Kehoitteiden tuolla puolen: miten tekoälyä käytetään projektinhallinnan tehostamiseen

Lue litterointi:

Kokeilemme podcastiemme litterointia ohjelmistolla. Anna anteeksi mahdolliset kirjoitusvirheet, sillä botti ei ole sataprosenttisen tarkka.

Galen Low: Olet ollut noin 11 kuukautta matkallasi generatiivisen tekoälyn parissa ja olet päätynyt kolmeen johtopäätökseen.

Ensinnäkin GenAI:n eli generatiivisen tekoälyn kyvykkyydet ovat todella ennennäkemättömiä. Setäsi Rastin uskoo aidosti, että kyse on noituudesta.

Toiseksi generatiivinen tekoäly on maailmanlaajuinen ilmiö. Ihmiset eivät lopeta siitä puhumista lähiaikoina – eivät illallisilla eivätkä varsinkaan LinkedIn-syötteessäsi.

Ja kolmanneksi, kaiken generatiiviseen tekoälyyn liittyvän ihmetyksen ja innostuksen keskellä käytät sitä toistaiseksi vain muistiinpanojen tekemiseen ja pieneen aterioiden suunnitteluun.

Jos olet projektialan ammattilainen ja tunnet olevasi jumissa tekoälychatbottiesi kanssa, tai tunnet jonkun tällaisen henkilön, tämä jakso on sinua varten. Perehdymme siihen, miten ajattelutapaa ja toimintareaktioita voi muokata generatiivisen tekoälyn ympärillä, jotta emme päädy käyttämään GenAI:ta vain GenAI:n vuoksi. Puhumme siitä, mitä tekoälyn tulevaisuus tarjoaa kehotteiden suunnittelun tuolla puolen. Tutkimme myös sitä, miten tekoälyn ja tekoälyprojektien toimintatapojen ymmärtämisen laajentaminen voi avata kokonaan uuden urapolun, jonka olemassaolosta et ehkä tiennyt. Oletko valmis sukeltamaan aiheeseen?

Hei kaikille, kiitos kun kuuntelette. Nimeni on Galen Low ja työskentelen The Digital Project Managerissa. Olemme digitaalisten ammattilaisten yhteisö, jonka tavoitteena on auttaa toisiamme kehittämään osaamista, kasvattamaan itsevarmuutta ja verkostoitumaan, jotta voimme vahvistaa projektinhallinnan arvoa digitaalisessa maailmassa. Jos haluat kuulla tästä lisää, siirry osoitteeseen thedpm.com/membership.

Tänään puhumme yllätys yllätys generatiivisesta tekoälystä, mutta myös kehotteiden suunnittelusta ja siitä, katsommeko projektipäälliköinä Bruce Leen vertauskuvallista sormea sen sijaan, että katsoisimme kuuta, johon sormi osoittaa. Olen kutsunut mukaan kovimman luokan asiantuntijan vastaamaan kysymyksiin siitä, mitä GenAI tarjoaa projektinhallinnan alalle keskustelupohjaisten käyttöliittymien ja kehotteiden lisäksi.

Seurassani on tänään Kathleen Walch, Project Management Instituten tekoälyyn sitouttamisen ja oppimisen johtaja sekä arvostettu tekoälyajattelija ja kouluttaja.

Kathleen, kiitos että liityit seuraani tänään.

Kathleen Walch: Kiitos paljon kutsusta. Odotan innolla tätä keskustelua.

Galen Low: Olen todella iloinen, että palasit ohjelmaan. Kathleen on ollut täällä aiemminkin Ron Schmelzerin kanssa puhumassa tekoälystä. Siitä taitaa olla jo kaksi vuotta, ehkä noin kaksi vuotta?

Kathleen Walch: Ehkä. Aika lentää, eikö?

Galen Low: Kaikki tapahtuu niin nopeasti. Ajattelin aiempaa keskusteluamme ja totesin, että niin paljon on muuttunut. Tuolloin tekoäly oli melkein marginaalinen ilmiö.

Tekoäly ja projektinhallinta – niin. Nyt se on valtavirtaa. Se on sisäänrakennettuna kaikkeen. Kaikki uppoutuvat siihen. Siltä ei pääse pakoon. Olen innoissani siitä, että saamme asiantuntemuksesi ohjelmaan tänään.

Niille, jotka eivät tunne sinua: olet ollut tekoälymaailmassa jo jonkin aikaa ja nähnyt, miten ymmärryksemme tekoälystä ammatillisessa kontekstissa on kehittynyt viimeisten seitsemän tai kahdeksan vuoden aikana. Vaikka muutos on tuntunut meistä tekoälyn uusista tulokkaista nopealta, mietin, jäävätkö useimmat ammattilaiset mielestäsi jumiin arkiseen kehotteiden kirjoittamiseen näkemättä, mihin teknologia todella pystyy.

Kathleen Walch: Se on hyvä kysymys, koska olet oikeassa: olen ollut tällä alalla pitkään.

Sanon aina olleeni tekoälyn parissa jo ennen kuin GenAI teki siitä suosittua. Kutsun sitä vanhimmaksi uudeksi teknologiaksi, koska termi otettiin virallisesti käyttöön vuonna 1956. Se on siis yli 70 vuotta vanha, mutta tuntuu silti aivan uudelta. Miksi näin? Olemme käyneet läpi kaksi aiempaa tekoälyn talvea, jolloin investoinnit ja suosio vähenivät.

Suurena syynä on se, että lupaamme liikaa ja toimitamme liian vähän suhteessa siihen, mihin teknologia pystyy. Meidän täytyy ymmärtää tekoäly työkaluna. Se ei ole hyvä kaikessa, mutta tietyissä asioissa se on erittäin hyödyllinen, joten sitä pitää käyttää tarkoituksenmukaisesti. Generatiivisen tekoälyn innostavuus syntyy siitä, että se on todella tuonut teknologian kaikkien ulottuville.

Seitsemän tai kahdeksan vuotta sitten käytimme edelleen tekoälyä varsin säännöllisesti, mutta se ei tuntunut tekoälyltä. Sähköposteissa oli ennakoiva tekstinsyöttö ja roskapostisuodattimet. GPS, Waze ja Google Maps hyödynsivät tekoälyä reittien optimointiin.

Se ei kuitenkaan tuntunut tekoälyltä, koska se oli osa jo käyttämiämme sovelluksia. Generatiivinen tekoäly ja erityisesti ChatGPT toivat sen kaikkien käsiin. Tätä kutsumme laajennetuksi älykkyydeksi: tekoäly ei korvaa ihmistä, vaan auttaa tätä tekemään työnsä paremmin.

Sen hyödyn voi tuntea joka päivä. Se voi auttaa kirjoittamaan paremman sähköpostin, ideoimaan, kääntämään tekstiä tai luomaan kuvia PowerPoint-esitykseen. Yhteistyö tuntui konkreettiselta ja hyödyn näki suoraan. Siihen koko maailma on siirtynyt, ja se on hienoa. Samalla ihmisten täytyy kuitenkin ymmärtää, että kyse on työkalusta ja tietää, milloin tekoälyä kannattaa käyttää ja milloin ei.

Galen Low: Pidän ajatuksesta, että aiemmin tekoäly toimi taustalla, mutta nyt tekoäly on kuin henkilö, jonka kanssa ollaan tekemisissä joka päivä ja johon kaikilla on pääsy. Se on uusi suosittu tyyppi. Pidän siitä, mitä sanoit GenAI:n tehneen tekoälylle, mutta pidän myös ajatuksesta tekoälyn talvista.

Tekoälyn talvi syntyy, koska lupaamme liikaa ja toimitamme liian vähän, vaikka teknologia ei ehkä aiemmin ollut riittävän kehittynyttä lupausten täyttämiseen. Nyt se ehkä on. Puhumme ChatGPT:stä ja suurista kielimalleista, jotka hallitsevat tilannetta tällä hetkellä, mutta helmikuussa 2025 puhumme myös DeepSeekistä.

Puhumme hämmästyttävästä teknologiasta, joka ei ehkä tarvitsekaan kaikkea sitä teknologiaa, jota sen on väitetty tarvitsevan. Eksyn hieman aiheesta, mutta pidän sen tarjoamista mahdollisuuksista. On hyvä, että ihmiset puhuvat siitä ja ottavat sen vastaan. Samalla tämä voi olla monimutkaista, koska kaikilla on mielipide, kaikki kuvittelevat tietävänsä, mitä tekoäly tekee, ja kaikki olettavat sen sopivan kaikkeen. Ehkä se ei sovi.

Jos tarkastelen asiaa projektinhallinnan näkökulmasta, mitkä ovat suosikkikäyttötapauksiasi GenAI:n keskustelupohjaisille käyttöliittymille projektinhallinnassa?

Kathleen Walch: Se on hyvä kysymys.

Project Management Institutella on paljon oppimiskursseja, jotka ovat jäsenille ilmaisia ja muille melko edullisia. Käymme niissä läpi useita erilaisia käyttötapauksia. Sanon aina, että ensin kannattaa kirjata kaikki ongelmakohdat ja alueet, joihin tarvitset apua tai joissa näet parannusmahdollisuuksia.

Sen jälkeen selvitä, mitkä niistä voidaan ratkaista helposti generatiivisen tekoälyn avulla. Projektipäälliköistä puhuttaessa ajattelemme yleensä kokousmuistioita. Se on stereotyyppinen esimerkki. Jos kokousmuistiot ovat sinulle ongelmakohta, miten tekoäly voisi auttaa? Tähän on jo olemassa useita työkaluja.

Sanon kuitenkin aina myös, että kerran auttava työkalu on hieno asia. Voimme puhua projektisuunnitelman laatimisesta, mutta kuinka usein teet sen projektin aikana? Todennäköisesti kerran. Et käy projektisuunnitelmaa läpi joka viikko.

Mikä auttaisi sinua säännöllisesti, päivittäin tai viikoittain? Ehkä sidosryhmien osallistaminen tai parempi viestintä. Miten muotoilen sähköpostit ja dokumentaation eri tasoille? Joskus tarvitsen ylimmän johdon tiivistelmän, joskus sisällön sidosryhmille tai sisäisille ja ulkoisille asiakkaille.

Tunnista ongelmakohdat ja pyri ratkaisemaan ne, koska juuri siinä näet todellisen asteittaisen parannuksen. Harjoittele myös. Kehityt vain ajan myötä. Kehotteiden suunnittelussa epäonnistumisen riski on hyvin pieni, koska voit aina yrittää uudelleen.

Tähän liittyvät myös PMIn kutsumat voimataidot eli pehmeät taidot: kriittinen ajattelu, yhteistyö ja viestintä. Kysyn aina, miten GenAI auttaa voimataitojen kehittämisessä ja miten voimataidot auttavat kirjoittamaan parempia kehotteita. Viestinnässä tekoäly voi auttaa olemaan parempi viestijä, koska se voi kirjoittaa sähköposteja eri sävyillä, lyhentää tekstiä tai tehdä siitä yhteenvedon.

Toisaalta viestintätaitosi voivat auttaa sinua kirjoittamaan parempia kehotteita. Ehkä sinun täytyy hienosäätää kehotetta, muuttaa sen pituutta tai muokata sitä ajan mittaan.

Pidän siitä, että kolikolla on kaksi puolta: tekoäly voi auttaa voimataidoissa ja voimataidot voivat auttaa kehotteiden suunnittelussa.

Galen Low: Palaan tähän myöhemmin. Ensin haluaisin kuitenkin ottaa hieman etäisyyttä, koska minulla on taustatietoa, jota kaikilla kuuntelijoilla ei ole.

Toimiessasi Cognilytican hall managing partnerina kehitit CPMAI-sertifioinnin, joka on erityisasiantuntijoille tarkoitettu projektinhallinnan viitekehys. Olen kirjoittanut tästä aiemmin – korjaa, jos olen väärässä – mutta ymmärsin, että se rakennettiin data-asiantuntijoille ja analyytikoille, jotka työskentelevät tekoälyprojektien parissa.

Myöhemmin Cognilytica yhdisti voimansa Project Management Instituten kanssa, jolloin CPMAI:stä tuli virallinen osa PMIn arvostettua projektinhallinnan sertifiointivalikoimaa. Koska puhuimme kursseista ja PMIn oppimisesta, voisitko kertoa, kenelle sertifiointi on nykyään tarkoitettu ja miten se eroaa esimerkiksi PMIn jäsenille tarkoitetusta ilmaisesta kehotteiden suunnittelun kurssista tai Udemy-kurssista? Mikä tekee CPMAI-sertifioinnista tärkeän ja erilaisen?

Kathleen Walch: Puhun tästä mielelläni kolikon kahtena puolena. 95 prosenttia keskustelusta keskittyy siihen, miten tekoälytyökalut auttavat tekemään työn paremmin.

Työkaluja on valtavasti. Minulta kysytään usein, mikä on paras työkalu, ja vastaan, että se riippuu siitä, mitä yrität tehdä. Uusia työkaluja julkaistaan kirjaimellisesti joka päivä. Mitä tahansa yritätkin tehdä, siihen löytyy todennäköisesti työkalu, mutta sinun täytyy ymmärtää, miten sitä käytetään ja miten siinä voi kehittyä.

Tämä muodostaa noin 95 prosenttia keskustelusta ja on se alue, johon PMIn verkko-oppiminen keskittyy. Meillä on yleiskatsaus generatiiviseen tekoälyyn, tekoälyn datamaisemaan, kehotteiden suunnitteluun ja tekoälyn sovelluksiin. Niissä käsitellään, miten erilaisia työkaluja ja sovelluksia käytetään projektipäällikkönä ja projektialan ammattilaisena.

Se auttaa tekemään työn paremmin. Sen jälkeen on toinen puoli: projektipäällikkönä, projektialan ammattilaisena tai projektien lähialan tehtävissä – esimerkiksi data-asiantuntijana, data-insinöörinä tai tekoäly- ja koneoppimisinsinöörinä – saatat joutua johtamaan tekoälyprojektia.

Meidän täytyy ymmärtää, että tekoälyprojektit ovat dataprojekteja. Niissä on käytettävä datakeskeisiä menetelmiä, eikä projektia voi johtaa perinteisen ohjelmistokehitysprojektin tapaan. Muuten huomaat nopeasti, ettei lähestymistapa toimi ja projektin epäonnistumisriski kasvaa.

Kehitimme CPMAI-menetelmän, koska organisaatiot kysyivät jo vuosia sitten, mistä tekoälyjärjestelmien rakentaminen aloitetaan. Tuolloin generatiivista tekoälyä ei vielä ollut, ja järjestelmät piti rakentaa alusta alkaen: piti selvittää tarvittava algoritmi ja datavaatimukset. Tarvitsimme vaiheittaisen lähestymistavan, joten loimme CPMAI-menetelmän suuren pankin ja suuren valtionhallinnon organisaation kanssa.

Syyskuussa 2024 liityimme virallisesti PMIhin, kun se hankki Cognilytican. Nyt CPMAI on virallinen PMI-sertifiointi. Se sopii projektipäälliköille, projektialan ammattilaisille ja tuoteomistajille sekä projektien lähialojen ammattilaisille.

Esimerkiksi mieheni on ohjelmistoinsinööri ja on työskennellyt alalla noin kaksi vuosikymmentä. Hänen on joskus johdettava projekteja. Jos kyseessä on tekoälyprojekti, hän ei silti samaistu projektipäälliköksi – hän samaistuu ohjelmistoinsinööriksi – mutta hänet asetetaan projektinhallinnan rooliin. Näemme yhä useammin, että tekoälyprojekteja johtavat ihmiset, jotka eivät perinteisesti identifioidu projektipäälliköiksi.

Siksi tämä sertifiointi on tarkoitettu kaikille näihin eri ryhmiin kuuluville.

Galen Low: Tuo on tärkeä näkökulma. En tiennyt, että aloititte valtionhallinnon organisaation ja pankin kanssa. Kun puhut ohjelmistoprojektin ja dataprojektin eroista ja ajattelee pankin tai valtion hallussa olevaa dataa, asian vakavuus korostuu. Projektia ei voi välttämättä johtaa tavallisen projektin tapaan.

On otettava huomioon eettisiä kysymyksiä. Olemme nähneet hankkeita, joissa on edetty liian nopeasti kohti tavoitetta, jota ei oikeastaan tunneta, teknologian muuttuessa nopeasti ja kulttuurin muuttuessa ihmisten omaksumisen, tunteiden ja tekoälyyn liittyvän ahdistuksen myötä.

Pidän ajatuksesta, että kyse on sen ymmärtämisestä, miten tekoälyä tai koneoppimista sisältävä dataprojekti saadaan onnistumaan. Tavallinen ohjelmistokehityksen lähestymistapa ei välttämättä tuota oikeaa tulosta. Voit päätyä umpikujaan tai törmätä esteisiin, jotka olisi voinut välttää etukäteissuunnittelulla.

Kathleen Walch: Ohjelmistokehityksessä koodi on tärkein osa. Et luovuttaisi koodiasi pois, koska se on arvokkain osa.

Tekoälyprojektissa data on tärkein osa, joten et luovuttaisi sitä pois. Koodi on vain pieni osa eikä välttämättä kriittisin. Ainutlaatuinen data ratkaisee projektin onnistumisen tai epäonnistumisen. Roskaa sisään, roskaa ulos.

Tämä auttaa myös projektien lähialojen ammattilaisia ymmärtämään ajattelutavan muutoksen: kyse ei ole koodista vaan datasta. Siksi tarvitaan datakeskeinen menetelmä.

Galen Low: Tuo on todella ajatuksia mullistava näkemys. Dataprojektin tärkein osa on data, ja koodi on lähes toissijaista. Digitaalisesta maailmasta tulevalle se on erikoinen ajatus, mutta pidän siitä.

Haluaisin siirtyä takaisin uraan ja sertifiointeihin. Monet yhteisöni jäsenet arvostavat PMP:tä, jolla on alalla paljon painoarvoa. Se on usein huippu- saavutus, jolla voi osoittaa ansioluettelossa, profiilissa ja työhaastatteluissa olevansa vakavasti otettava ja kysytty ammattilainen.

Kun CPMAI on nyt mukana, etsivätkö tekoälyä hyödyntävän ohjelmistoalan työnantajat jo CPMAI-sertifiointia? Vai onko kyse mielestäsi enemmän käytännön työtaidoista ihmisille, jotka työskentelevät tekoäly- ja dataprojekteissa? Voiko se auttaa projektipäällikköä erottumaan?

Kathleen Walch: Kyllä, ehdottomasti. PMP on PMIn kultainen standardi, ja pyrimme tekemään myös muista sertifioinneista kultaisia standardeja.

CPMAI kertoo työnantajille, että osaat johtaa tekoälyprojekteja. Tunnet keskeisen terminologian, ymmärrät mitä tekoäly voi ja ei voi tehdä, tunnet CPMAI:n kuusi vaihetta ja osaat johtaa projekteja dataprojekteina vaiheittaisen lähestymistavan mukaisesti.

Liian usein organisaatioilla ei ole suunnitelmaa. Ala kehittyy nopeasti ja ihmiset pelkäävät jäävänsä kehityksestä jälkeen. Kilpailijat tekevät jotakin, joten meidänkin täytyy tehdä niin. Eteenpäin voi mennä, mutta suunnitelma tarvitaan.

CPMAI alkaa liiketoiminnan ymmärtämisestä. Mitä ongelmaa yritämme ratkaista? Kuulostaa yksinkertaiselta, mutta monet projektit ohittavat tämän vaiheen. Onko tekoäly oikea ratkaisu?

Sen jälkeen tehdään tekoälyn go/no-go-arviointi, jossa käsitellään datan, liiketoiminnan ja toteutuksen toteutettavuutta. Ajattelemme näitä liikennevaloina. Jos kaikki ovat vihreitä, onnistumisen mahdollisuus on hyvä. Jos jokin on keltainen tai punainen, epäonnistumisriski kasvaa. Eteenpäin voi silti mennä, mutta varovasti.

Yksi huomioitava asia on projektin sijoitetun pääoman tuotto eli ROI. Sen ei tarvitse olla taloudellinen tuotto, mutta jonkinlainen tuotto täytyy olla ja sitä pitää mitata. Tekninen onnistuminen erittäin korkeilla kustannuksilla voi olla kokonaisuutena negatiivinen tulos.

CPMAI auttaa tässä ja kertoo työnantajille, että sinulla on taidot tekoälyprojektin johtamiseen ja että olet suorittanut perusteellisen koulutuksen ja PMI-sertifioinnin.

Galen Low: Tämä oli erittäin selkeä selitys siitä, miksi sertifiointi on tärkeä ja erilainen. Monet asiat voivat tuntua maalaisjärjeltä, mutta teknologian nopean kehityksen ja organisaatioiden kiireen vuoksi ihmiset eivät välttämättä edes tiedä, miksi tekoälyä tarvitaan heidän tuotteessaan tai organisaatiossaan.

Projektipäälliköt rakastavat viitekehyksiä, menetelmiä ja sertifiointeja – ja riitelevät niistä. Organisaatioissa syntyy helposti asetelma, jossa yksi tapa asetetaan toista vastaan. Näetkö tätä myös tässä ohjelmassa? Palaavatko osallistujat organisaatioihinsa ja yrittävät saada tiimit noudattamaan uusia vaiheita, vaikka tiimit sanovat tekevänsä asiat omalla tavallaan?

Kathleen Walch: Koulutukseen osallistuvat ymmärtävät sen arvon ja tuovat näkemyksen takaisin organisaatioon. Ymmärrän, että käytössä voi olla ennakoiva vesiputousmalli, hybridimalli tai ketterä malli. Käytännössä projektit ovat usein hybridejä.

Tekoälyprojektia voi johtaa ketterästi, pienissä iteratiivisissa sprinteissä. Sitä ei pitäisi johtaa ennakoivan vesiputousmallin tapaan. Monet löytävät tämän menetelmän, koska nykyinen tapa on epäonnistunut ja he tarvitsevat jotain muuta.

Toiset haluavat siirtyä alalle ja ymmärtää sen perusteet. Koulutus on kattava, eikä aloittamiseen tarvita aiempaa projektia tai erityisiä vaatimuksia. Se alkaa terminologian yhdenmukaistamisesta. Ihmiset kuvittelevat tietävänsä termit ja huomaavat sitten, etteivät tienneetkään, mitä eivät tienneet.

Sama pätee tiimeihin. Kun kaikki käyttävät samaa terminologiaa ja omaavat saman perustason ymmärryksen, kaikki ovat samalla sivulla. CPMAI toimii samalla tavalla.

Galen Low: Ymmärrän nyt, että esitin sen ehkä menetelmänä, vaikka kyse on pikemminkin kerroksesta, jonka voi yhdistää omaan työskentelytapaan.

Kathleen Walch: Kutsumme sitä menetelmäksi, mutta termi voi hämmentää. Voit kutsua sitä viitekehykseksi tai vaiheittaiseksi lähestymistavaksi. Tärkeää on ymmärtää, että siinä on kuusi vaihetta ja että se on iteratiivinen.

Aloitamme liiketoiminnan ymmärtämisestä. Sitten siirrymme datan ymmärtämiseen: mitä dataa tarvitaan, mistä se tulee, onko se sisäistä vai ulkoista ja onko siihen pääsyä. Seuraavaksi data puhdistetaan. Data ei valitettavasti ole koskaan täysin puhdasta ja järjestyksessä, erityisesti jäsentämätön data.

Sen jälkeen kehitetään malli. Tässä ihmiset usein aloittavat ja ohittavat kriittiset alkuvaiheet. Sitten malli testataan, jotta nähdään, toimiiko se odotetusti. Jos tämä vaihe ohitetaan, voidaan ihmetellä, miksi malli hallusinoi, antaa huonoja tuloksia tai ei toimi odotetusti.

Lopuksi ratkaisu viedään käytäntöön. Vaiheiden pitäisi olla pieniä ja iteratiivisia. Yhden CPMAI-iteration pitäisi kestää noin kaksi viikkoa, kuten sprintin. Sen ei pitäisi kestää seitsemää tai kahtatoista kuukautta.

Usein ongelmat syntyvät datavaiheessa, koska dataan ei ole pääsyä. Siksi sanomme: ajattele suuresti, aloita pienestä ja iteroi usein. Valitse pienempi tietojoukko, rajaa laajuutta ja kysy, mikä on pienin asia, jonka voin tehdä ja joka tuottaa asteittaista arvoa ja positiivisen sijoitetun pääoman tuoton.

Galen Low: Se on kuin projektitalvi.

Kathleen Walch: Niin. Moni asia voi mennä pieleen.

Galen Low: Ihmiset pettyvät ja jättävät projektin sikseen. Olin kysymässä, miltä ongelmat näyttävät, mutta kuvasit sen hyvin hallusinaatioiden ja huonojen tulosten kautta. Kun ratkaisu ei toimi odotetusti, koko ongelmaketju täytyy purkaa ja selvittää, mikä meni alussa väärin. Todennäköisesti datan puhtaus.

Kathleen Walch: Todennäköisesti pääsy dataan, sen puhtaus ja määrä. Jotkut ajattelevat, että enemmän dataa on aina parempi. Näin ei ole, koska mallia voidaan kouluttaa kohinalla. Data ei ole ilmaista: sen puhdistaminen ja käsitteleminen maksavat. Enemmän ei siis aina ole parempi.

Galen Low: Aloitin kysymyksellä siitä, mitä kehotteiden suunnittelun tuolla puolen on, mutta keskustelu on paljastanut kokonaisen maailman dataprojekteja ja koneoppimisprojekteja. Monet projektipäälliköt eivät ole vielä nähneet itseään siinä maailmassa. Siellä tapahtuu kuitenkin paljon, ja projekteja johtavat usein projektien lähialojen ammattilaiset. Se on inspiroivaa.

Kathleen Walch: Koulutus on edullista, epäonnistumisen hinta korkea. CPMAI-menetelmän oppiminen ja sertifiointi ovat tähän verrattuna melko edullisia. Kannustamme ihmisiä ajattelemaan tätä yhdistelmänä: hanki PMP ja CPMAI, opi eri menetelmiä ja opi CPMAI. Kyse ei ole joko–tai-valinnasta.

Organisaatiot soveltavat oppimaansa omiin tarpeisiinsa. Kunhan korkeantason vaiheittainen lähestymistapa säilyy, sitä voi mukauttaa omaan organisaatioon.

Galen Low: Aloitimme kehotteista ja keskustelupohjaisista käyttöliittymistä, kuten ChatGPT:stä, Geministä, Copilotista, Claudesta, Perplexitystä ja DeepSeekistä. Niiden tuolla puolen on kuitenkin suuri maailma.

Mitä tekoäly tuo seuraavaksi projektipäälliköiden ammatilliseen elämään ja miten voimme pysyä kehityksessä mukana?

Kathleen Walch: Tekoäly ei korvaa työtäsi, mutta joku tekoälyä osaava voi korvata sinut. Tekoäly on siis tullut jäädäkseen. Toivomme, että olemme ylittäneet kriittisen kynnyksen emmekä joudu uuteen tekoälyn talveen.

Ajattelen jälleen laajennettua älykkyyttä. Miten tekoäly auttaa minua tekemään jonkin asian paremmin korvaamatta minua ihmisenä? Se voi korvata tehtävän tai tietyn roolin, mutta ei minua ihmisenä.

Jos projektit siirtyvät yhä enemmän kohti tekoälyprojekteja, tarvitsemme edelleen projektipäälliköitä ja näitä taitoja omaavia ammattilaisia. Oppiminen alkaa ärsyttävien asioiden listaamisesta. Se on jokaiselle erilainen. Älä automatisoi pois asioita, joista pidät, ja jätä itsellesi kaikki vihaamasi tehtävät.

Käytä yhteisöjä ja oppimisresursseja. PMIllä on paljon materiaalia. Organisaatioissa kannattaa perustaa sisäisiä ryhmiä ja jakaa kehotteita. Kehotteita pitäisi jakaa, niiden käytöstä pitäisi oppia ja niitä pitäisi kehittää yhdessä.

Pidä sisäistä kehotekirjastoa. Kirjaa, millä alustalla kehotetta on käytetty ja milloin, koska kehotteita täytyy muokata ja iteroida ajan myötä. Jos yhteisö auttaa kokeilemaan ja vertailemaan, kehitys nopeutuu.

Jos organisaatio ei ole tekoälylähtöinen, aloita pienillä iteratiivisilla vaiheilla. Jos olet PMI:n jäsen, ota yhteyttä yhteisöön tai paikallisosastoon. Oppiminen ja yhteistyö estävät jäämästä jälkeen. Älä pelkää pyytää apua.

Se on paras tapa oppia.

Galen Low: Pidän kehotteiden jakamisesta ja siitä, että tiedon jakaminen vie meitä eteenpäin. Teknologia kehittyy nopeasti, joten ihmistenkin täytyy kehittyä nopeasti. Paras tapa siihen on tiedon jakaminen.

Kathleen Walch: Jakaminen on välittämistä.

Galen Low: Juuri niin. Minulla on kaksi viimeistä kysymystä.

Puhumme asioista, joissa GenAI auttaa henkilökohtaisessa ammatillisessa elämässä. Toisaalta teknologia on uskomaton ja sen luonnollisen kielen käsittely tuntuu valtavalta harppaukselta aiempaan. Toisaalta voin ajatella, että kyse on vain hienosta tempusta, joka muokkaa kieltä ja antaa sen meille takaisin niin, että kuvittelemme sen olevan elävä, tietoinen olento.

Alihyödynnämmekö tekoälyä? Vai onko vaarana, että pidämme sitä maagisena ja kuvittelemme sen osaavan kaiken ymmärtämättä, että se on hyvä vain tietyissä tehtävissä? Onko tämä vaarallista vai inspiroivaa?

Kathleen Walch: Se on vaarallista, koska siinä luvataan liikaa ja toimitetaan liian vähän. Tekoäly on kattotermi, ja suurten kielimallien myötä ihmiset kuvittelevat sen pystyvän kaikkeen. Sitten he kysyvät, miksei se ratkaise matematiikan tehtävää tai osaa jotakin, jonka ihminen osaa.

Meidän on ymmärrettävä, mihin tekoäly pystyy ja mihin ei. Siksi tarkastelimme satoja tai tuhansia käyttötapauksia ja jaoimme ne tekoälyn seitsemään toimintamalliin.

Niitä ovat hyperpersonointi, jossa jokaista kohdellaan yksilönä; tunnistaminen, jossa jäsentämättömästä datasta tehdään ymmärrettävää; ennakoiva analytiikka ja päätöksenteon tuki; kuvioiden ja poikkeamien tunnistaminen; tavoitteelliset järjestelmät, jotka liittyvät vahvistusoppimiseen ja optimointiin; autonominen toimintamalli; sekä keskusteleva toimintamalli.

Autonomisessa toimintamallissa ihmistä pyritään poistamaan prosessista. Se on vaikein toimintamalli. Meillä voi olla autonomisia ajoneuvoja, kuljetusrobotteja tai liiketoimintaprosesseja, joissa järjestelmät navigoivat työnkuluissa ilman ihmistä.

Se eroaa automaatiosta. Automaatio ei ole älykkyyttä, vaan saman asian toistamista. Se on hyödyllistä, mutta poikkeustilanteissa ihminen tarvitaan.

Keskusteleva toimintamalli on se, jossa ihmiset ja koneet keskustelevat ihmisten kielellä. Suuret kielimallit ja tekoälyä hyödyntävät chatbotit kuuluvat tähän, mutta se on vain yksi tekoälyn toimintamalli. Kielimallia ei ehkä kannata käyttää hyperpersonoitujen tarjousten tekemiseen tai ajoneuvon ohjaamiseen.

Galen Low: Kiitos tästä pikakurssista. Se auttaa näkemään kokonaisuuden. Tästä pääsemmekin viimeiseen kysymykseeni: puhumme tekoälystä, joka auttaa päivittäisissä tehtävissä.

Kathleen Walch: Laajennetusta älykkyydestä.

Galen Low: Laajennetusta älykkyydestä. Mutta mainitsit autonomisuuden ja toimijuuteen perustuvan tekoälyn. Kaikki puhuvat siitä, että tekoäly toimii pian itsenäisesti ja että ihminen vain antaa sille tehtävän.

Mihin tämä johtaa projektinhallinnassa tai maailmassa yleensä? Ovatko ihmisten pelot perusteltuja? Vai onko kyse jälleen siitä, että ihmiset kuvittelevat tämän olevan yleinen tekoäly ja että maailmanloppu on lähellä, vaikka todellisuudessa kyse on vain näiden toimintamallien soveltamisesta?

Kathleen Walch: Kun ymmärrämme, mihin tekoäly pystyy ja mihin ei, ymmärrämme myös, että olemme edelleen kapean tekoälyn vaiheessa. Sovellamme yhtä tai useampaa näistä seitsemästä toimintamallista, mutta emme ole yleisessä tekoälyssä, joka olisi ihmisen kaltainen ja pystyisi kaikkeen. Meillä ei vieläkään ole koneellista päättelyä.

Pidän DIKUW-pyramidista. Data on perustana, mutta yksinään sillä ei voi tehdä paljon. Kun siihen sovelletaan jotakin, saadaan informaatiota, kuten koontinäyttöjä. Sen jälkeen tulevat tieto ja koneoppiminen. Sitten ymmärrys, joka liittyy koneelliseen päättelyyn – siihen emme vielä pysty. Huipulla on viisaus.

Olemme siis kaukana yleisestä tekoälystä. On tärkeää ymmärtää nykyiset rajoitukset ja käyttää tekoälyä siellä, missä siinä on järkeä.

Toimijuuteen perustuva tekoäly on vuoden 2025 kuuma aihe ja pysyy sellaisena. PMIlla on Infinity-työkalu, johon tulee tällaisia kyvykkyyksiä. On kuitenkin tärkeää ymmärtää, ettei tekoälylle ole yleisesti hyväksyttyä määritelmää, eikä myöskään toimijuuteen perustuvalle tekoälylle. Onko se aidosti autonomista, laajennettua vai automatisoitua? Olemme yhä matkalla kohti tätä.

Asiat muuttuvat uskomattoman nopeasti. Jos kuuntelet tätä helmikuussa 2025, miltä maailma näyttää helmikuussa 2026? Entä kesäkuussa 2025? DeepSeek ei ollut olemassa kuukautta sitten. Yksi läpimurto tai uusi alusta voi muuttaa tilanteen.

Meidän täytyy pohtia, miten projektialan ammattilaiset omaksuvat toimijuuteen perustuvan tekoälyn ja miten organisaatiot tuovat sen työnkulkuihin. Tämä täytyy tehdä luotettavasti, eettisesti ja vastuullisesti. On huomioitava tietosuoja, hallinnointi ja luottamus. Luotammeko järjestelmiin? Käytämmekö sisäisiä vai ulkoisia työkaluja?

Työkalut kehittyvät ja uusia julkaistaan joka päivä, joten se voi tuntua ylivoimaiselta. Aloita oppimalla ja tekemällä joka päivä. Harjoittele, kunnes tekoälyn käytöstä tulee automaattinen reaktio.

Älä enää aloita tyhjältä sivulta. Jos aloitat tyhjältä sivulta, teet jotakin väärin. Pyydä tekoälyä auttamaan ideoinnissa tai kirjoittamaan ensimmäinen luonnos ja muokkaa sitä itse. Jatka harjoittelua.

Galen Low: Pidän tästä ajattelutavasta ja reaktiosta. Kathleen, tämä oli todella inspiroiva keskustelu.

En usko, että olen koskaan tehnyt yhdessä jaksossa näin paljon muistiinpanoja. Tarkoitan tätä hyvällä tavalla: tallensin tietoa itselleni, en etsinyt muokattavaa sisältöä. PMIlla on onnea saadessaan sinut. Olen innostunut tulevasta, ja ehkä meidän pitäisi kutsua sinut takaisin helmikuussa 2026 tai aiemmin vertailemaan, mihin olemme päätyneet 365 päivän jälkeen.

Kathleen Walch: Muutos tapahtuu niin nopeasti. Ihmiset kysyvät, missä olemme vuoden tai viiden vuoden kuluttua. Minä kysyn, missä olemme kuukauden kuluttua.

Galen Low: Rakastan tuota. Mistä ihmiset voivat löytää lisätietoa CPMAI-sertifioinnista?

Kathleen Walch: Mene osoitteeseen PMI.org. Löydät tiedot sieltä. Minulla on myös AI Today -podcast, jossa puhumme CPMAI:stä. Olemme parhaillaan käyttötapaussarjan keskellä, ja podcast on nyt virallinen PMI-podcast. Olen siitä todella innoissani.

Löydät minut myös LinkedInistä nimellä Kathleen Walch. PMI Cognilytica löytyy LinkedInistä myös.

Galen Low: Hienoa. Lisään kaikki nämä linkit myös ohjelman tietoihin.

Kathleen, kiitos paljon kun liityit seuraani. Tämä oli todella hauskaa.

Kathleen Walch: Kiitos. Pidän aina kanssasi keskustelemisesta, Galen.

Galen Low: Siinä se, kuulijat. Jos haluat liittyä keskusteluun yli tuhannen samanhenkisen projektinhallinnan puolestapuhujan kanssa, liity yhteisöömme. Siirry osoitteeseen thedpm.com/membership saadaksesi lisätietoja. Jos pidit kuulemastasi, tilaa podcast ja pysy yhteydessä osoitteessa thedigitalprojectmanager.com. Ensi kertaan, kiitos kuuntelusta.