PwC:n US-tutkijat julkaisivat torstaina arxiviin paperin, joka horjuttaa hiljaisesti yhtä tekoälyalan keskeisimmistä oletuksista. Pinecone, Weaviate ja Qdrant ovat keränneet rahoituskierroksia sillä uskomuksella, että jokainen vakavasti otettava tekoälysovellus tarvitsee taustalleen vektoritietokannan. Sen et al. -tutkimusryhmän paperin 'Is Grep All You Need?' mukaan tavallinen tekstihaku, sama unix-aikainen grep, jota järjestelmänvalvojat ovat käyttäneet vuosikymmenet, tuottaa korkeampaa tarkkuutta kuin upotuksiin pohjaava vektorihaku, kun tekoälyagentti etsii faktoja pitkistä keskusteluhistorioista.
Tutkijat testasivat menetelmiä neljässä eri agenttikoneistossa: omassa Chronos-työkalussaan, Claude Codessa, OpenAI:n Codexissa ja Gemini CLI:ssä. Testijoukkona oli 116 kysymystä LongMemEval-aineistosta. Tulos oli johdonmukainen: ilman tiedostorajapintaa grep voitti vektorihaun kaikissa neljässä kokoonpanossa.
Mikä LongMemEval on?
LongMemEval mittaa, kuinka hyvin tekoälyagentti löytää nimettyjä faktoja pitkistä keskusteluvirroista, joiden seassa on harhauttavia kohtia. Tehtävä muistuttaa tilannetta, jossa asiakaspalvelubotti yrittää muistaa, mitä keskustelu sai puoli vuotta sitten samalta asiakkaalta toisesta tilauksesta. Vektorihaku etsii merkityksen kautta, grep etsii kirjaimellisia osumia. Kun käyttäjä viittaa konkreettiseen nimeen, tiedostopolkuun tai virheilmoitukseen, kirjaimellisuus voittaa semantiikan.
Tiedoston kautta tulos kääntyi osittain
Tutkimuksen toinen kierros tuotti yllätyksen. Kun hakutulokset välitettiin agentille tiedostopohjaisesti suoran liittämisen sijaan, asetelma muuttui osassa kokoonpanoja. Codexissa GPT-5.4:n grep-tarkkuus tippui inline-tilan 93,1 prosentista 55,2 prosenttiin. Vektorihaku ylsi viidessä kymmenestä koneisto-malli-yhdistelmästä edelle, kun haku tapahtui tiedostojen kautta.
Johtopäätös on käytännönläheisempi kuin paperin otsikko antaa ymmärtää. Hakumenetelmä ei ratkaise yksin. Sen päälle rakennettu koneisto, eli järjestelmäkehote, työkalukuvaukset ja tapa jolla osumat näytetään mallille, voi muuttaa tarkkuuden kymmenillä prosenttiyksiköillä.
“Vektorit ovat yhä paikallaan suurissa korpuksissa ja sumeassa käsitehaussa, mutta tämä paperi heikentää laiskaa oletusta, että jokainen vakava agenttipino alkaa upotuksilla.”
Sanasto
Vektorihaku ja upotukset (embeddings)
Hakumenetelmä, jossa teksti muutetaan numerolistoiksi eli upotuksiksi. Samankaltaiset asiat saavat samankaltaiset luvut, joten haku löytää myös merkityksen perusteella, ei vain täsmäsanoilla.
Grep
Unix-aikakaudelta peräisin oleva yksinkertainen tekstihakutyökalu, joka etsii tiedostoista täsmälleen kirjoitetun sanan tai merkkijonon. Sama logiikka kuin selaimen Ctrl+F.
RAG (Retrieval-Augmented Generation)
Hakutäydenteinen generointi – tekniikka jossa tekoäly hakee ensin tietoa ulkoisesta lähteestä (esimerkiksi yrityksen omista dokumenteista) ja käyttää sitä vastauksen pohjana.
Vektoritietokantamarkkina sai tönäisyn
Vektoritietokantamarkkinan arvioidaan olevan kokoluokassa seitsemän miljardia dollaria. Pinecone keräsi vuonna 2024 sadan miljoonan dollarin B-kierroksen, ja Weaviate ja Qdrant ovat kasvattaneet asiakaskuntaansa kertaluokissa. Markkinointiväite on koko ajan ollut sama: ilman vektoritietokantaa ei voi rakentaa kunnollista retrieval augmented generation -järjestelmää.
PwC:n paperi ei murskaa toimialaa, mutta se haastaa myyntipuheen perustan ainakin koodausagenttien osalta. Jos Claude Code tai Codex pärjää grepillä yhtä hyvin tai paremmin kuin upotuksilla, kallis vektori-infrastruktuuri on vaikea oikeuttaa pienissä tai keskisuurissa repositorioissa. Sumea käsitehaku ja kymmenien miljoonien dokumenttien korpus säilyy yhä vektoreiden vahvuusalueena, mutta yhä useampi insinööri kysynee jatkossa, kannattaako infra ottaa käyttöön ennen ensimmäistä todellista pullonkaulaa.
Suomalainen kulma
Suomesta löytyy melko vähän puhtaita vektoritietokantapohjaisia kasvuyrityksiä. Useimmat kotimaiset tekoälysovellusten rakentajat, mukaan lukien Silo AI:n perilliset AMD:n kaupan jäljiltä ja Aalto-yliopiston spinoffit, käyttävät vektorihakua osana laajempaa pinoa, eivät ydinliiketoiminnan kivijalkana. Suora vaikutus suomalaisiin tuotantokoodikantoihin on siis rajallinen.
Välillinen vaikutus on isompi. Suomalaisten tekoälykonsulttitoimistojen ja sisäisten alustatiimien on syytä punnita uudelleen oletusarkkitehtuuriaan. Pankit, vakuutusyhtiöt ja teollisuusyritykset, jotka miettivät omaa RAG-toteutustaan, säästävät tuhansia euroja kuukaudessa, jos koodisto- tai dokumenttihaku hoituu PostgreSQL:n täystekstihaulla tai pelkällä grepillä Hetznerin VPS:ssä. Pinecone-laskut katoavat samalla.
Lukijalle, joka käyttää tekoälyavustajaa työssään, kannattaa kysyä omalta IT-osastolta, mikä yrityksen sisäinen tekoälyavustaja oikeasti hakee taustalla. Vastaus saattaa olla kallis ja tarpeeton kerros, jonka voisi vaihtaa yksinkertaisempaan ratkaisuun ilman että käyttäjä huomaa eroa.
Mitä tästä jää käteen?
PwC:n työn arvo ei ole yksittäisessä tarkkuusluvussa. Se on muistutuksessa, että koneoppimisalalla rakennetaan harvoin perusasioista käsin. Kun klassinen tietojenkäsittelytiede ja tekoälyn uudet menetelmät asetetaan vierekkäin samaan testiin, vanhat työkalut voittavat yllättävän usein. Paperin oikea otsikko voisi olla 'Älä rakenna ennen kuin mittaat'. Suomalaiselle insinöörikulttuurille viesti ei pitäisi olla uusi, mutta hypelukioiden keskellä se on hyvä toistaa.
Viikoittainen uutiskirje
Tule firmasi fiksuimmaksi AI-osaajaksi
Yksi uutiskirje kerrallaan. Kokoamme viikon tärkeimmät tekoälyuutiset suomeksi ja kerromme, mitä ne tarkoittavat sinun työsi kannalta. Luet sen kahvitauolla.
