Hvordan AI kan hjælpe dig med at træffe bedre projektbeslutninger

Galen Low: På nogle måder er projekter blot en samling beslutninger. Faktisk er beslutninger en stor del af det, der driver projekter fremad. Men hvordan kan vi forvente, at mennesker træffer gode beslutninger, når projekter bevæger sig hurtigt, og der er en overvældende mængde information og data, der skal vurderes? AI kan bestemt hjælpe, men den har ikke altid konteksten, og det er under alle omstændigheder ikke en mulighed at gøre den ansvarlig for beslutningerne.

I mellemtiden viser det sig nogle gange, at hurtige beslutninger baseret på mavefornemmelsen er de bedste. Så hvad er den rette balance mellem datadrevet, AI-assisteret beslutningstagning og bare at tale tingene igennem? Hvor opstår det aftagende udbytte, og endnu vigtigere: Hvordan træffer vi faktisk beslutninger? For at dykke ned i det har jeg inviteret en specialist i AI og vidensstyring, hvis baggrund omfatter alt fra psykologi og virksomhedsestimering til iværksætteri og roller inden for produktejerskab hos Fortune 50-virksomheder som Meta og ExxonMobil.

Sammen gennemgår vi nogle konkrete eksempler på, hvordan AI kan understøtte beslutninger af høj kvalitet, hvordan sporbarhed kan hjælpe mennesker med at blive bedre til at træffe beslutninger, hvordan ansvarligheden ændrer sig, når AI kommer ind i billedet, og hvad der sker med projektlederens rolle, hvis AI faciliterer de beslutninger, der tidligere landede på vores bord.

Jeg håber, du får glæde af episoden.

Velkommen til Digital Project Manager Podcast – programmet, der hjælper ledere med leverancer med at arbejde smartere, levere mere problemfrit og lede deres teams med selvtillid i AI-alderen. Jeg hedder Galen, og hver uge dykker vi ned i strategier fra den virkelige verden, nye tendenser, gennemprøvede rammeværk og den lejlighedsvise krigshistorie fra projektfrontlinjen.

Uanset om du styrer massive transformationsprojekter, håndterer AI-arbejdsgange eller bare prøver at holde kaos under kontrol, er du kommet til det rette sted. Og hvis du har kunnet lide det, du har hørt fra os på det seneste, må du meget gerne følge os, uanset hvor du lytter eller ser med, og måske også give os en anmeldelse. Lad os komme i gang.

I dag taler vi om AI-understøttet beslutningstagning, og hvorfor kvaliteten af beslutninger måske er det, der afgør, om et projekt eller initiativ lykkes eller mislykkes. Vi undersøger, hvordan afkoblede beslutninger skaber risiko, hvordan projektledere kan forbedre beslutningskvaliteten på tværs af komplekse teams, og hvordan AI kan hjælpe os med at træffe bedre beslutninger – og omvendt.

Med mig i dag er Cali Collins, medstifter og Chief Product Officer hos Optimality. Cali er en erfaren produktleder, hvis karriere har spændt over AI-infrastruktur, videnssystemer, virksomheds transformation og gennemførelse af store kapitalprojekter. Før hun var med til at grundlægge Optimality, ledede hun produktudvikling hos blandt andre Meta og ExxonMobil, hvilket har givet hende et unikt perspektiv på, hvordan beslutninger bliver truffet – eller ikke bliver truffet – både i hurtigt bevægende teknologimiljøer og komplekse Fortune 50-virksomheder.

I dag arbejder hun gennem Optimality for at fremhæve værdien af en AI-baseret infrastrukturplatform til beslutninger, som hjælper organisationer med at strukturere, optimere og skalere beslutningstagning i en tid med overvældende datamængder og konkurrerende prioriteter.

Cali, tak fordi du vil være med i dag.

Cali Collins: Selvfølgelig. Tusind tak, fordi du inviterede mig.

Galen Low: Jeg glæder mig til at have dig med. Jeg vil starte med et lidt provokerende spørgsmål, og jeg vil lægge hårdt ud. Mange organisationer har faktisk meget lidt struktur eller disciplin omkring, hvordan beslutninger bliver truffet, og nogle gange bliver afgørende beslutninger truffet i en e-mailtråd eller mundtligt på en golfbane.

Og for det meste har teams for travlt med at reagere på de beslutninger til at standse op og tænke: "Er det her en velinformeret beslutning?" De følger bare med. Så mit spørgsmål er: Når vi mennesker ikke rigtig kan forklare hinanden, hvordan beslutninger bliver truffet, og hvorfor, er det så ikke en smule naivt at tro, at AI pludselig kan forbedre organisationers beslutningstagning?

Cali Collins: Jo, helt sikkert. Jeg tror, meget af det handler om bias. Hvis du spørger mig, hvorfor jeg traf den beslutning, er det, jeg fortæller dig, måske ikke den egentlige grund til, at jeg traf beslutningen på den måde. Vi har alle vores egne perspektiver. Du har dit perspektiv på, hvordan du ville høre mig gentage den beslutning, og jeg tror også, vi talte lidt om det under forberedelsen.

Alt, hvad du gør, er en beslutning. Du kan ikke dokumentere alt, mens du gør det. Jeg traf en beslutning om at logge ind på dette opkald. Skal jeg så skrive det ned? For så skal jeg træffe en beslutning om, hvornår jeg vil skrive den beslutning ned, som jeg lige har truffet. Vores liv er en række beslutninger, og ved at have noget som AI, der automatisk registrerer det, mens du gør det, uden at du bevidst skal dokumentere det, er det dér, den kan hjælpe os.

Galen Low: Det kan jeg virkelig godt lide, for du starter med bias, og jeg er en af dem, der tror på, at bias både kan være godt og skidt. Vi har ubevidste fordomme, som bestemt holder os tilbage som art, men der er også den bias, der kommer af at vide det, man ved. Og ja, vi taler meget om at træffe beslutninger på mavefornemmelsen, og om det er godt eller skidt, men grundlæggende er mange beslutninger faktisk baseret på en form for logik, selv om folk ikke viser deres arbejde.

Der er selvfølgelig også de hurtige beslutninger, hvor tingene går galt. Men vi glider lidt hen over det, fordi vi for det første ikke har tid til at kortlægge alt og forklare hver eneste ting. Vi er nødt til at stole på, at beslutningstagerne træffer gode beslutninger. Og der ligger meget bag, hvilket ikke nødvendigvis er det værste i verden.

Cali Collins: Det er helt rigtigt. Der findes forskning i, hvilken del af hjernen man bruger til forskellige typer beslutninger. Det er en anden del af hjernen, der træffer de hurtige, overilede beslutninger baseret på instinkt, end den del, der arbejder, når man giver sig tid til at tænke over tingene. Det er interessant.

Galen Low: Det kan jeg virkelig godt lide. Måske er det et godt sted at zoome ind, for jeg kan godt lide tanken om de to måder at træffe beslutninger på. Den ene er måske en slags kamp-eller-flugt-reaktion, hvor nødvendigheden af at træffe en hurtig beslutning kan tilsidesætte al den logik og alle de underliggende overvejelser, vi har.

Og så er der den tilstand af ro, hvor man træffer en informeret beslutning ved at evaluere og analysere. På en måde bringer det at have informationen tilgængelig os tilbage til det niveau, hvor vi ikke træffer hurtige beslutninger, fordi vi ved, at vi kan tage os tid.

Vi har information til rådighed, som hurtigt kan nå frem til os, og vi kan træffe beslutningen på et informeret grundlag. Lad mig zoome endnu længere ud, for noget af det, jeg godt kan lide ved din erfaring, er, at du kommer fra produktverdenen. Du er en meget erfaren produktspecialist, som har taget en lidt uventet drejning væk fra at arbejde for organisationer som Meta og ExxonMobil for grundlæggende at bygge et AI-baseret operativsystem til beslutninger.

Jeg håber, det er en rimelig beskrivelse.

Cali Collins: Ja.

Galen Low: Så jeg tænkte, at jeg ville spørge: Hvorfor beslutninger? Hvor har du set fejlbehæftet beslutningstagning få et projekt eller en strategisk plan til at bryde sammen, og hvad er nogle af de underliggende årsager, der fik dig til at designe en løsning på det?

Cali Collins: Alt, hvad du gør, handler om beslutninger. Det er et problem, der omfatter hele menneskeheden, og jeg ville gerne gøre noget, der virkelig kunne påvirke, hvordan vi arbejder til daglig, og som kunne gøre en stor forskel. Som du var inde på, er der de datadrevne beslutninger, man tænker over, og så de umiddelbare, hurtige beslutninger.

Du nævnte sikkerhed, og jeg begyndte at tænke lidt anderledes på sikkerhed, fordi jeg kommer fra projektverdenen og tænker på arbejdsmiljø og sikkerhed, hvis nogen er ved at komme til skade.

Galen Low: Netop.

Cali Collins: Hvis du ser en usikker aktivitet, er der beslutninger, hvor du må gribe ind og handle. Men der er andre beslutninger, hvor du træder et skridt tilbage og er nødt til at analysere dem og tænke lidt mere over dem.

Jeg arbejdede med estimering i mange år. Jeg begyndte med estimering. Jeg havde altid også en produktvinkel, men estimering var mit daglige arbejde. Derfor havde jeg kontakt med mange ledende direktører og ledere. Jeg sad ved forhandlingsbordet, når vi talte tingene igennem, og jeg forstod, hvad der indgår i de store beslutninger.

Jeg så disse ledere, og folk satte dem op på en piedestal og spurgte: "Hvad synes du? Hvad skal vi gøre?" Da jeg et par gange fik mulighed for at sidde alene med nogle af disse ledere, spurgte jeg: "Hvordan ved du, hvad den rigtige beslutning er? Handler det om alle de data, du har? Hvornår når man det aftagende udbytte eller vendepunktet?" Selv disse mennesker sagde: "Ved du hvad? Jeg fortæller dig en hemmelighed. Halvdelen af tiden ved jeg det ikke. Jeg improviserer bare." De var nået til deres position, fordi de havde truffet rigtig gode beslutninger. Men samtidig forventer folk det af dem, selv om de ikke altid har den viden og de data, der skal til for at træffe den rigtige beslutning.

Jeg tænkte, at hvis jeg kunne hjælpe med at styrke de mennesker, der træffer store beslutninger om, hvorvidt man skal bruge milliarder af dollars på det ene eller det andet, og det er et så vigtigt valg, hvordan kan jeg så hjælpe dem med at forstå, hvor det aftagende udbytte indtræffer?

Hvor langt rækker dataene? Og hvordan giver man dem dem hurtigt, så de kan træffe hurtige beslutninger og samtidig stole på deres instinkter, mens de har beslutningsdata til rådighed?

Galen Low: Jeg elsker det sårbare øjeblik. Det giver mening, at det er sådan for mange af os. Vi tænker: "Jeg ved det ikke, men jeg er under pres for at træffe en beslutning. Jeg har truffet gode beslutninger før. Jeg har ingen garanti for altid at træffe den rigtige beslutning, men min sandsynlighed, mit gennemsnit, er ret godt, og derfor er jeg nået til denne rolle. Men nogle gange improviserer jeg bare." Og jeg kan godt lide tanken om, at man ikke behøver at nøjes med det.

Ikke fordi kvaliteten af dine beslutninger allerede er dårlig, men kunne vi få en bedre sandsynlighed for at træffe den rigtige beslutning? Og helt ærligt, også den angst, der følger med at tænke: "Hold da op, jeg sidder i denne position." Måske er der lidt bedragersyndrom, men helt sikkert også pres. Nogle gange taler man om milliarder af dollars og tænker: "Jeg ved det ikke. Jeg er nødt til at træffe en beslutning. Jeg må trække på det, jeg ved, men jeg kan også understøtte den med andre data, som kan informere min beslutning." Og det er vel det smukke ved AI lige nu: dens evne til at samle store mængder information og data og destillere det ned baseret på det, vi har brug for.

Det er måske en god overgang, for jeg kan godt lide idéen om Optimality. Kan du fortælle os lidt om, hvad Optimality gør, hvordan det hjælper, og måske nogle af de anvendelsesområder, der reducerer eller i det mindste minimerer risikoen ved beslutningstagning?

Cali Collins: Absolut.

Vi har arbejdet på Optimality i omkring to et halvt år, og det har naturligvis udviklet sig og virkelig vokset til det, Optimality skal være. Kernen har altid været at forbedre beslutningstagningen, og det udviklede sig til at optimere beslutningstagningen, hvilket er dér, navnet Optimality kommer fra. Der findes en matematisk optimeringsteori, som handler om det aftagende udbytte.

Hvad er den optimale beslutning, der bør træffes? Det har vi virkelig taget til os i det, vi arbejder på. Idéen er, at Optimality bygger på en kontekstgraf. Når du samarbejder i Optimality, bruger du systemet til at forstå, hvad du bør arbejde på i dag, og hvad du lavede i går.

Men det er meget større end det. Det handler om det faktiske indhold og de leverancer, du producerer. Det omfatter alle de beslutninger, du arbejder med. Vi lancerede faktisk en ny beslutningsguide i dag, for få timer siden. Hvis du har en kompleks beslutning, du skal træffe, kan du gå ind i den, og den fører dig gennem processen trin for trin.

Mens du arbejder dig gennem guiden, har du Opti Chat ved siden af dig, og du kan spørge Opti: "Jeg overvejer dette eller dette. Hvad synes du, Opti?" Den hjælper dig med at indramme det. Derefter kommer du til næste punkt: "Hvilke usikkerheder er der omkring den beslutning, jeg prøver at træffe? Hvor spiller min personlige bias ind, eller hvornår traf vi en lignende beslutning sidst, og hvordan gik det?" Du har altid Optis muligheder lige ved hånden, så du kan chatte med den og forstå, hvornår du tidligere har arbejdet med denne beslutning.

Du kortlægger din organisations- og eksekveringsintelligens i systemet. Det absorberer konstant alle disse oplysninger i Optis hjerne i baggrunden – hmm – så den bliver klogere og kan give dig bedre indsigt, når du har brug for at vide, om du skal vælge A eller B, eller om der er en mulighed C, du slet ikke har tænkt på.

Galen Low: Jeg elsker, også bare for at føre det helt tilbage, hvor nørdet navnet faktisk er. Det handler ikke kun om at optimere beslutningstagning; der findes også en matematisk teori om, hvornår man når det punkt, hvor udbyttet af beslutningstagningen begynder at aftage. Det er virkelig interessant. Og ja, du lærte mig under vores forberedelse om idéen med kontekstgrafen som en slags neuralt netværk for nogle af de AI-værktøjer, vi bruger.

Jeg mener, du brugte udtrykket beslutningskontekst, og jeg begynder virkelig at forstå det nu. Opti absorberer al denne information undervejs. Det er ikke sådan: "Vi skal træffe en beslutning. Kan du samle alt materialet og spørge disse mennesker?" Så skal vi samle rådgivning til en beslutningstager, og det kan tage dage. Det er faktisk bare til stede.

Jeg spekulerer på, hvad beslutningskontekst egentlig betyder i et projektmiljø, også uden for AI. Og hvad mangler teams nogle gange i deres beslutningsproces, som dette kan hjælpe med?

Cali Collins: Jeg tror, det handler om, at den menneskelige hjerne er god til visse ting, men også har begrænsninger. Du kan ikke være med til hvert eneste møde og opsamle alle de data, som alle taler om. Forestil dig, at du havde en stedfortræder, der deltog i de andre møder og også absorberede den information.

Det er dér, AI kommer ind. Men fra den menneskelige side er vi baseret på samarbejde og kommunikation, og det var en stor del af det, der førte mig til Meta, fordi de forsøgte at bygge en samarbejdsplatform for hele verden. Folk går derind for at dele og blive en del af et fællesskab. Det er en så vigtig del af det at være menneske, hvilket er lidt mærkeligt at sige nu i denne verden mellem AI og mennesker.

Som menneske er min styrke, at jeg kan mødes med andre mennesker, udveksle idéer med dem og udvikle og ændre mine tanker baseret på det, andre fortæller mig. Derfor skal mennesket stadig være en del af beslutningstagningen. Vi har alle vores egne erfaringer, og vi skal kunne samarbejde for virkelig at finde frem til den bedste beslutning, der kan træffes her.

Galen Low: Jeg kan virkelig godt lide samspillet. Pointen er ikke, at mennesker er dårlige til at træffe beslutninger, fordi vi ikke har kapacitet til at absorbere al denne information, og fordi vi er dårlige til at forudsige fremtiden. Det er muligvis alt sammen rigtigt, men det handler om samspillet mellem, at vi er væsener, der taler sammen, har følelser og træffer beslutninger baseret på dem, og at vi har teknologi – i dag specifikt AI – der kan gøre det, vores hjerne ikke kan.

Den kan samle alt det, der er blevet sagt i samtaler, og destillere det, så vi ikke behøver at sidde foran nogen og sige: "Kan du huske dengang, vi havde det 15 minutter lange møde en tirsdag i december, og du sagde præcis disse ord?" Det har vi ikke kapacitet til, og vi har heller ikke kulturen til det.

Jeg kan godt lide idéen om, at AI rådgiver og informerer, men ikke erstatter samtalen om, hvordan vi træffer beslutningen. Vi skal tale det igennem, så vi kan træffe en god beslutning. Men vi skal også understøtte den med ting, vores hjerne simpelthen ikke kan gøre.

Cali Collins: Præcis, og jeg taler hele tiden tingene igennem med Opti. Hvis der er noget – det ved den sandsynligvis mere om, fordi man i en nystartet virksomhed kun er et lille team. Derfor er det nogle gange rart også at tale tingene igennem med AI og lade den spille idéer tilbage til dig.

Den ved, hvad du arbejder på, fordi Opti bygger på en kontekstgraf. Den ved, hvad du og alle på dit team arbejder med.

Galen Low: Måske kan vi gå videre til det, for jeg tror, AI for mange i mit fællesskab er her. Lad os bare sige det. AI er her. Ja. På en måde er den lidt presset ned over os, ikke?

Det er, som om vi ikke har noget valg med hensyn til at bruge den. Og så er der også dette aspekt af Big Brother, fordi teknologien fungerer sådan, at jo mere kontekst den har, og jo mere den ved, desto bedre kan den gøre det, den skal – hjælpe os lidt. Men jeg tror, folk, der lytter, vil tænke: "Hold da op, det lyder virkelig skræmmende, at Opti bare lytter til alt og tager det hele ind." Er det orwellsk på en måde?

I forbindelse med beslutningskontekst og kontekstgrafering, er der så en måde, hvor vi kan vælge, hvad vi deler med AI for at hjælpe den med at rådgive os bedre? Er det alt eller intet? Og hvis det ikke er alt eller intet, hvad er det så, vi bør dele med AI, selv om den ikke skal have fuld adgang til hvert eneste tastetryk og hver eneste samtale, vi har via vores computere?

Hvad er det rigtige at give AI, så den kan hjælpe os med at træffe bedre beslutninger?

Cali Collins: Da vi først begyndte at bygge Optimality, integrerede vi via API med mine e-mails og min chat. Vi satte det hele i gang, men indså hurtigt, at hvis vi skulle skalere det, var det skræmmende, og folk ville have mere kontrol over, hvad de delte.

Det hænger også sammen med styring af AI. Man ønsker ikke nødvendigvis, at den tager ens information, træffer beslutninger og sender e-mails på ens vegne. Hvis du giver Opti – eller AI – adgang til din adgangskodeadministrator, til at sende e-mails og til din bankkonto, har du åbnet for en hel masse problemer.

Hvis noget hemmeligt bliver lækket i den e-mail, er den person, der startede agenten og sagde: "Ja, det må du gerne," ansvarlig. Juridisk er du ansvarlig ud fra et styringsperspektiv, selv om du aldrig så e-mailen, før den blev sendt. Derfor er det meget vigtigt at forstå det og selv bevare kontrollen over, hvad du giver den adgang til, og hvad du tillader den at gøre.

Derfor har vi sat det op sådan, at du kan vælge: "Efter dette møde vil jeg have dette referat med, eller det vil jeg ikke." Du kan vælge: "Jeg vil have denne e-mail samtale med, eller det vil jeg ikke." Det giver dig også mere kontrol over den gode information, du giver den. Når AI bare er trænet på internettets affald, ved den ikke, hvad der er godt, og hvad der ikke er.

Hvis du kan holde det rent ved kun at give den god information, hjælper det også med at give den mere styrke. Desuden holder vi altid et menneske i kredsløbet. Optimality kan generere dokumenter, skrive udkast til e-mails, opdatere status og gøre alle disse ting, men der er stadig en person til sidst, som siger: "Det er det, jeg vil have den til at gøre." Det er lidt anderledes end mange andre virksomheder, der siger: "Jeg kan bygge et helt marketingteam til dig, som bare kan løbe løbsk, gøre alt for dig, skrive på dine sociale medier og overtage jobbet."

Vi tror i stedet på et større samarbejde mellem mennesker og AI, hvor man arbejder sammen på en god måde. Hvis du vil arbejde med markedsføring, tager du din marketingkasket på og har din marketingassistent med dig – en ekspert i markedsføring, som guider dig undervejs – men det er stadig dig, der træffer beslutningerne.

Galen Low: Det kan jeg godt lide, og jeg tror, mange af mine lyttere også vil kunne lide det. Igen handler det om samspillet mellem teknologi og vores menneskelighed. Jeg vil vende tilbage til idéen om at kuratere, hvad man deler i kontekstgrafen, for jeg synes, det er interessant i forhold til den måde, mennesker træffer beslutninger på.

Men før vi når dertil, indrammede du faktisk en rigtig god anvendelse. Kan vi dykke ned i den? Hvordan kan AI og Optimality hjælpe os med at træffe bedre beslutninger? Jeg kan godt lide idéen om, at vi skal tænke over vores markedsføring, og at vi har en sparringspartner, som vi kan chatte med.

Kan vi gennemgå det trin for trin? Hvordan fungerer det hele, når Optimality arbejder i baggrunden, indsamler information, og vi så siger: "Okay, vi skal udvikle en kampagne, eller vi skal skrive ugens opslag på LinkedIn"? Hvordan ser samspillet ud, og hvordan er det forbedret i forhold til, hvis vi ikke havde AI bagved?

Cali Collins: Ja, selvfølgelig. Et af de anvendelsesområder, vi bevæger os ind i, er et forretningsoperativsystem, der bygger på Optimality. Du kan tænke på Optimality som en platform, der muliggør mange forskellige gode anvendelser, lidt ligesom Excel. Du kan gøre alle mulige ting i Excel, men det fortæller dig ikke, at du skal bruge formler til at lave et budgetark.

Det muliggør den funktion. Vi har mere struktur end Excel, men vi tillader også mange forskellige anvendelser. En af de spændende, vi begynder at arbejde på nu, er et forretningsoperativsystem. Det vil gøre det muligt for dig at gå ind i Optimality, fortælle den om dine mål og hvad du vil gøre, hvorefter den tager oplysningerne, dokumenterer dem, opretter strategien for dig og spørger: "Er det det, du vil?"

Du taler lidt frem og tilbage med Opti og siger: "Ja, det er faktisk nogenlunde det, jeg vil. Gem det." Den kortlægger din plan for at nå dine mål. Det sker automatisk med AI. Du kan gå ind og ændre den og gøre, hvad du vil, men den hjælper dig med at skabe struktur omkring opbygningen af en virksomhed. Det er kun én anvendelse.

Du kan også bruge det til at bygge et raffinaderi. Chevron er for eksempel en af vores kunder. Men hvis vi holder os til den første anvendelse, hvor jeg vil bygge en virksomhed, vil nogle af trinnene spørge: "Vil du have, at Opti hjælper dig med din marketingplan? Vil du have, at Opti hjælper dig med at udvikle indhold til dette? Vil du have, at Opti gør alle de ting, agenter kan gøre?" Du kan arbejde side om side med AI og gøre det tilgængeligt.

Der er mange, der driver små og mellemstore virksomheder eller overvejer at starte en bibeskæftigelse. De er nysgerrige på AI, men ved ikke rigtig, hvor de skal begynde. Hvordan gør vi det nemt uden at åbne Claude, forsøge at finde ud af, hvordan man kører agenter, og bruge så mange tokens? Jeg er selv en ivrig Claude-bruger. Jeg taler ikke dårligt om det. Jeg elsker det og bruger det hver dag. Men det tager tid at komme dertil, og for de fleste almindelige mennesker er det ikke særlig tilgængeligt.

Det er blot ét af de anvendelsesområder, vi arbejder med.

Galen Low: Det er fantastisk. Og først og fremmest tak, fordi du sagde alt det. Jeg havde oprindeligt tænkt: "Her kommer Cali til at sige: 'Ingen kritik af vibekodning.'" Men du ramte virkelig hovedet på sømmet. Adgangsbarriererne for eksempelvis at bygge en virksomhed er meget lavere, men der er også en hype om, at man kan vibekode et helt produkt og en hel platform på én dag.

Nej, det kan man ikke. Men det er sandsynligvis meget nemmere at gøre end før, ikke? Der er en mellemvej. Du sagde, at Excel er et meget generelt værktøj, mens Optimality sætter noget af dette på skinner. Hvis Claude var Excel, er Optimality mere specialiseret og bedre egnet til en bestemt opgave end en generel chatbot.

Nogle, der lytter, tænker måske: "Cali, det kan jeg godt. Jeg gør det allerede i Claude. Claude hjælper mig med min markedsføring." Men det andet, og ret mig, hvis jeg tager fejl, er, at arbejdet faktisk bliver udført i Optimality. Det er ikke bare: "Jeg går over i min chat, får nogle råd, eksporterer et dokument et andet sted hen, og så skal jeg selv huske, hvornår det skal afleveres, offentliggøre det eller træffe de næste beslutninger."

Er det sådan? Bliver arbejdet faktisk udført? Er det ikke bare en platform til optimering af beslutninger, men også en platform til arbejde og samarbejde?

Cali Collins: Det er absolut en samarbejdsplatform. Nu ser du, hvor den virkelige værdi ligger. Efter at du er blevet den ene person, der prøver at starte en virksomhed uden helt at vide, hvad du skal gøre, og vi har skabt lidt struktur omkring det, er det næste store område de små virksomheder, der vokser til et punkt, hvor du ikke længere ved præcis, hvad alle laver.

Hvis du kan få dem ind i systemet, hvor de samarbejder, og sige: "Denne person arbejder med dette område, og disse personer gør dette", bygger du samtidig din kontekstgraf. Hvad er virksomhedens vision? Hvad er dens mission? Hvad er dens principper? Det bliver en del af Optis hjerne.

Når den kommer med forslag til en marketingstrategi og giver dig forskellige muligheder, er det baseret på det, du har fortalt den. Den ved, hvad der er vigtigt og værdifuldt for dig. Bygger du en blomsterbutik og vil være verdens største blomsterbutik, eller vil du være den bedste blomsterbutik i din lille by, fordi du har en særlig niche og brænder for den? Konteksten hjælper med at indramme det.

Ja, du kan gå til Claude og sige: "Lav en marketingplan til mig." Den svarer med noget generisk. Den forstår ikke alle de detaljer og bevægelige dele, der foregår i dit system og dit økosystem.

Galen Low: Det kan jeg godt lide. Og det, du nævnte om, at synligheden nogle gange forsvinder, når virksomheden vokser, er interessant. Traditionelt starter vi ofte som små og improviserende, og så står vi pludselig med 15 eller 50 medarbejdere og tænker: "Åh nej, jeg ved ikke, hvad der foregår. Jeg kender ikke engang nogle af deres mellemnavne." Er processerne stadig rigtige? Gør folk stadig tingene korrekt og i overensstemmelse med vores værdier og mission?

Jeg vil vende tilbage til min rolle som djævlens advokat omkring, hvad vi giver til AI – og måske også til mennesker – for at hjælpe os med at træffe beslutninger. Skal alle for eksempel vide, at jeg havde en tandlægetid sidste fredag? Måske behøver man ikke fuld adgang til min kalender.

Historisk har jeg også været i rum, hvor beslutninger træffes ud fra idéen om, at vi ikke behøver at give alle hele billedet. Man skjuler information eller udelader ting. På mange måder bliver beslutninger truffet sådan, fordi vi ikke har givet alle oplysningerne videre.

Hvis vi ikke giver AI hele konteksten, begrænser vi så ikke dens evner? Det virker som et balancepunkt mellem at give for meget information, hvor menneskelige nuancer måske kan forvirre den, og næsten at manipulere den til et bestemt resultat ved at undlade at dele noget.

Hvordan beskytter vi os mod, at mennesker misbruger AI til at skubbe beslutninger i en bestemt retning? Og er der beslutninger, der kræver menneskelig nuance, og som vi bør lede på en mere menneskelig måde i stedet for altid at bruge samme tilgang?

Cali Collins: Når det handler om, hvad man giver AI, ved den ikke, hvordan den skal prioritere, hvad der er vigtigt. Hvis du bare hælder alt ind i den, uden at forklare, at et bestemt referat var med en ledende direktør, og at det, der blev sagt dér, skal veje tungere end noget andet, mangler den nogle regler.

Man skal ikke bare give den absolut alt, fordi den ikke helt ved, hvad der er vigtigt, og hvad der er vigtigt for hvem, medmindre man giver den den information. Når det gælder beslutninger, vil vi helt sikkert have, at mennesket træffer den endelige beslutning.

Kan vi træffe bedre beslutninger, hvis vi får de nødvendige data? Ja, det har vi også brug for. Da jeg var hos ExxonMobil, opbyggede jeg et kompetencecenter for vidensstyring og en AI-baseret platform til vidensstyring og læring. Et af de store anvendelsesområder var en produktchef eller projektleder inden for byggeri, der sagde: "Jeg har været på fem projekter. Hver gang vi har gjort dette, er det mislykkedes. Det bør vi ikke gøre."

Måske er de fem projekter bogstaveligt talt de eneste gange, hvor denne situation er mislykkedes, mens det alle andre gange er gået godt. Det er de 2 procent. Skyldes det den pågældende person? Måske. Og personen er også på dette projekt? Måske. Det er noget, AI kan hjælpe med.

Men vi vender tilbage til den bias, vi talte om i begyndelsen. AI kan hjælpe med at eliminere noget af den. Samtidig siger personens egen bevidsthed: "Det her ser bare ikke ud til at fungere." Personen ved noget, som andre ikke ved. Skal man bare sige: "Det var de 2 procent, glem det, din mening betyder ikke noget"? Nej. Men det faktum, at det er de 2 procent, giver rummet mulighed for at træffe en mere velinformeret beslutning.

Galen Low: Det kan jeg godt lide, for det handler ikke om, at nogen enten har ret eller tager fejl. Der er noget at lære her, og måske kan vi undgå at træffe meget generelle beslutninger på baggrund af en stikprøve på én eller fem personer fra én kilde. Men der er også information og viden, vi skal tage højde for, for hvis det skete fem gange, må der være noget, vi bør undersøge.

Det, jeg kan lide ved eksemplet, er, at det kan bruges både før og efter beslutningen. Vi kan sige: "Vi skal træffe denne beslutning. Lad os samle alle de oplysninger, vi kan." Eller vi kan tale om det som mennesker og derefter faktatjekke det og bruge kritisk tænkning for at forbedre beslutningens kvalitet.

Det giver os mulighed for at være mere datadrevne og ikke bare lytte til de højeste stemmer i rummet. Det sker ofte, fordi ingen vil udfordre den meget erfarne projektleder, der har set alt og kæmper imod enhver indvending. Så lader man det ligge. Men det kan føre til mange års dårlig beslutningstagning, når indsatsen er meget høj.

Cali Collins: Præcis. Nogle mennesker er bedre til hurtig beslutningstagning. De er fremragende til det. Andre er meget dårlige til det og har brug for tid til at tænke, overveje og kortlægge det hele på en tavle. Vi træffer ikke alle beslutninger på samme måde, og vi er heller ikke alle gode til at træffe beslutninger på samme måde. Det kan også være med til at udligne spillefeltet.

Eller gøre dig opmærksom på, at du måske ikke er så god til hurtige beslutninger, og at du bør træde et skridt tilbage og tænke lidt længere over det.

Galen Low: Jeg har anskuet dette fra en teknologivinkel og kom ikke engang på at spørge, men hvad har du lært om menneskelig beslutningstagning, mens du har bygget produktet?

Jeg kan godt lide idéen om, at nogle mennesker er gode til hurtige beslutninger, mens andre er dårlige, og nogle måske er dårlige, men tror, de er gode. Lad os fokusere på projektledere. Nogle gange har vi ansvaret for ikke altid selv at træffe beslutninger, men for at facilitere dem. Vi vil have beslutninger af høj kvalitet, men de skal også træffes rettidigt.

Vi arbejder med store personligheder, interessenter og executive sponsorer. Hvilke praktiske vaner eller taktikker kan projektledere udvikle for at hjælpe de involverede i deres projekter med at træffe gode beslutninger uden at ofre tempoet? Hvordan ved man, om en hurtig beslutning faktisk er en meget dårlig beslutning?

Cali Collins: Der er flere forskellige områder i det. Jeg har faktisk en bachelorgrad i psykologi.

Galen Low: Det vidste jeg ikke.

Cali Collins: Det er nok derfor, du får lidt af den vinkel med.

Jeg er også afhængig af selvhjælpsbøger, nu mest lydbøger. Jeg elsker podcasts og alt, der taler om den menneskelige psyke, hvorfor vi tænker, og hvorfor vi gør tingene, som vi gør. Derefter gik jeg ind i byggeledelse og tog endnu en bachelorgrad, fordi jeg ikke kunne bruge psykologiuddannelsen til så meget.

Det fik mig virkelig til at forstå alle de beslutninger, folk træffer fra et byggefagligt perspektiv. Hvorfor træffer de disse beslutninger? Senere tog jeg også en MBA, så jeg kunne triangulere omkring alle disse forskellige områder. Når jeg tænker tilbage på dit oprindelige spørgsmål om, hvordan man ved, om man træffer gode eller dårlige beslutninger, handler det om at kunne registrere vidensstyringssiden: Hvad blev resultatet, og hvorfor traf du beslutningen, da du traf den?

På den måde kan AI forhåbentlig gå tilbage og reflektere over det, fordi mennesker ikke tager sig tid til at gøre det, især ikke hvis det gik dårligt. Hvorfor gik det dårligt?

Et andet område, vi undersøger, er AI og dataenes herkomst og afstamning. Hvordan bevæger dataene sig gennem systemet? Hos Meta byggede jeg en platform til AI-datas afstamning, som kortlagde alle træningsdata til deres AI-modeller på tværs af Meta. Det var min opgave.

Vi har bygget lidt af den samme funktion ind i Optimality. Hvis der er et dokument, du har fået den til at skabe, for eksempel en marketingplan, kan du åbne det og se: "Dette afsnit kommer fra disse referater. Dette afsnit kommer fra det, denne person fortalte mig." Den ved ikke kun, hvad den skal sige; den vil heller ikke være en sort boks. Den vil vise, hvor oplysningerne kommer fra.

Det kan være skræmmende for nogle, for hvis den indsatte noget, du besluttede, og det ikke virkede, ved den nu, at det var dig, der traf beslutningen.

Men som mennesker kan vi ikke forbedre os, hvis vi træffer dårlige beslutninger igen og igen uden at være bevidste om, hvad der fik det til at ske, eller at vi traf dårlige beslutninger på et bestemt område. Man kan ikke udvikle sig eller forbedre virksomheden uden forandring. Man skal turde være sårbar og forstå, hvordan man kan blive bedre. Det hjælper alle, og jeg tror også, AI kan synliggøre noget af det for mennesker, selv om det kan være ubehageligt.

Galen Low: Jeg spurgte, hvordan AI kan hjælpe os med at træffe bedre beslutninger, og jeg tænkte: "Data. Det må være data." Men den måde at indramme det på – at give os mulighed for at evaluere de beslutninger, vi træffer, skabe sporbarhed og bruge den synlighed til at reflektere og forbedre os – er virkelig interessant.

Vi siger ikke, at AI til sidst vil træffe bedre beslutninger end mennesker, så mennesker ikke længere behøver at træffe beslutninger. Faktisk bliver menneskelige beslutninger måske stadig vigtigere. Vi har dog ofte en forestilling om, at gode ledere bare er mennesker, der træffer gode beslutninger. Som vi talte om i begyndelsen, improviserer mange af dem faktisk bare og har måske en god succesrate.

Cali Collins: Intuition.

Galen Low: Ja, deres intuition. Men selv om de er meget selvbevidste omkring alle de beslutninger, de træffer, er dette faktisk en mulighed for at forbedre sig. Du nævnte også sikkerhed tidligere, fysisk sikkerhed mod skade, og at vi gerne vil kunne evaluere nogle af den slags hændelser og spore dem.

Det handler ikke om at bruge kontekstgrafen til at finde ud af, hvem der lavede en fejl, så man kan straffe vedkommende. Vi kan faktisk bruge den til at forbedre den måde, vi alle træffer beslutninger på, for jeg har aldrig mødt et menneske, der altid træffer gode beslutninger eller altid forstår hvorfor.

Cali Collins: Ja.

Galen Low: Jeg vil gerne vende tilbage til styring og ansvarlighed, for jeg tror, det er vigtigt. Lige nu vil det være mennesket, der er ansvarligt for en god eller dårlig beslutning, selv hvis AI satte den i gang. Men AI træffer beslutninger hele tiden. Som du nævnte i begyndelsen, er vi alle beslutningstagere. Det er ikke kun en bestemt gruppe mennesker, og det er heller ikke kun en bestemt type teknologi.

Hvilke værn skal vi som mennesker etablere, så vi ikke blot hjælper AI med at undgå dumme fejl, men også forstærker god adfærd og skaber en situation, hvor AI bliver bedre til at træffe beslutninger? Og kan vi nå et punkt, hvor vi har forbedret den så meget, at den kan træffe beslutninger og være ansvarlig for dem? Hvis det er en mulig fremtid, hvordan ser den så ud?

Cali Collins: Der foregår meget kommunikation og forskning på dette område.

Hvis vi tænker på store sprogmodeller, er AI en række beslutninger. Den beslutter, hvilket næste ord den skal skrive, baseret på hvilket ord der sandsynligvis er det bedste næste ord. Den træffer en række beslutninger ud fra det, den er trænet til at gøre.

Du kan begynde med at sige: "Jeg vil have, at den skriver udkast til e-mails for mig." Måske er den ikke særlig god i starten, men den bliver bedre til at skrive e-mails eller svare på direkte beskeder på virksomhedens sociale medier. Hos Meta fik jeg for eksempel præsenteret en funktion, der kunne sende svar på direkte beskeder til virksomheden. Jeg så nogle af udkastene og tænkte: "De er ikke særlig gode." Men jeg kan redigere dem og træne den, så den bliver bedre.

Det vil jeg måske gøre for visse ting med lav risiko. Hvis du sælger T-shirts, og en kunde spørger, om et design findes i en bestemt størrelse, kan AI sandsynligvis slå det op og svare. Men der kan være andre e-mails, som du ikke vil have AI til at besvare. Derfor skal man forstå de forskellige værn.

Der forskes også i, om AI når et loft for, hvor komplekse beslutninger den kan træffe. Vores filosofi er at holde mennesket i kredsløbet og langsomt overlade ting til AI, som man føler, man kan give den – for eksempel svar på forespørgsler med lav risiko.

Men jeg vil stadig være ansvarlig, for jeg ønsker ikke at overdrage mit juridiske ansvar og min betroede pligt til Optimality, som har adgang til mine e-mails og kan svare andre og måske lække noget, der skader virksomheden. Det er ikke en risiko, jeg er villig til at tage.

Jeg vil selv forblive i kredsløbet og lade AI gøre andre ting for at optimere min dag.

Galen Low: Det er interessant, fordi vi har eksempler uden for AI, blandt andet medicinsk udstyr, der stiller diagnoser inden for en vis tolerance. Ikke: "Du har kræft i stadie fire," men på et bestemt niveau kan det træffe vurderingen. Hvem er ansvarlig i sådan et tilfælde? I nogle scenarier påtager producenten af det medicinske udstyr sig ansvaret for diagnosen, men det er ikke nødvendigvis sådan i alle sammenhænge.

Derfor vender vi tilbage til mennesket i kredsløbet. Vi talte tidligere om oplæring af juniorprojektkoordinatorer. Hvordan kan vi give dem feedback og sikre situationer, hvor de kan forbedre sig, og hvor tolerancen er høj? At besvare en e-mail om en T-shirtstørrelse, en deadline eller en leverance er måske fint, selv hvis svaret ikke er perfekt. Ingen fly styrter ned.

Men der er ting, man ikke må gøre, som at love en ny dato uden at konsultere mig. Der er forskellige niveauer af ansvarlighed. Jeg er naturligvis ansvarlig for, at min juniorprojektkoordinator lover noget til en kunde eller sponsor uden at spørge de rette mennesker. Det er et læringsøjeblik, men jeg er stadig ansvarlig for det.

Cali Collins: Jeg kan godt lide det. Tænk på det som en praktikant, hvor du er ansvarlig for praktikantens handlinger ud fra det, du har bedt vedkommende om at gøre.

AI kan ikke være ansvarlig, fordi den ikke har en ansvarsfølelse. Man kan ikke fyre den eller give den en degradering, fordi den traf en dårlig beslutning. Men et andet interessant anvendelsesområde er overholdelse af kontrakter.

Man kan træne AI: "Dette er mine kontraktlige krav og specifikationer. Hold øje med det, jeg gør, og giv mig besked, hvis jeg potentielt er ved at bryde kontrakten." Den gør det ikke for mig, men holder øje bag min ryg for at holde mig sikker, i overensstemmelse med kontrakten og inden for styringen.

Galen Low: Det er virkelig smart. Jeg kan godt lide idéen om at give feedback, så modellerne bliver bedre og mere kompetente. Måske når de ikke et punkt, hvor de selv er ansvarlige, men vi kan bruge de lærbare øjeblikke. Og vi kan bruge AI til det, den er bedst til: Jeg kan ikke holde alle vores serviceniveauaftaler i hovedet på én gang. Det ville være fantastisk, hvis noget kunne gøre det.

Lad os slutte af med at tale om fremtiden. AI bliver bedre og bedre til at samle ting og afgøre, hvad der er vigtigt. Måske har den også bedragersyndrom, når den tænker: "Er det det rigtige ord, der kommer nu?" Men uanset hvad påvirker det, hvordan beslutninger træffes i det daglige arbejde og ved store strategiske beslutninger, hvor milliarder af dollars kan være på spil.

Hvad sker der med projektlederens rolle, hvis AI bliver bedre til at opdage risici, synliggøre afhængigheder og anbefale beslutninger? Hvad betyder det for de roller, vi har som mennesker?

Cali Collins: Den bliver endnu vigtigere. Projektlederrollen bliver meget vigtigere. Jeg kommer fra estimering og projektstyring. Mit job var at samle dataene og give dem til den øverste leder, så vedkommende kunne træffe beslutninger.

Den tragt bliver kortere. Det betyder ikke, at vi fjerner medarbejdere inden for projektstyring, men at de får bedre roller. De behøver ikke bare løbe rundt og spørge: "Blev dette færdigt i dag?" De kan bruge tiden på ting, der ikke er kedeligt rutinearbejde, analysere dataene, bruge deres ekspertise, forbedre tingene og give det videre til produktlederen.

I softwarebranchen havde man tidligere måske otte til ti udviklere pr. produktleder. Det tal falder, fordi udviklerne bliver mere effektive. Man får brug for mere produkt- og projektledelse, fordi det er de mennesker, der styrer retningen og beslutningerne. Når man får meget mere data, meget hurtigere og med bedre information, får man brug for flere mennesker, der kan træffe store beslutninger på baggrund af den.

Jeg har selv været overbelastet i produktarbejdet, fordi mine udviklere bliver hurtigere. Nu spørger de: "Vil du ikke bare vibekode dine idéer og give dem til os, så omsætter vi dem til rigtig kode?" Jeg siger: "Jo." Jeg lærer også, hvordan man gør. Det sænker adgangsbarrieren for at bygge noget selv, men det gør roller inden for produkt, projekt og strategiske beslutninger endnu mere værdifulde.

Galen Low: Det synes jeg er fantastisk. Jeg havde ikke forventet et så optimistisk svar, men du har ret. Arbejdets hastighed stiger, og nogle gange får færre mennesker mere fra hånden. Men der er roller som produkt- og projektledere, der leder, guider og faciliterer beslutningstagning. Hvis arbejdet foregår hurtigere, har vi måske brug for flere af dem.

Jeg kan også godt lide, at du ikke sagde, at data går direkte fra AI til beslutningstageren. Man skal stadig forstå, analysere og vurdere den. Og som du sagde tidligere, træffer vi stadig beslutninger ved at tale dem igennem. Det er måske en menneskelig svaghed, men det er sådan, vi er. Vi vil ikke have, at en maskine fortæller os, hvordan vi skal træffe vores beslutning. Der er et menneskeligt og overbevisende element, hvor vi dobbelttjekker tingene og har samtalen for at føle os sikre på, at vi er nået frem til en god beslutning.

AI forstærker bare dette.

Cali Collins: Det gør den helt sikkert.

Galen Low: Cali, det har været så sjovt. Tak, fordi du tog dig tid til at være med i dag. Hvor kan folk lære mere om dig og Optimality?

Cali Collins: Vi er naturligvis på LinkedIn, og jeg er også på LinkedIn. Optimalitypro.com er hjemmesiden. Man kan tilmelde sig en gratis 14-dages prøveperiode på Optimality eller se, hvad vi arbejder med.

Vi holder det live og løbende opdateret, og efterhånden som vi bygger flere spændende branchespecifikke anvendelser ovenpå, kommer der understøttende dokumentation og alt det andet. Så gå ind på optimalitypro.com og se det.

Galen Low: Fantastisk. Jeg indsætter links i shownoterne til din profil og Optimalitys hjemmeside. Tak, fordi du var med. Din baggrund er virkelig interessant. Jeg kendte ikke engang til psykologidelen. Det har været sjovt og meget indsigtsfuldt. Beslutninger – de får verden til at dreje rundt.

Nu har vi AI med i billedet, men vi har stadig mennesker med, og det er virkelig en spændende tid at leve i.

Cali Collins: Præcis. Det er spændende lige nu.

Galen Low: Tusind tak, Cali.

Cali Collins: Tak.

Galen Low: Så er det slut for dagens episode af Digital Project Manager Podcast. Hvis du nød samtalen, så husk at abonnere, uanset hvor du lytter. Hvis du vil have endnu flere praktiske indsigter, casestudier og værktøjskasser, kan du oprette en gratis konto hos os på thedigitalprojectmanager.com. Vi høres ved – tak fordi du lyttede.