Tekoälyjärjestelmä julkisen hankintana
Papinniemi, Antti (2026)
Kandidaatintutkielma
Papinniemi, Antti
2026
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe20260903122673
https://urn.fi/URN:NBN:fi-fe20260903122673
Tiivistelmä
Tässä tutkielmassa tarkastellaan tekoälyjärjestelmien julkisia hankintoja sekä Euroopan unionin tekoälysäädöksen asettamia normatiivisia ja käytännön reunaehtoja hankintaprosessille. Tutkimuksen tavoitteena on selvittää, miten tekoälyhankinnat eroavat muista julkisista hankinnoista menettelyvalintojen, kilpailun intensiteetin ja toteutumisen osalta, sekä arvioida tekoälypohjaisen aineistoanalyysin soveltuvuutta hankinta-aineiston automaattiseen riskiluokitukseen.
Tutkielma toteutettiin monimenetelmätutkimuksena. Määrällisessä osiossa analysoitiin TED-tietokannasta koottua hankinta-aineistoa ja verrattiin tekoälyhankintojen tunnuslukuja yleiseen hankinta-aineistoon tilastollisin menetelmin. Laadullisessa osiossa arvioitiin Qwen 2.5 -kielimallin suorituskykyä hankintailmoitusten tunnistamisessa ja luokittelussa tekoälysäädöksen mukaisiin riskiluokkiin soveltaen tutkijan suorittamaa validointia.
Tulokset osoittavat, että tekoälyjärjestelmien hankinnat vaativat monimutkaisuutensa ja sääntelyreunaehtojensa vuoksi usein joustavampia ja neuvottelullisempia hankintamenettelyjä kuin perinteiset tietojärjestelmähankinnat. Tekoälysäädöksen osalta tulokset osoittavat julkisten tekoälyhankintojen painottuvan pääosin matalan tai rajoitetun riskin järjestelmiin, kun taas korkean riskin tekoälyhankinnat keskittyvät terveydenhuollon toimialalle. Automaattisen aineistoanalyysin osalta havaittiin, että kielimallit kärsivät tulosten epävakaudesta eivätkä kykene ilman asiantuntijatason kontekstisidonnaista tulkintaa yhdistämään tekoälysäädöksen vaatimuksia toimialakohtaiseen sääntelyyn. Luotettava analyysi edellyttääkin aina tarkkaa aineiston esikäsittelyä ja tutkijan suorittamaa laadullista validointia. This thesis examines the public procurement of artificial intelligence (AI) systems and the normative and practical constraints imposed on the procurement process by the European Union’s Artificial Intelligence Act (AI Act). The objective of the study is to investigate how AI procurements differ from other public procurements in terms of procurement procedure choices, intensity of competition, and process completion, as well as to evaluate the suitability of AI-based text analysis for the automated risk classification of procurement data.
The study was conducted using a mixed-methods research design. In the quantitative phase, procurement data retrieved from the TED database were analyzed, and the key indicators of AI procurements were compared with general procurement data using statistical methods. In the qualitative and methodological phase, the performance of the Qwen 2.5 large language model was evaluated in identifying procurement notices and classifying them into the risk categories defined by the AI Act, applying a human-in-the-loop approach with expert validation performed by the researcher.
The results demonstrate that due to their complexity and regulatory constraints, the procurement of AI systems often requires more flexible and negotiated procurement procedures than traditional information system acquisitions. Regarding the AI Act, the findings indicate that public AI procurements mainly focus on low or limited-risk systems, while high-risk AI procurements were identified mainly in context of healthcare. Concerning automated data analysis, it was observed that language models suffer from output instability and are unable to connect the requirements of the AI Act with sector-specific regulations without expert-level contextual interpretation. Reliable analysis therefore always requires rigorous data preprocessing and qualitative validation conducted by the researcher.
Tutkielma toteutettiin monimenetelmätutkimuksena. Määrällisessä osiossa analysoitiin TED-tietokannasta koottua hankinta-aineistoa ja verrattiin tekoälyhankintojen tunnuslukuja yleiseen hankinta-aineistoon tilastollisin menetelmin. Laadullisessa osiossa arvioitiin Qwen 2.5 -kielimallin suorituskykyä hankintailmoitusten tunnistamisessa ja luokittelussa tekoälysäädöksen mukaisiin riskiluokkiin soveltaen tutkijan suorittamaa validointia.
Tulokset osoittavat, että tekoälyjärjestelmien hankinnat vaativat monimutkaisuutensa ja sääntelyreunaehtojensa vuoksi usein joustavampia ja neuvottelullisempia hankintamenettelyjä kuin perinteiset tietojärjestelmähankinnat. Tekoälysäädöksen osalta tulokset osoittavat julkisten tekoälyhankintojen painottuvan pääosin matalan tai rajoitetun riskin järjestelmiin, kun taas korkean riskin tekoälyhankinnat keskittyvät terveydenhuollon toimialalle. Automaattisen aineistoanalyysin osalta havaittiin, että kielimallit kärsivät tulosten epävakaudesta eivätkä kykene ilman asiantuntijatason kontekstisidonnaista tulkintaa yhdistämään tekoälysäädöksen vaatimuksia toimialakohtaiseen sääntelyyn. Luotettava analyysi edellyttääkin aina tarkkaa aineiston esikäsittelyä ja tutkijan suorittamaa laadullista validointia.
The study was conducted using a mixed-methods research design. In the quantitative phase, procurement data retrieved from the TED database were analyzed, and the key indicators of AI procurements were compared with general procurement data using statistical methods. In the qualitative and methodological phase, the performance of the Qwen 2.5 large language model was evaluated in identifying procurement notices and classifying them into the risk categories defined by the AI Act, applying a human-in-the-loop approach with expert validation performed by the researcher.
The results demonstrate that due to their complexity and regulatory constraints, the procurement of AI systems often requires more flexible and negotiated procurement procedures than traditional information system acquisitions. Regarding the AI Act, the findings indicate that public AI procurements mainly focus on low or limited-risk systems, while high-risk AI procurements were identified mainly in context of healthcare. Concerning automated data analysis, it was observed that language models suffer from output instability and are unable to connect the requirements of the AI Act with sector-specific regulations without expert-level contextual interpretation. Reliable analysis therefore always requires rigorous data preprocessing and qualitative validation conducted by the researcher.
