Kirjoittanut väitöskirjatutkija, käräjänotaari Emma Långström.
Krjoitus perustuu Prosessioikeusyhdistyksen palkitsemaan maisteritutkielmaan.
Ks. myös kirjoittajan 27.10.2026 pitämän webinaarin esitysdiat.
Kuvitellaan rikosasia, jossa keskeisenä todisteena esitetään videotallenne. Vastaaja on tallenteelta selvästi tunnistettavissa kasvojensa ja äänensä perusteella, ja hänen nähdään tekevän juuri syytteessä kuvattu teko. Puolustus kuitenkin väittää videota tekoälyllä luoduksi syväväärennökseksi. Tekninen tutkimus ei ratkaise varmasti, onko tallenne aito vai manipuloitu. Mikä tallenteen näyttöarvo on? Kuinka pitkälle tuomioistuimen on mentävä sen aitouden selvittämisessä? Entä jos tallenne onkin täysin aito? Voiko syväväärennösten olemassaolo tehdä aidon todistusaineiston kiistämisestä aikaisempaa uskottavampaa?
Syväväärennöksellä (engl. deepfake) tarkoitetaan tekoälyn avulla tuotettua tai käsiteltyä kuva-, ääni- tai videosisältöä, joka muistuttaa olemassa olevia henkilöitä, esineitä, paikkoja, toimijoita tai tapahtumia ja joka antaa henkilölle valheellisen vaikutelman siitä, että se on aito tai totuudenmukainen.[1] Syväväärennösteknologiaa voidaan rikosprosessissa käyttää paitsi rikoksen tekovälineenä myös todistusaineiston väärentämiseen.[2]
Pro gradu -tutkielmassani tarkastelin, miten suomalainen rikosprosessi pystyy vastaamaan syväväärennettyyn todistusaineistoon. Keskeiseksi nousi kysymys siitä, miten todistetta tulisi arvioida, jos sen aitoudesta ei voida enää tehdä luotettavia päätelmiä vain sen perusteella, miltä se näyttää tai kuulostaa.
Vapaa todistusharkinta ei ratkaise autenttisuusongelmaa
Vapaan todistelun ja todistusharkinnan järjestelmä tarjoaa lähtökohtaisesti joustavat puitteet myös syväväärennösten käsittelyyn. Oikeudenkäymiskaaren 17 luvun 1 §:n mukaan asianosainen saa esittää haluamansa näytön, ja tuomioistuin arvioi sen näyttöarvon vapaalla todistusharkinnalla. Vapaus ei kuitenkaan tarkoita intuitiivista harkintaa, vaan näytön arvioinnin on oltava perusteellista, tasapuolista ja objektiivisesti perusteltavissa sekä kestettävä kriittinen tarkastelu.[3]
Syväväärennösten kohdalla huomio kohdistuu erityisesti sähköisen aineiston autenttisuuteen, eheyteen ja luotettavuuteen. Autenttisuus koskee aineiston alkuperää, eheys sitä, onko aineistoa muutettu, ja luotettavuus sitä, voidaanko sen sisältämään tietoon perustaa oikeudellisia päätelmiä.[4] Syväväärennökset haastavat juuri näiden ominaisuuksien arvioinnin. Digitaalinen tallenne voi näyttää täysin aidolta, vaikka se antaisi tapahtumista olennaisesti väärän kuvan. Ongelmaa korostaa se, ettei rikosprosessissa käytettävän sähköisen aineiston alkuperää ja eheyttä useinkaan ole teknisesti varmennettu.[5] Kyse ei ole vain teknisestä ongelmasta vaan myös oikeudenmukaisesta oikeudenkäynnistä. Euroopan ihmisoikeustuomioistuin korosti ratkaisussa Yüksel Yalçınkaya v. Turkki (26.9.2023), että sähköisen aineiston erityispiirteet voivat vaikeuttaa sen autenttisuuden, eheyden ja luotettavuuden arviointia.[6]
Todistusharkintaan syntyy toinen taso
Syväväärennösten myötä arviointi ei välttämättä kohdistu enää yksinomaan tallenteeseen, vaan myös sen aitouden selvittämisessä käytettyjen menetelmien luotettavuuteen. Kun sähköisellä aineistolla on asiassa keskeinen merkitys, sen aitouden selvittäminen voi edellyttää tietoteknistä erityisosaamista esimerkiksi metadatan tai muiden manipulaatioon viittaavien teknisten jälkien tutkimiseksi.[7] Tällöin asiantuntijatodistelun merkitys korostuu. Asiantuntijalausunto ei kuitenkaan ratkaise autenttisuuskysymystä tuomioistuimen puolesta, vaan myös lausunnon näyttöarvo kuuluu vapaan todistusharkinnan piiriin.[8]
Haaste korostuisi entisestään, mikäli asiantuntijat päätyisivät saman tallenteen aitoudesta keskenään ristiriitaisiin johtopäätöksiin. Tuomioistuimen olisi silloin kyettävä arvioimaan, mihin johtopäätökset perustuvat, kuinka luotettava käytetty menetelmä on ja mitä sen perusteella voidaan ylipäätään päätellä. Asiantuntijatodistelu ei siis poista tuomioistuimen oman teknisen ymmärryksen tarvetta. Tuomarin ei tarvitse osata tehdä teknistä analyysiä, mutta hänen on ymmärrettävä sen edellytyksiä ja rajoituksia riittävästi voidakseen arvioida tuloksen näyttöarvoa.
Voiko tekoäly ratkaista tekoälyn aiheuttaman ongelman?
Syväväärennösten tunnistamiseen voidaan myös käyttää tekoälypohjaisia tunnistustyökaluja (engl. deepfake detection), jotka analysoivat esimerkiksi kasvojen liikkeitä, äänen ominaisuuksia ja digitaaliseen aineistoon jääviä artefakteja. Tunnistimen antama tulos ei kuitenkaan sellaisenaan osoita tallenteen aitoutta tai epäaitoutta. Menetelmät tunnistavat yleensä parhaiten sellaisia manipulaatiotapoja, joita niiden koulutus- tai validointiaineistoissa jo esiintyy. Luotettavuuteen vaikuttavat lisäksi koulutusdatan edustavuus, virhemarginaalit ja algoritmin läpinäkyvyys.[9]
Todistusoikeudellisesti syväväärennöstunnistimen tulosta voidaan tarkastella asiantuntijatodisteluun rinnastuvana tietona.[10] Jos järjestelmä esimerkiksi ilmoittaa videon olevan 94 prosentin todennäköisyydellä manipuloitu, prosenttiluku ei vielä kerro, millainen näyttöarvo tulokselle tulisi antaa. Tuomioistuimen pitäisi tietää, mitä luku tarkoittaa, miten se on muodostettu, millainen menetelmän virheriski on ja kykeneekö järjestelmä tunnistamaan juuri kyseisenlaisen manipulaation.
Erityisen ongelmallisia ovat niin sanotut mustan laatikon mallit, joiden johtopäätösten perusteita ei pystytä riittävästi selittämään. Jos tuloksen syntytapaa ei voida avata, vaikeutuvat samalla sekä sen tehokas riitauttaminen että tuomioistuimen mahdollisuus arvioida tuloksen näyttöarvoa. Ongelma korostuu, jos lähdekoodi tai koulutusdata jäävät liikesalaisuuksiin vedoten osapuolten ulottumattomiin.[11] Syväväärennöstunnistin ei siis ratkaise autenttisuuskysymystä, vaan tuottaa uuden arvioitavan tiedonlähteen, jonka oma luotettavuus on ensin pystyttävä perustelemaan.
Entä jos väite syväväärennöksestä onkin väärä?
Syväväärennösten merkittävin todistusoikeudellinen vaikutus ei välttämättä ole väärennettyjen todisteiden lisääntyminen, vaan se, että teknologia tarjoaa samalla uskottavan keinon kyseenalaistaa myös aito todistusaineisto. Tätä syväväärennösten olemassaolosta saatavaa kiistämisetua on kuvattu englanninkielisellä käsitteellä liar’s dividend (vapaasti suomennettuna ’valehtelijan osinko’). Kun vakuuttavien väärennösten tekeminen on yleisesti mahdollista, aidon kuvan, videon tai äänitallenteen kohteena oleva henkilö voi väittää aineistoa tekoälyllä tuotetuksi.[12] Tällaisia väitteitä on jo esitetty oikeudenkäynneissä. Esimerkiksi Elon Musk vetosi Teslaa koskeneessa yhdysvaltalaisessa asiassa siihen, että hänen aikaisempia lausuntojaan sisältävä video saattoi olla syväväärennös.[13]
Syväväärennökset eivät muuta rikosprosessin näyttökynnystä, mutta ne voivat muuttaa sitä, millaista selvitystä yksittäisen todisteen näyttöarvon perusteleminen edellyttää. Pelkkä tekninen mahdollisuus manipulaatioon ei voi tehdä jokaisesta tallenteesta lähtökohtaisesti epäluotettavaa. Varsinainen rajakysymys on, milloin väite manipuloinnista on niin konkreettinen, että tallenteen autenttisuudesta on hankittava lisäselvitystä. Jos jo perusteeton väite syväväärennöksestä johtaa laajaan asiantuntijaselvitykseen, siitä voi muodostua keino pitkittää oikeudenkäyntiä. Jos selvittämisen kynnys taas asetetaan liian korkealle, vaarana on manipuloidun aineiston pitäminen aitona. Juuri tässä valehtelijan osinko muuttuu abstraktista ilmiöstä käytännön prosessikysymykseksi.
Kaikkea sähköistä aineistoa ei voida autentikoida
Parhaimmillaan manipuloitu aineisto tunnistetaan jo esitutkinnassa, mutta kaiken sähköisen todistusaineiston perusteellinen tekninen varmentaminen ei ole realistista. Autenttisuuden selvittämisen vaatimustason kasvaessa kasvavat samalla siihen käytettävä aika, asiantuntijatarve ja kustannukset. Syväväärennökset tuovat näin näkyviin rikosprosessin varmuuden ja joutuisuuden välisen jännitteen.
Tähän kytkeytyy myös rikosprosessin todisteprekluusiota koskeva keskustelu. Tutkielmani valmistuessa oikeusministeriön työryhmä oli ehdottanut asianosaisten velvollisuuksien vahvistamista näytön esittämiseksi riittävän varhaisessa vaiheessa.[14] Valmistelu on sittemmin edennyt hallituksen esitykseksi HE 138/2026 vp, jossa ehdotetaan tuomioistuimelle mahdollisuutta asettaa asianosaiselle määräaika todistelun ilmoittamiselle. Määräajan jälkeen uutta todistetta ei lähtökohtaisesti saisi ilmoittaa ilman pätevää syytä.[15] Esitys annettiin eduskunnalle 27.8.2026, ja se on parhaillaan eduskunnan käsiteltävänä.
Syväväärennetyt todisteet tuovat prekluusiokeskusteluun oman erityiskysymyksensä. Mitä myöhemmin teknisesti vaativa todiste esitetään, sitä vaikeampaa sen autenttisuutta on selvittää ilman pääkäsittelyn lykkäämistä tai muuta viivettä. Toisaalta perusteltu epäily manipuloinnista voi syntyä vasta myöhemmin esimerkiksi uuden teknisen tiedon tai asiantuntija-analyysin perusteella. Tämän vuoksi liian ehdoton prekluusio voisi syväväärennösten kohdalla lisätä virheellisen ratkaisun riskiä.
Mitä tämä merkitsee tuomioistuimelle?
Syväväärennettyjen todisteiden ongelma ei lopulta ole vain tekninen kysymys siitä, pystymmekö tunnistamaan väärennöksen. Olennaisempi prosessioikeudellinen kysymys on, millä perusteilla tuomioistuin voi katsoa sähköisen todistusaineiston riittävän luotettavaksi ja miten luotettavuusarvioinnin perusteet voidaan saattaa myös asianosaisten arvioitaviksi.
Täysin uudenlaista todistusoikeutta syväväärennökset eivät välttämättä edellytä. Vapaa todistusharkinta, kontradiktorisuus, asiantuntijatodistelu ja näyttökynnystä koskevat periaatteet ja säännökset tarjoavat jo nykyisellään välineitä niiden aiheuttamien haasteiden käsittelemiseen. Syväväärennökset kuitenkin asettavat näiden periaatteiden ja säännösten soveltamiselle uusia vaatimuksia: todistusaineiston sisällön lisäksi yhä useammin on arvioitava myös sen alkuperää ja eheyttä sekä niiden selvittämisessä käytettyjen menetelmien luotettavuutta.
Yksi keino tukea sähköisen todistusaineiston arviointia olisi laatia myös Suomessa tuomioistuimille suunnattu tarkistuslista. Vastaavanlaisia apuvälineitä on jo kehitetty muissa valtioissa. Esimerkiksi Yhdysvalloissa National Center for State Courts on julkaissut tuomareille suunnattuja tarkistuslistoja, joiden tarkoituksena on tukea tekoälyllä tuotetun tai manipuloiduksi epäillyn todistusaineiston arviointia.[16] Suomessa tarkistuslista voisi auttaa tunnistamaan sähköisen aineiston autenttisuuteen, eheyteen ja luotettavuuteen liittyviä kysymyksiä sekä ohjata kiinnittämään huomiota esimerkiksi aineiston alkuperään, mahdollisiin muutoksiin, käytettyihin teknisiin tutkimusmenetelmiin ja niiden rajoituksiin sekä asiantuntijaselvityksen tarpeeseen. Tarkoituksena ei olisi rajoittaa vapaata todistusharkintaa, vaan tukea sen systemaattista ja läpinäkyvää toteuttamista.
Vaikka tutkielmani tarkasteli syväväärennöksiä rikosprosessissa, ilmiö ei luonnollisesti rajoitu pelkästään rikosasioihin. Manipuloitua kuva-, ääni- ja videoaineistoa voidaan esittää todisteena myös riita- ja hakemusasioissa, esimerkiksi huoltoriidoissa. Yhdistyneessä kuningaskunnassa huoltoriidassa on jo esitetty manipuloitu äänitallenne, jolla isä pyrittiin saamaan näyttämään väkivaltaiselta. Kyse oli cheap fakesta, ei varsinaisesta syväväärennöksestä, mutta tapaus osoittaa, kuinka uskottavaa manipuloitu aineisto voi olla.[17] Generatiivisen tekoälyn viimeaikainen nopea kehitys ja sen mahdollistamien väärennösten yhä kasvava uskottavuus antavat aihetta olettaa, että todistusaineiston aitouteen liittyvät kysymykset tulevat korostumaan entisestään myös tuomioistuimissa.
”Uskon vasta kun näen omin silmin” on vanha sanonta, joka kiteyttää hyvin perinteisen ajatuksen näköhavainnon erityisestä luotettavuudesta. Syväväärennösten aikakaudella tämä lähtökohta kuitenkin horjuu. Tulevaisuuden tuomioistuimessa ei ehkä enää riitä kysymys siitä, mitä tallenne näyttää tapahtuneen. Yhä useammin on pystyttävä perustelemaan myös se, miksi juuri tähän tallenteeseen on syytä luottaa kuvauksena siitä, mitä todella tapahtui.
[1] Euroopan parlamentin ja neuvoston asetus (EU) 2024/1689 (tekoälyasetus), 3 artiklan 60 kohta.
[2] Europol 2022 (European Union Agency for Law Enforcement Cooperation, Facing reality? Law enforcement and the challenge of deepfakes, an observatory report from the Europol Innovation Lab. Publications Office of the European Union 2022.), s. 10 ja Delfino 2023 (Delfino, Rebecca, Deepfakes on Trial, A Call To Expand the Trial Judge´s Gatekeeping Role To Protect Legal Proceedings from Technological Fakery. Hastings Law Journal 2–2023, p. 293–348.), s. 308.
[3] Ks. Jokela 2015 (Jokela, Antti, Pääkäsittely, todistelu ja tuomio. Oikeudenkäynti III. 2. uud. painos. Talentum 2015.), s. 191–192, HE 46/2014 vp (Hallituksen esitys 46/2014 eduskunnalle oikeudenkäymiskaaren 17 luvun ja siihen liittyvän todistelua yleisissä tuomioistuimissa koskevan lainsäädännön uudistamiseksi), s. 45–46 ja OM 69/2012 (Oikeusministeriön mietintö ja lausunto 69/2012 todistelusta yleisissä tuomioistuimissa), s. 70.
[4] Riekkinen 2019 (Riekkinen, Juhana, Sähköiset todisteet rikosprosessissa. Alma Talent 2019.), s. 96–99.
[5] Riekkinen 2019 (Riekkinen, Juhana, Sähköiset todisteet rikosprosessissa. Alma Talent 2019.), s. 96–97.
[6] Yüksel Yalçınkaya v. Turkki (26.9.2023), erityisesti kohta 312.
[7] Riekkinen 2019 (Riekkinen, Juhana, Sähköiset todisteet rikosprosessissa. Alma Talent 2019.), s. 424.
[8] Ks. esim. Jonkka 1993 (Jonkka, Jaakko, Todistusharkinnasta. Lakimiesliiton kustannus 1993.), s. 50–55.
[9] Ks. esim. EDPS 2024 (European Data Protection Supervisor, TechSonar 2023–2024 Report. European Union 2024.), s. 22–23 ja Grimm et al. 2021 (Grimm, Paul W. – Grossman, Maura R. – Cormack Gordon V., Artificial Intelligence as Evidence. Northwestern Journal of Technology and Intellectual Property 19(1) 2021, p. 9–106.).
[10] Palmiotto 2023 (Palmiotto, Francesca, Detecting Deep Fake Evidence with Artificial Intelligence: A Critical Look from a Criminal Law Perspective. Hertie School 2023.), s. 8 ja Ward 2020 (Ward, T., Explaining and trusting expert evidence. What is a ‘sufficiently reliable scientific basis’? Published in The International Journal of Evidence & Proof 24(3) 2020, p. 233-254.).
[11] Ks. esim. Rudin 2018 (Rudin, C., Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence 1(5) 2018, p. 206–215.) ja Palmiotto 2023 (Palmiotto, Francesca, Detecting Deep Fake Evidence with Artificial Intelligence: A Critical Look from a Criminal Law Perspective. Hertie School 2023.).
[12] Ks. esim. Schiff et al. 2024 (Schiff, Kaylyn Jackson – Schiff, Daniel S. – Bueno, Natalia S., The Liar’s Dividend. Can Politicians Claim Misinformation to Evade Accountability? American Political Science Review 2024, p. 1–20.) ja Goldstein – Lohn 23.1.2024 (Goldstein, Josh A. – Lohn, Andrew, Deepfakes, Elections, and Shrinking the Liar’s Dividend. Center Security and Emerging Technology 23.1.2024.).
[13] Ks. esim. Jin – Levine 27.4.2023 (Jin, Hyunjoo – Levine, Dan, Elon, or deepfake? Musk must face questions on Autopilot statements. Reuters 27.4.2023.).
[14] Ks. Oikeusministeriön työryhmän muistio rikosprosessin sujuvoittamisesta 2023:16 sekä sekä Tolvasen selvityshenkilöraportti Rikosketjun LEAN-hanke 2020:6.
[15] Ks. HE 138/2026 vp (Hallituksen esitys 138/2026 eduskunnalle laeiksi esitutkintalain, oikeudenkäynnistä rikosasioissa annetun lain ja eräiden muiden lakien muuttamisesta), etenkin s. 20–29 todisteprekluusiosta ja s. 98 oikeudenkäynnistä rikosasioissa annetun lain 5 luvun 10 a § muuttamisesta.
[16] Ks. National Center for State Courts: AI-generated evidence: A guide for judges by TRI/NCSC AI Policy Consortium for Law & Courts.