Mikä on tietostratigrafia ja QISM-malli?

AI Visibility -tutkimus tarkastelee useimmiten lopputulosta: kuinka usein yritys mainitaan, miten lähteitä siteerataan ja miten eri mallien vastaukset eroavat. Artikkelin kirjoittajat esittävät toisen kysymyksen: millainen on se julkinen tieto, josta tekoäly voi koota vastauksensa. Alla kerrotaan, mitä malli ehdottaa, mistä se koostuu ja mitä se ei vielä todista.

Mitä tietostratigrafia tarkoittaa?

Tietostratigrafia on tapa kuvata yritystä, organisaatiota tai ihmistä koskeva julkinen tieto erillisten institutionaalisten tasojen järjestelmänä. Nimi tulee geologiasta: stratigrafia kuvaa kivikerrosten järjestystä. Kirjoittajat korostavat, ettei vertaus tarkoita geologian lainalaisuuksien pätevän tietoon; sen tehtävä on antaa tutkijalle kehys monimutkaisen kohteen järjestelmälliseen kuvaamiseen.

Kirjoittajat perustelevat kehyksen tarvetta esimerkeillä. Yksi organisaatio on kuvattu tarkasti omissa materiaaleissaan, mutta se puuttuu lähes kokonaan riippumattomista julkaisuista. Toisella on paljon mainintoja lehdistössä, mutta kaikki palautuvat yhteen tiedotteeseen. Kolmannen tiedot virallisissa rekistereissä ja johdetuissa lähteissä ovat ristiriidassa. Kirjoittajien mukaan pelkkä asiakirjojen laskeminen kertoo tällaisen ympäristön rakenteesta hyvin vähän.

Missä artikkeli QISM:stä on julkaistu?

Artikkeli ”Information Stratigraphy: A Five-Level Model of Sources Behind AI Visibility” julkaistiin 20. lokakuuta 2026 lehdessä Newsletter on the Results of Scholarly Work in Sociology, Criminology, Philosophy and Political Science, vuosikerta 7, numero 2. Kirjoittajat ovat Serhii Pontus ja Leonid Kachuliak; molempien organisaatioksi artikkelissa on merkitty QuorumLab, Finland. Artikkeli on englanninkielinen ja vapaasti saatavilla CC BY 4.0 -lisenssillä.

Mistä viidestä tasosta QISM-malli koostuu?

QISM-malli jakaa yritystä koskevan julkisen tiedon viiteen tasoon sen mukaan, minkä menettelyn läpi asiakirja on kulkenut. Jokaisella tasolla on alatasoja; taulukossa on julkaisun esimerkkejä.

Taulukosta näkyy, ettei taso ole luotettavuusarvio. Kirjoittajat toteavat suoraan, että yrityksen sivusto kuuluu avoimeen verkkoon mutta voi olla ensisijainen lähde sen yhteystiedoille ja tuotetiedoille. Taso kertoo asiakirjan alkuperästä, ei siitä, onko se totta.

Millä säännöllä asiakirja sijoitetaan tasolle?

QISM:n pääsääntö on institutionaalisen suodattimen periaate: asiakirja sijoitetaan sille tasolle, jonka valinta-, rekisteröinti-, arviointi- tai toimitusmenettelyä se noudattaa. Ratkaisevaa ei ole kirjoittajan asema eikä alustan maine vaan se, minkä tarkistuksen juuri tämä asiakirja on läpäissyt. Esimerkiksi riippumattoman toimittajan juttu, joka on käynyt läpi toimituksen, kuuluu mediatasolle, mutta samalla sivustolla julkaistu maksettu tiedote ilman riippumatonta valintaa on edelleen sidonnaista aineistoa.

Mallin toinen tärkeä ajatus on kolmen kohteen erottaminen: asiakirja, väite ja tiedon tuottaja. Väite on yksittäinen tieto yrityksestä, esimerkiksi perustamispäivä tai johtajan nimi. Yksi asiakirja voi sisältää monta väitettä, sama väite voi toistua monessa asiakirjassa, ja yksi kirjoittaja voi julkaista eri tasojen asiakirjoja. Tason lisäksi asiakirjalle merkitään lisäominaisuuksia: sidonnaisuus, alkuperä (alkuperäinen vai uudelleenkerrottu), ajantasaisuus ja tuotantotapa – ihmisen, tekoälyn vai molempien tekemä.

Mikä on AI Access Pathway?

AI Access Pathway on mallin erillinen ulottuvuus, joka kuvaa, millaisia teknisiä ja sopimuksellisia kanavia pitkin tekoälyn kehittäjä voi saada aineistoa alustalta. Kirjoittajat mainitsevat tällaisina kanavina tavallisen julkisen pääsyn, hakumekanismit, erityiset rajapinnat (API) ja datantoimitussopimukset. Se ei ole kuudes taso vaan lisäominaisuus: kaksi saman tason asiakirjaa voi olla tekoälyn saatavilla eri tavoin.

Kirjoittajat varoittavat sekoittamasta neljää asiaa: sopimuksen olemassaoloa, teknistä mahdollisuutta saada data, asiakirjan todellista käyttöä ja sen vaikutusta tekoälyn vastaukseen. Yksi niistä ei todista muita.

Miksi QISM on tarpeen AI Visibilityn kannalta?

QISM antaa tutkimukselle järjestyksen, jossa yrityksen julkinen tieto kuvataan ensin ja verrataan vasta sen jälkeen tekoälyn vastauksiin. Kirjoittajat ehdottavat kuuden vaiheen etenemistä:

1. kuvataan yrityksen tietoympäristö tasoittain;
2. mitataan AI Visibility – miten tietyt tekoälyjärjestelmät esittävät yrityksen;
3. verrataan ja etsitään yhtäläisyydet ja erot;
4. muotoillaan hypoteeseja tasojen, lähteiden ja pääsykanavien mahdollisesta roolista;
5. testataan mahdollisia syitä eri menetelmin;
6. toistetaan mittaus ja tarkennetaan mallia.

Tällainen järjestys auttaa erottamaan tosiasian riippumattoman vahvistuksen saman uutisen toistuvasta kopioinnista. Kirjoittajat korostavat erikseen: jos uusi julkaisu osuu ajallisesti yhteen tekoälyn vastauksen muutoksen kanssa, se ei riitä osoittamaan, että juuri julkaisu muutti vastauksen.

Mitä QISM-malli ei vielä todista?

Artikkeli QISM:stä on käsitteellinen ja menetelmällinen: siinä ei ole omaa empiiristä aineistoa, ja kirjoittajat nimeävät rajoitukset suoraan. Viisitasoista rakennetta ei ole vielä testattu toistettavuuden ja kattavuuden osalta. Malli rajautuu julkiseen tietoon eikä tutki suljettuja koulutusaineistoja, yksityistä dataa tai tekoälyjärjestelmien sisäisiä mekanismeja. Tieto sopimuksellisista pääsykanavista ei sellaisenaan osoita, että tiettyjä asiakirjoja olisi todella käytetty.

Eturistiriitoja koskevassa osiossa kirjoittajat kertovat, että QuorumLab tarjoaa kaupallisia palveluja AI Visibilityn alalla ja että QISM on kehitetty osana QuorumLabin tutkimustyötä. Artikkeli ei arvioi näiden palvelujen tehokkuutta. Työllä ei ollut ulkopuolista rahoitusta, ja tekoälytyökalujen käytöstä käsikirjoituksen valmistelussa kirjoittajat kertovat artikkelissa.

Mikä QISM siis on?

QISM on kehys, joka jakaa yritystä tai ihmistä koskevan julkisen tiedon viiteen tasoon sen mukaan, minkä tarkistuksen asiakirja on läpäissyt, ja ottaa erikseen huomioon, miten tekoäly voi päästä tietoon käsiksi. Sen esittivät QuorumLabin tutkijat Serhii Pontus ja Leonid Kachuliak lokakuussa 2026 jatkotutkimuksen pohjaksi. Julkaisun koko teksti on avoimesti saatavilla DOI-tunnisteella 10.61439/RSW39510. Siitä, mikä QuorumLab on ja miten Soft Dev Oy liittyy siihen, kerrotaan artikkelissa ”Mikä on QuorumLab ja miten Soft Dev Oy liittyy siihen?”.