Fremtiden for kunstig intelligens i prosjektledelse med Forecast, et Accelo-selskap

Tim Fisher (00:01.19) Hei, og velkommen til fremtiden for kunstig intelligens og prosjektledelse, en serie der vi går bak presentasjonene og undersøker hvordan kunstig intelligens faktisk endrer måten team planlegger, leverer og styrer arbeid på. I dag har vi med Forecast PSA, et Accelo-selskap. Hvis du leder et team innen profesjonelle tjenester og har lurt på hvor kunstig intelligens faktisk skaper verdi – ikke teoretisk, men i verktøyene dere bruker hver eneste dag – er dette samtalen du bør få med deg. Vi skal høre deres perspektiv på hva som ikke fungerer i prosjektleveranser, se AI-funksjonene deres i et par svært interessante direktedemonstrasjoner og snakke om hvor alt dette er på vei. Legg gjerne spørsmålene deres i chatten underveis, så tar vi så mange vi rekker mot slutten av samtalen. Jeg heter Tim Fisher. Jeg er visepresident for kunstig intelligens i Digital Project Manager. Jobben min er å finne ut hvor kunstig intelligens faktisk fungerer, og hvor det fortsatt bare er markedsføringspresentasjoner. Derfor kommer jeg til å stille spørsmålene teamet ditt ville stilt. Med oss i dag har vi Joe DiPaulo, administrerende direktør i Accelo, selskapet bak Forecast PSA. Joe har brukt hele karrieren på å hjelpe team innen profesjonelle tjenester med å bygge mer forutsigbare og skalerbare leveranseorganisasjoner. I dag skal han fortelle hvordan kunstig intelligens former denne fremtiden. Joe, hyggelig å ha deg her.

Joe DiPaulo (01:07.502) Det er flott å være her, Tim. Takk for invitasjonen. Jeg gleder meg til å snakke om temaet og om hvordan dette former verdenen vår innen profesjonelle tjenester.

Tim Fisher (01:10.554)
Av

Tim Fisher (01:16.088) Veldig bra. Joe, kan du gi oss 30-sekundersversjonen av Forecast? Hva gjør løsningen, og hvem er den laget for?

Joe DiPaulo (01:23.822) Klart. Forecast er en moderne PSA-plattform, altså en plattform for automatisering av profesjonelle tjenester. Den er utviklet for virksomheter innen profesjonelle tjenester som vanligvis er vekstorienterte og arbeider med å skalere virksomhetene sine. Det er den viktigste delen. Vi fokuserer på funksjoner som prosjektplanlegging, kapasitets- og prognosearbeid, gjennomføring av leveranser og inntektsdrift. Oppdraget vårt er å gi kundene våre oversikt over dataene deres, prediktiv innsikt i hva som skjer i virksomheten og hvordan de leverer, samt hjelpe dem med å styre virksomheten så effektivt som mulig.

Tim Fisher (01:58.652) Flott. Forecast slo nylig kreftene sammen med Accelo. Hva åpner denne kombinasjonen for som ingen av plattformene hadde alene tidligere?

Joe DiPaulo (02:08.674) Ja, målet med kombinasjonen av de to organisasjonene og plattformene er å tilby et ekte, ende-til-ende-operativsystem for virksomheter innen profesjonelle tjenester. Forecast har vært svært god på AI-drevet prosjektplanlegging, ressursprognoser, etterspørselsplanlegging fra et ressursstyringsperspektiv og på å gi god fremoverskuende oversikt. Accelo har mange sterke sider innen CRM-funksjonalitet, arbeidsflyt for kunder og økonomiske arbeidsflyter. Sammen dekker forbindelsen dermed hele prosessen i en virksomhet innen profesjonelle tjenester og fungerer som et sentralt system for registrering av informasjon.

Tim Fisher (02:46.748) Flott, det gir mening. Så et nesten komisk spørsmål: Hvorfor er kunstig intelligens det dere satser hardest på akkurat nå? Hva er det strategiske veddemålet deres?

Joe DiPaulo (03:01.602) Ja, jeg tror ikke noen snakker om dette, gjør de vel? Vi satser på kunstig intelligens fordi kundene våre, som er tjenesteorienterte virksomheter, opererer i et komplekst miljø med svært begrensede marginer. Det er mange faktorer som påvirker leveransen til kundene deres. Historisk har disse virksomhetene skalert ved å ansette flere mennesker.

Tim Fisher (03:04.444) Nei, ikke i det hele tatt. Det kommer aldri opp.

Joe DiPaulo (03:27.72) Veddemålet med kunstig intelligens, mer intelligens og automatisering er derfor at disse virksomhetene kan bruke dette som et verktøy for å forbedre resultatene, kundeopplevelsen og til syvende og sist skalere og bli mer lønnsomme. Slik vi ser det, gjør kunstig intelligens ledere i stand til å gå fra å se på det som har skjedd historisk og være forholdsvis reaktive, til å drive en langt mer proaktiv virksomhet. Jeg kommer nok til å si dette mange ganger i dag, men det handler igjen om å gjøre kundene våre i stand til å skalere uten å øke bemanningen, samtidig som teamene deres kan konsentrere seg om merverdien i tjenestene, bygge relasjoner med kundene og fortsette å vokse og optimalisere leveranseprosessen. Det er grunnen til at vi fokuserer på dette, og i bunn og grunn fordi kundene våre ønsker at vi skal hjelpe dem med å utvikle virksomhetene sine.

Tim Fisher (04:30.587) Det gir mening. Før vi går over til demonstrasjonene, vil jeg gjerne høre hva du ser på tvers av bransjen akkurat nå. Du snakker med virksomheter innen profesjonelle tjenester hver dag – byråer, konsulentselskaper, IT-tjenesteleverandører og alle de andre. Hva er det egentlig som endrer seg i måten arbeidet leveres på nå?

Joe DiPaulo (04:50.668) Jeg tror kundene våre går fra å eksperimentere med kunstig intelligens det siste året eller de siste to årene, til å forsøke å bruke den mer effektivt som en ressurs i organisasjonen og i leveransen av arbeidet. De ser på hvordan de kan gjøre virksomheten mer intelligent og bruke dette til å levere til kundene sine. Alle befinner seg på ulike stadier i denne reisen, men de arbeider med å skape gjentakbare resultater og optimalisere disse resultatene gjennom kunstig intelligens. Det er denne utviklingen vi ser nå.

Tim Fisher (05:33.757) Ja, vi har alle sett de siste nyhetsartiklene om at kunstig intelligens ikke gir resultater for organisasjoner, eller ikke lever opp til forventningene eller løftene. Jeg tror det er et tydelig fokus på praktiske resultater nå. Det virker absolutt som om det er dette dere er ute etter. Plattformdataene deres viser at team rapporterer en utnyttelsesgrad på omtrent 75 prosent, sammenlignet med 40 prosent som er bransjegjennomsnittet. Hva tror du driver dette enorme gapet?

Joe DiPaulo (06:10.029) Jeg tror det handler om at når du kan arbeide mer konsekvent og bruke verktøy som hjelper deg med å bli mer forutsigbar, kan du være langt mer proaktiv. Noe av det vi forsøker å gjøre i PSA-systemet, er å gi kundene innsikt i arbeidet som kommer fra salgsorganisasjonene, drive gjentakbare og konsekvente prosesser og gjøre det mulig for dem å se hvem som gjør hva og når. Jo bedre de kan forutse og være proaktive rundt dette, desto bedre kan de drive virksomheten. Når de kan planlegge på forhånd for arbeid som kommer om én, to eller tre måneder, eller se nøyaktig hva alle arbeider med, kan de unngå å overbelaste enkeltpersoner og i stedet bruke dem på best mulig måte og på høyest mulig nivå. Jo mer de kan utnytte disse operative mulighetene, desto bedre kan de drive virksomheten, og vi ser at dette gir bedre resultater for utnyttelsesgraden.

Tim Fisher (07:20.826) Ja, veldig bra. Ser du på de mer enn 2000 virksomhetene innen profesjonelle tjenester dere arbeider med, hva er de største manglene dere ser? Enten det gjelder marginlekkasje eller det berømte problemet som jeg tror fortsatt forekommer i dag: ressursstyring basert på regneark og alle regnearkene. Manglende oversikt over problemer. Hvordan ser dette ut for dere akkurat nå?

Joe DiPaulo (07:47.437) Det er flere temaer å pakke ut der, men når det gjelder marginlekkasje i profesjonelle tjenester, er det absolutt noe kundene våre ofte sliter med. Det skjer aldri på én gang, ikke sant? Det skjer litt etter litt når et prosjekt eller et kundeoppdrag utvikler seg over tid. De oppdager problemer med hvordan de har tildelt ressurser, eller hvilke ressurser de bruker. Har de de riktige personene? Bruker de en bestemt kompetanse eller en bestemt svært dyktig medarbeider for mye?

Tim Fisher (08:15.676) Ja.

Joe DiPaulo (08:22.58) De oppdager ofte risiko i arbeidet og prosjekter som begynner å komme ut av kurs, for sent. Det er slike ting vi forsøker å løse. En annen faktor som påvirker marginen, er ukontrollert utvidelse av leveranseomfanget. Vi bruker derfor systemet til å hjelpe dem med å oppdage og forutse når de har slike utfordringer. Til syvende og sist gir dette bedre marginer. Det finnes mange steder i livssyklusen der dette kan oppstå, men jo mer vi kan varsle og hjelpe kundene med å forutse dette proaktivt, desto bedre kan de reagere. Når det gjelder arbeid i regneark, tror jeg det er vanlig i mindre organisasjoner. Mange sier at de er mer smidige på denne måten og kan reagere raskere. Men jeg tror det er en feilslutning. Vi har naturligvis et verktøy som hjelper med å løse dette problemet. Når virksomheter vokser i kompleksitet eller får flere prosjekter, ulike prismodeller, mer komplekse oppdrag eller flere team, blir dette mer utfordrende. Du mister noe av nøyaktigheten og kontrollen i sanntid. Du begynner å bryte mønstre eller prosesser som påvirker marginene og disiplinen rundt marginstyringen. I organisasjoner som virkelig bruker data – for eksempel arbeid fra CRM-systemet – og analyserer dette for å se fremover og finne ut hvordan de må bemanne, og hvilke personer de trenger, kan de se verdien utover bare å styre prosessen i et regneark. De kan bli langt mer prediktive og forhåpentligvis drive virksomheten mye mer effektivt og smidig.

Tim Fisher (10:24.688) Fantastisk. Forecast ble bygget med kunstig intelligens som grunnlag fra første dag. Jeg tror ikke mange PSA-verktøy kan si det. Det er ikke noe jeg har hørt før. Det er imponerende. Med tanke på det vi nettopp snakket om – marginpress, skalering, oversikt og alt det der – hva betyr dette egentlig i praksis for hvordan produktet deres håndterer disse problemene annerledes?

Joe DiPaulo (10:50.624) Ja, det stemmer. Systemet er bygget rundt ideen om å bruke maskinlæringsmodeller for å hjelpe team med bedre bemanning og ressursplanlegging, og helt siden begynnelsen har det utviklet og utvidet seg. Målet er at kunstig intelligens skal fungere som en veileder for organisasjoner innen profesjonelle tjenester. Den skal hjelpe dem med å håndtere ineffektivitet og komme forbi begrensninger og utfordringer knyttet til skalering. Når virksomheter blir mer prediktive, kan de unngå risiko, skape bedre kundeopplevelser, bruke ressursene mer effektivt og optimalisere hvordan de benytter dem. På den måten kan de forhåpentligvis holde teamene fornøyde og unngå at svært dyktige medarbeidere blir overbelastet og utbrent. Kunstig intelligens skal hjelpe dem med å identifisere slike bekymringer og risikoer og drive effektivisering. En annen ting vi hører fra kundene, er at når de styrer prosjekter eller oppdrag på tvers av ulike deler av virksomheten eller forskjellige avdelinger, får de bedre oversikt over data på tvers av hele organisasjonen. Hvis de trenger å bruke ressurser på tvers av funksjoner eller ta beslutninger på tvers av disse grensene, kan de gjøre det mer effektivt. Kunstig intelligens hjelper absolutt med dette. Fremover vil kunstig intelligens bli stadig mer sentral i hvordan virksomheter innen profesjonelle tjenester faktisk arbeider og leverer resultater. Det er den spennende delen av det som skjer nå, og det går igjen til spørsmålet om hvordan virksomheter skalerer og hvordan kunstig intelligens kan gjøre dette mer effektivt.

Tim Fisher (12:39.612) Du nevnte maskinlæring, og jeg føler meg forpliktet til å ta det opp fordi vi alle bruker begrepet kunstig intelligens, og også begrepet stor språkmodell. Men når du nevner dette, forteller det meg at dere arbeidet med dette før ChatGPT kom ut i verden. Dette er mer grunnleggende for hvordan dere har tenkt. Det synes jeg er veldig interessant.

Joe DiPaulo (13:02.242) Ja, det er jeg enig i. Det er spennende, og jeg er glad for at vi hadde denne historien og startet for flere år siden. Men vi fortsetter selvfølgelig å investere i og utnytte all den nye teknologien som kommer, for å hjelpe kundene våre.

Tim Fisher (13:17.712) Definitivt. La oss se dette i praksis. Joe, kan du gå gjennom noen bruksområder for Forecasts AI-funksjoner?

Joe DiPaulo (13:27.018) Klart. Jeg vil gå gjennom tre bruksområder i dag, så la meg dele skjermen.

Joe DiPaulo (13:39.823) Som sagt skal jeg gå gjennom tre bruksområder. To av dem skal jeg vise i applikasjonen vår, og de vil fremheve noen av maskinlæringsmodellene vi bruker for å hjelpe kundene våre. Det første jeg vil vise, er hvordan man går inn i et prosjekt og ser i systemet om vi kan forutsi at et prosjekt eller et porteføljeprosjekt får problemer, eller hvordan vi kan hjelpe en prosjektleder eller leder i en organisasjon med dette.

Tim Fisher (13:42.652) Greit.

Joe DiPaulo (14:02.966) Jeg har logget inn på instrumentbordet som en bestemt type prosjektlederressurs. Jeg går inn i et prosjekt som pågår aktivt. Her har jeg hentet frem det vi kaller Nova Insights. Det er et av navnene vi bruker på AI-verktøyet vårt, og det analyserer kontinuerlig data rundt all aktivitet i systemet. Det gjelder alle prosjektene, alt arbeidet som blir ferdigstilt og levert til kunder, timer som registreres, arbeid som utføres og fakturaer som sendes. I dette konkrete eksempelet kan du se at det gir meg innsikt i svært spesifikke detaljer om prosjektet. Det ser på ting som oppgaveutførelse og forteller meg i utgangspunktet at oppgavene stort sett blir fullført i tråd med estimatene. Samtidig ser det ut til at noen av ressursene mine på prosjektet ikke oppfyller tidsplanene eller ikke er så tilgjengelige som jeg forventet da prosjektet startet og estimatene ble utarbeidet. På bakgrunn av dette sier systemet sannsynligvis at det finnes risiko knyttet til budsjettet og til når prosjektet blir ferdig. Jeg kan gå inn i disse områdene og se flere detaljer. Hvis jeg ser på budsjettinformasjonen, kan du se at jeg fortsatt er relativt tidlig i prosjektet i mars, men systemet allerede anslår et avvik i marginen sammenlignet med hvor jeg håpet å være eller hvilke parametere jeg hadde satt for måloppnåelse på marginen. Det antyder at det finnes risiko. Systemet anslår også at sluttdatoen kommer etter den opprinnelig planlagte datoen. Dette er sannsynligvis et ekstremt eksempel og demonstrasjonsdata, så det er kanskje ikke perfekt, men det gir en god indikasjon på hva som skjer. I dette tilfellet skulle prosjektet etter planen avsluttes i mai, men systemet sier at det, basert på arbeidsmengden som er utført, faktisk ikke blir ferdig før i august. Prosjektlederen eller den som styrer prosjektet kan dermed sette inn tiltak. Systemet har også det vi kaller assistenter, som kan foreslå hvordan du kan løse noen av utfordringene og få prosjektet tilbake på rett spor. I dette tilfellet anslår systemet at vi mangler et visst antall timer innenfor disse rollene, og gir personen som leder prosjektet en enkel måte å justere og vurdere hvem som er tilgjengelig. Fra denne skjermen kan du faktisk opprette det vi kaller plassholdere i systemet. Disse oppretter etterspørsel etter bestemte ressurser som jeg senere kan tildele. Dette var det første bruksområdet jeg ville vise. Det er et godt eksempel på hvordan systemet kan forutsi risiko og utfordringer i et prosjekt eller en gruppe prosjekter, og hvordan noen raskt kan justere, gå gjennom eller undersøke et prosjekt mer grundig.

Tim Fisher (17:33.618) Veldig interessant. Et spørsmål til deg: Hvor mye historiske data trenger AI-en før anbefalingene blir nyttige? Og på den andre siden av spørsmålet: Finnes det et problem med oppstart fra null, der en organisasjon ikke har nok data i systemet til å lage gode svar for kapasitetsplanlegging?

Joe DiPaulo (18:00.866)Ja, det er et godt spørsmål. Modeller trenger definitivt litt informasjon å lære av og bruke. Under implementeringen er beste praksis imidlertid å laste inn ett eller to år med historiske data. Hvis du legger inn ressursinformasjon og historiske prosjektresultater, kan du forkorte denne perioden. Da blir dette tilgjengelig nesten umiddelbart. En del av implementeringsteamets prosess er å arbeide med nye kunder for å hente data inn i systemet, slik at de får verdi fra første dag.

Tim Fisher (18:14.854) Greit.

Joe DiPaulo (18:33.122) Teamet arbeider rådgivende med de nye kundene i denne prosessen.

Tim Fisher (18:33.893) Utmerket.

Tim Fisher (18:38.653) Flott. Greit.

Joe DiPaulo (18:40.938) La oss fortsette reisen, Tim. Jeg vil snakke litt om planlegging og gå videre til det andre bruksområdet, der jeg vil fokusere mer på kapasitetsplanlegging, ressursplanlegging og hvordan ressurser kan tildeles. Dette knytter seg til spørsmålet ditt om å styre i regneark versus å styre i et verktøy. Dette er et bilde på høyt nivå av kapasitet per måned. Jeg kan gjøre ting som å gå ned på ulike uker eller tidsperioder og gå videre ut i kvartalene. Men dette viser en ressursforvalter eller en annen person som må planlegge med ressurser og tildele dem arbeid, hvilket arbeid vi har på vei, og dette kan filtreres på ulike måter etter bestemte prosjekter eller kunder, eller slik de ønsker. Hvis jeg går inn i dette eksempelet, ser jeg på arbeid jeg har i gang. I mars har jeg timer tildelt personer som aktivt arbeider med oppgavene, og så har jeg dette konseptet med plassholdere, som jeg nevnte tidligere i assistentalternativet. Du kan se konkret at prosjektlederne har ulikt arbeid som må tildeles. Når jeg går gjennom og tildeler dette arbeidet, viser systemet at åtte personer passer til oppgaven. Det lager faktisk anbefalinger basert på ting som kompetanse, hvilken rolle personen har, satsene som er knyttet til dem, og ulike egenskaper i profilen deres. Dette bør gjøre det ganske enkelt for en ressursforvalter. Hvis jeg går litt dypere inn i detaljene, viser systemet faktisk hvilke tre ressurser det mener passer best til dette arbeidet. Jeg har 260 timer med prosjektledelse, og kan se at det går fra mars til mai. Jeg kan se på ulike ressurser og hva de har tildelt. Jeg kan dra og slippe dette og flytte det rundt for å se hvordan det påvirker kapasiteten deres. Hvis jeg vil tildele arbeidet til dem, kan jeg gjøre det. Poenget er at systemet tar over noe av arbeidet med å finne ut hvem som er tilgjengelig, hvilken kompetanse som er riktig og hvordan arbeidet skal tildeles. Dette gjøres med modellene jeg snakket om, som lager anbefalingene og gjør det enkelt for ulike personer å utføre oppgaven. De kan gjøre dette på ulike nivåer, avhengig av hvordan hver organisasjon arbeider med ressursstyring.

Tim Fisher (21:29.309) Veldig interessant. Kanskje du kommer til dette, men jeg tenker på én ting mens jeg ser dette i praksis: Når AI-en anbefaler en rolle, hvilke signaler ligger bak? Hva driver dette? Er det samsvar mellom kompetanse og tilgjengelighet, tidligere prosjektresultater – hva inngår i disse smarte anbefalingene?

Joe DiPaulo (21:50.007) Ja, det er nettopp de tingene du nevner. Det første og mest åpenbare er tilgjengelighet. Hvis jeg har arbeid som må gjøres i morgen, hvem er tilgjengelig i morgen? Deretter ser vi på rolle og kompetanse. Systemet tar inn mye data om tidligere prosjektresultater, hvilke oppgaver personene har arbeidet med og hvor godt de har utført dem. Det er interessant at systemet lærer av dette. Noen ganger utfører en mer junior person oppgaver på seniornivå, og det er en del av utviklingen deres. Systemet er klar over dette og kan ta hensyn til det i anbefalingene. Det er disse tingene som inngår.

Tim Fisher (22:27.869) Jeg har ikke sett et regneark gjøre noe slikt. Det er veldig interessant.

Joe DiPaulo (22:31.342) Det er jeg enig i. Det siste bruksområdet jeg vil dekke, Tim, er å vise litt mer av hvordan vi bruker MCP for å la kundene samhandle med dataene i systemet vårt via en valgfri tredjeparts stor språkmodell, eller gjennom andre systemer, slik at de kan bygge sin egen AI-arbeidsflyt. Jeg skal hente frem Claude og gå gjennom dette.

Tim Fisher (23:06.779) Ja, det gir mening. Og mens du gjør det, kan jeg forklare for de mindre tekniske som lytter: MCP står for Model Context Protocol. Alle som har integrert et AI-system med en av de store chatplattformene, som den Claude-løsningen vi snart skal se på, har sannsynligvis brukt eller kjenner til MCP. For dere som er tekniske nok til å kjenne litt til grunnlaget, kan man se på det som et API for store språkmodeller og AI-modeller som skal samhandle med hverandre og med andre datakilder og systemer. Det er dette vi snakker om her. Jeg gleder meg til å se det i praksis. Det er veldig interessant at dere har bygget dette inn i verktøyene.

Joe DiPaulo (23:54.723) Takk for forklaringen, Tim. Det var nyttig. Jeg bruker Claude, som du sa, men kundene våre bruker ulike verktøy for agent- og AI-bruk, og du kan koble til hvilket som helst av dem. Kundene kan dermed bruke sine egne store språkmodeller for å få størst mulig verdi ut av ikke bare Forecast, men en gruppe systemer, hvis de ønsker det, eller for å utforme arbeidsflyter. Dette er noe vi har hørt fra mange kunder. Dette er en betafunksjon som vi arbeider med å rulle ut. Jeg kan stille spørsmål som «Hvem er tilgjengelig neste uke?» Når jeg gjør det, kobler løsningen seg til via MCP, henter data for den aktuelle kunden og returnerer svaret. Du får se hvordan dette skjer. En annen ting ved MCP er at det er en sikker protokoll, så kundene må autentisere seg for å bruke den. De får bare tilgang til data fra sin egen konto. Dette er ikke data vi deler på tvers av kunder. Det er låst ned.

Joe DiPaulo (25:09.614) Det er en del av protokollen. Du kan se at den tenker her, men den leter etter tilgjengelighet neste uke. Den bør gi oss noen data tilbake. Dette kan være en ressursforvalter eller en leder som ønsker rapporteringsinformasjon fra systemet. Det kan være prosjektstatus eller lignende.

Tim Fisher (25:14.749) Ja. Dette er utrolig interessant.

Joe DiPaulo (25:37.742) Forhåpentligvis kommer svaret fra Claude om et øyeblikk.

Tim Fisher (25:39.998)Mens vi venter, en kort kommentar: Når jeg ser verktøy og samhandlinger som dette, tenker jeg på hvordan dette kan redusere møter. Jeg tenker på spørsmålene ledelsen har. Jeg har selv vært i roller der systemene og produktene er kompliserte, og det å kunne gå til et brukergrensesnitt og få en brukeropplevelse vi nå alle kjenner, og få dype, kontekstualiserte svar fra virksomheten, er utrolig verdifullt.

Joe DiPaulo (25:55.149) Ja, det er flott. Dette er åpenbart demonstrasjonsdata, men for neste uke kan jeg se at jeg har mange tilgjengelige timer, 55 personer med kapasitet, sannsynligvis et sted på denne listen, og at jeg har 40 ledige timer. Det er unøyaktig, men du forstår ideen. Den viser informasjon om personene i organisasjonen, hvor mye tid de har, hvem som er tilgjengelig for arbeid og slike ting. Ett siste raskt eksempel: Hvis jeg er interessert i et mer overordnet bruksområde og vil se rapporteringsdata, kan jeg spørre: «Hvor mye av den registrerte tiden er fakturerbar og ikke-fakturerbar?» Det kan ta et minutt å kjøre dette og hente resultatene, men dette er et rapporteringsscenario. I stedet for å legge data inn i et regneark eller et instrumentbord kan jeg spørre svært spesifikt om det jeg vil se. Systemet går gjennom prosessen og henter dette tilbake. Dette kan komme fra hvilken som helst stor språkmodell kunden bruker for å hente data fra systemet. Den tenker litt nå, men det ser ut som den henter mange ulike tidsregistreringer. Det ser ikke ut til at utnyttelsesgraden min er særlig god i dette demonstrasjonseksempelet, men du forstår ideen: registrerte timer, hvordan de faktureres og ikke-fakturerbare timer.

Tim Fisher (27:55.709) Ja.

Joe DiPaulo (28:01.198) Det ser ut som den fortsatt oppsummerer data og bygger informasjon. Men dette er et godt eksempel på MCP-bruksområdet og på hvordan kundene kan koble seg til data i driftssystemet sitt for å få svar på spørsmål og mer meningsfull innsikt i virksomheten.

Tim Fisher (28:20.741) Det er litt morsomt å høre deg beskrive dette, for jeg hører en viss nøling i måten du snakker om hvor lang tid ting tar. Men hvis vi trekker oss litt tilbake og tenker på arbeidet som foregår i bakgrunnen, og hvor mye tid og innsats det ville krevd å samle alt dette, er dette utrolig raskt. Det er virkelig, virkelig interessant.

Joe DiPaulo (28:38.702) Ja, absolutt. Vi snakker om 23 000 timer og store mengder data her. Likevel går den raskt gjennom dette og returnerer både kontekstuell informasjon og detaljer om prosjektet. Dette er igjen i stor grad demonstrasjonsdata, men du ser hva den returnerer. På 20–30 sekunder får du en svært grundig oversikt over den konkrete kunden jeg spurte om. Dette var bruksområdene jeg ønsket å dekke. Forhåpentligvis var det nyttig.

Tim Fisher (29:10.661) Fantastisk. Veldig nyttig. Nå har vi sett hva AI kan gjøre i dag, og det er virkelig imponerende. La oss bruke noen minutter på å se litt fremover. PSA-markedet forventes nesten å dobles innen 2030, noe som er vilt å tenke på. AI-verktøy og prosjektledelse vokser naturligvis enda raskere. Joe, hvor tror du dette går videre?

Joe DiPaulo (29:43.611) Som jeg antydet i begynnelsen, er jeg veldig entusiastisk over hvordan kunstig intelligens gjør det mulig for virksomheter innen profesjonelle tjenester å bruke agenter til å levere mer effektivt til kundene sine. Vi kommer til å se organisasjoner bruke agenter til å levere arbeid og ta noe av dette bort fra menneskene. Det vil bety kortere tid til verdi for kundene, en bedre kundeopplevelse og bedre fortjenestemarginer for brukerne av systemet vårt. Det synes jeg er spennende.

Tim Fisher (30:15.613) Ja, definitivt. Du kan dele det du ønsker, på det nivået du ønsker. Uten å gi oss hele veikartet deres: Hvilket kapabilitetsgap er du mest spent på å lukke med AI, og hvordan endrer dette det kundene deres kan gjøre?

Joe DiPaulo (30:44.47) Det bygger videre på temaet jeg nettopp snakket om. Vi ser absolutt at verktøy som Claude og lignende hjelper programvareutviklingsteam med å skrive kode og arbeide mer effektivt. Vi ønsker å være en del av dette økosystemet og hjelpe kundene med å identifisere arbeidsstyrken sin, orkestrere den og koble den til driftssystemene og agentene for å drive virksomheten mest mulig effektivt, se informasjon i konteksten av virksomheten og arbeidsflytene, og samtidig utnytte mulighetene agentene gir for å gjøre arbeidet mer robust og levere det raskere. Vi tror på dette. Vi gjør det i vår egen virksomhet, og vi ser hvordan det kan påvirke og forbedre kundenes virksomheter betydelig.

Tim Fisher (31:48.166) Flott. Jeg liker å stille dette spørsmålet: Hvis vi er tre eller fire år frem i tid, hvordan ser hverdagen ut for en prosjektleder? Hvordan utvikler rollen seg? Finnes det i det hele tatt en prosjektleder? Ser du for deg at AI tar over den rollen? Hvordan ser du fremtiden fra ditt ståsted?

Joe DiPaulo (32:10.158) Jeg tror vi kommer til å se enorme endringer i hvordan arbeidet utføres. Det vil fortsatt være behov for mennesker som kan organisere og tenke gjennom resultatene vi forsøker å oppnå, og som kan orkestrere disse systemene slik at de leverer. Det må legges mye tankevirksomhet i hvilke inndata vi legger inn i maskinene, og hvilket resultat vi ønsker å oppnå. Det vil fortsatt være kvalitetskontroller og andre ting som må gjøres. Men jeg tror alt dette skjer raskere enn i løpet av tre år. Vi kommer til å se betydelige endringer og agenter som fungerer som arbeidere i organisasjoner. Hvis vi ikke ser det nå, kommer det definitivt til å skje i løpet av de neste 12–36 månedene, og det vil bli tatt i bruk av flere ulike, svært spesifikke områder på tvers av mange bransjer. Det synes jeg er fascinerende.

Tim Fisher (33:13.554) Ja.

Tim Fisher (33:18.971) Ja, det er det virkelig. Takk for at du gikk gjennom alt dette med oss. Det var en svært innsiktsfull samtale. For alle som ser på og tenker at de vil se Forecast i sitt eget miljø med egne data: Hva er det beste neste steget?

Joe DiPaulo (33:35.343) Det beste de kan gjøre, er å besøke nettstedet vårt på Forecast.App. Der kan de be om en demonstrasjon, og en rådgiver vil ta kontakt. Vanligvis ønsker rådgiveren å forstå virksomheten deres litt, slik at demonstrasjonen og samtalen kan tilpasses, og slik at vi kan definere hvordan vi kan vise verdi for dem. Vi går gjennom denne prosessen sammen med dem. Det er det jeg vil anbefale. Som en del av dette nettseminaret skal vi også publisere en vurdering av AI-beredskap. Det er en annen ressurs kundene kan bruke, og vi kan ta kontakt med dem etterpå hvis de er interessert.

Tim Fisher (34:13.629) Fantastisk. Da går vi over til direkte spørsmål og svar. Til alle som lytter: Hvis dere ikke allerede har lagt spørsmålene deres i chatten, er dette muligheten til å stille Forecast-teamet spørsmål direkte. Vi har allerede fått inn noen, og jeg skal gå gjennom noen av dem nå. Yaron spør: Hvordan kan man på en pålitelig måte sammenligne tidsbesparelsen ved prosjektledelsesproblemer med og uten AI? Finnes det noe som kan kalles AI-kaninhull?

Joe DiPaulo (34:40.622) Uten AI gjøres dette vanligvis gjennom rapporter, instrumentbord eller andre mekanismer i systemet. Du kan se på det for et enkelt prosjekt på et svært detaljert nivå, eller på tvers av prosjekter gjennom tradisjonell BI-rapportering eller instrumentbord. I mange tilfeller bruker vi mye av de samme dataene til å fylle språkmodellene eller AI-verktøyene våre som leverer denne innsikten. Du bør derfor få ganske like resultater, naturligvis avhengig av hvordan du formulerer spørsmålene til agentene. Grunnlaget i dataene er det samme. Dette er en viktig del av å bruke AI i et operativt system som vårt: Inndataene er konsistente, og datastrukturen bak er konsistent. Systemet går ikke ut på nettet for å finne kontekst om arbeidede timer. Det bruker dataene i organisasjonen din. I testene og resultatene våre ser vi svært like typer resultater når vi leter etter informasjon.

Tim Fisher (35:50.256) Vi har to svært like spørsmål fra Michael og Eduardo. Kommer denne typen funksjonalitet til Accelo? Dette gjelder en kommentar som kom inn mens du snakket om veikartet.

Joe DiPaulo (36:03.724) Ja. Vi lanserer mer AI-funksjonalitet i begge løsningene. Det første fokuset vårt på MCP-serveren og MCP-arbeidsflyten er på Forecast-siden, men på sikt ønsker vi å bringe dette til alle kundene våre.

Tim Fisher (36:20.744) Veldig interessant. Vivek spør: Hvor hentes de tilgjengelige timene fra? Dette var under det siste bruksområdet, som jeg tror var Claude-eksempelet.

Joe DiPaulo (36:30.222) Ja. Jeg vet ikke om de kan se det i applikasjonen vår, men det kan de. Mange av kundene våre registrerer tid fra konsulentene sine. De trenger ikke nødvendigvis å fakturere på denne måten, men det er viktig for oss å forstå kostnadene ved oppgaver og prosjekter og sammenligne dem med estimatene. Dette kan også legges inn i systemet på andre måter, men en del av applikasjonen er å registrere tiden til enkeltressurser. Deretter kan vi bruke dette, eller registrere fullføring av oppgaver sammenlignet med estimater, og rapportere på det. Dette er en del av kjernedataene i systemet.

Tim Fisher (36:40.062)
Klart. Veldig interessant. Nå har vi noen mer supplerende spørsmål rundt temaene vi har snakket om. Et helt konkret produktspørsmål: Kan dere integrere med ServiceNow eller Azure?

Joe DiPaulo (37:19.47) Ja, vi kan integrere med Xero. Det er svært vanlig for oss å integrere med regnskaps- og økonomisystemer. Vi har standardintegrasjoner som fungerer rett ut av boksen.

Tim Fisher (37:31.44) Beklager, jeg uttalte meg sannsynligvis feil. Jeg mente Microsoft Azure.

Joe DiPaulo (37:36.258) Godt forstått. Gjennom MCP-modellen kan noen som bruker Azure eller Microsoft Copilot, for eksempel for å hente data inn i en stor språkmodell i det miljøet, gjøre det.

Tim Fisher (37:43.944) Klart. Veldig interessant. Yaron spør: Har dere en anbefalt ordliste eller indeks over begreper knyttet til dagens temaer som man kan bruke som videre referanse?

Joe DiPaulo (38:01.166) Det er et godt spørsmål. Jeg vet ikke om jeg har noe for hånden, men jeg er sikker på at vi kan sette sammen noe hvis det kommer spørsmål etter dette, og følge opp.

Tim Fisher (38:09.873) Flott. Og litt i samme retning: Holder dere kurs i kunstig intelligens og prosjektledelse? I så fall, finnes det noen detaljer om dette?

Joe DiPaulo (38:23.586) Det har vi ikke gjort historisk. Vi har først og fremst fokusert på å levere programvaren og hjelpe kundene med å utnytte den, snarere enn å lære opp teamene deres i temaer som prosjektledelse. Det har derfor ikke vært fokuset vårt.

Tim Fisher (38:29.073) Ja, flott. La oss se: Vi har et annet spørsmål. Tror du AI noen gang kan erstatte samarbeid og samtaler når det gjelder ressursstyring?

Joe DiPaulo (38:54.231) Ja.

Tim Fisher (38:54.365) Det er et stort spørsmål.

Joe DiPaulo (38:59.39) Jeg tror den kan gi mye kontekstuell informasjon og bidra til å lage anbefalinger. Men det vil fortsatt alltid ha verdi å snakke sammen og forstå ansikt til ansikt hva folk er interessert i, og hvilken kompetanse de mener de har. Forhåpentligvis gjør det samtalene raskere og mer verdifulle, i stedet for bare å spørre om noen er tilgjengelig om tre uker. Man kan heller si at man har et spennende prosjekt som passer godt til kompetansen deres, og spørre hva de synes. Forhåpentligvis er kombinasjonen av disse to tingene det som gjør kundene mer effektive og gjør det mulig å bruke dataene i organisasjonen bedre.

Tim Fisher (39:47.08) Flott. Et spørsmål fra meg: Hva gjør alle disse tingene dere snakker om – verktøyene, demonstrasjonene – annerledes enn å bruke ChatGPT, Claude eller Copilot med en dataeksport og så stille spørsmål til den?

Joe DiPaulo (40:03.863) Det er et svært godt spørsmål. Vi vet naturligvis at kundene våre kommer til å bruke mange verktøy, som ChatGPT, Copilot og Claude, og vi ønsker at de skal gjøre det. Vi bygger bruksområder som støtter at de tar data inn i flere systemer. Forskjellen er etter mitt syn, og jeg tror dette gjelder de fleste SaaS-applikasjoner som fungerer som et system for registrering av informasjon eller som en del av kundenes økosystem og måte å drive virksomheten på, at systemer som vårt har mer kontekst om kundene og dataene deres. Du så det med tidsregistreringen og timene. Et generelt AI-verktøy ligger utenfor driftssystemet. Det kan gi kontekst og gjøre analyser, men har vanligvis ikke alle inndataene i sanntid fra hele organisasjonen, enten det gjelder nye kunder, fakturaer og inntekter eller andre data som kommer inn i systemet. Systemet kan hele tiden utnytte dette. Kombinasjonen av de to er det som er kraftfullt, og det er forskjellen. Det gjelder egentlig de fleste SaaS-applikasjoner med operative data. Det er der verdien ligger.

Tim Fisher (41:30.331) Ja, det gir fullstendig mening. Vi har et nytt spørsmål fra Augustina. Fra et prosjektleder- eller ledelsesperspektiv, hvilke andre områder tror du fortsatt har størst potensial for AI-drevet forbedring? Vi har vært litt inne på dette, men jeg er nysgjerrig på svaret ditt.

Joe DiPaulo (41:47.94) For meg gjelder det generelt alle steder der et system på en gjennomtenkt måte kan hjelpe med å utføre mer trivielle oppgaver som kan gjentas og baseres på logikk. Vi hører mye i mediene om programvareutvikling eller støtte til juridisk arbeid. Når jeg ser på den tradisjonelle livssyklusen for profesjonelle tjenester, kan AI for eksempel hjelpe med å generere tilbud mer automatisk, som et menneske deretter gjennomgår før det sendes til kunden. Et annet eksempel vi hører hele tiden, er ønsket om hjelp til å generere fakturaer som skal sendes til en kunde, samtidig som systemet varsler om avvik. Mener systemet at timer mangler, eller at det mangler annen kontekst? Eller, som jeg nevnte, å identifisere risiko slik at man kan håndtere den tidlig. Dette er gode eksempler på oppgaver som AI kan hjelpe med i arbeidsflyten i systemet vårt.

Tim Fisher (42:54.14) Når du sier dette høyt, innser jeg at mye av mulighetene handler om at når man driver en svært liten virksomhet, kanskje som selvstendig næringsdrivende, har man alle disse tingene i hodet. Man kjenner dem alle, fordi man kjenner virksomheten sin. Men når virksomheten skalerer, blir man selv mindre skalerbar. Det er så mange ting som må tas med i beslutningene at det ganske enkelt blir for mye for én person eller en liten gruppe. En datamaskin som forstår språk, kontekst og alt dette, gir derfor enorme muligheter i dette området. Den kan hjelpe folk med å skalere uten at den menneskelige arbeidsstyrken må skaleres tilsvarende, slik du nevnte tidligere. Det er svært spennende. La oss se, vi har et spørsmål fra Pia. Har du noen bruksområder på toppen av hodet der Accelo brukes i europeiske virksomheter, særlig i økosystemet for teknologiske oppstartsbedrifter?

Joe DiPaulo (43:40.738) Ja, absolutt. Det er noe av det vi satser mest på. Systemet er godt egnet til det vi har snakket om som mer tradisjonell prosjektledelse, med milepæler og oppgaver. Det støtter også en mer smidig arbeidsflyt, enten det er sprintarbeid eller en Kanban-lignende innsats. Vi arbeider aktivt med å gjøre det mulig for kundene å føre inndata gjennom denne prosessen til det som tradisjonelt har vært programvareutviklere eller ingeniører, enten de bygger noe fra et byråperspektiv, som et nytt nettsted, styrer et teknisk SEO-område eller leverer programvare til en kunde. Vi satser på agenter som hjelper programvareutviklingsorganisasjoner og utfører disse tingene mer agentbasert, slik vi ser med Claude eller OpenAI. Det er definitivt retningen vi går i.

Tim Fisher (45:12.23)
Flott. Vi nærmer oss de siste spørsmålene. Jeg tror kanskje dette er det beste spørsmålet jeg har sett så langt. Katarzyna spør: Hvordan anbefaler du å overbevise en organisatorisk PMO om å tillate bruk av prosjektstyringsverktøy og programvare for porteføljestyring i stedet for regneark? Hvordan kan de vise at fordelene er større enn risikoen? Før du svarer, vil jeg si at en av de største utfordringene jeg stadig møter, er endringsledelse, uavhengig av teknologi eller endring. Endring er vanskelig. Hva vil du anbefale her?

Joe DiPaulo (45:48.847) Jeg er enig med deg i aspektet rundt endringsledelse. I slike tilfeller må man kunne si hva smertepunktene er, eller forstå hvilke smertepunkter disse menneskene opplever. For meg handler det om ting som om overleveringene mellom salgs- og leveranseorganisasjonen, og mellom leveranse og økonomi, er vanskelige. Hvis dette finnes i dag og du styrer noe av det gjennom et regneark, er det ofte en indikasjon på en utfordring eller noe personen forhåpentligvis kan forstå og se verdien og avkastningen av. Når det gjelder endringsledelse, er det vanligvis menneskenaturen som spiller inn. Du må kanskje overbevise og lære opp folk, og du trenger sannsynligvis en godt gjennomtenkt plan. Hvis du sier at dere skal begynne med noe nytt i morgen, er det ikke sikkert de liker det. Hvis de derimot får en tidshorisont på 30, 60 eller 90 dager og blir tatt med gjennom reisen, er det naturligvis en bedre tilnærming for å lykkes.

Tim Fisher (46:56.092) Ja, det siste du sa er svært viktig. Det sier kanskje noe om hvor ulike organisasjoner befinner seg nå. Noen har eksperimentert fra første dag, noen er kanskje i ferd med å begynne, og noen motsetter seg aktivt eller passivt. Det er mange ulike perspektiver, særlig i større organisasjoner, og det er vanskelig å håndtere. La oss avslutte med ett eller to spørsmål til. La oss se litt fremover igjen. Jeg vet at jeg har vært inne på dette flere ganger, og vi har også fått et spørsmål om det, men dette er noe av det mest interessante å snakke om. Hvis du, Joe, som administrerende direktør kunne svinge en tryllestav: Hva er det ene problemet i prosjektledelse du aller helst ville løse med AI nå?

Joe DiPaulo (47:56.782) Det er et godt spørsmål. Jeg tror det handler om å ta over trivielle oppgaver som mennesker har utført, levere dem raskere og mer effektivt og gjøre det mulig for menneskene som er involvert, å bygge relasjoner og virkelig optimalisere virksomhetene sine. Det er mitt perspektiv. Det vil variere litt avhengig av hvilken type organisasjon og virksomhet du driver, men jeg tror det er dette som tar form svært raskt nå.

Tim Fisher (48:28.049) Uten tvil.

Tim Fisher (48:32.83) Det er virkelig løftet i alt dette. Det var all tiden vi har i dag, Joe. Tusen takk for at du ble med oss. Dette var fantastisk. Og til publikum: Takk for alle de gode spørsmålene. Ha en fin dag, så sees vi på neste arrangement om fremtidens kunstig intelligens i en prosjektledelsessesjon. Takk, Joe.

Joe DiPaulo (48:52.46) Ja, tusen takk, Tim. Jeg setter stor pris på det.

Tim Fisher (48:54.589) Flott.