Ekspert på innovasjon innen prosjektleveranser forklarer hvilke betingelser som kreves for vellykket AI-integrasjon

Bakgrunnen min omfatter datavitenskap, atferdsøkonomi og storskalaimplementering av AI, men det meste av arbeidet mitt i dag handler om å hjelpe selskaper med å tenke nytt rundt hvordan arbeid utføres i en verden der selve intelligensen blir skalerbar. I stedet for å behandle AI som et tilleggverktøy hjelper jeg team med å redesigne prosesser slik at mennesker kan konsentrere seg om kreativitet, vurderingsevne og strategi – mens maskiner håndterer det repetitive og tidkrevende arbeidet med prosjektanalyse.

I praksis betyr det at jeg bruker mye av tiden min på å veilede team gjennom veikartlegging for AI, rammeverk for eksperimentering, adopsjonsstrategi og storskala kompetansebygging. Enten jeg hjelper et markedsføringsteam med å lansere kampanjer raskere eller lærer opp analytikere til å ta bedre og raskere beslutninger, er rollen min innen prosjektleveranse å gjøre AI til en pålitelig lagkamerat i stedet for en skremmende ukjent faktor.

You should also read

• De praktiske KI-arbeidsflytene som brukes av leveransesjefen i et Asana-implementeringsbyrå

• Prosjektleder og underviser med kunstig intelligens deler en enkel arbeidsflyt for kunstig intelligens som fundamentalt endrer hvordan prosjekter drives

Hvorfor innføring av AI mislykkes uten kulturendring og menneskesentrert design

AI har endret rollen min fra «løsningsbygger» til «kompetansearkitekt». Jeg bruker mindre tid på manuell analyse, forskning eller innholdsproduksjon fordi AI nå kan håndtere mye av det tunge arbeidet raskt og i stor skala. I stedet fokuserer jeg på å utforme systemer, etablere sikkerhetsrammer og hjelpe team med å utvikle vanene som trengs for å integrere AI på måter som gir meningsfulle endringer i resultatene.

Det arbeidet som har vokst mest, er orkestrering: å velge hvor AI passer inn, sørge for at mennesker er involvert der det er viktig, og kontinuerlig finjustere arbeidsflyter. AI forkorter tiden mellom innsikt og beslutning, så rollen min handler i stadig større grad om rekkefølge, samordning og å hjelpe team med å «surfe på bølgen» i stedet for å drukne i den.

Og til syvende og sist er teknologi den enkle delen; mennesker er vanskelige. Derfor går en stor del av oppmerksomheten min til å veilede ledere, fremme adopsjon og redesigne rutiner slik at team kan arbeide på nye måter.

Slik skaper du forholdene for rask iterasjon

I et eksponentielt miljø handler leveranseledelse mindre om å kontrollere planen og mer om å skape forholdene der rask iterasjon ikke bare er mulig, men forventet. Og å skape disse forholdene innebærer å etablere en repeterbar arbeidsrytme.

Med kunder begynner vi med å kartlegge én enkelt arbeidsflyt fra start til slutt og gjennomføre det jeg kaller en «AI-folketelling»: Hvor utfører folk manuelt arbeid med beslutningsstøtte som AI realistisk sett kan hjelpe med i dag? Deretter definerer vi ett eller to eksperimenter med lav risiko og høy effekt – for eksempel å fremskynde sammenfatning av forskning, kampanjegenerering eller analyse – og gir dem tydelige eiere, et enkelt suksessmål og en tett tilbakemeldingssløyfe. Så legger vi til enkle rutiner: ukentlige horisontskanninger for å se hva som har endret seg, månedlige gjennomganger for å avgjøre hvilke eksperimenter vi skal satse mer på, og «daglig padling». Med andre ord, små, virkelige bruksområder for AI i pågående arbeid, slik at det blir en automatisert ferdighet i stedet for et sideprosjekt.

Her er et konkret eksempel: Jeg jobbet med et team av skeptiske analytikere i et stort biovitenskapsselskap som hadde ansvar for markeds- og pipelinebeslutninger med store konsekvenser. I stedet for å pålegge dem å «bruke AI» begynte vi med å kartlegge hvordan de produserte én bestemt leveranse, og brukte deretter Gemini til å automatisere bare de mest krevende delene – skanning av markedsdata, sammenfatning av konkurranseinformasjon og stresstesting av scenarier.

Vi lærte dem opp etter en «se-gjør-lær bort»-modell: først direktedemonstrasjoner i deres egne arbeidsflyter, deretter praktisk øvelse i scenarier med lav risiko, og til slutt lot vi dem lære opp kolleger. Vi innførte også små rutiner som belønnet fremgang – ukentlige fremvisninger, bibliotek med instruksjoner og delte seire.

I løpet av fire måneder økte den daglige AI-bruken blant de opplærte analytikerne fra 16 % til 83 %, og innføringen i hele avdelingen økte fra 31 % til 100 %. Teknologien hadde betydning, men det virkelige gjennombruddet var rytmen med små, avgrensede eksperimenter kombinert med tilbakevendende rutiner og læring mellom kolleger, som gjorde at rask iterasjon føltes trygg, normal og forventet.

I et eksponentielt miljø handler leveranseledelse mindre om å kontrollere planen og mer om å skape betingelsene der rask iterasjon ikke bare er mulig, men forventet.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Michael Housman

Grunnlegger av AI-akselerator

Slik går du over til lettvektsleveranser med AI

Tradisjonell prosjektledelse baserer seg på omfattende planlegging i forkant og rigide strukturer som bryter sammen i miljøer i rask endring.

Jeg mener at AI krever en overgang fra femårsplaner til korte, repeterbare vaner: ukentlige horisontskanninger, månedlige gjennomganger av posisjonering og daglige mikroeksperimenter. AI endrer seg for raskt for fossefallsmodellen. I stedet for «planlegg > bygg > lanser», ser moderne leveranser mer ut som «utforsk > test > tilpass».

Lettvektssystemer legger vekt på samkjøring i sanntid ved hjelp av AI-genererte sammendrag fra programvare for notater, øyeblikksbilder av fremdriften og automatisert dokumentasjon. Teamene bruker mindre tid på å oppdatere dokumentasjon og mer tid på å iterere på resultater. Vi prioriterer fungerende prototyper fremfor teoretiske planer og bruker AI til å komprimere syklustidene, slik at vi kan lære raskere enn konkurrentene. Resultatet er en leveranserytme som føles mer som surfing: konstant bevegelse, konstante justeringer og konstante muligheter.

Da vi gikk bort fra tradisjonell prosjektledelse og over til mer lettvektsbaserte, AI-aktiverte systemer, gjorde vi det ved å legge disse verktøyene lagvis inn i de eksisterende arbeidsflytene i stedet for å erstatte alt på én gang. ChatGPT ble det allsidige knutepunktet – for å utarbeide omfang, generere briefer, avklare krav og produsere prosjektøyeblikksbilder. Gemini håndterte de mer dyptgående oppgavene innen undersøkelser, som konkurrentanalyser og teknisk sammenfatning.

For kreative team muliggjorde Flux Replicate rask bildegenerering, RunwayML håndterte transformasjoner fra bilde til video, og Suno/ElevenLabs leverte umiddelbare lydressurser. På automatiseringssiden ble Atlas og Lindy brukt til å prototype agentbaserte arbeidsflyter, noe som hjalp oss med å automatisere trinn som å samle inn referansemateriale, omskrive resultater for ulike interessenter eller generere oppgavelister fra prosjektdokumenter. Til slutt bidro verktøy som Claude og Manus til å akselerere kodeutvikling og prototyping.

Overgangen fulgte det enkle, repeterbare mønsteret jeg nevnte ovenfor:

1. Kartlegg én enkelt arbeidsflyt fra ende til ende.
2. Identifiser hvilke trinn som kan overlates til hvilke verktøy.
3. Gi teamene et bibliotek med startinstruksjoner.
4. Gjennomfør en praktisk økt med et reelt arbeidsstykke, der teammedlemmene fullfører hele arbeidsflyten ved hjelp av den nye verktøykjeden.
5. Gjør små ritualer som belønner fremdrift, til en fast del av arbeidet.

Slik navigerer du i organisatorisk kompleksitet og driver AI-adopsjon i stor skala

Her er et annet eksempel. Jeg jobbet med et selskap i rask vekst som solgte kosttilskudd til kjæledyr, og markedsføringsteamet deres slet med å holde tritt med etterspørselen. De lanserte rundt 500 kampanjer i måneden, og hvert eneste element krevde menneskelige designere, tekstforfattere og manuell iterasjon. Da generativ AI slo gjennom for alvor sent i 2022, introduserte vi verktøy som Midjourney og lærte opp teamet i å integrere dem direkte i kampanjeflyten.

Med bare mindre prosessendringer og praktisk øvelse sank produksjonstiden deres fra 45 minutter per annonse til 5 minutter: en forbedring på nesten 900 %! Det åpnet for eksponentiell skalering: 2 300 månedlige kampanjer, høyere konverteringsfrekvens og til slutt 50 % inntektsvekst fra år til år.

Prosessendringene var bevisst små, men hadde stor effekt. Det foregikk slik jeg beskrev ovenfor.

Vi begynte med å isolere én enkelt arbeidsflyt – produksjonen av betalte annonser i sosiale medier – og dele den opp i de enkelte trinnene: idéutvikling, tekstforfatting, visuell generering, formatering av ressurser, kvalitetssikring og opplasting. I stedet for å redesigne hele arbeidsflyten erstattet vi bare to trinn: den innledende idéutviklingen og den første visuelle utformingen. Vi introduserte Midjourney-instruksjoner tilpasset hver produktlinje, opprettet tekstinstruksjoner basert på maler i ChatGPT og utformet et kort beslutningstre, slik at innholdsprodusentene visste nøyaktig når de skulle bruke AI, og når de skulle finjustere manuelt.

Teamet øvde deretter i et kontrollert miljø: én annonse, ett element, én instruksjon om gangen. Da de så tidsbesparelsen – fra 45 minutter til rundt 5 – kom adopsjonen naturlig. Resultater fra virkeligheten bygger selvtillit langt raskere enn abstrakt opplæring.

Slik endrer AI utgangspunktet for hvert leveranseritual

AI endrer utgangspunktet for hvert ritual.

For eksempel handler omfang ikke lenger om «hva kan vi realistisk sett gjøre med timene vi har tilgjengelig?», men om «hva blir mulig når kapasiteten vår øker?» Når vi definerer omfanget, samskaper vi nå med AI: genererer flere versjoner, utfordrer antakelser og utforsker alternative veier før vi forplikter oss. Dette utvider løsningsrommet og reduserer blinde flekker på et tidlig tidspunkt.

Samordningen endres også fordi AI gir oss én felles sannhetskilde. Den utarbeider felles briefinger, sammendrag, risikoer og alternativer, og fjerner tolkningsgap som ofte bremser samarbeidet.

Validering blir kontinuerlig i stedet for episodisk: AI tester antakelser, gjennomgår resultater og avdekker uoverensstemmelser i sanntid.

Og gjennomføringen handler mindre om å administrere oppgaver og mer om å orkestrere arbeidsflyter mellom mennesker og maskiner, slik at riktig arbeid går til riktig «teammedlem», enten det er et menneske eller AI.

Hvorfor partnerskap mellom mennesker og AI er den vinnende formelen

Generelt sett er repetitivt, manuelt, analytisk arbeid og arbeid i stort volum det som er enklest å automatisere. Oppgaver som sammenstilling av forskning, innhenting av krav, konkurrentanalyse, tidlige utkast, teknisk validering, kvalitetssikring og finpussing av oppgavekøen egner seg godt for AI fordi de bygger på mønstergjenkjenning og skalerer godt med automatisering.

AI er for kunnskapsarbeidere det dampmaskinen var for manuelt arbeid: en kraftforsterker som tar seg av det tunge arbeidet, slik at mennesker kan fokusere på det bare mennesker kan gjøre.

Arbeidet som fortsatt krever et menneskelig preg, omfatter håndtering av tvetydighet, samordning på tvers av fagområder, konflikthåndtering, historiefortelling, emosjonell intelligens og strategiske avveininger – områder der kontekst, dømmekraft og mellommenneskelig kompetanse betyr mer enn beregninger. Maskiner kan presentere alternativer, men mennesker må fortsatt velge hvilket fjell de skal bestige.

Den vinnende formelen er partnerskap: La AI håndtere presisjonsoppgavene, og la mennesker lede med kreativitet, strategi og relasjonelle ferdigheter.

Hvordan AI-agenter reduserer kognitiv belastning

Agentbaserte arbeidsflyter er raskt i ferd med å bli grunnleggende. Vi fokuserer på tre områder:

• Redusere kognitiv belastning
• Automatisere repetitive arbeidsflyter fra start til slutt
• Skape systemer med «lukket sløyfe» der agenter kan resonnere, handle og verifisere resultater

Tidlige eksperimenter omfatter agenter som genererer kampanjevarianter, gjennomgår datasett, forbedrer instruksjoner, bygger dashbord eller håndterer komplekse arbeidsflyter for forskning uten at det kreves manuelt tilsyn mellom trinnene.

Når du kombinerer dyktige mennesker med de riktige AI-systemene, skalerer resultatene eksponentielt. I noen tilfeller tar det som tidligere tok dager, nå timer – eller minutter. Nøkkelen er gjennomtenkt orkestrering: å sørge for at agentene har begrensninger, evalueringskriterier og eskaleringsveier, slik at mennesker beholder kontrollen over dømmekraft og strategi. Med andre ord bør agenter operere innenfor en tydelig definert «boks», og mennesker bør alltid være de som tar fortolkende eller strategiske beslutninger.

For eksempel identifiserte vi sammen med en farmasøytisk analytiker nøyaktig hvor AI-agenter pålitelig kunne bidra, og disse områdene ble agentens begrensninger: Den kunne innhente, organisere og utarbeide utkast, men den kunne ikke tolke, anbefale eller prioritere. Disse beslutningene på høyere nivå forble tydelig analytikernes ansvar.

Vi fastsatte også evalueringskriterier før AI berørte én eneste oppgave. For eksempel måtte hvert AI-genererte sammendrag gjenspeile kildedokumentene nøyaktig, hver scenariooversikt måtte vise til underliggende antakelser, og hver sammenligningstabell måtte følge analytikernes foretrukne formater. Når AI-en møtte tvetydige data, motstridende signaler eller betydelige mangler – noe som skjedde ofte i de tidlige iterasjonene – eskalerte den automatisk problemet til en menneskelig kontrollør som kunne avklare retningen og tilføre nyanser.

Orkestreringen fungerte fordi AI-en hadde begrensninger, resultatene hadde kriterier, og analytikerne hadde tydelige utløsere for eskalering, slik at de beholdt kontrollen over arbeidet. Når denne balansen er riktig, føles produktivitetsgevinstene nesten urettferdige.

Hvordan AI visker ut avstanden mellom data og innsikt

Men den mest undervurderte egenskapen ved AI er ikke ett enkelt verktøy eller én agent; det er AI-assistert beslutningstaking.

Når hvert teammedlem har en intelligent researchassistent, strateg og analytiker tilgjengelig, blir møtene kortere, beslutningene tydeligere og gjennomføringen akselererer dramatisk. Teamene slutter å bruke timer på å samle inn informasjon og bruker i stedet minutter på å velge mellom AI-genererte alternativer.

For det meste av beslutningstakingen min baserer jeg meg på en rotasjon av de viktigste frontmodellene—ChatGPT, Gemini, Claude og Grok—fordi hver av dem har ulike styrker, og kvaliteten på et svar ofte avhenger av å matche spørsmålet med modellen. I praksis «pinger» jeg hele tiden alle sammen når jeg vurderer avveininger, stresstester antakelser eller utforsker strategiske alternativer. Denne trianguleringen på tvers av modeller er det som gir meg tillit: Hvis flere systemer kommer frem til samme resonnement, betrakter jeg det som et sterkere signal.

Når det er sagt, er ChatGPT vanligvis mitt førstevalg. Grunnen er enkel: Minnefunksjonen gjør verktøyet unikt godt egnet til beslutninger som krever kontinuitet. Det husker konteksten rundt virksomheten min, hvilke typer kunder jeg betjener, tonen min, preferansene mine og mønstrene i arbeidet mitt. Denne kontinuiteten blir stadig mer verdifull over tid—så når jeg tenker gjennom posisjonering, strategi, budskap eller noe annet som drar nytte av langsiktig kontekst, blir ChatGPT min «hjemmebase».

De andre modellene fungerer som spesialiserte rådgivere; ChatGPT fungerer som den som kjenner meg best.

Hvordan orkestreringslag og tilpassede GPT-er samler AI-verktøy

Den sentrale verktøystakken min dreier seg nå om:

• Multimodale modeller som ChatGPT, Gemini og Claude
• Agentbaserte verktøy for arbeidsflytautomatisering
• Domenespesifikke assistenter for design, koding, analyse og dokumentasjon

Alt i alt er den største utviklingen ikke selve verktøyene, men orkestreringslaget—bruken av automatiseringsrammeverk og tilpassede GPT-er for å koble alt sammen. Tidligere besto verktøystakken min av separate verktøy for undersøkelser, skriving, diagrammer og prosjektstyring. I dag samles mange av disse arbeidsflytene i ett enkelt AI-lag som ligger oppå eksisterende verktøy.

I hovedsak snakker jeg om en samling samvirkende AI-systemer som team bruker for å effektivisere arbeidsflytene sine. I praksis innebærer dette å bruke allsidige modeller (ChatGPT, Claude, Gemini) som den kognitive motoren for oppgaver som undersøkelser, sammenfatning, utarbeidelse av utkast eller analyse, samtidig som man benytter domenespesifikke assistenter eller programtillegg inne i eksisterende verktøy som Notion, Google Workspace, Figma eller Jira. I stedet for å bytte mellom et dusin fragmenterte applikasjoner, baserer team seg i økende grad på et lite utvalg sentrale AI-grensesnitt som kobler seg til resten av verktøystakken.

Verdien ligger i å redusere kostnadene ved kognitiv veksling.

Michaels tips

Alt i alt er den største utviklingen ikke selve verktøyene, men orkestreringslaget—bruken av automatiseringsrammeverk og tilpassede GPT-er for å koble alt sammen.

AI-teknologistakken som fremskynder iterasjon og levering

Det siste året har jeg satset enda mer på verktøy som muliggjør rask iterasjon (visuelle generatorer, kodefortolkere), orkestrering (Zapier, Make) og styring (instruksjonsbiblioteker, revisjonslogger). Samtidig har jeg erstattet mange eldre verktøy fordi AI-baserte systemer nå er mer fleksible, raskere og enklere å tilpasse.

Målet er å fjerne irriterende trinn som tidligere spiste opp timevis av den samlede tiden til teamet: videresending av ressurser, oppsummering av tråder, generering av statusoppdateringer, konvertering av møtenotater til oppgaver eller ompakking av resultater for ulike interessenter. Alt dette kan nå kjøres autonomt. Den samlede tidsbesparelsen er enorm, ikke fordi én enkelt oppgave var spesielt omfattende, men fordi leveringsarbeid består av tusenvis av små oppgaver.

Verktøystakken min utvikler seg månedlig, men prinsippet forblir det samme: Bruk AI til å slå sammen trinn, redusere friksjon og skalere resultatene. Jeg bruker bokstavelig talt dusinvis av verktøy til enhver tid, men dette er det jeg bruker mest akkurat nå:

• ChatGPT: allsidig stor språkmodell
• Google Gemini: grundige undersøkelser
• Lindy: utforming av agentbaserte arbeidsflyter
• Manus: AI-støttet prototyping
• Claude: verktøy for kodeutvikling
• Atlas: agentbasert nettleser
• NotebookLM: lydoppsummeringer
• Flux Replicate: bildegenerering
• Suno: tekst til musikk
• ElevenLabs: stemmepålegg
• RunwayML: bilde til video
• AKool: AI-avatar/digital tvilling

Hvorfor AI vil gjøre prosjektstyring om til strategifokusert ledelse

Snart vil AI bli en fullverdig samarbeidspartner i leveransearbeidet, ikke bare et verktøy. Vi vil få systemer som autonomt kan håndtere prosjekter fra ende til annen: utarbeide omfang, sekvensere oppgaver, håndtere avhengigheter, flagge risikoer og til og med gjennomføre daglige statusmøter eller retrospektiver. Leveranseledere vil gå fra oppgaveorkestrering til strategi, kultur og samordning på tvers av funksjoner. Den «administrative» siden av prosjektstyring vil bli 80–90 % automatisert.

Enda viktigere er at vi vil se KI-native konkurrenter i alle bransjer. Team med nesten ingen kostnader, ubegrenset kreativ kapasitet og leveransesystemer som opererer i hastigheter tradisjonelle organisasjoner ikke kan matche.

Gapet mellom de som tar teknologien i bruk og etternølerne blir større eksponentielt, ikke lineært. Leveranseledere som bygger KI-forsterkede driftssystemer nå, vil eie fremtiden. De som venter, vil oppdage at de prøver å konkurrere med organisasjoner som kan levere på dager det som tidligere tok kvartaler.

Vi vil se KI-native konkurrenter i alle bransjer. Team med nesten ingen kostnader, ubegrenset kreativ kapasitet og leveransesystemer som opererer i hastigheter tradisjonelle organisasjoner ikke kan matche.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Michael Housman

Grunnlegger av AI-ccelerator

Hvorfor det å vente på klarhet bremser KI-adopsjonen

Så her er mitt råd: Ikke vent på perfekt klarhet.

Den største feilen leveranseledere gjør, er å prøve å forutsi den ene perfekte bølgen. Du trenger ikke en femårsplan; du trenger en innstilling preget av kontinuerlig eksperimentering. Begynn i det små, beveg deg raskt, test ofte og bygg vaner som holder deg lærende. Eksponentielle endringer belønner bevegelse og straffer nøling. Teamene som vinner, er de som begynner å padle tidlig og ofte.

Og invester i mennesker før plattformer. KI-adopsjonen kollapser hvis teamet ditt føler seg truet, uinformert eller overveldet. Skap en kultur preget av nysgjerrighet, gjennomfør praktisk opplæring, feir tidlige seire og gjør adopsjonen synlig. Når KI blir inspirerende i stedet for skremmende, blir den bærekraftig.

Til syvende og sist tilhører denne æraen ikke teamene med de beste verktøyene, men teamene som lærer hvordan de skal samarbeide med dem.

Følg med

Du kan følge Michaels arbeid med å modernisere leveransesystemer på det personlige nettstedet hans, LinkedIn og YouTube. Ta også en titt på AI-ccelerator!

Flere ekspertintervjuer kommer på The Digital Project Manager!