Parhaat tekoälymallit projektinhallinnan tehtäviin
Tekoälymallien kenttä: Tekoälymallien käyttö projektinhallinnassa on kasvanut nopeasti, ja eri tehtäviin on olemassa omat mallinsa.
Kokousten tiivistäminen: Eri tekoälymallit ovat hyviä kokousten tiivistämisessä; mallin valinta vaikuttaa tarkkuuteen ja yksityiskohtaisuuteen.
Sidosryhmäviestintä: Tekoäly auttaa jäsentämään sidosryhmäpäivitysten sisältöä, mutta tarkkuus vaihtelee mallien välillä.
Laajuuden dokumentointi: Claudea suositaan yksityiskohtaisuutta vaativissa laajuustehtävissä, erityisesti silloin, kun mallin on käsiteltävä riippuvuuksia.
Prosessien dokumentointi: ChatGPT on usein parempi kokoamaan hajallaan olevan tiedon johdonmukaisiksi prosessidokumenteiksi.
Puhumme täällä DPM:ssä paljon tekoälypohjaisista projektinhallintatyökaluista — mutta emme ole vielä tarkastelleet itse tekoälymalleja ja sitä, miten ne muovaavat PM-työtä. Tähän asti.
Mallimallien kenttä on täyttynyt nopeasti. Artificial Analysisin tekoälyn käyttöönottoa koskevan kyselyn mukaan käytettyjen tai harkittujen LLM-perheiden keskimääräinen määrä kasvoi noin 2,8:sta vuonna 2024 4,7:ään vuonna 2025. T4 Atlasin ”Eniten käytetyt tekoälymallit” -ranking näyttää, mitkä niistä esiintyvät jatkuvasti markkinoilla: GPT-4o, Claude 3.5 Sonnet, DeepSeek R1, Gemini 1.5 Pro, Llama 3, Copilot Model Stack, Grok ja Codestral.
Jos olet kokeillut useampaa kuin yhtä, tiedät jo, etteivät ne ole keskenään vaihdettavissa — ja niiden kohteleminen sellaisina voi tarkoittaa todellisten suorituskykyparannusten menettämistä. Selvittääksemme, miten nämä mallit suoriutuvat yleisimmistä PM-tehtävistä, kysyimme suoraan alan ammattilaisilta. Tässä, mitä he kertoivat meille.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Kokousten yhteenvedot ja toimenpiteet
Claude, Gemini, Read AI
Kokousten yhteenvedot ovat yksi yleisimmistä tekoälyn käyttötapauksista projektinhallinnassa ja samalla yksi niistä, joihin mallin suorituskyvyn heikkeneminen vaikuttaa herkimmin. Great Lakes Tiny Homesin markkinointijohtaja Joe Troyer tekee suoran vertailun: ”Claude pitää toimenpiteet täsmällisinä tunnin mittaisten keskustelujen pöytäkirjoissa, kun taas GPT alkaa jättää nimiä ja määräaikoja pois jo ensimmäisen 30 minuutin jälkeen.” Mitä pidempi kokous, sitä enemmän mallin valinnalla on merkitystä.
Claude pitää toimintakohdat täsmällisinä tunnin mittaisissa litteraateissa, joissa GPT alkaa unohtaa nimet ja määräajat ensimmäisen kolmenkymmenen minuutin jälkeen.
Oikean mallin tunnistaminen on kuitenkin vasta puolet yhtälöstä — toinen puoli on sen tietäminen, miltä hyvä tuloste näyttää. Troyer on täsmällinen: "Hyvä tuloste luettelee jokaisen kohdan puhujan nimellä ja yhdellä sitoumusta koskevalla virkkeellä. Huono tuloste lisää ylimääräisiä tehtäviä, joista ei koskaan puhuttu, tai yhdistää kaksi henkilöä yhdeksi vastuuhenkilöksi."
Kaikki eivät päädy samaan ratkaisuun. Michael Gold, joka hallinnoi useiden asiakkaiden projekteja, vertailee tarkoituksellisesti eri malleja sen sijaan, että sitoutuisi yhteen: "Päädyn lopulta käyttämään kaikkea mahdollista, kuten Geminiä, Claudea, Chattya ja niin edelleen, vaikka käytössäni olisi Firefly. Otan Fireflyn litteraatin ja syötän sen johonkin muuhun, koska en luota Fireflyyn." Hänen lähestymistavassaan mallien vertailu on osa työnkulkua itsessään — ei kerran tehtävä aloitusvaihe.
Ryan Gilbreath lähestyy asiaa jäsennellymmin ja asettaa testaamansa vaihtoehdot paremmuusjärjestykseen: "Sanoisin, että jos minun pitäisi arvioida työkalulistani tekoälypohjaisten muistiinpanotyökalujen osalta, Read AI on tällä hetkellä yksi parhaista. Toisena olisi Gemini yksinkertaisesti siksi, että työskentelen Googlen työtilassa ja muistiinpanoni on helppo synkronoida ja kerätä kaikki samaan paikkaan. Sen jälkeen sanoisin Otter AI." Hänen järjestyksensä nostaa erikoistuneet työkalut yleiskäyttöisten mallien edelle tässä tehtävässä, mutta hänen toinen valintansa määräytyy vähemmän tulosteen laadun ja enemmän integraation sopivuuden perusteella.
Sidosryhmäviestintä ja tilanneraportointi
Claude Opus, ChatGPT-4
Hyödyllinen tilannepäivitys tekee tietyt asiat hyvin. Kuten Brincin APAC-alueen toimitusjohtaja Guillermo Ginesta asian ilmaisee: "Hyödyllisen tulosteen on erotettava toisistaan faktat, esteet, vastuuhenkilökohtaiset toimet ja poliittinen riski ilman, että se keksii varmuutta tyhjästä." VCONifyn toinen perustaja Ken Herron ilmaisee asian yhtä terävästi: "Hyvä tuloste tiivistää, mikä muuttui, miksi sillä on merkitystä, kuka vastaa seuraavasta toimesta ja missä tarvitaan päätöksiä. Huono tuloste vaikuttaa yleisluontoiselta kokouksen yhteenvedolta, kohtelee kaikkia ongelmia yhtä tärkeinä ja kadottaa johdon näkökulman."
Tämän perusteella ammattilaiset jakautuvat sen mukaan, mitä he pyrkivät optimoimaan. VCONifyn toinen perustaja Ken Herron käyttää Claudea, kun viestinnän laatu on etusijalla: "Kun minun on muutettava kokousmuistiinpanot, sähköpostiketjut ja johdon palautteet tiiviiksi sidosryhmäpäivitykseksi, Claude [Opus] tuottaa johdonmukaisesti selkeämpää ja vivahteikkaampaa viestintää kuin muut testaamani mallit."
Jotkut puolestaan puoltavat ChatGPT-4:ää. Brizyn perustaja ja CPO Bogdan Condurache käyttää GPT-4:ää sidosryhmäviestintään ja Claudea laajuuden määrittelyyn. Hän nostaa esiin GPT-4:n kyvyn mukauttaa viestintää eri yleisöille: "Jos minun on selitettävä viivästys johdolle, yksinkertaistettava tuoteuutinen asiakkaille tai tiivistettävä tekninen velka muille kuin teknisille tiimeille, se mukauttaa sävyn ja yksityiskohtaisuuden hyvin."
Laajuuden dokumentointi ja vaatimukset
Claude Opus, ChatGPT-4
Kun on kyse laajuuden määrittelystä, ammattilaisten yhteinen näkemys kallistuu Clauden puoleen – erityisesti monimutkaisessa ja monista riippuvuuksista koostuvassa työssä, jossa puuttuvan oletuksen hinta voi olla korkea. SunTecin varapääjohtaja Murli Pawar kuvailee, miten hänen tiiminsä käyttää Claude Opusta juuri tähän: "Käytämme Claude Opusta muuntaaksemme asiakkaan laajuusdokumentin varsinaiseksi projektisuunnitelmaksi jakamalla sen tehtäviksi, järjestämällä tehtävät suoritusjärjestykseen ja kartoittamalla riippuvuudet. Projekteissamme on yleensä monia toisistaan riippuvia vaiheita, joissa yhtä vaihetta ei voi aloittaa ennen kuin toinen on valmis ja asianmukaisesti tehty, joten juuri tässä tehtävässä suunnittelun on perustuttava todelliseen päättelyyn eikä vain luetteloimiseen."
Pawarin näkemyksen mukaan Clauden erottaa tässä yhteydessä se, miten se käsittelee epäselvyyksiä: "Kun annan sille epämääräisen toimeksiannon, Claude huomaa johdonmukaisimmin, että vaihe C riippuu piilevästi vaiheesta A, ja tuo esiin, missä toimeksianto on puutteellinen, sen sijaan että se keksisi hiljaa oletuksia aukkojen täyttämiseksi. Muut antavat minulle useammin suunnitelman, joka näyttää täydelliseltä, mutta jonka suoritusjärjestys hajoaa heti, kun sitä tarkastelee."
Pawarin määritelmä hyvästä ja huonosta tuotoksesta on tässä säilyttämisen arvoinen: "Hyvä tuotos on suunnitelma, jota voin kyseenalaistaa. Se tuo omat oletuksensa esiin. Se osaa myös ryhmitellä tehtävät loogisiksi vaiheiksi ja kertoa, missä toimeksianto oli epäselvä, sen sijaan että se peittelisi asian. Minun pitäisi muokata sitä, ei rakentaa sitä uudelleen. Huono tuotos on ylimielisen varma suunnitelma, joka on pohjimmiltaan väärä."
SOP- ja prosessidokumentaatio ChatGPT
Prosessidokumentaatio asettaa tekoälylle erilaisia vaatimuksia kuin kokouksen reaaliaikainen tallentaminen – ja viimeistellyn näköisen tuotoksen ja käyttökelpoisen tuotoksen välinen ero voi tulla tässä erityisen kalliiksi. Tätä työtä säännöllisesti tekevät ammattilaiset tarttuvat yleensä ChatGPT:hen, usein siksi, että se osaa järjestää hajallaan olevan tiedon uudelleen loogisiksi kokonaisuuksiksi.
Hien Nguyen, Happy Wayn perustajaosakas ja johtaja, käyttää ChatGPT:tä operatiivisen tiedon kokoamiseen. Tieto on hänen mukaansa "hajallaan eri paikoissa – kokouksissa, Slackin viesteissä, sähköposteissa ja operatiivisen tiimin yksittäisillä jäsenillä". Hänen kokemuksensa mukaan mallin arvo piilee sen kyvyssä ottaa järjestämättömiä syötteitä ja luoda niihin rakenne: "Hyvä lopputulos määrittelee vaiheittaisen prosessin ja sisältää päätöksentekopisteet niin yksityiskohtaisesti, että uusi työntekijä voisi käyttää tätä asiakirjaa prosessin suorittamiseen ilman jatkuvaa lisäselvitysten tarvetta."
Hän tunnistaa keskeisen epäonnistumismallin selkeästi: "Huono lopputulos näyttää viimeistellyltä, mutta ei sisällä käytännön yksityiskohtia. Jos tekoäly luo uusia vaiheita, jättää prosessia koskevia olennaisia tietoja pois ja käyttää yleisiä termejä työn kuvaamiseen selittämättä, miten työ tehdään, asiakirja muuttuu lähes käyttökelvottomaksi." Vakiotoimintaohjeissa pinnallinen johdonmukaisuus ei riitä – yksityiskohtien on oltava mukana, tai asiakirja ei toimi käytännössä.
Mainostekstien kirjoittaminen ja kirjallinen työ
Claude, Gemini
Kirjoitustehtävissä – olipa kyse projektiviestinnän, sisällön tai mainostekstien luonnostelusta – ammattilaiset raportoivat selkeästä erosta. Claude ja Gemini nousevat suosituimmiksi vaihtoehdoiksi, kun taas ChatGPT jää suorissa vertailuissa jälkeen.
Jennifer Goebel, Baker Marketing Laboratoryn projektikoordinaattori, pitää Claudea parhaana kirjoitustyökaluna äänensävyn näkökulmasta: "Claude vaikuttaa viestintään parhaiten sopivalta työkalulta. Sen kanssa tarvitaan vähemmän edestakaista muokkaamista kuin ChatGPT:n kanssa, ja sen kirjoitusten äänensävy on luonnollisempi."
Yonelly Gutierrez, joka hallinnoi projektin työnkulkuja useissa työkaluissa, teki vielä ratkaisevamman muutoksen: hän lopetti ChatGPT:n ammattilaistilauksensa kokonaan huomattuaan suorituskyvyn heikentyneen. "Olen huomannut valtavan eron jopa GPT-mallien välillä. Käytin ennen ChatGPT:tä jatkuvasti, mutta nyt olen huomannut sen hallusinoivan aivan liikaa." Nyt hän käyttää kirjoittamiseen Geminiä: "Kun on kyse varsinaisesta kirjoittamisesta, pidän Geministä enemmän." Hänen toissijainen työkalunsa on Glean – ei sen kirjoituslaadun vuoksi, vaan koska se pystyy hakemaan asiaankuuluvaa sisäistä projektikontekstia.
Mallin sovittaminen tilanteeseen
Kokousten yhteenvedoissa, tilannepäivityksissä, prosessidokumentaatiossa ja työn laajuuden määrittelyssä toistuu sama teema: tekoälyn tuotokset epäonnistuvat, ei siksi että teknologia olisi väärä, vaan koska tehtävään sovellettiin vääriä odotuksia – tai väärää mallia. Tekoälystä eniten hyötyvät projektipäälliköt eivät käytä yhtä työkalua kaikkeen. He pitävät mallin valintaa tietoisena osana työnkulkuaan ja arvioivat tuotoksia selkeän standardin mukaan: miltä hyvä lopputulos todella näyttää.
Haluatko lisää tämänkaltaisia näkemyksiä? Luo ilmainen DPM-tili, niin kuulet lisää näiltä ja muilta asiantuntijoilta.
