Innostuin helmikuussa Wan-Ifran artikkelista From ‘fixed’ to ‘fluid’ media: How AI is reshaping editorial formats, jossa Ezra Eman visioi joustavasta sisällöstä (engl. fluid media, suomennoksen näit ensi kertaa täällä!), jossa alkuperäinen sisältö murskataan atomeiksi ja kootaan uudelleen vaihtuvien konseptien mukaisesti, osin tai kokonaan AI:n voimin. Tämä postaus on ensimmäinen osa testiä, jossa koostan promptien avulla nauhoittamastani YouTube-videosta kaksi itsenäistä blogipostausta. Ensimmäinen käsitteli tekoälyä opintovuoden läpileikkaavana teemana, tämä joustavaa sisältöä. Lisää testin vaiheista ja huomioita prosessista postauksien lopussa. Se mitä luet viivojen välissä, on kokonaan AI:n kirjoittamaa.

____________________________________________________________________________________

Edit this image to look like it is 90’s Marvel comic. Put bustling New York behind the character. Keep the person recognizable. Keep his cap on and do not change his clothes. Keep the YouTube controls in the image. Give the image in 16:9 ratio. (ChatGPT-4o, alkuperäinen kuva lähdevideosta postauksen lopussa. Ei siitä ihan valtavan tunnistettava tullut)

Median maailma muuttuu jatkuvasti, ja yksi keskeisistä keskustelunaiheista on tällä hetkellä joustavan sisällön käsite. Englanninkielisestä termistä fluid content suomennettu ajatus liittyy läheisesti tekoälyn mahdollisuuksiin muokata ja levittää sisältöä uusilla tavoilla.

Mitä joustava sisältö tarkoittaa?

Perinteisesti digitaalisessa mediassa sisältö on ollut sidottu siihen muotoon, johon se alun perin tehtiin – esimerkiksi artikkeliin. Joustavan sisällön perusidea on, että alkuperäinen sisältö pilkotaan pienemmiksi osiksi ja tarjotaan yleisölle niissä muodoissa, joissa he ovat valmiita sitä kulloinkin nauttimaan. Tämä voi tarkoittaa päivittyvää uutista, keskustelubottia, uutisvirtaa tai mitä tahansa muuta kuviteltavissa olevaa muotoa.

Joustavan sisällön käsite on laaja, mutta sen ytimessä on ajatus siitä, että sisältö on kuin massa, josta voi muokata ja hyödyntää eri tavoin. Hollannin yleisradioyhtiö NPO:n Ezra Emanin mukaan tekoäly mahdollistaa dynaamisen ja henkilökohtaisen käyttäjäkokemuksen sisällön kulutuksessa ilman suuria tuotantokoneistoja. Hänen mukaansa ammattimaista sisältöä pystyy luomaan kuka tahansa ilman, että jokaisessa vaiheessa tarvitaan oman alansa ammattilaisia.

Miksi joustavalla sisällöllä on väliä?

Joustavan sisällön merkitys korostuu nykyisessä mediaympäristössä useista syistä.

Yleisön muuttuvat käyttötavat ovat yksi keskeinen tekijä. Ihmiset kuluttavat sisältöä eri tavoilla ja eri hetkinä. Joku haluaa lukea pitkän artikkelin, toinen kuunnella saman asian podcastina työmatkalla, ja kolmas ehkä katsoa videon tai lukea lyhyen tiivistelmän. Varsinkin aikakausjournalismi, joka perustuu usein 15–20 minuutin artikkeleihin, keskeytyy helposti eikä houkuttele tietyissä tilanteissa. Joustava sisältö pyrkii vastaamaan tähän tarjoamalla sisällön käyttäjän haluamassa muodossa ja tilanteessa.

Median liiketoimintamallit ovat toisena syynä. Perinteiset klikkauksiin perustuvat mallit ovat vaarassa. Mediat joutuvat panostamaan aidosti merkityksellisyyteen ja sitouttavuuteen säilyäkseen ja kasvaakseen. Joustavan sisällön avulla media voi palvella yleisöään paremmin ja laajentaa potentiaalista yleisöpohjaa riippumatta siitä, missä muodossa sisältöä tarjotaan. Suomenkielisen sisällöntuotannon tekeminen kannattavaksi vaatii sisällön hyödyntämistä usean vuoden ajan, mikä korostaa monikäyttöisyyden merkitystä.

Teknologian kehitys on kolmas keskeinen tekijä. Tekoälytyökalut mahdollistavat sisällön käsittelyn ja muokkaamisen dynaamisesti ja henkilökohtaisesti aiempaa helpommin. Ammattimaisen sisällön luominen ei enää välttämättä vaadi yhtä suurta tuotantokoneistoa.

Joustavan sisällön testaaminen käytännössä

Joustavan sisällön potentiaalia voi testata käytännössä luomalla alkuperäisen sisällön yhdessä muodossa ja muokkaamalla sitä sitten tekoälyn avulla toiseen muotoon. Tein podcast-nauhoitteen testatakseni joustavan sisällön luomista. Tavoitteena on nähdä, pystyykö tekoäly muotoilemaan vapaamuotoisesta, rönsyilevästä äänimateriaalista journalistisesti järkevän artikkelin lähes ilman manuaalista muokkausta.

Podcast valittiin testin pohjaksi, koska se on henkilökohtaisempi, vaikeampi kopioida ja antaa enemmän mahdollisuuksia virheille – se on haastavampi lähdemateriaali kuin perinteinen, rakenteellinen artikkelipaketti.

Työkaluja joustavan sisällön käsittelyyn

Useat tekoälytyökalut tukevat joustavan sisällön ideaa joko esimerkkeinä lopputuloksista tai työkaluina sisällön muokkaamiseen.

Perplexity käsittelee internetin sisältöä kuin sujuvaa lähdemateriaalia, yhdistäen tietoa useista lähteistä yhdeksi kokonaisuudeksi. Se etsii tiedonjyväsiä ja muodostaa niistä vastauksen, tarjoten samalla lähdeviitteet. Tämä on yksi tapa tarjota yhteenvetona useista palasista koottua sisältöä.

Particle News koostaa yhden artikkelin jopa sadoista lähteistä, tarjoten tiivistelmän esimerkiksi luettelona. Se pystyy myös poimimaan suoria lainauksia. Sovelluksessa on ominaisuus, joka muuttaa sisällön ”viisivuotiaalle selitetyksi” versioksi, mikä on loistava esimerkki sisällön muokkaamisesta eri käyttäjäryhmän tarpeisiin.

Particle.News on huima esimerkki palvelusta, joka murskaa artikkelit (esimerkkitapauksessa 121 artikkelia) ja muodostaa partikkeleista uuden, eri näkökulmia sisältävän kokonaisuuden. Käyttäjä voi valita näkökulman oman tarpeensa mukaan. Lisäpisteet Comic Sansin oikeaoppisesta käytöstä (selitä kuin viisivuotiaalle).

Notebook LM:n avulla voi antaa tekoälylle omia lähteitä ja keskustella niiden kanssa. Se pystyy erottamaan käyttäjän antamat lähteet kielimallin omista tiedoista. Sitä voi käyttää esimerkiksi blogikirjoituksen luomiseen vapaamuotoisesta äänitiedostosta, pyytäen tekstiä omalla tyylillä. Vaikka Notebook LM pystyy luomaan tekstejä hyvinkin hapuilevasta materiaalista, ne vaativat vielä hiomista.

Google AI Studion avulla voi antaa sille esimerkiksi YouTube-videon ja kysyä siitä tarkkoja tietoja. Se paikantaa tiedon videosta ja antaa vastauksen, mikä säästää merkittävästi aikaa. Tämä on esimerkki siitä, miten sisältöä voidaan käsitellä muodosta riippumatta tiedon löytämiseksi.

Letterly on suunniteltu muuttamaan puhe rakenteelliseksi tekstiksi – esimerkiksi sosiaalisen median päivitykseksi, sähköpostiksi tai tehtävälistaksi. Ajatus siitä, että puheesta voidaan muodostaa erilaisiin tarpeisiin sopivaa tekstiä, on hyvin linjassa joustavan sisällön idean kanssa.

Haasteet ja tulevaisuus

Sujuvan sisällön luominen tekoälyn avulla ei ole täysin ongelmatonta. Esimerkiksi Notebook LM voi toisinaan ”harhailla” ja luoda lainauksia, jotka eivät pidä paikkaansa, mikä vaatii lähdetarkistusta. Letterlyn kaltaiset työkalut, jotka eivät salli käyttäjän ohjata prosessia tarkasti, voivat olla rajoittuneita.

Monet asiantuntijat ennustavat, että tulevaisuudessa tarkkaan rajattuihin tarpeisiin kehitetyt työkalut tulevat olemaan johtavassa asemassa tekoälyn hyödyntämisessä mediassa. Tämä johtuu siitä, että joku kehittää todennäköisesti nämä erikoistyökalut paremmin ja edullisemmin kuin yksittäiset mediatalot pystyisivät itse. Mediatalojen kannattaa kuitenkin kehittää omia tekoälysovelluksia silloin, kun ne perustuvat niiden omaan sisältöön.

On arvioitu, että itse sisällön absoluuttinen arvo lähestyy nollaa, ja ainoan arvon luo kokemus, jonka mediabrändi tai mediatuote pystyy tarjoamaan käyttäjälle. Tämän kokemuksen tulisi erottua ja palvella yleisöä juuri siinä hetkessä ja siihen tarpeeseen, mikä heillä kulloinkin on. Joustava sisältö on keskeinen tapa vastata tähän haasteeseen, varmistaen, että sisältö on saatavilla ja hyödynnettävissä monipuolisesti eri kanavissa ja muodoissa.

_______________________________________________________________________________________

Testin tavoite oli löytää prosessi, prompti ja työkalu(t), joilla sain aikaan luonnollisimman ja omimman tuntuiset tekstit nauhoittamastani videosta ilman manuaalista editointia. Ylläolevaa tekstiä on korjailtu kuitenkin vähän, sillä mm. henkilön nimi oli tulkittu väärin. Tarkat korjaukset mainittu raportissa. Lisäksi lisäsin linkit työkaluihin jälkikäteen, sekä kuvat ja kuvatekstit. Videolla puhuin tarkoituksella kahdesta eri aiheesta ja testasin, miten AI-kielimallit onnistuvat erottelemaan aiheet toisistaan.

Testiä varten kokeilin eri tekoälytyökaluja (ChatGPT, NotebookLM, Claude, Copilot & Letterly) ja niissä eri kielimalleja. Yritin muokata videon (joissain tapauksissa transkriptin kautta) artikkeliksi suoraan yhdessä palvelussa tai niiden yhdistelmänä. Lisätoiveena minulla oli hyödyntää omaa kirjoitustyyliäni, josta annoin työkaluille näytteen liittämällä promptiin neljä edellistä blogipostaustani. Parhaaseen lopputulokseen pääsin koostamalla videosta kaksi raakatekstiä erillisissä keskusteluissa NotebookLM:n avulla ja editoimalla tekstin Claudessa käyttäen Sonnet 4 -kielimallia.

Promptien kehittämiseen ja testaamiseen käytin valittujen työkalujen osalta n. 20 minuuttia. Käyttämällä lisää aikaa siihen lopputulos epäilemättä paranisi. Halusin kuitenkin kehittää nopeasti promptit, jotka olisivat mahdollisimman uudelleenkäytettäviä. Testin prosessi, vaiheet ja promptit löytyvät täältä: Joustava sisältö – Testin vaiheet ja promptit.

Olen lopulliseen testin tulokseen tyytyväinen. Clauden kirjoittamassa kielessä on toivomisen varaa, mutta ei alkuperäisen leikkaamattoman raakavideon materiaalikaan timanttia ole. Jos yleisöä kiinnostaa sisältö, mutta videon katselu tökkii, tämä vaihtoehto on mielestäni varsin kehityskelpoinen tapa palvella yleisön tarpeita. Muistuttaa minusta text-to-speech-palveluiden laatua. Vaikka muodossa on toivomisen varaa, viesti välittyy.

Kaikkea sisältöä ei varmasti olla tarkoitettu joustamaan. Valitettavasti AI-tuotteet eivät usein kysy, haluammeko sitä vai emme. Jos tulevaisuus on joustava, meidän on hyvä opetella sen lait ja oppia uusia tapoja palvella yleisöjämme.

Tekoälyn hyödyntämisessä keskustelu on keskittynyt liikaa sisällön luomiseen. Siihen, tekeekö AI tulevaisuudessa kaikki uutiset. Tämä näkökulma kuitenkin ohittaa tärkeän mahdollisuuden: miten monipuolisesti media voisi hyödyntää tekoälyä sisällön jakelussa ja muokkaamisessa. Sisältö joustaa jo nyt Perplexityn ja Particle.Newsin kaltaisissa palveluissa, jotka murskaavat ja uudelleenkokoavat informaatiota käyttäjien tarpeiden mukaan.

On meistä itsestämme kiinni, alammeko hyödyntämään omaa sisältöpääomaamme tavalla, joka ottaa huomioon yleisön erilaiset käyttötarpeet ja kulutushetket. Ehkä Bruce Lee oli oikeassa – ole kuin vesi!

Huomioita testistä:

• “…yksi keskeisistä keskustelunaiheista on…” En sanoisi, että joustava sisältö on keskeisiä keskustelunaiheita. Ehkä kohta on.
• “Varsinkin aikakausjournalismi, joka perustuu usein 15–20 minuutin artikkeleihin…” Tämän taisin sanoa ihan itse. Ei ne artikkelit ehkä ihan noin pitkiä ole.
• Claude piti tiukasti kiinni “podcast”-termistä, vaikka koitin sitä promptaamalla vaihtaa. Kuulin myös työkaverilta, että kukaan ei enää puhu vodcasteista. Ne on kuulemma videoita. Alkuperäismateriaali oli siis video, ei podcast.
• Työkalujen esittely tuli nyt molempiin artikkeleihin. Toisaalta ne sopivat molempiin ja en ehkä voi olettaa, että käyttäjät lukevat molemmat postaukset.
• “Esimerkiksi Notebook LM voi toisinaan ”harhailla”…” Mielestäni en sanonut, että NotebookLM voi harhailla, vaan sanoin ChatGPT:n tekevän niin. Mutta koska NotebookLM itse kirjoitti tuon, ehkä se pitää paikkansa?
• “Monet asiantuntijat ennustavat,” Claude editoi pois maininnan, että koulumme opettaja ja mainion Wonder Tools -blogin kirjoittaja Jeremy Kaplan sanoi näin.

Kirjoittajan aikaisemmat artikkelit

• Tämän blogin kirjoitti tekoäly – edessä joustava tulevaisuus, osa I - 17.06.2025
• Missä olin silloin kun? – Tilanne päällä New Yorkissa - 02.04.2025
• Tällaista on opiskelu J-schoolissa, CUNY:ssa – Hae nyt! - 25.02.2025
• Mitä muuttuisi, jos katoaisimme huomenna? - 21.01.2025
• Strategia on kuin pizza – fantasia ei toimi - 10.10.2024