Kuinka saavuttaa ennakoitava kasvu dataohjatulla ja generatiivista tekoälyä hyödyntävällä resurssienhallinnalla

Lue tekstitys:

Kokeilemme podcastiemme tekstittämistä ohjelmiston avulla. Antakaa anteeksi mahdolliset kirjoitusvirheet, sillä botti ei ole sataprosenttisen tarkka.

Galen Low: Tervetuloa paneelikeskusteluumme, jossa käsittelemme datan ja tekoälyn hyödyntämistä resurssienhallinnan kristallipallona. Emme kuitenkaan aio liioitella asiaa, vaan keskustelemme siitä kriittisesti, syvennymme aiheeseen ja selvitämme, mistä siinä todella on kyse. Teemme tätä joka kuukausi jäsentemme ja VIP-vieraidemme kanssa.

Tämä on tapa keskustella suoraan asiantuntijoiden ja niiden ihmisten kanssa, jotka osallistuvat ja tekevät yhteistyötä kanssamme The Digital Project Managerissa. Niille teistä, jotka eivät tunne minua: nimeni on Galen. Olen The Digital Project Managerin perustaja ja toinen perustaja, ja toimin myös tämän päivän juontajana. Joudutte siis kestämään minua hetken, mutta seurassani on myös mahtava joukko alan johtavia toimistojen operatiivisen toiminnan asiantuntijoita — Ann Campea, Marcel Petitpas ja Grant Hultgren.

Resurssienhallinta on erittäin suosittu aihe toimistomaailmassa ja rehellisesti sanottuna monissa organisaatioissa yleensäkin. Siihen on mielestäni hyvä syy: jos tärkeiden ohjelmien ja hankkeiden toteuttamiseen ei ole käytettävissä oikeita resursseja, tavoitteiden saavuttaminen voi vaarantua merkittävästi. Se voi jopa vaarantaa joidenkin organisaatiossasi työskentelevien ihmisten ja työtovereidesi työpaikat.

Siksi resurssienhallintaa tarvitaan organisaation monilla eri tasoilla: oikeiden tiiminjäsenten sijoittamisesta projekteihin aina oikean organisaatiorakenteen ja osaamisen varmistamiseen. Tulevaisuuden ennustamisessa me ihmiset kuitenkin parhaimmillamme arvaamme ja pahimmillamme teemme ruusunpunaisia, ylioptimistisia oletuksia.

Saatamme esimerkiksi olettaa, että Surrender saa tehtävän valmiiksi yhtä nopeasti kuin Kathy, vaikka Kathy olisi yllättäen sairauslomalla. Saatamme olettaa, että Kelvin pystyy työskentelemään kahdeksassa eri projektissa kahdeksan tuntia päivässä ilman kontekstin vaihtamiseen kuluvaa aikaa. Saatamme myös olettaa, että Elena ja Leila jakavat samat työskentelymieltymykset, tiedot ja ymmärryksen työstä, koska heidän tehtävänimikkeensä ovat samat.

Loppujen lopuksi resurssienhallinta on vaikeaa, koska siihen liittyy yleensä muuttujia, joita emme hallitse — nimittäin ihmisiä. Vaikka lähestymistapamme resurssienhallintaan ei ole mielestäni juurikaan muuttunut viime vuosikymmeninä, teknologia on muuttunut. Siksi aloin kysyä itseltäni: kun käytössämme on kaikki nämä työkalut ja keräämme kaiken tämän datan, emmekö voisi käyttää sitä tehdäksemme parempia arvioita resursseistamme ja siitä, mitä tulevaisuudessa tapahtuu projekteissamme, hankkeissamme ja tavoitteissamme? Tätä tutkimme tänään.

Aloitan suurimmasta ja laajimmasta kysymyksestäni kaikille panelisteille: kun organisaatiot muuttuvat yhä dataohjautuvammiksi ja generatiivinen tekoäly on mukana kuvassa, miksi resurssienhallinta ei ole jo täysin automaattista?

Ehkä aloitan Marcelista ja laitan sinut heti kuumaan tuoliin.

Marcel Petitpas: Toki. Yksinkertainen vastaus on, että data on sotkuista ja ihmiset arvaamattomia. Generatiivisen tekoälyn mahdollisuudet datan arvon tuottamisessa ja tulkitsemisessa ovat erittäin innostavia, mutta taustalla on oletus, joka häiritsee minua aina nähdessäni generatiivisen tekoälyn yrityksen demon sanovan: ”Katsokaa, voitte automatisoida raportointinne.”

Kriittinen oletus on, että tekoälylle syötetään täysin puhdasta ja johdonmukaisesti jäsenneltyä dataa, jolla on selkeä rakenne, yhtenäiset nimeämiskäytännöt, ei virheitä eikä poikkeamia. Sen jälkeen generatiivinen tekoäly pystyy tietenkin vastaamaan dataa koskevaan kysymykseen ja käsittelemään sen ihmistä nopeammin. Mielestäni todella innostavaa on se, että tapamme olla vuorovaikutuksessa datan kanssa tulee varmasti muuttumaan.

Uskon, että vuosikymmenen kuluttua pidämme taulukon läpikäymistä, suodattimien ja lajittelun käyttämistä sekä halutun visualisoinnin etsimistä arkaaisena. Ongelma, joka ei katoa, on kuitenkin se, että tekoäly tarvitsee hyvää ja puhdasta dataa pystyäkseen tuottamaan tällaisia tuloksia.

Valitettava todellisuus on, että tuote- ja operatiivisen toiminnan johtajina käsittelemme ihmisten luomia tietoaineistoja. Siksi data on väistämättä epätäydellistä. Meidän on otettava tämä huomioon prosessiemme ja tietojärjestelmiemme suunnittelussa.

Galen Low: Hienoa. Pidän siitä, että korostit datan puhtautta. Palaamme myöhemmin datalukutaitoon: mitä se tarkoittaa nykymaailmassa ja kenellä sitä pitäisi olla. Paljastus: luultavasti kaikilla.

Ann, haluatko täydentää ajatusta siitä, miksi resurssienhallinta ei ole nykyään helpompaa kaikesta käytössämme olevasta teknologiasta huolimatta?

Ann Campea: Ensinnäkin Marcelin mainitseman hyvän datan saaminen on vaikeaa, koska sen keräämiseen liittyy inhimillinen tekijä. Kokemukseni mukaan rakennamme työkaluja, koemme raportointimme olevan kunnossa ja seuraamme oikeita mittareita, mutta sitten palaamme dataan. Hyvän datan saaminen on kuin yrittäisi pyydystää salamaa pulloon.

Se on hankalaa ja joskus epäluotettavaa, koska mukana on inhimillinen tekijä. Ihmiset ovat upeita, mutta samalla ihanan arvaamattomia. Antamassasi esimerkissä Susie saattaa yrittää saada valmiiksi 50 projektia viikossa, kun taas Joe joutui kolmeksi päiväksi sairauslomalle eikä siksi saanut valmiiksi yhtä monta projektia.

Miten tällainen inhimillinen tekijä todella huomioidaan datassa, kun puhutaan ajanseurannasta, projektien monimutkaisuudesta ja henkilöstön kyvystä tuottaa tuloksia? Kaikki työskentelevät hieman eri tavalla.

Siksi olen samaa mieltä Marcelin kanssa: ensin on saatava hyvä data ja sen jälkeen rakennettava teknologia ja tekoäly sen ympärille. Olen työskennellyt myös organisaatioissa, joissa käytössä on vanhaa ja uutta teknologiaa. Nyt niiden päälle lisätään vielä tekoäly.

Miten varmistetaan, että kaikki toimivat hyvin yhdessä ja että ihminen pysyy samalla mukana päätöksenteossa?

Galen Low: Pidän tuosta.

Se palauttaa meidät myös siihen, mitä Grant sanoit alussa. Työkalu ei ole maaginen ratkaisu. Mukana on muitakin muuttujia. Ehkä tämä on hyvä siirtymä kohtaan, jossa kysymme, mitä dataa meidän pitäisi kerätä. Tietoa on varmasti valtava määrä, mutta Grant, mitkä tietopisteet toimiston tai minkä tahansa organisaation pitäisi mielestäsi kerätä, jotta resursointi olisi tarkempaa?

Mikä tällaisessa datassa voisi olla epäperinteistä tai jopa kiistanalaista?

Grant Hultgren: Mielestäni kaikki tiivistyy siihen, mihin luotat. Kun toimiston omistajat aloittavat tämän matkan tai liittyvät toimistoon, he ajattelevat usein, että toimiston pitäisi toimia heidän tavallaan. He saattavat ajatella pystyvänsä tekemään asiat paremmin kuin aiempi yritys tai aiempi työnantaja.

Se tarkoittaa usein, että asiat määritellään hieman eri tavalla. Yhtäkkiä eri tietopisteillä on erilaiset merkitykset. Marcel sanoisi varmasti, ettei asioita tarvitse määritellä eri tavalla. Voit käyttää omaa terminologiaasi, mutta puhumme silti samoista asioista.

Kun tarkastellaan keskeisiä suorituskykymittareita, olen täysin samaa mieltä. Ohjelmistoalan näkökulmasta tarkastelemme liikevaihtoa laskutettavaa työntekijää kohti, liikevaihtoa kaikkia työntekijöitä kohti sekä projektitason katteita verrattuna neljännesvuosi- ja vuositasoiseen tulokseen ja yleiskustannuksiin.

Näissä on paljon yhteistä. Digitaalisen projektinhallinnan näkökulmasta kaikki liittyy ekosysteemiin, joka vaikuttaa näihin korkeamman tason mittareihin. Käytössä on useita työkaluja, joista osa voi olla peräisin 1990-luvulta ja osa paljon uudempia.

Haasteena on ennen kaikkea se, luotammeko sisäisten järjestelmiemme olevan niin luotettavia, että tekoälymallit voivat niiden perusteella tehdä päätöksiä ja saavuttaa optimaalisia tuloksia.

En usko, että olemme vielä siinä pisteessä. Siksi ihmiset ovat niin tärkeitä. Kukaan ei syytä tekoälyä projektikatteen menettämisestä. Katsomme projektipäällikköä ja kysymme, mitä tapahtui. Tulkitse data meille. Annin mainitsema työntekijä oli sairaana. Miksi emme tehneet mitään?

Tekoäly ei huomannut sitä. Se ei kelpaa selitykseksi. Ehkä pääsemme vielä siihen pisteeseen, mutta mittarit eivät todennäköisesti muutu kovin paljon. Olennaisempaa on, kuinka ne yhdistetään yhteiseksi kokonaisuudeksi.

Marcel Petitpas: Kerron lyhyesti, miten Parakeetossa perehdytämme ihmisiä ennustejärjestelmään ja miten rakennamme työskentelytapamme. Aloitamme ymmärtämällä, miten organisaatio ajattelee kapasiteetista. Tämä vaihtelee organisaatiosta toiseen.

Jotkin organisaatiot ajattelevat asiaa osaamisalueiden kautta: tällä henkilöllä on suunnittelu-, projektinhallinta-, kehitys- ja tekstintuotantotaitoja. Toisinaan asiaa tarkastellaan tehtäväkokonaisuuksien mukaan: tämä henkilö tekee tietynlaista työtä.

Olipa kyse tehtäväluokista, rooleista tai tehtävänimikkeistä, haluamme ymmärtää, millainen ajattelumalli yrityksellä on kapasiteetistaan ja rekrytointipäätöksistään. Pyrimme yleensä luomaan yksinkertaisen abstraktiotason yksittäisten tekijöiden ja suurempien ryhmien välille.

Tässä yhteydessä haluan tuoda esiin tarkkuuden ja täsmällisyyden eron. Ne ovat eri asioita. Monien projektipäälliköiden ongelmana on, että he pitävät niitä paitsi samoina myös toisiinsa liittyvinä, vaikka ne ovat usein ristiriidassa.

Monet projektipäälliköt valmistautuvat epäonnistumiseen, koska yrittävät rakentaa erittäin täsmällisiä järjestelmiä, joita on mahdotonta ylläpitää. Lopputuloksena syntyy jatkuvasti suuri määrä sotkuista dataa, josta on vaikea saada arvoa.

Ensimmäisessä vaiheessa kysymme siis, miten luomme yksinkertaisen mallin, esimerkiksi viidestä kahdeksaan kapasiteettiryhmää. Sen jälkeen suunnittelemme työn samalla tavalla: käytämme samoja nimeämiskäytäntöjä ja ryhmittelemme arvioidun ajan samalla tavalla.

Seuraavaksi siirrymme ajanseurantaan ja varmistamme, että jokaisessa kirjauksessa on metatieto, jonka avulla se voidaan yhdistää johonkin näistä ryhmistä. Jos rakennamme ajan kuluessa jäsenneltyä dataa tässä muodossa ja lisäämme muutamia muita tietoja, kuten työn ja asiakkaan tyypin sekä palvelun tai tuotteen, lineaarialgebrasta tulee hyvin helppoa.

Voimme esimerkiksi kysyä, kuinka paljon suunnitteluaikaa tarvitaan keskimäärin jokaista verkkosivuston budjettidollaria kohden. Tällaisen kysymyksen käsittelyyn ei tarvita valtavaa tietoaineistoa, jotta löydämme kiinnostavan trendin ja saamme melko hyvän käsityksen tarkkuudesta. Samalla voimme tunnistaa, mikä on ennakoitavaa ja mikä hyvin arvaamatonta.

Tämä auttaa pohtimaan, missä prosessissamme saattaa olla ongelma, joka valmistaa meidät epäonnistumaan. Jos emme tee asioita johdonmukaisesti, tulevaisuuden ennustaminen on vaikeaa datan laadusta riippumatta.

Galen Low: Pidän ajatuksesta, että osa asioista on ennakoitavia ja osaa ei voi ennustaa. Jo tämä näkökulma on tärkeä, koska puhumme kaaoksesta ja suunnittelemattomista asioista.

Ihmisinä haluamme ratkaista kaiken, mutta kaikkea ei ehkä voi ratkaista. Toinen asia, joka jäi mieleeni, on se, että tarvitsemme hyvää ja puhdasta dataa. Tässä teknologiasta on apua. Muistan rakentaneeni osaamismatriisin toimiston henkilöstölle. Kysyimme esimerkiksi, kuinka hyvä kukin oli Drupal-kehityksessä asteikolla yhdestä kymmeneen.

Tietoa oli valtavasti koottavana, ja teimme kaiken Google Sheetsissä. Lopputulos oli sekava. Tarkoituksemme oli hyvä: halusimme tietää, miten ihmiset haluavat työskennellä, missä he ovat ja millaisia projekteja heidän urapolullaan on. Ihmisille käsiteltävän datan määrä oli kuitenkin liian suuri.

Grant Hultgren: Voit suunnitella kaiken täydellisesti ja saada sen valmiiksi, mutta tunnin kuluttua kaikki voi muuttua. Asiakas allekirjoittaa työnkuvauksen, muuttaa tilaustaan tai supistaa laajuuttaan. Sitten pandemia iskee ja joudumme kysymään, tarvitsemmeko toimistoa ja ovatko sen kustannukset välttämättömiä.

Marcelin pointti on juuri tämä: rakennat järjestelmän, mutta sinun on myös luotava rytmi. Kuinka saamme etulinjassa työskentelevät ihmiset mukaan niin, että he voivat tuottaa parasta mahdollista tietoa ja tehdä pieniä muutoksia?

Galen Low: Siirrytään siihen. Puhdas data vaikuttaa myytiltä, ei niinkään datan tai luokittelun vaan ihmisten näkökulmasta. Ann, miten saamme ihmiset mukaan ajatukseen, että suuremman tietomäärän seuraamisesta on heille hyötyä?

Ihmiset vihaavat jo ajanseurantaa. Nyt pyydämme heitä kirjaamaan vielä enemmän asioita. Miten lähestyisit tätä?

Ann Campea: Tämä on vaikea kysymys. Kaikkien tasojen yhteensovittaminen on haastavaa. Mielestäni tärkeintä on päästä yhteisymmärrykseen rakenteesta, vaikka se olisi erilainen kuin muissa toimistoissa.

Jos johto, kulttuuri ja koko organisaatio sitoutuvat samaan tapaan kerätä dataa, ainakin sitoutuminen on kunnossa. Se on yksi suurimmista esteistä. Voimme käyttää paljon aikaa työkalujen rakentamiseen, raporttien kehittämiseen ja ajanseurannan keräämiseen, mutta ilman sitoutumista siitä tulee suurin ongelma.

On tärkeää olla rehellinen datan rajoituksista. Kun esitän tuloksia, sanon aina, että kyseessä on aikatutkimus, johon liittyy vaihtelua, koska ihmiset syöttävät tiedot itse. Myös määrälliseen dataan liittyy subjektiivisuutta.

Dataa ei pidä esitellä täysin puhtaana ja sataprosenttisen tarkkana. Se ei voi koskaan olla sitä, mutta se voi päästä lähelle. Tämä on tärkeää, kun asiaa esitellään sidosryhmille.

Marcel Petitpas: Kaikki keinot, joilla noudattamista parannetaan — pelillistäminen, keskustelubotit, automaattinen ajanseuranta ja esitäytetyt tuntikirjaukset — voivat olla hyödyllisiä. Perusongelma on kuitenkin sitoutuminen.

Toinen ongelma on, ettei palautesilmukkaa suljeta. Ihmiset, joita pyydetään kirjaamaan aikaa, eivät näe keskusteluja, päätöksiä tai raportteja, jotka heidän tietojensa perusteella syntyvät. Siksi he muodostavat mielessään oman käsityksensä siitä, mihin heidän aikaansa käytetään, eikä se yleensä ole myönteinen.

Heidän on nähtävä hyöty voidakseen uskoa siihen. Kun johto käyttää dataa avoimesti ja keskustelee siitä uteliaasti, tiimi alkaa ymmärtää, miten data palvelee ja suojaa heitä.

Jos pyydät ihmisiä seuraamaan aikaa tehtävän alatehtävään, virstanpylvääseen, toimitukseen, vaiheeseen ja projektiin asti, kitkaa syntyy liikaa. Yksinkertaista rakennetta. Suuremmat aikaryhmät ovat merkityksellisempiä, tilastollinen merkittävyys saavutetaan nopeammin ja noudattaminen paranee.

Sama pätee resurssien suunnitteluun. Yksittäiset allokaatiot eivät mahdollista kuuden kuukauden ennustetta. Yhdistä menetelmä siihen kysymykseen, johon haluat vastauksen.

Galen Low: Yksinkertaisuus on parempi kuin liian monimutkainen pyrkimys tehdä datasta täydellistä. Ehkä siirrytään tarinoihin. Onko kenelläkään menestystarinaa siitä, kuinka organisaatiossa saatiin ihmiset sitoutumaan ja datalukutaito paremmaksi? Entä kauhutarinaa tilanteesta, jossa esteet estivät resurssienhallinnan kehittämisen?

Grant Hultgren: Minulla on onnistumistarina. Opin olemaan tiimini tiellä digitaalitoimistossa, jossa työskentelin, ja luottamaan ihmisiin. Meidän piti kouluttaa heitä ja auttaa ymmärtämään, miksi asia on tärkeä.

Kävimme läpi, miksi projektien katetta lasketaan ja mitä kustannus roolia kohti tarkoittaa. Emme kertoneet palkkoja, mutta havainnollistimme esimerkiksi seniori- ja juniorikehittäjän eroa resurssien suunnittelussa.

Suurin onnistuminen ei ollut yksittäinen suorituskykymittari. Kolme ihmistä perusti perheen ja kaksi osti kodin. Toimitusjohtaja sanoi, että kyseessä oli hänen palkitsevin vuotensa, koska se oli juuri se, mitä hän halusi tiimilleen.

Siksi projektipäälliköiden ja operatiivisten johtajien tehtävä on niin tärkeä. Meidän pitää auttaa liiketoimintaa tarkkuudella, ei näennäisellä täsmällisyydellä. Kun yhdistämme yksittäiset tiedot, voimme tehdä strategisia päätöksiä ja luoda ihmisille kasvupolkuja.

Ann Campea: Menestys näkyy usein pienissä hetkissä, joissa data auttaa kertomaan tarinan ja estämään tiimin loppuunpalamisen. Voimme käyttää riittävän hyvää dataa osoittaaksemme johdolle, mitä työ, työn monimutkaisuus ja henkilöstön kuormitus tarkoittavat.

Haluamme olla kannattavia, palvella asiakkaita ja tuottaa laadukasta työtä. Data kertoo, mitä resursseillemme tapahtuu.

Marcel Petitpas: Kerron asiakkaasta, jolla oli upeita logoja, palkittua luovaa työtä ja vaikuttava verkkosivusto. Kulissien takana ihmiset olivat kuitenkin loppuun palaneita. He elivät juhlan ja nälän vuoristoradalla: välillä käyttöaste oli 150 prosenttia ja ihmiset työskentelivät iltaisin ja viikonloppuisin, minkä jälkeen seurasi pitkiä ajanjaksoja ilman työtä ja irtisanomisia.

Myynti syytti projektipäälliköitä, projektipäälliköt myyntiä ja luovat työntekijät budjettien ylittymistä. Odotukset eivät kohdanneet, ja ajan sekä rahan välillä oli ongelmallinen suhde.

Aloitimme erottamalla hinnoittelun ja työn laajuuden toisistaan. Selvitimme, miltä datan rakenne näyttää, aloimme seurata todellista työtä ja tunnistimme, mitkä palvelut olivat riskialttiita.

Videotuotanto oli erittäin vaihtelevaa, matalakatteista ja stressaavaa, kun taas brändi-, verkkosivusto- ja strategiatyö olivat kannattavampia. Rakensimme myyntitiimille laskentamallin, joka vähensi subjektiivisuutta hinnoittelussa ja loi projektitiimille realistiset odotukset.

Lopputuloksena yritys kasvoi ensin 60 ja sitten 90 prosenttia vuodessa samalla, kun sen voittomarginaali kasvoi yli 500 prosenttia. Olen kuitenkin ylpein siitä, että tiimi työskenteli prosessin aikana huomattavasti vähemmän iltaisin ja viikonloppuisin.

Tämä osoittaa, miksi projektipäälliköt ja operatiivisen toiminnan johtajat ovat tärkeitä. He voivat muuttaa oletukset todellisuudesta tulevaisuuden suunnitelmiksi, vähentää subjektiivisuutta datan avulla ja tehdä toiminnasta johdonmukaisempaa.

Galen Low: Ajanseuranta voi olla hyödyllistä, koska sen avulla ihmiset voivat osoittaa olevansa kapasiteettinsa äärirajoilla. Sen avulla voidaan myös kysyä, pitäisikö jokin työ tehdä lainkaan, jos se kuormittaa ihmisiä ja tuottaa vähän katetta.

Haluan siirtyä kysymyksiin, joissa käsitellään generatiivista tekoälyä, dataa, etiikkaa ja tietoturvaa. Jos projektidataa syötetään generatiivisen tekoälyn työkaluun, miten varmistamme tietoturvan? Pitääkö käyttää yrityksen maksamaa työkalua? Missä kulkee eettinen raja, kun keräämme tietoa ihmisten työskentelymieltymyksistä, osaamistasosta ja siitä, kuinka kauan vastaavan tehtävän tekeminen kesti?

Grant Hultgren: Ensin on keskusteltava sisäisesti siitä, käytämmekö tekoälyä, millä laadulla ja miten siitä kerrotaan asiakkaille. Jos kyse on sisäisestä datasta, on silti varmistettava vaatimustenmukaisuus.

Meidän on noudatettava turvallisuus- ja tietosuojavaatimuksia, kuten GDPR:ää. Kaikkea dataa ei voi käyttää tekoälyn kanssa. Joissakin tapauksissa data voidaan anonymisoida. Kannustan kaikkia toimistoja olettamaan, ettei dataa saa käyttää, ellei asiakas ole nimenomaisesti antanut lupaa.

Generatiivinen tekoäly voi auttaa esimerkiksi menetelmän suunnittelussa, minkä jälkeen ihminen käyttää omaa ammattitaitoaan ja kokemustaan lopputuloksen muokkaamiseen. Tekoäly voi ohjata suuntaa, mutta sen ei pidä antaa suoraan diagnoosia tai tarkkoja seuraavia toimia asiakkaalle.

Ann Campea: Eettisessä käytössä on huomioitava myös tekoälyn sisältämä ennakkoasenne. Datan pitäisi informoida meitä, ei ohjata meitä automaattisesti. On myös pohdittava, mitä datalla pyydetään tuottamaan ja muokataanko sitä tiettyä tarkoitusta varten.

Marcel Petitpas: On vaikea kuvitella, että kaikki voitaisiin automatisoida päästä päähän. Viimeiset kaksi prosenttia ovat yleensä vaikeimpia. Tekoäly voi päästä hyvin lähelle, mutta ihmisen harkintaa tarvitaan edelleen.

Esimerkiksi 99 tunnin viikonlopputuntikirjaus voi olla todellinen tai johtua siitä, että ajastin jäi päälle. Suunnittelija on saattanut kirjata aikaa projektinhallintaan vahingossa tai tehdä todella projektinhallinnan tehtäviä. Tällaiset tapaukset vaativat ihmisen tarkistuksen.

Grant Hultgren: Toivoin tekoälyn auttavan tiskaamisessa, en taiteen tekemisessä. Aloitetaan tehtävien automatisoinnista ja muistutuksista. Tekoäly voi esimerkiksi kysyä, pitäisikö uuden tehtävän vuoksi varata Marcelille lisää aikaa projektiin.

En kuitenkaan luottaisi tekoälyyn yrityksen johtamisessa. Pandemian kaltaisia tapahtumia ei voi ennustaa helposti, ja päätökset vaativat usein inhimillistä harkintaa.

Ann Campea: Generatiivinen tekoäly on täällä kumppaniksi ja tiedon lähteeksi, ei ohjaamaan meitä ihmisinä. Ihmisen pitää aina olla mukana tarkistamassa tulokset. Tekoäly voi hoitaa tylsät tehtävät, jotta ihmiset voivat keskittyä luovaan ja merkitykselliseen työhön. Kone ei kuitenkaan voi halata tai ymmärtää huonoa päivää samalla tavalla kuin ihminen.

Marcel Petitpas: Vaihteluvälit ovat hyvä esimerkki täsmällisyyden ja tarkkuuden erosta. Voisin sanoa, että lämpötila on 24,7 astetta, tai että se on päivän aikana 22–26 astetta. Jälkimmäinen on vähemmän täsmällinen mutta kysymyksen kannalta tarkempi.

Mitä ylemmäs organisaatiossa mennään, sitä enemmän epävarmuutta ja sitä vähemmän täydellisyyttä datassa on. Siksi vaihteluvälit kuvaavat todellisuutta paremmin ja tukevat parempia päätöksiä.

Grant Hultgren: Yritä ylläpitää täsmällistä ennustetta neljän viikon päähän ja vertaa sitä toteumaan. Ero on huomattava, puhumattakaan kolmesta tai kuudesta kuukaudesta. Vaihteluväli auttaa ymmärtämään sekä parhaat että heikoimmat mahdolliset tulokset.

Galen Low: Tulevaisuutta ei voi suunnitella liian täsmällisesti.

Kiitos vielä kerran, Grant, Marcel ja Ann, että käytitte aikaanne ja olitte kanssamme tänään.

Jos haluat liittyä keskusteluun yli tuhannen samanhenkisen projektinhallinnan ammattilaisen kanssa, liity yhteisöömme. Lisätietoja löydät osoitteesta thedigitalprojectmanager.com/membership. Jos pidit kuulemastasi, tilaa podcast ja pysy yhteydessä osoitteessa thedigitalprojectmanager.com. Kuullaan seuraavalla kerralla — kiitos kuuntelusta.