Slik vet du om teamet ditt er klart for KI i prosjektstyringsprogramvare

Galen Low: Når organisasjoner ser etter prosjektstyringsprogramvare med KI-funksjoner, har de faktisk en idé om hva de ønsker å få ut av dem, eller følger flertallet av disse kjøperne bare et pålegg om å gjøre KI-ting?

Olivia Montgomery: Vi drives definitivt av litt mer av den konkurransebaserte frykten for å gå glipp av noe som ledere opplever. Det er mye markedsføring, og leverandørene skynder seg definitivt for å komme med på KI-bølgen.

Galen Low: Hva må være på plass før et team eller en organisasjon faktisk kan dra nytte av KI-funksjoner i prosjektstyringsprogramvare? Hva mener du er de grunnleggende elementene som hjelper team og organisasjoner med å akselerere mot avkastningen på KI?

Olivia Montgomery: Det er to ganske store hensyn som jeg mener selskaper av alle typer og størrelser, i alle bransjer og på alle modenhetsnivåer bør ta i betraktning: teknisk beredskap og kulturell beredskap.

Galen Low: Velkommen til podkasten The Digital Project Manager, programmet som hjelper leveranseledere med å jobbe smartere, levere raskere og lede bedre i KI-alderen. Jeg heter Galen, og hver uke går vi gjennom strategier fra virkeligheten, nye verktøy, velprøvde rammeverk og den sporadiske krigshistorien fra prosjektfronten. Enten du styrer massive transformasjonsprosjekter, håndterer KI-arbeidsflyter eller bare prøver å holde kaoset under kontroll, er du på rett sted. La oss sette i gang.

I dag snakker vi om den økende etterspørselen etter KI-forbedrede funksjoner i prosjektstyringsprogramvare, hva folk ønsker seg fra disse funksjonene, og hva virksomheter og team av ulike størrelser må ha på plass for å nå målene sine. Med meg i det virtuelle studioet i dag er Olivia Montgomery, assisterende hovedanalytiker for prosjektstyring hos Capterra.

Olivia har tidligere vært PMO-leder og prosjektstyringsspesialist, er en svært ettertraktet foredragsholder og den aller beste typen nerd når det gjelder forskningsbasert innsikt i prosjektstyring, teknologistrategier og den menneskelige siden av ledelse. Hun har også nettopp publisert sin nyeste forskningsrapport, Capterras undersøkelse av trender innen prosjektstyringsprogramvare i 2025, som viser en endring i hvordan selskaper velger og bruker prosjektstyringsverktøy. Det er akkurat dette vi skal dykke ned i i dag.

Olivia, takk for at du kommer tilbake i studioet og blir med meg i dag.

Olivia Montgomery: Takk for invitasjonen. Jeg gleder meg veldig til å være her. Vi har noen hete temaer å ta opp.

Galen Low: Ja, i dag blir det hett. For dem som har hørt på podkasten en stund, er Olivia en publikumsfavoritt. Vi satt nettopp i oppholdsrommet og snakket om lingvistikk. Så innså vi at lingvistikk, humaniora, store språkmodeller og KI faktisk henger sammen.

Så vi kommer til å innom mange forskjellige områder. Vi har en tendens til å gå ned noen kaninhull, og jeg håper vi gjør det, men for sikkerhets skyld er dette veikartet jeg har skissert for oss i dag. Først ville jeg få ett stort, brennende spørsmål ut av veien. Det ubehagelige, hyperrelevante spørsmålet som alle ønsker svar på.

Deretter vil jeg zoome ut og snakke om tre ting. Først vil jeg snakke om hva som kreves for at organisasjoner virkelig skal kunne dra nytte av KI-funksjoner i prosjektstyringsprogramvare. Så vil jeg gå i dybden på hvordan KI-funksjoner faktisk ser ut i praksis, og hvordan man måler om de faktisk fungerer eller hvordan de brukes.

Til slutt tenkte jeg at vi kunne snakke om den kortsiktige og langsiktige virkningen av noen av KI-funksjonene i prosjektstyringsprogramvare og andre steder, på måten vi samarbeider på, og hvordan dette vil påvirke prosjektbasert arbeid.

Olivia Montgomery: Jeg er klar. La oss gjøre det.

Galen Low: La oss begynne med det ene hete spørsmålet.

I den nyeste forskningsrapporten din har du skrevet at 55 prosent av alle kjøpere av prosjektstyringsprogramvare nå prioriterer KI-funksjoner. Det er sannsynligvis ikke overraskende for de fleste av lytterne våre, med tanke på presset virksomheter opplever for å gjøre mer ved hjelp av KI. Men når organisasjoner ser etter prosjektstyringsprogramvare med KI-funksjoner, har de faktisk en idé om hva de ønsker å få ut av dem, eller følger flertallet av disse kjøperne bare et pålegg om å gjøre KI-ting?

Olivia Montgomery: Det er litt av hvert der ute. Vi drives definitivt av litt mer av den konkurransebaserte frykten for å gå glipp av noe som ledere opplever. Det er mye markedsføring, leverandørene skynder seg definitivt for å komme med på KI-bølgen fordi det finnes en hype og etterspørsel, men vi beveger oss sakte mot en mer strategisk hensikt.

Med KI har den første glansen begynt å forsvinne. Vi begynner å se litt mer av hva disse verktøyene faktisk kan gjøre, hva de ikke kan gjøre, hvordan team bruker dem, når, hvorfor og hvor, og vi kommer til de vanskeligere spørsmålene. De drives fortsatt i stor grad av denne konkurransebaserte frykten for å gå glipp av noe, og den drives definitivt av – jeg vet ikke om du har hørt nyhetene – at utgiftene til KI-infrastruktur, maskinvare, programvare og datasentre i USA har overgått forbrukernes pengebruk.

For første gang i historien blir USAs økonomi drevet av KI-investeringer, ikke av forbruk. Det burde fortelle deg mye om hvor samtalen er på vei. Disse investeringene får også markedsføringskampanjer til en verdi av milliarder av dollar bak seg. Det er det vi ser, og det er en stor drivkraft bak denne konkurransebaserte frykten for å gå glipp av noe. Mange ledere og bedriftsledere er begeistret.

De hører om denne nye teknologien som fungerer fantastisk, og de vil selvfølgelig ha den. Nå begynner vi å ta den i bruk, og vi begynner å se at markedsføringen ikke alltid samsvarer med de tekniske mulighetene vi ser. De tekniske mulighetene samsvarer heller ikke alltid med det menneskene og teamene dine har ferdigheter, opplæring og vilje til å gjøre.

Det er definitivt et gap, og det er midt i dette vi befinner oss. Jeg er sikker på at alle som lytter, kjenner en eller annen form for press rundt dette.

Galen Low: Jeg syntes det var interessant at du tok opp økonomien, for jeg hadde egentlig ikke tenkt over det. Når du snakker om investeringer på det nivået, som overgår forbrukernes pengebruk når det gjelder hvordan økonomier tjener penger, kan man forestille seg presset disse selskapene er under. De har investert i infrastruktur og bruker penger. Jeg husker at vi alle ble fortalt at skylagring var billig nå.

Ja, ikke når det er petabyte med data. Det finnes et press som filtreres nedover, og hvis du er markedsfører i programvarebransjen, hyller jeg deg faktisk, fordi det er et enormt press om å selge så mange lisenser som mulig. Organisasjonene har gjort enorme investeringer som de ikke får tilbake akkurat nå.

De driver ikke lønnsomme virksomheter akkurat nå. De befinner seg i en investeringsfase. Det finnes et press om å gå ut og kanskje finne bruksområdene, fordi vi er i en situasjon der vi egentlig ikke har begynt med bruksområdene. Vi tenkte: Dette har potensial til å revolusjonere og endre alt.

Flott. La oss finne noen spikre og en hammer. Jeg synes det er en interessant måte å se dette på. Det var faktisk ikke det jeg trodde du kom til å si, men dette er et ovenfra-og-ned-press som siver ned til at jeg også føler konkurransepress for å kjøpe KI-forbedret prosjektstyringsprogramvare.

Det er som å kjøpe en telefon uten telefaks i 1992. Selvfølgelig trenger jeg en moderne multifunksjonsenhet, enten jeg sender fakser eller ikke, fordi alle andre har det. Men jeg liker tanken på at vi nå er på et punkt der vi finner ut av dette.

Det er greit om du har kjøpt KI-forbedret programvare, for det vil hjelpe oss med å finne ut hva vi kan gjøre med den. Men det krever riktig tankesett, ikke et magisk knappetrykk der vi trykker på installer og så er alt i orden.

Olivia Montgomery: Ja.

Galen Low: Vi har løst det.

Olivia Montgomery: Nettopp. Vi begynner å se det samme.

Jeg var veldig stolt over at sikkerhet kom øverst på listen over prioriteringer for kjøpere av prosjektstyringsprogramvare i undersøkelsen vår. Det gleder meg virkelig. Vanligvis er funksjonalitet øverst, noe som selvfølgelig gir mening. Derfor er det fantastisk å se at sikkerhet for første gang vi har sett, blir den viktigste prioriteringen.

Det forteller meg at teamene innser at KI av enhver type øker angrepsflaten, særlig avhengig av om man bruker eksterne store språkmodeller. Det er stor forskjell på KI-funksjoner som ligger i det eksisterende systemet ditt, og som nettopp er lansert – for eksempel hjelpsomme forslag, litt ekstra autoutfylling eller hjelp til å bygge en bedre arbeidsflyt.

Det er mindre risikabelt enn at ansatte bruker eksterne store språkmodeller til å syntetisere møtenotater fra prosjekter og lignende. Derfor er jeg både glad og stolt over at fellesskapet vårt setter sikkerhet øverst på listen.

Galen Low: Det er virkelig interessant. Det sier også noe om hvor raskt modenheten øker. Det har vært mye som har forstyrret oss digitalt og teknologisk de siste tiårene. Vi har alltid vært trege med å finne ut hva som er viktig. Når jeg hører dette, tenker jeg at personvern, datasikkerhet og sikkerhet nå tas på alvor, og at det fortsatt er tidlig i det store bildet.

Det er viktig. Det sier også noe om hvordan de bruker teknologien. Jeg har aldri vært særlig bekymret for personvern rundt autokorrektur. Jeg tenkte at det sikkert var greit at systemet visste hva jeg ikke klarer å stave eller skrive på en berøringsskjerm.

Men når jeg legger inn alle prosjektdataene mine, kundeinformasjon og forretningsrapporter, blir det mye viktigere. Det jeg liker, er at dette nesten fungerer som en fartsdemper. Det er som om dette er riktig tidspunkt, før vi beveger oss for langt og for raskt, skyter fra hoften og sender data overalt før vi innser at noe gikk galt.

Nå ser vi at dette er viktig. Kanskje det også handler om konkurranse i næringslivet. Jeg vil ikke dele all informasjonen min. Vi hører om å bygge proprietære store språkmodeller, og jeg er sikker på at vi kommer inn på det. Det er interessant at personvern har blitt så høyt prioritert.

Olivia Montgomery: Jeg vet, det er flott. Jeg er så stolt av oss.

Galen Low: For meg handler det om det grunnleggende. Jeg lurte på om vi kunne zoome litt ut, for ikke alle organisasjoner er klare til å våkne en dag og si: La oss kjøpe prosjektstyringsprogramvare med alle KI-funksjonene vi ønsker oss. Noen ting må være på plass først.

Hva må være på plass før et team eller en organisasjon faktisk kan dra nytte av KI-funksjoner i prosjektstyringsprogramvare? Hva mener du er de grunnleggende elementene som hjelper team og organisasjoner med å akselerere mot avkastningen på KI?

Olivia Montgomery: Absolutt. Det handler om å ta seg noen øyeblikk til å stoppe opp og spørre: Er vi klare? Jeg er klar til å kjøpe. Jeg er klar for at virksomheten skal ta i bruk KI og se alle gevinstene vi kan oppnå. Men når er vi faktisk klare? Det er to ganske store hensyn som jeg mener selskaper av alle typer og størrelser, i alle bransjer og på alle modenhetsnivåer bør ta i betraktning.

Det handler om teknisk beredskap og kulturell beredskap.

La oss begynne med den tekniske beredskapen. Har du nok rene og strukturerte data? Enten du bruker maskinlæring til prediktiv analyse eller store språkmodeller til å hjelpe deg med å generere rapporter og syntetisere data, trenger systemene enorme mengder data av høy kvalitet for å kunne gi deg et resultat du blir fornøyd med.

Du må derfor dobbeltsjekke: Har vi disse dataene? Hvor er de? Hva er kvaliteten på dem? Er vi klare til å dele dem? Er de gode nok til å gi oss innsikt? Du bør revidere de eksisterende verktøyene før du slipper løs KI, for det kan hende du aktiverer overflødige funksjoner.

Et annet verktøy kan allerede ha funksjonaliteten. Når du reviderer verktøyene, kan du også avdekke eventuell skygge-IT som foregår, dersom ansatte har løpt i forveien og bruker verktøy du ikke kjenner til mens de jobber for virksomheten din.

Du bør gjennomføre en fullstendig revisjon av hele IT-infrastrukturen og miljøet for å sikre at du vet hvilke apper som er i bruk og hvor de brukes. Da får du oversikt over hvordan økosystemet ditt ser ut. Du må også ha styring på plass.

Før du gir medarbeiderne dine disse verktøyene, må du sørge for at de vet hva de får, hvorfor de får det, hva de skal gjøre med det og hva de ikke skal gjøre med det. Du trenger tydelige retningslinjer for hvilken type informasjon som kan deles, og hvordan informasjon kan deles trygt med verktøyene.

Ideelt sett kan du sette alt opp i bakgrunnen og si: Hvis du er i disse to systemene, er dette kunnskapsstyringen vår, dette er dokumentstyringen vår, og dette er oppgavestyringen vår. Alt er trygt og sikkert. Sett i gang. Det er det ideelle tilfellet, men mange selskaper er ikke helt der ennå. Da bør du i det minste gi de ansatte veiledning og retningslinjer.

Når det gjelder kulturell beredskap, kan IT-teamet og alle andre være klare, alt kan være trygt og sikkert, og brukerakseptansetesten kan være gjennomført med gode resultater. Men nå må du spørre: Kan folk faktisk bruke det når de kommer på jobb? Vet de hva de skal gjøre? Er de komfortable med å bruke det? Ønsker de å bruke det?

Den kulturelle beredskapen er den andre grenen som må vurderes. Du må være tydelig overfor ansatte og team om nøyaktig hva du gir dem, hvorfor du gir dem det, og hvordan de forventes å bruke det. Det er rom for å si: Vi åpner noen nye leker for dere. Kanskje kjører vi et pilotprosjekt og tester dem, men vi ruller dem kanskje ikke ut fullt ennå, for alt dette er uklart.

Vi beveger oss svært raskt. Du bør heller ikke forvente at alt skal være perfekt kartlagt, og at teamene bare skal følge arbeidsflyter og retningslinjer uten videre.

Det kommer til å bli diskusjoner, stopp, oppstart og omarbeiding. Så lenge du vet at dette vil skje, og at du kan isolere det i en testperiode eller et testprosjekt, vil du lykkes langt bedre enn om du bare slipper verktøyene løs. Teamene dine vil sannsynligvis reagere med overraskelse og frustrasjon, og du vil ikke se produktivitetsgevinstene du håper på.

Du bør derfor unngå alle former for pålegg av typen «KI eller ingenting». Jeg mener at alt dette kan oppnås hvis du er gjennomtenkt og bevisst, og ruller det ut som en test i et isolert miljø med lavere risiko eller i et prosjekt.

Det er svært viktig at selskaper ikke bare tar den tekniske beredskapen i betraktning, men også den kulturelle.

Galen Low: Jeg liker virkelig at du tok med skygge-IT i programvarevurderingen. Da vi forberedte oss til dette, snakket vi om forskjellene mellom mindre og mellomstore virksomheter og store selskaper.

Vi vet at mange store virksomheter burde ha svært god styring, men de er ikke klar over at folk bruker sine private ChatGPT-kontoer ved et uhell eller bare leker med verktøy som er tilgjengelige på nettet, men som ennå ikke er låst ned av IT.

Jeg liker tilnærmingen: Vi skal gjøre en evaluering. Du blir ikke straffet. Vi trenger bare å vite hva som foregår. Vi vet at det skjer, og vi vil lage en plan basert på at vi vet det.

Det er faktisk flott at alle eksperimenterer og løper i forveien. Men la oss sette noen rekkverk på plass. La oss ikke kvele det, men si at vi kanskje trenger noen rammer og et begrenset pilotprosjekt.

Kanskje vi ikke skal forsøke å endre hele organisasjonen med tusenvis av ansatte på én gang. Samtidig bør vi ikke ende opp med små sandkorn der alle gjør forskjellige ting, slik at vi aldri får nytte av det som helhet. Jeg synes dette henger direkte sammen med den kulturelle beredskapen.

Det handler om å etablere forventninger begge veier. Det du sa som traff meg, var: Vet folk hva de skal gjøre med verktøyet når de kommer på jobb om morgenen? Jeg ser mange organisasjoner som tar ting for gitt. Det er mye dømming av folk som ikke tar i bruk verktøyene, og jeg ser mange adopsjonsgrafer som folk rynker på nesen av.

De sier: Vi kunngjorde noe, men adopsjonen er fortsatt flat. Hvorfor forstår ikke disse menneskene det? Men jeg tror den kulturelle beredskapen, endringsledelsen, opplæringen og samtalen henger sammen med den tekniske beredskapen og spørsmålet om folk faktisk kommer til å bruke dette.

Olivia Montgomery: Nettopp. Du vil ikke hemme de ansatte. Du vil at de skal føle seg myndiggjort og løse problemer. Bedriftskulturen bør allerede være etablert når det gjelder om dere slår ting på og kanskje identifiserer noen superbrukere, personer som du tror vil lykkes og som er villige og ivrige etter å prøve nye verktøy.

La dem leke med verktøyene og finne ut av ting mens du formaliserer retningslinjer og planer. Deretter ruller du det ut til andre team som kanskje beveger seg litt saktere eller er litt mer motvillige. På den måten kan du samle alle gjennom nysgjerrighet og et ønske om å føre virksomheten fremover.

Poenget ditt om å ikke ha en straffende tilnærming er svært viktig. Så snart ansatte føler at det kommer til å være et negativt stigma knyttet til dem, eller at de ikke er åpne for nye ideer, vil ethvert snev av en straffende kultur få dem til å lukke seg.

Da begynner ansatte å skjule ting. De tar ikke opp problemer, og du vil lide under det og stagnere. Undersøkelsen viser at adopsjon er den største utfordringen vi ser, ofte fordi det mangler tydelighet og en toveis samtale.

Alle bør dele ideer og erfaringer. Dette er svært nytt, og hvordan hver virksomhet skal bruke det, er forskjellig. Det som er spesielt med KI, er at den påvirker alle avdelinger og bransjer omtrent samtidig.

Det gjelder ikke bare enkelte roller. Prosjektledere, ingeniører og alle andre har nå muligheten til å utvide og forbedre arbeidet sitt. Det har vi ikke sett på samme måte tidligere, bortsett fra da alt ble digitalisert og flyttet over på datamaskiner.

Hele virksomheten blir eksponert for og ser KI på svært forskjellige måter. All tydelighet du kan gi om hvordan verktøyene brukes trygt og effektivt, og at ingen straffende tilnærming vil bli brukt, er derfor svært viktig.

Galen Low: Jeg liker det. Det er så nytt at det må være en dialog, og det er egentlig hele poenget med kulturell beredskap. Jeg åpnet podkasten med ideen om at folk kanskje kjøper programvare uten å vite hva de ønsker seg fra den, enten fordi de faller for hypen og prøver å holde seg konkurransedyktige, eller fordi de føler at de må fortelle folk nøyaktig hva de skal gjøre med den.

Det du sier, er at man skal gi dem noen rekkverk, men samtidig fortelle dem at det er greit å eksperimentere og dele. Vi finner ut av dette sammen, og det er ikke nødvendigvis et pålegg uten strategi. Strategien er å ta det steg for steg.

Det ville være urealistisk å forvandle hele virksomheten over natten bare på grunn av KI. Det handler om å ha dialog med alle og etablere forventninger.

Olivia Montgomery: Nettopp. Jo bedre den tekniske beredskapen er, desto bedre forhold kan du få til med leverandøren, særlig når det gjelder prosjektstyringsprogramvare. Det kan være et eksisterende verktøy som lanserer KI-funksjoner, eller et nytt verktøy fordi det tilbyr flere KI-funksjoner.

Hvis den tekniske beredskapen er på plass, og du har samarbeidet med leverandøren og IT-teamet, vet du at datahåndteringen er slik du ønsker. Du vet at dette er trygt og beskyttet. Da kan du slå det på og la teamene ta det i bruk avdelingsvis, prosjektleder for prosjektleder eller portefølje for portefølje, avhengig av hvor stort eller lite selskapet er.

Du kan si: Vi har slått på alt. Det er trygt. Dere kan ikke ødelegge noe. Rull det ut med teamene deres slik dere mener passer. Dere kjenner teamene og prosjektene deres. Alt på den tekniske siden er trygt. Nå kan dere hjelpe teamene med den kulturelle beredskapen, og det kan bidra mye til adopsjonen.

Galen Low: Jeg liker det. Jeg vil gjerne trekke frem noe du sa, siden vi har snakket om datasikkerhet og styring, og om ulike virksomhetsstørrelser og behov. Hvordan varierer datasikkerhet og styring mellom organisasjoner av ulik størrelse? Har mindre og mer smidige organisasjoner et fortrinn over forsiktige konsern, eller kanskje ikke?

Olivia Montgomery: Mitt favorittsvar er at det varierer.

Det finnes fordeler og ulemper, styrker og svakheter på begge sider av skalaen. Større organisasjoner har fordelen av mer data og mer historiske data. Dataene er forhåpentligvis bedre vedlikeholdt. Retningslinjene for datahygiene er sannsynligvis bedre, og du har trolig en mye bedre oversikt over økosystemet, hvordan teamene bruker verktøy og hvor ofte de bruker dem.

Du har dermed mer av det grunnleggende som kan gjøre KI mer effektiv og vellykket når du er klar til å ta den i bruk. På den andre siden kan mindre selskaper vanligvis bytte verktøy langt raskere, selv om de ikke har like mye data og retningslinjene for datahåndtering er mindre modne.

De kan bytte prosjektstyringsverktøy mye raskere enn for eksempel en stor bank. De kan prøve ut nye ting og raskt ta i bruk den nyeste teknologien, samtidig som de forbedrer den tekniske beredskapen og datakvaliteten.

Det finnes altså fordeler og ulemper på begge sider. En realistisk forståelse av disse fordelene og ulempene, og hvordan man håndterer dem, kan være veien til suksess for begge. Det er ikke slik at KI bare passer for store selskaper eller bare for små virksomheter.

KI er nyttig på tvers av hele spekteret. Men hvordan det ser ut, og hvilke utfordringer du møter, vil være ganske forskjellig på grunn av størrelse og modenhet.

Galen Low: Har du noen historier eller eksempler fra folk du har snakket med mens du utarbeidet rapporten, eller fra bransjen ellers?

Olivia Montgomery: Fra bransjen? Vil du høre bransjehemmelighetene mine?

Galen Low: Kan du ikke røpe litt sladder? Kom igjen.

Olivia Montgomery: Jeg deler gjerne. Selskaper, enten de er store eller små, uansett bransje og kulturelle ståsted, lykkes når de går tilbake til å sørge for at de er klare, og forstår at teamene deres ønsker å gjøre en god jobb for dem. Jo tydeligere du kan være om forventningene og jo bedre rekkverk du gir dem, desto mer vellykket blir du.

Selskapene som bare sier «bruk KI», og som hver dag kontrollerer at du har logget inn og følger med på bruken, finnes faktisk. Jeg har venner og familie som forteller at de får slike pålegg.

Det finnes ledere som dessverre har en mer straffende tilnærming: Vi har nettopp kjøpt dette verktøyet for mye penger, og hver dag må 95 prosent av alle være innlogget i minst ti minutter. Alle har egne kvoter, og lederne holder hardt på dem for å måle avkastning gjennom bruk som nøkkeltall.

Vi er ikke klare for det ennå. Jeg kjenner ingen virksomheter som er klare for det. Vi er fortsatt på stadiet der vi skal gjøre det trygt og hjelpe folk med å finne ut hvordan de kan bruke det effektivt. Deretter kan vi gå over til revisjon og kontroll av innlogging.

Jeg mener det er lurt å revidere bruken. Det er én måte å finne ut at et helt team ikke har logget inn på. Da kan du sjekke inn og finne ut hvorfor. Hvis et team har logget inn og brukt det hver dag i en måned, men bruken nå faller, kan du sjekke inn og finne ut hvorfor.

Du må undersøke hva som skjer. Jeg ville ikke brukt bruksrevisjoner som selve målet på avkastning. Jeg ville brukt dem til å måle hvor effektiv adopsjonen er.

Galen Low: Det er et godt og tydelig skille mellom å bruke data til å informere beslutninger og veilede folk, og å bruke den til å straffe og kontrollere.

Jeg tenker på tidsregistrering. Det kommer opp hele tiden i fellesskapet mitt, særlig blant folk som jobber i byråer, konsulentselskaper og profesjonelle tjenester. Noe av det handler om at man ikke har registrert nok timer eller at utnyttelsesgraden ikke er høy nok. Er du i det hele tatt verdifull som menneske? Det er noe annet enn å spørre hvordan vi bruker tiden vår, og om dette er riktig sted å bruke den.

Hvis vi ikke bruker tiden på de viktige tingene, hva kan gjøres? Hva er årsaken, og hva kan vi gjøre? Jeg tenker også på pålegg om å vende tilbake til kontoret. Mennesker og organisasjoner er ofte dårlige til å måle virkning og få folk med seg.

Det finnes alltid en kvote og en straff hvis du ikke gjør bestemte ting, selv når målet egentlig er godt. Vi ønsker at folk skal utforske og bruke disse verktøyene, men det kan likevel oppfattes som at vi straffer deg hvis du ikke logget inn i dag.

Olivia Montgomery: Absolutt.

Galen Low: Det du sa om kulturell beredskap, viser hvor viktig den er, og hvor viktig data- og styringssiden er. Disse tingene må være på plass før noe faktisk kan gå videre.

Olivia Montgomery: Ja, og for å bygge videre på poenget ditt om tidsregistrering kunne vi hatt en hel episode om det, særlig fordi jeg selv er kunnskapsarbeider. Hvordan skal man kunne registrere alt verdifullt arbeid som gjøres på gåturer?

Det finnes arbeid der jeg sitter og skriver, og det er arbeid. Men det mer verdifulle arbeidet skjer når jeg går en tur og bearbeider informasjonen jeg har. Da får jeg plutselig en aha-opplevelse. Når jeg setter meg ned og skriver, går det raskere og kvaliteten blir høyere.

Vi vil ofte bare registrere tiden foran datamaskinen, men hvordan fanger vi opp den virkelig nyttige tiden som ble brukt et annet sted?

Jeg håper KI etter hvert kan hjelpe oss med dette i prosjektstyringsverktøyene. Det minner meg om en av de mest spennende måtene jeg ser KI påvirke prosjektstyringsverktøy på: ressursallokering.

Det har vært mer KI-automatisering. Mange KI-drevne verktøy er egentlig videreutviklet automatisering, med mange hvis–så-setninger som vi har hatt i CRM-systemer siden 1990-tallet. Det er ikke nødvendigvis nytt, men det har fått mye mer kraft i det siste.

Når du lager prosjektplanen og har en gruppe ressurser, er det en av prosjektlederens viktigste oppgaver å finne den riktige oppskriften for at prosjektet skal lykkes. Hvem har ferie snart? Hvem har ferdighetene jeg trenger? Hvem ønsker jeg å utvikle? Hvem kan bruke litt lengre tid fordi de er nye, men samtidig få verdifull opplæring?

Hvis noe må gjøres raskt, hvem stoler jeg på kan gjøre det effektivt? Alt dette må settes sammen til en oppskrift. KI, maskinlæring og prediktive funksjoner blir stadig bedre på dette.

Noen verktøy tar også hensyn til den mer utydelige tiden. Uken før noen skal på ferie kan du for eksempel gi dem oppgaver som ikke krever like mye kognitiv kapasitet. Du kan gi dem oppgaver som er mer rettet mot daglig gjennomføring, slik at de kan dra på ferie og komme tilbake uthvilte.

Da kan du gi dem oppgaver med høyere risiko som krever mer fordypning. Noen systemer blir også svært avanserte og forstår at en person jobber godt i tre uker med dypt individuelt arbeid, før vedkommende bør få en uke med oppgaver på et høyere nivå som er annerledes, kanskje mer samarbeidsorienterte.

Å ta hensyn til den menneskelige siden er svært komplisert og vanskelig for en prosjektleder når alle delene skal settes sammen til en perfekt oppskrift. KI hjelper definitivt med dette, og vi ser mer og mer av det.

Jeg er veldig begeistret, fordi så mange prosjektoppgaver og tidsfrister skaper problemer fordi vi ikke vet hvordan vi skal ta slike forhold i betraktning. Noen ganger finnes det heller ikke trygghet til å erkjenne at vi er mennesker og ikke maskiner.

En maskin kan gjøre det du ber den om, og kanskje brenne hovedkortet, men da kjøper du bare et nytt. Det kan vi ikke gjøre med mennesker. For å gi interessenter og prosjekteiere realistiske forventninger trenger du en realistisk tidslinje og en realistisk arbeidsnedbrytningsstruktur.

Alt dette må gjenspeile virkeligheten og kapasiteten best mulig. Jeg er spent på hvordan KI kan hjelpe oss med dette.

Galen Low: Jeg elsker ressursallokering som eksempel, fordi den er så tydelig menneskelig. Den viser akkurat det du sier: Mennesker er ikke maskiner.

Vi har kanskje vært på toppen av den tradisjonelle industrialiseringen, der vi gjorde mennesker til maskiner og behandlet dem som maskiner fordi vi trengte ensartethet. Stemplet personen inn klokken ni og ut klokken fem? Det er slik jeg kan måle, fordi de dataene forstår jeg.

Arbeidsstilen til hver enkelt, den utydelige tiden og alt det andre har vi ikke kapasitet til å håndtere. Så vi lar være å tenke på det.

KI gir oss en mulighet til å utfordre antakelsene våre om arbeid, men enda mer enn det gir den oss en mulighet til å utfordre feilslutningene vi har skapt rundt arbeid.

Vi har sagt at dette er for vanskelig, så la oss få alle til å møte på kontoret til et bestemt tidspunkt og registrere timene. Vi gjennomfører årlige medarbeidersamtaler og spør én gang i året hvordan det går og hva som kan bli bedre. Det er alt vi har kapasitet til.

Eksempelet med ressursallokering viser hvordan maskiner kan hjelpe oss å erkjenne vår egen menneskelighet i arbeidet, særlig som kunnskapsarbeidere. Det er spennende, fordi det kobler sammen data, kulturell bevissthet, bruksområder og spørsmålet om hva vi faktisk skal gjøre med verktøyene hver dag.

Det handler også om hvordan arbeidet faktisk endres, ikke bare oppgavene, men selve forståelsen av arbeid og hvordan vi angriper det.

Når vi ser fremover, kan KI kanskje bidra til å jevne ut forskjeller. Du nevnte tidligere at den endrer og påvirker alle i alle avdelinger. KI kan bli en utjevner som gjør teknologi og virksomhet mer inkluderende og tilgjengelig.

Hva kan være noen av de kortsiktige og langsiktige virkningene av KI-funksjoner, som integrert stemmekoding, automatisering eller agentiske arbeidsflyter, på måten arbeidet blir gjort på?

Olivia Montgomery: Det er utrolig spennende. La meg begynne med den nærmeste fremtiden. Etter at ChatGPT og disse store språkmodellene kom, har vi sett at prosjektledere og ikke-tekniske personer kan snakke med datamaskiner på en måte datamaskinene forstår bedre.

Det er mye mer friksjonsfritt enn tidligere. Foreldrene mine kan nå snakke med en stor språkmodell og få utført arbeid de aldri har klart å gjøre med en datamaskin før. Modellene tåler ufullstendige setninger, skrivefeil og mye annet som tidligere krevde presise kodeinstruksjoner og spørringer.

Det er mer spillerom med naturlig språkbehandling og store språkmodeller som er trent på enorme datamengder. Det har vi egentlig ikke hatt før. Nå kan et menneske snakke med datamaskinen på en mye enklere måte.

En ikke-teknisk prosjektleder kan gå inn i prosjektstyringsverktøyet og skrive: Ta prosjekt A og lag en arbeidsnedbrytningsstruktur som går ut året. Verktøyet svarer som en lagkamerat og gir deg informasjonen. Du må selvfølgelig kontrollere den.

Vi har alle brukt disse store språkmodellene, og de gjør feil. Du sier at den gjorde en feil, og den svarer at du har helt rett. Men det faktum at vi kan snakke med en datamaskin og få effektive resultater, og bygge arbeidsflyter, viderefører trenden med kodefri og lavkodebasert utvikling på en måte som er enklere enn noen gang.

Det er spennende, men det finnes også varsellamper. Det kan hende vi stoler på fremvoksende egenskaper ved disse verktøyene uten at markedsføringen tydelig forklarer at egenskapene er fremvoksende.

Jeg vil fokusere på store språkmodeller, siden de er den viktigste kortsiktige påvirkningen. Alle bruker dem, særlig prosjektledere som oppsummerer informasjon, samler datapunkter og analyserer data.

Men dette er fremvoksende egenskaper. Store språkmodeller er laget for å generere tekst eller bilder i en menneskelignende form. De forutsier statistisk ordrekkefølge basert på enorme informasjonsmengder. De vet ikke egentlig hva «oppsummere» betyr.

Jeg er ingen dataforsker, så ikke angrip meg, men avhengig av tokeniseringen kan modellen dele opp ord. Den vet ikke hva «frakobling» betyr. Det er mulig at ordet deles opp i flere token, og at modellen bruker disse delene på tvers av andre ord. Det er et stort gap mellom hvordan en språkmodell forstår ordet og hvordan vi mennesker gjør det.

Her ser jeg koblingen til bakgrunnen min innen engelsk litteratur og språkstudier. Det får sammensatte konsekvenser.

La meg gjøre det konkret. Du er prosjektleder og skal gi en stor statusoppdatering til prosjekteieren. Du samler statuser fra prosjektstyringsverktøyet, talemeldinger og andre oppdateringer, og legger alt inn i en stor språkmodell: Hjelp meg å forstå hva som skjer, slik at jeg kan gi en fullstendig status til prosjekteieren.

Det høres flott ut, og folk sier at modellen er fantastisk til dette. Men det er den ikke alltid. Språkmodellene endrer informasjonen du gir dem og fjerner ofte følelsesladde ord, opplevelsen av hastverk og nyanser. Noen ganger fjerner de hele deler av det du ba dem se på.

De vil nesten alltid gjøre språket mildere og fjerne følelsesmessige signaler. Tenk deg at du har en talemelding der sjefen sier at den nye leverandøravtalen sitter fast hos juridisk avdeling, at han ikke får tak i dem, at dere ikke kan gå videre før dere får svar, og at han er bekymret.

I statusrapporten kan det stå: Leverandøravtalen er i sluttfasen. Det er ikke feil, men sluttfasen er anspent og frustrerende. Det kan du gå glipp av. Du lytter kanskje ikke til talemeldingen fordi du forventer at språkmodellen skal håndtere den.

Da deler du kanskje ikke frustrasjonen med prosjekteieren, følger ikke opp sjefen og forsøker ikke å fjerne hindringen. Du tenker bare: Den er i sluttfasen, flott. Dette skjer ofte.

Modellen vil også hallusinere. Hallusinasjonsratene er fortsatt svært høye, selv i proprietære systemer der selskaper gjør en fantastisk jobb med overvåking og justering for modellforskyvning og andre tekniske forhold.

Prosjektledere må vite at sannsynligheten for dette er høy. Verktøyene vet ikke egentlig hva «oppsummere» betyr. De prøver bare å gi deg det de tror du ønsker. Du må vite at språket blir mildere, at mye kan bli feilrepresentert, og at dette kan slå tilbake på deg.

Galen Low: Jeg hadde ikke tenkt så mye på at det følelsesmessige innholdet fjernes, og hvilken virkning det kan ha. Det finnes forskjell på å bli undervist i språk og å trenes på språkdata.

Store språkmodeller er så overbevisende. Vi snakket om å jevne ut forskjeller. Alle tenker at den er like smart som et menneske fordi den svarer som et menneske og gjør feil som et menneske. Men den er ikke et menneske.

Man kan se hvor hallusinasjonene kommer fra, token for token, prosess for prosess. Modellen kan lett ledes i feil retning på grunn av begrenset informasjon, trening eller kontekst. Det gjelder også det følelsesmessige innholdet.

En stor del av prosjektlederrollen handler om å oppfatte nyanser, kanalisere følelser og omdirigere følelser. Vi oppsummerer ikke bare ved å forkorte noe, men transformerer også følelsene underveis. Vi kan skjerme teamet for noe av frustrasjonen, samtidig som vi sørger for at de forstår at det haster.

Det er fascinerende og skremmende at dette følelsesmessige laget kan forsvinne. KI-funksjonene er fremvoksende, ikke perfekte. Dette er begynnelsen, ikke slutten, og vi må ta hensyn til det i måten vi arbeider på.

Olivia Montgomery: En måte prosjektledere kan begrense dette på, er å kontrollere alle inndataene. Vi vet at vi må gjøre det, men det skjer nok ikke ofte nok, fordi markedsføringen forteller oss at verktøyene er gode på dette.

Hvis du holder deg til det genererende aspektet, er du sannsynligvis tryggere. Et svært avansert team kan også forbedre påliteligheten ved å bruke en stor språkmodell som er trent på en omfattende database, kombinert med mange hvis–så-regler.

Men systemene er fortsatt svarte bokser. Selv de som utvikler dem, har sagt at de ikke vet hvorfor de kan oppsummere tekst. Det synes jeg er skremmende.

Når du ser smarte forslag i prosjektstyringsverktøyet, er det mindre skummelt. Hvis du skriver brukerkrav og får et forslag som hjelper deg over frykten for den blanke siden, er det fantastisk. Bruk modellen til å generere førsteutkastet.

Jeg prøver å huske at dette er generativ KI. Jeg ber den generere et førsteutkast, og den er effektiv til det. Alt utover denne kapasiteten er fremvoksende. Det er ikke testet og bevist, og vi vet ikke helt hvorfor det fungerer.

Ikke vær redd. Frykten for den blanke siden er verre enn en KI-hallusinasjon. I det minste får du ballen til å rulle. Men du må være klar over begrensningene.

Med bakgrunn innen språk og lingvistikk, og med daglig bruk av KI-verktøy, forskning på dette og erfaring fra IT-team, håper jeg å kunne gi et nyttig perspektiv. Ikke vær redd, men vit at vi ikke fullt ut forstår hvordan dette fungerer.

Jeg ville ikke stolt på modellen for en fullstendig statusrapport. Du kan skrive statusrapporten selv og be modellen tilpasse den til prosjekteieren eller teamet. Disse gruppene trenger ulik informasjon og ulike aspekter av informasjonen.

Men ikke stol fullt og helt på den. Den er overbevisende fordi den er laget for å være overbevisende. Hvis den hadde en dårlig holdning eller innrømmet at den ikke visste, ville du kanskje ikke brukt den igjen. Den høres overbevisende ut med vilje, som en strategi for å få deg til å bruke den, ikke fordi den faktisk vet hva den gjør.

Galen Low: Når vi går gjennom dette, blir det tydelig hvorfor adopsjon var en av de største utfordringene i rapporten din. Det finnes pålegg om å bare gjøre KI, press overalt, og folk er usikre på hva de forventes å gjøre med verktøyet på jobb.

Vi har ikke alltid den nødvendige dialogen om hvordan teknologien fungerer, hva vi vet og ikke vet, og hvordan vi bør bruke den i dag. Jeg lurer på om vi kan se litt lenger inn i fremtiden.

Vi har snakket om generativ KI, men den store elefanten i rommet de siste månedene har vært agentisk KI. Agentiske funksjoner finner veien inn i prosjektstyringsprogramvare. Hvor fører det oss, og hva betyr det for fremtiden?

Olivia Montgomery: Fremtidens oss. Ja, jeg er svært begeistret for fremtiden. Nåtiden er litt kaotisk. Agentisk KI betyr ulike ting for ulike mennesker.

IT-teamet i organisasjonen og leverandøren bør forhåpentligvis definere hva det faktisk betyr for dere. Hvis noen markedsfører agentisk KI som fullt klar til bruk, bør du være svært kritisk og undersøke de tekniske aspektene grundig.

Vi er ikke helt der ennå. Agentisk KI skal innebære at systemet kan ta beslutninger og utføre oppgaver gjennom en ganske komplisert arbeidsflyt. Ideelt sett kan du si: Bestill en familieferie til Hellas i oktober. Systemet kan sjekke kalenderne, forhandle frem de beste prisene på leiebil, finne de beste flyvningene og ordne alt.

Det kan fungere som en personlig agent, ta beslutninger for deg og komme tilbake med en ferdig reise. Det er spennende, og jeg håper vi kommer dit.

Naturlig språkbehandling gjør det mulig for ikke-tekniske personer å snakke med datamaskiner. Kodefri og lavkodebasert automatisering kan bygges allerede nå. Etter hvert vil dette forhåpentligvis krysse systemgrenser.

I dag kan du kanskje bygge arbeidsflyten i prosjektstyringsverktøyet, men den går ikke over i CRM-systemet, e-posten eller kalenderen. Dette vil fortsette å utvikle seg, og det er slik vi kommer nærmere agentisk KI.

Eksempelet med å bestille familieferien er også en form for stemmekoding. Stemmekoding betyr at du bruker vanlig språk som instruksjon, og datamaskinen bygger logikken.

Det handler ikke om en «vibe» eller stemning. Det handler om å bruke vanlig språk: Bestill en reise til meg. Men logikken bak en så enkel forespørsel er utrolig kompleks.

De fleste har bestilt en familieferie og vet hvor komplisert det er. Det er spennende å overlate det til en datamaskin, men det vil også være fullt av problemer. De samme risikoene finnes ved stemmekoding. De samme ordene betyr ikke alltid det samme for alle.

Du kan be om en familieferie og spesifisere fire personer, men KI kan ikke bekrefte at disse fire personene faktisk vil reise. Mye av den forbindende informasjonen, nyansene og følelsene forsvinner.

Det føles godt når oppgaven er utført og resultatet kommer med én gang. Men når du drar på familieferien KI bestilte, kan opplevelsen bli interessant. Du vet kanskje ikke hva som venter.

Galen Low: Det er som å sette seg inn i en selvkjørende bil i dag. Det er litt av et sjansespill. Teknologien er delvis utprøvd, men fortsatt et sjansespill.

Olivia Montgomery: Ja, absolutt. Det finnes mye skjevhet og ting som kan bli uventede. Hvis jeg bruker KI som kjenner meg, preferansene mine og hvem jeg er, og ber den bestille familieferien, vil den kanskje bestille historiske museer og museer for moderne kunst.

Den kan bestille et besøk på jernbanemuseet fordi den vil gjøre meg fornøyd, selv om resten av familien ikke ønsker det. Vi må derfor fortsette å kommunisere, stille spørsmål og utfordre resultatene.

Markedsføringen må tas med en klype salt. Still dypere spørsmål og forstå at verktøyene ikke er perfekte. Den første glansen begynner å forsvinne. KI kan fortelle barnet mitt en godnattfortelling, men også ødelegge statusrapporten min og få meg til å virke uvitende om prosjektet fordi jeg stolte for mye på den.

Det må være en kontinuerlig og kritisk dialog.

Galen Low: Det er et interessant poeng. Agentisk KI er ikke helt klar ennå. Mange vil kanskje si at den er det, men alle vil være enige om at det fortsatt er tidlig.

Det handler ikke bare om teknologiens utvikling. Det handler også om hvordan vi trener den og gir den kontekst. Det er en kunst i seg selv. Vi stoler ikke på at den skal ta avgjørelser om betydningen av ord, blant annet fordi vi ikke har trent den med all nyansen som følger med menneskelig kommunikasjon.

Å gå fra det til å la den forhandle om priser på reisesider er et stort sprang, men potensialet finnes. Om fem eller ti år vil arbeidet trolig se annerledes ut. Det er rotete nå, men teknologien skaper plass for noen av de mer utydelige måtene vi arbeider på.

Det finnes økonomisk press på grunn av investeringer i infrastruktur, på myndighetsnivå, bedriftsnivå og teamnivå. Presset siver ned til brukerne, som skal bruke teknologien, finne ut hvordan den brukes, logge inn hver dag og dele kunnskap.

For at alt dette skal fungere, må rekkverk, data, personvern og sikkerhet være på plass. Det må også finnes menneskelige rammer: Hva forventes av oss, hva skal vi gjøre med dette, og hvordan kan vi støtte hverandre gjennom en dialog?

Dette er større enn prosjektstyringsprogramvare, men prosjektstyringsprogramvare har vært et mikrokosmos for arbeid. Prosjektene og programvaren vi bruker, henger sammen. Dette har vært fantastisk.

Olivia Montgomery: Jeg tror prosjektledere er en av de rollene som tiltrekker seg mennesker som tenker dynamisk. De liker å tenke både på det store bildet og på detaljene. De har ofte mye av den forbindende forståelsen som gjør at de kan løse et privat problem på én måte og ta lærdommen med inn i arbeidet.

Prosjektledere er svært gode på dette, og ikke mange roller i næringslivet fungerer på samme måte. Forhåpentligvis setter de pris på at lingvistikk og makroøkonomi faktisk påvirker hvordan de bruker verktøyene.

Forhåpentligvis gir samtaler som denne en dypere forståelse av det de ser i verktøyene. Når noe går galt, kan de forstå hvorfor det skjedde, hvorfor det er riktig å stille spørsmål, og hva de kan gjøre med det.

Galen Low: Vi må nok fremheve at prosjektledere er gode på dette. Fantastisk.

Olivia, tusen takk for at du tok deg tid til å snakke med meg i dag. Det var kjempegøy, og det er alltid hyggelig å ha deg med i programmet. Jeg nevnte innledningsvis at du nettopp har publisert rapporten din, Capterras undersøkelse av trender innen prosjektstyringsprogramvare i 2025.

Hvor kan folk finne den?

Olivia Montgomery: Den ligger på capterra.com. Du finner den der. Du kan også følge meg på LinkedIn som Olivia Montgomery. Jeg prøver å publisere forskningen, tankene, ideene og innsikten min regelmessig.

Galen Low: Flott. Jeg legger også lenkene i programnotatene.

Olivia, takk igjen. Det er alltid en fornøyelse.

Olivia Montgomery: Tusen takk.

Galen Low: Det var alt for dagens episode av podkasten The Digital Project Manager. Hvis du likte samtalen, må du abonnere der du lytter. Hvis du vil ha enda mer praktisk innsikt, casestudier og veiledninger, kan du besøke thedigitalprojectmanager.com.

Vi høres neste gang. Takk for at du lyttet.