Fremtiden for AI i projektledelse med Forecast, en Accelo-virksomhed
Succes inden for professionelle serviceydelser handler ikke om at reagere hurtigere. Det handler om at forhindre problemer, før de opstår.
I denne session taler DPM med Joe DiPaulo, administrerende direktør for Accelo og Forecast, en Accelo-virksomhed, om hvordan AI omformer automatisering af professionelle serviceydelser ved at give ledere overblik og kontrol, før projekter kommer ud af kurs.
Gennem indsigter fra virkeligheden og praktiske eksempler kan du se, hvordan Forecast integrerer AI i planlægning, ressourcetildeling, leveranceprognoser og økonomistyring for tidligt at identificere risici, afstemme kapacitet proaktivt og beskytte marginerne, før de bliver kompromitteret.
Se dette webinar efter behov for at lære, hvordan du kan:
- Modellere kapacitet og efterspørgsel efter roller, før du indgår forpligtelser
- Opdage små afvigelser i leverancen tidligt (før de bliver til et punkt på en evaluering efter projektet)
- Forhindre indtægtstab, ukontrolleret udvidelse af projektomfanget og udhuling af marginer
- Afstemme de rette personer med den rette opgave proaktivt
- Styrke menneskelig dømmekraft i stedet for at erstatte den
Hvis du leder projekter i et serviceorienteret miljø, er dette noget, du bør se.
Tim Fisher (00:01.19) Hej og velkommen til fremtiden for AI og projektledelse, en serie hvor vi går bag om præsentationen og undersøger, hvordan AI faktisk ændrer den måde, teams planlægger, leverer og styrer arbejde på. I dag ser vi nærmere på Forecast PSA, en Accelo-virksomhed. Hvis du leder et team inden for professionelle serviceydelser og har spekuleret på, hvor AI faktisk skaber værdi – ikke teoretisk, men i de værktøjer, du bruger hver eneste dag – så er dette den samtale, du skal lytte til. Vi hører deres perspektiv på, hvad der ikke fungerer i projektleverancer, ser deres AI-funktioner i et par spændende live-demonstrationer og taler om, hvor det hele bevæger sig hen. Skriv jeres spørgsmål i chatten undervejs, så tager vi så mange som muligt mod slutningen af samtalen. Mit navn er Tim Fisher. Jeg er vicepræsident for AI hos Digital Project Manager. Mit arbejde består i at finde ud af, hvor AI faktisk fungerer, og hvor det stadig bare er markedsføringsslides. Derfor stiller jeg de spørgsmål, som jeres team ville stille. Med os i dag har vi Joe DiPaulo, administrerende direktør for Accelo, virksomheden bag Forecast PSA. Joe har brugt hele sin karriere på at hjælpe teams inden for professionelle serviceydelser med at opbygge mere forudsigelige og skalerbare leveranceorganisationer. I dag vil han fortælle, hvordan AI former denne fremtid. Joe, det er fantastisk at have dig med.
Joe DiPaulo (01:07.502) Det er fantastisk at være her, Tim. Tak fordi du inviterede mig. Jeg glæder mig til at tale om emnet, og om hvordan det former vores verden inden for professionelle serviceydelser.
Tim Fisher (01:16.088) Meget spændende. Joe, kan du give os 30-sekundersversionen af Forecast? Hvad gør det, og hvem er det udviklet til?
Joe DiPaulo (01:23.822) Forecast er en moderne PSA-platform, altså en platform til automatisering af professionelle serviceydelser. Den er udviklet til virksomheder inden for professionelle serviceydelser, som typisk er vækstorienterede og arbejder på at skalere deres forretning. Vi fokuserer på funktioner fra projektplanlægning, kapacitets- og prognosearbejde til leveranceudførelse og indtægtsdrift. Vores mission er at give kunderne synlighed i deres data, forudsigelige indsigter i, hvad der sker i deres virksomhed, og hvordan de leverer – samt hjælpe dem med at styre virksomheden så effektivt som muligt.
Tim Fisher (01:58.652) Fantastisk. Forecast er for nylig gået sammen med Accelo. Hvad åbner den kombination for, som ingen af platformene reelt havde alene før?
Joe DiPaulo (02:08.674) Målet med kombinationen af de to organisationer og platforme er at skabe et ægte end-to-end-operativsystem til organisationer inden for professionelle serviceydelser. Forecast har været fremragende til AI-drevet projektplanlægning, ressourceprognoser, efterspørgselsplanlægning ud fra et ressourcestyringsperspektiv og til at give stor fremadrettet synlighed. Accelo har mange styrker inden for CRM-funktioner, styring af klientarbejdsgange og økonomiske arbejdsgange. Sammen dækker forbindelsen hele pipelinen set fra en organisation inden for professionelle serviceydelser og fungerer som et centralt system for registrering.
Tim Fisher (02:46.748) Det giver mening. Så et næsten komisk spørgsmål: Hvorfor er AI det område, I satser hårdest på lige nu? Hvad er den strategiske satsning for jer?
Joe DiPaulo (03:01.602) Vi satser på AI, fordi vores kunder – serviceorienterede virksomheder – arbejder i et komplekst miljø med meget begrænsede marginer. Der er mange faktorer involveret i leveringen til deres kunder, og historisk har disse virksomheder skaleret ved at ansætte flere mennesker. Satsningen med AI, mere intelligens og automatisering er, at virksomhederne kan bruge det som et værktøj til at forbedre deres resultater, kundeoplevelsen og i sidste ende skalere og blive mere lønsomme. Efter vores opfattelse gør AI det muligt for ledere at bevæge sig væk fra et historisk, reaktivt fokus og over mod en langt mere proaktiv virksomhed. Det handler om at give kunderne mulighed for at skalere uden at øge antallet af medarbejdere, så teams kan fokusere på den værdiskabende del af deres serviceydelser, opbygge relationer til kunderne og fortsætte med at vokse og optimere leveranceprocessen.
Tim Fisher (04:30.587) Det giver mening. Før vi går i gang med demonstrationerne, vil jeg gerne høre dit syn på, hvad du ser i branchen lige nu. Du taler med virksomheder inden for professionelle serviceydelser hver dag – bureauer, konsulentvirksomheder, IT-servicevirksomheder og alle de andre. Hvad ændrer sig reelt i måden, arbejdet bliver leveret på lige nu?
Joe DiPaulo (04:50.668) Jeg synes, vores kunder er gået fra at eksperimentere med AI det seneste år eller to til virkelig at forsøge at udnytte det mere effektivt som en ressource i organisationen og i deres måde at levere arbejde på. Alle befinder sig på forskellige stadier af denne rejse, men de arbejder på at skabe gentagelige resultater og optimere disse resultater gennem AI. Det er den udvikling, vi ser lige nu.
Tim Fisher (05:33.757) Vi har alle set de seneste artikler om AI, der ikke leverer for organisationer eller ikke lever op til hypen og løfterne. Der er helt klart fokus på konkrete, praktiske resultater lige nu. Jeres platformdata viser, at teams rapporterer en udnyttelsesgrad på omkring 75 % sammenlignet med 40 %, som er branchegennemsnittet. Hvad tror du driver den enorme forskel?
Joe DiPaulo (06:10.029) Når man kan arbejde mere konsekvent og bruge værktøjer til at gøre det, man laver, mere forudsigeligt, kan man være langt mere proaktiv. En af de ting, vi forsøger at gøre i PSA-systemet, er at give kunderne indsigt i arbejdet, der kommer gennem salgspipelinen, skabe gentagelige og konsekvente processer og gøre det muligt for dem at se, hvem der laver hvad og hvornår. Jo mere de kan forudsige og være proaktive omkring disse ting, desto bedre kan de drive virksomheden. Når de kan planlægge arbejdet en, to eller tre måneder frem, eller se præcis, hvad alle arbejder på, kan de undgå at overbelaste enkeltpersoner og i stedet udnytte deres bedste og højeste potentiale og kapacitet. Det fører til bedre udnyttelsesresultater.
Tim Fisher (07:20.826) Meget interessant. Når I ser på de mere end 2.000 virksomheder inden for professionelle serviceydelser, som I arbejder med, hvad er så de største mangler, I ser? Det kan være marginlækage eller den velkendte udfordring, som stadig eksisterer i dag: ressourcestyring baseret på regneark. Hvad ser I lige nu?
Joe DiPaulo (07:47.437) Marginlækage er bestemt noget, vores kunder ofte kæmper med. Det sker aldrig på én gang. Det sker lidt efter lidt, når et projekt eller et kundeengagement udvikler sig over tid. De kan opleve problemer med, hvordan de har tildelt ressourcer, eller hvilke ressourcer de bruger. Har de de rette personer? Overudnytter de en bestemt kompetence eller en bestemt højtydende medarbejder? De oplever ofte forsinket synlighed i risici og projekter, der er ved at komme ud af kurs. En anden faktor er ukontrolleret udvidelse af projektomfanget. Vi bruger systemet til at opdage og forudsige, hvornår kunderne har denne type udfordringer, hvilket i sidste ende forbedrer marginerne.
At arbejde ud fra regneark er almindeligt i mindre organisationer. Mange siger, at de er mere agile og kan reagere hurtigere på den måde, men det er efter min mening en fejlopfattelse. Når virksomheder vokser i kompleksitet eller får flere projekter, flere prismodeller, mere komplekse engagementer og flere teams, bliver det vanskeligere. Man mister noget af nøjagtigheden og de løbende kontroller, og man begynder at bryde mønstre eller processer, der påvirker marginerne. Organisationer, der virkelig udnytter data fra deres CRM, analyserer den og ser fremad for at finde ud af, hvordan de skal bemande arbejdet, kan se værdien ud over blot at styre processen i et regneark. De bliver langt mere forudsigelige og kan forhåbentlig drive virksomheden mere effektivt og gnidningsfrit.
Tim Fisher (10:24.688) Forecast blev bygget AI-baseret fra dag ét. Jeg tror ikke, mange PSA-værktøjer kan sige det. Hvad betyder det i praksis for, hvordan produktet håndterer marginpres, skalering og synlighed?
Joe DiPaulo (10:50.624) Systemet er grundlagt omkring brugen af maskinlæringsmodeller, der hjælper teams med bedre bemanding og ressourceplanlægning, og det har udviklet sig lige siden begyndelsen. Målet er, at AI skal fungere som en vejleder for organisationer inden for professionelle serviceydelser: hjælpe dem med at håndtere ineffektivitet, overvinde skaleringsbegrænsninger og blive mere forudsigelige. Når virksomheder bliver mere forudsigelige, kan de undgå risici, skabe en bedre kundeoplevelse, udnytte ressourcerne mere effektivt og holde teams tilfredse, så højtydende medarbejdere ikke bliver overbelastede og udbrændte. AI hjælper med at identificere disse problemer og risici og skabe effektiviseringer. Den hjælper også organisationer med at se data på tværs af hele virksomheden, så de kan udnytte ressourcer på tværs af funktioner og træffe beslutninger på tværs af organisatoriske skel.
Tim Fisher (13:17.712) Lad os se det i praksis. Joe, kan du gennemgå nogle anvendelsestilfælde for Forecasts AI-funktioner?
Joe DiPaulo (13:27.018) Jeg vil gennemgå tre anvendelsestilfælde. Det første viser, hvordan systemet kan forudsige, at et projekt eller en projektportefølje er ved at få problemer. Det andet handler om kapacitets- og ressourceplanlægning, og hvordan ressourcer kan tildeles arbejde. Det tredje viser, hvordan vi bruger MCP til at give kunder mulighed for at interagere med data i systemet via en valgfri ekstern stor sprogmodel og opbygge deres egne AI-arbejdsgange.
Joe DiPaulo (14:32.88) Vores AI-værktøj, Nova Insights, analyserer løbende data om al aktivitet i systemet: projekter, gennemført arbejde, leverancer til kunder, registrerede timer, udført arbejde og fakturering. I dette eksempel giver systemet indsigt i konkrete detaljer om projektet. Det ser blandt andet på opgaveudførelse og fortæller mig, at opgaverne generelt bliver afsluttet omtrent som estimeret. Samtidig ser det ud til, at nogle af ressourcerne på projektet ikke følger tidsplanen eller ikke er så tilgængelige som forventet. Derfor identificerer systemet risici både i forhold til budgettet og projektets afslutningsdato.
Joe DiPaulo (15:47.461) Projektet var oprindeligt planlagt til at slutte i maj, men systemet forudsiger, at det først bliver færdigt i august. Projektlederen kan derfor handle. Systemet kan også foreslå, hvordan nogle af udfordringerne kan løses for at få projektet tilbage på sporet. Det kan for eksempel vise, at der mangler et bestemt antal timer fra bestemte roller, og give projektlederen en enkel måde at justere ressourcetildelingen på.
Joe DiPaulo (18:00.866) Modellerne har brug for noget information at lære af. Som bedste praksis indlæser vi et eller to års historiske data under implementeringen. Hvis man indtaster ressourceoplysninger og historiske projektresultater, kan man forkorte indlæringsperioden, så værdien bliver tilgængelig næsten med det samme.
Joe DiPaulo (18:48.502) Det næste anvendelsestilfælde handler om kapacitetsplanlægning, ressourceplanlægning og tildeling af ressourcer. Systemet giver et overblik over kapaciteten pr. måned, og man kan gå ned på ugeniveau eller se længere frem i kvartalerne. Det kan filtreres efter projekter, kunder eller andre kriterier. Systemet anbefaler ressourcer ud fra blandt andet kompetencer, rolle, takster og profilattributter. Det viser de tre bedste ressourcer til det konkrete arbejde, og man kan flytte arbejdet rundt for at se, hvordan det påvirker kapaciteten. På den måde overtager systemet en del af arbejdet med at finde ud af, hvem der er tilgængelig, hvilke kompetencer der er relevante, og hvordan arbejdet skal tildeles.
Joe DiPaulo (21:50.007) Det handler præcis om de ting, du nævner: tilgængelighed, rolle og kompetencer. Systemet indsamler også data om tidligere projektresultater, hvilke opgaver folk har arbejdet på, og hvor godt de har løst dem. Nogle gange udfører en mere junior medarbejder opgaver på seniorniveau, og systemet lærer af det og kan bruge denne viden i anbefalingerne.
Joe DiPaulo (22:31.342) Det sidste anvendelsestilfælde viser, hvordan vi bruger MCP til at lade kunder interagere med data i systemet via en ekstern stor sprogmodel og opbygge deres egne AI-arbejdsgange. Jeg bruger Claude som eksempel, men kunderne kan forbinde forskellige værktøjer. De kan spørge: Hvem er tilgængelig i næste uge? Forbindelsen via MCP henter data fra den pågældende kundes konto og returnerer et svar. MCP er en sikker protokol, så kunderne skal godkende adgangen, og de får kun data fra deres egen konto.
Joe DiPaulo (25:55.149) Som et andet eksempel kan man spørge, hvor mange registrerede timer der er fakturerbare og ikke-fakturerbare. Systemet kan hente oplysningerne direkte fra driftsdataene i organisationen og give et rapporteringslignende svar uden først at skulle eksportere data til et regneark eller et kontrolpanel.
Joe DiPaulo (28:01.198) Det er et godt eksempel på MCP-anvendelsen og på, hvordan kunder kan forbinde sig til data i deres driftssystem for at få svar på spørgsmål og mere meningsfuld indsigt i virksomheden.
Joe DiPaulo (29:43.611) Jeg er meget begejstret for, hvordan AI gør det muligt for virksomheder inden for professionelle serviceydelser at bruge agenter til at levere mere effektivt til deres kunder. Organisationer vil bruge agenter til at udføre arbejde og aflaste mennesker. Det vil give kunderne hurtigere værdi, en bedre kundeoplevelse og bedre fortjenstmargener for brugerne af systemet.
Joe DiPaulo (32:10.158) Vi kommer til at se store ændringer i måden, arbejdet udføres på. Der vil stadig være brug for mennesker til at organisere og tænke over de resultater, vi forsøger at opnå, samt til at koordinere systemerne. Der skal tænkes grundigt over, hvilke input vi giver maskinerne, og hvilke resultater vi ønsker. Der vil stadig være behov for kvalitetskontrol, men vi kommer til at se agenter fungere som medarbejdere i organisationer. Det vil blive mere udbredt i de næste 12 til 36 måneder og på tværs af mange brancher.
Tim Fisher (33:35.343) Hvad er det bedste næste skridt for dem, der gerne vil se Forecast i deres eget miljø med deres egne data?
Joe DiPaulo (33:35.343) De bør gå til vores websted, Forecast.App, og anmode om en demonstration. En konsulent vil kontakte dem for at forstå deres virksomhed og tilpasse demonstrationen. Som en del af dette webinar offentliggør vi også en vurdering af AI-parathed, som kunderne kan bruge.
Tim Fisher (34:13.629) Nu går vi videre til den direkte spørgsmål og svar-session. Hvordan kan man pålideligt sammenligne den tid, der spares på projektledelsesproblemer med og uden AI? Findes der noget, der kan kaldes AI-blindgyder?
Joe DiPaulo (34:40.622) Uden AI gør man det normalt gennem rapporter, kontrolpaneler eller andre mekanismer i systemet. Man kan se på et enkelt projekt i detaljer eller bruge traditionel business intelligence og rapportering på tværs. Grunddataene er de samme, så man bør få meget lignende resultater, afhængigt af hvordan man formulerer forespørgslerne.
Joe DiPaulo (36:03.724) Vi tilføjer yderligere AI-funktionalitet i begge produkter. Det første fokus på MCP-serveren og MCP-arbejdsgangen ligger på Forecast-siden, men på længere sigt ønsker vi at tilbyde det til alle vores kunder.
Joe DiPaulo (36:30.222) Mange kunder registrerer tid fra deres konsulenter. Det er vigtigt for at forstå omkostningerne ved opgaver og projekter og sammenligne dem med estimater. Systemet registrerer individuelle ressourcers tid og opgaveafslutninger og rapporterer derefter på det.
Joe DiPaulo (37:19.47) Ja, vi kan integrere med Xero. Regnskabs- og økonomisystemer er meget almindelige integrationsområder for os.
Joe DiPaulo (37:36.258) Gennem MCP-modellen kan en person, der bruger Azure eller Microsoft Copilot, hente data ind i en stor sprogmodel i det miljø.
Joe DiPaulo (38:23.586) Historisk har vi primært fokuseret på at levere softwaren og hjælpe kunderne med at udnytte den frem for at undervise deres teams i emner som projektledelse.
Joe DiPaulo (38:59.39) AI kan levere meget kontekstuel information og hjælpe med anbefalinger. Der vil stadig være værdi i samtaler og i at forstå mennesker ansigt til ansigt. Forhåbentlig kan AI gøre disse samtaler hurtigere og mere værdiskabende.
Joe DiPaulo (40:03.863) Forskellen er, at systemer som vores har mere kontekst om kunderne og deres data. Et generelt AI-værktøj ligger uden for det operationelle system og har normalt ikke alle input i realtid fra hele organisationen. Kombinationen af den generelle AI og det operationelle system er derfor stærk.
Joe DiPaulo (41:47.94) Den største mulighed ligger generelt i at lade systemer udføre ensformige, gentagelige opgaver, der kan baseres på logik. Det kan være at generere tilbud, som et menneske gennemgår, generere fakturering og advare om undtagelser eller identificere risici tidligt.
Joe DiPaulo (43:56.311) Systemet understøtter også mere agile arbejdsgange, for eksempel sprint- eller Kanban-baseret arbejde. Vi arbejder på at give kunderne mulighed for at føre input gennem denne proces til softwareudviklere og ingeniører og bruge agenter til at hjælpe disse organisationer med at udføre arbejdet mere agentbaseret.
Joe DiPaulo (45:48.847) Ved overgang fra regneark bør man først forstå de problemer, organisationen oplever. Det kan for eksempel være vanskelige overleveringer mellem salg, levering og økonomi. Hvis disse problemer findes, kan det være en tydelig indikation af værdien ved en anden løsning. Forandringsledelse kræver overbevisning, træning og en gennemtænkt plan. En gradvis 30-, 60- eller 90-dages overgang er ofte bedre end at indføre alt fra den ene dag til den anden.
Joe DiPaulo (47:56.782) Hvis jeg skulle vælge ét problem, ville det være at overtage de ensformige opgaver, mennesker har udført, og levere dem hurtigere og mere effektivt. Det giver de involverede mennesker mulighed for at opbygge relationer og optimere deres virksomheder.
Tim Fisher (48:32.83) Det er helt sikkert løftet i alt dette. Det var alt den tid, vi har i dag. Joe, mange tak fordi du deltog. Og tak til publikum for alle de gode spørgsmål. Hav en god dag, og vi ses ved det næste arrangement om AI og projektledelse.
Joe DiPaulo (48:52.46) Ja, mange tak, Tim. Det sætter jeg stor pris på.
Host
