Du trenger ikke et nytt AI-verktøy for prosjektstyring – du må fikse det du har

Galen Low: Det har gått seks måneder siden du gjorde ditt store kjøp av en AI-drevet plattform for prosjektstyring, men noen mangler har begynt å vise seg. Verktøyene for tidsanalyse er gode, men ressursplanleggingen er ikke så intelligent som lovet, eller de automatiserte statusrapportene leveres sømløst, men du er usikker på om du kan stole på de underliggende dataene, eller de proaktive risikovarslene har bidratt til å unngå noen fallgruver, men selve risikoidentifiseringen er for bred for din bransje.

Så er det på tide å kaste alt og begynne helt på nytt? Før du gjør det, bør du lytte til denne episoden. Jeg har med meg en PMO-konsulent som har testet hundrevis av AI-verktøy og bygget opp et konsulentselskap rundt å utvide og forbedre funksjonaliteten i prosjektstyringsverktøy ved hjelp av AI-assistenter, agenter og automatiserte arbeidsflyter.

Vi skal gå gjennom metoden deres for å evaluere AI-verktøy i en verden der hundrevis av verktøy lanseres hver dag. Vi skal utforske hvilke muligheter som finnes når en organisasjon innser at den kanskje har satset alt på feil prosjektstyringsprogramvare. Og vi skal gå trinn for trinn gjennom hvordan man kan utvide ethvert prosjektstyringsverktøy med en arbeidsflyt for ressursplanlegging ved hjelp av standardverktøy som NotebookLM og n8n. Håper du liker episoden.

Velkommen til podkasten The Digital Project Manager – programmet som hjelper leveranseledere med å jobbe smartere, levere smidigere og lede teamene sine med selvtillit i AI-alderen. Jeg heter Galen, og hver uke går vi inn i strategier fra virkeligheten, nye trender, velprøvde rammeverk og den sporadiske krigshistorien fra prosjektfronten. Enten du styrer enorme transformasjonsprosjekter, håndterer AI-arbeidsflyter eller bare prøver å holde kaoset under kontroll, er du på rett sted. La oss sette i gang.

Emmanuels Magaya: Takk, Galen, for at du inviterte meg til denne fantastiske podkasten. Jeg ser frem til en svært produktiv samtale i dag.

Galen Low: Det gjør jeg også.

Emmanuels Magaya: Fra mitt perspektiv tror jeg ikke nødvendigvis at vi vil nå et tak, fordi vi som mennesker har sansen for nye ting. Vi vil alltid ha det neste skinnende objektet der ute. Vi liker ting som prøver nye ting, og derfor er sosiale medier så populære i dag. Det er alltid noe nytt å se frem til, noe du ikke har sett eller hørt før.

Så jeg tror ikke vi egentlig vil nå et tak, men hver enkelt person vil sannsynligvis begynne å ha sin egen standard eller sitt eget tempo og spørre: «Hvis jeg skal gå videre fra verktøyene jeg bruker nå, hva skal jeg se etter?» Det kommer ikke bare til å handle om å prøve alt som finnes.

Det vil handle om at jeg nå har en grunnleggende forståelse av AI, hvor den hjelper meg og støtter meg i det daglige arbeidet eller privatlivet. Hvilke andre nye verktøy kan jeg legge til det jeg allerede har? Du finner organisasjoner eller enkeltpersoner som bruker AI hovedsakelig til én funksjon, men som kanskje tester nye verktøy for andre funksjoner.

Galen Low: Jeg liker den vinklingen – å ta utgangspunkt i formål og forretningskategori. Det kommer stadig nye ting, og mange verktøy hevder at de kan gjøre alt. Det kan være overveldende. Jeg liker tanken på å filtrere og snevre inn basert på hvor du trenger hjelp, enten det gjelder innholdsproduksjon eller et annet sted i prosjektstyringsprosessen, i stedet for å kaste seg over hvert eneste verktøy.

Emmanuels Magaya: Det første steget er å forstå nøyaktig hva du vil at AI skal gjøre for deg, og ta utgangspunkt i arbeidsfunksjonen. Tester du for jobb eller privat bruk? Hvis det er privat, kan du leke deg med mye av det som finnes.

Hvis det er til jobb, finnes det selvsagt grenser og sikkerhetsmekanismer vi må ta hensyn til, fordi vi har immaterielle rettigheter, personvernregler og krav knyttet til data. For en person uten teknisk bakgrunn er det første man bør gjøre å finne ut hvilke bruksområder man trenger AI til, og hva man ønsker hjelp med.

Ikke prøv å bruke AI til alt. Se på noen av de enkle, rutinemessige oppgavene du gjør hver dag, som tar tid. Finn deretter et par verktøy du kan teste. Hvis du for eksempel er innholdsprodusent og ønsker et verktøy som kan automatisere produksjon av videoer eller blogginnlegg, er det bruksområdet ditt.

Deretter kan du bruke ChatGPT, Gemini eller Claude til å finne nyere verktøy. Skriv for eksempel: «List opp de nyeste verktøyene for automatisert innholdsproduksjon.» Du kan også be om verktøy som er gratis, rimelige, lett tilgjengelige eller ikke krever innlogging eller kredittkort. Tilpass spørsmålet ditt etter behov, og kategoriser verktøyene etter hvor enkle de er å bruke.

Galen Low: Hva gjør du når du har valgt et verktøy og åpner det for første gang, kanskje mens du sammenligner to verktøy for samme oppgave?

Emmanuels Magaya: Jeg må se på kvaliteten på resultatet. Jeg anbefaler ofte at man ikke bruker bare ett verktøy for å få AI-resultater. Skriv den samme instruksen i Gemini, Claude eller et annet tilgjengelig verktøy, og sammenlign resultatene.

Se også på hvor ofte verktøyet oppdateres, hvilke modeller det kobler seg til, hvor relevant resultatet er, og hvor mye data det produserer. Husk at instruksen du gir, påvirker resultatet. Hvis du ikke er god til å skrive instrukser, får du kanskje ikke et godt resultat selv med et godt verktøy.

Du må derfor utvikle ferdigheter i å skrive instrukser. Prøv de ulike funksjonene i verktøyene. Mange verktøy har innebygde funksjoner som folk ikke bruker. Selv et verktøy du tror ikke er særlig godt, kan faktisk dekke behovet ditt.

Galen Low: Du har testet hundrevis av verktøy. Har du en tidsgrense for hvor lenge du tester hvert av dem?

Emmanuels Magaya: Først må du spørre deg hva målet er. Jeg har et strukturert rammeverk og en mal jeg bruker når jeg tester. Jeg vurderer blant annet organisasjonens størrelse, relevante funksjoner for en prosjektstyringsenhet, om miljøet er hybrid, smidig eller fossefallsbasert, og hvilken type prosjekt det gjelder.

Jeg har testet enkelte verktøy i to eller tre dager fordi de har mye å sette seg inn i. For prosjektstyringsverktøy ser jeg på de daglige funksjonene til en prosjektleder: risikostyring, kapasitetsstyring, ressursfordeling og andre grunnleggende oppgaver. Hvis verktøyet ikke klarer minimumskravene, får det lav score i vurderingsoversikten min.

Jeg har ingen fast tidsramme, men jeg tester normalt ikke et verktøy i mer enn to dager.

Galen Low: Det gir mening. Det finnes mange verktøy, men de krever ikke like lang tid å teste. Jeg liker rammeverket ditt, som tar hensyn til organisasjonsstørrelse, bransje og arbeidsmetodikk. Mange organisasjoner velger prosjektstyringsprogramvare basert på AI-funksjonene, men oppdager senere at verktøyet ikke passer fullt ut til bruksområdene eller arbeidsmåtene deres. Hva bør de gjøre da?

Emmanuels Magaya: Ta et skritt tilbake og forstå først hva du forventet av verktøyet. Gjør en avviksanalyse mellom forventningene dine og det verktøyet faktisk leverer. Hvis avvikene er alvorlige, bør du stanse utrullingen og vurdere om leverandøren kan legge til funksjonene du trenger.

Du må også undersøke hvor mye data som er lagt inn i verktøyet, og hva det har lært om arbeidsmåten, systemene og organisasjonskulturen. Det kan være vanskelig å flytte denne læringen til et annet verktøy. Derfor bør du teste verktøy grundig før du inngår lange abonnementer. Velg gjerne en prøveperiode på én eller tre måneder i stedet for en avtale på tolv eller trettiseks måneder.

Vurder også alternativene. Kanskje ett verktøy kan håndtere kjernearbeidet, mens andre verktøy supplerer det. Med AI-agenter kan du ta inn eller fjerne bestemte funksjoner etter behov, for eksempel risikoforutsigelse, kapasitetsplanlegging, planlegging eller kalenderstyring.

Galen Low: Det høres ut som AI-agenter kan supplere funksjonene i et større prosjektstyringsverktøy. Hvordan får man agentene til å fungere sammen med systemet man allerede har valgt?

Emmanuels Magaya: Først må du finne ut om verktøyet støtter AI. Mange bruker verktøy som Monday.com, Asana eller Jira, som arbeider aktivt med AI-integrasjon. Andre organisasjoner bruker Microsoft-produkter. Da kan man starte med Copilot, Microsoft Teams og Microsoft Office.

Begynn i det små. En agent kan for eksempel hente ut møtereferatet, lage handlingspunkter og sende en e-post. Dette gjør teamet gradvis vant til at AI er en del av arbeidsgruppen. Når du teller teamet, bør AI-agentene også regnes med. I et AI-utvidet RACI-diagram kan man vise hvilke oppgaver AI er ansvarlig for, hvem som er ansvarlig, hvem som skal konsulteres og hvem som skal informeres.

Verktøy som Zapier, Make.com og n8n kan automatisere arbeidsflyter. Du kan beholde det eksisterende verktøyet, men sørge for at noen med kompetanse på automatisering bygger og vedlikeholder arbeidsflytene.

Galen Low: Så hvis verktøyet ikke gjør noe slik vi forventet, kan vi automatisere en arbeidsflyt eller integrere agenter. Vi trenger ikke bygge alt på én gang. Vi kan behandle agentene som medlemmer av teamet og bruke dem til å fylle konkrete hull i funksjonaliteten.

Emmanuels Magaya: Et praktisk eksempel er kapasitetsplanlegging for en prosjektstyringsenhet med femten ressurser på ulike geografiske steder. Lederen trenger oversikt over belastningen til hver person, hvilke oppgaver de har, og om de kan få mer arbeid.

Jeg brukte NotebookLM til å lage en visuell arbeidsflyt for dette. Vi kalte den integrert ressurskapasitetsautomatisering på tvers av flere systemer. Arbeidsflyten omfatter prosjektressurser, systemintegrasjon, arbeidsflytautomatisering og kapasitetsplanlegging.

Prosjektressursene består av teammedlemmene og kapasiteten deres. Tildelingen må ta hensyn til ferdigheter og spesialisering. Systemintegrasjonen kan koble sammen ServiceNow, Jira, Microsoft Office og Teams. Data fra forespørsler, billetter, timelister og prosjektomfang samles inn og behandles.

Deretter kan systemet beregne kapasitet, balansere arbeidsbelastningen, sende automatiserte rapporter og varsle når en ressurs ligger bak, når et prosjekt tar lengre tid enn planlagt, eller når en person har ledig kapasitet. På denne måten kan prosjektstyringsenheten forutse risiko og fordele arbeid mer effektivt.

Galen Low: Vi har altså brukt NotebookLM til å lage en arkitektur for et bruksområde innen ressursplanlegging. Deretter kan arbeidsflyten bygges i n8n ved å hente inn prosjektlogger, statusrapporter, timelister, styringsrammeverk, maler og retningslinjer.

Emmanuels Magaya: Nettopp. Først må verktøyet få tilstrekkelig informasjon om miljøet. Deretter kan n8n hente data, synkronisere dem med NotebookLM, behandle prosjektomfang og timelister og produsere varsler eller rapporter. Det viktigste er å vite hva arbeidsflyten skal gjøre før du begynner å bygge den.

Tenk på en arbeidsflyt som en husplan. Du bør ikke begynne å bygge huset før planen er klar. Lag først et tankekart i NotebookLM, og bygg deretter arbeidsflyten i n8n, Make eller Zapier.

Galen Low: Det interessante er at AI ikke bare reagerer på strukturerte data. Den kan også tolke naturlig språk i e-poster, chatter og møtereferater. Hvis noen skriver at en leveranse kan bli forsinket, kan det utløse en risikovarsling selv om informasjonen ikke er registrert i et strukturert felt.

Emmanuels Magaya: Det er nettopp dette som gjør prediktiv AI i prosjektstyring så nyttig. Tradisjonelle PMO-er håndterte ofte risiko reaktivt. AI kan analysere samtaler, e-poster, statuslogger og annen informasjon og varsle om hva som kan skje fremover.

Galen Low: Til slutt: Hva er din optimistiske spådom for hva AI vil gjøre for fremvoksende økonomier de neste tre til fem årene?

Emmanuels Magaya: Det er stor interesse og betydelige investeringer, men mange organisasjoner kjøper verktøy for raskt. Før man velger verktøy, må man forstå prosessene. Hvis prosessene allerede er ødelagte, kan AI bare gjøre dem mer effektivt ødelagte.

Organisasjoner bør lage en AI-strategi og et AI-RACI-diagram før de velger verktøy. Finn ut hvor AI skal støtte økonomi, logistikk, personalarbeid og prosjektstyring. Når du går ut i markedet, bør du lete etter et verktøy som løser bestemte funksjoner, ikke bare kjøpe det konkurrenten bruker.

AI-kompetanse er avgjørende. Kartlegg teamets ferdigheter, gjør en avviksanalyse og sørg for at alle forstår forskjellen mellom generell AI-kompetanse og AI-kompetanse knyttet til den enkelte jobben. Etabler et trygt datamiljø med klare sikkerhetsmekanismer, styring, etikk og tiltak mot skjevheter.

AI-kompetanse gjelder ikke bare kontoransatte. Alle i organisasjonen må lære å bruke AI i tråd med arbeidsfunksjonen sin. Før du velger et verktøy, bør du beskrive hva du forventer at AI skal gjøre, og se for deg hvordan organisasjonen skal fungere tolv måneder frem i tid.

Galen Low: Hovedpoenget mitt er at særlig organisasjoner i fremvoksende markeder kanskje føler at de må handle raskt. Men den beste måten å lykkes på er å bremse ned, bygge kompetanse, lage en visjon for hva AI skal gjøre for virksomheten og teamene, etablere tydelige rammer og deretter sette i gang.

Emmanuels Magaya: Jeg er svært aktiv på LinkedIn. Søk etter Emmanuels Magaya. Du finner meg også gjennom Project Managers Africa på www.projectmanagers.africa eller www.projectmanagers.co.za. Vi holder til i Sør-Afrika, men betjener det afrikanske markedet og kunder globalt. Vi er også til stede i Midtøsten, i Dubai.

Galen Low: Jeg legger inn lenkene i shownotatene til denne episoden. Takk igjen, Emmanuels.

Emmanuels Magaya: Takk, Galen. Det var en glede.

Galen Low: Det var alt for dagens episode av The Digital Project Manager Podcast. Hvis du likte samtalen, bør du abonnere der du lytter. Hvis du ønsker enda flere praktiske innsikter, casestudier og arbeidsbøker, kan du opprette en gratis konto hos thedigitalprojectmanager.com.

Til neste gang – takk for at du lyttet.