Johdanto
Ohjelmistokehityksen tuottavuus on viime vuosina noussut uudelleen keskiöön, kun suuret kielimallit (LLM) ovat tuoneet tekoälyn käytön osaksi kehittäjien arkea. Vaikka tekoälyn lupaus on ollut selvä: Vähemmän toistotyötä ja nopeampia kehityssyklejä, sen todelliset vaikutukset ohjelmistoprojektien tuottavuuteen ovat vasta hahmottumassa.
Vaasan ammattikorkeakoulun YAMK-opiskelija Toni Luomajoki tutki opinnäytteessään Tekoälytyökalujen vaikutus ohjelmistokehityksen tuottavuuteen: Tapaustutkimus mikropalvelupohjaisesta ERP-projektista (2025), miten tekoäly vaikuttaa tiimin työnkulkuun ja kehittäjien kokemukseen. Tutkimusta ohjasi tietojenkäsittelyn lehtori Tero Ulvinen.
Tässä artikkelissa esitellään tutkimuksen ja käytännön työn keskeiset havainnot. Tavoitteena on kuvata, miten tekoälyratkaisut otettiin osaksi ohjelmistokehityksen prosessia ja millaisia vaikutuksia niillä havaittiin tuottavuuteen, testiautomaatioon ja kehittäjien työskentelyyn.
Projektikonteksti ja lähtötilanne
Kehitystiimi työskenteli merkittävän suomalaisen digitaalisia kauppapaikkapalveluita kehittävän organisaation ERP-järjestelmäuudistuksessa, jonka tavoitteena oli modernisoida autokaupan prosesseja. Vanhan järjestelmäkokonaisuuden tilalle rakennettiin pilvinatiivi ratkaisu, joka perustui mikropalveluarkkitehtuuriin. Projektia toteutti hieman yli 20 hengen kansainvälinen kehitystiimi.
Vaikka tiimillä oli käytössään modernit teknologiat ja ketterät menetelmät, merkittävänä haasteena oli pysyä kunnianhimoisissa julkaisuaikatauluissa. Työjonossa oli satoja vaatimuksia, jotka liittyivät liiketoimintaprosesseihin, käyttöliittymäsuunnitteluun, integraatioihin ja teknisiin ratkaisuihin. Kehitystiimi kohtasi klassisia ongelmia: Koodikatselmoinnit ruuhkautuivat, testaus oli osin käsityötä ja dokumentaatio vanheni nopeasti. Lisäksi regressiotestauksen automaatioasteen velka oli kasvanut suureksi. Kehittäjät kokivat ohjelmointityöt usein huonosti määritellyiksi, ja vaatimusten tarkentaminen hidasti yksittäisten tehtävien suorittamista.
Tekoälyn käyttöönoton tavoitteet ja kohteet
Yrityksessä oli tehty päätös aloittaa tekoälyn hyödyntäminen systemaattisesti eri liiketoimintaprosesseissa. Tutkimuksen kohteena ollut ERP-projekti valikoitui yhdeksi tekoälyohjelman pilottiprojektiksi tavoitteenaan ymmärtää, miten tekoälyä voidaan hyödyntää ohjelmistokehityksen arjessa niin, että siitä saadaan mitattavaa hyötyä. Tarkoituksena oli löytää myös muiden tuotteiden parissa työskentelevien kehitystiimien käyttöön monistettavia ratkaisuja.
Kyseisen projektin osalta kehitysprosessin tuottavuudessa tunnistettiin kolme kipukohtaa, joiden helpottamiseen tekoälystä erityisesti toivottiin apua:
- Kehitystöiden läpimenoaikojen lyhentäminen
- Vaatimusmäärittelyn ja dokumentoinnin selventäminen ja ajantasaistaminen
- Regressiotestauksen automaatioasteen velan pienentäminen
Toteutus: Tekoälyratkaisut ohjelmistokehityksen eri vaiheissa
Tekoälytyökalujen käyttöönotto alkoi syksyllä 2024 matalan kynnyksen kokeiluilla. Ensimmäiseksi projektitiimin kehittäjät testasivat useampaa tekoälyä hyödyntävää ohjelmointiympäristöä. Kokeilluista tuotteista Cursor IDE nousi nopeasti kehittäjien suosioon syvimmän kontekstin ymmärryksensä ansiosta. Cursorin suurimpana etuna oli kyky käyttää projektin koodipohjaa kontekstin luomiseen. Lisäksi se tarjosi integraatiomahdollisuuksia yrityksen käyttämiin projektinhallintatyökaluihin ja kyvykkyyden agenttipohjaiseen toiminnallisuuteen, jolla voitiin orkestroida tekoälyn suorittamia työvaiheita.
Toinen tiimin käyttöön vakiintunut työkalu oli Coderabbit – tekoälyavusteinen koodikatselmointityökalu, joka analysoi pull requestit ja kirjoitti niihin ehdotuksia ja havaintoja. Käytännössä se toimi ensimmäisenä koodin tarkastajana ja tunnisti esimerkiksi puuttuvat testit, ei-toivotut toteutustavat ja tietoturvaan liittyviä riskejä. Myös Coderabbit hyödynsi tiimin olemassa olevaa koodipohjaa arvioidessaan kehittäjien tekemiä toteutuksia.
Tiimi otti käyttöönsä myös Azure AI-portaalin, johon rakennettiin RAG-pohjainen tietopankkiratkaisu: Projektin määrittely- ja vaatimusdokumentaatio indeksoitiin tietopohjaksi, jota tekoälyavustajat voisivat hyödyntää dokumentaatioon liittyviin kysymyksiin vastatessaan. Azure AI-portaaliin rakennettiin LLM-malleihin perustuvia dokumentaatioagentteja, joiden kansa keskustelemalla tiimin jäsenet voisivat selvittää dokumentaatioon liittyviä epäselvyyksiä.
Kaupallisten tekoälytuotteiden käyttöönoton ohella tiimi kehitti Cursorin agenttimallia ja integraatiokyvykkyyksiä hyödyntäviä tekoälyagentteja:
- Testien generointiagentin avulla pyrittiin automatisoimaan automaattisten regressiotestien generointi
- Dokumentointiagentilla muunnettiin Confluencessa oleva dokumentaatio yhtenäiseen, rakenteelliseen ja tekoälyn ymmärtämään muotoon
- Ohjelmointitehtävien automatisoimiseksi kehitettiin projektikohtaisilla säännöillä ohjattu, jira-integraatiota sekä muita Cursorin laajennuskyvykkyyksiä hyödyntävä koodausagentti
Tulokset: Tuottavuus, testiautomaatio ja kehittäjäkokemus
Tekoälytyökalujen käyttöönoton vaikutuksia arvioitiin kvantitatiivisesti vertaamalla Jira-tikettien vaihekohtaisia läpimenoaikoja yhdeksän kuukauden ajalta ennen ja jälkeen tekoälytyökalujen käyttöönoton. Lisäksi seurattiin automaattisen regressiotestauksen kattavuutta automaattisten testitapausten määrän perusteella.
Tekoälyn käyttöönoton lisäksi tiimissä tehtiin myös jatkuvasti parannuksia kehitysprosessiin. Tutkimuksen aikana parannukset painottuivat erityisesti tikettien ja vaatimusten kuvausten parantamiseen ja yksittäisten kehitystöiden rajaamiseen pienemmiksi.
Läpimenoajat lyhenivät seurantajaksolla kaikkien mitattujen vaiheiden osalta, mikä viittaa tekoälyn tuomiin hyötyihin (ks. Kuvio 1). Task-tyyppisten tikettien osalta ohjelmointivaiheen (”In Progress”) läpimeno lyheni keskimäärin 56 % ja kokonaisläpimenoaika 22 %. Katselmointivaiheen lyhentyminen jäi maltilliseen 3 %:iin, mikä selittyy osittain sillä, että vaiheeseen sisältyy usein odotusaikaa ennen katselmoinnin alkamista, eikä CodeRabbitin käyttöönotto poistanut tätä viivettä. Testausvaihe lyheni erittäin merkittävästi – jopa 80 % – mikä kertoo automatisoinnin onnistuneesta integroinnista.
Bug-tikettien osalta tulokset olivat samansuuntaisia: Ohjelmointi ja testaus nopeutuivat selvästi, vaikka vaihtelu oli suurempaa yksittäisten tapausten välillä (ks. Kuvio 2). Tämä viittaa siihen, että tekoäly tuki tehokkaasti myös korjaustehtäviä.
Laadullisesti kehittäjät kertoivat ohjelmointityön muuttuneen tekoälyn mukaantulon johdosta. Ohjelmointitehtävän aloitus ei enää ollut tyhjä taulu, vaan tekoäly antoi ehdotuksen, jonka päälle oli helpompi rakentaa. Tämä siirsi painopistettä mekaanisesta toteutuksesta suunnitteluun, tekoälyn tuotosten arviointiin ja laadun varmistamiseen. Promptien muotoilu ja tekoälyn rajoitusten ymmärtäminen nousivat keskeiseksi uudenlaiseksi osaamisvaatimukseksi.
Tekoälypohjaiset koodausavustajat eivät aina kuitenkaan tuottaneet täysin luotettavia ratkaisuja, etenkään käyttöönoton alkuvaiheessa. Kehittäjät korostivat, että avustajien tuottama koodi vaati lähes aina tarkistusta ja muokkaamista. Tämän vuoksi koodausavustajia ei nähty varsinaisina korvaajina, vaan työtä helpottavana mutta vielä rajallisesti hyötyä tuovina työkaluina.
CodeRabbit vaikutti kehittäjien työhön vähentämällä katselmointeihin kuluvaa odotusaikaa. Aiemmin katselmoinnit saattoivat odottaa toisen kehittäjän huomiota tunteja tai jopa päiviä, mutta nyt palautetta saatiin lähes välittömästi. Coderabbit myös kevensi katselmointiprosessia katselmoinnin suorittajan osalta, kun ensimmäinen katselmointikierros tapahtui Coderabbitin toimesta, joka karsi pois tyylivirheet ja triviaalit huomiot, mahdollistaen keskittymisen liiketoimintalogiikkaan ja projektikohtaisiin toteutustapoihin.
Testiautomaation näkökulmasta muutokset olivat merkittäviä (ks. Kuvio 3). Automaattisten testien määrä kasvoi seitsemän kuukauden aikana 73:sta 699:ään ottaen huomattavan hyppäyksen maaliskuussa 2025 testiautomaation tekoälyagenttiratkaisun käyttöönoton myötä. Agentin tuottamien Playwright-testien laatu oli yhdenmukaista, kattavaa ja sääntöpohjaista, ja testiautomaation velan kurominen nopeutui oleellisesti.
Rajoitteet ja havainnot prosessin kehittämisestä
Miksi kokonaisläpimeno ei lyhentynyt enemmän? Vaikka testaus ja kehitysvaihe nopeutuivat merkittävästi, koko tiketin läpimeno ei lyhentynyt aivan yhtä jyrkästi. Tämä johtui pääosin kahdesta tekijästä:
- Mittausjakson aikana ei saatu aikaan oleellista parannusta ohjelmointitöiden määrittelyssä ja vaatimusten tarkentamisessa. Osa tiketeistä vietti yhä huomattavan ajan selvitysvaiheissa, joita ei mitattu erikseen.
- Odotusvaiheet hidastivat kokonaisprosessia. Katselmoinnin aloittamisen odotus kuului osaksi tiketin katselmointivaihetta, mikä aiheutti viivettä vaikuttaen mittaustulokseen. Lisäksi In progress-vaiheessa vaadittiin kehittäjiltä vaihtelevassa määrin selvittelyjä, mikä hidasti toteutusta.
Tekoäly siis nopeutti kehittäjäkeskeisiä vaiheita, mutta ei yksin riittänyt poistamaan koko prosessin rakenteellisia pullonkauloja. On myös huomioitava, että tiimin kehittämät tekoälyagentit eivät vielä mittausjakson aikana ehtineet kehittyä niin kypsiksi, että niistä olisi saatu huomattavaa mitattavaa tuottavuushyötyä. Tiimi jatkoi niiden kehittämistä tähdäten kokonaisvaltaisesti tekoälyavustettuun kehitysprosessiin.
Johtopäätökset ja jatkokehityksen suuntaviivat
Tekoäly toi siis eniten hyötyä ohjelmistokehityksen alkuvaiheisiin ja testaukseen. Lisäksi regressiotestien luominen nopeutui merkittävästi. Testien määrän kasvu mahdollisti testauksen asteittaisen siirtymisen automaattiseksi, mikä nopeutti testaamista. Cursorin ja koodausagentin avulla myös ohjelmointityön rutiinit, kuten refaktorointi ja boilerplate-koodin luonti, nopeutuivat selvästi. Lisäksi CodeRabbitin esikatselmointi vähensi triviaalien virheiden määrää ja paransi katselmointien laatua, vapauttaen asiantuntijoita keskittymään arkkitehtonisesti tärkeämpiin kysymyksiin.
Vaikka tekoäly toi kehitystiimille selkeitä hyötyjä, sen käyttöön liittyi useita käytännön rajoitteita:
- Ihmisen suorittama laadunvarmistus säilyi välttämättömänä, sillä kriittiset liiketoimintalogiikat ja tietoturva ratkaisuissa eivät olleet täysin automatisoitavissa.
- Dokumentaatioassistenttien vastaukset koettiin usein epätarkoiksi, mikä rajoitti niiden käyttöä varsinaisessa tuotantotyössä. Lisäksi agenttien ylläpito ja konfigurointi vaativat jatkuvaa työtä, kuten sääntöpohjien päivittämistä, mallivalintojen optimointia ja kustannusten hallintaa
- Koodausagentin hyödyt rajoittuivat toistaiseksi hyvin yksinkertaisiin tehtäviin, eikä sitä koettu vielä hyödylliseksi monimutkaisemmassa ohjelmointityössä ilman jatkokehitystä.
- RAG-pohjainen dokumentaatiohaku Azure AI -portaalin kautta ei vielä vakiintunut tiimin arkeen, koska vastauksia pidettiin epäluotettavina ja kehittäjät turvautuivat edelleen mieluummin kokeneempiin kollegoihin. Havainto korostaa suurten kielimallien tulkinnan täsmällisyyden, toistettavuuden ja determinististen vastausten tarvetta erityisesti ketterässä kehityksessä, jossa vaatimukset elävät ja dokumentaation ajantasaisuus on jatkuva haaste
Tulokset siis osoittavat, että generatiivinen tekoäly voi parantaa ohjelmistokehityksen virtausta erityisesti silloin, kun sitä hyödynnetään toistuvissa tehtävissä ja triviaalien virheiden karsimisessa. Nämä tulokset ovat linjassa aiemman tutkimustiedon kanssa.
Tekoälyn käyttö ei kuitenkaan yksin riitä tuottavuuden parantamiseen. Hyödyt syntyvät vasta, kun tekoälyä tuetaan selkeällä työnjaolla, dokumentaation laadun parantamisella ja prosessien kehittämisellä. Tekoäly toimii digitaalisena työparina, joka poistaa esteitä ja vapauttaa aikaa ongelmanratkaisuun ja päätöksentekoon. Ohjelmistokehitys on kuitenkin kokonaisuutena monimutkainen prosessi, jonka tuottavuus muodostuu työkalujen lisäksi mm. tiimin kommunikoinnista, yhteistyöstä, osaamisesta ja prosesseista.
Jatkotoimenpiteet keskittyvät erityisesti kolmen keskeisen tekoälyratkaisun kehittämiseen:
- Testien generointityökalua laajennetaan tukemaan end-to-end-käyttöliittymätestien automaattista generointia ja osana CI/CD-putkea, mikä mahdollistaa entistä kattavamman testauksen pienemmällä manuaalisella työmäärällä
- Kehitteillä on uusi rakenteelliseen muotoon muunnettua dokumentaatiota hyödyntävä agentti, joka kykenee automaattisesti generoimaan kehitystöitä tikettejä kuvauksen ja dokumentaation perusteella, nopeuttaen työjonon käsittelyä ja parantaen tehtävien yhdenmukaisuutta
- Koodausagenttia kehitetään kohti monimutkaisempien ohjelmointitehtävien automatisointia, kuten laajempien liiketoimintalogiikoiden refaktorointeja ja eri palveluiden välisten integraatiomuutosten toteutusta
Näiden kehitysaskelten avulla tiimi pyrkii etenemään kohti kokonaisvaltaisesti tekoälyavusteista kehitysprosessia organisaation uudistaessa ohjelmistokehitystoimintansa vastaamaan tämän päivän tuottavuusvaatimuksiin.
