Et tarvitse uutta tekoälyprojektinhallintatyökalua – sinun täytyy korjata nykyinen työkalusi

Galen Low: Okei, siitä on kulunut kuusi kuukautta, kun teit suuren hankinnan ja otit käyttöön tekoälypohjaisen projektinhallinta-alustan, mutta joitakin puutteita on alkanut paljastua. Ajankäytön analysointityökalut ovat loistavia, mutta resurssien suunnittelu ei olekaan niin älykästä kuin luvattiin, tai automaattiset tilanneraportit toimitetaan saumattomasti, mutta et ole varma, voitko luottaa niiden taustalla oleviin tietoihin, tai ennakoivat riskitiedotteet ovat auttaneet välttämään joitakin ongelmia, mutta riskien tunnistaminen on itsessään liian laaja-alaista toimialallasi.

Onko siis aika heittää kaikki pois ja aloittaa alusta? Ennen kuin teet sen, kuuntele tämä jakso. Vieraanani on PMO-konsultti, joka on testannut satoja tekoälytyökaluja ja rakentanut konsultointiyrityksen, joka keskittyy PM-työkalujen toiminnallisuuden laajentamiseen ja parantamiseen tekoälyavustajien, -agenttien ja automatisoitujen työnkulkujen avulla.

Keskustelemme hänen menetelmästään tekoälytyökalujen arvioimiseksi maailmassa, jossa satoja työkaluja julkaistaan joka päivä. Tarkastelemme, mitä vaihtoehtoja organisaatiolla on, kun se huomaa saattaneensa panostaa väärään projektinhallintaohjelmistoon. Käymme myös vaihe vaiheelta läpi, miten mitä tahansa PM-työkalua voidaan täydentää resurssienhallinnan työnkululla käyttämällä valmiita työkaluja, kuten NotebookLM:ää ja n8n:ää. Toivottavasti nautit jaksosta.

Tervetuloa The Digital Project Manager -podcastiin – ohjelmaan, joka auttaa toimitusjohtajia ja projektitoimituksesta vastaavia johtajia työskentelemään älykkäämmin, toimittamaan sujuvammin ja johtamaan tiimejään itsevarmasti tekoälyn aikakaudella. Olen Galen, ja joka viikko perehdymme käytännön strategioihin, nouseviin trendeihin, hyväksi havaittuihin viitekehyksiin ja satunnaisiin tosielämän kertomuksiin projektirintamalta. Johdatpa sitten valtavia muutoshankkeita, hallitset tekoälytyönkulkuja tai yrität vain pitää kaaoksen kurissa, olet oikeassa paikassa. Aloitetaan.

Okei, tänään puhumme tekoälypohjaisista projektinhallintaohjelmistoista ja siitä, mitä tehdä, kun huomaat, ettei valitsemasi työkalu teekään kaikkea, mitä luulit sen tekevän. Puhumme siitä, miten tekoälytyökaluja testataan, miten erikoistuneet työkalut saadaan toimimaan osana laajempaa ekosysteemiä ja käymme käytännön esimerkin avulla läpi tekoälypohjaisen työnkulun rakentamisen tiettyä projektikäyttötapausta varten.

Tänään kanssani on Emmanuels Magaya, Tech Legendsin teknologiajohtaja sekä Project Managers African perustaja ja toimitusjohtaja. Emmanuels on kokenut teknologiajohtaja, PMO-neuvonantaja ja tekoälykonsultti. Hän neuvoo johtoryhmien jäseniä ja hallituksia PMO-kyvykkyyden, portfoliohallinnon ja toimitusvarmuuden vahvistamisessa, jotta strategia muuntuu mitattavaksi liiketoiminta-arvoksi. Project Managers African toimitusjohtajana hän johtaa nopeasti kasvavaa koko mantereen kattavaa konsultointiyritystä, jonka tavoitteena on projektijohtamisen standardien kehittäminen.

Hän jakaa näkemyksiään johtajien pyöreän pöydän keskusteluissa, mestarikursseilla, huippukokouksissa ja neuvoa-antavissa komiteoissa. Hän suhtautuu intohimoisesti afrikkalaisen yhteisön voimaannuttamiseen ja edistää hyvää hallintotapaa, kyvykkyyksien kehittämistä sekä tekoälyn mahdollistaman toimituskyvyn tulevaisuutta eri puolilla Afrikkaa. Viime aikoina hän on perehtynyt syvällisesti kaiken kokoisten organisaatioiden ohjelma- ja projektinhallinnan tekoälytyökaluihin. Osana työtään Emmanuels on testannut yli sataa tekoälypohjaista PM-työkalua, ja juuri siitä keskustelemme tänään.

Emmanuels, kiitos paljon, että olet mukana tänään.

Emmanuels Magaya: Kiitos, Galen, kun kutsuit minut tähän upeaan podcastiin. Odotan innolla erittäin antoisaa keskustelua tänään.

Galen Low: Niin minäkin.

Kokeilemme tällä kertaa jotakin uutta, joten kiitos, että suostuit mukaan. Haluan ehdottomasti keskustella kokemuksestasi, kun autat tiimejä löytämään oikean kokonaisuuden tekoälypohjaisia työkaluja projekteihinsa, ja toivon, että eksymme välillä myös muutamaan sivupolkuun. Tässä on kuitenkin tämänpäiväinen suunnitelmani.

Ensimmäiseksi halusin pohjustaa keskustelua esittämällä sinulle suuren ja vaikean kysymyksen, johon kuulijani haluavat kuulla näkemyksesi. Sen jälkeen halusin tarkastella asiaa laajemmin ja puhua kolmesta asiasta. Ensinnäkin halusin kuulla näkemyksiäsi siitä, että olet testannut niin monia tekoälytyökaluja ja työskennellyt niin monien organisaatioiden kanssa.

Sen jälkeen haluaisin käydä kanssasi läpi käytännön käyttötapauksen siitä, miten erikoistuneempi tekoälytyökalu voidaan sovittaa osaksi laajempaa projektinhallinnan ekosysteemiä. Lopuksi haluaisin kuulla näkemyksesi siitä, millainen vaikutus tekoälyllä tulee olemaan kehittyviin markkinoihin eri puolilla maailmaa ja miten se muuttaa digitaalisen projektitoimituksen maailmanlaajuista toimintaympäristöä.

Miltä tämä kuulostaa?

Emmanuels Magaya: Kuulostaa hyvältä. Tehdään niin.

Galen Low: Hienoa. Sukelletaan aiheeseen. Ajattelin aloittaa yhdellä suurella ja vaikealla kysymyksellä. Kun tapasimme ensimmäisen kerran, mainitsit luvun, jonka mukaan joka päivä julkaistaan nykyään noin 500–1 000 uutta työkalua. Osa niistä on todennäköisesti yritystason työkaluja, osa erikoistuneita työkaluja, ja kuvittelen, että monet ovat tunnelmakoodaamalla rakennettuja sovelluksia ja muita paikallisia itse tehtyjä työkaluja.

Väitetysti suurin osa niistä sisältää tekoälypohjaisia ominaisuuksia. Tässä on siis suuri kysymykseni: Kun markkinoille tulee tekoälyn mahdollistavan voiman ansiosta niin paljon uusia työkaluja, uskotko, että uusia työkaluja vastaan syntyy vastareaktio? Mikä on markkinoiden – ja ehkä jopa ihmismielen – sietokyvyn yläraja?

Emmanuels Magaya: Omasta näkökulmastani en usko, että saavutamme varsinaista kattoa, koska ihmisinä olemme kiinnostuneita uusista asioista. Haluamme aina seuraavan kiiltävän uuden esineen. Sitä kutsutaan kiiltävän esineen oireyhtymäksi. Nautimme asioista, jotka kokeilevat uusia asioita, minkä vuoksi sosiaalinen media on nykyään niin suosittua: aina on jotakin uutta, jota odottaa, jotakin, mitä et ole nähnyt tai kuullut.

Ajattelen siis, ettemme varsinaisesti saavuta kattoa, mutta jokaiselle yksilölle alkaa todennäköisesti muodostua oma standardinsa tai tahtinsa: ”Jos siirryn nykyisestä työkalukokonaisuudestani johonkin muuhun, mitä etsin?” Kyse ei ole vain siitä, että kokeillaan kaikkea mahdollista.

Ajatus on pikemminkin: ”Ymmärrän nyt tekoälyn perusteet, sen, missä se auttaa minua ja miten se tukee päivittäistä työtäni tai henkilökohtaista elämääni. Mitä muita uusia työkaluja voin lisätä siihen, mitä minulla jo on?” Siksi jotkin organisaatiot tai yksilöt käyttävät tekoälyä ehkä pääasiassa yhteen toimintoon, mutta kokeilevat nyt uusia työkaluja muihin toimintoihin.

Jos esimerkiksi työskentelet päivittäin projektipäällikkönä ja tuotat samalla sisältöä, saatat seurata uusia sisällöntuotantotyökaluja. Projektinhallinnan puolella saatat kuitenkin pitäytyä yhdessä tai kahdessa työkalussa, joiden käyttöön olet tottunut.

Galen Low: Pidän tuosta. Pidän tuosta käyttötarkoitukseen ja liiketoimintaluokkaan perustuvasta näkökulmasta.

Uusia asioita tulee jatkuvasti. Tekoälyhypen keskellä monet työkalut väittävät pystyvänsä kaikkeen, ja ehkä ne pystyvätkin. Se voi tuntua ylivoimaiselta, koska ajattelet: ”Selvä, tämä näyttää sopivan siihen, mitä teen.” Pidän kuitenkin ajatuksesta, että vaihtoehtoja suodatetaan ja rajataan sen perusteella, missä tarvitset apua – sisällöntuotannossa tai jossain projektinhallintaprosessin muussa kohdassa – sen sijaan, että sukelletaan jokaiseen työkaluun.

Kun luen rivien välistä, mitä sanoit, huomaan myös, ettei jokainen työkalu sovellu kaiken kokoisille organisaatioille. Joidenkin työkalujen kohdalla voi sanoa: ”Tuo näyttää olevan tarkoitettu suuryrityksille. Minä en työskentele suuryrityksessä, joten minun ei ehkä tarvitse huolehtia siitä vielä.”

Mielestäni hyvä lähestymistapa on siis sovittaa työkalu siihen tarkoitukseen, jossa tarvitset apua. Olet oikeassa siinä, että ihmiset pitävät työkaluista ja uusista asioista. Ne ovat hyvin inhimillisiä ominaisuuksia. Ehkä tätä konetta, jonka olemme luoneet, ei voi pysäyttää, mutta samalla voit valmistaa paljon makeisia ilman, että sinun täytyy syödä niitä kaikkia.

Ajattelin laajentaa näkökulmaa hieman, koska et ole ainoastaan teknisesti erittäin taitava, vaan myös intohimoinen kouluttaja, joka osaa selittää asioita ei-teknisellä tavalla. Project Managers African kautta näytät haastavan jopa PMI:n projektinhallinnan koulutuksen edistämisessä.

Teknologian ja tekoälyn osalta olet itse lähtenyt testaamaan satoja tekoälytyökaluja, jotta voisit auttaa tiimejä tekemään hyviä päätöksiä käyttämiensä työkalujen suhteen. Kaikki eivät kuitenkaan ole yhtä teknisiä kuin sinä. Miten saat vähemmän tekniset ihmiset aloittamaan tekoälytyökalujen testaamisen ja kokeilemisen?

Mistä heidän pitäisi aloittaa ja millainen lähestymistapa heidän pitäisi ottaa selvittääkseen, sopiiko työkalu heille?

Emmanuels Magaya: Kiitos kysymyksestä, Galen. Ensimmäinen askel on ymmärtää, mitä haluat tekoälyn tarkalleen ottaen tekevän puolestasi, ja tarkastella asiaa myös työtehtävän näkökulmasta. Testaatko työ- vai henkilökohtaiseen käyttöön? Jos kyse on henkilökohtaisesta käytöstä, voit mielestäni vapaasti kokeilla monia tarjolla olevia vaihtoehtoja.

Työkäytössä on tietenkin rajoja ja suojatoimia, jotka meidän on otettava käyttöön, koska kyseessä voi olla immateriaalioikeuksia, tietosuojaa ja tietoja koskevaa lainsäädäntöä. Jos et ole tekninen ihminen, ensimmäinen asia on selvittää, mihin käyttötapauksiin tarvitset tekoälyä ja millaisissa käyttötapauksissa haluat sen auttavan.

Älä esimerkiksi yritä käyttää tekoälyä kaikkeen. Tarkastele joitakin päivittäisiä rutiinejasi, jotka ovat toistuvia, vaativat ajatustyötä ja vievät aikaa. Etsi sitten muutama työkalu, joita voit testata. Käytetään yksinkertaista ja yleistä esimerkkiä. Olet sisällöntuottaja ja huomaat haluavasi työkalun, joka auttaa videoiden tai blogin luomisen automatisoinnissa.

Se on käyttötapauksesi. Haluat automatisoitua sisällöntuotantoa ja ehkä myös automaattista julkaisemista sosiaalisen median alustoillesi. Mistä aloitat työkalun etsimisen? Aiemmin käytimme Googlea, mutta nykyään Google ei voi olla ainoa paikka etsiä. Se on hyvä, koska siihen on integroitu Gemini, mutta ensimmäinen askel voisi olla yhden käyttötapauksen valitseminen.

Tässä tapauksessa valitaan automatisoitu sisällöntuotanto. Voit käyttää yleisiä työkaluja, joita minäkin käytän päivittäin: ChatGPT:tä, Geminiä ja Claudea. Mene jokaiseen niistä ja kirjoita yksinkertainen kehote: ”Luettele uusimmat automatisoituun sisällöntuotantoon käytettävät työkalut.”

Se on yksi tapa etsiä, jos haluat tehdä haun hieman manuaalisemmin. Jos haluat tekoälyn tekevän työn puolestasi, mene ChatGPT:hen tai Geminiin ja kirjoita: ”Mitkä ovat uusimmat tekoälypohjaisen sisällöntuotannon työkalut?” Se todennäköisesti luettelee muutamia. Haittapuolena on se, että suuret tai yleisesti käytetyt työkalut ovat usein puolueellisia suosituimpien työkalujen suuntaan.

Tämä on asia, jonka huomasin enkä aluksi pitänyt siitä. Silloin sinun täytyy muokata kehotetta. Se liittyy jälleen kehotteiden laatimisen taitoosi. Voit kirjoittaa: ”Älä luettele yleisimpiä työkaluja.” Reddit on tässä hyvä lähde. Voit pyytää: ”Etsi blogeista ja Redditistä tietoa siitä, mistä tekoälytyökaluista ihmiset puhuvat. Mitkä ovat ilmaisia, edullisempia, helposti saatavilla tai sellaisia, jotka eivät vaadi kirjautumista tai luottokorttia?”

Voit mukauttaa kehotettasi ja pyytää: ”Etsi uusimmat työkalut. Jos kyse on projektinhallinnasta, etsi uusimmat projektinhallintatyökalut, jotka ovat ilmaisia tai jotka eivät ole kaikkein tunnetuimpia. Luokittele ne ja luettele ne helppokäyttöisyyden mukaan.” Toinen, yksinkertaisempi tapa, jota käytin alkuvaiheessa, oli kirjoittaa Googleen: ”Voitko antaa minulle viisi yksinkertaisinta työkalua projektisuunnitelman laatimiseen? Tarvitsen Gantt-kaavion. Anna minulle yksinkertaisin työkalu projektisuunnitelman tekemiseen, mutta älä ehdota tavallisimpia vaihtoehtoja.”

Mainitsin jopa: ”Älä ehdota tavallisia Asanaa, Jiraa tai vastaavia. Haluan työkalun, josta en ole koskaan kuullut.” Kirjoitin hakuun kirjaimellisesti: ”Haluan työkalun, josta monet ihmiset eivät tiedä.” Silloin hakutuloksiin ilmestyy verkkosivustoja, jotka luettelevat muita tekoälytyökaluja, kuten AI Factory ja vastaavat. Niiden kautta voit löytää vielä lisää työkaluja.

Se herätti kiinnostukseni ja sai minut ajattelemaan: ”On olemassa niin paljon työkaluja, joista emme tiedä ja joista en edes saa näkyvyyttä.” Koska hain tietyllä tavalla, löysin muita luetteloita ja uusia työkaluja.

Galen Low: Entä kun olet valinnut työkalun ja avaat sen ensimmäistä kertaa? Ehkä vertailet kahta eri työkalua saman tehtävän suorittamiseen.

Millainen menetelmä tai lähestymistapa sinulla on työkalun käytön aloittamiseen ja sen selvittämiseen, onko se sinulle sopiva? Miten vertaat yhtä työkalua toiseen esimerkiksi sisällöntuotannossa tai projektisuunnittelussa?

Emmanuels Magaya: Hyvä kysymys. Otetaan esimerkiksi sisällöntuotanto. Haluan nähdä tuotoksen laadun.

Sisällöntuotanto on tosin melko laaja käsite, koska siihen voi kuulua kuvien ja videoiden tuottamista, mutta voimme käyttää sitä esimerkkinä. Tarkastelen erityisesti tuotoksen laatua. Tekoälykoulutuksissa suosittelen usein, ettei tekoälytuloksia haeta vain yhdellä työkalulla. Paras tapa on kirjoittaa sama kehote Geminiin, Claudeen ja kaikkiin muihin käytettävissä oleviin työkaluihin ja verrata tuloksia.

Olen myös löytänyt useita työkaluja ja alustoja, joiden kautta voi käyttää kaikkia näitä malleja yhdestä käyttöliittymästä. Yksi niistä on Galaxy.ai. Kun kirjoitat kehotteen Galaxy.ai:hin, se tarkistaa kaikki mallit, kokoaa kunkin mallin tulokset ja esittää ne yhtenä lopullisena tuloksena. Näin saat paremman ja tarkemman tuotoksen.

Jos kyse on yleisestä kehottamisesta, esimerkiksi raporttien tai tutkimusten tiivistämisestä, on olemassa Sider-niminen selainlaajennus osoitteessa sider.ai. Sider.ai tekee lähes saman kuin Galaxy.ai. Sider on kuitenkin enemmän Chromeen asennettava lisäosa tai laajennus.

En ole varma, onko se nykyään yhteensopiva muiden selainten kanssa. Voit siis käyttää myös tällaista työkalua. Kirjoita sinne esimerkiksi: ”Voitko laatia minulle analyysin tästä?” Se analysoi pyynnön, tarkistaa muut mallit ja antaa lopullisen tuloksen. Tai voit käyttää Galaxy.ai:n kaltaista työkalua.

Tällaisia työkaluja on useita. Voin luetella niitä myöhemmin kuulijoiden hyödyksi. Kuvien tuottamisessa periaate on jälleen samanlainen. Sinun täytyy myös tarkistaa, kuinka usein työkalua päivitetään. Tällä hetkellä suurten toimijoiden välillä on paljon kilpailua, ja ne julkaisevat päivityksiä joskus päivittäin.

Minulle se on yksi alan kiinnostavimmista asioista, mutta samalla se aiheuttaa vaikeuksia. Clauden ja Geminin uusimpien julkaisujen seuraaminen voi olla hankalaa. Nämä suuret yritykset tekevät hämmästyttäviä asioita. Yksi tapa pysyä ajan tasalla on seurata alan muita tekoälyasiantuntijoita.

Minulle se on toiminut hyvin. Tilaan uutiskirjeitä, jotka ilmoittavat uusista asioista. Sain esimerkiksi tietää ChatGPT:n mainosten käyttöönotosta uutiskirjeen kautta enkä itse tutkimalla. Kun pysyt yhteydessä alan muiden toimijoiden tekemisiin, pysyt aina ajan tasalla.

Vertaisesi syöttävät sinulle tietoa. Myös Reddit on hyvä lähde, koska se on ihmisten ja yhteisön ohjaama. Kun yhteisö puhuu jostakin, ihmiset ovat testanneet ja kokeilleet sitä sekä kokeneet sen hyvät ja huonot puolet. He voivat siis antaa tarkemman kuvan omista kokemuksistaan.

Vastatakseni kysymykseesi: jos vertaisin työkaluja rinnakkain, laatu olisi tärkein tekijä. Kuinka hyvin työkalu myös vastaa kysymykseeni? On muistettava, että kirjoittamasi kehote määrittää tuotoksen. Jos et osaa laatia hyviä kehotteita, et välttämättä saa hyvää tulosta edes hyvällä työkalulla.

Kehottamisen taitoa täytyy siis kehittää. Tämä koskee kaikkea tekoälyn käyttöä, ei vain projektinhallintaa. Sinun täytyy ymmärtää, miten kehote kirjoitetaan parhaalla tavalla. Siihen on olemassa menetelmiä. Työkaluja vertaillessa pitää myös kysyä, kuinka ajan tasalla ne ovat, millaisiin malleihin ne yhdistyvät ja kuinka paljon tietoa ne tuottavat.

Olen huomannut, että työkaluissa on joskus pieniä asetuksia, joita napsauttamalla saa erilaisen tuloksen. ChatGPT:ssä voi esimerkiksi valita nopean tilan tai syvällisen tutkimuksen ja monimutkaisemman käsittelyn. Monet vain avaavat ChatGPT:n, kirjoittavat kehotteen ja jatkavat eteenpäin.

He eivät huomaa, että jokaisessa työkalussa on paljon sisäänrakennettuja ominaisuuksia, joita emme käytä. Kokeile siis työkalujasi ja eri ominaisuuksia. Saatat huomata, että työkalu, jota pidit heikkona, palveleekin tarkoitustasi. Erikoistuneiden työkalujen kohdalla vertailu on vaikeampaa. Testasin esimerkiksi eilen civils.ai-nimistä työkalua.

Se on tarkoitettu maa- ja vesirakentamisen parissa työskenteleville. Joitakin työkaluja on vaikeampi verrata muihin, koska ne ovat niin erikoistuneita. Erikoistuminen voi perustua myös alueeseen tai toimialaan. Silloin sinun on kysyttävä: ”Haluan yhden työkalun, joka tekee kaiken, vai työkalupaketin, jota kutsun omaksi tekoälytiimikseni tai tekoälyarmeijakseni? Yksi työkalu hoitaisi päätoiminnon ja muut täydentäisivät sitä.”

Galen Low: Ymmärrän. Ensin määrität käyttötapauksesi: miksi tarvitsen työkalun ja missä tarvitsen apua? Sitten teet tutkimusta ja etsit mieluiten useamman työkalun vertailua varten. Kirjoitat saman hyvin laaditun kehotteen eri työkaluihin ja arvioit laatua sekä merkityksellisyyttä nähdäksesi, vastaako työkalu käyttötapaustasi.

Sen lisäksi tarkastelet eri tiloja ja varmistat, ettet tuijota vain yksityiskohtia kokonaisuuden kustannuksella käyttämällä työkalua väärässä tilassa. Voisit ehkä käyttää syvällisen tutkimuksen tilaa ja saada paremman tuloksen. Haluan kuitenkin kysyä vielä yhden asian.

Olet testannut satoja työkaluja. Onko sinulla aikarajaa tai ylärajaa sille, kuinka paljon aikaa käytät yhden työkalun testaamiseen? Monet ihmiset kokevat jo nyt ajanpuutetta, ja työkaluja on markkinoilla satoja. Mistä tiedät, milloin olet testannut työkalua riittävästi ja voit siirtyä seuraavaan?

Emmanuels Magaya: Hieno kysymys, Galen. Ensinnäkin, jos joku haluaa tehdä samaa kuin minä, hänen täytyy kysyä: mikä on tavoitteeni? Haluan pysyä alan ajatusjohtajana, joten en voi tehdä testausta yleisellä tasolla ja kysyä vain: ”Osaatko tehdä Gantt-kaavion?” tai ”Autatko resurssisuunnittelussa?” Jos työkalu pystyy siihen, en voi vielä olla tyytyväinen.

Minulla on hyvin jäsennelty viitekehys ja itse asiassa mallipohja, jota käytän työkalujen testaamiseen. Tarkastelen esimerkiksi organisaation kokoa ja sitä, mitä projektinhallintatoimiston kannalta olennaisia ominaisuuksia työkalussa on.

Onko ympäristö hybridi, ketterä vai vesiputousmallinen? Onko kyse infrastruktuuriprojekteista? Millainen projekti on kyseessä? Tarkastelen monia kriteerejä ennen kuin päätän, käytänkö testaamiseen viisi, kymmenen vai kaksikymmentä minuuttia. Minulla on työkaluja, joita olen testannut kaksi tai jopa kolme päivää, koska niissä on niin paljon tutkittavaa.

Olen kuitenkin huomannut, että monet työkaluja esittelevät ihmiset, erityisesti LinkedInissä ja TikTokissa, toimivat vaikuttajalähtöisesti. He vain kertovat: ”Tässä on uusi työkalu.” Muistan esimerkiksi, kun löysin Plotato-nimisen työkalun. En tiedä, tunnetko sitä. Se automatisoi sisällön luomista Instagramiin ja muihin kanaviin. Annat sille konseptin ja värisi, ja se luo sisältöä seuraavaksi seitsemäksi päiväksi. Se on todella hyvä.

Löysin sen vaikuttajalta, joka vain testaa saamiaan työkaluja. Hänen videonsa kestävät ehkä 60 sekuntia tai korkeintaan kaksi minuuttia. Siinä ajassa ei voi antaa kovin paljon arvoa, vaikka haluaisi kertoa työkalusta. Minä perehdyn asioihin syvällisesti, etenkin projektinhallinnan alueella.

Jotkin työkalut ovat hyviä riskienhallinnassa ja toiset kapasiteetinhallinnassa eli resurssien kohdentamisessa. Tarkastelen projektinhallinnan päivittäisiä toimintoja: mitä teemme joka päivä, joka viikko ja mitkä asiat ovat projektipäällikön työssä välttämättömiä.

Se on projektinhallintatyökalujen perustasoni. En testaa ainoastaan projektinhallintatyökaluja, mutta tällä alueella varmistan, että työkalun on pystyttävä palvelemaan projektipäällikön päivittäisiä tehtäviä. Jos se ei pysty vähimmäistasoon, pisteytän sen tarkistuslistani avulla.

Minulla on pisteytystaulukko, jossa voin merkitä: ”Tässä se epäonnistuu ja tässä se epäonnistuu.” Yksinkertaisia työkaluja on helppo testata. Testasin esimerkiksi Gantt Chart AI:tä. Se oli erittäin helppo työkalu. Kirjoitin: ”Haluan toiminnanohjausjärjestelmän projektisuunnitelman. Voitko laatia sen minulle?” Se teki suunnitelman, ja näin heti, ettei se ollut työkalu, jota voisin käyttää Fortune 500 -yrityksessä. En suosittelisi sitä siihen.

Pienelle yritykselle tai pienempään projektiin se voi kuitenkin olla hyvä. Projektin ja tiimin koko sekä kaikki muut kriteerit kuuluvat tarkistuslistaani.

Minulla täytyy siis olla tarkistuslista, mutta minulla ei ole tiettyä testauksen kestoa. Enintään voin käyttää työkalun testaamiseen kaksi päivää, sillä sitä pidempi aika alkaa olla jo liian pitkä.

Galen Low: Se käy järkeen. Työkaluja on paljon, mutta niiden testaaminen ei vie kaikissa tapauksissa yhtä paljon aikaa.

Pidän mainitsemastasi viitekehyksestä, jossa huomioidaan organisaation koko, toimiala sekä työskentelytavat tai menetelmä. Se on todella vahva lähestymistapa. Se johdattaa seuraavaan kysymykseen. Tällä hetkellä hyvin erikokoiset organisaatiot tekevät projektinhallintaohjelmistojen hankintapäätöksiä tekoälypohjaisten ominaisuuksien perusteella.

Ystäväni Olivia Montgomery Capterrasta julkaisi raportin, jonka mukaan 55 prosenttia kaikista PM-työkaluhankinnoista perustuu osittain tekoälyominaisuuksiin. Ongelma on kuitenkin siinä, että joskus tiimit etenevät pidemmälle ja huomaavat, ettei valittu työkalu täysin sovikaan kaikkiin käyttötapauksiin tai työskentelytapoihin.

Mitä neuvot tiimeille, jotka ovat tilanteessa, jossa niiden standardoimaksi valitsema tekoälypohjainen projektinhallintatyökalu ei täysin vastaa tarpeita? Miten heidän pitäisi edetä?

Emmanuels Magaya: Ottaisin tällaisessa tilanteessa askeleen taaksepäin ja selvittäisin ensin, mitä työkalulta odotettiin.

Jotkin toiminnot on helppo ohittaa, koska työkalujen myynti- ja markkinointiviestintä keskittyy niin vahvasti tiettyihin ominaisuuksiin, ettet tarkastele muita haluamiasi toimintoja. Ensimmäiseksi pitää siis selvittää alkuperäinen vaatimus.

Mikä oli lähtökohtasi ja mitä odotit työkalulta? Sen jälkeen teet aukkoanalyysin: mitä odotan työkalun tekevän verrattuna siihen, mitä se todellisuudessa toimittaa. Se on ensimmäinen askel. Useimpien nykyisten työkalujen kohdalla, etenkin suuressa organisaatiossa, tarvitaan paljon keskustelua.

Onko työkalu tarkoitettu vain projektinhallintatiimille? Jos on, hyvä. Silloin tunnistetaan aukot ja tehdään analyysi. Jos huomataan, ettei eteneminen tuota tulosta ja työkalu alkaa itse asiassa haitata toimintaa, käyttöönotto täytyy keskeyttää.

On myös selvitettävä, missä vaiheessa työkalu otettiin käyttöön. Onko sitä käytetty kuukauden vai kuuden kuukauden ajan? Milloin puutteet ja rajoitukset havaittiin? Jos tilanne huomataan aikaisin ja voidaan perääntyä, käyttöönotto pysäytetään ja tehdään aukkoanalyysi. Mitä työkalu pystyy tekemään? Mitä se ei pysty tekemään? Voiko kehittäjä lisätä puuttuvat ominaisuudet?

Jos ominaisuuksia ei voida lisätä, olemme jumissa työkalun kanssa ja todennäköisesti kohtaamme myös taloudellisia vaikutuksia, koska useimmat yritykset eivät osta kuukausittaisia lisenssejä. Ne ostavat todennäköisesti 12 kuukauden lisenssin.

Seuraavaksi on selvitettävä, mitä työkalun puutteet rikkovat. Missä kitkakohdat ovat? Missä se tekee työskentelytavastamme huonomman? Jos se todella sotkee työmme, täytyy tehdä selkeä pysäytyspäätös ja keskeyttää käyttöönotto.

Palataan tilanteeseen, jossa työkalua ei ollut, ja analysoidaan, mitä voimme tehdä väliaikana korvataksemme syntyneet vaikutukset. Sen jälkeen työkalusta täytyy päästä eroon, jos sitä ei voida parantaa. Monet SaaS-työkalut sitovat käyttäjät pitkiin sopimuksiin ja laajoihin käyttöönottoprosesseihin. Suuressa organisaatiossa työkalu todennäköisesti integroidaan moniin muihin käytössä oleviin järjestelmiin.

Väärän valinnan vaikutus voi olla valtava ja maksaa jopa miljoonia. Se voi näkyä myös asiakastyytyväisyydessä, asiakastoimituksissa ja tuotteen laadussa. Jos työkalu ei auta, toimituksen laatu kärsii, tiimi turhautuu ja tuotteen laatu laskee, koska haluttua tulosta ei saavuteta.

Kitkakohdat on siis tutkittava tarkasti. Voimmeko irtautua työkalusta? Jos voimme, tai jos sitä voidaan käyttää pienemmän käyttäjäjoukon kanssa, mitä toimintoja nämä käyttäjät voivat edelleen hyödyntää? Voimmeko palauttaa joitakin toimintoja vai onko työkalu käytännössä hyödytön?

Erittäin tärkeä kysymys on myös se, kuinka paljon tietoa olemme syöttäneet työkaluun. Tämä on ehkä kitkakohtien jälkeen tärkein asia. Kuinka paljon tietoa sille on annettu? Yritykset haluavat usein varmistaa, että tieto pysyy organisaation sisällä eikä ulkopuolista pääsyä ole, mutta ehkä olemme myös kouluttaneet työkalua omilla tiedoillamme.

Tässä on hyvä käytännön esimerkki. Opetin tekoälyn mestarikurssilla ToolsSpec-koulutuksen, jossa kysyttiin: jos työkalulle on syötetty tietoa, se on oppinut järjestelmämme, työskentelytapamme ja yrityskulttuurimme, mitä tapahtuu, kun työkalua pitää vaihtaa?

Kyse ei ehkä ole edes väärästä työkalusta, vaan vanhentuneeksi muuttuneesta työkalusta. Silloin on selvitettävä, kuinka paljon tietoa voidaan palauttaa. Tekoälytyökalujen haaste on se, että jos esimerkiksi ChatGPT oppii tietomme ja työskentelytapamme, kaikkea tätä ei voi siirtää Geminiin.

Mallilla on oma ”aivonsa”. Et voi siirtää omaa aivoasi minulle, Galen, ja saada minua toimimaan kuten sinä. Voit opettaa minulle joitakin asioita, mutta et voi siirtää minulle kaikkea, mitä olet elämäsi aikana oppinut ja kokenut. Sama pätee tässä. Työkalu on saanut kokemuksia siitä, mitä sihteeri teki maanantaina, PMO-päällikkö tiistaina ja projektisihteeri torstaina.

Se on oppinut työskentelytapamme. Jos tämä huomataan vasta myöhemmin, tilanteen peruuttaminen on paljon vaikeampaa, koska uusi työkalu täytyy kouluttaa uudelleen matkan aikana kertyneiden oppien perusteella.

Siksi ongelmat pitäisi havaita mahdollisimman aikaisin. Kun työkaluja otetaan käyttöön, niille pitäisi järjestää vähintään kuukauden tai kolmen kuukauden kokeilujakso. Älä ehkä sitoudu 12 tai 36 kuukauden tilaukseen, vaan valitse kolmen kuukauden tai vielä lyhyempi ajanjakso. Testaa työkalu perusteellisesti, jotta sinun ei tarvitse myöhemmin korjata vahinkoja, erityisesti oppimiseen liittyviä ongelmia.

Oppiminen on haastavin osa, koska tehtäviä voidaan ehkä viedä ulos järjestelmästä, mutta se, mitä työkalu on oppinut, ei välttämättä ole palautettavissa.

Nämä ovat mielestäni keskeiset vaiheet. Lisäksi vaihtoehtoja on arvioitava. Löytyykö vaihtoehto, joka palvelee tarkoitusta? Vaikka nykyinen työkalu ei olisi riittävän hyvä, löytyykö toinen, joka sopii tarpeisiin? Kuinka paljon aikaa se vaatii? Olemmeko varmoja, ettei uusi vaihtoehto vie meitä samaan tilanteeseen?

Siksi suosittelen usein, ettei yhtä työkalua käytetä kaikkeen. Salli itsellesi eri työkalujen käyttäminen. Agenttipohjaisen tekoälyn ja tekoälyagenttien hienous on siinä, että voit ottaa käyttöön tarvitsemasi agentit ja poistaa ne, joita et tarvitse.

Jos rakennat agenttipohjaisen PMO:n tai yrityksesi muuten toimii tekoälyn avulla, sinulla voi olla eri tehtäviin omat agenttinsa. PMO:ssa yksi agentti ennustaa riskejä, toinen suunnittelee kapasiteettia ja kolmas hoitaa aikataulutusta tai kalenterinhallintaa. Se tarkistaa ihmisten kalenterit ja lähettää ilmoituksia.

Voit aina poistaa agentin, jota et tarvitse, ja jatkaa toimintaa. Löydä siis työkalu, joka hoitaa ydintyösi, mutta älä luota siihen kaiken tekemisessä. Se on näkemykseni.

Galen Low: Voisimme ehkä jatkaa siitä, mitä sanoit toiminnallisuuksien täydentämisestä ja aukkoanalyysistä sekä mahdollisuudesta rakentaa ominaisuus puuttuvan asian korjaamiseksi.

Ymmärrän hyvin, mitä tarkoitat. Mitä pidemmälle etenet työkalun kanssa, sitä vaikeampaa siitä on irtautua, koska se on oppinut niin paljon. Pidän kuitenkin ajatuksesta, että tekoälyagentit täydentävät suuremman yritystason projektinhallintatyökalun ominaisuuksia.

Miltä tämä voisi käytännössä näyttää? Monet haluavat rakentaa agentteja, mutta miten ne saadaan toimimaan yhdessä valitsemamme laajemman projektinhallintaohjelmiston kanssa? Mitkä ovat lähtökohdat? Onko kyse vain työkalukokonaisuudesta, jossa ihmiset valitsevat, mitä työkalua käytetään mihinkin, eivätkä järjestelmät välttämättä keskustele keskenään?

Emmanuels Magaya: Kun tarkastelen tätä aluetta maailmanlaajuisesti ja erityisesti Afrikassa, olemme tässä ehkä hieman jäljessä. Joissakin PMO-organisaatioissa ei vielä edes tiedetä, mitä tekoälyagentit ovat. Ne eivät ole kehittyneet tasolle, jossa tekoälyagentteja käytetään, saati agenttipohjaiseen ympäristöön, jossa agentit toimivat keskitetyn, täysin tekoälypohjaisen PMO:n kanssa.

Jos organisaatiolla on jo käytössä työkalu, ensimmäiseksi pitää selvittää, tukeeko se tekoälyä. Jos käytössä ovat valtavirran työkalut, kuten Monday.com, Asana tai Jira, niiden kehittäjät tekevät paljon työtä tekoälyn integroimiseksi. Kaikki organisaatiot eivät kuitenkaan käytä niitä.

Joillakin yrityksillä on omat standardinsa, rajoituksensa ja työskentelytapansa. Monet käyttävät kuitenkin ainakin Microsoftin tuotteita. Microsoftin ohjelmistokokonaisuudesta voi aloittaa tarkastelemalla, miten Copilot toimii Microsoft Teamsin ja Microsoft Office -ohjelmiston kanssa ja millaisia agentteja sen avulla voisi ottaa käyttöön.

Aloita pienestä. Ensimmäinen agentti voisi tarkistaa kokousten jälkeen litteroinnin, luoda toimenpideluettelon ja lähettää sähköpostin. Kyse on yksinkertaisesta käyttötapauksesta. Useat agentit voivat tehdä pieniä tehtäviä, ja se auttaa tiimiä sopeutumaan tekoälyn käyttämiseen osana työtä.

Muutosjohtaminen on tässä tärkeää, koska tiimin täytyy oppia työskentelemään tekoälyn kanssa. Opetin mestarikurssilla, että jatkossa PMO:n henkilöstömäärässä tekoälyagentit tulee laskea mukaan tiimiin. Jos organisaatiossa on esimerkiksi kymmenen tekoälyagenttia, tiimiin kuuluu käytännössä 60 jäsentä, jos ihmisiä on 50.

Meillä on käsite tekoälyä hyödyntävä RACI-taulukko. RACI-taulukossa määritellään, kuka on vastuussa, kuka tilivelvollinen, ketä konsultoidaan ja kenelle tiedotetaan. Siinä on myös kohta, jossa tekoäly suorittaa tiettyjä tehtäviä.

On siis määriteltävä, mistä agentti vastaa ja mistä tiimi vastaa. Kun tekoälyä otetaan vähitellen käyttöön, ihmiset oppivat luottamaan siihen manuaalisen ja toistuvan työn tekemisessä.

Ihmisen valvonta on tietenkin aina tarpeen. Kun totuttelette agentteihin, organisaatio saa paremman ja selkeämmän etenemissuunnitelman. Jotkin yritykset eivät kuitenkaan käytä Microsoftia tai tiedä, miten tekoälyagentteja integroidaan. Yritysten auttaminen tässä on osa meidän työtämme.

Suosittelemme yleensä etenemään vaiheittain. Talon rakentaminen on hyvä vertauskuva. Kaikkia rakennustarvikkeita ei tarvitse ostaa kerralla, koska osaa tarvitaan vasta kuuden kuukauden päästä. Sama pätee tekoälytyökaluihin, agentteihin ja tekoälyavustajiin.

Jos haluat tehdä tämän oikein, etene askel askeleelta. Kyse on porrastetusta mallista, pyramidimaisesta hierarkiasta. Aloita tekoälyavustajista ja tutki, mihin ne pystyvät. Tarkista sitten nykyinen työkalusi. Tarvitsemmeko uuden työkalun tai integraation saman tehtävän suorittamiseen? Vai hankimmeko Jiran tai ClickUpin, joka tekee kaiken?

Käytössä on myös Zapier, Make.com ja n8n. Niiden avulla automaatio voidaan rakentaa ilman, että nykyistä työkalua vaihdetaan. Tarvitset kuitenkin jonkun, joka ymmärtää automaatioprosessin ja osaa rakentaa työnkulut. Kun integraatiot tehdään oikein, voit jatkaa muiden työkalujen käyttöä.

Galen Low: Toisin sanoen, jos olet valinnut työkalun ja huomaat, ettei se tee jotakin asiaa odotetulla tavalla, monet alustat mahdollistavat työnkulun automatisoinnin ja agenttien integroinnin. Agentit täytyy kuitenkin rakentaa itse, eikä niitä ehkä kannata rakentaa kaikkia kerralla.

Älä rakenna heti kokonaista armeijaa. Kohtele agentteja tiimin jäseninä. Ne työskentelevät osittain itsenäisesti ja tekevät päätöksiä. Luo tiimillesi tekoälyavustajia täyttämään puutteita.

Monet alustat, kuten Jira, Asana ja ClickUp, on rakennettu niin, että jos niistä puuttuu jokin haluamasi toiminto, voit rakentaa agentin itse ja integroida työnkulun. Se on hyvä asia, koska kaikki pysyy ekosysteemissä. Älä kuitenkaan ryhdy toteutukseen täysillä heti alussa.

Ajattele agentteja kuin palkkaisit tai lisäisit uuden tiimin jäsenen hoitamaan tiettyjä tehtäviä tai täydentämään toiminnallisuutta. Näin parannat alustaa sen sijaan, että joutuisit joko kärsimään puutteista tai heittämään koko järjestelmän pois ja aloittamaan alusta toisella työkalulla.

Sinulla on työnkulku, jonka halusit näyttää meille. Voisimmeko käydä sen läpi? YouTubea tai Spotifyä käyttävät kuulijat voivat nähdä sen ruudulla, ja teen samalla ääniselostuksen muille kuulijoille. Voisitko esitellä tekoälytyönkulun, jonka olet rakentanut ja joka voisi sopia osaksi laajempaa projektinhallinnan työkaluekosysteemiä, esimerkiksi Mondayn, Asanan tai Microsoft Projectin rinnalle?

Emmanuels Magaya: Tietysti, Galen. Esimerkki on käytännön käyttötapaus, joka nousi esiin kaksi viikkoa sitten järjestämässämme tekoälykoulutuksessa.

Kysymyksen esitti suuren Euroopassa sijaitsevan yrityksen projektinhallintatoimiston johtaja. Yrityksellä on konttoreita ympäri maailmaa ja PMO, jonka eri toimipisteissä työskentelee yhteensä 15 resurssia. Haasteena on jokaisen resurssin kapasiteetin näkyvyys.

Johtaja tietää, että tehtäviä on paljon ja että ihmisillä on jo töitä pöydällään. Mutta miten hän näkee tiiminsä kuormituksen? Kuinka paljon työtä kullakin henkilöllä on? Voiko hän antaa heille lisää tehtäviä? Selviytyvätkö he nykyisestä projektimäärästä?

Tämä oli lähtötilanne. Yksinkertaistin asian, koska yleisössä oli PMO-päälliköiden lisäksi pankkien, kaivosalan ja televiestinnän CIO- ja toimitusjohtajia. Kaikilla ei ollut syvällistä projektinhallinnan tai PMO:n osaamista.

Halusin tehdä asiasta mahdollisimman helposti ymmärrettävän. Rakensin NotebookLM:llä työnkulun. NotebookLM on erittäin hyvä työkalu prosessin hahmottamiseen. Tässä esitetyn prosessin voi myöhemmin viedä n8n:ään tai muuhun automaatiotyökaluun ja ottaa käyttöön.

Aloitin näin: ”Minulla on 15 henkilön tiimi. Tarvitsen apua asianmukaisen kapasiteetin suunnittelu- ja visualisointisuunnitelman luomisessa. Voitko auttaa minua jäsentämään sen automaatiotyönkulkuna?” Tein tämän reaaliajassa yleisön edessä.

NotebookLM loi ensin tekstianalyysin. Sen jälkeen pyysin miellekarttaa. Studio-valikosta valitaan Miellekartta, jolloin saadaan n8n:n kaltaista työnkulkua muistuttava näkymä.

Kutsuin tätä integroiduksi monijärjestelmäiseksi resurssikapasiteetin automaatioksi. Se esittää työnkulun. Ensin määritellään resurssit: projektipäälliköt, projektisihteerit, ohjelmapäälliköt ja muut tiimin jäsenet. Sen jälkeen tarkastellaan tarvittavia integraatioita, työnkulun automaatiota ja lopuksi kapasiteettisuunnittelua.

Työnkulkuja rakennettaessa on tärkeää tarkastella kokonaisuutta eikä vain yksittäistä tehtävää. Älä ajattele ainoastaan siirtymää pisteestä A pisteeseen B ja pisteeseen C, vaan hahmota koko prosessi. NotebookLM auttaa visualisoimaan kokonaisuuden.

Galen Low: Kuulijoille tiedoksi: olemme luoneet NotebookLM:ssä miellekartan, joka alkaa rakennettavan työnkulun nimestä, integroidusta monijärjestelmäisestä resurssikapasiteetin automaatiosta. Se haarautuu neljään osaan: projektin resurssit, järjestelmäintegraatiot, työnkulun automaatio ja kapasiteettisuunnittelu.

Emmanuels Magaya: Projektin resurssien kohdalla tarkastelemme 15 henkilön tiimiämme ja jokaisen henkilön kapasiteettia. Resursseja kohdennettaessa huomioimme myös heidän taitonsa ja erikoistumisensa, jotta tiedämme, kuka tekee mitä.

Integraatioiden täytyy yhdistää useita järjestelmiä. Tässä tapauksessa PMO-johtaja kertoi käyttävänsä ServiceNow'ta ja Jiraa päätyökaluina sekä Microsoft Office -ohjelmistoa ja Teamsia päivittäisessä työssä. Integraatiot voidaan toteuttaa n8n:llä tai muulla automaatiotyökalulla.

Ensin täytyy kuitenkin tietää, mitä halutaan tehdä. Jos siirryt suoraan n8n:ään, vaarana on, ettet tiedä, mihin olet menossa. Miellekartta antaa visuaalisen kuvan tavoitteesta. Tässä tapauksessa tiedämme, että meidän on integroitava Jira ja ServiceNow.

ServiceNow'sta saapuu tikettejä tai pyyntöjä. Jotkin yritykset käyttävät Zendeskia tai muuta tikettijärjestelmää. Pyyntö voi tulla asiakkaalta tai liittyä korjaukseen. Se luokitellaan sen mukaan, onko kyse pienestä korjauksesta, projektista vai ohjelmasta.

Integraation avulla tiedämme, mitä pyyntöjä saapuu ja mitä resursseja niiden käsittelyyn voidaan kohdentaa. Kaikki järjestelmät yhdistetään rajapintojen ja tietojen synkronoinnin avulla, jotta tieto kulkee sovellusten välillä.

Seuraavaksi on automaatio. Ensin kerätään tiedot. Tiimi täyttää työaikakirjauksia, joiden avulla voidaan tarkastella esimerkiksi viimeisten kolmen tai kuuden kuukauden työmäärää. Työaikakirjaukset toimivat tiedonkeruun lähteenä.

Automaatio täytyy yhdistää työajanseurantatyökaluun. Se voi olla sama kuin projektinhallintatyökalu tai erillinen järjestelmä. Joillakin yrityksillä on erillinen työkalu, jolla seurataan, kuinka paljon aikaa tiettyyn projektiin tai tehtävään käytettiin.

Myös projektin laajuus täytyy ottaa mukaan, koska se määrittää tarvittavan työn määrän. Keräämme tietoa sekä projektista että resursseista.

Sen jälkeen tiedot käsitellään. Kapasiteettilaskenta perustuu työaikakirjauksiin ja ennusteisiin. Jotkin projektinhallintatyökalut mahdollistavat tulevien tehtävien ennustamisen. Historiallisten työaikakirjausten avulla voidaan arvioida, kuinka paljon aikaa tietty henkilö yleensä käyttää tietyn tyyppiseen projektiin.

Kapasiteettilaskennan jälkeen työmäärää voidaan tasapainottaa. Tässä vaiheessa tapahtuu suuri osa työnkulun käsittelystä.

Seuraavaksi tarvitaan automatisoidut raportit ja ilmoitukset. PMO-johtaja voi haluta tiedon siitä, että tietty resurssi on myöhässä tai että kuusi viikkoa normaalisti kestävä projekti on venynyt kahdeksaan viikkoon. Näin ongelma voidaan ennakoida ennen sen toteutumista.

Järjestelmä voi myös ilmoittaa, että yksi henkilö on vapaa ja toinen käytettävissä, ja kohdentaa projekteja automaattisesti. Priorisoidut projektit voidaan siirtää ihmisille aina, kun heidän kapasiteettinsa vapautuu.

Jos projektia ei ole kohdennettu ajoissa, järjestelmä voi lähettää riskitiedotteen. Se auttaa PMO-päällikköä ymmärtämään, mitä tapahtuu.

Kapasiteettisuunnittelun viimeinen osa on saatavuuden seuranta. Seuraamme, kuka on käytettävissä ja kuinka paljon työtä kullakin henkilöllä on. Ennusteiden avulla voimme arvioida, milloin henkilö vapautuu seuraavaan projektiin.

Projektin laajuus ja ennuste toimivat yhdessä. Jos esimerkiksi Billy johtaa keskikokoista projektia, jonka arvioitu kesto on kolme kuukautta, tiedämme laajuuden ja saatavuuden perusteella, milloin hän voi ottaa seuraavan projektin.

Käyttöasteen avulla voidaan arvioida, ovatko tiimit ylikuormitettuja, onko joillakin enemmän työtä kuin toisilla, onko projekteja enemmän kuin pystymme käsittelemään tai onko käytettävissä paljon käyttämätöntä kapasiteettia.

Tämä on työnkulun perusidea. Lopetan nyt näytön jakamisen ja näytän vielä vaiheittaisen etenemisen. En käy koko työnkulkua käytännössä läpi ajanpuutteen vuoksi, mutta luettelen vaiheet, joita n8n-ympäristössä pitää seurata.

Galen Low: Kun avaat seuraavan näkymän, teen nopean yhteenvedon kuulijoille. Aloitimme NotebookLM:ssä käyttötapauksesta, jossa maantieteellisesti hajautetun tiimin yritystason resursseja hallitaan. NotebookLM loi miellekartan muodossa arkkitehtuurin, joka näyttää työnkulun osa-alueet ja niiden liittymisen toisiinsa.

Emmanuels, voit nyt käydä läpi, miten tämä rakennetaan n8n:ssä.

Emmanuels Magaya: Lähtötilanteessa halusimme nähdä, millä resursseilla on kapasiteettia ja millä ei, kohdentaa projektit uudelleen prioriteetin ja henkilöiden kapasiteetin perusteella sekä saada ilmoituksia, kun kapasiteetti on loppumassa tai sitä on vielä jäljellä.

Tässä on työnkulun visuaalinen kaavio ja vaiheittainen selitys. Tietolähteinä voivat olla projektiraportit, opit, hallintokehykset, mallipohjat, käytännöt ja työaikakirjaukset. Kaikki syötetään NotebookLM:ään.

Seuraava tärkeä osa on n8n ja tiedon tuonti. n8n hakee projektin lokit ja tilanneraportit määritetystä kansiosta PMO:n asetusten mukaisesti. Tiedot synkronoidaan NotebookLM:ään, jotta työkalulla on mahdollisimman paljon tietoa ympäristöstä.

Sen täytyy ymmärtää organisaation toimintaympäristö sekä se, että projektin lokit ja tilanneraportit ovat historiallista tietoa, jonka perusteella kapasiteettipäätöksiä voidaan tehdä.

Keskeinen työ tehdään n8n:ssä, jossa luodaan agentti, määritellään laukaisimet ja varmennetaan työnkulun vaiheet. Kun rajapinnat ja tietojen integraatiot ovat valmiit, järjestelmä käsittelee työaikakirjaukset ja projektin laajuuden ja tuottaa tuloksen.

Tämä on se työnkulku, jonka esittelin. Suuressa organisaatiossa tarvitaan paljon integraation kosketuspisteitä, joten varsinaisen käytännön toteutuksen voi käydä läpi erillisessä istunnossa.

Galen Low: Pidän tästä todella paljon. Kiitos, että kävit sen läpi. Kokonaisuus vaatisi paljon aikaa, jos etenisimme päästä päähän.

Jos haluatte nähdä tämän käytännössä, lähettäkää minulle viesti. Pidän siinä erityisesti siitä, että jos valittu alusta ei ole hyvä resurssienhallinnassa ja ennustamisessa tai siinä ei ole riittäviä työajanseurantaominaisuuksia, tekoälyä voidaan käyttää tietojen keräämiseen ja toimintaan, joka auttaa ennakoimaan riskejä ja lähettämään ilmoituksia.

Tällaisen ratkaisun voi rakentaa. NotebookLM:ää käytetään työnkulun arkkitehtuurin rakentamiseen, mutta myös tietovarastona. Projektiraportit, opit, hallintokehykset, mallipohjat ja kansiot syötetään tietämysmoottoriin, joka antaa työkaluille kontekstin.

Sen jälkeen työnkulku rakennetaan alusta loppuun. Se kysyy tietoja, tekee päätöksiä ja lähettää ilmoituksen, jos kapasiteettisuunnittelu ei vastaa odotuksia tai jos resursoinnissa tapahtuu poikkeama.

Työnkulku voi ilmoittaa esimerkiksi yllättävästä poissaolosta tai siitä, että henkilölle on kohdennettu tietty määrä tunteja mutta hän tarvitsee enemmän aikaa. Tiedot voidaan näyttää myös koontinäytössä päivä- tai viikkotasolla PMO:n, CIO:n, CTO:n tai operatiivisen johdon käyttöön.

Tästä muodostuu tietoja hyödyntävä päästä päähän -työnkulku, joka toimii resurssiriskien agenttina. Sen sijaan että ajattelisit: ”Olisinpa valinnut työkalun, joka osaa tämän”, voit täydentää toiminnallisuutta rakentamalla agentin.

Tämä ei välttämättä vaadi kehittäjätason työtä tai uuden ominaisuuden rakentamista ohjelmistoon. Voit ajatella agenttia kuin tiimin jäsenen tehtävänkuvausta: mitä hänen pitäisi tehdä? Sen jälkeen automatisoit tehtävän esimerkiksi n8n:llä.

On helpottavaa tietää, että monet alustat ymmärtävät käyttäjien täydentävän niitä muilla järjestelmillä. Rajoitus ei tarkoita automaattisesti, että valinta oli väärä. Voit perääntyä, jos et ole edennyt liian pitkälle, tai jatkaa ja täydentää toiminnallisuutta työkaluilla, kuten n8n:llä, NotebookLM:llä, Makella tai Zapierilla.

Emmanuels Magaya: Niille, jotka eivät ole käyttäneet n8n:ää tai Makea, kyse on käyttöliittymästä, jossa eri osat yhdistetään työnkuluksi. n8n:ssä voit määrittää solmut ja päättää, mitä järjestelmä tekee. Laukaistaanko työnkulku manuaalisesti vai käynnistääkö jokin tapahtuma sen?

Esimerkiksi voit rakentaa työnkulun, joka tarkistaa Outlookiin tai Gmailiin saapuvat sähköpostit. Se tunnistaa toimenpiteet ja mahdolliset riskit.

Kun tekoäly ja tekoälyagentit toimivat yhdessä PMO:n kanssa, järjestelmä voi tunnistaa riskejä sähköpostien ja Microsoft Teams -keskustelujen perusteella. Jos joku kirjoittaa: ”Oletko lähettänyt raportin? Se piti toimittaa tänään kello 14, koska sitä tarvitaan tiettyyn asiaan”, tekoäly voi tunnistaa mahdollisen riskin ja ilmoittaa siitä.

Tämä on ennakoivaa tekoälyä. Perinteisessä PMO:ssa riskeihin reagoitiin niiden ilmetessä. Tekoäly voi sen sijaan ennustaa tulevia tapahtumia keskustelujen, tietojen, tilannelokien ja sähköpostien perusteella.

Jos suhtaudut edelleen epäilevästi tekoälyyn PMO:ssa, teet itsellesi karhunpalveluksen. Tekoäly voi tehostaa PMO:ta huomattavasti. Voit määrittää aikataulun, esimerkiksi että työnkulku suoritetaan joka yö keskiyöllä. Sen jälkeen määrität säännöt ja integraatiot Asanaan, Jiraan tai muihin järjestelmiin.

n8n sisältää integraatiot Asanaan, Jiraan, Gmailiin, ServiceNow'hun ja Zendeskiin. Käytännössä sinun täytyy yhdistää rajapinnat ja ottaa työnkulut käyttöön.

Ei-tekniselle henkilölle tämä voi näyttää vaikealta. Siksi asiantuntijan apu voi olla tarpeen. Ensin on kuitenkin tiedettävä, mitä halutaan tehdä. Miellekartta auttaa visualisoimaan tavoitteen ennen toteutusta.

Miellekartta on kuin talon rakennuspiirustus. n8n:ssä rakennetaan itse talo, mutta ilman suunnitelmaa rakennustyötä ei pitäisi aloittaa. Monet tekevät virheen siirtyessään suoraan n8n:ään, Makeen tai Zapieriin ennen kuin he ovat määritelleet työnkulun.

Luo siis miellekartta esimerkiksi NotebookLM:llä. Se auttaa visualisoimaan tavoitteen ja huomioimaan kaikki tarvittavat elementit.

Galen Low: Pidän tästä. Jotkut kuulijat saattavat ajatella, että kyse on vain automaatiosta, jota on ollut olemassa jo vuosikymmeniä. Tekoälyn erityinen merkitys liittyy luonnollisen kielen käsittelyyn.

Joku sanoo jotakin sähköpostissa, keskustelussa tai kokousyhteenvedossa, ja tekoäly ymmärtää sen merkityksen ilman jäsenneltyä tietoa. Jos joku sanoo, että asia saattaa myöhästyä, se voi toimia syötteenä ja laukaisimena. Laukaisimen ei tarvitse olla vain aikataulu tai verkkokutsu, vaan myös keskustelu.

Monet keskusteluistamme käydään Teamsissa tai Slackissa. Ne ovat digitaalisia, mutta eivät jäsenneltyä tietoa. Tekoäly voi tunnistaa keskustelusta riskin ja ilmoittaa siitä tai merkitä sen koontinäyttöön.

Emmanuels Magaya: Kiitos, Galen.

Galen Low: Voisimme ehkä päättää keskustelun puhumalla tulevaisuudesta.

Tekoäly ei ole ainoastaan mahdollistava teknologia, vaan myös tasa-arvoistava voima. Monet sanovat sen tasoittavan pelikenttää. Mikä on optimistinen ennusteesi siitä, mitä tekoäly tekee maailman kehittyville talouksille seuraavien kolmen–viiden vuoden aikana?

Millaisia mahdollisuuksia on tarjolla, ja millainen ajattelutapa kehittyvien markkinoiden yritysten pitäisi omaksua, jotta ne voisivat olla tekoälyllä parannetun projektitoimituksen eturintamassa?

Emmanuels Magaya: Tekoälyn näkökulmasta organisaatioissa on paljon kiinnostusta ja investointeja tehdään paljon. Huolestuttavaa on kuitenkin se, että näen yritysten tekevän kiireisiä hankintoja ilman riittävää tutkimusta ja asianmukaista tekoälystrategiaa.

Järjestimme kuudentena helmikuuta projektijohtajien pyöreän pöydän keskustelun. Eräs osallistunut PMO-päällikkö kertoi antaneensa tiimilleen tehtäväksi testata mahdollisimman monia projektinhallintaan liittyviä tekoälytyökaluja ja laatia niistä raportin.

Vaarana on, että silloin jahdataan liikkuvaa kohdetta. Jos olet PMO-johtaja, CIO tai joku muu tekoälyn käyttöönotosta päättävä henkilö, tarvitset viitekehyksen.

Älä kiirehdi työkalun luo. Tarkastele ensin prosessia ja kysy, tukeeko se tekoälyä. Monet prosessit ovat jo valmiiksi rikkinäisiä, ja tekoäly voi vain tehdä niistä tehokkaammin rikkinäisiä.

Kehittyvillä markkinoilla on valtavasti potentiaalia, mutta organisaatioiden täytyy ymmärtää, mihin tekoäly sopii. Yksi helppo tapa on luoda tekoälyä hyödyntävä RACI-taulukko organisaatiotasolla. Määrittele esimerkiksi taloushallinnossa, missä tekoäly auttaa ja mitä toimintoja siirretään ihmisiltä tekoälylle.

Tee tämä ennen työkalujen testaamista. Tekoälyllä voidaan saada lähes mikä tahansa työkalu tekemään melkein mitä tahansa, joten strategiassa ja viitekehyksessä työkalu kannattaa poistaa kuvasta. Keskity prosessiin, periaatteisiin ja viitekehykseen.

Kun tuot tekoälyn taloushallintoon, logistiikkaan tai henkilöstöhallintoon, määrittele ensin, missä se auttaa. Sen jälkeen markkinoilta voidaan etsiä työkalu tiettyyn tehtävään. Älä osta työkalua vain siksi, että kilpailija käyttää sitä.

Myös tekoälylukutaito on ratkaisevan tärkeää. Ilman sitä tämä ei voi onnistua. Tarkastele tiimin taitoja ja tee aukkoanalyysi. Joillekin tekoäly tarkoittaa vain ChatGPT:tä. He saattavat ajatella, että Geminiä ja Claudea käytettäessäkin kyse on ChatGPT:stä.

Kaikkien on ymmärrettävä, mitä tekoäly on ja millaisia malleja on tarjolla. Arvioi tiimin taitotaso ja selvitä, missä on aukkoja. Tekoälyosaamista voidaan mitata. Yleisen tekoälyosaamisen lisäksi tarvitaan tehtävään liittyvää tekoälyosaamista.

Tavoitteena on, että työntekijät ymmärtävät tekoälyn sekä yleisellä tasolla että oman päivittäisen työnsä näkökulmasta. Luo turvallinen tietoympäristö, jossa he voivat testata työkaluja. Suojatoimet, hallintomallit, eettisyys ja puolueellisuuden välttäminen ovat välttämättömiä.

Tekoälylukutaitoa ei voi ohittaa. Käyttöönotto epäonnistuu, jos osaamistaso on liian matala, koska tekoälyä tarvitaan organisaation kaikissa kosketuspisteissä. Eräässä tapahtumassa yritys kertoi haluavansa myös vastaanottovirkailijan käyttävän tekoälyä.

Tekoälylukutaito ei siis ole enää vain toimistotyöntekijöiden taito. Jokaisen, myös kuljettajan, on opittava käyttämään tekoälyä omassa työtehtävässään.

Määrittele tekoälystrategia ja tekoälyn rooli organisaatiossa ennen työkalujen valintaa. Tiedä, mitä haluat tekoälyn tekevän, ja laadi vaatimusasiakirja. Näin vältät myöhemmän aukkoanalyysin.

Kuvittele itsesi käyttämässä tekoälyä tehokkaasti 12 kuukauden kuluttua. Miltä organisaatiosi näyttää? Miltä asiakkaistasi tuntuu? Ajattele esimerkiksi joulukuuta 2026. Asiakkaasi ovat tyytyväisiä, tekoäly auttaa ratkaisemaan kysymyksiä, vastaamaan puheluihin ja laatimaan projektisuunnitelmia. Kaikki toimii saumattomasti.

Aloita parhaasta mahdollisesta tilanteesta ja kysy sitten, miten pääsette siihen. Määrittele tämä ennen työkalun valintaa. Se on neuvoni.

Galen Low: Tärkein oppini on, että erityisesti kehittyvillä markkinoilla voi tuntua siltä, että on edettävä nopeasti ja hypättävä tekoälyyn lähes holtittomasti.

Todellinen tapa menestyä on kuitenkin hidastaa, kehittää tekoälylukutaitoa, muodostaa visio siitä, mitä tekoälyn halutaan tekevän liiketoiminnan ja tiimien hyväksi, asettaa suojakaiteet ja käynnistää toteutus vasta sen jälkeen.

Kun muut ryntäävät eteenpäin ajattelematta ja todennäköisesti epäonnistuvat, sinulla voi olla etulyöntiasema, koska olet jo tehnyt tarvittavan ajattelutyön ja suunnittelun ja välttänyt matkan varrella syntyvät virheet.

Emmanuel, kiitos paljon ajastasi. Keskustelu oli erittäin antoisa. Mistä ihmiset voivat oppia lisää sinusta?

Emmanuels Magaya: Olen hyvin aktiivinen LinkedInissä. Minut löytää nimellä Emmanuels Magaya. Yritän julkaista joka päivä, jos aikatauluni sallii. Minut löytää myös yrityksemme Project Managers African kautta.

Verkkosivustomme ovat www.projectmanagers.africa ja www.projectmanagers.co.za. Toimimme Etelä-Afrikassa, mutta palvelemme Afrikan markkinoita ja myös asiakkaita maailmanlaajuisesti. Meillä on toimintaa myös Lähi-idässä, Dubaissa. Laajennamme parhaillamme voimakkaasti tekoälyn voimaannuttamisen ja käyttöönoton alueella.

Galen Low: Hienoa. Lisään linkit tämän jakson ohjelmatietoihin. Emmanuels, kiitos vielä kerran.

Emmanuels Magaya: Kiitos, Galen. Oli ilo olla mukana.

Galen Low: Siinä kaikki tämänpäiväisestä The Digital Project Manager -podcastin jaksosta. Jos pidit keskustelusta, tilaa podcast käyttämässäsi palvelussa. Jos haluat lisää käytännön näkemyksiä, tapaustutkimuksia ja toimintamalleja, luo meille maksuton tili osoitteessa thedigitalprojectmanager.com.

Kuullaan seuraavalla kerralla. Kiitos kuuntelusta.