Vuosikymmenten kokemuksen omaava konsultti kertoo, miksi tekoälyn tulisi olla strategisen ajattelun kumppani eikä projektien ohjaaja
Mike Hannan on Fortezza Consultingin perustaja ja pääkonsultti. Vuosikymmenten ajan hän on valmentanut projektijohtajia kaikilla tasoilla, auttanut organisaatioita navigoimaan monimutkaisissa toimitusjärjestelmissä, optimoimaan projektisalkkuja ja haastamaan vakiintuneita ajattelutapoja.
Mike Hannan
Fortezza Consultingin perustaja ja pääkonsultti
Tekoälyn tulisi toimia strategisen ajattelun kumppanina, ei toimitusten ohjaajana: Hannanin mukaan tekoäly on erinomainen mallipohjien tuottamisessa, sisällön tiivistämisessä ja vaihtoehtoisten skenaarioiden arvioinnissa, mutta se ei todella ymmärrä syvällistä monimutkaisuutta.
Inhimillinen harkinta on edelleen välttämätöntä monimutkaisessa projektityössä: Vaikka tekoäly voi hoitaa rutiinitehtäviä, kuten kokousmuistioiden laatimisen tai perusmallinnuksen, ihmisiä tarvitaan edelleen sosiaaliseen, emotionaaliseen ja syvälliseen strategiseen työhön.
Tekoälyn orkestroinnin hallinta ja laaja-alainen systeemiajattelu määrittelevät tulevaisuuden johtajat: Hannan uskoo, että todellinen arvo piilee niissä, jotka osaavat orkestroida tekoälyä älykkäästi ja hyödyntää laaja-alaista, järjestelmätason ymmärrystä maksimoidakseen projektisalkun sijoitetun pääoman tuoton ja ratkaistakseen monimutkaisia ongelmia tehokkaammin kuin pelkästään kapeaan tekniseen syvyyteen keskittyvät asiantuntijat.
Mike Hannan on Fortezza Consultingin perustaja ja pääkonsultti. Hänellä on vuosikymmenten kokemus projektijohtajien valmentamisesta kaikilla tasoilla, ja uransa aikana hän on auttanut organisaatioita navigoimaan monimutkaisissa toimitusjärjestelmissä, optimoimaan projektisalkkuja ja kyseenalaistamaan vallitsevaa ajattelua.
Tässä keskustelussa Mike kertoo, miten hän hyödyntää tekoälyä – ei korvaamaan projektikäytäntöjä, vaan kannustamaan tiimejä esittämään parempia kysymyksiä, välttämään näennäistä varmuutta ja pääsemään lähemmäs suorituskyvyn todellisia viputekijöitä.
Järjestelmätason suorituskykytekijöiden ymmärtäminen on entistä tärkeämpää tekoälyn aikakaudella
Olen Fortezza Consultingin perustaja ja pääkonsultti. Valmennan kaikilla tasoilla toimivia johtajia parantamaan projektisalkkujen suorituskykyä. Tämä tarkoittaa heidän auttamistaan ajattelemaan järjestelmällisemmin erityisesti ympäristöissä, joita muovaavat rajoitteet, keskinäisriippuvuudet – ja nykyään myös tekoäly.
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
Mielestäni tekoälyyn keskittyvässä maailmassa tarve ymmärtää aidosti, mikä ohjaa suorituskykyä järjestelmätasolla, on vahvempi kuin koskaan. Se on edelleen ainoa tapa navigoida monimutkaisuudessa kilpailijoita paremmin.
Tekoäly ei vielä pysty siihen. Se ei saavuta tätä tasoa ennen kuin se oppii paremmin erottamaan roskan helmistä.
Miten tekoälyä käytetään projektipohjiin, projektien toteutukseen ja projektisalkun optimointiin
Siitä huolimatta projektien toteutus muuttuu. Mielestäni useimpien projektipohjien tarve on vähentynyt huomattavasti. Useimmat suuret kielimallit pystyvät nykyään luomaan laadukkaita pohjia ja jopa muokkaamaan niitä tiettyihin tilanteisiin sopiviksi.
Esimerkiksi Claude suoriutuu tästä melko hyvin. Voisin antaa sille seuraavan kehotteen:
- “Anna minulle kosmetiikkateollisuuteen räätälöity projektin perustamiskirjan pohja.”
- “Anna minulle ydinenergiateollisuuteen räätälöity riskirekisterin pohja.”
Sen jälkeen tarkennan sitä edelleen: “Keskity kosmetiikka-alan IT-projekteihin” tai “Keskity ydinjätteen loppusijoituksen riskeihin.” Vastaukset ovat nopeita, joustavia ja yllättävän tarkkoja.
Olen myös todella kannustunut kehittyvistä tekoälyominaisuuksista, joiden avulla voidaan arvioida satoja tai jopa tuhansia skenaarioita optimaalisen ratkaisun löytämiseksi todellisten rajoitteiden vallitessa – esimerkiksi arvokkaimman projektin lähtötason tunnistamiseksi.
Yksi mieleeni tuleva esimerkki on Lightning Motorcycle, joka käytti Autodeskin tekoälyllä tehostettuja CAD-työkaluja suunnitellakseen huomattavasti optimaalisempia komponentteja kuin ihmisinsinöörit olisivat yksin pystyneet suunnittelemaan.
Toinen esimerkki on TransparentChoice, joka käyttää tekoälyä auttaakseen asiakkaitaan löytämään porrastetun virtauksen mallin, joka maksimoi läpimenon resurssirajoitteiden puitteissa. Se yksinkertaistaa vaikeaa kysymystä: “Kuinka monta projektia voimme ottaa työn alle ja saavuttaa silti mahdollisimman korkean valmistumisasteen?”
Missä tekoäly tuottaa arvoa projektien toteutuksessa – ja missä ihmiset ovat edelleen välttämättömiä
Tekoäly hoitaa erittäin tehokkaasti myös rutiinitehtäviä, kuten kokousmuistiinpanoja, tärkeimpien huomioiden kokoamista ja laajojen sisältökokonaisuuksien tiivistämistä. Pelkästään tämä säästää minulta useita tunteja viikossa.
Käytän näihin tehtäviin enimmäkseen Otter.ai:ta, koska pidän sitä parhaana vaihtoehtona keskustelujen tallentamiseen ja tiivistämiseen. Myös Copilotin kaltaiset työkalut toimivat hyvin.
Alueita, joilla tarvitaan edelleen inhimillistä otetta, on monia. Kaikki sosiaalialaan tai ihmisten parissa tehtäviin palveluihin liittyvä – missä mentorointi, empatia tai luottamukselliset suhteet ovat tärkeitä – on edelleen vahvasti riippuvaista ihmisistä. Sama koskee kaikkea, mikä edellyttää syvällistä järjestelmätason ajattelua tai kriittistä harkintaa.
Ne ovat edelleen ihmisten alueita.
Miten tekoäly integroidaan monimutkaisiin työnkulkuihin niin, että inhimillinen harkinta säilyy keskiössä
Joskus vien tekoälyn hyödyntämisen pidemmälle ja rakennan mallin, joka määrittelee kaiken tarvittavan työn synkronoimiseksi ihmisten, toimintojen ja jopa toimitusketjukumppaneiden välillä.
Tekoäly voidaan nimittäin sijoittaa tähän malliin kaikkialle, missä siitä on hyötyä. Ihmisten on sen jälkeen tehtävä säätöjä sen perusteella, miten tekoälystä ja ihmisistä koostuva kokonaisuus suoriutuu.
Yksinkertainen vertaus voisi olla tämä: Kuvittele, että johdon assistentti jää eläkkeelle ja johtaja on järkyttynyt menettäessään tarkasti hänen tarpeisiinsa mukautuneen tukensa. Sen sijaan että palkkaisit korvaajan, rakennat mallin, joka tallentaa mieltymykset:
- “Pidä kokousten välillä aina 15 minuuttia”
- “Suosi lentoyhtiötä A, ellei suoraa lentoa ole saatavilla”
- “Keskittymisaikaa saa keskeyttää vain, jos johtaja A tai asiakas B sitä vaatii”
Ajan myötä malli tarkentuu ja kattaa 95 % tilanteista hyvin.
Mutta aina tulee vastaan hetki, jolloin ihmisen harkintakyky on välttämätön — esimerkiksi tunteiden, kulttuuristen vivahteiden tai muuttuvien prioriteettien tulkitsemisessa. Entä jos perheen vierailu ei olekaan tervetullut? Entä jos asiakas alkaa painostaa liikaa? Entä jos esimiehen kiireellisyys lisääntyy hienovaraisesti? Juuri tällöin ihmisen ja tekoälyn yhdistelmästä tulee arvokas.
Projekteissa malli on monimutkaisempi, mutta periaate on sama: rakenna, tarkenna ja koordinoi tekoäly- ja ihmisagenttien yhdistelmä niin, että kukin tekee sen, missä se on ainutlaatuisen tehokas.
Tekoäly ei todella ymmärrä monimutkaisuutta
Vaikka tekoäly auttaa minua käyttämään vähemmän aikaa yhteenvetojen tekemiseen tai tiedon tiivistämiseen, se luo myös vaarallisen illuusion: että mallit itse ”ymmärtäisivät” syvällistä monimutkaisuutta. Ne eivät ymmärrä.
Tämän illuusion vuoksi monet asiakkaat etsivät nopeampia tuloksia ja toivovat tekoälyn tarjoavan sen, mitä he pitävät ”pikaratkaisuina”. Auttaakseni heitä saavuttamaan tämän keskityn virtauksen kiihdyttämisen tekniikoihin, jotka perustuvat rajoitteiden teoriaan ja Lean-ajatteluun. Nämä lähestymistavat auttavat projekteja etenemään nopeammin ilman oikoteitä.
Kun puhumme odotusten asettamisesta, kannustan yleensä asiakkaita tähtäämään korkeammalle — odottamaan suurempaa kiihdytystä. Vaatimattomien tavoitteiden asettaminen tuottaa yleensä vaatimattomia tuloksia.
Roolini on nykyään siis vähemmän yhteenvetojen tekemistä tai tärkeimpien asioiden esiin nostamista ja enemmän johtajien auttamista pysähtymään, ottamaan etäisyyttä ja kyseenalaistamaan oletuksensa. Todelliset suorituskyvyn parannukset syntyvät juuri tästä.
Kuinka käyttää tekoälyä oletusten haastamiseen ja kriittisen ajattelun parantamiseen
Käytän tekoälyä maalitauluna, en ratkaisuna. Sen tarkoitus on joutua haastetuksi. Se on ajattelukumppani, ei ohjaaja.
Käytän tekoälyä maalitauluna, en ratkaisuna. Sen tarkoitus on joutua haastetuksi. Se on ajattelukumppani, ei ohjaaja.
Hyvä esimerkki on ottaa LLM-mallien tuottamat yleisluontoiset ja pintapuoliset vastaukset sekä käyttää niitä kritiikin kohteena. Pyydän asiakkaita tarkastelemaan vastauksia kriittisesti:
- ”Minkä pitäisi olla totta, jotta tämä olisi väärin?”
- ”Missä tilanteessa tämä voisi olla täysin väärin?”
Nämä kysymykset opettavat heitä suunnittelemaan älykkäämpiä jatkokehotteita, jotka johtavat usein todellisiin oivalluksiin.
Kysymykset terävöittävät myös heidän kriittistä ajatteluaan, mikä on erityisen tärkeää nyt. On yllättävää, kuinka alttiita useimmat meistä ovat vahvistusharhalle. Kun tekoäly antaa ihmisille vastauksen, joka tukee heidän ennestään uskomiaan asioita, he kokevat saavansa vahvistusta — ja lakkaavat sitten ajattelemasta kriittisesti.
Se ei ole vain yllättävää, vaan pelottavaa.
Projektitoimitusten nykyaikaistaminen ja sijoitetun pääoman tuoton maksimointi
Minulle mikä tahansa tekniikka tai lähestymistapa, joka auttaa maksimoimaan projektiportfolion sijoitetun pääoman tuoton sen sijaan, että vain hallinnoitaisiin lähtötasoja etsimättä arvokkaampia vaihtoehtoja, on kullanarvoinen. Nämä menetelmät eivät aina ole ”kevyitä”, mutta ne keventävät ihmisten taakkaa ja lisäävät samalla kokonaisvaikutusta.
Muutamia asiakkaideni kanssa käyttämiäni esimerkkejä — jotka kaikki sisältyvät tulevaan PMBOK 8. -painokseen (jonka kirjoittamiseen osallistuin) — ovat arvon erittelyrakenteet, kriittisen polun viive ja kriittisen polun viivekustannus.
Nämä laajentavat perinteisen kriittisen polun käsitettä arvon puolelle. Jos esimerkiksi voin nopeuttaa kriittistä polkua kuukaudella, mutta se maksaa $200K, ylittääkö lisäarvo kustannukset?
Muita tehokkaita lähestymistapoja ovat:
- Kriittisen ketjun projektinhallinta (CCPM) sekä projekti- että portfoliotasolla — läpimenon ja määräaikojen saavuttamisen tehostamiseksi.
- Analyyttinen hierarkiaprosessi (AHP) — arvokkaampien projektien valitsemiseksi.
Kukin näistä tekniikoista on suunniteltu maksimoimaan sijoitetun pääoman tuotto, ei ainoastaan hallinnoimaan toimitusta.
Agenttipohjaiset työnkulut eivät ole vielä vaivan arvoisia
Jos tekoäly voitaisiin kouluttaa tuomaan ennakoivasti esiin parempia vaihtoehtoja niiden tullessa ajankohtaisiksi — ilman erillistä kehotetta — kyseessä olisi todellinen läpimurto. Silloin tekoäly lakkaisi olemasta pelkkä työkalu ja alkaisi toimia aidosti tiimin osallistuvana jäsenenä.
Olen alkanut kokeilla tätä ajatusta käytännössä. Markkinoille on tulossa lupaavia malleja, jotka voisivat tehdä agenttipohjaisista työnkuluista käyttäjäystävällisempiä ja yleisempiä, mutta niiden kouluttaminen kunkin organisaation ainutlaatuiseen toimintaympäristöön vaatii edelleen paljon etukäteistyötä.
Jopa agentin opettaminen ymmärtämään matkustusmieltymykseni ja ehdottamaan kokonaisia matkasuunnitelmia on toistaiseksi vienyt enemmän aikaa kuin se on säästänyt. Kun se kuitenkin oppii asian kunnolla, olen varma, että hyöty kääntyy suuremmaksi ja sama periaate toimii myös projektien toteutuksessa.
Miksi tekoälyn hallitsevat ihmiset muokkaavat projektien toteutusta
Loppujen lopuksi en usko, että tekoäly muokkaa projektien toteutusta. Uskon, että sitä muokkaavat ihmiset, jotka oppivat hallitsemaan ja koordinoimaan tekoälyä.
Loppujen lopuksi en usko, että tekoäly muokkaa projektien toteutusta. Uskon, että sitä muokkaavat ihmiset, jotka oppivat hallitsemaan ja koordinoimaan tekoälyä.
Ja erittäin monimutkaiset — jopa ”viheliäiset” — ongelmat alkavat tuottaa yksinkertaisempia ja elegantimpia ratkaisuja, jotka agenttipohjaisen tekoälyn valtava laskentateho tuottaa nopeammin kuin koskaan.
Miksi laaja-alainen ajattelu määrittää seuraavan projektien toteutuksesta vastaavien johtajien sukupolven
Neuvoni on yksinkertainen: ensin laaja-alaisuus.
Useimmille meistä on opetettu, että spesialisteille ja teknisesti syvällisille asiantuntijoille maksetaan taloudellisesti enemmän kuin generalisteille, ja näin on ollut jo monien vuosikymmenten ajan. Mutta mitä paremmin tekoäly pystyy ratkaisemaan teknisesti syvällisiä ongelmia nopeammin ja tehokkaammin kuin ihmiset, sitä arvokkaammaksi tulee päästä päähän ulottuva, laaja-alainen ja järjestelmätason ymmärrys.
Mitä paremmin tekoäly pystyy ratkaisemaan teknisesti syvällisiä ongelmia nopeammin ja tehokkaammin kuin ihmiset, sitä arvokkaammaksi tulee päästä päähän ulottuva, laaja-alainen ja järjestelmätason ymmärrys.
Loppujen lopuksi, jos et tunne ongelman koko laajuutta riittävästi koordinoidaksesi tekoälyagenttien verkostoa auttamaan sen ratkaisemisessa, arvosi työmarkkinoilla laimenee.
Seuraa Miken työtä
Voit seurata Miken työtä LinkedInissä ja tutustua hänen konsultointipalveluihinsa tarkemmin osoitteessa Fortezza Consulting.
Lisää asiantuntijahaastatteluja on tulossa The Digital Project Manager -sivustolle.
