Ud over prompts: Sådan bruger du AI til smartere projektledelse

Læs transskriptionen:

Vi prøver at transskribere vores podcasts ved hjælp af et softwareprogram. Bær over med eventuelle stavefejl, da botten ikke er korrekt 100 % af tiden.

Galen Low: Du er omkring 11 måneder inde i din rejse med generativ AI, og du er nået frem til tre konklusioner.

For det første er GenAI's muligheder virkelig uden fortilfælde. Din onkel Rastin tror oprigtigt, at det er trolddom.

For det andet er generativ AI et globalt fænomen. Folk holder ikke op med at tale om det lige foreløbig – hverken til dine middagsselskaber eller bestemt ikke i dit LinkedIn-feed.

Og for det tredje bruger du det indtil videre, selv midt i al ærefrygten og begejstringen omkring generativ AI, kun til at tage noter og til en smule madplanlægning.

Hvis du arbejder med projekter og føler, at du sidder fast i en rille med dine AI-chatbots, eller kender nogen, der gør, er denne episode til dig. Vi skal se på, hvordan du kan forme din tankegang og dine reaktioner omkring generativ AI, så du undgår at »bruge GenAI for GenAI's skyld«. Vi skal tale om, hvad AI's fremtid rummer ud over promptteknik. Og vi skal undersøge, hvordan en bredere forståelse af AI og af, hvordan AI-projekter fungerer, faktisk kan åbne en helt ny gren af din karriere, som du aldrig vidste fandtes. Klar til at dykke ned i det?

Hej alle sammen, og tak fordi I lytter med. Jeg hedder Galen Low og kommer fra The Digital Project Manager. Vi er et fællesskab af digitale fagfolk med en mission om at hjælpe hinanden med at opbygge kompetencer, selvtillid og forbindelser, så vi kan øge værdien af projektledelse i en digital verden. Hvis du vil høre mere om det, så gå til thedpm.com/membership.

I dag taler vi om – overraskende nok – generativ AI, men også om promptteknik, og om hvorvidt fagfolk som os, projektledere, måske ser på Bruce Lees berømte finger, mens den peger på månen. Og jeg har taget de tunge skyts med for at undersøge, hvad GenAI kan tilbyde projektledelsesfaget ud over chatbaserede grænseflader og prompts.

Med mig i dag er Kathleen Walch, direktør for AI-engagement og læring hos Project Management Institute samt anerkendt AI-tænker og underviser.

Kathleen, tak fordi du ville være med i dag.

Kathleen Walch: Ja, tusind tak fordi du inviterede mig. Jeg ser virkelig frem til denne samtale.

Galen Low: Jeg er så glad for, at du er tilbage i programmet. Kathleen har tidligere været med sammen med Ron Schmelzer, hvor vi talte om AI. Det var vist for omkring to år siden – måske to år siden?

Kathleen Walch: Måske. Tiden flyver, ikke?

Galen Low: Det går så stærkt. Og jeg tænkte på den samtale. Jeg tænkte: Så meget har ændret sig. Så meget har ændret sig. Det var næsten et randfænomen dengang.

Det var sådan noget som AI og projektledelse. Ja, okay. Nu er det bare mainstream. Det er bygget ind. Alle fordyber sig i det. Man kan ikke komme uden om det. Og jeg er begejstret for at have din ekspertise med i programmet i dag.

For dem, der ikke kender dig, har du været dybt involveret i AI-verdenen i et stykke tid, og du har set vores nuværende forståelse af AI i en professionel sammenhæng udvikle sig gennem de seneste syv eller otte år. Og selv om noget af denne forandring har virket hurtig for os, der er nye inden for AI, er jeg nysgerrig på, om du føler, at de fleste fagfolk måske sidder fast i den daglige promptskrivning uden at se det større billede af, hvad teknologien er i stand til?

Kathleen Walch: Ja, det er et godt spørgsmål, for du har ret, jeg har været i dette felt.

Jeg plejer at sige, at jeg har arbejdet med AI, siden før GenAI gjorde det smart, ikke? Og jeg kalder det altid den ældste nye teknologi, fordi begrebet officielt blev opfundet i 1956. Så teknologien er over 70 år gammel, men føles stadig helt ny. Og hvorfor er det sådan? Vi har været igennem to tidligere AI-vintre, altså perioder med faldende investeringer og faldende popularitet.

En vigtig årsag er, at vi lover for meget og leverer for lidt i forhold til, hvad teknologien kan. Derfor er vi virkelig nødt til at forstå AI som et værktøj. Det er ikke godt til alt, men det er godt til bestemte ting, så sørg for at bruge det på den måde. Og med generativ AI er det, der gør den så spændende, at den virkelig har lagt den i hænderne på alle.

For syv eller otte år siden brugte vi stadig AI regelmæssigt, men det føltes bare ikke sådan. Vi havde for eksempel forudsigende tekst i vores e-mails eller spamfiltre. Det var AI. Eller GPS og kørsel med Waze eller Google Maps, der hjalp os med ruteoptimering.

Men det føltes ikke rigtigt som AI, fordi det blot var indbygget i en applikation, vi allerede brugte. Og så kom generativ AI, især ChatGPT, fordi det var den første, der slog igennem, og lagde teknologien i hænderne på alle. Det gav os det, vi kalder forstærket intelligens: Den erstatter ikke mennesket, men hjælper dig med at udføre dit arbejde bedre.

Og du kunne mærke det hver dag. Den kunne hjælpe dig med at skrive en bedre e-mail, brainstorme, oversætte eller skabe billeder til din PowerPoint-præsentation. Man kunne virkelig mærke samarbejdet og se den direkte fordel. Det er den retning, hele verden er gået i, og det har været fantastisk. Men samtidig er folk stadig nødt til at forstå, at det er et værktøj, og de skal stadig forstå, hvornår man bør og ikke bør bruge AI.

Galen Low: Jeg elsker den slags AI i baggrunden, og nu er AI nærmest en person, som man interagerer med hver dag, og som alle har adgang til. Det er det nye populære barn. Jeg kan godt lide det, du sagde om, at GenAI gjorde AI populært, men jeg elsker også hele tanken om AI-vintrene.

AI-vinteren opstår, fordi vi lover for meget og leverer for lidt, og teknologien måske ikke var på det niveau, den skulle være på for at indfri løfterne. Nu er den måske nået dertil. Vi taler om ChatGPT og alle de store sprogmodeller, der styrer det hele lige nu, men her i februar 2025 taler vi også om DeepSeek.

Vi taler om teknologi, der er tankevækkende, og som måske ikke nødvendigvis har brug for al den teknologi, man tidligere har sagt, at den krævede. Jeg bevæger mig lidt væk fra emnet, men jeg kan godt lide de muligheder, det medfører. Jeg kan godt lide, at folk taler om det og tager det til sig. Men det kan være kompliceret, når alle er med. Alle har en mening. Alle tror, de ved, hvad det gør, og alle tror, det kan bruges til alt. Og måske kan det ikke.

Hvis jeg skulle anlægge et projektledelsesperspektiv på det, hvad er så nogle af dine foretrukne anvendelser af GenAI's chatbaserede grænseflader i projektledelse?

Kathleen Walch: Ja, det er et godt spørgsmål.

Hos Project Management Institute har vi mange læringskurser, der er gratis for medlemmer eller forholdsvis billige for ikke-medlemmer. Vi gennemgår en række forskellige anvendelser. Det, jeg plejer at sige, er, at man skal starte med at lave en liste over alle de forskellige problemer, man oplever, eller områder, hvor man har brug for hjælp eller kan se forbedringsmuligheder.

Derefter skal man finde ud af, hvilke af dem der nemt kan løses med et generativt AI-system. Når vi tænker på projektledere, tænker vi altid på mødereferater, ikke? Det er det stereotype eksempel, vi har fået. Hvis det er et problem for dig, hvordan løser du det så? Hvordan kan du få hjælp fra AI?

Der findes allerede mange værktøjer, der kan gøre det. Men jeg siger også altid, at det er fantastisk at have noget, der kan hjælpe dig én gang. Vi taler for eksempel om hjælp til et projektgrundlag. Det er fint. Men hvor mange gange gør du det i løbet af et projekt? Sandsynligvis én gang. Du genbesøger ikke et projektgrundlag hver uge.

Hvad kan hjælpe dig regelmæssigt – dagligt eller ugentligt? Måske interessenthåndtering eller bedre kommunikation. Hvordan formulerer jeg e-mails eller dokumentation til forskellige niveauer? Nogle gange har jeg brug for et overordnet ledelsesresumé, eller jeg skal målrette det mod interessenter, interne kunder eller eksterne kunder.

Find ud af, hvad dine problemer er, og arbejd på at løse dem, for det er dér, du vil se den reelle løbende forbedring. Og så siger jeg også: Øv dig. Man bliver kun bedre med tiden. Der er meget lav risiko for at fejle, når det gælder promptteknik, for du kan bare gøre det om.

Men det bringer også PMI's såkaldte power skills i spil, altså bløde færdigheder. Kritisk tænkning, samarbejde og kommunikation. Jeg spørger altid: Hvordan bruger du GenAI til at styrke dine power skills, og hvordan hjælper dine power skills dig med at blive bedre til at skrive prompts? Kommunikation kan for eksempel hjælpe dig med at blive en bedre formidler.

Den kan måske hjælpe med at skrive e-mails, ændre tonen, forkorte ting eller opsummere. Men hvordan hjælper dine kommunikationsevner dig med at blive bedre til prompts? Måske skal du justere din prompt, ændre dens længde eller redigere den over tid.

Jeg kan derfor virkelig godt lide at se på de to sider af samme sag: hvordan AI kan hjælpe med dine power skills, og hvordan power skills kan hjælpe dig med at blive bedre til promptteknik.

Galen Low: Det vil jeg gerne vende tilbage til senere. Men først tænkte jeg, om vi kunne zoome lidt ud, for jeg har konteksten, men det er ikke sikkert, at alle vores lyttere har den.

Da du var Managing Partner hos Cognilytica, var du med til at udvikle CPMAI-certificeringen, som er en projektledelsesramme for specialister. Jeg har skrevet dette ned, så sig til, hvis jeg tager fejl, men jeg forstod det sådan, at den var udviklet til specialister som data scientists og analytikere, der arbejder på AI-projekter.

Senere gik Cognilytica sammen med Project Management Institute, så CPMAI blev en officiel del af PMI's ret prestigefyldte portefølje af projektledelsescertificeringer. Og fordi vi talte om kurser, PMI og læring, ville jeg høre, om du kunne fortælle lidt om, hvem certificeringen er til i dag, og hvordan den adskiller sig fra for eksempel promptteknikkurserne – det gratis kursus på PMI for medlemmer.

Eller noget på Udemy. Hvad gør CPMAI-certificeringen vigtig og anderledes?

Kathleen Walch: Ja, det er et godt spørgsmål. Jeg plejer at tale om CPMAI-certificeringen som to sider af samme sag. 95 % af samtalen handler om, hvordan jeg kan bruge AI-værktøjer til at udføre mit arbejde bedre.

Der findes et væld af forskellige værktøjer. Folk spørger altid, hvad det bedste værktøj er, og jeg svarer, at det afhænger af, hvad du forsøger at gøre. Der kommer bogstaveligt talt nye værktøjer hver eneste dag. Uanset hvad du prøver at gøre, findes der sikkert et værktøj, og du skal forstå, hvordan du bruger det og bliver bedre til det.

Det er omkring 95 % af samtalerne. Det er også her, meget af den e-læring, PMI tilbyder, kommer ind. Vi har en introduktion til generativ AI, et kursus om datalandskabet for AI, et kursus i promptteknik og et kursus om AI-anvendelser. Det handler om, hvordan man som projektleder og projektprofessionel tager alle disse værktøjer og applikationer i brug.

Det er fantastisk, men det hjælper dig med at udføre dit arbejde bedre. Derefter skal vi se på, at du som projektleder, projektprofessionel eller projektbeslægtet fagperson – for eksempel data scientist, data engineer eller AIML engineer – måske får til opgave at drive og lede et AI-projekt.

Vi er nødt til at forstå, at AI-projekter er dataprojekter. Derfor skal man bruge datacentrerede metoder, og man kan ikke køre dem som traditionel udvikling af softwareapplikationer, for så opdager man hurtigt, at det ikke er den rigtige tilgang, og at projektet har større risiko for at mislykkes.

Det var grunden til, at vi udviklede CPMAI-metoden. Organisationer kom til os og sagde – og det var igen for syv eller otte år siden, længe før generativ AI fandtes – at de skulle bygge disse systemer fra bunden, finde den rigtige algoritme og definere alle datakravene.

Meget af det er stadig det samme, selv hvis vi bruger en af de nye løsninger. Men de spurgte: Hvor begynder vi? Der fandtes ikke rigtigt en trinvis tilgang, så vi skabte CPMAI-metoden sammen med en stor bank og en stor offentlig institution. I september 2024 blev Cognilytica officielt en del af PMI, da PMI opkøbte Cognilytica.

CPMAI er nu en officiel PMI-certificering, og den er utrolig værdifuld. Den har altid været relevant for projektledere, projektprofessionelle og også produktchefer, men også for de projektbeslægtede fagpersoner.

Jeg bruger altid min mand som eksempel. Han er softwareingeniør og har været det i omkring to årtier. Nogle gange skal han drive og lede projekter. Hvis han får til opgave at lede et AI-projekt, identificerer han sig ikke som projektleder og ville aldrig gøre det. Han identificerer sig som softwareingeniør, men han bliver sat i den rolle. Det ser vi oftere og oftere, især med AI-projekter: Folk, der normalt ikke identificerer sig som projektledere, bliver sat i en projektlederrolle.

Derfor er certificeringen egentlig til alle, der passer ind i disse kategorier.

Galen Low: Jeg synes, det er vigtigt, hvad du siger. Jeg vidste ikke, at I begyndte med en offentlig institution og en bank. Når man tænker på forskellen mellem et softwareprojekt og et dataprojekt, og på de data, en bank eller det offentlige kan have, bliver det meget tydeligt, at man ikke nødvendigvis kan drive det som et almindeligt projekt.

Der er ting, man skal tage højde for. Og jeg er enig i, at man i stigende grad ønsker, at hele teamet har den forståelse, for vi har set ting gå galt etisk.

Vi har set ting gå galt, fordi man bevæger sig for hurtigt mod et mål, man ikke rigtigt forstår, med en teknologi, der udvikler sig meget hurtigt, og som kulturelt ændrer sig i takt med menneskers anvendelse af den, deres holdninger og deres bekymringer. Jeg kan godt lide tanken om at forstå, hvordan man får et dataprojekt med AI eller maskinlæring til at fungere godt, fordi den almindelige tilgang eller softwareudviklingstilgangen måske ikke giver det rigtige resultat.

Man kan ende i en blindgyde eller møde forhindringer, som man sandsynligvis kunne have undgået ved at tænke over dem på forhånd.

Kathleen Walch: Jeg plejer at formulere det sådan, at koden er den vigtigste del i softwareudvikling. Man ville aldrig give sin kode væk, for det er den vigtigste del.

Men i et AI-projekt er data den vigtigste del. Dem ville man aldrig give væk. Kode udgør kun en lille del og er ikke den mest kritiske del. Det er dine data. Det er dataene, der er unikke, og som afgør, om projektet lykkes eller mislykkes. Vi siger: Dårlige data ind giver dårlige resultater ud.

Det hjælper med at sætte tingene i perspektiv, især hvis man har en projektbeslægtet person, der ikke er traditionel projektleder. Vedkommende skal forstå: Sådan skal jeg ændre min tankegang. Det handler ikke om koden, men om dataene. Og derfor har jeg brug for en datacentreret metode.

Galen Low: Der er så mange steder, jeg gerne vil hen med det, men jeg prøver at holde fokus. Jeg synes, det er en fantastisk og tankevækkende pointe, at data er den vigtige del i et dataprojekt, mens kode næsten er sekundær. Det er en mærkelig idé for mig, der kommer fra det digitale område, men jeg kan virkelig godt lide den.

Jeg tænkte, at jeg ville vende tilbage til karriere og certificeringer. Mange i mit fællesskab ved, at PMP er en stærk kvalifikation med stor vægt i branchen. Mange ser frem mod den, efter at de har arbejdet som projektleder i et stykke tid eller har opbygget mange timer med projektledelse.

PMP er den ultimative certificering at kunne vise på sit CV, sin profil og til jobsamtaler. Den fortæller, at man er seriøs, efterspurgt og sandsynligvis bør have en højere løn. Nu hvor CPMAI også er kommet til, spekulerer jeg på, om arbejdsgivere inden for AI-understøttet software – eller måske hvor som helst – allerede leder efter CPMAI-certificeringen.

Eller handler det efter din mening mere om praktiske færdigheder på jobbet for en person, der allerede arbejder med AI- og dataprojekter? Kan den få en projektleder til at skille sig ud?

Kathleen Walch: Ja, absolut. Det kan den. Du har ret i, at PMP er det ypperste.

Det er PMI's guldstandard for certificeringer. Derfor arbejder vi på at gøre andre certificeringer til guldstandarder også. Hvad betyder det? Det er en meget omfattende proces med mange forskellige trin og krav.

Vi arbejder på at gøre CPMAI til en guldstandard. Den fortæller arbejdsgivere, at du ved, hvordan man driver og leder AI-projekter. Du har et fælles grundlag for terminologi, for hvad AI kan og ikke kan, for CPMAI's seks faser, og for hvordan man driver projekter som dataprojekter efter en trinvis tilgang.

Alt for ofte ser vi organisationer, der ikke har en plan. Det skyldes flere ting. Branchen bevæger sig hurtigt, folk er bange for at gå glip af noget, og de siger: Konkurrenterne gør det, så det skal vi også. Vi kan godt gå videre, men lad os have en plan.

Det er det, CPMAI hjælper med. Det er en trinvis tilgang. Vi begynder med fase ét: forretningsforståelse. Hvilket problem forsøger vi at løse? Det lyder enkelt, men mange projekter springer dette trin over. Er AI den rigtige løsning?

Derefter gennemfører vi en AI-ja-eller-nej-vurdering, der ser på data-, forretnings- og implementeringsmuligheder. Vi kan tænke på dem som trafiklys. Hvis alle er grønne, er chancerne for projektsucces gode. Hvis de er gule eller røde, stiger risikoen for fiasko. Det betyder ikke, at man ikke kan fortsætte, men man skal gå videre med forsigtighed.

Et af spørgsmålene er projektets ROI, altså investeringsafkast. Mange organisationer tænker ikke over det fra begyndelsen eller måler det overhovedet ikke. Afkastet behøver ikke være økonomisk, men der skal være et afkast.

Et projekt kan teknisk set gøre det, det skulle, men til en meget høj pris. Så er det faktisk negativt. Hvis man ikke måler det, ved man det ikke. Man kan tro, at projektet var en succes, mens organisationen pludselig giver underskud, fordi investeringsafkastet ikke var positivt.

Det ser vi alt for ofte. CPMAI hjælper med dette og signalerer til arbejdsgivere, at du har kompetencerne til at drive og lede et AI-projekt, og at du har gennemgået en grundig uddannelse og certificering hos PMI.

Galen Low: Det er sjovt, for til jer, der lytter, bliver jeg ved med at flytte musen og lede efter klap-reaktionen som i Zoom eller Google Meet, og jeg tænker: Ja.

Hvis du er interesseret i CPMAI og vil bruge CPMAI-kvalifikationen i en jobsamtale med en person, der ikke kender certificeringen, så tag bare det klip med Kathleen og transskriber det. Brug det i din samtale, for det var en utrolig klar forklaring på, hvorfor det betyder noget, og hvorfor det er anderledes.

Nogle af tingene kan lyde som almindelig sund fornuft eller noget, andre rammeværk også tager højde for. Men når man taler om data, teknologiens hastighed og virksomhedernes trang til at være konkurrencedygtige, kan de måske ikke engang vide, hvorfor AI skal være en del af deres produkt, organisation eller løsninger. Jeg kan godt lide, at der findes en ramme for det.

Jeg er nysgerrig, fordi projektledere elsker rammer, metoder og certificeringer. Og så ender vi med at diskutere dem. Vi skaber nogle gange lejre og fraktioner, selv om de aldrig var tænkt som rivaler. Man kommer ind i en organisation, der siger: Vi driver projekter på denne måde. Og man svarer: Jeg vil gerne gøre det på denne måde. Så opstår der en stor konflikt.

Oplever du det samme hos folk, der gennemfører programmet? De går ud og siger: Nu ved jeg, hvordan man driver et data-, ML- eller AI-orienteret projekt. Men teamet vil ikke gøre de ting, og de forsøger at overbevise teamet, som svarer: Nej, vi gør det på denne måde.

Er det en op ad bakke-kamp at få mennesker, teams og organisationer med på faserne og trinene i rammeværket?

Kathleen Walch: De, der tager kurset, ser naturligvis lyset. De siger: Det her er fantastisk. Derefter skal de tage det med tilbage til organisationen, hvor det er anderledes.

Jeg forstår det godt. Der er forudsigelig, vandfald, hybrid og agil – alle mulige forskellige begreber. Hvordan driver man et projekt? Det ender som regel med at være hybrid. Agil er et rigtigt begreb af en grund.

Hvis man driver sit AI-projekt som et softwareprojekt, opdager man, at det ikke fungerer. Man er nødt til at tilføre andre kompetencer og en anden trinvis tilgang.

Man kan godt drive det agilt. Det bør være små, iterative sprint. Man bør ikke drive det på den forudsigelige vandfaldsmåde. Folk søger denne metode, fordi de har prøvet andet, og det er mislykkedes.

Andre kommer i forkøbet og siger: Jeg vil ind i dette område. Jeg er nødt til at forstå det. Vi tilbyder en meget omfattende uddannelse. Man behøver ikke have gennemført et projekt for at komme i gang, og der er i øjeblikket ingen adgangskrav.

Kurset gennemgår først terminologien. Folk tror, de kender begreberne, og siger: Det har jeg ikke brug for. Så kommer de i gang og siger: Jeg vidste ikke, hvor meget jeg ikke vidste. Det var en fantastisk fælles afstemning.

Det samme gælder teams. Man tager en PMP og ansætter PMP-certificerede, fordi man ønsker et fælles sprog. Alle er på samme side, bruger samme terminologi og har samme grundlæggende forståelse. Det er ikke anderledes med CPMAI.

Galen Low: Det kan jeg virkelig godt lide. Jeg elsker faktisk din måde at formulere det på, for jeg indser, at jeg fik det til at lyde som en metode. Hvis jeg forstår det korrekt, lægger den sig oven på den måde, man allerede arbejder på, og tilføjer overvejelser og trin, man kan flette ind.

Kathleen Walch: Vi kalder det en metode, men folk bliver forvirrede over begrebet. Derfor siger vi altid: Lad dig ikke forvirre af terminologien. Du skal bare følge noget, der skaber succes. Du kan kalde det en ramme, en trinvis tilgang eller en metode, men forstå, at den består af seks faser.

Den er iterativ. Du kan gå en, to eller tre faser tilbage, hvis det er nødvendigt. Vi begynder med forretningsforståelse. Derefter kommer dataforståelse: Hvilke data har vi brug for, hvor kommer de fra, er de interne eller eksterne, og har vi adgang til dem?

Så skal dataene renses. Data er desværre aldrig rene og pæne, og de er altid rodede, især ustrukturerede data. Derefter kommer modeludviklingen, hvor vi faktisk laver det sjove. Det siger jeg med citationstegn, for det er normalt her, folk starter og springer de kritiske første trin over.

Så skal modellen testes for at sikre, at den fungerer som forventet. Det er også et kritisk trin, som nogle springer over, hvorefter tingene går skævt, og de undrer sig over hallucinationer, dårlige resultater eller manglende forventet funktion.

Til sidst operationaliserer vi modellen og bringer den ud i den virkelige verden. Vi bør gøre det i små, iterative faser og trin. Hver iteration af CPMAI bør tage omkring to uger, ligesom et sprint. Den bør ikke tage syv eller tolv måneder. Det er den mere vandfaldsbaserede, forudsigelige tilgang, og tænk på, hvor meget verden ændrer sig på syv måneder.

Det sker ofte, fordi folk går i stå i datafasen. De har ikke adgang til dataene, og det tager uger eller måneder at få adgang. Vi siger: Tænk stort, start småt, og iterér ofte.

Start mindre, vælg et mindre datasæt, eller begræns omfanget kraftigt og spørg: Hvad er det mindste, jeg kan gøre, som giver trinvis værdi og et positivt investeringsafkast? Skab resultater. Derefter kan vi fortsætte og iterere mere i næste fase.

Alt for ofte tager det for lang tid, og folk opgiver projektet i fase to, fordi de ikke kan få adgang til dataene.

Galen Low: Det er som projektvinteren.

Kathleen Walch: Ja, mange gode ting.

Galen Low: Man bliver desillusioneret og lader det ligge. Jeg ville egentlig spørge, hvordan »skævt« ser ud, men du har forklaret det godt med hallucinationer. Selv små datasæt kan være store, så man kan blive rigtig god til noget, mens løsningen ikke fungerer, som man ønsker. Så må man trevle hele garnnøglet op for at finde det, der i begyndelsen sendte projektet i den forkerte retning – sandsynligvis datakvaliteten.

Kathleen Walch: Sandsynligvis adgang, hvor rene dataene er, og hvor meget data man har. Nogle tror, at mere data altid er bedre. Det er ikke nødvendigvis tilfældet, for vi kan træne på støj. Data er ikke gratis. Det koster at rense og behandle dem. Derfor er mere ikke altid bedre.

Galen Low: Det er interessant. Jeg begyndte med spørgsmålet om, hvad der ligger ud over promptteknik, men det fascinerende ved samtalen er, at der findes en hel verden, som mange projektledere ikke har set sig selv i. De arbejder måske inden for software, det digitale område, teknologi eller IT – eller slet ikke i nogen af disse sektorer.

De spørger: Vil projektledelse stadig eksistere? Det vender vi tilbage til. Men der findes en hel verden af data- og ML-projekter, og der foregår mange projekter lige nu. Nogle ledes af projektbeslægtede personer, der ikke nødvendigvis identificerer sig som projektledere. Det er en mulighed, og det er inspirerende.

Kathleen Walch: Vi siger, at uddannelse er billig. Omkostningerne ved fiasko er høje.

At lære CPMAI-metoden og blive CPMAI-certificeret er forholdsvis billigt til sammenligning. Vi opfordrer altid folk til at se det som et »ja, og«: Hav din PMP og din CPMAI. Lær forskellige metoder, og lær CPMAI. Det er ikke enten-eller.

Organisationer gør altid dette. De lærer noget og tilpasser det til sig selv. Så længe man følger den overordnede trinvise tilgang, kan man tilpasse den til sin egen organisation. Men lær den.

Galen Low: Det kan jeg godt lide. Vi begyndte med prompting. Jeg tænkte på anvendelser, der involverer chatbaserede grænseflader som ChatGPT, Gemini, Copilot, Claude, Perplexity, DeepSeek og andre. Men der findes en stor verden ud over det.

Hvad er det næste for AI i vores professionelle liv som projektledere? Og hvordan kan en projektleder som mig følge med?

Kathleen Walch: Der findes et udsagn om, at AI ikke kommer til at erstatte dit job, men at en person, der kender AI, kommer til at erstatte dig.

AI er her for at blive. Vi håber, at vi har krydset kløften og ikke falder ned i endnu en AI-vinter. Men hvordan bruger man det? Jeg tænker altid på forstærket intelligens. Hvordan bruger jeg det til ikke at erstatte mig, men til at gøre ting bedre? Man kan erstatte en opgave eller en bestemt rolle, men ikke erstatte mig som menneske.

Mange projektprofessionelle er bekymrede. Men hvis flere projekter bevæger sig mod AI-projekter, får vi fortsat brug for projektledere og mennesker med disse kompetencer.

Hvordan lærer man? Det går tilbage til det, jeg sagde før. Lav en liste over alt det, der irriterer dig. Det er forskelligt for alle. Du skal ikke erstatte de ting, du nyder, og beholde alt det, du hader, for så bliver du utilfreds.

Tænk på alt det, du nyder, og placer det i én kolonne. Skriv alt det, du ikke nyder, i en anden kolonne. Se derefter på fællesskaber. PMI har mange læringsressourcer. Du kan også skabe interne grupper.

Hvis I arbejder med prompts, bør de ikke være proprietære. Vi bør dele prompts, lære og samarbejde. Opret derfor et internt promptbibliotek i organisationen.

Dokumentér, hvilken platform du har brugt, og hvornår, for prompts skal ændres og itereres over tid for fortsat at give gode resultater. Det er en del af den trinvise tilgang. Man skal teste, og nogle gange fungerer det ikke som forventet. En enkelt ændring af ét ord kan gøre en stor forskel.

Hvis du har et fællesskab, hvor I kan sparre, hjælper det virkelig. Nogle organisationer satser på AI og er AI-first. Hvis din organisation ikke gør det, kan du begynde med iterative, trinvise tilgange.

Som jeg sagde, hvis du er PMI-medlem, så tag kontakt til fællesskabet. Vi har også mange afdelinger. Internt kan du have ressourcer, og du kan også se uden for din egen gruppe, så du kan samarbejde. Hvis du ikke lærer, vokser du ikke, og så sakker du bagud, fordi du er bange for eller ikke ved, hvordan du bruger værktøjerne. Vær ikke bange for at række ud og bede om hjælp.

Det er den bedste måde at lære på.

Galen Low: Jeg elsker idéen om et promptbibliotek og deling. Deling er det, der bringer os fremad. Teknologien bevæger sig hurtigt, og mennesker er også nødt til at bevæge sig hurtigt. Den bedste måde at gøre det på er at dele viden.

Kathleen Walch: Deling er omsorg.

Galen Low: Præcis. Jeg har to spørgsmål til at afslutte med.

Vi taler om at lave en liste over irriterende ting. Man kan chatte med sit GenAI-værktøj for at forbedre sit personlige og professionelle liv. Nogle tænker: Det her er fantastisk teknologi. De fanebaserede grænseflader føles naturlige. Det er naturlig sprogbehandling i en grad, vi ikke har set før.

Og så tænker man: Er det ikke bare et smart selskabstrick, der omskriver sprog og giver det tilbage til os, hvorefter vi siger: Det er et levende, bevidst væsen? I virkeligheden remixer det sprog. Sælger vi os selv for kort ved ikke at bruge AI nok?

På den anden side: Er der en risiko for, at vi tror, AI gør magiske ting og kan alt, uden at forstå, at det faktisk er godt til bestemte ting? Er det farligt eller inspirerende?

Kathleen Walch: Det er farligt, fordi det lover for meget og leverer for lidt. AI er et meget bredt begreb, og med generativ AI og de store sprogmodeller tror folk, at det kan gøre alt. Så spørger de, hvorfor det ikke kan løse et matematikproblem, eller hvorfor det ikke kan gøre noget, et menneske kan.

Vi er nødt til at forstå, hvad det kan og ikke kan. Derfor sagde vi: Lad os gå ét niveau dybere. Hvad forsøger vi at opnå? Og er AI den rigtige løsning?

Vi så på hundreder, hvis ikke tusinder, af anvendelser og opdelte dem i AI's syv mønstre. Det første er hyperpersonalisering, hvor man behandler hver enkelt person individuelt. Det kan være marketing, uddannelse, sundhed eller økonomi.

Derefter har vi genkendelse, som handler om at forstå ustrukturerede data. Her tænker vi på billedgenkendelse, men også lydgenkendelse og genkendelse af håndbevægelser.

Så har vi prædiktiv analyse og beslutningsstøtte, hvor tidligere og aktuelle data hjælper mennesker med at træffe bedre beslutninger. Vi har også mønstre og anomalier, hvor store datamængder bruges til at opdage tendenser og afvigelser, for eksempel ved svindelopsporing.

Vi har måldre­vne systemer, der handler om forstærkende læring og optimering. Vi har det autonome mønster, hvis mål er at fjerne mennesket fra processen. Det er det vanskeligste AI-mønster.

Det kan være autonom hardware eller software, for eksempel selvkørende køretøjer og autonome leveringsrobotter. Det kan også være autonome forretningsprocesser, hvor systemer navigerer i arbejdsgange uden mennesker.

Det er anderledes end automatisering. Automatisering er ikke intelligens. Det er blot gentagelse. Det er nyttigt, men ikke intelligent. Hvis der opstår undtagelser, skal et menneske håndtere dem. Hvis felter ændrer sig, skal et menneske gå ind og tilpasse processen.

Vi tænker også på robotbaseret procesautomatisering og på, hvordan agentisk AI kommer til at se ud i år og i de kommende år. Hvordan får vi flere autonome agenter til at arbejde sammen med andre agenter?

De syv mønstre hjælper os med at forstå, hvad AI er god og dårlig til, hvornår vi bør bruge det, og hvornår vi ikke bør. Vi gennemgår det i fase ét, forretningsforståelse, i CPMAI.

Hvis man spørger, hvor AI bør anvendes, har vi det konversationelle AI-mønster, hvor mennesker og maskiner taler sammen på menneskers sprog. Her hører store sprogmodeller og AI-understøttede chatbots hjemme. Men det er kun ét AI-mønster. Vi bør måske ikke bede en sprogmodel om hyperpersonaliserede tilbud, og vi kan ikke bruge en sprogmodel til at føre et køretøj.

Galen Low: Det kan jeg godt lide. Tak for lynkurset. Det sætter virkelig tingene i perspektiv. Og gæt hvad?

Det er en perfekt overgang til mit sidste spørgsmål. Vi taler om AI, der kommer ind og hjælper dig i hverdagen.

Kathleen Walch: Forstærket intelligens.

Galen Low: Forstærket intelligens. Tak. Men du nævnte også autonom og agentisk AI, som alle taler om lige nu. En verden, hvor AI bare gør tingene selv. Måske efter dine instruktioner, men ikke på samme måde som når man chatter og siger: Kan du gøre dette for mig?

Har du en holdning til, hvor det bevæger sig hen i projektledelsesverdenen eller verden generelt? Er folks bekymringer begrundede? Eller er det endnu en af de ting, hvor folk tænker: Det er næsten AGI, så vi kan lige så godt springe til apokalypsen? Mens det i virkeligheden blot befinder sig inden for disse mønstre?

Kathleen Walch: Hvis vi forstår, hvad AI kan og ikke kan, og forstår, at vi stadig befinder os inden for snæver AI, anvender vi et eller flere af de syv mønstre. Vi er ikke ved AGI, hvor vi har et menneskelignende system, der kan alt. Vi har stadig ikke maskinelt ræsonnement.

Jeg kan godt lide at tale om DIKUW-pyramiden. Data er i bunden og udgør fundamentet, men data alene kan man ikke gøre meget med. Vi skal anvende noget på dem. Så får vi informationsniveauet, hvor vi har dashboards og lignende. Derefter kommer viden, hvor maskinlæring spiller ind.

Så har vi forståelse, som er maskinelt ræsonnement. Det er vi ikke nået til endnu. Øverst har vi visdom. Vi er altså langt fra AGI, og det er vigtigt at forstå.

Der er forskellige meninger i medierne om, hvor langt vi er fra. Nogle tror, det er et årti, andre et år, 100 år eller aldrig. Eksperterne kan ikke blive enige. Men det er vigtigt at forstå begrænsningerne og anvende AI, hvor det giver mening.

Agentisk AI er det store emne i 2025 og vil fortsætte med at være det. Hos PMI har vi Infinity, som er vores AI-værktøj, og det kommer til at få agentiske AI-funktioner.

Det er også vigtigt at forstå, at vi ikke har en fælles accepteret definition af AI. Derfor har vi heller ikke en fælles accepteret definition af agentisk AI. Er det faktisk autonomt, forstærket eller automatiseret? Vi bevæger os stadig i den retning, men det er spændende.

Tingene ændrer sig utrolig hurtigt. Hvis folk lytter i februar 2025, hvordan ser det så ud i februar 2026 eller juni 2025? Tidligere nævnte du DeepSeek, som ikke fandtes for en måned siden. Hvordan fortsætter tingene med at udvikle sig, og hvordan tager projektprofessionelle agentisk AI til sig og integrerer det i deres arbejdsgange?

Det er større samtaler. Hvordan tager organisationen det ind? Hvordan indfører den værktøjerne og teknologierne? Vi skal sikre, at vi gør det på en tillidsvækkende, etisk og ansvarlig måde.

Der er mange bekymringer: databeskyttelse, styring og tillid. Stoler vi på systemerne? Har vi dem internt? Kan vi bruge eksterne systemer? Det er en spændende tid, og værktøjerne bliver hele tiden bedre. Der kommer nye hver eneste dag, og det kan blive overvældende.

Hvor begynder man? Hvordan følger man overhovedet med? Jeg tror, det handler om at lære og gøre hver dag. Man skal øve sig. Det skal blive en refleks. Hvordan gør man det til en del af hverdagen? Jeg siger: Start aldrig med en tom side længere. Hvis du starter med en tom side, gør du noget forkert.

Lad AI hjælpe med brainstorming eller skrive et første udkast, som du derefter redigerer. Det handler om at vænne sig til refleksen. Og hvordan gør man det? Man bliver ved med at øve sig.

Galen Low: Jeg elsker det. Tankegangen og refleksen. Kathleen, det var en virkelig inspirerende samtale.

Jeg tror aldrig, jeg har taget så mange noter i en episode. Og jeg mener det positivt, som i at indsamle viden til mig selv – ikke som noter til redigering bagefter. Jeg tror, PMI er heldig at have dig. Jeg glæder mig til at se, hvad der sker, og måske skal vi have dig tilbage i februar 2026 for at sammenligne, hvor vi er landet efter 365 dage.

Kathleen Walch: Ja. Det ændrer sig så hurtigt. Nogle gange spørger folk, hvor vi er om et år eller fem år. Og jeg tænker: Hvor er vi om en måned?

Galen Low: Jeg elsker det. Hvor kan folk finde mere om CPMAI-certificeringen?

Kathleen Walch: Gå til PMI.org. Du kan finde den der. Jeg har også en podcast, AI Today, hvor vi taler om CPMAI. Vi er midt i en serie om anvendelser, og den er nu en officiel PMI-podcast. Det er jeg meget begejstret for.

Vi er ved at flytte det hele over på PMI's system. Som alle, der har erfaring med opkøb, ved, tager det lidt tid, men vi er på vej. Du kan også finde mig på LinkedIn under Kathleen Walch, og PMI Cognilytica er også på LinkedIn.

Galen Low: Fantastisk. Jeg inkluderer også alle linkene i shownoterne.

Kathleen, tusind tak fordi du ville være med i dag. Det har været så sjovt.

Kathleen Walch: Selv tak. Jeg elsker altid at tale med dig, Galen.

Galen Low: Så er der ikke mere, folkens. Som altid kan du deltage i samtalen med over tusind ligesindede projektledelsesentusiaster ved at blive en del af vores fællesskab. Gå til thedpm.com/membership for at få mere at vide. Og hvis du kunne lide det, du hørte i dag, så abonnér, og hold kontakten på thedigitalprojectmanager.com. Vi lyttes ved. Tak fordi du lyttede.