainen”, vaan “tee tällainen ja tässä on viisi esimerkkiä joista voit ottaa mallia”.

Mistä konteksti tulee — neljä lähdettä

Konteksti ei synny tyhjästä. Se kerätään, ja kustannus keräämiseen on lähes aina pienempi kuin huonosta kontekstista syntyvä hukka.

1. Manuaalisesti promptissa. Kopioit taustadatan mukaan jokaiseen kyselyyn. Yksinkertaisin. Toimii kerralla, ei skaalaa. Jos kirjoitat yhden sähköpostin viikossa, tämä riittää. Jos kirjoitat 50, et kestä copy-paste-rituaalia.

2. Esimerkkipankki (few-shot). Kerää 5–10 esimerkkiä hyvistä lopputuloksista, liitä ne aina promptin alkuun. Skaalaa yhden prosessin sisällä — sähköpostin luokittelu, asiakaspalveluvastaukset, blogin avauskappaleet. Tämä on yleisin “seuraava taso” pelkän promptin jälkeen ja maksaa itsensä takaisin parissa viikossa.

3. RAG (Retrieval-Augmented Generation). Yritysdata indeksoidaan kerran, AI hakee relevantit palaset joka pyyntöön. Skaalaa kun dataa on paljon — 1000 sopimusta, 500 PDF:ää, kaikki vanhat sähköpostit asiakkaalle. Vaatii infrastruktuuria mutta korvaa manuaalisen copy-pasten kerralla.

4. MCP (Model Context Protocol). AI saa live-pääsyn yrityksen järjestelmiin pyynnöstä. Skaalaa kun konteksti elää reaaliajassa — sähköposti, kalenteri, CRM. Yksinkertaisempi käyttöönotto kuin RAG, koska olemassa olevia järjestelmiä ei tarvitse indeksoida. Käsittelin tämän artikkelissa MCP pk-päättäjälle.

Pk-yrityksen polku:

Aloita 1:stä. Yksi käyttötapaus, yksi prompti.
Kasvata 2:een kun käyttötapauksia on useita ja näet mihin samat virheet toistuvat.
Harkitse 3:a tai 4:ää kun dataa on paljon tai se muuttuu jatkuvasti.

Käytännön työkalupakki — miten rakennat kontekstia systemaattisesti

Kun ymmärrät että konteksti on kuningas, työnkulku muuttuu. Et enää kirjoita uutta prompttia joka kerta — keräät kontekstin osiksi, jotka uudelleenkäytät.

Pk-yrityksen perustyökalupakki:

Brand voice -dokumentti. Yksi A4:n mittainen tiedosto: kuka olet, mitä myyt, kenelle puhut, mitä sanoja käytät, mitä sanoja vältät. Yksi konkreettinen esimerkki hyvästä tekstistä ja yksi huonosta. Tämä injektoidaan jokaiseen tekstigenerointi-promptiin. Kymen.ai-brändillä tämä on brand-voice/kymen-ai.md — sama tiedosto syötetään Claudelle joka kerta kun pyydän blogiartikkelia, LinkedIn-postausta tai myyntiviestiä.

Esimerkkipankki per käyttötapaus. 5–10 hyvää esimerkkiä, säilötty yhteen tiedostoon tai kansioon. Esimerkki: jos teet automaattisia tarjouksia, tallenna kymmenen hyvin onnistunutta tarjousta ja syötä ne mukaan kontekstina. Mallit oppivat tällaisesta nopeammin kuin pitkistä ohjeista.

Kielto-lista. Sanat jotka paljastavat AI:n: “kuhinaa”, “räjähtävä”, “monipuolinen ratkaisu”, “transformoiva”, “lopulta”. Tämä lista lisätään brand voice -dokumenttiin tai erilliseksi tarkistuslistaksi. Yksinkertainen mutta yllättävän tehokas — mallit toistavat näitä sanoja ellei niitä kielletä.

Roolipohjat (system prompts). “Olet kokenut myyntipäällikkö joka kirjoittaa LinkedIn-postausta omasta firmastaan. Sävy on rento mutta asiantunteva. Postauksen pituus on enintään 150 sanaa.” Tämä on viestin alku, joka asettaa mallin roolin ennen kuin se saa tehtävän. Tallenna roolipohjat — niitä uudelleenkäytetään.

Lähdedokumenttien koonti. Usein käytetyt PDF:t, casetiedostot, tuotekuvaukset yhdessä paikassa. Käytän Obsidian-vaultia tähän — kaikki yritystiedot, brand voice, palvelukuvaukset, aiemmat artikkelit ovat samassa Markdown-kokoelmassa, jonka Claude Code pääsee lukemaan suoraan tiedostojärjestelmästä.

Konkreettinen esimerkki omasta workflow’sta: Brain-vault on koko kontekstin lähde. Joka kerta kun pyydän tekstiä Claudelta, malli näkee Brain-vaultin sisällön tarvittavilta osin. Sama tehtävä Brain-vaultin kanssa vs. ilman tuottaa eri laatuluokan tulokset — minä tiedän tämän, koska kokeilin alkuun ilman, ja artikkelit kuulostivat geneerisiltä konsulttisivuilta.

Pitkä keskustelu ei korvaa rakennettua kontekstia

Yksi yleinen oletus joka kannattaa romuttaa: “Käytin Claudea koko aamupäivän tämän asian kanssa, ja se nyt ymmärtää meidän työn.” Ei. Pitkä keskustelu ei rakenna pysyvää kontekstia — se rakentaa hetkellistä, ja seuraavassa keskustelussa muisti on tyhjä.

Lisäksi pitkän keskustelun aikana malli unohtaa alkupään. Jos olet kirjoittanut 30 viestin keskustelussa “muista että emme käytä sanaa ‘monipuolinen’”, seitsemän viestin jälkeen sääntö on hävinnyt mallin huomiosta, ja teksti palaa siihen mihin se palaisi ilman ohjetta.

Rakennettu konteksti — dokumentti joka injektoidaan joka keskustelun alkuun — voittaa improvisoidun joka kerta. Ja se siirtyy seuraavaan päivään, seuraavaan tiimijäseneen, seuraavaan käyttötapaukseen.

Mitä tämä tarkoittaa pk-päättäjälle

Kaksi konkreettista oivallusta:

Ensimmäinen: AI-projektin onnistumisen yksi suurin ennustaja on valmius investoida kontekstiin — ei mallin hintaan, ei toimittajan kovaan myyntiin. Käytännön kysymys ennen jokaista AI-pilottia on:

Mitä mallille pitää näyttää, jotta se onnistuu?

Jos vastausta ei ole, projekti ei onnistu, vaihdettiin malli tai ei. Jos vastaus on selvä (esim. “se tarvitsee brand voice -oppaan + 5 esimerkkiä viime kuukauden myyntiteksteistä + asiakasprofiilin”), projekti onnistuu vaikka aloitettaisiin halvimmasta mallista.

Toinen: Kontekstin näkökulma yhdistää muut työkaluvalinnat. RAG, MCP, prompt-pakit, brand voice — ne ovat kaikki eri tapoja vastata samaan kysymykseen: miten mallille annetaan oikea konteksti oikealla hetkellä. Kun ymmärrät tämän yhteyden, työkalujen vertailu helpottuu. Et enää valitse “RAG vai MCP vai oma prompti” — valitset minkä kanavan kautta konteksti virtaa malliin.

Yhteenveto: viisi asiaa muistettavaksi

Konteksti on viidestä osasta: ohjeet, esimerkit, lähdetieto, rajat, rooli.
Malli ratkaisee 20 %, konteksti 80 %. Optimoi konteksti ennen mallia.
Sääntö pätee tekstiin, kuvaan, koodiin ja prosesseihin — sama logiikka, eri tiedonlähteet.
Rakennettu konteksti (dokumentit, esimerkkipankit) voittaa pitkän keskustelun joka kerta.
Aloita pienestä — brand voice -dokumentti ja 5 esimerkkiä ovat puolen päivän työ, joka maksaa itsensä takaisin kahdessa viikossa.

Tämä on Kymen.ai:n yksittäinen tärkein oppi AI-työstä, ja syy miksi sama ChatGPT-tilaus tuottaa toiselle yritykselle huipputuloksia ja toiselle pelkkää geneeristä massaa. Ero ei ole työkalussa. Se on siinä mitä työkalulle on annettu nähtäväksi.

Jos haluat käydä läpi missä prosessissa kontekstin puute on sinulla suurin pullonkaula, 60 minuutin kartoituksessa keskustellaan konkreettisista tilanteista ja kerätään lista kontekstilähteistä joista pitäisi aloittaa. Lopputuotteena saat joko aloituslistan tai päätöksen “konteksti on jo kunnossa, ongelma on muualla” — molemmat ovat oikeita vastauksia, ja säästävät rahaa joka kuukausi.

Liittyvät artikkelit

Iso kuva — viiden askeleen kartta (pillar)
Sähköposti-AI-triage Gmailille (kontekstin konkreettinen sovellus)
MCP pk-päättäjälle (live-konteksti)

Samuli Suikkanen

Kymen.ai — AI-konsultointi pk-yrityksille

Olen rakentanut Loopy Oy:tä 10+ vuotta ja viime vuoden ajan keskittynyt AI-konsultointiin kymenlaaksoisille pk-yrityksille. Olen automatisoinut oman sähköpostini, vienyt 5 asiakasprojektia tuotantoon ja opettelen julkisesti mikä toimii ja mikä ei.

Tietoa Samulista & Kymen.ai:sta

Seuraava askel

Jos haluat keskustella oman tilanteesi läpi, varaa maksuton 60 min etäkartoitus. Lopuksi saat sähköpostiin muistion seuraavista askeleista. Ei sitoumusta.

Varaa maksuton 60 min kartoitus Lue lisää ohjeita