Direktør for teknologiprogramstyring siger, at AI uden tilstrækkelig kontekst kan føre til farlige beslutninger
Læs, hvordan en leder inden for teknologiprogrammer bruger AI til at reducere rapporteringsarbejdet, identificere leverancerisici og hjælpe teams med at fokusere på beslutninger frem for administration.
Anika Banakh
Direktør for teknologiprogramstyring hos ACV Auctions
Menneskecentreret ledelse: Anika understreger, at effektiv implementering af AI begynder med at styrke teams – ikke kun med teknologi.
Effektiviseringsgevinster: AI-værktøjer har strømlinet gentagne opgaver og forbedret rapporteringseffektiviteten samt synligheden i leverancer på tværs af teams.
Forebyg overafhængighed: Menneskelig indgriben er afgørende for at fortolke AI-output korrekt og sikre, at forretningskonteksten bevares.
Forenkl arbejdsgange: Overengineering kan hæmme klarheden; fokus på beslutninger med høj værdi fremmer hurtigere implementering af AI-værktøjer.
Ejerskab er vigtigt: Et tydeligt beslutningsejerskab styrker integrationen af AI og hjælper organisationer med at undgå forvirring og forbedre resultaterne.
Anika Banakh er direktør for teknologiprogramstyring hos ACV Auctions. Hun har stået i spidsen for flere globalt distribuerede, tværfunktionelle leveringsteams. Og nu fokuserer hun på at gøre implementering af AI ikke-intrusiv, samtidig med at leveringen bliver mere effektiv.
Vi talte med Anika for at finde ud af, hvordan hun implementerer AI i sine leveringsarbejdsgange. Her er, hvad hun sagde.
Menneskecentreret AI-ledelse
Jeg er canadier med ukrainsk baggrund, og jeg får tingene gjort. De fleste antager, at min vej ind i AI-drevet transformation begyndte med teknologi, men den begyndte med mennesker — at rekruttere talenter, opbygge tillid på tværs af globale teams og lære, hvordan organisationer reagerer under pres.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Jeg har nu stået i spidsen for flere globalt distribuerede, tværfunktionelle leveringsteams, der understøtter digitale markedspladser i virksomhedsskala og initiativer inden for operationel transformation. Teamstørrelserne varierede fra seks personer til nogle få tusinde. De fleste af disse organisationer bevægede sig hurtigt — med agil levering på tværs af produkt, udvikling, drift og forretningsinteressenter, samtidig med at de håndterede komplekse integrationer, hurtig skalering og datadrevet platformarbejde for kunder inden for bilforhandlere, banker, detailhandel, nonprofitorganisationer og globale virksomheder.
At lede leverancer i forskellige organisationer lærte mig, at den største barriere for innovation sjældent er selve teknologien; det afgørende er, om folk føler sig bemyndiget nok til at ændre den måde, de arbejder på. Derfor er mit perspektiv på AI-ledelse utraditionelt: Fremtidens leverancer vil ikke tilhøre de ledere, der automatiserer mest, men dem, der kan få AI til at føles dybt menneskelig, samarbejdsorienteret og kreativt energigivende for de teams, der bruger den hver dag.
Sådan øger AI-værktøjer effektiviteten på arbejdspladsen
Det seneste år har jeg erstattet de mest repetitive og forudsigelige opgaver i leveringsprocessen, hvilket har frigivet tid til det egentlige arbejde — primært ved at integrere AI-drevet opsummering og prioritering i processerne for statusrapportering, afhængighedssporing og kommunikation med interessenter.
Som følge af AI har jeg set forbedret rapporteringseffektivitet, større synlighed i leverancerne og bedre identifikation af risici på tværs af distribuerede teams, samtidig med at den manuelle koordineringsindsats er reduceret, og forudsigeligheden i eksekveringen er forbedret.
Som følge af AI har jeg set forbedret rapporteringseffektivitet, større synlighed i leverancerne og bedre identifikation af risici på tværs af distribuerede teams.
Men selvom jeg kan stole på AI til at fremskynde datatunge leveringsaktiviteter såsom prioriteringsindsigter, statusopsummering, identifikation af risikomønstre, afhængighedssporing og operationel rapportering, kan jeg ikke stole på den til alt.
Beslutninger, der involverer afstemning med interessenter, teamdynamik, organisatoriske forandringer, konfliktløsning og strategiske afvejninger, ledes fortsat bevidst af mennesker. For en vellykket levering afhænger stadig af tillid, kontekst, empati og dømmekraft, som AI ikke fuldt ud kan efterligne.
Hvorfor resultater fra AI kræver menneskelig indgriben
Faktisk har min største udfordring været at forhindre teams i at stole for meget på automatiserede resultater uden at anvende forretningskontekst. For at forhindre teams i at gøre dette udfordrede jeg deres resultater og understregede vigtigheden af praktisk erfaring med produkt- og forretningskontekst. Det er forskellen på godt og fremragende.
Menneskelig indgriben er afgørende ved formulering af forespørgsler og fortolkning. Du har brug for en solid, struktureret anmodning med den korrekte kontekst for sammenhæng og årsagssammenhæng samt en dyb forståelse af processer og drivkræfter for at kunne fortolke resultaterne.
Et værktøj kan for eksempel fortælle dig, at leverancen er i fare, men årsagen kan være, at ingeniøren har et sygt barn, så du er nødt til at gå i dybden for at forstå rationalet bag dataene og mennesket bag opgaven.
Min største udfordring har været at forhindre teams i at blive for afhængige af automatiserede resultater uden at anvende forretningskontekst. Menneskelig indgriben er afgørende i forbindelse med formulering af prompter og fortolkning.
Hvordan overkonstruering skader arbejdsgange
Hvad angår værktøjer, bruger vi i øjeblikket Omni til dashboardoversigter, Rovo på Jira til teknisk ledelse samt intern AI-chat til teamopdateringer og opsummering.
Vi kunne tidligt have undgået at overkonstruere arbejdsgangen med for mange signaler og dashboardoversigter. Det skabte mere fortolkningsarbejde end klarhed. En enklere og stramt afgrænset anvendelse — med fokus på én eller to beslutninger med høj værdi — ville have ført til hurtigere udbredelse og mindre skepsis blandt teams.
Hvorfor AI ikke forbedrer beslutningshastigheden
AI leverede ikke den forventede effekt i form af bedre koordinering på tværs af teams og hurtigere beslutninger blot ved at tilføje flere automatiserede indsigter og dashboardoversigter.
Ja, AI forbedrede synligheden, men det reducerede ikke tvetydigheden eller løste modstridende prioriteter — i nogle tilfælde forstærkede det støjen, fordi forskellige teams fortolkede de samme resultater forskelligt.
AI forbedrede synligheden, men det reducerede ikke tvetydigheden eller løste modstridende prioriteter — i nogle tilfælde forstærkede det støjen.
Tag en dashboardoversigt som eksempel. Hvert team fokuserer på sine egne KPI'er og forretningsbehov, så de kan formulere prompter til værktøjerne for at generere resultater, der understøtter deres egne vigtigste målsætninger. Det er afgørende at skabe sammenhæng i dette kaos, når man tager konsekvenserne for alle teams i betragtning.
Hvorfor bedre planlægning ikke nødvendigvis fører til bedre resultater
AI fik mig til at give slip på antagelsen om, at bedre planlægning automatisk fører til bedre leveranceresultater. Selv meget detaljerede planer bliver mindre forudsigende, når AI synliggør det reelle forandringstempo og ændringer i prioriteter samt ustabilitet i afhængigheder i realtid.
Kontinuerlig genplanlægning baseret på aktuelle signaler i stedet for større sikkerhed på forhånd forbedrede resultaterne. Levering handlede ikke længere om at få planen rigtigt, men om at justere den hurtigt.
Vores AI-drevne leveringsarbejdsgang indlæser arbejdselementer og teamopdateringer, hvorefter AI samler temaer, markerer risici og opsummerer fremdriften automatisk på tværs af teams. Disse indsigter indgår i en menneskestyret prioriteringssession, hvor beslutninger bliver til sprintplaner. Under udførelsen fremhæver AI løbende afvigelser og nye problemer.
Den samlede effekt var mindre tid på rapportering og mere tid på at løse leveringsproblemer.
Hvorfor statusrapportering skal redesignes med AI
Et område, som flere leveranceledere aktivt bør redesigne, er statusrapportering og leverancestyring — det er stadig en af de mest manuelle, mindst værdiskabende og mest forvrængningsudsatte dele af de fleste organisationer.
Jeg arbejder på at erstatte traditionelle statuspræsentationer og manuelle samlerapporter med en AI-understøttet arbejdsgang, der løbende sammenfatter opdateringer fra leveranceværktøjer, markerer risici og genererer kortfattede opsummeringer, der er “klar til beslutning”, til ledelsen. Ændringen handlede ikke kun om effektivitet — den ændrede karakteren af samtalerne om styring fra “hvad er status?” til “hvilke beslutninger skal vi træffe nu?”
Resultatet var mindre tid brugt på at samle opdateringer og mere tid på at løse faktiske leverancebegrænsninger, med hurtigere eskalering af reelle risici — men først efter at vi havde tydeliggjort beslutningsejerskabet, så AI-resultater ikke blev endnu et fortolkningslag.
Hvorfor et tydeligt ejerskab er den egentlige nøgle til at få AI til at fungere
Mit råd er:
Forveksl ikke større AI-output med bedre beslutninger; det giver bare folk flere ting at være uenige om. Den egentlige nøgle er et tydeligt ejerskab. AI foreslår, mennesker beslutter, intet udvalgspostyr.
Husk også dette. Hvis implementeringen føles langsom, er det som regel ikke modellen – det er menneskene, der høfligt ignorerer den.
Følg med
Du kan følge Anika Banakhs arbejde på LinkedIn.
Flere ekspertinterviews kommer på Den Digitale Projektleder.
