Hvorfor de ledere, der måler AI-adoption bedst, ikke ser på dashboards
Målemetrikker: Traditionelle brugsmetrikker fremstiller ofte AI's værdi forkert; fokus bør være på operationel effektivitet i stedet.
Effektivitetsgevinster: Vurderingen af AI's effekt bygger på målbare effektivitetsforbedringer frem for blot aktivitetsniveauer eller resultater.
Ændret adfærd: Meningsfuld AI-adoption kommer til udtryk gennem adfærdsændringer, såsom brug uden opfordring og automatisering af opgaver.
Skift i dømmekraft: Projektledernes værdi udvikler sig fra hurtig levering af resultater til at træffe velinformerede beslutninger og foretage redigeringer.
Synlighedsparadoks: Succes med AI-adoption kan være skjult; det er dem, der er tættest på arbejdet, som ser de meningsfulde ændringer.
Det lyder som om, det burde være ligetil at følge AI-anvendelsen i projektledelse. Brugslogs, antal prompts, aktivitet i værktøjer — dataene findes. Men ledere, der har forsøgt at måle AI's reelle effekt, oplever, at de mest meningsfulde signaler slet ikke vises i dashboards. Det, der faktisk fungerer, minder mindre om analyse og mere om at være opmærksom på, hvordan arbejdet ændrer sig i praksis.
Her er, hvad vores eksperter siger fungerer – og hvad der ikke gør.
Hvorfor traditionelle brugsmålinger ikke rækker
Det er forståeligt, at man instinktivt vil måle AI-anvendelse gennem aktivitet — flere prompts, mere eksperimenteren og mere synlig begejstring burde betyde mere værdi. Rawad Baroud, CEO for ZeroGPT, gik ind i det med netop den antagelse, og det, han fandt, ændrede fuldstændigt hans syn på måling. "Fra et ledelsesperspektiv troede jeg oprindeligt, at de teams, der fik mest værdi ud af AI, ville være de letteste at identificere," siger han. "Jeg forventede at se højere anvendelsesgrader, flere prompts, mere eksperimenteren og mere synlig begejstring." Virkeligheden var næsten det modsatte.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
"De teams, der opnåede de bedste resultater, behandlede ofte AI som stavekontrol. Det var blevet så integreret i deres arbejdsgang, at ingen længere følte behov for at nævne det." Konsekvensen for, hvordan ledere vurderer anvendelsen, er betydelig. Som Baroud udtrykker det, "skaber en projektleder, der genererer halvtreds prompts om dagen, måske ikke mere værdi end en person, der bruger AI fem gange til at fjerne tilbagevendende flaskehalse."
De teams, der opnåede de bedste resultater, behandlede ofte AI som stavekontrol. Det var blevet så integreret i deres arbejdsgang, at ingen længere følte behov for at nævne det.
De signaler, han nu er mest opmærksom på, er operationelle: når projektplaner hurtigere frem til interessenterne, når færre opgaver bliver sendt tilbage med anmodning om præcisering, og når statusopdateringer kræver færre rettelser. Disse indikatorer fortæller ham langt mere end dashboards over anvendelsen.
Mål effektivitet, ikke aktivitet
For ledere, der er kommet videre end at følge anvendelsen, skifter fokus til konkrete effektivitetsgevinster — gennemløb, fejlprocenter og feedback fra interessenter som de reelle pejlemærker. Emmanuels Magaya, grundlægger af Project Managers Africa, beskriver det som en enkel før-og-efter-sammenligning. "For mig er det vigtigste mål, om din effektivitet er steget, siden du begyndte at bruge AI. Eller bruger du meget mere tid på at skrive prompts for at rette det, du gjorde?" siger han.
For mig er det vigtigste mål, om din effektivitet er steget, siden du begyndte at bruge AI. Eller bruger du meget mere tid på at skrive prompts for at rette det, du gjorde?
Hans tilgang er at skabe klare sammenligningsperioder: "Vi kan måle effektivitet ved for eksempel at sige, at hvis vi i årets første kvartal ikke havde AI i nogen del af en arbejdsgang, så er det et udgangspunkt. I andet kvartal havde vi det. Så sammenligner vi første kvartal med andet kvartal."
Magaya opfordrer også ledere til at se ud over deres eget teams perspektiv, når de vurderer effekten. "Det må ikke kun være dit perspektiv som PMO-team. Få input fra dine interessenter, få input fra dine interne kunder osv. Du behøver ikke engang fortælle dem, at du bruger AI. Spørg bare: 'Hvordan har vi klaret os i løbet af de seneste par måneder?'" Blind feedback fra de mennesker, der er tættest på arbejdet, er efter hans mening et af de mest ærlige mål, der findes.
Mål adfærd frem for resultater
Flere ledere er nået frem til, at ændret adfærd er den mest pålidelige indikator for meningsfuld AI-anvendelse — specifikt hvilke opgaver der er blevet AI-først, og om teammedlemmer tager AI i brug uden at blive bedt om det. Ferhat Suat Erdogan, grundlægger og CEO for Ekofi, har bevidst undgået at opbygge en formel målestruktur af netop denne grund. "Fordi vi er en lille organisation, har jeg bevidst undgået at opbygge et AI-dashboard," forklarer han. "Det, jeg ikke kan se ved at kigge på et dashboard, er, om AI faktisk ændrer den måde, arbejdet bliver udført på. Derfor måler jeg mere på adfærd end på resultater."
De signaler, Erdogan holder øje med, er specifikke: hvilke tilbagevendende opgaver er blevet AI-baserede først — "statusrapporter, mødereferater omdannet til handlingspunkter, første udkast til kundeopdateringer, opsummeringer af projektomfang" – sammenlignet med hvilke der stadig primært udføres af mennesker; tiden frem til første udkast af en leverance, og hvor meget redigering et AI-resultat kræver, før det kan sendes ud. "Den omarbejdningsrate er mit egentlige kvalitetsmål," siger han. "Den adfærd, jeg stoler mest på, er, om teamet tager AI i brug uden opfordring. Pålagt brug fortæller dig intet; brug uden opfordring fortæller dig, at det faktisk sparer dem tid."
Den adfærd, jeg stoler mest på, er, om teamet tager AI i brug uden opfordring. Pålagt brug fortæller dig intet; brug uden opfordring fortæller dig, at det faktisk sparer dem tid.
Artem Panasiuk, leveringschef hos Brocoders, har en lignende tilgang og bruger regelmæssige teammøder i stedet for et formelt målepanel til at indsamle signaler. "Lige nu følger vi ikke AI-anvendelsen gennem et formelt målepanel. Vi holder regelmæssige teammøder, hvor vores ledere udveksler erfaringer om, hvad der fungerer i deres daglige arbejde, og det er her, de fleste af vores signaler kommer fra," siger han.
Vi holder regelmæssige teammøder, hvor vores ledere udveksler erfaringer om, hvad der fungerer i deres daglige arbejde, og det er her, de fleste af vores signaler kommer fra.
Det, Panasiuk faktisk måler, er ændringen i, hvad en projektleder bruger sin tid på. Standardopgaver for projektledere — generering af dokumenter, oprettelse af Jira-sager, opdatering af dokumentation, udarbejdelse af e-mails — er blevet automatiseret, og den frigivne kapacitet har flyttet lederne over i arbejde, der tidligere lå uden for projektlederrollen: forretningsanalyse, elementer i designsystemer, dokumentation og vibekodning. Resultatet, Panasiuk fremhæver, er bemærkelsesværdigt: "Vores ledere udfører omtrent dobbelt så meget arbejde som før, og teamene omkring dem er blevet langt mere T-formede."
More Articles
- De AI-arbejdsgange fra den virkelige verden, som leverancechefen hos et Asana-implementeringsbureau bruger
- De bedste AI-modeller til projektledelsesopgaver
- AI-drevet projektleder og underviser deler en enkel AI-arbejdsgang, der fundamentalt ændrer måden, projekter drives på
- 3 alternativer til at erstatte dine menneskelige projektledere med AI-agenter
- Det ene projektstyringsværktøj, jeg aldrig ville undvære
Den større ændring: Fra resultater til dømmekraft
På tværs af disse perspektiver tegner der sig en konsekvent nyfortolkning — ikke kun af, hvordan AI måles, men også af, hvad ledere begynder at værdsætte hos deres teams. Erdogan formulerer det direkte: "Jeg plejede implicit at belønne hastighed og mængden af resultater. Nu er den værdifulde færdighed dømmekraft — at redigere AI-resultater og vide, hvornår man slet ikke skal bruge det. Jobbet ændrer sig fra at producere udkastet til at være den redaktør, der står til ansvar for det."
Jeg plejede implicit at belønne hastighed og mængden af resultater. Nu er den værdifulde færdighed dømmekraft — at redigere AI-resultater og vide, hvornår man slet ikke skal bruge det.
Den ændring har praktiske konsekvenser for, hvordan leveringsresultater evalueres. Mængde og hastighed er ikke længere det signal, de engang var. Den projektleder, der producerer mindre, men redigerer bedre, opdager de mangler, AI overser, og ved, hvornår værktøjet helt skal lægges til side, leverer måske mere værdi end den, der genererer de største resultater. Som Baroud bemærker, er den største ændring i tankegangen, at "AI-anvendelse ikke altid er synlig. I mange tilfælde ligner succes mindre øget aktivitet og mere den stille fjernelse af arbejde, der tidligere bremsede teamene."
Afslut med synlighedsparadokset
Det mest nyttige, der kommer frem af Barouds observation, er et paradoks, der er værd at tænke over: De teams, der arbejder bedst med AI, er dem, man mindst ville forvente at finde i en rapport om anvendelsen. Hvis succes ligner stille fjernelse snarere end synlig aktivitet, er de ledere, der er bedst placeret til at måle AI's indvirkning, ikke dem, der holder øje med målepaneler — men dem, der stadig er tæt nok på arbejdet til at opdage, når noget holder op med at skabe friktion.
Vil du have flere indsigter som disse? Tilmeld dig en gratis DPM-konto for at høre fra flere eksperter som disse.
