Denne KI-gründeren endrer prosjektgjennomføring til en proaktiv disiplin med prediktive intelligensmodeller
Lloyd Skinner er administrerende direktør i greyfly.ai, der han bruker KI til å bygge prediktiv intelligens som gir prosjektledere handlingsrettet innsikt før de rammes av uventede problemer og kostnader. Med andre ord forvandler han prosjektgjennomføring fra en reaktiv disiplin til en proaktiv en.
Lloyd Skinner
Administrerende direktør i Greyfly.ai
KI flytter prosjektgjennomføring fra reaktiv til proaktiv: Skinner forklarer hvordan integrering av prediktiv intelligens i gjennomføringsprosessene hjelper ledere med å forutse risikoer og resultater før de materialiserer seg. Dette endrer prosjektledelse grunnleggende, fra å rapportere om det som allerede har skjedd, til å styre beslutninger i sanntid med fremsyn.
Lette, datadrevne systemer utkonkurrerer tradisjonelle tilnærminger: Ved å erstatte tunge, administrasjonsorienterte metoder med integrerte, KI-aktiverte gjennomføringssystemer som kobler sammen eksisterende verktøy og kontinuerlig analyserer levende data, reduserer teamene innsatsen som kreves til rapportering, får bedre innsyn i risiko og kan konsentrere seg mer om å løse reelle problemer enn om å jage statusoppdateringer.
Vellykket innføring av KI handler om mennesker og datamodenhet: Skinner understreker at de største hindringene ikke er teknologiske, men å sikre data av høy kvalitet og fremme et holdningsskifte der teamene stoler på og handler ut fra KI-innsikt. Menneskelige ledere er fortsatt avgjørende for vurderinger, strategi og tolkning av prediksjoner.
Lloyd Skinner er administrerende direktør i greyfly.ai, der han bruker kunstig intelligens til å bygge prediktiv intelligens som gir prosjektledere handlingsrettet innsikt før de rammes av uventede problemer og kostnader. Med andre ord forvandler han prosjektleveranse fra en reaktiv disiplin til en proaktiv en.
Vi satte oss ned med ham for å forstå hvordan han gjør det – og hva det egentlig betyr i praksis. Her er det han hadde å si.
Fra tradisjonell produktleveranse til AI-drevet leveranse
Jeg er administrerende direktør i greyfly.ai, der vi hjelper organisasjoner med å levere prosjekter mer forutsigbart og lønnsomt ved hjelp av kunstig intelligens.
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
Tidligere hadde jeg ansvar for tradisjonell prosjektleveranse. Etter å ha jobbet med store programmer og transformasjonsinitiativer har jeg sett hvordan tradisjonelle tilnærminger ikke strekker til når kompleksitet skal håndteres.
Derfor har rollen min gått over til å gjøre det mulig for organisasjoner å tenke nytt om hvordan leveranser gjennomføres i en AI-først-verden. Jeg fokuserer på å gjøre det mulig for seniorledere innen prosjekt- og porteføljestyring å bruke sine egne data på en mer intelligent måte, og dermed forbedre resultater, redusere risiko og bygge grunnlaget for skalerbar innføring av AI i prosjektstyring.
I greyfly.ai bygger vi bro over gapet etter tradisjonelle tilnærminger ved å integrere AI i prosjektleveransen, gi ledere handlingsrettet innsikt før problemer oppstår og hjelpe dem med å oppnå målbare, bærekraftige resultater.
Hvordan AI gjør prosjektleveranse til en proaktiv, innsiktsdrevet disiplin
AI forvandler prosjektleveranse fra en reaktiv disiplin til en proaktiv, innsiktsdrevet en.
AI forvandler prosjektleveranse fra en reaktiv disiplin til en proaktiv, innsiktsdrevet en.
I stedet for å fokusere på å rapportere om det som allerede har skjedd, handler oppmerksomheten min nå om å hjelpe ledere med å forutse det som er i ferd med å skje: ved å bruke prediktiv intelligens til å styre beslutninger i sanntid og forhindre kostbare overskridelser.
Vi bruker nå modeller som prognostiserer prosjektsuksess, identifiserer tidlige risikoer og fremhever hvor tiltak vil ha størst effekt. Dette endrer grunnleggende måten prosjektledere planlegger, prioriterer og forvalter ressurser på.
Som et resultat bruker jeg langt mindre tid på manuell dataanalyse, gjennomgang av oversikter eller læring fra hendelser i etterkant. I stedet fokuserer jeg mer på strategisk innføring, forbedring av datakvalitet og integrering av AI-kompetanse i prosjektorganisasjoner.
Rollen min handler i stadig større grad om å hjelpe ledere med å gå fra nysgjerrighet på AI til håndgripelig, skalerbar endring – og om å omsette innsikt til målbare resultater.
Hvorfor datadrevne, smidige leveransesystemer gir bedre resultater enn tradisjonell prosjektstyring
Vi har bevisst gått bort fra tradisjonelle, dokumenttunge prosjektstyringsmetoder og over til smidige, datadrevne leveransesystemer som prioriterer smidighet og forutseende arbeid fremfor administrasjon.
Tidligere var vi, i likhet med mange organisasjoner, svært avhengige av strukturerte maler, manuelle fremdriftsoppdateringer og formelle gjennomgangssykluser. Denne tilnærmingen skapte forsinkelser og dobbeltarbeid, og skjulte ofte nye risikoer helt til det var for sent. Det siste året har vi gått over til en mer integrert modell for kontinuerlig innsikt, bygget rundt vår egen plattform for intelligent prosjektprediksjon (IPP) og prinsippet vårt om minimum levedyktig styring (MVG). Slik sikrer vi at kontroll og kvalitetssikring fortsatt er på plass, men med langt mindre administrativ belastning.
I praksis innebar det å koble våre eksisterende PPM-verktøy til én datapipeline i Azure (denne typen integrasjon er én av mange fordeler med programvare for prosjektporteføljestyring). IPP analyserer deretter disse sanntidsdataene for å forutsi resultater, flagge risikoer og fremheve leveransetrender i sanntid. Dette erstattet ukentlig sammenstilling av rapporter med automatiserte oversikter som oppdateres daglig og automatisk oppfyller avtalte terskelverdier.
Vi innførte også AI-drevet samsvarskontroll, som skanner prosjektdokumentasjon opp mot styringsstandarder og validerer samsvar med MVG-prinsippene. Kartleggingen og overgangen tok rundt seks måneder, inkludert datakartlegging, oppsett av integrasjoner og endringsverksteder med PMO-team for å bygge tillit til både den prediktive innsikten og styringsmodellen.
Resultatene har vært konkrete:
- Rapporteringsarbeidet er redusert med mer enn 50 %
- Synligheten av risiko er forbedret betydelig
- Beslutningssyklusene er forkortet fra uker til dager.
- Og kanskje viktigst av alt: Teamkulturen er endret, og prosjektlederne bruker nå mindre tid på å følge opp status og mer tid på å løse reelle problemer.
Kort sagt handler overgangen til lettvektsleveranser med AI-støtte ikke om å gi avkall på grundighet, men om å redefinere styringen slik at kontroll, etterlevelse og innsikt skjer kontinuerlig, ikke retrospektivt.
Overgangen til lettvektsleveranser med AI-støtte handler ikke om å gi avkall på grundighet, men om å redefinere styringen slik at kontroll, etterlevelse og innsikt skjer kontinuerlig, ikke retrospektivt.
Et praktisk eksempel på hvordan AI-integrasjon forbedrer resultatene fra prosjektleveranser
Et godt eksempel kommer fra arbeidet vårt med et stort britisk telekommunikasjonsselskap, der vi støttet et AI-engasjement innen prosjektledelse i flere faser.
Kunden ønsket å forstå hvordan AI kunne forbedre forutsigbarheten og ytelsen på tvers av den omfattende prosjektporteføljen, men som mange virksomheter møtte de fragmenterte data, uensartet rapportering og stor avhengighet av manuelle vurderinger.
Vi startet med en strategi for AI-adopsjon og gikk deretter videre til en oppdagelsesfase. Dette innebar en strukturert vurdering av PMO-et, en gjennomgang av den tekniske arkitekturen og en analyse av datakvaliteten ved hjelp av verktøy som Microsofts Power BI for utforskende diagnostikk. Datavitenskapsteamet vårt bygde prediktive modeller ved hjelp av kundens egne historiske prosjektdata for å forutsi sannsynlige utfall, inkludert risikoeksponering, tidsplanforsinkelser og leveransesikkerhet.
Oppsettet tok flere uker, inkludert sikring av datatilgang, definering av skjemaet, rensing av datasettene og validering av modellresultatene sammen med prosjektfagfolk. Da modellene var trent, visualiserte vi innsikten via Power BI gjennom interaktive instrumentbord som fremhevet høyrisikoprosjekter i sanntid og forklarte hvorfor enkelte prosjekter utviklet seg i feil retning.
Resultatet var et betydelig skifte i beslutningstakingen: Ledelsen kunne rette tiltakene mot områdene der de hadde størst betydning, i stedet for reaktivt å følge opp problemer i etterkant. Dette tidlige pilotprosjektet viste et målbart potensial for å redusere prosjektoverskridelser og ga et tydelig forretningsgrunnlag for å skalere AI i resten av organisasjonen.
Alt gikk imidlertid ikke helt problemfritt. Den vanskeligste delen var ikke teknologien, men datamodenheten og endringsledelsen knyttet til å stole på prediktiv innsikt fremfor instinkt. Men det er nettopp her AI i leveranser skaper verdi. Det gir ledere tryggheten til å handle basert på evidens, ikke etterpåklokskap.
Hvordan agentiske arbeidsflyter for dataforberedelse og validering av styring fremskynder leveranser
Vi eksperimenterer også aktivt med agentiske arbeidsflyter og intelligent orkestrering som en del av vårt bredere mål om å gjøre prosjektleveranser raskere, slankere og mer tilpasningsdyktige.
Fokuset vårt har vært å automatisere de mest tidkrevende oppgavene innen koordinering og kvalitetssikring – den "usynlige administrasjonen" som forsinker leveranser uten å tilføre reell verdi. Mer spesifikt bruker vi agentisk orkestrering for å effektivisere:
- Dataforberedelse: AI-agenter finner, renser og samordner nå prosjektdata på tvers av flere systemer før prediktiv modellering starter.
- Validering av styring: AI-agenter tester automatisk prosjektartefakter mot MVG-standarder og sikrer etterlevelse uten manuell inngripen.
Vi har bygget dette orkestreringslaget inn i IPP-økosystemet vårt, slik at disse agentene fungerer sømløst i bakgrunnen, utløser oppdateringer, genererer innsikt og foreslår handlinger uten at brukeren trenger å gripe inn.
Så langt er resultatene svært lovende. Vi har sett at både rapporteringssyklusene og tiden brukt på dataforberedelse er blitt betydelig redusert. Men kanskje enda viktigere er det at teamene bruker tiden på å tolke innsikt i stedet for å lete etter informasjon.
Dette er fortsatt under utvikling, og vi lærer hvordan vi best kan balansere autonomi og tilsyn. Men retningen er tydelig: Intelligent orkestrering vil bli ryggraden i moderne leveranser. Det handler ikke om å erstatte mennesker, men om å sørge for at all menneskelig innsats rettes mot områdene der den skaper størst verdi.
Hvordan prediktiv intelligens omformer de sentrale leveranserutinene
I tillegg tenker vi nytt om leveranserutinene fra grunnen av og behandler AI som en reell bidragsyter til beslutningstakingen, ikke bare som en analytisk assistent. Det innebærer å omforme hvordan vi definerer omfang, samordner team, validerer fremdrift og gjennomfører leveranser for å få mest mulig ut av prediktiv intelligens.
Vi tenker gjennom leveranseritualer fra grunnen av og behandler AI som en reell bidragsyter til beslutningstaking, ikke bare som en analytisk assistent. Det betyr at vi former på nytt hvordan vi definerer omfang, samordner team, validerer fremdrift og gjennomfører leveranser for å få mest mulig ut av prediktiv intelligens.
- Fastsette omfang: Når vi definerer omfanget, hjelper AI oss med å kvantifisere kompleksiteten fra starten. Ved å analysere historiske data identifiserer modellene våre lignende tidligere prosjekter og forutsier potensielle leveranseutfordringer. Dette gir sponsorer og PMO-er et kvantifisert utgangspunkt, slik at omfanget ikke bare defineres av ambisjoner, men av dokumentasjon.
- Samordne team: Når det gjelder teamsamordning, støtter AI nå tidlig identifisering av kompetansegap eller risiko for overbelastning basert på arbeidsmengde og historiske resultater. Dette gjør det mulig for oss å sette sammen leveranseteam med langt større presisjon og trygghet, i stedet for å basere oss på statiske ressursplaner.
- Validere fremdrift: Validering og kvalitetssikring har utviklet seg mye. Vi bruker AI-drevne samsvarskontroller for å sikre at prosjektleveransene er i tråd med styringsstandarder, og integrerer MVG i arbeidsflyten. I stedet for å vente på gjennomganger ved slutten av fasen, skjer kvalitetssikringen nå kontinuerlig. Den er proaktiv, lettvektig og datadrevet.
- Gjennomføre leveransen: I gjennomføringen har vi supplert retrospektive statusmøter med prediktive dashbord fra IPP-plattformen vår. Disse dashbordene avdekker tidlige varselsignaler, fremhever nye risikoer og legger til rette for fokuserte diskusjoner om det som betyr mest. AI erstatter ikke ledernes dømmekraft, men endrer samtalene ved å flytte dem fra rapportering av historikken til håndtering av fremtiden.
Den største endringen er kulturell: AI har blitt en deltaker i leveranseprosessen. Den automatiserer ikke bare arbeid. Den forsterker intelligensen og hjelper mennesker med å ta raskere, bedre og tryggere beslutninger.
Automatiser prosjektoppgaver med lav verdi med AI for bedre effektivitet
Akkurat nå er områdene som er mest klare for automatisering og AI-støtte, de som tar mest tid, men tilfører minst strategisk verdi, for eksempel prosjektprognoser, statusrapportering og risikoidentifisering.
Akkurat nå er områdene som er mest klare for automatisering og AI-støtte, de som tar mest tid, men tilfører minst strategisk verdi, for eksempel prosjektprognoser, statusrapportering og risikoidentifisering.
Disse prosessene er regelbaserte, datarike og repetitive, noe som gjør dem til ideelle kandidater for intelligent automatisering.
Det menneskelige aspektet er imidlertid fortsatt avgjørende på områder som krever dømmekraft, empati og forhandling, for eksempel samordning av interessenter, kulturendring og strategisk prioritering. AI kan gi informasjon til samtalen, men ledere må fortsatt tolke kontekst, håndtere politikk og ta verdibaserte beslutninger.
I praksis bør AI overta det kognitive tungarbeidet, slik at prosjektledere kan konsentrere energien sin om å påvirke resultater, ikke om å håndtere informasjon.
Hva som faktisk skal til for å få innføringen av AI til å vare i prosjektleveranser
Det store spørsmålet er: «Hva skal egentlig til for å få AI til å bli en varig del av prosjektleveranser?»
Svaret er ikke mer teknologi. Det handler ikke om komplekse algoritmer eller enorme investeringer. Det handler om overbevisning og atferd — innføring av AI handler om et tankesettskifte.
Vi har lært at vendepunktet ikke kommer når modellen blir smartere, men når mennesker begynner å handle ut fra innsikten den gir. Derfor sier jeg ofte at innføring av AI er et menneskelig endringsprogram drevet av data, ikke bare et digitalt program. Når teamene ser at prediktiv innsikt hjelper dem med å unngå overraskelser i stedet for å forklare dem, blir endringen varig.
Den virkelige forvandlingen skjer når leveranseledere slutter å behandle AI som et eksperiment og begynner å se den som en del av måten de leder på. Det betyr å skape tillit til dataene, være åpne om hva AI viser, og bygge opp teamenes trygghet i bruk av den i den daglige beslutningstakingen.
Og det som virkelig skiller seg ut, er hvor raskt tilliten bygges når folk ser hvor treffsikre AI-prognosene er. Teamene går fra å diskutere hva som gikk galt, til å diskutere hva som sannsynligvis vil skje videre — og dette skiftet endrer leveransekulturen fundamentalt.
Bygg et intelligent AI-økosystem for prosjektgjennomføring
Teknologistakken vår for prosjektgjennomføring har utviklet seg betydelig det siste året, ettersom vi har styrket integrasjonen mellom AI-modeller, analyseplattformer og tradisjonelle verktøy for prosjektledelse. I kjernen ligger vår egen IPP-plattform, som fungerer som intelligenslaget som analyserer prosjektdata, prognostiserer resultater og identifiserer tidlige risikoer på tvers av porteføljer.
Vi bruker Microsoft Power BI til datautforskning og visualisering, siden det fortsatt er en praktisk måte å koble prosjektdata fra flere kilder på, samtidig som interessenter kan samhandle direkte med innsikten. På datasiden har vi styrket bruken av Azure-miljøer for å være vert for og skalere AI-arbeidsbelastninger på en sikker måte, noe som forbedrer ytelse og styring.
Samtidig har vi forenklet verktøysettet vårt i stedet for å utvide det. Tradisjonelle planleggingsverktøy som Planview og Primavera har fortsatt sin plass, men fungerer nå som dataleverandører til de prediktive modellene, snarere enn som frittstående styringssystemer. Fokuset ligger på interoperabilitet, det vil si å koble sammen eksisterende verktøy slik at innsikten flyter sømløst i stedet for å bli fanget i siloer.
Vi har også erstattet manuell, regnearkbasert risikosporing med automatiserte modellresultater og innført AI-drevne samsvarskontroller for å validere at prosessene følges. Disse endringene har redusert arbeidet med manuell rapportering med over halvparten og flyttet fokuset fra å samle inn data til å tolke dem.
Kort sagt handler utviklingen av teknologistakken vår ikke om å jage etter nye verktøy, men om å skape et intelligent økosystem der eksisterende plattformer forbedres av AI for å gi bedre forutseenhet, nøyaktighet og målbar verdi i alle prosjektbeslutninger.
Utviklingen av teknologistakken vår handler ikke om å jage etter nye verktøy, men om å skape et intelligent økosystem der eksisterende plattformer forbedres av AI for å gi bedre forutseenhet, nøyaktighet og målbar verdi i alle prosjektbeslutninger.
Hvorfor prosjektledelse utvikler seg fra administrativt arbeid til intelligensdrevet strategi
De neste fem årene vil AI fullstendig redefinere hva det innebærer å lede et prosjekt. Endringen vil ikke nødvendigvis handle om å legge til flere verktøy. Den vil handle om å finne en ny balanse i forholdet mellom mennesker, data og beslutninger.
Jeg tror vi beveger oss mot en verden der prosjektledelse blir en intelligensdrevet disiplin, ikke en administrativ disiplin. AI vil håndtere mekanikken, som prognoser, rapportering og kvalitetssikring, mens menneskelige ledere fokuserer på formål, prioriteringer og resultater. Teamene vil basere seg på kontinuerlige prediksjoner i stedet for retrospektiv kontroll, og styringen vil utvikle seg mot intelligente systemer som vårt MVP-konsept, slik at kvalitetssikringen skjer usynlig som en del av arbeidsflyten.
Innen fem år vil de fleste prosjektorganisasjoner ha AI-medpiloter integrert på alle nivåer. Disse vil synliggjøre innsikt, koordinere arbeidsflyter og utfordre antakelser i sanntid. De beste lederne vil være de som vet hvordan de skal samarbeide med AI, ikke konkurrere med den.
Til syvende og sist vil prosjektgjennomføring gå fra å håndtere usikkerhet til å mestre forutseenhet. De som tar i bruk AI tidlig, vil ikke bare levere mer forutsigbart, men også fundamentalt endre hvordan verdi, effekt og suksess defineres.
Prosjektgjennomføring vil gå fra å håndtere usikkerhet til å mestre forutseenhet. De som tar i bruk AI tidlig, vil ikke bare levere mer forutsigbart, men også fundamentalt endre hvordan verdi, effekt og suksess defineres.
Hvorfor datamodenhet og menneskelig bevissthet er avgjørende for AI-suksess i prosjektgjennomføringen
Mitt råd til ledere for prosjektgjennomføring er å fokusere på to ting fremfor alt annet: datamodenhet og menneskelig bevissthet.
Datamodenhet er grunnlaget for alle vellykkede AI-initiativer. De fleste organisasjoner undervurderer hvor mye uutnyttet verdi som allerede finnes i de eksisterende prosjektdataene deres, men dataene er ofte fragmenterte, inkonsekvente eller låst inne i systemer som ikke snakker med hverandre. Å få orden på disse dataene krever ikke et enormt transformasjonsprogram. Det begynner med å forstå hva du har, forbedre kvaliteten der det betyr noe, og bygge tillit til bruken av dataene. Når du har tillit til dataene dine, følger prediktiv innsikt naturlig.
Det andre elementet er menneskelig bevissthet, som hjelper teamene med å forstå hva AI kan gjøre for dem, i stedet for hva det kan ta fra dem. De mest vellykkede overgangene vi har sett, skjer når leveranseansvarlige føler seg styrket av AI, ikke truet av den. Det handler om å utvikle nye instinkter, lære å stille spørsmål ved mønstre, tolke prognoser og bruke AI som en strategisk partner i stedet for et rapporteringsverktøy.
