De beste AI-modellene for prosjektstyringsoppgaver
Modellandskapet: Bruken av AI-modeller i prosjektstyring har økt raskt, med ulike modeller for spesifikke oppgaver.
Møteoppsummering: Ulike AI-modeller er svært gode til å oppsummere møter; valg av modell påvirker nøyaktigheten og detaljnivået.
Kommunikasjon med interessenter: AI hjelper med å strukturere innhold til oppdateringer for interessenter, men presisjonen varierer mellom modellene.
Omfangsdokumentasjon: Claude foretrekkes til detaljorienterte omfangsoppgaver, særlig når modellen behandler avhengigheter.
Prosessdokumentasjon: ChatGPT er ofte bedre til å organisere spredt informasjon i sammenhengende prosessdokumenter.
Vi snakker mye om AI-verktøy for prosjektstyring her hos DPM – men vi har ennå ikke rettet søkelyset mot selve AI-modellene og hvordan de former prosjektlederarbeidet. Før nå.
Modellandskapet har raskt blitt tett befolket. Ifølge Artificial Analysis' undersøkelse av AI-adopsjon økte det gjennomsnittlige antallet LLM-familier som ble brukt eller vurdert, fra omtrent 2,8 i 2024 til 4,7 i 2025. Og rangeringen T4 Atlas' «Mest brukte AI-modeller» viser hvilke som stadig dukker opp i markedet: GPT-4o, Claude 3.5 Sonnet, DeepSeek R1, Gemini 1.5 Pro, Llama 3, Copilot Model Stack, Grok og Codestral.
Hvis du har eksperimentert med mer enn én, vet du allerede at de ikke kan byttes om på – og å behandle dem som om de kan, kan bety at du går glipp av reelle ytelsesforbedringer. For å finne ut hvordan disse modellene klarer seg på de vanligste PM-oppgavene, gikk vi rett til fagfolkene. Her er hva de fortalte oss.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Oppsummering av møter og handlingspunkter
Claude, Gemini, Read AI
Oppsummering av møter er et av de vanligste bruksområdene for AI i prosjektstyring, og også et av områdene som er mest følsomme for forringelse av modellens ytelse. Joe Troyer, markedssjef i Great Lakes Tiny Homes, trekker frem en direkte sammenligning: «Claude holder handlingspunktene korrekte gjennom transkripsjoner på én time, mens GPT begynner å utelate navn og tidsfrister etter de første tretti minuttene.» Jo lengre møtet er, desto viktigere blir modellvalget.
Claude holder handlingspunktene nøyaktige gjennom timeslange transkripsjoner der GPT begynner å miste navn og tidsfrister etter de første tretti minuttene.
Men å identifisere riktig modell er bare halve ligningen – å vite hvordan et godt resultat ser ut, er den andre. Troyer er tydelig: "Et godt resultat lister hvert punkt med talerens navn og én setning om forpliktelsen. Et dårlig resultat legger til ekstra oppgaver som aldri ble tatt opp, eller slår sammen to personer til én ansvarlig."
Ikke alle ender opp på samme sted. Michael Gold, som leder prosjekter for flere kunder, kryssjekker bevisst modeller i stedet for å forplikte seg til én: "Til syvende og sist ender jeg opp med å bruke alt mulig, som Gemini, Claude, Chatty og så videre, selv når jeg har Firefly. Jeg tar transkripsjonen fra Firefly og legger den inn i noe annet, fordi jeg ikke stoler på Firefly." Tilnærmingen hans behandler modellsammenligning som en del av selve arbeidsflyten – ikke som et oppsettstrinn man gjør én gang.
Ryan Gilbreath har en mer strukturert tilnærming og rangerer alternativene han har testet: "Jeg vil si at hvis jeg måtte rangere verktøylisten min når det gjelder AI-notatverktøy, har Read AI vært blant de beste for meg akkurat nå. På andreplass kommer Gemini, ganske enkelt fordi jeg jobber i et Google-arbeidsområde, og det er enkelt å synkronisere og samle alle notatene mine på ett sted. Deretter vil jeg si Otter AI."
Kommunikasjon med interessenter og statusrapportering
Claude Opus, ChatGPT-4
En nyttig statusoppdatering gjør bestemte ting godt. Guillermo Ginesta, administrerende partner for APAC hos Brinc, formulerer det slik: "Et nyttig resultat må skille mellom fakta, hindringer, tiltak knyttet til den ansvarlige og politisk risiko uten å finne på sikkerhet." Ken Herron, medgrunnlegger hos VCONify, formulerer det like presist: "Et godt resultat oppsummerer hva som er endret, hvorfor det er viktig, hvem som eier det neste tiltaket, og hvor det kreves beslutninger. Et dårlig resultat leses som et generelt møtereferat, behandler alle problemer som like viktige og mister den overordnede konteksten."
Med dette i tankene har fagfolk en tendens til å dele seg etter hva de optimaliserer for. Ken Herron, medgrunnlegger hos VCONify, velger Claude når kommunikasjonskvalitet er prioritert: "Når jeg trenger å gjøre møtenotater, e-posttråder og tilbakemeldinger fra ledelsen om til en kortfattet oppdatering til interessenter, produserer Claude [Opus] konsekvent klarere og mer nyanserte kommunikasjonsresultater enn andre modeller jeg har testet."
Andre argumenterer for ChatGPT-4. Bogdan Condurache, medgründer og CPO i Brizy, bruker GPT-4 til kommunikasjon med interessenter sammen med Claude for avgrensning. Han trekker frem GPT-4s evne til å tilpasse kommunikasjonen til ulike målgrupper: "Hvis jeg må forklare en forsinkelse for ledelsen, forenkle en produktoppdatering for kunder eller oppsummere teknisk gjeld for ikke-tekniske team, tilpasser den tone og detaljnivå på en god måte."
Dokumentasjon av omfang og krav
Claude Opus, ChatGPT-4
Når det gjelder å definere omfang, heller fagfolkenes samlede vurdering mot Claude — særlig for komplekst arbeid med mange avhengigheter, der kostnaden ved en oversett antakelse er høy. Murli Pawar, visepresident i SunTec, beskriver hvordan teamet hans bruker Claude Opus til nettopp dette: "Vi bruker Claude Opus til å gjøre en kundes omfangsdokument om til en konkret prosjektplan ved å dele den opp i oppgaver, sette dem i riktig rekkefølge og kartlegge avhengigheter. Prosjektene våre har ofte mange gjensidig avhengige trinn, der én fase ikke kan starte før en annen er ferdig og avklart, så dette er oppgaven der planleggingen må være reelt gjennomtenkt, ikke bare listet opp."
Det som skiller Claude ut i denne sammenhengen, er etter Pawars syn hvordan den håndterer tvetydighet: "Når jeg gir den en vag beskrivelse, er Claude mest konsekvent til å oppdage at trinn C i det skjulte er avhengig av trinn A, og til å påpeke hvor beskrivelsen er ufullstendig, i stedet for å finne på antakelser for å fylle hullene. De andre gir meg oftere en plan som ser komplett ut, men som faller fra hverandre så snart du undersøker rekkefølgen."
Pawars definisjon av et godt kontra dårlig resultat her er verdt å merke seg: "Et godt resultat er en plan jeg kan stille spørsmål ved. Den synliggjør sine egne antakelser. Den kan også gruppere oppgaver i logiske faser og fortelle meg hvor beskrivelsen var tvetydig, i stedet for å dekke over det. Jeg bør redigere den, ikke bygge den opp på nytt. Et dårlig resultat er en overbevisende plan som i bunn og grunn er feil."
SOP- og prosessdokumentasjon med ChatGPT
Prosessdokumentasjon stiller andre krav til AI enn sanntidsopptak av møter — og forskjellen mellom et resultat som ser polert ut, og et som faktisk kan brukes, kan være spesielt kostbar her. Fagfolk som arbeider regelmessig med dette, tyr ofte til ChatGPT, blant annet på grunn av styrken dens når det gjelder å omstrukturere spredt informasjon til logiske sekvenser.
Hien Nguyen, medgrunnlegger og direktør i Happy Way, bruker ChatGPT til å samle operativ kunnskap som er «spredt over ulike steder — møter, meldinger i Slack, e-post og fra individuelle medlemmer av driftsteamet». Verdien av modellen er etter hennes erfaring dens evne til å ta uorganiserte innspill og strukturere dem: «Et godt resultat vil definere prosessen trinn for trinn og inkludere beslutningspunkter, med så mange detaljer at en nyansatt kan bruke dette dokumentet til å utføre prosessen uten å trenge kontinuerlig avklaring.»
Han identifiserer det grunnleggende feilmønsteret tydelig: «Et dårlig resultat vil se polert ut, men vil ikke inneholde de praktiske detaljene. Hvis KI oppretter nye trinn, utelater viktig informasjon om en prosess og bruker generelle begreper til å beskrive virksomheter uten å forklare hvordan arbeidet utføres, blir dokumentet nesten ubrukelig.» For SOP-er er sammenheng på overflaten ikke nok — detaljnivået må være på plass, ellers mislykkes dokumentet i praksis.
Tekstforfatning og skriftlig arbeid
Claude, Gemini
For skriveoppgaver — enten det gjelder å utforme prosjektkommunikasjon, innhold eller tekst — rapporterer fagfolk om et tydelig skille. Claude og Gemini fremstår som de foretrukne alternativene, mens ChatGPT kommer dårligere ut i direkte sammenligninger.
Jennifer Goebel, prosjektkoordinator hos Baker Marketing Laboratory, mener at Claude er det beste skriveverktøyet når det gjelder tone: «Claude ser ut til å være verktøyet som fungerer best for kommunikasjon, med mindre frem og tilbake enn ChatGPT og en mer naturlig tone i teksten.»
Yonelly Gutierrez, som administrerer arbeidsflyter på tvers av flere verktøy, gjorde et mer avgjørende skifte: Hun sa opp ChatGPT Professional-abonnementet sitt helt etter å ha lagt merke til en nedgang i ytelsen. «Jeg har lagt merke til en enorm forskjell, selv mellom GPT-modeller. Jeg pleide å bruke ChatGPT hele tiden, men nå har jeg lagt merke til at det hallusinerer altfor mye.» Nå bruker hun Gemini til skriving: «Når det faktisk gjelder skriving, foretrekker jeg Gemini.» Det sekundære verktøyet hennes er Glean — ikke på grunn av skrivekvaliteten, men fordi det kan hente frem relevant intern prosjektkontekst.
Tilpasse modellen til situasjonen
På tvers av møtesammendrag, statusoppdateringer, prosessdokumentasjon og avklaringsarbeid trer et gjennomgående tema frem: KI-resultater mislykkes ikke fordi teknologien er feil, men fordi feil forventninger — eller feil modell — ble brukt på oppgaven. Prosjektlederne som får mest verdi ut av KI, bruker ikke ett verktøy til alt. De behandler modellvalg som en bevisst del av arbeidsflyten sin — og stiller tydelige krav til hva et godt resultat faktisk innebærer.
Vil du ha flere innsikter som disse? Opprett en gratis DPM-konto for å høre fra flere eksperter som disse.
