Prosjektstyringsbeslutningene AI-agenter kan – og ikke kan – ta

Galen Low: Med agentbasert kunstig intelligens på plass har AI-teknologien gått fra å være et verktøy til å bli en lagkamerat. Greit nok, men det er ikke her de mest kompliserte delene ligger. Det kompliserte er at AI-agenter ofte er lagkamerater som er bedre trent enn du er, som arbeider annerledes enn deg, og som kanskje måles på helt andre måter enn du og dine menneskelige lagkamerater.

De kom sannsynligvis ikke med noen håndbok, de er sannsynligvis konfigurert til å ta beslutninger du helst ville tatt selv, og de var sannsynligvis ikke til stede da teamet ditt etablerte samarbeidsavtalene sine. I praksis er det som å få dusinvis av nye teammedlemmer fra en helt annen organisasjon dumpet på deg over natten – noe du vet kan bli virkelig, virkelig rotete hvis du har vært gjennom en fusjon eller et oppkjøp.

Men dette er kanskje en utfordring det er mulig å overvinne, og de potensielle fordelene er absolutt reelle. Derfor ville jeg gjøre noe litt annerledes i denne episoden. Jeg ville dele en samtale fra et av våre direktesendte arrangementer, arrangert av Tim Fisher og teamet hos Wrike, om hvordan AI-agenter faktisk gjør en forskjell i prosjektbasert arbeid, og hva som må være på plass for at innføringen av agentbaserte løsninger skal lykkes.

I samtalen snakker de om hvordan mer data ikke nødvendigvis er bedre, hvilke beslutninger som bør tas av mennesker kontra en agent, og hvordan opplæring – ikke bare tilgang – er avgjørende for å lykkes med å innføre agentdrevet arbeid i hele organisasjonen. Før vi går i gang, vil jeg først gi litt bakgrunn.

Tim var altså ikke bare vert for dette arrangementet. Han bygger faktisk opp en agentbasert arbeidsstyrke i morselskapet til The Digital Project Manager, Black and White Zebra. Med andre ord lever han selv midt i denne agentbaserte transformasjonen og alle utfordringene som følger med den. En av tingene han og jeg nylig snakket om, var ideen om å begynne helt på nytt, avlære måtene vi alltid har gjort ting på, og begynne å utvikle agentbaserte prosesser fra grunnen av – uten all bagasjen.

For mennesker er dette vanskelig. Identiteten vår er ofte knyttet til stillingstitlene og ansvarsområdene våre. Vi blir ikke ofte bedt om å tenke på oss selv utenfor denne rammen, og når vi gjør det, blir lerretet ofte for tomt til at vi klarer å forene ønskene våre med det arbeidsgiverne våre ønsker å se fra oss. Det føles som gjetting – gjetting som kan føles som om det kan koste oss og teamene våre jobbene våre.

Men opplæringsdelen kan heller ikke overvurderes. Ja, vi forventes nå alle å være byggere og spille rollen som mennesket i loopen, men hva betyr det egentlig, og hvordan kan vi hjelpe folkene våre dit i stedet for bare å dumpe verktøy på dem og forvente at de løfter seg selv? Til syvende og sist ser det store skiftet ut til å handle om ansvarlighet, risiko og organisatorisk kontekst.

I en agentbasert verden leder alle nå autonome aktører som samarbeider med hverandre, noen ganger i en svart boks. Hva vi stoler på at disse aktørene skal gjøre, kontra hva vi beholder som menneskelig ansvar, må rammes inn av risikonivå, empati mellom mennesker og konsekvensene av hva det virkelig betyr å eie et prosjekt eller en arbeidsstrøm.

Ikke bare teknologiens muligheter. La oss derfor sette dette inn i en prosjektrelatert situasjon. Tenk deg at du har en AI-agent som hjelper deg med bemanningen av et prosjekt. Den vet hvem som er tilgjengelig, hvilke ferdigheter de har, hva alle arbeider med, og kanskje til og med hvilke kombinasjoner av mennesker som historisk har levert prosjekter mest vellykket.

Den kan potensielt sette sammen en ressursplan på sekunder, noe som ellers ville tatt deg flere timer. Fantastisk. Men hva om ressursplanen innebærer å hente Lucia, den beste utvikleren din, bort fra et annet prosjekt som står i fare for å bli forsinket fordi Amireth, hoveddesigneren, nettopp har mistet bestemoren sin og forsøker å bearbeide sorgen mens vedkommende arbeider med 80 % av sin vanlige produktivitet for fortsatt å kunne spare til datterens tannregulering?

Den agentbaserte arbeidsstyrken din kan ha all informasjonen den trenger for å komme med en anbefaling, men betyr det at en agent bør ta beslutningen? For nå snakker vi ikke bare om å optimalisere et regneark. Vi snakker om kunderelasjoner, forretningsprioriteringer, leveranseforpliktelser og, viktigst av alt, innvirkningen på faktiske mennesker.

Og jeg tror det er her neste kapittel for AI og prosjektstyring blir fascinerende. Det handler ikke bare om å finne ut hva AI kan gjøre, men om å finne ut hvilke ansvarsområder vi bør delegere til AI, hvilke beslutninger som må bli hos mennesker, og hvilken form for tilsyn vi trenger når AI-lagkameratene våre arbeider i bakgrunnen.

Det er et komplekst puslespill som må løses for å finne riktig balanse. Og kanskje aller viktigst: Det er ikke en løsning som bare kan kobles til og brukes. Dette er et område der vi må ha samtaler om dømmekraft og skjønn, der vi må lære opp og utvikle menneskene våre slik at de lykkes når ting endrer seg, og der vi må gi oss selv tillatelse og trygghet til å kaste noe av bagasjen og forme rollene våre rundt det vi gjør best.

Og det var nettopp dette Tim utforsket i samtalen med teamet hos Wrike. Så uten mer om og men: Her er samtalen min høyt respekterte AI-guru Tim Fisher hadde med Nancy og Andras fra Wrike om konsekvensene av agentbasert AI i prosjektstyring i dag. Håper du liker episoden.

Tim Fisher: Hei, og velkommen til Fremtidens AI i prosjektstyring, der vi går lenger enn presentasjonen og ser på hvordan AI faktisk endrer måten team planlegger, leverer og gjennomfører arbeid på. I dag presenterer vi Wrike. Vi skal se på hvordan AI kan hjelpe prosjektledere med å ta bedre beslutninger tidligere – fra å finne ut hvordan et prosjekt skal bemannes, til å identifisere leveranserisiko før den utvikler seg til mye større problemer. Deretter skal vi se fremover på hva som skjer når AI begynner å ta en mer aktiv rolle i hvordan arbeidet leveres.

Med oss i dag har vi Andras Horvath, produktdirektør for AI og analyse hos Wrike. Andras har mer enn 15 års erfaring med å bygge B2B-produkter med fokus på data, analyse og AI. Vi har også med oss Nancy Boas, senior PMM for AI hos Wrike.

Nancy leder strategi og budskap for markedsintroduksjon av W rikes AI-drevne løsninger for arbeidsstyring, med fokus på hvordan AI endrer måten team arbeider på.

Andras, Nancy, velkommen. Takk for at dere ville komme.

Nancy Boas: Tusen takk. Vi er glade for å være her i dag.

Andras Horvath: Veldig hyggelig å være her, Tim. Tusen takk for den fine introduksjonen.

Tim Fisher: For de som ikke kjenner Wrike, kan dere gi oss en 30-sekunders kortversjon? Hva gjør plattformen deres? Hvem er den laget for?

Andras Horvath: Når det gjelder selve plattformen, er Wrike et sted der folk kan planlegge, følge opp og levere arbeidet sitt, og vi har bygget inn AI for å styrke team og enkeltpersoner slik at alt rutinearbeidet tas bort fra arbeidslisten deres.

De siste seks til ni månedene har vi imidlertid også hatt stort fokus på selve leveransesiden av arbeidet, fordi AI kan brukes til å styrke enkeltpersoner eller hjelpe folk med å levere arbeid raskere gjennom ting som innholdsgenerering og oppsummering. Du kan også bruke AI til å automatisere deler av arbeidet, og det er dette vi har fokusert på i det siste.

Tim Fisher: Det er veldig kult. Det virker litt annerledes enn noen av de andre produktene på området. Filosofien deres er altså at AI også skal hjelpe til med å levere arbeid, og ikke bare hjelpe med personalstyring, som jeg tror er det vi oftest ser. Hva betyr det i praksis?

Andras Horvath: Det betyr faktisk at AI kan fungere som en lagkamerat som hjelper deg med å få arbeidet gjort – ikke bare som et sted der du kan øke din egen effektivitet, eller en plattform for arbeidsstyring der du bare koordinerer arbeidet.

Du kan sette opp en AI-lagkamerat, som vi hos Wrike liker å kalle en arbeidskamerat, som faktisk har sin egen kapasitet og hjelper deg med å levere arbeid. Et eksempel er at AI kan hjelpe deg med å utarbeide arbeidsbeskrivelser basert på tidligere arbeid du har gjort, og tilpasse dem etter kundespesifikke forhold som finnes i CRM-systemet, for eksempel Salesforce.

Eller du kan la AI automatisk ta seg av publisering i sosiale medier når en ny funksjon er lansert. Du sitter med teamet ditt, bygger noe og leverer funksjonen, og deretter overlater du det til, la oss si, arbeidskameraten for sosiale medier. Den tar all prosjektinformasjonen og hjelper deg med å lage riktig innlegg til bloggen og LinkedIn.

Den lager bildene og alt annet, merker deg i innlegget, og når du godkjenner det, blir arbeidet gjort. Å gjøre det samme manuelt kan ta en halvtime, en time eller enda mer. AI blir altså faktisk lagkameraten din nå for tiden.

Tim Fisher: Prosjektledere har tilgang til mer data enn noen gang før, helt klart. Men beslutninger om ting som ressursbehov og prosjektrisiko avhenger fortsatt av manuelle oppdateringer og regneark – eller, dessverre, informasjon som kommer etter at noe allerede har gått galt.

Hvor ser du det største gapet i dag mellom informasjonen prosjektledere har, og beslutningene de faktisk må ta?

Andras Horvath: La oss begynne med det grunnleggende, eller fundamentet. Det er noe vi arbeider med i forbindelse med våre nye implementeringer, og det handler om at data er spredt over hele miljøet og økosystemet.

Du har filer på SharePoint, meldinger i Teams eller Slack, møteopptak eller selve møtene. Alt er spredt. Alt finnes overalt. Wrike gir deg et sted der du faktisk kan samle denne informasjonen, noe som gir deg den nødvendige konteksten til å ta beslutninger.

Men det å ha data eller kontekst betyr ikke at du har den riktige innsikten til å kunne ta de riktige beslutningene. Det er her AI kan hjelpe, ved å gjøre rådata om til innsikt. Hvis et prosjekt har blitt forsinket fem ganger på trinn B, betyr det sannsynligvis at det neste prosjektet også blir forsinket.

Dette kalles prediktiv analyse, og det er noe som kan synliggjøres. Hvis vi også snakker om ressursallokering, har mange mennesker dette i hodet: «Jeg vet at Tim kan gjøre dette, og Nancy kan gjøre det, men hva med tilgjengeligheten deres? La meg sjekke med dem på Teams eller Slack», og så videre.

Hvis noen har brukt et system som Wrike konsekvent, vet vi hvilket arbeid de har gjort, vi kjenner arbeidsbelastningen og tilgjengeligheten deres, og alt det der. Når det gjelder enkle – eller ikke så enkle – ting som ressursallokering, kan AI bruke et par sekunder på å starte et prosjekt med så mange som 137 oppgaver, fordi vi enten kan fylle inn ferdighetene folk har, eller hente dem inn automatisk.

Vi kan finne ut av arbeidsbelastningen og så videre. Vil du at prosjektet skal leveres så raskt som mulig? Her er ressursallokeringen. Er du en organisasjon som leverer tjenester, og vil du at prosjektet skal leveres på en måte som maksimerer lønnsomheten, ved å bruke de rimeligste ressursene du har?

Det kan vi også gjøre. Det finnes altså svært mange alternativer å ta hensyn til, og så lenge du har dataene og intelligensen, kan du få den nødvendige innsikten til å lage riktige anbefalinger. Og igjen: En lang øvelse på et par sekunder.

Tim Fisher: Det er virkelig imponerende. Du snakker tydelig om at AI er mye mer proaktiv, i hvert fall i produktet deres.

Så jeg stiller spørsmålet jeg tror alle stiller på dette tidspunktet: Hvor bør AI ta en beslutning eller komme med en anbefaling? Hvor må menneskelig dømmekraft fortsatt ta over? Hvordan tenker dere rundt dette?

Andras Horvath: Det er et veldig godt spørsmål, Tim. For å være helt ærlig får vi dette spørsmålet ofte fra mange av kundene vi arbeider med.

Mitt syn er ganske enkelt. Hvis det finnes en velkjent prosess du ønsker å automatisere, bør du absolutt bruke AI. Hvis du snakker om unntakstilfeller, er det kanskje ikke det beste stedet å bruke AI. Du kan bruke AI til å styrke tenkningen din og korte ned tiden til markedet, eller oppnå det du forsøker å oppnå, men jeg ville ikke nødvendigvis delegert noe ukjent til en agent og bedt den finne ut av det, med mindre du gjør det med et menneske i loopen og løpende avbrytelser for å sikre at den ikke løper løpsk og ødelegger hele systemet eller arbeidsområdet ditt.

Den andre faktoren er risiko. Har du en oppgave med høy eller lav risiko? Hvis du har noe med lav risiko, som å sortere innkommende forespørsler eller utføre mottakskontroll for å sikre at en forespørsel inneholder all nødvendig informasjon for å kunne settes i gang, er dette noe AI kan gjøre.

«Jeg har kontrollert denne saken. Det meste av informasjonen er her. Vi mangler imidlertid noe. La oss kontakte kunden via e-post eller Slack, eller hva det måtte være, og innhente informasjonen.» Når vi har den, er den klar for levering og legges i backloggen, og så videre. Men hvis vi bare ser på ressursallokering, har du et prosjekt som er forsinket.

En måte å få prosjektet tilbake på sporet på er å hente en viktig ingeniør eller annen person fra et annet prosjekt. Men det vil forsinke prosjekt B. Et menneske bør fortsatt ta beslutningen om hvorvidt denne personen skal flyttes eller ikke. Denne beslutningen har langt større innvirkning enn å ta kontakt for å innhente manglende informasjon.

Generelt handler det altså om følgende: Er dette en kjent prosess? Er risikoen eller konsekvensen høy eller lav? Dette er ting jeg alltid vil anbefale at folk vurderer, for ingenting erstatter menneskelig dømmekraft når alt kommer til alt.

Tim Fisher: Jeg hører mye diskusjon om mennesker kontra AI og beslutninger, både tematisk, konseptuelt og til og med filosofisk. Jeg hører også at ulike begreper blir kastet rundt.

Jeg tror jeg hørte deg si MCP tidligere. Vi har helt sikkert snakket om å bruke ordet agent og slike ting. Jeg vet at ikke alle bedriftene som bruker verktøyene deres nødvendigvis er spesielt AI-kyndige. Hvordan kan dere hjelpe folk over denne terskelen? Finnes det måter å lære om AI på som dere kan hjelpe med?

Jeg hører mye tilbakemeldinger om at det er mye å ta inn, og jeg er nysgjerrig på hvordan dere tenker rundt det å hjelpe folk over disse tersklene.

Nancy Boas: Ja, absolutt. Jeg kan ta denne, for vi lærer opp folk på flere måter. Det er en erkjennelse av at det snakkes så mye om AI, agenter og til og med «Vær en bygger», men i praksis vet bedrifter egentlig ikke hvordan de skal bygge en agent.

Vi har derfor gjort flere ting. Vi har en flott opplæringsavdeling som alltid har gitt opplæring i de tradisjonelle funksjonene våre, Wrike-administrasjon, styring og lignende. For flere måneder siden startet de imidlertid AI Elite Mastery, et firetimers kurs som alle kan ta. På slutten får deltakerne et sertifikat, og de lærer alt fra beste praksis for instruksjoner til faktisk å begynne å bygge en agent.

Det er én av tingene vi gjør. Vi gjennomførte også en sju uker lang AI-sommerskole, et praktisk opplæringsprogram hver fredag. Som et resultat begynte langt flere agenter å bli bygget, og langt flere mennesker rakte opp hånden og deltok. Jeg delte også en lenke til arbeidskameratene, men vi har et nettbasert fellesskap også. Der deler vi eksempler på instruksjoner og brukstilfeller, og andre kan bidra med sine egne brukstilfeller for agenter.

For når alt kommer til alt handler det om å hjelpe hverandre og dele erfaringer med hverandre i denne nye, modige verdenen.

Tim Fisher: Det er flott å høre. Jeg har sett deg snakke om kontekst, kontroll og samarbeid som krav til AI i virksomheter. Hvorfor er disse tingene spesielt viktige når AI begynner å handle på ekte prosjektdata og ekte arbeidsflyter?

Andras Horvath: Når du tenker på kontekst, kan AI uten kontekst være selvsikkert feil, eller i beste fall så generisk som mulig. Ta det enkle eksempelet der du ber AI, hvilken som helst AI, om å lage en arbeidsnedbrytningsstruktur, altså et prosjekt for deg. Den vil bruke kunnskapen den er trent på, eller søke på internett for å lære hvordan et prosjekt best settes opp, og så gjøre det.

Er det bra? Er det dårlig? Det er en generell måte å sette opp et prosjekt på som kan fungere i enkelte tilfeller, særlig hvis du ikke gjennomfører så mange prosjekter. Men hvis du er en stor virksomhet, har du vanligvis en metode du har utviklet gjennom år eller tiår, og når du setter opp et nytt prosjekt, er det bestemte ting som må vurderes.

Et klassisk eksempel er hvilke beslutninger som faktisk krever godkjenning, og hvem som er personen, organisasjonen eller rollen som skal gi denne godkjenningen. Hvis du kobler AI-assistenten din til noe som Wrike, og du har brukt Wrike konsekvent, ligger all denne kunnskapen allerede der.

AI-assistenten bruker da informasjonen som finnes, til å sette opp arbeidsnedbrytningsstrukturen på en måte som samsvarer med organisasjonen du er en del av. Det er derfor kontekst er viktig. Først og fremst handler det om tilgang til data, og for det andre om å bruke dataene på en måte som gjør det mulig å tilpasse resultatene til organisasjonens behov.

Når det gjelder kontroll, må du igjen sørge for at AI ikke bare løper løpsk. Du må sørge for at agenten AI-en din bruker, har tydelige tillatelser, en identitet og sporbarhet. Derfor logger vi alt når du kobler en AI-agent til Wrike.

Når du snakker med AI-agenten, når den ber om godkjenning eller innspill, skjer det via W rikes kommentarflyt. Alle beslutninger og alt som skjer, kan dermed spores i systemet. Hvis du ser på Wrike-agentene vi lanserte for omtrent ett år siden, vil du i loggene ikke bare se at en post ble slettet når den sletter en post. Du vil se at en post ble slettet, hvilken begrunnelse den hadde og hvilke data begrunnelsen var basert på.

Var et menneske i loopen? Hvilken instruksjon fikk den? Hvorfor skjedde akkurat denne handlingen? Dette er noe de fleste virksomheter setter høyt. De vil faktisk vite hvorfor agenten oppførte seg slik den gjorde. Med mennesker spør du derimot ikke nødvendigvis hvorfor de slettet posten – det kommer kanskje opp i en samtale ved kaffemaskinen.

Kontroll er derfor svært viktig. Du må kunne stole på at AI-en arbeider, for som du sa, er dette vanskelig. Mange vet ikke hvordan de skal arbeide med AI, og de stoler ikke på AI. Kontroller og sikkerhetsrammer øker tillitsnivået.

Til slutt har vi samarbeid, og dette var jeg inne på tidligere. Når du bruker et system for samarbeidsbasert arbeidsstyring, heter det samarbeidsbasert av en grunn. Du arbeider med en oppgave, men har ikke alle detaljene. Du merker noen og spør: «Hei, kan du hjelpe meg med å finne ut av dette?»

På samme måte snakker du med agentene. Du tildeler dem arbeid på samme måte som du tildeler arbeid til kolleger. Du nevner dem, stiller spørsmål, innhenter innspill og gir instruksjoner. Samarbeid mellom mennesker og AI sørger for at AI oppfører seg slik den er ment å gjøre.

Derfor mener vi at kontekst, kontroll og samarbeid er de tre viktigste pilarene for å få AI til å fungere best mulig, og dette er de tre pilarene vi fortsetter å investere i.

Tim Fisher: Jeg liker virkelig måten dere tenker på dette, særlig delen om kontroll og åpenhet, som jeg vet dere har gått grundig inn i. Jeg kan ikke understreke nok overfor alle som lytter, hvor utrolig viktig det er å gå fra å stole på at mennesker gjør ting, med alt det innebærer – som samtaler ved kaffemaskinen – til en verden der denne autonome, usynlige tingen i bakgrunnen gjør arbeid. Det er utrolig viktig å kunne vite hvorfor alle disse beslutningene ble tatt. Jeg synes ikke folk snakker nok om det, så ros til dere.

Det leder oss til et spørsmål som kanskje ikke ligger så langt frem i tid: Når AI og AI-drevne agenter tar over mer av dette arbeidet, hva bruker prosjektlederen egentlig mer av tiden sin på? Denne samtalen kommer ofte opp når vi snakker om automatisering generelt og økonomien generelt. Vi fjerner alle disse rutineoppgavene eller lar agenter og AI gjøre ting de kan gjøre mer effektivt i stor skala.

Hva sitter vi igjen med å gjøre? I denne verdenen vil jeg gjerne høre tankene deres.

Nancy Boas: Helt ærlig tenker jeg at folk får gjøre mer givende arbeid. Hvem vil bruke halve dagen på mottakskontroll og sortering av skjemaer? En av kundene våre, Jellyfish, er for eksempel et reklamebyrå. Jeg holdt en parallellsesjon på brukerkonferansen vår, og de fortalte at de bruker mye mer tid med kundene. De gjør mindre rutinearbeid, men har mer intelligente samtaler. De fjerner hindringene som tidligere oppsto i prosjektene.

For prosjektledere tror jeg derfor at man må begynne å tenke på agenter og AI som en del av den daglige assistansen. Vi har mennesker å lede, og vi har AI og agenter å lede. De fjerner det monotone, men du har fortsatt en jobb å gjøre – forhåpentligvis de mer givende tingene som strategi, problemløsning og arbeid mot mål på høyt nivå.

Andras Horvath: I produktlederteamet mitt bruker vi for eksempel langt mindre tid på å skrive spesifikasjoner, fordi vi gjør det med hjelp av AI. Vi gjør gjennomgangene med hjelp av AI. Vi gjør spesifikasjonen om til en arbeidsnedbrytningsstruktur og bemanner deretter denne strukturen.

Alt dette skjer – jeg vil ikke si øyeblikkelig – men mye raskere enn før, selv med mennesker i loopen. Den gjennomsnittlige produktlederen bruker nå mer tid på å intervjue kundene våre, fordype seg i problemområdet og forstå hva vi bør prioritere.

Den gjennomsnittlige produktlederen bruker også mer tid på validering, justering, interessenthåndtering og organisasjonsutforming, fordi vi hele tiden må endre måten vi arbeider og samhandler på i Wrike for å tilpasse oss behovene som stadig endrer seg. Men som Nancy påpekte, trenger du tid.

Jeg har blokkert to timer i kalenderen hver fredag. Da vedlikeholder jeg alle agentene og assistentene mine, samt ferdigheter og planlagte oppgaver i Claude og ChatGPT, agenter i Wrike og så videre, fordi virkeligheten er at virksomheten endrer seg. Alt er i konstant bevegelse og endring.

Enten endrer teknologien seg, eller så endrer virksomheten seg, og du må bruke litt tid på det. Jeg bruker disse to timene, men alt arbeidet omsettes faktisk til at 15–20 timer spares.

Tim Fisher: Jeg liker måten du formulerte det på. Selv om sammenligningen ikke er perfekt, er det litt som å ha en-til-en-samtaler med teamet ditt. Det finnes kontinuerlig vedlikehold, opplæring og utvikling av virksomheten som må foregå med alle du delegerer arbeid til.

Nå inkluderer det også agenter. Jeg liker virkelig måten dere tenker på dette.

Andras Horvath: Ja, definitivt. Alle blir ledere nå for tiden. Enten du liker det eller ikke, må du lede en hel flåte av agenter.

Tim Fisher: La oss bli i fremtiden litt til. La oss si at det har gått fem år.

En som er ny innen prosjektstyring arbeider i de systemene vi har da – femårsversjonen av Wrike. Hva vil de se tilbake på, eller høre fra de eldre kollegene sine, og bli veldig overrasket over at folk en gang gjorde selv? Hva er den ene tingen som vil forsvinne og aldri bli hørt om igjen?

Andras Horvath: Å oppdatere statuser i Wrike, for eksempel. En av tingene vi arbeider med, er agenter som blir med i møter sammen med deg, blir med i Teams-kanaler, Slack-kanaler og alt dette. Når samtaler finner sted, holder de arbeidet i Wrike oppdatert.

Til slutt ønsker vi at disse agentene skal være til stede hele tiden, slik at alle oppdateringer skjer, og at de over tid lærer av deg hvilke oppdateringer de bør gjøre automatisk, og hva de må avklare med deg.

Over tid vil dette bli utviklet. Ingen kommer lenger til å si: «La meg åpne Wrike og sørge for at denne oppgaven er satt som fullført.» Mange av kundene våre gjør allerede dette via assistenten de foretrekker. Etter hvert vil det skje automatisk uten at du ber om det eller gjør noe selv. Det samme gjelder å holde folk oppdatert, statusoppdateringer, kapasitetsrapporter, risikorapporter – hva du enn kan tenke deg.

Alt dette er allerede automatisert for tusenvis av kundekontoene våre. Som jeg nevnte, gjelder det også opprettelse av prosjekter eller arbeid fra grunnen av, bemanning og alt det der. Det finnes så mye informasjon allerede, og vi arbeider hardt med å hente ut informasjonen i Wrike og gjøre den om til organisatorisk kunnskap, som vi kaller det, for å automatisere så mye som mulig av dette arbeidet.

Forhåpentligvis vil den gjennomsnittlige prosjektlederen, produktlederen eller hvem det måtte være som leder noe, om fem år hovedsakelig fokusere på samkjøring, innhenting av tilbakemeldinger og den menneskelige delen – ikke sitte foran en datamaskin og registrere data eller oppsummere statuser og rapporter.

Vi må bare sørge for at dataregistreringen skjer der kommunikasjonen foregår. Hvis noen vil vite hvor de står, bør de ikke måtte spørre prosjektlederen eller teamlederen. Det bør være ett spørsmål unna, men dette spørsmålet må kunne se i flere kilder, hente dataene og gi dem tilbake.

Det er ikke bare en ensidig statusoppdatering. Det er en statussamtale, for gjennom årene har du sendt ut en statusrapport, og så dukker det opp 22 spørsmål. Agentene dine må ha den nødvendige konteksten til å besvare disse oppfølgingsspørsmålene også.

Tim Fisher: Jeg er nysgjerrig på hva du er mest spent på i veikartet deres.

Og jeg skulle gjerne fått deg til å røpe noe ingen har hørt om ennå, om hva som skjer hos Wrike. Det er ikke noe press på akkurat det, men jeg er nysgjerrig: Når du står opp og går på jobb, og ser denne tingen i horisonten som dere bygger eller tenker på, hva er mest spennende?

Andras Horvath: For meg personlig er det organisatorisk kunnskap og hukommelse. Dette er noe vi arbeider med. Det er prosessutvinning på sitt beste, og deretter å ta denne informasjonen og lagre den på de riktige stedene. Det jeg ser mye av på internett i dag, er at du har agenter som har sine egne minner, noe som er flott.

Men i det øyeblikket du gjennomfører implementeringer i virksomheter, vil du kanskje ha 55 000 agenter som kjører der. Du vil kanskje ha 60 prosjektlederagenter med forskjellige minner, og når du avslutter én av dem, forsvinner minnet. Det vi undersøker, er å lagre minnet på stedet der du arbeider, i stedet for hos agenten.

I det øyeblikket du tar i bruk en annen agent, får den den samme kunnskapen. Utfordringen er imidlertid å sørge for at du ikke overbelaster konteksten. Du må sørge for at minner blir opprettet, lagret og hentet frem på den mest effektive måten. Når du har oppnådd det, vil systemet bli smartere jo mer du bruker det – enten du bruker det selv eller agentene du styrer – og mer og mer arbeid vil bli fjernet fra arbeidslisten din.

Det handler om å lære underveis, på samme måte som mennesker gjør. Jeg tror vi bare skraper i overflaten av dette. Agenter kommer til å bli stadig bedre, ikke nødvendigvis fordi modellene blir bedre. Modellene er fantastiske. Det spiller ingen rolle om de blir bedre. Det eneste som betyr noe, er at de blir billigere, slik at du kan ha agenter som alltid er på, i stedet for å kjøre dem ved ulike utløsere – enten du tildeler en agent, nevner den, kjører den etter en tidsplan eller noe annet.

Å ha en agent som alltid er på, kommer til å koste millioner av dollar. La oss være realistiske. Jeg tror derfor at billigere modeller er bra, og vi kommer dit. Det vil gjøre det mulig å ha disse agentene som alltid er til stede. Men hukommelse og prosessutvinning er også det som kommer til å gjøre dem virkelig kraftige sammenlignet med der vi er i dag.

Nancy Boas: Jeg synes du sa det veldig godt. Jeg vil bare legge til at vi feirer 20-årsjubileum, og at vi brukes av organisasjoner med seks–sju avdelinger og tusenvis av brukere. Hvis alt dette bare ligger der uten å bli tatt i bruk, gjør vi folk en bjørnetjeneste.

Det gir derfor mye mening hvis vi faktisk kan hjelpe dem med å arbeide bedre, avdekke innsikt, finne ting som utledede ferdigheter og virkelig finpusse hele prosjektstyringsprosessen.

Andras Horvath: Hvis jeg kan få legge til noe, Tim, siden Nancy nevnte utledede ferdigheter: Når alt kommer til alt forenkler du ikke delen av jobben som handler om dataregistrering.

Hvis du kan ha agenter som deltar i alle samtalene du er en del av og holder alt oppdatert, gjør det arbeidet mye enklere og mer behagelig. Du slipper å si: «Beklager, jeg trenger litt tid fordi jeg må oppdatere alt i Wrike», eller i hvilke andre systemer du bruker.

Tim Fisher: Det er en veldig spennende visjon for fremtiden. Når dere snakker om fremtiden, nevner dere noe jeg ikke hører nok om: Det finnes en besettelse rundt at modeller skal bli stadig smartere, og at dette ikke lenger egentlig er flaskehalsen. Det handler om kostnader og om at de alltid skal være på. Det er flott.

Jeg liker virkelig det dere tenker på. For alle som lytter, og som enten er nye i disse funksjonene i Wrike eller nye i Wrike generelt: Hvor bør de gå for å lære mer?

Nancy Boas: De kan gå til wrike.com/ai. Hvis du ønsker en demonstrasjon eller vil be om mer informasjon, er det et flott utgangspunkt.

Tim Fisher: Andras og Nancy, tusen takk for at dere ble med oss. Vi ses på neste økt av Fremtidens AI i prosjektstyring.

Nancy Boas: Tusen takk.

Andras Horvath: Tusen takk.