De projektledelsesbeslutninger, AI-agenter kan – og ikke kan – træffe

Galen Low: Med agentisk AI i blandingen er AI-teknologien gået fra at være et værktøj til at være en kollega. Fint nok, men det er ikke dér, de mest komplicerede ting ligger. Det komplicerede er, at AI-agenter ofte er kolleger, der er blevet bedre trænet end dig, som arbejder anderledes end dig, og som måske bliver målt på helt andre måder end dig og dine menneskelige kolleger.

De kom sandsynligvis ikke med en manual, de er formentlig konfigureret til at træffe beslutninger, som du helst selv ville træffe, og de var sandsynligvis ikke til stede, da dit team fastlagde jeres samarbejdsaftaler. I praksis er det som at få dusinvis af nye teammedlemmer fra en helt anden organisation hældt ned over dig fra den ene dag til den anden – og hvis du har oplevet en fusion eller overtagelse, ved du, at det kan blive virkelig, virkelig rodet.

Men det er nok en udfordring, der kan overvindes, og de potentielle fordele er bestemt reelle. Derfor ville jeg gøre noget lidt anderledes i denne episode. Jeg ville dele en samtale fra et af vores liveevents, som blev afholdt af Tim Fisher og teamet hos Wrike, om hvordan AI-agenter rent faktisk gør en forskel i projektbaseret arbejde, og hvad der skal være på plads, for at jeres udrulning af agentisk AI kan lykkes.

I deres samtale taler de om, hvorfor mere data ikke nødvendigvis er bedre, hvilke beslutninger der bør træffes af mennesker kontra en agent, og hvordan uddannelse – ikke bare adgang – er afgørende for en vellykket implementering af agentdrevet arbejde i hele organisationen. Før vi går i gang, vil jeg først give jer lidt kontekst.

Tim var altså ikke bare vært for dette event. Han er faktisk i gang med at opbygge en agentisk arbejdsstyrke i The Digital Project Managers moderselskab, Black and White Zebra. Med andre ord lever han i høj grad denne agentiske transformation og alle de udfordringer, der følger med. En af de ting, han og jeg for nylig talte om, var tanken om at starte fra bunden, aflære de måder, vi altid har gjort tingene på, og begynde at udvikle vores agentiske processer fra grunden uden al bagagen.

For mennesker er det svært. Ofte er vores identitet knyttet til vores jobtitler og ansvarsområder. Vi bliver ikke ofte bedt om at tænke på os selv uden for den kasse, og når vi gør det, er det ofte et alt for stort tomt lærred til, at vi kan få vores ønsker til at passe med det, vores arbejdsgivere ønsker at se fra os. Det føles som gætværk – gætværk, der føles som om, det kan koste os og vores teams jobbet.

Men uddannelsesdelen kan heller ikke overvurderes. Ja, det forventes nu, at vi alle er byggere og spiller rollen som mennesket i sløjfen, men hvad betyder det egentlig, og hvordan kan vi hjælpe vores medarbejdere med at nå dertil i stedet for bare at smide værktøjer efter dem og forvente, at de selv løfter sig? I sidste ende ser det store skifte ud til at handle om ansvarlighed, risiko og organisatorisk kontekst.

I en agentisk verden leder alle nu autonome aktører, som samarbejder med hinanden, nogle gange i en sort boks. Og det, vi stoler på, at disse aktører kan gøre, kontra det, vi fastholder som menneskelige ansvarsområder, skal indrammes af risikoens alvor, empati mellem mennesker og konsekvenserne af, hvad det virkelig betyder at eje et projekt eller et arbejdsområde.

Ikke kun teknologiens muligheder. Lad os derfor sætte det ind i et projektspecifikt scenarie. Forestil dig, at du har en AI-agent, der hjælper dig med at bemande et projekt. Den ved, hvem der er tilgængelig, hvilke kompetencer de har, hvad alle arbejder på, og måske endda hvilke kombinationer af mennesker der historisk set har leveret projekter mest succesfuldt.

Den kunne potentielt sammensætte en ressourceplan på få sekunder, som ellers ville tage dig flere timer. Fantastisk. Men hvad nu, hvis ressourceplanen indebærer at flytte Lucia, din bedste udvikler, væk fra et andet projekt, der er ved at komme bagud, fordi Amireth, den ledende designer, netop har mistet sin bedstemor og forsøger at arbejde sig gennem sorgen med 80 % af sin normale produktivitet for fortsat at kunne spare op til sin datters tandregulering?

Din agentiske arbejdsstyrke har måske alle de oplysninger, den skal bruge for at komme med en anbefaling, men betyder det, at en agent bør træffe beslutningen? For nu taler vi ikke bare om at optimere et regneark. Vi taler om kunderelationer, forretningsprioriteter, leveringsforpligtelser og – vigtigst af alt – konsekvenserne for rigtige mennesker.

Og jeg tror, det er her, det næste kapitel i AI og projektledelse bliver fascinerende, for det handler ikke bare om at finde ud af, hvad AI er i stand til at gøre. Det handler om at finde ud af, hvilke ansvarsområder vi bør uddelegere til AI, hvilke beslutninger der skal blive hos mennesker, og hvilken form for overvågning vi har brug for, når vores AI-kolleger arbejder i baggrunden.

Det er et komplekst puslespil, der skal løses for at finde den rette balance. Og måske vigtigst af alt: Det er ikke plug-and-play. Det er et område, hvor vi skal have samtaler om dømmekraft og skøn, hvor vi skal uddanne og udvikle vores medarbejdere, så de kan lykkes, efterhånden som tingene ændrer sig, og hvor vi skal give os selv tilladelse og tryghed til at smide noget af bagagen væk og forme vores roller omkring det, vi gør bedst.

Og det var præcis det, Tim udforskede i sin samtale med teamet hos Wrike. Så uden videre introduktion får I her den samtale, som min mest respekterede AI-guru, Tim Fisher, havde med Nancy og Andras fra Wrike om konsekvenserne af agentisk AI i projektledelse i dag. Jeg håber, I nyder episoden.

Tim Fisher: Hej, og velkommen til Fremtidens AI i projektledelse, hvor vi går videre end præsentationen og ser på, hvordan AI faktisk ændrer den måde, teams planlægger, leverer og driver arbejde på. I dag har vi fokus på Wrike. Vi ser på, hvordan AI kan hjælpe projektledere med at træffe bedre beslutninger tidligere – fra at finde ud af, hvordan et projekt skal bemandes, til at identificere leverancerisici, før de udvikler sig til meget større problemer. Derefter ser vi fremad på, hvad der sker, når AI begynder at spille en mere aktiv rolle i, hvordan arbejdet bliver leveret.

Med os i dag har vi Andras Horvath, produktdirektør for AI og analyse hos Wrike. Andras har mere end 15 års erfaring med at udvikle B2B-produkter med fokus på data, analyse og AI. Vi har også Nancy Boas med, som er Senior PMM for AI hos Wrike.

Nancy leder go-to-market-strategien og budskaberne for W rikes AI-drevne løsninger til arbejdsstyring med fokus på, hvordan AI ændrer den måde, teams arbejder på.

Andras, Nancy, velkommen. Tak, fordi I ville komme.

Nancy Boas: Tusind tak. Vi er glade for at være her i dag.

Andras Horvath: Det er en fornøjelse at være her, Tim. Mange tak for den fine introduktion.

Tim Fisher: For alle, der ikke kender Wrike, kan I så give os den 30 sekunders version? Hvad gør jeres platform? Hvem er den bygget til?

Andras Horvath: Når det kommer til selve platformen, er Wrike en platform – eller grundlæggende ét samlet sted, hvor mennesker kan planlægge, følge og levere deres arbejde. Vi har bygget AI ind for at understøtte teams og enkeltpersoner og sikre, at alt det travle arbejde bliver fjernet fra deres bord.

De seneste seks til ni måneder har vi dog også fokuseret meget på leveringssiden af arbejdet, fordi AI kan bruges til at understøtte enkeltpersoner eller hjælpe folk med at levere arbejde hurtigere gennem ting som indholdsgenerering og opsummering. Man kan også bruge AI til at automatisere dele af arbejdet, og det er det, vi har fokuseret på på det seneste.

Tim Fisher: Det er virkelig spændende. Det virker lidt anderledes end nogle af de andre produkter på området. Så jeres filosofi er, at AI også skal hjælpe med at levere arbejdet – og ikke kun hjælpe med personaleledelse, som jeg synes, vi ser det meste af tiden. Hvad betyder det i praksis?

Andras Horvath: Det betyder faktisk, at AI kan fungere som en kollega, der hjælper dig med at få arbejdet gjort – ikke bare som et sted, hvor du kan sætte farten op, eller som en arbejdsstyringsplatform, hvor du blot koordinerer arbejdet.

Du kan opsætte en AI-kollega, som vi hos Wrike gerne kalder en arbejdskollega, der faktisk har sin egen kapacitet og kan hjælpe dig med at levere arbejde. Et eksempel er, at AI kan hjælpe dig med at udarbejde arbejdsbeskrivelser baseret på tidligere arbejde, du har udført, og tilpasse dem efter særlige kundeoplysninger i et CRM-system som Salesforce.

Eller du kan få AI til automatisk at håndtere opslag på sociale medier, når en ny funktion er lanceret. Du sidder med dit team, bygger noget og leverer funktionen, hvorefter du overdrager det til din, lad os sige, arbejdskollega for sociale medier. Den tager alle projektoplysningerne og hjælper dig med at skabe det rigtige opslag til din blog eller LinkedIn.

Den laver billederne og alt det andet og tagger dig. Du godkender det, og arbejdet bliver udført. At gøre det samme manuelt kan tage en halv time, en time eller endnu mere. Så AI bliver faktisk din kollega i dag.

Tim Fisher: Projektledere har adgang til flere data, end de nogensinde har haft, helt sikkert. Men beslutninger om ting som ressourcer og projektrisici afhænger stadig af manuelle opdateringer og regneark eller – endnu værre – oplysninger, der først kommer, efter noget allerede er gået galt.

Så hvor ser du det største hul i dag mellem de oplysninger, projektledere har, og de beslutninger, de faktisk skal træffe?

Andras Horvath: Lad os begynde med det grundlæggende eller fundamentet, og det er noget, vi arbejder med i forbindelse med vores nye implementeringer. Det handler om, at data er spredt overalt i miljøet og på tværs af hele økosystemet.

Du har filer på SharePoint, beskeder i Teams eller Slack, mødeoptagelser eller selve møderne. Alt er spredt. Alt er overalt. Wrike giver dig et sted, hvor du faktisk kan samle disse oplysninger, hvilket giver dig den nødvendige kontekst til at træffe beslutninger.

Men at have data eller kontekst betyder ikke, at du har den rette indsigt til at kunne træffe de rigtige beslutninger. Det er her, AI faktisk kan hjælpe ved at omdanne rå data til indsigt. Hvis et projekt er blevet forsinket fem gange på trin B, betyder det højst sandsynligt, at det næste projekt også bliver forsinket.

Det kaldes prædiktiv analyse, og det er noget, der kan synliggøres. Hvis vi også taler om ressourceallokering, har mange mennesker følgende i hovedet: "Jeg ved, at Tim kan gøre dette, og Nancy kan gøre hint, men hvad med deres tilgængelighed? Lad mig tjekke med dem på Teams eller Slack" og så videre.

Hvis nogen konsekvent har brugt et system som Wrike, ved vi, hvilket arbejde de har udført, vi kender arbejdsbyrden, vi kender deres tilgængelighed og alt det andet. Når det kommer til simple ting – eller ikke helt så simple ting – som ressourceallokering, kan AI derfor på få sekunder starte et projekt med helt op til 137 opgaver, fordi vi enten kan indtaste de kompetencer, folk har, eller automatisk udlede dem.

Vi kan finde arbejdsbyrden og så videre. Vil du have projektet leveret så hurtigt som muligt? Her er ressourceallokeringerne. Er du en organisation, der leverer tjenester, og ønsker du, at projektet leveres på en måde, der maksimerer lønsomheden ved at bruge de billigste ressourcer, du har?

Det kan vi også gøre. Der er altså så mange muligheder at tage højde for, og så længe du har dataene og intelligensen, kan du få den nødvendige indsigt til at komme med de rigtige anbefalinger. Og igen: En lang øvelse på få sekunder.

Tim Fisher: Det er virkelig imponerende. I taler tydeligvis om, at AI er langt mere proaktiv, især i jeres produkt.

Så jeg stiller bare det spørgsmål, som jeg tror, alle stiller på dette tidspunkt: Hvor bør den træffe en beslutning eller komme med en anbefaling? Hvornår skal menneskelig dømmekraft stadig tage over? Hvordan tænker I om det?

Andras Horvath: Det er et rigtig godt spørgsmål, Tim. Helt ærligt bliver vi ofte spurgt om det af mange af de kunder, vi arbejder med.

Mit standpunkt er ret enkelt. Hvis der findes en velkendt proces, som du gerne vil automatisere, bør du bestemt bruge AI. Hvis vi taler om ekstraordinære tilfælde, er det måske ikke det bedste sted at bruge AI. Du kan bruge AI til at understøtte din tænkning og forkorte tiden til markedet eller det, du forsøger at opnå, men jeg ville ikke nødvendigvis overlade noget ukendt til en agent og bede den finde ud af det, medmindre du gør det med et menneske i sløjfen og løbende afbrydelser for at sikre, at den ikke løber løbsk og ødelægger hele dit system eller arbejdsområde.

Den anden faktor er risikoen. Har du en opgave med høj eller lav risiko? Hvis du har noget med lav risiko, som at sortere indkommende forespørgsler eller håndtere modtagelsen for at sikre, at en forespørgsel indeholder alle nødvendige oplysninger for at kunne omsættes til handling, er det noget, AI kan gøre.

"Jeg har kontrolleret denne sag. De fleste oplysninger er her, men der mangler noget. Lad os kontakte kunden via e-mail eller Slack eller hvad som helst og få de oplysninger." Når vi har dem, er sagen klar til levering, og den bliver lagt i backloggen og så videre. Hvis vi derimod taler om ressourceallokering, og du har et projekt, der er forsinket, er en af måderne at få projektet tilbage på sporet på at tage en vigtig ingeniør eller anden person fra et andet projekt. Men det vil forsinke projekt B. Et menneske bør stadig træffe beslutningen om, hvorvidt personen skal flyttes eller ej. Den beslutning har langt større konsekvenser end at kontakte nogen for at indhente manglende oplysninger.

Generelt handler det altså om: Er det en kendt proces? Er risikoen eller påvirkningen høj eller lav? Det er de ting, jeg personligt altid vil anbefale folk at holde øje med, for intet erstatter menneskelig dømmekraft i sidste ende.

Tim Fisher: Jeg hører en masse diskussion om mennesker kontra AI og beslutninger – både tematisk, konceptuelt og nærmest filosofisk – og jeg hører også en række begreber blive kastet rundt.

Jeg tror, jeg hørte dig sige MCP tidligere. Vi har helt sikkert også talt om at bruge ordet agent og den slags. Jeg ved, at ikke alle virksomheder, der bruger jeres værktøjer, nødvendigvis er meget AI-kyndige, så hvordan kan I hjælpe folk over den tærskel? Er der måder at lære om AI på, som I kan hjælpe med?

Jeg hører mange sige, at det er meget, og jeg er nysgerrig efter, hvordan I tænker om at hjælpe folk over de forhindringer.

Nancy Boas: Ja, selvfølgelig. Jeg kan tage den, for der er flere måder, hvorpå vi uddanner folk. Der er en erkendelse af, at der bliver talt så meget om AI og agenter og endda om at være bygger, men virksomheder ved i praksis virkelig ikke, hvordan man bygger en agent.

Så vi har gjort flere ting. Vi har en fantastisk uddannelsesafdeling, som altid har undervist i vores traditionelle funktioner, Wrike-administration, styring og den slags. For flere måneder siden startede de imidlertid AI Elite Mastery, som er et fire timers kursus, alle kan tage. Man får et certifikat til sidst og lærer alt fra bedste praksis for instruktioner til faktisk at begynde at bygge en agent.

Det er én af de ting, vi gør. Vi gennemførte også en syv ugers AI-sommerskole, et praktisk uddannelsesprogram hver fredag. Som følge heraf begyndte langt flere agenter at blive bygget, og langt flere mennesker rakte faktisk hånden op og deltog. Jeg delte også et link om arbejdskollegerne, men vi har også et onlinefællesskab, hvor vi deler eksempler på instruktioner og anvendelsestilfælde, og andre kan bidrage med deres egne eksempler på, hvordan de bruger agenter.

For i sidste ende handler det om at hjælpe hinanden og dele med ligesindede i denne modige nye verden.

Tim Fisher: Det er fantastisk. Jeg er glad for at høre det. Jeg har set dig tale om kontekst, kontrol og samarbejde som krav til AI i virksomheder. Hvorfor er netop disse ting så vigtige, når AI begynder at arbejde med rigtige projektdata og rigtige arbejdsgange?

Andras Horvath: Når man tænker på kontekst, kan AI uden den være selvsikkert forkert, eller i bedste fald så generisk som muligt. Hvis vi tager det simple eksempel at bede en hvilken som helst AI om at oprette en arbejdsnedbrydningsstruktur, altså et projekt, vil den bruge den viden, den er blevet trænet på, eller søge på internettet for at lære, hvordan man bedst opsætter et projekt, og så vil den gøre det.

Er det godt? Er det dårligt? Det er en generisk måde at opsætte et projekt på, som måske fungerer i visse tilfælde – især hvis man ikke driver ret mange projekter. Men hvis man er en stor virksomhed, har man som regel en metode, man har udviklet gennem år eller årtier, og hver gang man opsætter et nyt projekt, er der bestemte ting, man skal tage højde for.

Et klassisk eksempel er, hvilke beslutninger der faktisk kræver godkendelse, og hvem der er den person, organisation eller rolle, der skal udstede disse godkendelser. Hvis du forbinder din AI-assistent med noget som Wrike og konsekvent har brugt Wrike, ligger al den viden allerede der.

Din AI-assistent vil bruge de oplysninger, der findes, til at opsætte arbejdsnedbrydningsstrukturen på en måde, der stemmer overens med den organisation, du er en del af. Det er derfor, kontekst er vigtig. Det handler først og fremmest om at have adgang til data og for det andet om at bruge dataene på en måde, der gør det muligt at tilpasse outputtet til din organisations behov.

Når det gælder kontrol, vil du igen sikre dig, at din AI ikke bare går amok. Du vil sikre dig, at den agent, din AI for eksempel bruger, har klare tilladelser, en identitet og kan spores. Derfor logger vi alt, når du onboarder en AI-agent i Wrike.

Når du taler med din AI-agent, når den beder om din godkendelse, eller når den beder om input, sker det via W rikes kommentarsystem. Alle beslutninger og alt, hvad der sker, kan derfor spores i systemet. Hvis du ser på Wrike-agenterne, som vi for eksempel lancerede for omkring et år siden, vil du i deres logfiler ikke kun kunne se, at en post blev slettet, efter at den er slettet. Du kan se, at en post blev slettet, hvad begrundelsen var, og hvilke data beslutningen var baseret på.

Var der et menneske i sløjfen? Hvilken instruktion fik agenten? Hvorfor skete handlingen præcis? Det er noget, de fleste virksomheder lægger stor vægt på. De vil faktisk vide, hvorfor agenten opførte sig, som den gjorde. Med mennesker spørger man derimod ikke nødvendigvis, hvorfor de slettede posten – det bliver måske afklaret over en samtale ved kaffemaskinen.

Kontrol er altså meget vigtigt. Man skal sikre sig, at man faktisk kan stole på, at AI arbejder, for som du sagde, er det svært. Mange ved ikke, hvordan man arbejder med AI, og de stoler ikke på AI. Kontroller og sikkerhedsforanstaltninger øger faktisk tillidsniveauet.

Endelig er der samarbejde, og det berørte jeg tidligere. Når man bruger et system til samarbejdsbaseret arbejdsstyring, hedder det samarbejdsbaseret af en grund. Du arbejder på en opgave og har ikke alle oplysningerne. Du tagger nogen og skriver: "Hej, kan du hjælpe mig med at finde ud af det her?"

På samme måde taler du også med agenterne. Du tildeler dem arbejde på samme måde, som du tildeler arbejde til kolleger. Du nævner dem, stiller spørgsmål, indhenter input og giver instruktioner. Samarbejdet mellem mennesker og AI sikrer, at AI opfører sig, som den skal.

Derfor mener vi, at kontekst, kontrol og samarbejde er de tre vigtigste søjler for at få AI til at fungere bedst muligt, og det er de tre søjler, vi fortsat investerer i.

Tim Fisher: Jeg elsker den måde, I tænker over alt det på – især delen om kontrol og gennemsigtighed, som jeg ved, I går meget dybt med. Jeg kan ikke understrege nok over for alle, der lytter, hvor utroligt vigtigt det er at gå fra at stole på, at mennesker gør tingene, til en verden, hvor en autonom og på en måde usynlig ting i baggrunden udfører arbejdet.

Som du siger, følger nogle ting bare med mennesker, som samtaler ved kaffemaskinen. At flytte det ind i en verden, hvor noget autonomt og usynligt i baggrunden udfører arbejde, og hvor man kan vide, hvorfor alle beslutninger blev truffet, er utroligt vigtigt. Jeg synes ikke, folk taler nok om det, så ros for det.

Det leder os til det spørgsmål eller den tanke, der måske ikke ligger så langt ude i fremtiden: Når AI og AI-drevne agenter overtager mere og mere af dette arbejde, hvad bruger projektlederen så egentlig mere af sin tid på? Denne samtale dukker ofte op i forbindelse med automatisering generelt og økonomien generelt. Vi fjerner alle disse rutineopgaver eller lader agenter og AI gøre ting, de kan gøre mere effektivt i stor skala.

Hvad efterlader det os til at gøre? Jeg vil meget gerne høre jeres tanker om det.

Nancy Boas: Helt ærligt er min tanke, at folk laver mere interessant arbejde. Hvem vil bruge halvdelen af sin dag på at modtage og sortere formularer? En af vores kunder, Jellyfish, er for eksempel et reklamebureau. Jeg holdt en session for dem på vores virtuelle brugerkonference.

De bruger meget mere tid sammen med kunderne. De laver mindre af det travle arbejde, men de har mere intelligente samtaler. De fjerner de blokeringer, der tidligere opstod i projekterne. Og jeg tror, at projektledere skal begynde at tænke på agenter og AI som deres daglige assistent.

Vi har alle mennesker, vi skal lede, og AI og agenter, vi skal lede. De fjerner det trivielle, men du har stadig et arbejde, der skal udføres – forhåbentlig de mere interessante ting som strategi, problemløsning og at nå mål på højt niveau.

Andras Horvath: På mit produktlederteam bruger vi for eksempel langt mindre tid på, som Nancy sagde, at skrive en specifikation. Det gør vi med hjælp fra AI. Gennemgange gør vi med hjælp fra AI. At omdanne specifikationen til en arbejdsnedbrydningsstruktur og derefter bemande den arbejdsnedbrydningsstruktur sker alt sammen – jeg vil ikke sige øjeblikkeligt – men langt hurtigere end før, selv med mennesker i sløjfen.

Den gennemsnitlige produktleder bruger i dag mere tid på faktisk at interviewe vores kunder, fordybe sig i problemområdet og forstå, hvad vi for eksempel skal fokusere på.

Den gennemsnitlige produktleder bruger mere tid på at validere, justere og udføre disse ting, håndtere interessenter og arbejde med organisationsdesign, fordi vi hele tiden er nødt til at ændre den måde, vi arbejder og interagerer med hinanden på i Wrike, så den passer til behov, der hele tiden ændrer sig. Men som Nancy også påpegede, har man brug for tid.

Jeg har blokeret to timer i min kalender hver fredag. Her vedligeholder jeg alle mine agenter, assistenter, kompetencer og planlagte opgaver i Claude og ChatGPT samt agenter i Wrike og så videre, fordi virkeligheden er, at forretningen ændrer sig. Alt er i konstant bevægelse og forandring.

Enten ændrer teknologien sig, eller også ændrer forretningen sig, og man er nødt til at bruge lidt tid på det. Jeg bruger de to timer, men alt det arbejde omsættes faktisk til 15-20 timers sparet tid.

Tim Fisher: Jeg kan godt lide den måde, du formulerede det på. Selvom analogien ikke er perfekt, er det lidt som at holde en-til-en-samtaler med sit team. Der er løbende vedligeholdelse, uddannelse og udvikling af virksomheden, som skal foregå med alle de mennesker, man uddelegerer arbejde til.

Og nu omfatter det også agenter. Jeg kan virkelig godt lide den måde, I tænker på det på.

Andras Horvath: Ja, helt sikkert. Alle bliver leder i dag. Uanset om man kan lide det eller ej – jeg elsker den formulering. Man er nødt til at lede sin flåde af agenter.

Tim Fisher: Lad os blive i fremtiden et spørgsmål eller to mere. Lad os sige, at det er om fem år.

En person, der er ny inden for projektledelse, arbejder i de systemer, vi har til den tid – den fem år fremtidige version af Wrike. Hvad vil vedkommende se tilbage på eller høre fra sine ældre kolleger og blive virkelig overrasket over, at folk selv plejede at gøre? Hvad er den ene ting, der forsvinder, og som vi aldrig hører om igen?

Andras Horvath: Opdatering af statusser i Wrike, for eksempel. Noget af det, vi arbejder på, er agenter, der deltager i møder med dig, deltager i Teams-kanaler og Slack-kanaler og alt det. Når der foregår samtaler, holder de arbejdet i Wrike opdateret. Det, vi i sidste ende ønsker, er, at disse agenter bliver omgivende, så alle opdateringer sker, og at de med tiden lærer af dig, hvilke opdateringer de skal udføre automatisk, og hvilke ting de skal tjekke med dig.

Med tiden vil dette blive udviklet. Så ingen kommer til at sige: "Lad mig åbne Wrike og sikre mig, at denne opgave er markeret som afsluttet." Mange af vores kunder gør det allerede via deres foretrukne assistent. Med tiden vil det ske automatisk, uden at du behøver at give en instruktion eller gøre noget lignende. Det samme gælder at holde folk opdateret, statusopdateringer, kapacitetsrapporter, risikorapporter – hvad som helst.

Alt dette er allerede automatiseret for tusindvis af vores kundekonti. Som jeg nævnte, gælder det også oprettelse af projekter eller arbejde fra bunden, bemanding og alt det andet. Der findes allerede så mange oplysninger, og vi arbejder hårdt på at udvinde oplysningerne i Wrike og omdanne dem til organisatorisk viden, som vi kalder det, for at automatisere så meget af dette arbejde som muligt.

Så forhåbentlig vil den gennemsnitlige projektleder, produktleder eller hvem som helst, der leder eller driver noget, om fem år primært fokusere på at skabe enighed, indhente feedback og håndtere den menneskelige del – ikke sidde foran en computer og indtaste data eller opsummere statusser og rapporter.

Vi skal bare sikre, at dataindtastning sker dér, hvor kommunikationen foregår. Hvis nogen vil vide, hvor de står, bør de ikke spørge projektlederen eller teamlederen. Det bør være ét spørgsmål væk, men spørgsmålet skal kunne se på flere kilder, hente dataene og give dem tilbage.

Det er ikke bare en ensidig statusopdatering. Det er en statussamtale, for gennem årene har man sendt en statusrapport ud, hvorefter 22 spørgsmål dukker op. Dine agenter skal have den nødvendige kontekst for også at kunne besvare disse opfølgende spørgsmål.

Tim Fisher: Jeg er nysgerrig efter, hvad du er mest begejstret for på jeres køreplan.

Og jeg ville elske, hvis du ville afsløre noget, ingen endnu har hørt om, hvad der sker med Wrike. Der er ikke noget pres på det specifikt, men jeg er nysgerrig: Når du står op og går på arbejde, og du ser den ting i horisonten, som I bygger eller overvejer, hvad er så mest spændende?

Andras Horvath: For mig personligt er det organisatorisk viden og hukommelse. Det er noget, vi arbejder på. Det er procesudvinding, når det er bedst, hvorefter oplysningerne gemmes de rigtige steder. Det, jeg ser ske meget på internettet i dag, så at sige, er, at man har agenter, og agenterne har deres egne hukommelser, hvilket er fantastisk.

Men i det øjeblik man implementerer det i en virksomhed, har man måske 55.000 agenter kørende. Man har måske 60 produktledere og agenter med forskellige hukommelser, og i det øjeblik man lukker én ned, forsvinder hukommelsen. Det, vi undersøger, er at gemme hukommelsen i – og forbinde den med – det sted, hvor man arbejder, i stedet for med agenten.

I det øjeblik du implementerer en anden agent, får den den samme viden. Problemet er imidlertid at sikre, at man ikke overbelaster konteksten. Man skal sikre, at hukommelsen bliver skabt, gemt og hentet på den mest effektive måde. Når man har opnået det, bliver systemet – enten gennem ens egen brug eller gennem de agenter, man styrer – stadig klogere, og mere og mere arbejde bliver fjernet fra ens bord.

Det er læring undervejs, på samme måde som mennesker lærer. Og jeg tror, vi kun lige har kradset i overfladen. Agenter bliver kun bedre og bedre – ikke nødvendigvis fordi modellerne bliver bedre. Modellerne er fantastiske. Det betyder ikke noget, om de bliver bedre. Det eneste, der betyder noget, er, at de bliver billigere, så man kan have agenter kørende hele tiden i stedet for kun at køre dem på forskellige udløsere, hvad enten man tildeler en agent en opgave, nævner den, kører den efter en tidsplan eller noget andet.

At have en agent kørende hele tiden kommer til at koste millioner af dollars. Lad os være realistiske. Derfor tror jeg, at det er godt, at modellerne bliver billigere, og vi kommer dertil. Det vil gøre det muligt at have disse omgivende agenter. Men hukommelse og procesudvinding er også det, der vil gøre dem virkelig, virkelig kraftfulde sammenlignet med, hvor vi er i dag.

Nancy Boas: Jeg synes, du sagde det meget godt, og jeg vil bare gerne tilføje, at vi fejrer vores 20-års jubilæum og bruges af organisationer med seks-syv afdelinger og tusindvis af brugere. Hvis alle disse oplysninger bare ligger der uden virkelig at blive brugt, gør vi folk en bjørnetjeneste.

Det giver derfor rigtig god mening, hvis vi kan hjælpe dem med at arbejde bedre, finde den indsigt, der ligger der, opdage ting som udledte kompetencer og virkelig finpudse hele projektledelsesprocessen.

Andras Horvath: Hvis jeg må tilføje noget, Tim, fordi Nancy nævnte de udledte kompetencer: I sidste ende forenkler man ikke dataindtastningsdelen af jobbet.

Hvis man igen kan have agenter, der deltager i alle de samtaler, man er en del af, og holder alt opdateret, gør det bare arbejdet så meget lettere og mere behageligt, i stedet for at man skal sige: "Undskyld, jeg har brug for lidt tid, fordi jeg skal opdatere alt i Wrike" eller i andre systemer, man bruger.

Tim Fisher: Det er en meget spændende vision for fremtiden. Når du ser fremad, taler du om noget, jeg ikke hører nok om. Der er en besættelse af, at modellerne bliver klogere og klogere, og af, hvordan det ikke længere rigtig er flaskehalsen. Det handler om omkostninger og om, at agenterne altid er aktive, og det er fantastisk.

Jeg elsker derfor det, I tænker over. Hvis nogen lytter med og enten er nye i disse funktioner i Wrike eller nye i selve Wrike, hvor skal de så gå hen, hvis de vil lære mere?

Nancy Boas: De kan gå til wrike.com/ai, og hvis de vil have en demonstration eller anmode om flere oplysninger, er det et godt sted at starte.

Tim Fisher: Andras og Nancy, tusind tak, fordi I ville være med. Vi ses i den næste session af Fremtidens AI i projektledelse.

Nancy Boas: Tusind tak.

Andras Horvath: Mange tak.