Puheäly kuulostaa yhä paremmalta kuin ajattelee

Puheäly kuulostaa yhä paremmalta kuin ajattelee

OpenAI julkaisi GPT-Live-1:n ja sen mini-version 8. heinäkuuta. Malli puuttuu puheavustimia vaivanneeseen kömpelyyteen puheenvuorojen vaihdossa ja hyödyntää GPT-5.5:tä varsinaisena päättelymoottorina [1]. Kyseessä on todellinen parannus vuoden takaisiin ketjutettuihin järjestelmiin verrattuna, joiden viive oli noin 1 700 millisekuntia — selvästi liian hidas luontevaan keskusteluun [2].

Mutta perimmäinen ongelma ei ole kadonnut minnekään: puhemallit ovat yhä tyhmempiä kuin tekstivastineensa. X:ssä käyttäjät sanovat yhä äänekkäämmin, että he mieluummin odottavat hetken ylimääräistä — tai antavat järjestelmän käynnistää aliagentin — kuin saavat nopean mutta pinnallisen vastauksen. Vuoden 2026 oppaat kiteyttävät todellisen rajoitteen suoraan: LLM:llä on käytössään 200–700 millisekunnin aikaikkuna vastata, jotta keskustelu tuntuu luontevalta, ja juuri tämä viiveraja — ei raaka tekstikeskustelun suorituskyky — on se, mikä oikeasti hidastaa puheälyn kehitystä [2][3].

Kun kyse on muustakin kuin small talkista — oikeista kokouksista, oikeista päätöksistä — tällä kompromissilla on merkitystä. Kukaan ei halua puheavustinta, joka on nopea mutta väärässä.

Ontologioista tulee huomaamatta luotettavan tekoälyn perustaso

Täsmälliset määritelmät, siistit kielelliset yhteydet ja kunnolliset ontologiat saavat uutta huomiota luotettavien tietograafien todellisena perustana — ei mukavana lisänä, vaan tekijänä, joka ratkaisee, päätteleekö tekoälyjärjestelmä oikein vai kuulostaako se vain vakuuttavalta [1][2]. Tarina on vähemmän räiskyvä kuin agentit tai puhemallit, mutta todennäköisesti kauaskantoisempi.

Data tukee tätä: tietograafeilla täydennetty haku (KG-RAG) päihitti tavallisen RAG:in 14,3 prosentilla telekommunikaatioalan vertailutesteissä helmikuun 2026 arXiv-tutkimuksessa [3], ja Microsoftin avoimen lähdekoodin GraphRAG on yhä viitepiste moniaskelpäättelyn virheiden korjaamisessa — ongelma, joka vaivaa tavallista vektorihakua [3]. Kaikissa kolmessa lähteessä toistuu sama kaava: tasomainen vektorihaku toimii hyvin yksinkertaisissa hauissa, mutta romahtaa heti kun kysymys vaatii useiden faktojen yhdistämistä ajan tai kontekstin yli — juuri sellaisia kysymyksiä, joita todellisessa työssä tulee jatkuvasti vastaan.

X-keskustelu aiheesta on ohuempaa kuin agentti- ja puhekeskustelut, mutta puheenvuoroja käyttävät ovat nimenomaan tuotantokäytössä olevia RAG-järjestelmiä rakentavia ihmisiä, ja he päätyvät samaan johtopäätökseen: ontologia on saatava kuntoon ensin, tai mikään sen päälle rakennettu ei ole luotettavaa.

EU:n tekoälyasetuksen jäljitettävyyssäännöt nostavat auditointijäljet keskiöön

EU:n tekoälyasetuksen 12 artikla on nyt voimassa, ja se edellyttää automaattista tapahtumalokien kirjaamista korkean riskin tekoälyjärjestelmissä; lokeja on säilytettävä vähintään kuusi kuukautta [2][3]. Ongelma on siinä, että useimmilla lohkoketjupohjaisilla tekoäliagenteilla ei tällä hetkellä ole minkäänlaista kunnollista auditointijälkeä. Hederan Agent Lab, joka julkaisi tänä vuonna koodittoman rakennustyökalun, asemoi itsensä nimenomaan tämän aukon paikkaajaksi vaatimustenmukaisuuden näkökulmasta [1].

Vielä kiinnostavampaa niille, jotka pyörittävät moniagenttijärjestelmiä EU:ssa tai Pohjoismaissa: toukokuun 2026 luonnosohjeet alkavat kohdella moniagenttijärjestelmiä yhtenä kokonaisuutena jäljitettävyyden kannalta, mikä edellyttää alkuperägraafeja, jotka seuraavat tiedon liikkumista agenttien välillä [3]. Tämä on merkittävä muutos — se tarkoittaa, että dokumentaatio- ja auditointivaatimukset kasvavat orkestroinnin monimutkaisuuden, ei vain mallin riskitason, mukana.

X-kommentoinnissa tätä pidetään aidosti ajankohtaisena vaatimustenmukaisuuden aukkona yritysten tekoälykäyttöönotoissa, ja Hederan työkalua mainitaan yhtenä harvoista markkinoilla olevista konkreettisista ratkaisuista.

Mitä tämä tarkoittaa sinun kokouksillesi

Kaikki tämän päivän uutiset osoittavat samaan taustalla vaikuttavaan muutokseen: raaka tekoälykyvykkyys ei ole enää pullonkaula — jäsennelty muisti on. Moniagenttijärjestelmät tarvitsevat tietograafeja pysyäkseen johdonmukaisina. RAG tarvitsee ontologioita, jotta se lopettaa yhteyksien hallusinoinnin. Ja sääntelijät odottavat nyt alkuperäjälkiä kaikelta, mikä vaikuttaa päätöksentekoon. Kokouspöytäkirja, joka lojuu pelkkänä tekstinä kansiossa, on yhä useammin tämän ketjun heikoin lenkki — ei vahvin.

Juuri tämän aukon paikkaamiseksi Proudfrog on rakennettu. Kun kokous litteroidaan, puhujat tunnistetaan ja tieto sulautetaan henkilökohtaiseen tietograafiin tasomaisen arkiston sijaan, siitä tulee kysyttävää samalla tavalla kuin KG-RAG-tutkimus edellyttää — se pystyy vastaamaan kysymykseen "mitä me oikeastaan päätimme Helsingin lanseerauksesta maaliskuussa" sen sijaan, että se vain nostaisi esiin kappaleen, jossa Helsinki mainitaan. Ja kun EU:n jäljitettävyysvaatimukset tiukkenevat, jäsennelty, aikaleimattu ja auditoitavissa oleva tallenne siitä, kuka sanoi mitäkin — sen sijaan että olisi kasa jäsentämätöntä ääntä — ei ole enää mukava lisäominaisuus vaan perushygieniaa.

Myös puheälyn viivekeskustelu on tässä oleellinen: kun reaaliaikaiset mallit älykkäistyvät mutta jäävät yhä tekstin kelkasta, kokoustyökalujen kannattava ratkaisu ei ole pakottaa reaaliaikaista tekoälykommentointia jokaiseen puheluun — vaan antaa mallin ottaa aikansa jälkikäteen ja työstää hyvin jäsenneltyä kokoushistoriagraafia kellon kanssa kilpailemisen sijaan itse keskustelun aikana.

Keskeinen johtopäätös: Tekoälyala keskittyy yhä enemmän tietograafeihin ja ontologioihin todellisena infrastruktuurikerroksena — eli se, miten kokoustietoa tallennetaan ja jäsennetään tänään, ratkaisee, onko se huomenna oikeasti hyödyllistä, auditoitavaa ja löydettävää.

Sources

1. https://cohere.com/blog/multi-agent-systems
2. https://aws.amazon.com/blogs/machine-learning/build-multi-agent-systems-with-langgraph-and-amazon-bedrock/
3. https://arxiv.org/html/2508.02999v1
4. https://techcrunch.com/2026/07/08/openai-releases-new-voice-models-for-more-natural-live-conversations/
5. https://www.coval.ai/blog/voice-ai-models-2026/
6. https://www.digitalapplied.com/blog/openai-gpt-live-voice-models-customer-experience-2026
7. https://enterprise-knowledge.com/ontology-and-knowledge-graph-in-the-age-of-ai-and-agents/
8. https://www.linkedin.com/pulse/ontologies-knowledge-graphs-llms-primer-imen-grida-ben-yahia-ph-d--5r2ne
9. https://www.kloia.com/blog/knowledge-base-vs-knowledge-graph-llm
10. https://hedera.com/use-cases/artificial-intelligence/
11. https://thefuturesociety.org/aiagentsintheeu/
12. https://www.linkedin.com/pulse/eu-ai-act-now-treats-multi-agent-systems-one-system-van-schalkwyk-ondmc