PMO-leder drøfter, hvordan man forhindrer AI i at skabe hurtigere kaos i stedet for bedre eksekvering
Læs, hvordan AI forandrer projektleverancer ved at reducere manuelt arbejde, styrke PMO-styringen og hjælpe ledere med at træffe hurtigere og bedre informerede beslutninger.
Hussain Bandukwala
Grundlægger og administrerende direktør for Parwaaz Consulting
AI's indvirkning: AI flytter projektleverancer fra opgavekoordinering til roller med fokus på beslutningsstøtte og prioritering.
Praktisk AI: Når AI reducerer manuelt arbejde omkring projekter, bliver der mere plads til strategiske ledelsesaktiviteter.
AI-integration: Ved at indlejre AI i eksisterende arbejdsgange kan opgaver udføres hurtigere, hvilket øger effektiviteten i projektleverancer.
Menneskelige kompetencer: AI fremhæver betydningen af menneskelig dømmekraft, relationsledelse og lederskab i projekter.
Betydningen af styring: Fælles styring og beslutningsstrategier forebygger kaos, når AI integreres i projektledelse.
Hussain Bandukwala har mere end 20 års erfaring med projektledelse og har ledet iværksættervirksomheder som COO og CPO. Han har to gange været finalist til Global PMO-influencer og er underviser hos LinkedIn Learning.
I dag er Hussain grundlægger og CEO for Parwaaz Consulting, hvor han hjælper organisationer med at forbedre eksekveringen gennem stærkere PMO'er, porteføljestyring, leveranceledelse og operationel transformation.
Vi talte med ham om, hvordan AI omformer projektleverancer, hvorfor styring er vigtigere end nogensinde, og hvad PMO'er og ledere med ansvar for leverancer skal gøre for fortsat at være relevante. Her er, hvad han havde at sige.
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
At bygge bro mellem PMO-ledelse, fremragende leverancer og AI
Jeg er grundlægger og CEO for Parwaaz Consulting, et specialiseret rådgivningsfirma, der hjælper organisationer med at forbedre eksekveringen gennem stærkere PMO'er, porteføljestyring, leveranceledelse og AI-understøttelse. I over 20 år har jeg arbejdet med Fortune 500-virksomheder, virksomheder støttet af private equity, iværksættervirksomheder og voksende mellemstore organisationer på tværs af brancher, herunder sundhedssektoren, logistik, finansielle tjenester, detailhandel og teknologi.
I dag hjælper jeg ledere med at prioritere de rigtige initiativer, forbedre leveranceeksekveringen, styrke PMO-kompetencerne og skalere driften uden unødigt bureaukrati. Det spænder fra PMO-transformationer og porteføljeprioritering til AI-mulighedssprints, styring, værktøjsimplementering og kompetenceopbygning.
Før jeg lancerede Parwaaz Consulting, arbejdede jeg i roller inden for rådgivning og leveranceledelse hos virksomheder som BearingPoint og Diamond Management & Technology Consultants. Jeg har også været medstifter og COO i en iværksættervirksomhed, hvilket gav mig et praktisk perspektiv på eksekvering og vækst. Jeg er i øjeblikket underviser hos LinkedIn Learning med mere end 160.000 kursister globalt og har to gange været finalist til Global PMO-influencer. Gartner og Capterra har fremhævet mine perspektiver på PMO'er, leverancer og AI-understøttelse.
Hvordan AI omdefinerer projektleverancer
AI har ændret markant på både den måde, jeg selv arbejder på, og hvordan projektleverancer mere generelt udvikler sig. For nogle få år siden brugte de fleste teams stadig AI eksperimentelt. I dag ser jeg organisationer bevæge sig fra nysgerrighed til operationel implementering. Samtalen handler ikke længere kun om “Hvad er AI?” Den handler om “Hvor skaber AI målbar værdi, hvordan styrer vi det ansvarligt, og hvordan får vi det taget i brug?”
I min egen rolle bruger jeg langt mindre tid på administrativt arbejde og arbejde, der kræver omfattende syntese, end tidligere. Opgaver som dokumentation af første udkast, mødereferater, strukturer til brainstorming, udkast til kommunikation med interessenter, forberedelse af workshops, rapporteringstekster og accelerering af research er nu i høj grad AI-understøttede. Det har skabt betydelige effektivitetsgevinster, især inden for PMO-rådgivning, udvikling af undervisning og porteføljeanalyse.
Det, der nu får mere af min opmærksomhed, er de ledelsesmæssige og strategiske aktiviteter med højere værdi, som AI ikke selvstændigt kan varetage. For eksempel:
- At hjælpe ledere med at identificere, hvilke anvendelsesområder for AI det er værd at forfølge, frem for at jagte hype
- At designe styrings- og tilsynsmodeller, der muliggør hastighed uden at skabe bureaukrati
- At forbedre organisationens ibrugtagning og fremme adfærdsændringer omkring AI-understøttede arbejdsformer
- At omdanne PMO'er fra rapporteringsfunktioner til beslutningsstøtte- og prioriteringsmotorer
- At hjælpe teams med at styrke dømmekraft, kommunikation, prioritering og afstemning med interessenter i et AI-understøttet miljø
Generelt ændrer selve projektleverancen sig på flere væsentlige måder. For det første accelererer eksekveringscyklusserne, fordi teams kan producere resultater hurtigere. For det andet stiger antallet af initiativer, fordi AI sænker tærsklen for eksperimentering. For det tredje forventer ledere hurtigere beslutningstagning og tydeligere indsigt i investeringsafkastet fra leveranceteams. Derfor spiller PMO'er og ledere med ansvar for leverancer i stigende grad en mere strategisk rolle inden for prioritering, styring, ibrugtagning og realisering af forretningsværdi – ikke kun projektopfølgning.
AI tvinger også projektledere til at udvikle sig. Fremtidens bedste projektprofessionelle vil ikke blot være koordinatorer af opgaver. De skal blive dygtigere facilitatorer, forretningsorienterede tænkere, kommunikatører og forandringsledere, som ved, hvordan man kombinerer menneskelig dømmekraft med AI-understøttet eksekvering.
Hvorfor praktisk AI er bedre end fuld automatisering i leveringen
Fokus er i øjeblikket mere på praktisk anvendelse af AI og effektivisering af arbejdsgange end på autonom orkestrering. Når det er sagt, eksperimenterer jeg selektivt med områder som opsummering af møder, udtræk af handlinger, udarbejdelse af rapportudkast, automatisering af arbejdsgange og reduktion af koordinationsarbejdet mellem samarbejdsværktøjer og leveringssystemer. Værktøjer som Make.com og AI-aktiverede funktioner i moderne PPM-platforme gør noget af dette stadig mere tilgængeligt.
Jeg har erfaret, at den største værdi ikke nødvendigvis ligger i at erstatte aktiviteter inden for projektlevering, men i at reducere den manuelle friktion omkring dem. Samtidig har organisationer stadig brug for stærkt menneskeligt tilsyn, fordi leveringsmiljøer i dag rummer for mange nuancer, prioriteringer, interessenthåndtering og kontekstbaserede vurderinger til, at de effektivt kan automatiseres fuldstændigt.
Sådan fremskynder AI-integration de daglige projektarbejdsgange
Jeg faciliterede et sprint om mulighederne med AI på arbejdspladsen, hvor vi hjalp teams med at koble deres daglige ansvarsområder til praktiske AI-understøttede arbejdsgange. I stedet for at diskutere AI teoretisk fokuserede vi på de reelle opgaver, som folk allerede udførte, og identificerede, hvor AI kunne reducere friktion.
Vi hjalp for eksempel konsulenter med at bruge AI til at opsummere lange RFP'er, udtrække risici og leverancer, udarbejde briefingpræsentationer til ledelsen, skrive udkast til interessentkommunikation og organisere opfølgningsopgaver på tværs af værktøjer som Word, PowerPoint, Outlook, Teams og Planner.
Teams begyndte i mindre grad at se AI som en “chatbot” og i højere grad som en arbejdsgangsaccelerator, der er integreret i de daglige arbejdsgange.
Hvorfor mennesker skal fokusere på relationer og dømmekraft
AI kan bedst understøtte leveringsarbejde, der er repetitivt, koordineringstungt og kræver omfattende syntese.
For eksempel:
- Statusrapportering og ledelsesopsummeringer
- Mødereferater, handlingspunkter og opfølgning
- Indledende projektplaner, RAID-logge og dokumentationsudkast
- Porteføljeanalyse og understøttelse af prioritering
- Overblik over ressourcer og kapacitet
- Automatisering af arbejdsgange på tværs af værktøjer
- Informationssøgning og indsigt på tværs af projekter
Organisationer implementerer dette ved hjælp af værktøjer som Microsoft Copilot, ChatGPT, AI-aktiverede PPM-platforme, værktøjer til automatisering af arbejdsgange og integrationer, der er lagt oven på eksisterende leveringsøkosystemer, i stedet for massive, selvstændige AI-programmer. Ofte kommer de største gevinster fra relativt lette anvendelsesområder, der sparer store teams tid hver uge.
Områder, der stadig kræver et menneskeligt præg, er dog arbejde, der i høj grad afhænger af dømmekraft og relationer. Det omfatter:
- Interessenthåndtering på ledelsesniveau
- Håndtering af organisatorisk politik
- Konfliktløsning
- Drøftelser af afvejninger ved prioritering
- Ledelse af forandringer og opnåelse af opbakning
- Coaching af teams gennem tvetydighed
- Beslutningstagning på baggrund af ufuldstændige oplysninger
AI kan understøtte disse områder med indsigt og struktur, men kan stadig ikke erstatte tillid, indflydelse, ledelsesmæssig tilstedeværelse eller kontekstbaseret dømmekraft. Faktisk mener jeg, at disse menneskelige færdigheder bliver endnu vigtigere, i takt med at AI automatiserer mere af den administrative side af leveringen.
Sådan løfter AI ledelsessamtaler
AI kan også forbedre kvaliteten af ledelsessamtaler, når det bruges korrekt.
Teams kan for eksempel nu hurtigt sammenfatte projektopdateringer, risici, mødenoter og feedback fra interessenter til korte opsummeringer i stedet for at bruge timer på manuelt at udarbejde statusrapporter. Det giver ledere og PMO'er mere tid til at diskutere afvejninger, prioriteter, afhængigheder og forretningsmæssig effekt frem for blot at indsamle information.
Samtalerne bevæger sig fra “Hvad er status?” til “Hvilken beslutning skal vi træffe, og hvilke afledte konsekvenser har den?” Det har i væsentlig grad ændret måden, leverancediskussioner foregår på.
Samtalerne bevæger sig fra “Hvad er status?” til “Hvilken beslutning skal vi træffe, og hvilke afledte konsekvenser har den?”
Et eksempel fra den virkelige verden på kompleksitet inden for AI
Her er et eksempel på de kompleksiteter, der kan opstå, når AI implementeres på arbejdspladsen. Denne organisation havde stor interesse for AI, men ligesom mange andre virksomheder kæmpede den med tre samtidige udfordringer:
- For mange usammenhængende idéer
- Ingen ensartet model for indsamling eller prioritering
- Teams eksperimenterede uafhængigt af hinanden uden styring eller målbare resultater
Det medførte risiko for spredte pilotprojekter, dobbeltarbejde og stigende skepsis blandt ledelsen, fordi ingen klart kunne formulere værdien. Vi anskuede det både som en leveranceudfordring og en udfordring vedrørende driftsmodellen – ikke blot som en teknologisk øvelse.
Først opbyggede vi en enkel proces for AI-mulighedssprints. Vi afholdt strukturerede workshops på tværs af funktioner for at identificere problemområder, gentagne arbejdsgange, flaskehalse i rapporteringen, koordineringsmangler og friktion i beslutningstagningen. I stedet for at spørge “Hvor kan vi bruge AI?”, spurgte vi teams:
- Hvor mister medarbejderne tid hver uge?
- Hvor er arbejdet meget gentagelsespræget?
- Hvor skyldes forsinkelser manuel koordinering eller informationsindsamling?
- Hvor venter lederne for længe på indsigt eller synlighed i status?
Herefter etablerede vi en standardiseret proces for indsamling og pointbaseret vurdering, så AI-initiativer kunne evalueres sammen med ikke-AI-initiativer og dermed ikke udvikle sig til separate innovationssideprojekter.
Med hensyn til værktøjer holdt vi bevidst opsætningen praktisk og enkel:
- Microsoft Copilot og ChatGPT til effektivisering af arbejdsgange og sammenfatning af indhold
- Eksisterende samarbejdsværktøjer som Microsoft Teams til workshops og prioriteringssessioner
- Strukturerede skabeloner til indsamling og vurderingsark
- Enkle dashboards og prioriteringsoversigter
- PMO-kontrolpunkter indarbejdet i eksisterende porteføljegennemgange i stedet for at oprette parallelle styringsstrukturer
En vigtig læring var, at kompleksiteten ikke kom fra selve AI-værktøjerne, men fra koordinering, ejerskab, forventninger og anvendelse.
En vanskelig del af opgaven var, at mange ledere i begyndelsen overvurderede organisationens AI-parathed. Teams ønskede avanceret automatisering, men deres underliggende processer var stadig uensartede eller udokumenterede. I flere tilfælde satte vi AI-diskussionerne på pause for først at stabilisere arbejdsgange, tydeliggøre ejerskab eller forbedre datakvaliteten. Det var en af de største succesfaktorer. Vi betragtede AI-parathed som en diskussion om operationel modenhed og ikke blot som en teknologisk implementering.
Vi introducerede også en enkel model for styring og tilsyn med tydelige kontrolpunkter for indsamling, beslutningsrettigheder, eskaleringsveje og ansvar for roller. Målet var at muliggøre hastighed uden at skabe bureaukrati.
Det indledende arbejde med sprint og prioritering tog nogle få uger, efterfulgt af trinvis implementering og støtte til anvendelse. Den største indsats lå ikke i den tekniske konfiguration, men i at skabe enighed blandt interessenter, understøtte forandringen og hjælpe teams med at gentænke, hvordan arbejdet flød gennem organisationen.
Resultaterne var betydelige:
- Ledelsen fik et langt klarere billede af, hvor AI realistisk kunne skabe værdi.
- Teams gik fra tilfældige eksperimenter til struktureret eksekvering.
- Vi identificerede flere anvendelsesområder med lav implementeringsindsats, som reducerede det manuelle administrative arbejde og rapporteringsarbejdet.
- AI-samtaler blev knyttet til målbare forretningsresultater frem for hype.
- PMO'et udviklede sig til en funktion for koordinering, prioritering og styring af AI-understøttet levering.
Det mest interessante var, at de organisationer, der lykkedes, ikke nødvendigvis var de mest teknisk avancerede. De kombinerede praktisk styring, operationel disciplin og stærk forandringsledelse med AI-understøttet eksekvering.
Sådan opbygger du en AI-understøttet leverancestak
Min teknologistak til levering har udviklet sig markant i løbet af de seneste 6–12 måneder, efterhånden som AI er gået fra eksperimentering til daglig understøttelse af eksekveringen.
De AI-værktøjer, jeg bruger mest aktivt i dag, omfatter:
- OpenAI ChatGPT til sammenfatning, kommunikation med ledelsen, finpudsning af workshops, idéudvikling af rammeværk, støtte til prioritering og struktureret tænkning
- Anthropic Claude til længere analyser, finpudsning af tekst og dybere kontekstuel ræsonnering
- Gamma til hurtigt at opbygge præsentationsstrukturer, visuel historiefortælling og kladder, der er klar til ledelsen
- Canva til visuel kommunikation, undervisningsmateriale, diagrammer og enkel indholdsdesign
Den største effekt af disse værktøjer er hastighed, sammenfatning og hurtigere første udkast. De reducerer i betydelig grad det administrative arbejde og arbejdet med formatering, så der bliver mere tid til strategisk tænkning, interessentinddragelse, prioritering og beslutningstagning.
Hvorfor AI bør integreres i et teams nuværende arbejdsstak
Det, der overraskende nok undervurderes lige nu, er ikke et enkelt AI-værktøj, men AI's direkte integration i den daglige arbejdsstak, som folk allerede bruger — især i Microsoft-økosystemet.
For mange teams kommer tidsbesparelserne i realtid fra små løbende arbejdsgangsforbedringer, der sker kontinuerligt i løbet af dagen. Det omfatter at opsummere Teams-møder, udarbejde opfølgningsmails i Outlook, udtrække handlingspunkter, generere første udkast i Word, opbygge præsentationsdispositioner i PowerPoint eller organisere opgaver i Planner uden konstant at skifte kontekst.
Individuelt sparer disse funktioner måske kun nogle få minutter ad gangen. Men på tværs af leveringsteams, der arbejder hele dagen, hver dag, er den samlede effekt betydelig. Jeg ser teams reducere det administrative arbejde, forbedre svartiderne og flytte mere tid fra koordinationsarbejde til reel beslutningstagning og eksekvering.
Den største effekt opstår også, når organisationer holder op med at betragte AI som en separat destination og i stedet integrerer det naturligt i eksisterende arbejdsgange, som folk allerede er fortrolige med.
Sådan ændrer AI-understøttede PPM-platforme projektledelse
Jeg ser organisationer bevæge sig væk fra stærkt procesdreven projektledelse og hen imod lettere, mere adaptive leverancesystemer med fokus på synlighed, prioritering, hurtigere beslutningstagning og AI-understøttet eksekvering.
I praksis betyder det mindre tid på manuelt at samle rapporter og følge op på statusser og mere tid på at interagere direkte med leverancedata i realtid gennem AI-understøttede værktøjer.
Med nyere AI-understøttede PPM-platforme som Celoxis kan ledere for eksempel nu bruge forespørgsler i naturligt sprog til hurtigt at finde indsigter, som tidligere krævede en betydelig manuel analyse. I stedet for at gennemgå dashboards og regneark kan man begynde dagen med at spørge:
- “Hvilke tre projekter bør jeg være mest bekymret for i dag?”
- “Hvilke risici driver forsinkelser i tidsplanen?”
- “Hvilke initiativer overstiger kapaciteten?”
- “Hvilke korrigerende handlinger bør vi overveje?”
På få minutter kan platformen identificere problemområder, opsummere de medvirkende problemer, anbefale handlinger og hjælpe teams med at gå direkte videre til beslutningstagning og eksekvering.
Dette skifte ændrer projektleverancer fra i høj grad at være en administrativ opgave til at foregå i et langt mere dynamisk, indsigtbaseret og handlingsorienteret miljø.
Sådan redefinerer AI de centrale ritualer for projektleverancer
Jeg ser et stort skifte i leverancernes ritualer: De handler nu mindre om at “skabe artefakter” og mere om at fremskynde beslutninger.
For eksempel plejede drøftelser om projektomfang at indebære lange workshops om krav, efterfulgt af dage eller uger med manuel finpudsning af dokumentationen. Nu kan AI hurtigt sammenfatte drøftelser, generere udkast til krav, fremhæve uklarheder og endda identificere modstridende antagelser næsten i realtid. Som følge heraf bruger teams mindre energi på at dokumentere, hvad der blev sagt, og mere energi på at diskutere, om arbejdet giver strategisk mening.
På samme måde bliver eksekveringsstyring langt mere samtalebaseret og indsigtbaseret. I stedet for at projektledere manuelt samler statusoplysninger før et styregruppemøde, interagerer ledere i stigende grad med leverancesystemer ved hjælp af naturligt sprog for øjeblikkeligt at identificere risici, afhængigheder, forsinkelser eller flaskehalse i ressourceanvendelsen. Det ændrer leveranceledelsens rolle fra “informationsindsamler” til “beslutningsfacilitator”.
Teams bruger mindre energi på at dokumentere, hvad der blev sagt, og mere energi på at diskutere, om arbejdet giver strategisk mening…Det ændrer leveranceledelsens rolle fra “informationsindsamler” til “beslutningsfacilitator”.
Jeg ser også, at valideringsritualerne udvikler sig. Teams validerer ikke længere blot, om kravene er blevet opfyldt. De validerer i stigende grad, om AI-genererede resultater er korrekte, forudindtagede, komplette eller kontekstuelt passende. Kvalitetssikringen udvides fra kun at omfatte systemer til også at omfatte selve dømmekraften.
Ritualerne forsvinder ikke. De flytter sig opad mod afstemning, prioritering, fortolkning og kvaliteten af beslutninger.
Hvorfor fælles AI-styring forhindrer kaotisk eksekvering
Et spørgsmål, som jeg ville ønske, at flere stillede, er: “Hvordan forhindrer vi, at AI skaber hurtigere kaos i stedet for bedre eksekvering?”
Organisationer er nødt til at bruge langt mere tid på at definere beslutningsrettigheder, ejerskab, prioriteringsregler og succesmål, før de skalerer AI bredt. Lige nu optimerer mange teams den individuelle produktivitet uden at tænke tilstrækkeligt på koordinering på tværs af virksomheden.
Hvis hver afdeling begynder at implementere AI uafhængigt med forskellige arbejdsgange, instruktioner, styringsmodeller og prioriteter, risikerer organisationer at skabe fragmenteret eksekvering i et langt højere tempo.
De virksomheder, der får succes, vil sandsynligvis skabe fælles operationelle principper for, hvordan de introducerer, styrer, måler og integrerer AI på tværs af organisationen – ikke kun for, hvordan de enkelte teams bruger værktøjer.
Helt ærligt er det en af grundene til, at rollen som CAIO (ledende AI-chef) kan blive langt mere udbredt i løbet af de næste par år: Organisationer har brug for en person, der ikke kun er ansvarlig for beslutninger om AI-teknologi, men også for orkestrering, prioritering, styring og implementering på tværs af hele virksomheden.
Sådan ændrer AI PMO'ernes fremtid
Inden for fem år vil mange PMO'er enten udvikle sig til funktioner for AI-transformation og -orkestrering på virksomhedsniveau eller blive irrelevante.
AI vil i høj grad automatisere og integrere traditionelt projektlederarbejde, herunder statusrapportering, manuel koordinering, opdateringer, RAID-styring og administrativ sporing, direkte i operationelle arbejdsgange og samarbejdsværktøjer.
De PMO'er, der overlever, vil skifte fra at styre projekter til at styre prioritering på virksomhedsniveau, AI-eksekvering, styring og organisatorisk afstemning. De vil hjælpe med at identificere og prioritere AI-muligheder, fremme implementering på tværs af funktioner som økonomi, HR, jura og drift samt hjælpe organisationer med at overgå til AI-fokuserede driftsmodeller.
Den største risiko bliver ikke manglende implementering af AI. Det bliver, at organisationer automatiserer kaos hurtigere, end de forbedrer klarhed, ledelse og beslutningstagning.
Hvorfor ledere skal se AI som et operationelt skifte
Betragt ikke AI som et sideeksperiment eller et teknologiinitiativ, som kun IT ejer. Betragt det som et operationelt skifte og et ledelsesskifte.
Mit råd er:
- Start i det små, men start nu.
- Fokuser på praktiske problemer i arbejdsgangene, ikke på hype.
- Gør AI til en del af det daglige arbejde i stedet for at gennemtvinge en omfattende transformation fra den ene dag til den anden.
- Styrk dømmekraft, kommunikation, prioritering og ledelse af interessenter, efterhånden som disse færdigheder bliver mere værdifulde, ikke mindre.
- Automatisér ikke blindt ødelagte processer.
- Lær nok om AI til at lede samtalen med selvtillid, selv hvis du ikke har en dyb teknisk viden.
Vigtigst af alt må du ikke undervurdere, hvor hurtigt forventningerne ændrer sig. De leveranceledere, der lærer at kombinere AI-acceleration med stærk menneskelig ledelse, vil have en stor fordel i løbet af de næste par år.
Følg med
Følg med i Hussains arbejde på LinkedIn, eller abonnér på The PMO Playbook. Besøg også Parwaaz Consulting.
Der kommer flere ekspertinterviews på The Digital Project Manager!
