Tekoälytyökalujen ylikuormitus? Opas vaihtoehtojen hallintaan
Työkalujen ylikuormitus: Uusien tekoälytyökalujen päivittäiset julkaisut kuormittavat projektipäälliköitä ja vaikeuttavat harkittuja hankintapäätöksiä.
Käyttötapaukset ensin: Aseta tekoälyn konkreettisten tarpeiden ymmärtäminen etusijalle ennen työkalujen käyttöönottoa tehottomien ratkaisujen välttämiseksi.
Testaa vertailemalla: Arvioi tekoälytyökaluja vertaamalla eri alustojen tuloksia sen sijaan, että tarkastelisit niitä erikseen.
Laajenna, älä korvaa: Harkitse nykyisten työkalujen tehostamista tekoälyagenteilla sen sijaan, että vaihtaisit alustoja hätiköidysti.
Strateginen käyttöönotto: Keskity sovittamaan tekoälytyökalujen käyttöönotto organisaation pitkän aikavälin strategioihin ja prosessien kehittämiseen.
Joka päivä julkaistaan nykyään jossain 500–1 000 uutta tekoälytyökalua. Projektipäälliköille ja PMO-johtajille tämä luku ei ole innostava – se on uuvuttava. Joka viikko markkinoille tulee uusi alusta, joka lupaa automatisoida tilanneraporttisi, ennustaa riskisi ja optimoida resurssien kohdentamisen. Ja joka viikko organisaatiot tekevät viisi- ja kuusinumeroisia hankintapäätöksiä esittelyvideoiden ja myyntiesitysten perusteella.
Project Managers African perustaja Emmanuels Magaya on testannut yli 100:aa tekoälytyökalua ja rakentanut konsultointiyrityksen, joka auttaa organisaatioita tekemään älykkäämpiä päätöksiä käyttöönottamistaan työkaluista.
Äskettäin hän liittyi DPM-podcastin juontajan Galen Low'n seuraan jakaakseen näkökulman, joka poikkeaa nykyisestä hype-syklistä: hidasta, täsmennä ja lopeta työkalun antamasta ohjata strategiaa.
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
Tässä on täsmällinen viitekehys, jonka hän esitteli ohjelmassa auttaakseen sinua toimimaan samoin.
Aloita käyttötapauksista, älä työkaluista
Yleisin organisaatioiden tekemä virhe ei ole väärän työkalun valitseminen – vaan työkalun valitseminen ennen kuin ne tietävät, mitä niiden tarvitsee työkalulla tehdä. Magaya ilmaisee asian suoraan. ”Ensimmäinen askel on ymmärtää, mitä tarkalleen haluat tekoälyn tekevän puolestasi”, hän sanoo. ”Älä yritä käyttää tekoälyä kaikkeen. Tarkastele joitakin yksinkertaisia asioita, joita teet päivittäin ja jotka ovat rutiininomaisia, vaativat ajatustyötä ja vievät aikaasi.”
Älä yritä käyttää tekoälyä kaikkeen. Tarkastele joitakin yksinkertaisia asioita, joita teet päivittäin ja jotka ovat rutiininomaisia.
Se kuulostaa yksinkertaiselta, mutta useimmat tiimit ohittavat tämän vaiheen. Ne näkevät kilpailijan käyttävän uutta alustaa tai jonkun johtoryhmästä lukevan artikkelin, ja yhtäkkiä syntyy paine ottaa jotain nopeasti käyttöön. Ongelma on siinä, että kiire ilman selkeyttä johtaa juuri siihen tilanteeseen, jonka korjaamiseen Magaya käyttää suurimman osan konsultointityöstään.
Hänen toinen varoituksensa on yhtä tärkeä: älä oleta prosessiesi olevan valmiita tekoälyä varten vain siksi, että työkalu on sitä. ”Älä kiirehdi työkalun pariin”, hän sanoo. ”Kysy ensin: tukeeko prosessini tekoälyä? Olemme havainneet, että ympärillä on rikkinäisiä prosesseja, joissa tekoälyn lisääminen vain auttaa niitä muuttumaan entistä rikkinäisemmiksi.” Jos resurssisuunnittelusi on epäjohdonmukaista tai projektitietosi ovat sekavia, tekoälykerros ei siivoa niitä – se vain saa sotkun etenemään nopeammin.
Tekoälytyökalujen arviointi ja vertailu
Kun olet määritellyt tekoälyn käyttötapauksesi, seuraava vaihe on testaaminen – ja Magayalla on siihen erityinen menetelmä. Suurin virhe, jonka ihmiset tekevät työkaluja arvioidessaan, on niiden testaaminen erillään ja yhden työkalun vertaaminen abstraktiin standardiin suoran kilpailijan sijaan.
Hänen ratkaisunsa on suoraviivainen: ”Älä koskaan käytä vain yhtä työkalua tekoälytulosten hankkimiseen. Kokeile kirjoittaa sama kehote Geminiin, Claudeen tai mihin tahansa käytettävissäsi olevaan työkaluun ja vertaile sitten tuloksia.” Samojen kehotteiden käyttäminen useissa työkaluissa ja tekoälymalleissa tuo esiin erot laadussa, syvyydessä ja merkityksellisyydessä juuri sinun käyttötapauksesi kannalta.
Tämä artikkeli on muokattu DPM-podcastin jaksosta nimeltä Et tarvitse uutta tekoälytyökalua projektinhallintaan – sinun on korjattava nykyinen työkalusi. Katso lisää DPM-podcasteja täältä.
Tuotoksesi laatu on kuitenkin vain yhtä hyvä kuin syötteesi laatu. ”Jos et osaa laatia hyviä kehotteita, et välttämättä saa hyvää tulosta edes oikealla työkalulla”, Magaya sanoo. ”Siksi sinun on kehitettävä kehotteiden laatimisen taitoa.” Tämä on muuttuja, jonka useimmat arviointikehykset jättävät kokonaan huomiotta – tiimit testaavat työkalua, saavat keskinkertaisen tuloksen ja hylkäävät sen, vaikka todellinen ongelma on kehotteessa.
Hän varoittaa myös arvioimasta työkalua ensivaikutelman perusteella. ”Kokeile työkalujasi ja testaa erilaisia ominaisuuksia. Huomaat, että jopa työkalu, jota alun perin pidit huonona, saattaa itse asiassa palvella yhtä tarkoitusta todella hyvin.”
Useimmissa alustoissa on sisäänrakennettuja ominaisuuksia, joita käyttäjät eivät koskaan löydä, koska he siirtyvät suoraan pääkäyttöliittymään eivätkä tutki sitä pidemmälle.
Mitä tehdä, kun tekoälytyökalusi ei sovi tarpeisiisi
Perusteellisesta arviointiprosessista huolimatta organisaatiot huomaavat joskus kuuden kuukauden kuluttua käyttöönotosta, ettei työkalu tuota luvattuja tuloksia. Kun näin käy, Magaya suosittelee järjestelmällistä selvitystä ennen kuin seuraavista vaiheista päätetään.
"Ymmärrä ensin, mitä odotit työkalulta", hän sanoo. "Tee sitten se, mitä kutsumme kuiluanalyysiksi. Tee kuiluanalyysi odotuksista – siitä, mitä odotan työkalun tekevän verrattuna siihen, mitä työkalu todellisuudessa tuottaa." Kuiluanalyysi ratkaisee kaiken: onko ongelma korjattavissa, kannattaako työkalun käyttöä jatkaa ja mitä vaihtaminen todella maksaisi.
Ja kustannukset voivat olla merkittävät. "Väärän valinnan vaikutukset voivat olla valtavat. Se voi maksaa jopa miljoonia, mikä näkyy asiakastyytyväisyydessä, asiakastoimituksissa, tuotteen laadussa ja niin edelleen", Magaya sanoo. Huonon sopimuksen taloudellinen vaikutus on ilmeinen, mutta toimitusten laatuun ja tiimien työmotivaatioon kohdistuvat seuraukset ovat usein niitä, jotka todella satuttavat.
Väärän valinnan vaikutukset voivat olla valtavat – ne näkyvät asiakastyytyväisyydessä, asiakastoimituksissa, tuotteen laadussa ja niin edelleen.
Yksi helposti aliarvioitu tekijä, jonka Magaya nostaa tärkeimmäksi huomioon otettavaksi asiaksi kitkakohtien tunnistamisen jälkeen, on projektidata. "Kuinka paljon dataa olimme syöttäneet tähän työkaluun? Tämä on luultavasti tärkein asia kitkakohdan jälkeen", hän sanoo.
"Et ehkä edes pysty palauttamaan sitä." Toisin kuin taulukkolaskentatiedoston, jonka voi viedä ja tuoda toiseen paikkaan, tekoälytyökalun tiimisi toiminnasta, projektihistoriastasi ja organisaatiosi toimintamalleista oppima tieto ei ole siirrettävissä. Mitä pidemmälle työkalun kanssa on edetty, sitä korkeammiksi suunnan muuttamisen kustannukset kasvavat.
Näin täydennät olemassa olevaa työkalua tekoälyagenteilla
Tässä useimmat tekoälytyökaluja koskevat keskustelut juuttuvat paikoilleen: valinta esitetään työkalun käytön jatkamisen ja siitä luopumisen välisenä kysymyksenä. Magaya tarjoaa kolmannen vaihtoehdon, jota useampien organisaatioiden pitäisi harkita – täydentämisen. Sen sijaan että korvaisit puutteita sisältävän työkalun, rakennat puutteita täydentäviä agentteja ja automatisoituja työnkulkuja pitäen samalla nykyisen alustasi ennallaan.
Ajattele agentteja modulaarisina, älä monoliittisina
Agenttipohjaisen tekoälyn modulaarinen luonne tekee tästä käytännöllisempää kuin miltä se kuulostaa. "Agenttipohjaisessa tekoälyssä hienoa on se, että voit poistaa agentit, joita et tarvitse tai jotka eivät toimi hyvin, ja ottaa uusia käyttöön", Magaya selittää. "Jos siis perustat agenttipohjaisen PMO:n, sinulla on agentti, joka ennustaa riskejä. Sinulla on tekoälyagentti, joka hoitaa kapasiteetin suunnittelun. Sinulla on agentti, joka huolehtii vain aikataulutuksesta tai kalenterinhallinnasta." Kukin agentti hoitaa erillistä toimintoa, joten voit lisätä tai poistaa ominaisuuksia uudistamatta koko työkalukokonaisuuttasi, ja voit varmistaa, että jokainen agentti on optimoitu juuri kyseiseen tehtävään.
Agenttipohjaisessa tekoälyssä hienoa on se, että voit poistaa agentit, joita et tarvitse tai jotka eivät toimi hyvin, ja ottaa uusia käyttöön
Aloita pienesti nykyisen työkalusi sisällä
Aloittamisen ei tarvitse olla monimutkaista. "Jos sinulla on jo käytössäsi työkalu, ensimmäinen kysymys on, tukeeko se tekoälyä?" Magaya sanoo. "Jos olet käyttänyt valtavirran työkaluja, kuten Monday.comia, Asanaa tai Jiraa, ne yleensä pysyvät hyvin ajan tasalla tekoälyn käyttöönoton osalta. Voit aloittaa siitä. Aloitat siis pienesti. Ehkä kyseessä on vain tekoälyagentti, joka tarkistaa kokousten muistiinpanot – poimitaan kokouksen litterointi, luodaan toimenpiteet ja lähetetään sitten sähköposti." Tämä on vähäriskinen ja arvokas lähtökohta, joka ei edellytä koko arkkitehtuurin uudistamista.
Suunnittele ennen rakentamista
Tiimeille, joiden on mentävä pidemmälle – yhdistettävä n8n:n, Maken tai Zapierin kaltaisia työkaluja kehittyneempien työnkulkujen rakentamiseksi – Magaya korostaa, että teknologia on helppo osa. Vaikeaa on tietää, mitä haluat rakentaa, ennen kuin aloitat rakentamisen. "Et voi alkaa rakentaa taloa ilman suunnitelmaa, ja juuri siinä monet tekevät virheitä tekoälyn kanssa", hän sanoo.
"Kun ihmiset kuulevat n8n:stä, Makesta tai Zapierista, he ryhtyvät heti rakentamaan työnkulkuja. Mutta mistä työnkulussasi oikeastaan on kyse? Luo ensin miellekartta esimerkiksi NotebookLLM:n kaltaisilla työkaluilla." Suunnitteluvaihe ei ole valinnainen — se ratkaisee, ratkaiseeko rakentamasi työnkulku todella ongelman ja ymmärtääkö se tiedonkulun vai lisääkö se vain monimutkaisuutta.
Et voi aloittaa talon rakentamista ilman suunnitelmaa, ja juuri siinä monet ihmiset tekevät virheitä tekoälyn kanssa.
Kun arkkitehtuuri on selkeä, toteutuksesta tulee huomattavasti helpommin hallittava. "Voit pitää työkalusi, mutta varmista vain, että työnkulut luo joku, joka ymmärtää automaatioprosesseja. Näin ne integroidaan asianmukaisesti."
Kohtele tekoälyagentteja tiimisi jäseninä
Laajentaminen ei ole pelkästään tekninen päätös — se edellyttää muutosta siinä, miten ajattelet tiimisi kokoonpanoa. Magayan mukaan PMO-johtajien on alettava laskea agentit mukaan henkilövahvuuteen. "Tässä on myös muutosjohtamisen näkökulma", hän sanoo.
"Tiimin on sopeuduttava siihen, että tekoäly on osa tiimiä. Jatkossa PMO:na, kun lasket henkilövahvuuttanne, sanotaan vaikka, että tiimissäsi on 50 henkilöä — nyt sinun on laskettava tekoälyagentit osaksi tiimiä. Jos sinulla on esimerkiksi 10 tekoälyagenttia, tiimisi koko on todellisuudessa 60, koska käytössämme on niin kutsuttu tekoälyn RACI-kaavio, jossa määritellään — kuka on vastuussa, kuka vastaa kokonaisuudesta, ketä konsultoidaan ja kenelle tiedotetaan — osio, jossa tekoäly suorittaa tiettyjä tehtäviä."
Jatkossa PMO:na, kun lasket henkilövahvuuttanne, sinun on laskettava tekoälyagentit osaksi tiimiä.
Tällä tavalla jäsentäminen on tärkeää, koska se pakottaa selkeyteen. Kun agentilla on RACI-kaaviossa määritelty rooli, tiimi tietää tarkalleen, mistä agentti vastaa, millaista valvontaa tarvitaan ja missä ihmisen osallistuminen alkaa. Samoin on helpompi tunnistaa, missä työnkulun osissa agentit suoriutuvat heikosti.
Reaktiivisesta ennakoivaksi
Agenttien kohteleminen tiimin jäseninä avaa mahdollisuuden, jota Magaya pitää yhtenä tekoälyn projektinhallinnan alihyödynnetyimmistä eduista. "Kun sinulla on tekoälyä hyödyntävä PMO, jossa tekoälyagentit ja avustajat työskentelevät yhtenäisesti, agentit voivat itse asiassa ilmoittaa sinulle riskeistä sähköpostin ja Microsoft Teamsin kaltaisiin paikkoihin kerättyjen tietojen perusteella", hän sanoo.
Se on perustavanlaatuisesti erilainen toimintamalli kuin mihin useimmat PMO:t ovat tottuneet. "Aiemmin perinteiset PMO:t hallitsivat riskejä reaktiivisesti — ai, jotain on tapahtumassa, selvä, korjataan se", Magaya sanoo. "Tekoälyn avulla tekoäly voi kuitenkin kertoa sinulle pelkän datan perusteella, mitä saattaa tapahtua 12 kuukauden kuluttua." Tätä hyvin toteuttavat tiimit eivät käytä tekoälyä vain hallinnollisiin tehtäviin kuluvan ajan säästämiseen. Ne käyttävät sitä nähdäkseen pidemmälle kuin aiemmin oli mahdollista.
Tekoäly voi kertoa sinulle pelkän datan perusteella, mitä saattaa tapahtua 12 kuukauden kuluttua.
Anna strategian ohjata, älä työkalujen
Tekoälystä eniten hyötyvät organisaatiot eivät ole niitä, jotka ottavat käyttöön eniten työkaluja — vaan niitä, jotka harkitsevat tarkimmin, miten ja miksi ne ottavat niitä käyttöön. Harkinta alkaa jo ennen kuin yhtäkään työkalua ostetaan, ja se perustuu selkeään kuvaan siitä, miltä prosessisi näyttävät ja mihin organisaatiosi on menossa.
Kuten Magaya asian ilmaisee: "Kuvittele, että käytät tekoälyä tehokkaasti 12 kuukauden kuluttua. Millaiselta organisaatiosi näyttäisi? Miltä asiakkaistasi tuntuisi? Näin sinun tulee tarkastella asiaa." Aloita siitä, etene siitä taaksepäin ja anna työkalujen seurata strategiaa — ei päinvastoin.
Haluatko lisää tämänkaltaisia näkemyksiä? Rekisteröidy maksuttomalle DPM-tilille kuullaksesi lisää tämänkaltaisilta asiantuntijoilta.
