Sporer du de forkerte målepunkter? Sådan kan AI mindske risikoen ved levering

Læs transskriptionen:

Vi er i gang med at afprøve transskription af vores podcasts ved hjælp af et softwareprogram. Tilgiv venligst eventuelle stavefejl, da robotten ikke er korrekt 100 % af tiden.

Galen Low: Hvordan kan en organisation eller et team afgøre, om de følger de rigtige målepunkter, og hvad kan de gøre, hvis de opdager, at de hele tiden har målt på det forkerte?

Lior Gerson: Du skal følge det, der hjælper dig med at nå derhen, hvor du gerne vil. Alt andet er støj.

Galen Low: Gå os igennem et eksempel på enten et målepunkt, der måske var det forkerte, og processen med at ændre det til at måle det rigtige.

Lior Gerson: En af vores kunder ønskede at forbedre den måde, de forudsagde, hvad de ville levere hvert kvartal. Han kunne tage vores platform i brug og automatisere det, og det tog ham cirka en dag. Men nu har han, når han ønsker det, svaret lige foran sig: Hvad kommer jeg til at levere denne måned?

Tror du, at der kommer et tidspunkt, hvor en AI-agent bliver projektleder eller helt erstatter projektlederen?

Galen Low: Jeg tror, at svaret er ja for nogle menneskers definition af, hvad en projektleder laver.

Velkommen til The Digital Project Manager-podcasten – programmet, der hjælper leveranceledere med at arbejde smartere, levere hurtigere og lede bedre i AI-alderen. Jeg hedder Galen, og hver uge dykker vi ned i strategier fra den virkelige verden, nye værktøjer, gennemprøvede rammeværk og lejlighedsvise krigshistorier fra projektfrontlinjen.

Uanset om du styrer massive transformationsprojekter, håndterer AI-arbejdsgange eller bare forsøger at holde kaosset under kontrol, er du kommet til det rette sted. Lad os komme i gang.

I dag taler vi om, hvordan traditionelle opfattelser af måling af projektsucces bliver udfordret, og hvorfor AI-drevne værktøjer til KPI-styring måske er din eneste mulighed for at følge med den voksende liste af variabler, der kan afgøre, om dit projekt når sine mål.

Med mig i dag er Lior Gerson, medstifter og administrerende direktør for TargetBoard.ai. Lior begyndte sin karriere hos mySupermarket, som var Storbritanniens største prissammenligningswebsted og betjente titusindvis af millioner brugere hver måned. Her var han ansvarlig for projekter til flere millioner dollar i samarbejde med giganter som Walmart, WPP og Dentzu.

Derefter grundlagde han Vroom.com som teknologidirektør, en online-bilforhandler, der blev børsnoteret til en værdi af 2,5 milliarder dollar. Efter det ledede han produktområdet hos Placer.ai, en enhjørningsvirksomhed inden for lokationsanalyse, der behandler petabytes af data. Og i dag leder han naturligvis TargetBoard, et AI-drevet værktøj til KPI-styring.

Lior, mange tak, fordi du vil være med i dag.

Lior Gerson: Tak, Galen. Det er en fornøjelse at være her.

Galen Low: Jeg glæder mig virkelig til at tale med dig, fordi du har en utrolig dyb viden om KPI'er og om at træffe datainformerede beslutninger, der fører til succes. Jeg håber faktisk, at samtalen bevæger sig steder hen, som jeg ikke havde planlagt, men her er den plan, jeg har skitseret for os i dag. Til at begynde med ville jeg gerne have ét stort og presserende spørgsmål af vejen – det spørgsmål, alle gerne vil kende svaret på.

Bagefter vil jeg gerne zoome ud og tale om tre ting. For det første vil jeg tale om kulturelle forskelle omkring KPI'er, og hvordan man oversætter målepunkter på tværs af forskellige niveauer i en organisation. Derefter vil jeg gerne tale om, hvordan projekt-KPI'er ændrer sig, og hvor du ser dem bevæge sig hen. Til sidst tænkte jeg, at vi kunne fokusere på nogle praktiske måder, hvorpå virksomheder og projektteams kan komme i gang med at bruge AI-forbedret KPI-sporing, og hvordan det kan påvirke deres arbejdsgange – på godt og ondt.

Hvordan lyder det?

Lior Gerson: Det lyder godt. Jeg tror, det bliver en fascinerende diskussion.

Galen Low: Fremragende. Det synes jeg også. Okay, her kommer det presserende spørgsmål. På det seneste har der været meget snak om, at mange projekter og faktisk hele organisationer måske måler og følger det forkerte.

For projekter har jeg set mange diskussioner, der udfordrer alt fra den tidligere hellige jerntriade – omfang, tidsplan og budget – til agile målepunkter som hastighed. På organisationsniveau har jeg set folk rette blikket mod ting som omsætning pr. fuldtidsmedarbejder, bruttoavance og udnyttelsesgrad. Det store emne i min verden, i hvert fald i projektledelsesverdenen, er, hvordan projektledere ikke kun bør måle projektets sundhed, men også projektets effekt.

På den baggrund er mit presserende spørgsmål: Hvordan kan en organisation eller et team afgøre, om de følger de rigtige målepunkter, og hvad kan de gøre, hvis de opdager, at de hele tiden har målt på det forkerte?

Lior Gerson: Ja, det er et godt spørgsmål. Det projekt eller den indsats, du arbejder med, skal være afstemt med en forretningsstrategi, ikke? Med en produktstrategi.

Uanset hvor virksomheden gerne vil hen. Men når du placerer det i projektledelsens ramme, er det eneste, du virkelig vil opnå, at sige: Okay, jeg vil nå mine milepæle til tiden og inden for budgettet, med så lidt friktion og så meget nøjagtighed og forudsigelighed som muligt, ikke? Så alle de målepunkter, du skal følge, er dem, der hjælper dig med at nå frem til den tilstand.

Det kan være hvad som helst. Det kan være, hvor hurtigt testene bevæger sig, hvor ting er blokerede, feriedage eller hvordan folk bruger AI. Du kan følge hvad som helst, så længe det holder dig inden for den ramme, som beskriver det, du faktisk forsøger at opnå. Men hvis du ikke følger de ting, der hjælper dig med at nå målet, følger du de forkerte ting.

Galen Low: Jeg kan godt lide det perspektiv, fordi jeg tror, at vi har en tendens til at søge efter de rigtige ting at måle. Jeg sagde det endda i spørgsmålet: Hvad er det rigtige at måle? Du siger faktisk, at det, der hjælper dig fremad, er det rigtige at måle – også selv om det er meget anderledes end det, et andet team gør.

Lior Gerson: Du skal følge det, der hjælper dig med at nå derhen, hvor du gerne vil. Alt andet er støj.

Galen Low: Det er rimeligt. Så for de mennesker, der tænker: Lior, du taler mit sprog – vi følger bestemt ikke de rigtige ting. Vi er nødt til at komme i gang. Hvordan kortlægger man, hvad de rigtige ting er, som kan føre en fremad? Findes der en bedste praksis eller en proces?

Lior Gerson: Du skal forstå din virksomhed. Du skal forstå dit projekt. Du skal forstå, hvad der flytter nålen. Hvad er de faktorer, der skaber bevægelse og effekt?

Er det mennesker? Er det ressourcer? Er det kompleksitet? Hvordan pakker du det hele ud og siger: Okay, det her er komponenterne. Det her skal ske nu. Hvordan følger jeg op på, at det faktisk sker og ikke falder mellem to stole? Det er svært. Du kommer til at have mange værktøjer.

Data kommer til at være spredt overalt. Den bliver ikke opdateret. Og du kommer til at sige: Folk opdaterer ikke deres system, så det er skrald ind og skrald ud, og jeg kan ikke gøre det. Du bruger al den tid uden at se noget afkast. Der er en million måder og en million grunde til, at det ikke kommer til at fungere, men vi har brug for, at det fungerer. Så ansvaret ligger hos dig.

Galen Low: Okay, det giver mening. Kan du måske føre os gennem et eksempel – enten på et målepunkt, der var det forkerte, og processen med at ændre det til at måle det rigtige, eller på et utraditionelt målepunkt, som en, du har arbejdet med, fulgte, og som faktisk hjalp med at føre dem frem mod målene?

Lior Gerson: Lad mig tale om en af vores kunder. De hedder Versa. En af deres ledere ønskede at forbedre, hvordan de forudsagde, hvad de ville levere hvert kvartal. Planen var at forbedre planlægningens nøjagtighed og prognoserne.

De arbejdede meget hurtigt, og tingene ændrede sig hele tiden. Prioriteter ændrede sig, kapaciteter ændrede sig, og folk flyttede mellem teams. Derfor blev det meget kompliceret. Han udviklede en formel, der tog hver bidragyders og hvert teams tidligere resultater og lagde dem sammen med den aktuelle kapacitet for teamet eller gruppen.

I stedet for at skulle samle alle data i Excel – oplysninger om feriedage, opgaver, prioriteter og meget andet – kunne han bruge vores platform til at automatisere det.

Det tog ham cirka en dag. Men nu har han, når han ønsker det, svaret lige foran sig: Hvad kommer vi til at levere denne måned? Hvis den administrerende direktør eller produktdirektøren kommer og siger, at en prioritet skal ændres, kan han se, hvad der rent faktisk vil ændre sig, og hvordan det påvirker alle de initiativer, de forsøger at skubbe fremad.

Jeg syntes, det var genialt at tage data og placere den i den rigtige kontekst, så den fortæller den historie, han har brug for at fortælle.

Galen Low: Jeg var netop til en agil konference, og jeg nævnte hastighed tidligere. Alle siger, at det er et dårligt mål for effekt. Og nogle gange er det også et dårligt mål, fordi man i mange agile teams forventes at have et dedikeret team.

Men folk, jeg taler med, siger, at det aldrig sker. Folk holder ferie eller bliver trukket over på andre projekter. Så man ser på hastighedsmålingen, der går op og ned, og forsøger at planlægge fremad, mens man tænker: Hvad foregår der?

Det er ikke et særligt godt målepunkt. De fleste ville nok enten ikke tænke på at have et samlet målepunkt baseret på dynamiske data, eller også ville de ikke vide, hvordan de skulle bygge det. Men det giver god mening. Det er næsten som realtidsbaseret ressourcestyring: Denne person er væk, så vi bør forvente et fald i vores output, vores præstation eller vores effekt.

Det henter faktisk data fra andre steder i stedet for at forsøge at have ét enkelt mål, ét målepunkt, der skal herske over alle andre. Det fungerer som det, men det er et samlet målepunkt. Det synes jeg er virkelig interessant.

Lior Gerson: Det er interessant, at du bringer det op. Tænk på, hvordan data bevæger sig gennem virksomheden. Når en person forsvinder, tager det tid, før folk ved det. En leder ved det måske, men før informationen når frem til den rigtige person, som forstår, hvordan det påvirker projektets tidsplaner, og hvilke sekundære eller tertiære effekter det får, kan der gå dage eller uger. Den tid får du ikke tilbage.

Hvis du tilføjer flere ressourcer, forlænger du bare tidsplanen. Den bliver ikke nødvendigvis kortere. Der er en læringskurve. Jo hurtigere du får informationen gennem organisationen og frem til de rigtige mennesker, desto større bliver effekten. Den vokser eksponentielt.

Galen Low: Den forsinkelse er virkelig. I vores fællesskab taler folk hele tiden om, at de ville ønske, nogen havde fortalt dem, at deres førende udvikler skulle på ferie i tre uger. Selv i min egen rolle ser jeg den forsinkelse hele tiden: Man modtager en ferieanmodning, og der er en proces, et flow og flaskehalse, før nogen overhovedet ved, at personens ferie er godkendt.

Lior Gerson: Ferie er nemt. Tænk på, at du arbejder på afstand, sidder på Zoom, og nogen er væk. Hvem er væk? Ingen har fortalt dig det.

Galen Low: Ja, jeg forstår det.

Lior Gerson: Efter to uger svarer personen ikke på mine opkald, og jeg tænker: Hvad sker der? Nå, han er her ikke længere.

Galen Low: Han er her ikke. Vi hører også meget om det i fællesskabet. Det er produktion uden kommunikation omkring det.

Lior Gerson: TargetBoard.ai fungerer på en helt anden måde end andre systemer. Vi forbinder os til dine kildedata og bygger automatisk alle de målepunkter og KPI'er, der er relevante for det, du skal gøre.

Vi bruger AI til at generere dem. Det er ligegyldigt, om du ser på, hvordan din kapacitet eller hastighed ændrer sig, eller hvordan kvaliteten ændrer sig. Det er også ligegyldigt, om du ser på ét projekt eller flere projekter. Du behøver ikke ændre noget ved den måde, du arbejder på.

Vi lærer automatisk, hvordan du bruger dine systemer. Det er ligegyldigt, om du bruger Monday, Jira eller noget andet. Alle dine målepunkter, rapporter og indsigter bliver automatisk genereret, og du kan derefter tilpasse dem.

Du får præcis de målepunkter og den præcise metode til at følge alt det, du ønsker. Det kræver ingen indsats. Fra dag ét er du i gang med fuld tillid til, at de nødvendige data er tilgængelige og korrekte, og du behøver ikke længere bekymre dig om Excel.

Hvis du bruger Excel til manuel sporing, og det er din kilde til sandheden, er det helt i orden. Vi kan forbinde os til Excel og hente dataene ind. Men du behøver ikke længere opdatere dem eller forklare, hvordan tingene hænger sammen, hvordan noget blev målt, eller hvad det bygger på. Alle disse spørgsmål besvares i platformen.

Du kan dele det med din ledelse og dine chefer på øverste niveau. De får svar på, hvordan tingene måles, hvor dataene kommer fra, hvor de bevæger sig hen, og hvad der flytter nålen. Du sidder ikke længere i et møde og får et svært spørgsmål, som du ikke kan svare på. Du behøver ikke sige: Lad mig vende tilbage til dig.

Det er noget af det værste, man kan sige. I stedet har du svaret med det samme.

Galen Low: Jeg kan også godt lide aspektet med menneskelige fejl. Jeg følger selv en masse ting i et regneark. Der var en episode, hvor jeg fulgte sidevisninger i Google Analytics, mens en anden person indtastede brugere. Vi troede, at vi målte det samme, men vi brugte faktisk to forskellige datakilder. Jeg havde blandet det sammen.

Men tanken om, at nogen kan have en anden fortolkning af, hvor dataene kommer fra, når et målepunkt skal måles – jeg kan godt lide ideen om, at data hentes direkte fra en sandhedskilde.

Og at nogle af målepunkterne genereres ved hjælp af AI baseret på kravene. AI kan sige: Det her bør I nok måle. Derefter bliver det defineret og integreret. Jeg har været med i mange samtaler, hvor vi ikke helt kunne beslutte, hvad det rigtige succesmål var, delvist fordi vi ikke vidste, hvad vi kunne måle.

Lior Gerson: Det er meget almindeligt. Jeg kom ind i en virksomhed, hvor de fulgte hundrede tusind besøg om måneden. Jeg spurgte, hvor dataene kom fra, fordi det så mærkeligt ud. Det viste sig, at webstedet faktisk kun fik ti tusind besøg. De øvrige 90 % var automatiserede bots.

Virksomheden vidste det ikke. Og når man opdager det, skal man også forklare det. Marketingdirektøren skal sige: I ved, hvordan jeg har rapporteret mine kundeanskaffelsesomkostninger og alt andet det seneste år? Det viser sig, at 90 % af tallene var forkerte.

Galen Low: Det er ikke en sjov samtale. Jeg spekulerer på, om vi kan bruge det til at zoome lidt ud, for målepunkter er bare en ting. Selv hvis et team eller en afdeling måler det rigtige, er der ofte en oversættelse, der skal ske mellem forskellige niveauer i en organisation eller mellem forskellige afdelinger.

Et scrumteam følger måske kundetilfredshed, CSAT, fra udgivelse til udgivelse, mens ledelsen følger tilbagevendende omsætning, fastholdelse og kundefrafald. Kan et værktøj som TargetBoard hjælpe med at oversætte KPI'er for én målgruppe, så de giver mening for andre niveauer i organisationen?

Lior Gerson: Jeg vil gerne træde et skridt tilbage. Hvis du tænker på målepunkter generelt, betyder den traditionelle måde at arbejde med business intelligence og målepunkter på, at du skal bygge hvert eneste målepunkt. Du skal planlægge dem ét for ét. Der er en reel omkostning forbundet med alt det, du vil følge, hvis det skal udvikles.

Når du tænker på programmer som OKR'er og kvartalsvise forretningsgennemgange, er de ofte meget topstyrede. De fortæller dig præcis, hvad du skal følge, og giver dig tunnelsyn: Det her er det, jeg vil følge. Men der kan være mange andre ting, der er vigtige, fordi de holder driften i gang.

Med TargetBoard følger vi alt og gør det nemt at vælge, hvad du vil fokusere på. Vi anbefaler endda, hvad du bør vælge. Du kan sende alarmer, få indsigter og modtage meddelelser for at sikre, at de ting, du interesserer dig for, bliver fulgt.

Vi gør det også nemt at forklare tingene. Vi har funktioner, der hjælper dig med at forklare et målepunkt opad eller nedad i organisationen. Det er AI-genereret: Hjælp mig med at forklare dette til min leder, min udvikler eller min salgsrepræsentant, så de forstår, hvorfor det er vigtigt, og hvordan de skal tænke over det.

Vi hjælper med at beskytte det semantiske lag, så alle bruger samme betydning. Vi får hver dag en forespørgsel om at omdøbe et målepunkt. Men man kan ikke bare give det et nyt navn, hvis andre allerede bruger det samme målepunkt. Hvis navnet ikke repræsenterer det, du faktisk følger, bør du heller ikke give det det navn.

Derfor har vi funktioner, der hjælper dig med at sikre, at du faktisk følger det, du siger, du følger, og at du kan forklare, hvad det er, og hvorfor du følger det.

Galen Low: Det synes jeg er en fantastisk funktion. Jeg har arbejdet med mange værktøjer til dashboarding gennem årene, og det er normalt dér, hullet opstår. Hvad fortæller dette dashboard mig? Kan du forklare det?

Datadrevet historiefortælling bliver ofte udfordringen, fordi ikke alle er gode til det. Jeg kan godt lide ideen om, at AI kan hjælpe med at forklare, hvorfor et målepunkt er vigtigt, hvor det kommer fra, og hvad det betyder, hvis det svinger.

Du giver et menneske mulighed for at forklare sit målepunkt ordentligt til en person fra en anden afdeling med andre specialiseringer og en anden viden. På den måde ser vi ikke bare på en masse tal og siger: Det ændrede sig 45 % fra uge til uge. Det er interessant.

Lior Gerson: Det er det, der sker. Folk ser på det og trækker på skuldrene. De tænker: Det er et stort tal. Og så går de videre. Men ingen forstod faktisk, hvad det betød.

Rapporter bliver sjældent læst, medmindre der er noget meget specifikt, man har brug for dem til. Folk vil gerne vide, at nogen følger med, og at rapporten findes, hvis de får brug for den. Men de læser dem meget sjældent.

Når vi sender rapporter, har vi også en AI-agent, der analyserer og opsummerer dem for forretningsbrugeren. Så får de en forklaring på, hvad de bør interessere sig for.

Galen Low: Ja, man kan bede den om at opsummere rapporten. Jeg kan godt lide, at det er indbygget. Du fortalte mig også, at der er en samtalebaseret del – ikke kun en opsummering af, hvad der er vigtigt i rapporten, men også muligheden for at stille spørgsmål til dataene.

Lior Gerson: Mange forsøger at løse det. Problemet er, at store sprogmodeller er meget dårlige til data. De bliver bedre, men hvis du uploader en CSV-fil og spørger, hvad din åbningsrate for e-mails er, kan de ikke nødvendigvis give dig svaret, medmindre du beskriver hver kolonne og præcis, hvad dataene betyder.

Vi mener, at vi har løst det. Man kan stille spørgsmål og få pålidelige oplysninger, som AI'en også kontrollerer for at sikre, at den ikke hallucinerer. Det bliver en vigtig funktion, fordi folk vil behandle og forbruge data på flere forskellige måder – ikke kun som samtale eller kun via dashboardet.

Galen Low: Jeg kan godt lide, at data er anderledes. Jeg har oplevet det med meget simple data, som tidsregistreringer i ChatGPT. Den begynder at hallucinerer eller gribe fat i det forkerte, fordi vores hjerner er så vant til tabulære data.

Derfor er det godt, at man ikke bare tager en rapport og smider den ind i ChatGPT og forventer, at den er god til dataanalyse. Det kan være en anden proces, hvor systemet kontrollerer sig selv, før det leverer vigtig information om præstation, målepunkter og effekt.

Lior Gerson: Tillid er alt. Det er risikoen ved MCP-servere. Når du beder om data fra et system, ved du ikke nødvendigvis, hvad AI'en gør med dem, eller hvor nøjagtigt svaret bliver.

Med vores MCP-server verificerer vi dataene på tværs af alle dine systemer. Vi henter data fra dem, kombinerer dem og kontrollerer, at svaret er korrekt.

Galen Low: Jeres MCP-server, altså modelkontekstprotokollen, er rygraden. Den kontrollerer alle data, der kommer ind. Det er meget interessant.

Jeg vil gerne dykke ned i målepunkternes fremtid. Mit indtryk er, at tingene ændrer sig. Man kan ikke længere bare have en statisk resultattavle med de sædvanlige KPI'er. Hvilke utraditionelle målepunkter ser du opstå, og hvordan tror du, organisationer vil følge KPI'er om tre, fem eller ti år?

Lior Gerson: På mikroniveau vil du se langt flere AI-KPI'er. Hvor mange agenter kører jeg? Hvor effektive er de? Hvad gør de ved virksomhedens KPI'er?

På forretningsniveau tror jeg, at man bekymrer sig mindre om, hvordan tingene bliver gjort. Hvis du følger årlig tilbagevendende omsætning, kundefrafald eller leveringstider, vil de overordnede målepunkter sandsynligvis forblive de samme. Det er virksomhedens sprog.

Det, der sker under overfladen, vil ændre sig. Hvis du går ét niveau ned og siger, at vi skal levere A, B og C, men følger hastighed eller kvalitet, er det de målepunkter, der udgør næste niveau.

Går du endnu et niveau ned, begynder du at spørge, hvad hastigheden består af: udviklingsarbejde, ting der er blokerede, ting der sidder fast i gennemgang, ændringer i omfanget, der kræver, at man går tilbage, og AI-systemer, der fungerer eller ikke fungerer.

Så skal du bruge tid og ressourcer på at finde ud af, hvorfor GPT-5 ikke giver de samme resultater, som du forventede. Det er niveauet med alle de detaljer, der flytter nålen bag kulisserne.

Galen Low: Jeg kan godt lide den lagdeling. Så længe forretningsmodellen er den samme, ændrer de øverste målepunkter sig måske ikke meget. Men under dem kan der ske store forandringer.

Hvis målet er at få flere mennesker til at bruge AI til at træffe bedre beslutninger, og det hjælper med at nå målet, bør man følge det på et lavere niveau. Det, der er vigtigt at måle på de lavere niveauer, kan ændre sig ganske meget, mens de øverste niveauer stadig handler om forretningssucces, vækst og omsætning.

Lior Gerson: Det er den situation, vi står i i dag. Det har stået på i årevis. Du har en analytiker eller et analytikerteam i hver afdeling, og deres opgave er at sikre, at målepunkterne fungerer.

Store virksomheder elsker også at skifte platform. Når de migrerer fra ét system til et andet, opstår der et stort dataprojekt, fordi alle rapporter skal opdateres. En del af det, vi gør, er at vise, at det ikke er nødvendigt. Du kan skifte platform, mens rapporter og målepunkter forbliver de samme.

Hvis noget skal opdateres, kan systemet automatisk underrette alle, der har brug for at vide, at målepunktet er blevet opdateret. Verden er i dag brudt, fordi folk har for mange systemer og for mange data, som de ikke kan bruge.

Værktøjer som TargetBoard vil gøre det lettere at bruge dataene og få adgang til dem. Man har ikke brug for alle de mellemmænd, som ofte ikke forstår virksomheden.

Galen Low: Jeg har set det ske, især inden for finansielle tjenester og kundeoplevelse. Organisationer indsamler enorme mængder data på tværs af afdelinger, men ingen ved, hvad dataene betyder, eller hvad de skal gøre med dem.

Lior Gerson: Det fører mig tilbage til det, du sagde før om, hvad folk følger. Mange følger omkostninger, herunder cloud-omkostninger. Nu følger folk også omkostningerne ved problemer, hvor meget de bruger, og hvordan de kan optimere prompts.

Der ligger enorme mængder data i virksomhederne. De har lageromkostninger og omkostninger til sporing, men ingen ved, hvorfor dataene findes. Virksomheder bliver som samlere, der fylder garagen med ting, de aldrig bruger.

Galen Low: Vi lærte jo, at lagring var billigt. Nu er det ikke længere sådan. Nu tænker vi på omkostningen pr. prompt, de transaktionelle kald og den mere komplekse lagring.

Lior Gerson: Måske får du brug for dataene om ti år.

Galen Low: Det er rigtigt. Jeg ville også spørge til TargetBoard og jeres position som et AI-forbedret KPI-værktøj. Du har allerede gennemgået nogle af de AI-drevne funktioner, blandt andet forslag til målepunkter og opsummering af indsigter.

Er der andre AI-funktioner, du gerne vil fremhæve? Og hvad fik jer til at satse så stærkt på AI? AI er jo en del af navnet – i hvert fald domænenavnet. Hvad er du mest stolt af, og hvor ser du det bevæge sig hen?

Lior Gerson: Det er et komplekst spørgsmål. Jeg er stolt af mange ting. Vi har været i stand til at bruge AI fra et meget tidligt tidspunkt til at udvide den oplevelse, vi forsøger at bygge.

Der er fordele og ulemper ved at være en AI-først-virksomhed. Vi er måske snarere en AI-anden-virksomhed, men AI spiller en vigtig rolle i alt, hvad vi gør. For hver funktion spørger vi: Hvordan kan AI gøre den bedre? Ikke hvordan vi kan gøre det med AI, men hvorfor vi bygger det, og hvordan AI gør det bedre, end det tidligere var muligt.

Vi har alle dine målepunkter, og for hvert målepunkt kan du oprette meddelelser, automatiseringer og alarmer. Du kan have en aftale i salgspipelinen, en fejl i produktionen eller en supportsag for en bestemt kunde, hvor du ikke overholder din serviceniveauaftale.

Du kan oprette en alarm og sende den derhen, hvor den skal. Men det er besværligt for mennesker at tænke på alle de alarmer, de bør oprette. Derfor foreslår AI, når du ser på et målepunkt, den automatisering, du kan oprette for at forbedre det.

Vi havde allerede anbefalinger til strategier, men nu anbefaler vi også den automatisering, du kan oprette. Med ét klik kan den oprettes for dig. Det var langt sværere før AI, og nu går det meget lettere. Vi bevæger os hurtigere i dag, end jeg nogensinde har gjort i en anden virksomhed.

Galen Low: Det giver mening. Der er en naturlig kulturel forbindelse mellem AI og data, fordi vi kommer fra maskinlæring og enorme datamængder. Når værktøjer behandler petabytes af data, har vi ikke engang en håndgribelig model for, hvad det betyder.

Jeg kan godt lide ideen om, at systemet foreslår, hvad jeg skal gøre som det næste. Det kan være rigtigt eller forkert, men jeg lærer, hvad systemet mener er det rigtige næste skridt. Et lille nyttigt forslag kan fjerne usikkerhed, tøven eller manglende viden.

Lior Gerson: Det er en helt anden tilgang end den måde, datavidenskab fungerede på for tre år siden. Før var optimering et særskilt datavidenskabsprojekt. Nu handler det om, at hver funktion, man bygger, skal blive bedre ved hjælp af AI.

Hvis man gør det rigtigt, kan man få fantastiske resultater meget hurtigt.

Galen Low: Jeg elsker, hvor hurtigt det hele ændrer sig. Har du et spørgsmål, du gerne vil stille mig?

Lior Gerson: Hvilke tendenser ser du som de mest betydningsfulde inden for projektledelse i dag?

Galen Low: Den største er faktisk den, jeg begyndte med: Projektledere er ikke bare mennesker, der forsøger at levere projekter til tiden, inden for budgettet og med det aftalte omfang.

Vi kan være mere strategiske, men vi skal vide mere og gøre mere. Vi føler nu, at vi skal være leverancestrategikere. Det er vores ansvar at forstå virksomheden bedre.

Der er også et spørgsmål om, at vi på en eller anden måde er ansvarlige for effekten, selv om vi ikke nødvendigvis er involveret i at måle den. I mange tilfælde leder vi et projekt, hvorefter det lanceres, og vi går videre til det næste.

Nu sker der et stort skift i tankegangen: Vi er faktisk specialister i værdileverance. Vi skal skabe værdien, også når planen var forkert og måtte ændres, eller når omfanget måtte justeres undervejs.

Det kræver en mere strategisk tilgang. Det hænger tæt sammen med vores brug af AI. AI hjælper os med at arbejde mere effektivt, forkorte arbejdsgange og skabe større hastighed, men også med at håndtere det, vi tidligere sad fast i.

Mange projektledere siger, at de har for travlt til også at være strategiske partnere for deres interessenter. Nu kan AI håndtere statusrapporter, dashboards og regneark. Det næste spørgsmål bliver: Hvad gør vi med den frigivne tid? Hvordan lærer vi at blive bedre ledere og strategiske ledere inden for værdileverance?

I en perfekt verden bruger vi mere tid på at spørge os selv, om vi gør det rigtige for at nå missionen og skabe effekt. Det bringer os tilbage til spørgsmålet om, hvordan vi ved, at vi måler det rigtige.

Lior Gerson: Meget interessant. Jeg vil stille dig endnu et spørgsmål. Vi har talt om, hvordan AI kan hjælpe projektledere med at automatisere og blive mere effektive. Tror du, der kommer et tidspunkt, hvor en AI-agent bliver projektleder eller helt erstatter projektlederen?

Galen Low: For nogle menneskers definition af, hvad en projektleder laver, er svaret ja. Der findes en opfattelse af, at projektledere bare er administratorer, der tager noter, skriver mødereferater, følger op på handlinger og sammenligner estimater med den faktiske tid.

Det kan AI næsten helt sikkert erstatte. De dele, der ikke kan erstattes, er beslutninger mellem mennesker. I en periode vil de store beslutninger om platformsskift og risici ved implementering stadig kræve samtaler mellem mennesker.

Det er derfor, jeg kan lide jeres funktion til datafortælling. Den erstatter ikke den person, der ejer målepunktet, men giver personen mulighed for at fortælle historien om det. Det er beslutningslaget i projekter og virksomheder, som sandsynligvis vil bestå.

Mennesker vil stadig fremlægge deres sag, overbevise hinanden, påvirke hinanden og træffe gode beslutninger. AI kan skabe ideer, som brugerne ikke selv har tænkt på, men grundlæggende bruger vi den stadig som en hjælper og ikke som den, der træffer beslutningen for os.

Lior Gerson: Jeg er enig. Det er også det, der gør forskellen på en god og en dårlig projektleder. Projektledelse er et fag. Man kan ikke bare gøre det ved siden af.

Galen Low: Jeg kan godt lide tanken om, at AI måske ikke erstatter alle projektledere, men sandsynligvis erstatter de dårlige.

Lior Gerson: Det gælder for alt.

Galen Low: Lior, mange tak, fordi du tog dig tid til at tale med mig i dag. Det har været virkelig sjovt. Jeg elsker at nørde med dig.

Inden du går: Hvor kan folk lære mere om dig?

Lior Gerson: LinkedIn. Jeg svarer næsten alle, der kontakter mig. Jeg taler gerne med alle.

Galen Low: Det er fantastisk. Det har jeg stor respekt for. Min LinkedIn-indbakke er et stort rod. Tak igen.

Lior Gerson: Farvel, Galen. Det har været en fornøjelse.

Galen Low: Det var alt for dagens episode af The Digital Project Manager-podcasten. Hvis du nød samtalen, så husk at abonnere dér, hvor du lytter. Hvis du vil have endnu flere praktiske indsigter, casestudier og arbejdsbøger, så besøg thedigitalprojectmanager.com.

Indtil næste gang – tak, fordi du lyttede.