Overbelastning af AI-værktøjer? En guide til håndtering af dine muligheder
Overbelastning af værktøjer: Daglige lanceringer af nye AI-værktøjer overvælder projektledere og gør det sværere at træffe velovervejede købsbeslutninger.
Anvendelsesområder først: Prioritér at forstå specifikke AI-behov, før du tager værktøjer i brug, for at undgå ineffektive løsninger.
Test sammenlignende: Evaluer AI-værktøjer ved at sammenligne resultater på tværs af flere platforme i stedet for at vurdere dem isoleret.
Udvid, udskift ikke: Overvej at forbedre eksisterende værktøjer med AI-agenter i stedet for forhastet at skifte platform.
Strategisk implementering: Fokusér på at tilpasse implementeringen af AI-værktøjer til organisationens langsigtede strategier og procesforbedringer.
Der lanceres nu et sted mellem 500 og 1.000 nye AI-værktøjer hver eneste dag. For projektledere og PMO-ledere er det tal ikke spændende – det er udmattende. Hver uge kommer der en ny platform, som lover at automatisere dine statusrapporter, forudsige dine risici og optimere din ressourcefordeling. Og hver uge træffer organisationer beslutninger om indkøb til fem- og sekscifrede beløb baseret på demovideoer og salgsmateriale.
Emmanuels Magaya, grundlægger af Project Managers Africa, har testet over 100 AI-værktøjer og opbygget et konsulentfirma omkring at hjælpe organisationer med at træffe smartere beslutninger om de værktøjer, de tager i brug.
For nylig deltog han i DPM-podcastværten Galen Lows podcast for at dele et perspektiv, der går imod den nuværende hypebølge: Sæt farten ned, vær specifik, og lad være med at lade værktøjet styre strategien.
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
Her er den præcise ramme, han præsenterede i programmet, så du kan gøre det samme.
Start med anvendelsestilfælde, ikke værktøjer
Den mest almindelige fejl, organisationer begår, er ikke at vælge det forkerte værktøj – det er at vælge et værktøj, før de ved, hvad de har brug for, at det skal gøre. Magaya er direkte omkring dette. "Det første skridt er at forstå, hvad du helt præcist vil have AI til at gøre for dig," siger han. "Forsøg ikke at bruge AI til alt. Se på nogle af de enkle ting, du gør i din hverdag, som er rutineprægede, som kræver tankearbejde, og som tager tid."
Forsøg ikke at bruge AI til alt. Se på nogle af de enkle ting, du gør i din hverdag, som er rutineprægede.
Det lyder enkelt, men de fleste team springer det over. De ser en konkurrent bruge en ny platform, eller en person i ledelsen læser en artikel, og pludselig er der pres for hurtigt at tage noget i brug. Problemet er, at hast uden klarhed fører til netop den situation, som Magaya bruger det meste af sit konsulentarbejde på at løse.
Hans anden advarsel er lige så vigtig: Antag ikke, at dine processer er klar til AI, bare fordi værktøjet er det. "Lad være med at skynde dig hen til værktøjet," siger han. "Spørg først: Understøtter min proces AI? Det, vi fandt, er, at der findes ødelagte processer derude, hvor AI blot vil hjælpe med at gøre dem endnu mere ødelagte." Hvis din ressourceplanlægning er inkonsekvent, eller dine projektdata er rodede, vil et AI-lag ikke rydde op – det vil blot få rodet til at bevæge sig hurtigere.
Sådan evaluerer og sammenligner du AI-værktøjer
Når du har defineret dine anvendelsestilfælde for AI, er næste skridt at teste – og Magaya har en specifik metode til det. Den største fejl, folk begår, når de evaluerer værktøjer, er at teste dem isoleret og vurdere ét værktøj ud fra en abstrakt standard i stedet for at sammenligne det direkte med en konkurrent.
Hans løsning er enkel: "Brug aldrig kun ét værktøj til at få AI-resultater. Prøv at skrive den samme prompt i Gemini, Claude eller et andet værktøj, du har adgang til, og sammenlign derefter de to." Når du kører identiske prompts på tværs af flere værktøjer og AI-modeller, bliver forskelle i kvalitet, dybde og relevans for dit specifikke anvendelsestilfælde tydelige.
Denne artikel er tilpasset fra en DPM-podcastepisode med titlen: Du har ikke brug for et nyt AI-projektstyringsværktøj – du skal reparere det, du har. Se flere DPM-podcasts her.
Men kvaliteten af dine resultater er kun lige så god som kvaliteten af dit input. "Hvis du ikke er god til at skrive prompts, får du måske ikke et godt resultat, selv med det rigtige værktøj," siger Magaya. "Så du er nødt til at udvikle dine færdigheder i at skrive prompts." Det er en variabel, som de fleste evalueringsrammer fuldstændig ignorerer – team tester et værktøj, får et middelmådigt resultat og afskriver det, selv om det egentlige problem er prompten.
Han advarer også mod at bedømme et værktøj ud fra førstehåndsindtrykket. "Leg med dine værktøjer, og prøv forskellige funktioner. Du vil opdage, at selv det værktøj, du oprindeligt syntes ikke var særlig godt, faktisk kan være rigtig godt til ét bestemt formål."
De fleste platforme leveres med indbyggede funktioner, som brugerne aldrig opdager, fordi de går direkte til den primære grænseflade og aldrig udforsker den yderligere.
Hvad skal du gøre, når dit AI-værktøj ikke passer
Selv med en grundig evalueringsproces oplever organisationer nogle gange, at de efter seks måneder i en implementering indser, at værktøjet ikke leverer det, der blev lovet. Når det sker, anbefaler Magaya en struktureret diagnosticering, før der træffes beslutninger om de næste skridt.
"Først skal du forstå, hvad du forventede af værktøjet," siger han. "Derefter laver du det, vi kalder en gapanalyse. Du laver en gapanalyse af forventningen — hvad jeg forventer, at værktøjet skal gøre, sammenlignet med hvad værktøjet faktisk leverer." Denne gapanalyse afgør alt: om problemet kan løses, om det kan betale sig at blive, og hvad det faktisk vil koste at forlade værktøjet.
Og den omkostning kan være betydelig. "Konsekvenserne af at træffe det forkerte valg kan være enorme. Det kan endda koste millioner og vise sig i kundetilfredshed, kundeleverancer, produktkvalitet osv.," siger Magaya. Den økonomiske belastning ved en dårlig kontrakt er åbenlys, men følgevirkningerne for leveringskvaliteten og teamets moral er ofte det, der virkelig gør ondt.
Konsekvenserne af at træffe det forkerte valg kan være enorme – og vise sig i kundetilfredshed, kundeleverancer, produktkvalitet osv.
En faktor, som er nem at undervurdere, og som Magaya fremhæver som den vigtigste overvejelse efter identificeringen af friktionspunkter, er projektdata. "Hvor meget data havde vi givet dette værktøj? Dette er sandsynligvis det vigtigste punkt efter friktionspunktet," siger han.
"Du kan måske ikke engang gendanne dem." I modsætning til et regneark, som du kan eksportere og importere et andet sted, kan det, et AI-værktøj har lært af dit teams adfærd, din projekthistorik og dine organisatoriske mønstre, ikke overføres. Jo længere du er kommet med et værktøj, desto højere er omkostningen ved at skifte kurs.
Sådan udvider du dit eksisterende værktøj med AI-agenter
Det er her, de fleste samtaler om AI-værktøjer går i stå: Valget bliver fremstillet som et spørgsmål om at blive eller forlade værktøjet. Magaya tilbyder en tredje mulighed, som flere organisationer bør overveje — udvidelse. I stedet for at erstatte et værktøj, der har mangler, bygger du agenter og automatiserede arbejdsgange, som udfylder disse huller, mens du bevarer din eksisterende platform.
Tænk på agenter som modulære, ikke monolitiske
Den modulære karakter ved agentbaseret AI gør dette mere praktisk, end det lyder. "Med agentbaseret AI er det fantastiske, at du kan fjerne agenter, du ikke har brug for, eller som ikke fungerer godt, og sætte nye ind," forklarer Magaya. "Hvis du etablerer et agentbaseret PMO, har du altså en agent, der laver risikoforudsigelser. Du har en AI-agent, der laver kapacitetsplanlægning. Du har en, der kun står for planlægning eller kalenderstyring." Hver agent håndterer en separat funktion, hvilket betyder, at du kan tilføje eller fjerne funktioner uden at skulle omlægge hele din teknologistak, og du kan sikre, at hver enkelt er optimeret til den specifikke opgave.
Med agentbaseret AI er det fantastiske, at du kan fjerne agenter, du ikke har brug for, eller som ikke fungerer godt, og sætte nye ind
Start i det små i dit eksisterende værktøj
Det behøver ikke at være kompliceret at komme i gang. "Hvis du allerede har et værktøj, som du bruger, understøtter det så AI?" siger Magaya. "Hvis du har brugt de gængse værktøjer som Monday.com, Asana, Jira, gør de generelt et godt stykke arbejde med at holde sig opdateret med AI-understøttelse. Du kan begynde der. Så du starter i det små. Måske er det bare en AI-agent, der gennemgår noter efter møder — lad os hente udskriften, oprette handlingspunkter og derefter sende en e-mail." Det er et udgangspunkt med lav risiko og høj værdi, som ikke kræver en fuldstændig omlægning af arkitekturen.
Planlæg, før du bygger
For teams, der har brug for at gå videre — ved at forbinde værktøjer som n8n, Make eller Zapier for at opbygge mere avancerede arbejdsgange — understreger Magaya, at teknologien er den nemme del. Det svære er at vide, hvad du vil bygge, før du går i gang med at bygge det. "Du kan ikke begynde at bygge et hus uden en plan, og det er her, mange begår fejl med AI," siger han.
"Når folk hører om n8n, Make og Zapier, går de straks i gang med at lave arbejdsgange. Men hvad handler din arbejdsgang egentlig om? Lav først et mindmap i værktøjer som NotebookLLM." Planlægningstrinnet er ikke valgfrit — det er det, der afgør, om den arbejdsgang, du bygger, rent faktisk løser problemet og forstår informationsflowet, eller om den blot tilføjer mere kompleksitet.
Du kan ikke begynde at bygge et hus uden en plan, og det er her, mange begår fejl med AI.
Når arkitekturen står klart, bliver implementeringen betydeligt mere overskuelig. "Du kan beholde dit værktøj, men sørg blot for, at det er en person, der forstår automatiseringsprocesser, som opretter arbejdsgangene. På den måde bliver de integreret korrekt."
Betragt AI-agenter som medlemmer af dit team
Augmentering er ikke kun en teknisk beslutning — det kræver en ændring i den måde, du tænker på dit teams sammensætning. Magaya mener, at PMO-ledere er nødt til at begynde at medregne agenter i deres bemanding. "Der er også et element af forandringsledelse her," siger han.
"Teamet skal vænne sig til at have AI som en del af teamet. Fremover, når I som PMO laver jeres optælling, så lad os sige, at jeres team består af 50 personer — nu skal I medregne AI-agenterne som en del af teamet. Så hvis I for eksempel har 10 AI-agenter, er I faktisk et team på 60, fordi vi har det, vi kalder et AI-RACI-diagram, hvor der på RACI-diagrammet — hvem der er ansvarlig, hvem der står til regnskab, hvem der konsulteres, og hvem der informeres — er en sektion, hvor AI udfører bestemte funktioner."
Fremover, når I som PMO laver jeres optælling, skal I medregne AI-agenterne som en del af teamet.
Den måde at anskue det på er vigtig, fordi den skaber klarhed. Når en agent har en defineret rolle i RACI-diagrammet, ved teamet præcis, hvad den er ansvarlig for, hvordan tilsynet ser ud, og hvor overdragelsen til et menneske finder sted. Det gør det også lettere at identificere, hvilke agenter der præsterer utilstrækkeligt på hvilke dele af arbejdsgangen.
More Articles
- 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
- De AI-arbejdsgange fra den virkelige verden, som leverancechefen hos et Asana-implementeringsbureau bruger
- De bedste AI-modeller til projektledelsesopgaver
Fra reaktiv til forudsigende
At betragte agenter som teammedlemmer frigiver en mulighed, som Magaya anser for at være en af AI's mest uudnyttede fordele inden for projektledelse. "Når du har et AI-understøttet PMO med AI-agenter og assistenter, der arbejder sammenhængende, kan agenterne faktisk informere dig om risici baseret på data indsamlet fra steder som e-mail og Microsoft Teams," siger han.
Det er en grundlæggende anderledes driftsmodel end den, de fleste PMO'er er vant til. "Tidligere håndterede traditionelle PMO'er risici reaktivt — åh, der er noget, der er ved at ske, okay, lad os løse det," siger Magaya. "Men med AI kan AI fortælle dig, hvad der måske sker 12 måneder fremme i tiden, blot baseret på data." De teams, der gør dette godt, bruger ikke kun AI til at spare tid på administration. De bruger det til at se længere frem, end det tidligere var muligt.
AI kan fortælle dig, hvad der måske sker 12 måneder fremme i tiden, blot baseret på data.
Lad strategien gå forud for værktøjerne
De organisationer, der får mest ud af AI, er ikke dem, der tager flest værktøjer i brug — det er dem, der er mest bevidste om, hvordan og hvorfor de tager dem i brug. Denne bevidsthed begynder, før et eneste værktøj bliver købt, og den begynder med et klart billede af, hvordan jeres processer ser ud, og hvor organisationen er på vej hen.
Som Magaya siger: "Forestil dig, at du bruger AI effektivt 12 måneder fremme i tiden. Hvordan vil din organisation se ud? Hvordan vil dine kunder have det? Det er sådan, du skal anskue det." Begynd dér, arbejd baglæns, og lad værktøjerne følge strategien — ikke omvendt.
Vil du have flere indsigter som disse? Opret en gratis DPM-konto for at høre fra flere eksperter som disse.
