Eksperter avslører de verste bruksområdene for KI i prosjektledelse
Kritisk tenkning: Automatiserte prosjektplaner ser komplette ut, men mangler viktig kontekst, noe som kan føre til problemer i prosjektet.
Behovet for gjennomgang: Å stole på KI-resultater uten menneskelig gjennomgang kan føre til feil og alvorlige konsekvenser.
Virkelighetssjekk: KI har problemer med faktabaserte oppgaver som timelister, noe som setter datanøyaktigheten og integriteten til prosjektregistrene i fare.
Menneskelig engasjement: Bruk av KI i interessenthåndtering kan undergrave det ekte engasjementet som trengs for produktiv kommunikasjon.
Prosessgrunnlag: KI bør ikke erstatte etableringen av menneskelige prosessgrunnlag, ettersom den ikke kan definere effektive arbeidsflyter.
Innføring av AI i prosjektledelse har akselerert raskt, og med det har det kommet en bølge av entusiasme som ikke alltid tåler nærmere granskning. Verktøy som lover å spare tid, redusere den administrative belastningen og hente frem innsikt, har blitt faste innslag i prosjektlederes arbeidsflyter – men ikke alle bruksområder for disse verktøyene fungerer slik fagfolk håpet. Faktisk skaper noen bruksområder i det stille flere problemer enn de løser. Ekspertene som arbeider med dette hver dag, har sett mønstrene, og de er tydelige på hvor AI skaper problemer i prosjektledelsen.
Generering av prosjektplaner uten kritisk tenkning
Få bruksområder for AI i prosjektledelse er like fristende – eller like problematiske – som den automatiserte prosjektplanen. Legg inn en kravspesifikasjon, og få tilbake en tidsplan. Det høres ut som en produktivitetsgevinst, men erfarne fagfolk sier at resultatene ofte ser bedre ut enn de faktisk er, og at prosjektledere som godtar dem uten å undersøke dem nærmere, legger til rette for problemer i prosjektene sine.
Pam Butkowski, SVP i Horizontal Digital, sier det rett ut: "Selv om du har et verktøy der du legger inn en SOW og ber det lage en prosjektplan for deg, lover jeg at den ikke er riktig. Det kommer den bare ikke til å være. Det er et godt utgangspunkt. Men deretter må vi bruke vår kritiske tenkning." Planen kan være strukturert, og den kan se komplett ut – men den har ikke tilgang til de faktiske avhengighetene, teamets reelle kapasitet eller den organisatoriske konteksten som gjør en tidsplan realistisk.
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
Selv om du har et verktøy der du legger inn en SOW og ber det lage en prosjektplan for deg, lover jeg at den ikke er riktig. Det kommer den bare ikke til å være.
Jeff Chamberlain, leder for bredbåndstjenester og PMO i Fredrick County Government, har kommet til en lignende konklusjon basert på erfaring: "Noen går inn i det med et ønske om at det skal lage prosjektplaner. Jeg har ikke hatt særlig stor suksess med å lage gode prosjektplaner med det. Og vanligvis ender du uansett opp med å lage dem på nytt." Når omarbeidingen som kreves for å gjøre en AI-generert plan brukbar, nærmer seg tiden det ville tatt å lage den fra grunnen av, forsvinner effektivitetsargumentet.
Noen går inn i det med et ønske om at det skal lage prosjektplaner. Jeg har ikke hatt særlig stor suksess med å lage gode prosjektplaner med det. Og vanligvis ender du uansett opp med å lage dem på nytt.
Kopiering og innliming av AI-resultater uten gjennomgang
Hvis det finnes én vane som fagfolk trekker frem som den umiddelbart farligste, er det denne: å godta AI-resultater som ferdig arbeid. Det er forståelig at dette virker fristende. Resultatet ser polert ut, språket er selvsikkert, og fristelsen til å gå videre er reell. Men denne polerte overflaten kan skjule alvorlige feil – og når ingen gjennomgår arbeidet før det sendes ut, kan konsekvensene bli betydelige.
Mike Clayton, administrerende direktør og grunnlegger av OnlinePMCourses.com, har sett dette utspille seg i profesjonelle tjenestesammenhenger med reelle økonomiske konsekvenser: "Det finnes folk som bare sier: Greit, jeg har fått et spørsmål. Jeg legger spørsmålet inn i ChatGPT og kopierer og limer inn svaret, så er arbeidet mitt gjort. Og ingen hadde engang gjennomgått det eller korrigert det." Problemet er ikke at AI ble brukt – det er at det menneskelige trinnet med å gjennomgå og korrigere resultatet ble hoppet over fullstendig.
Det finnes folk som bare tenker: «Greit, jeg har fått et spørsmål. Jeg stiller et spørsmål til ChatGPT og klipper og limer inn svaret, og da er jobben min gjort.»
Megan Cotterman, prosjektleder på deltid og driftskonsulent, opplevde dette på nært hold: «Jeg brukte kunstig intelligens til å hjelpe meg med dette prosjektet innen instruksjonsdesign ... og kunstig intelligens blandet faktisk sammen ting, slik at jeg fikk feil informasjon. Så jeg tror det er viktig å sørge for at teamene forstår at det ikke er den ultimate løsningen ... og at man ikke bare skal, du vet, kopiere og lime inn, sende til kunden og si at alt er i orden.» Selv når kunstig intelligens brukes på en gjennomtenkt måte, kan den fortsatt produsere feilaktig informasjon – noe som betyr at trinnet med menneskelig gjennomgang ikke er valgfritt; det er selve arbeidet.
Bruk av kunstig intelligens til timelister og faktabasert registrering
Det finnes en kategori prosjektdokumentasjon som er helt avhengig av virkeligheten: hva som faktisk skjedde, hvem som faktisk gjorde hva, og når. Timelister hører klart hjemme i denne kategorien. Og det er nettopp her, der nøyaktighet ikke kan fravikes, at kunstig intelligens er minst egnet til å hjelpe.
Oliver F. Lehmann, instruktør i prosjektforretning hos Oliver F. Lehmann Project Business Training, beskriver problemet med treffende tydelighet: «Kunstig intelligens kan ikke skrive en timeliste. Den kan fantasere frem en timeliste, men den kan ikke skrive en timeliste. Da tilfører du fantasi til dokumentasjon som skal være reell.» Kunstig intelligens kan generere noe som ser ut som en ferdig utfylt timeliste – oppføringer som virker plausible, og timer som går opp – men ingenting av dette gjenspeiler det som faktisk skjedde. Å føre inn slike oppdiktede data i prosjektregistreringen sparer ikke tid; det forurenser den.
Kunstig intelligens kan ikke skrive en timeliste. Den kan fantasere frem en timeliste, men den kan ikke skrive en timeliste!
Automatisering av interessenthåndtering og kommunikasjon
Interessenthåndtering er en av de mest menneskekrevende delene av prosjektarbeid, og det med god grunn. Samtalene som driver prosjekter fremover – de vanskelige samtalene, de som krever tillit og aktiv lytting – er avhengige av ekte menneskelig engasjement. Forsøk på å automatisere eller sette dette engasjementet ut til kunstig intelligens har en tendens til å undergrave nettopp det som gjør disse samtalene produktive. Interessenter som navigerer i komplekse eller omstridte beslutninger, ønsker ikke en optimalisert kommunikasjonsprosess – de ønsker å føle at de virkelig blir hørt av et annet menneske.
Problemet gjelder også den daglige skriftlige kommunikasjonen. Lehmann påpeker at «jeg ser svært ofte at prosjektledere bare bruker kunstig intelligens til å skrive e-poster for seg. Språket blir ofte for forsiktig når det er på tide å være litt mer direkte. Den jevner ut ting ganske mye.» Når et prosjekt krever en direkte og tydelig beskjed til en interessent, har språk generert av kunstig intelligens en tendens til å slipe bort kantene – og ofte blir det egentlige problemet ikke tatt opp.
Yonelly Gutierrez, senior programleder hos Palo Alto Networks, legger også merke til denne kvaliteten ved kommunikasjon skrevet av kunstig intelligens: «Noen ganger når det gjelder formuleringene, tenker jeg: «Du høres ut som en ren kunstig intelligens-robot. Snakk som et vanlig menneske, er du snill.»» Den karakteristiske stivheten i språk generert av kunstig intelligens er ikke bare et estetisk problem – den signaliserer til mottakerne at meldingen ikke er skrevet med dem spesifikt i tankene.
Ta i bruk kunstig intelligens før man har etablert et menneskelig utgangspunkt
En av de mer strukturelt mangelfulle tilnærmingene til å ta i bruk kunstig intelligens er å implementere den før noen har funnet ut hvordan den underliggende oppgaven faktisk bør utføres. Når organisasjoner hopper over trinnet med å etablere en fungerende, menneskestyrt prosess og går rett til å automatisere den, fremskynder de ikke fremdriften – de fremskynder forvirringen.
Derek Fredrickson, grunnlegger og administrerende direktør i The COO Solution, ser dette mønsteret ofte: «Ofte prøver de å innføre kunstig intelligens som løsningen før et menneske faktisk har utført oppgaven. Jeg mener alltid at et menneske først bør gjøre det du ønsker at kunstig intelligens skal automatisere, i stedet for å ta i bruk kunstig intelligens bare for kunstig intelligensens skyld.» Kunstig intelligens er god til å skalere og systematisere prosesser som allerede er forstått. Den har ingen evne til å definere hvordan et godt resultat ser ut i en prosess som aldri først har blitt utført av et menneske.
Jeg mener alltid at et menneske først bør gjøre det du ønsker at AI skal automatisere, i stedet for å ta i bruk AI bare for AI-ens skyld.
AI-drevet rapportering med uryddige data eller uten et tydelig mål
Automatisert rapportering er en av de mest omtalte fordelene med AI i prosjektstyring. Løftet er reelt – men det kommer med betingelser som organisasjoner ofte overser. Hvis de underliggende dataene er upålitelige, eller hvis rapporteringsmålet ikke er tydelig definert, lager ikke AI bedre rapporter. Den lager rapporter med en overbevisende formatering som ikke forteller deg det du trenger å vite.
Emmanuels Magaya, grunnlegger av Project Managers Africa, peker på begge feilkildene: "Hvis du vil at AI skal automatisere rapportene dine, vil du ofte oppdage at rapporten ikke gir deg det du ser etter hvis dataene ikke er riktige. Og du må også vite hva du ser etter i rapporten." Ryddige data og et tydelig, interessentspesifikt mål er forutsetninger – ikke noe som bare er kjekt å ha – for at AI-assistert rapportering skal gi verdi.
Hvis du vil at AI skal automatisere rapportene dine, vil du ofte oppdage at rapporten ikke gir deg det du ser etter hvis dataene ikke er riktige.
Å legge AI oppå ødelagte prosesser
AI er en kraftforsterker. Det er nettopp derfor det er så kontraproduktivt å bruke den på en dysfunksjonell arbeidsflyt – den mangedobler dysfunksjonen. Organisasjoner som tror at AI vil reparere en ødelagt prosess, gjør i nesten alle tilfeller prosessen enda mer ødelagt og vanskeligere å diagnostisere.
Markus Kopko, hovedtrener for CPMAI, beskriver dynamikken tydelig: "Å kaste AI og AI-løsninger på dårlige prosesser gjør ikke prosessen bedre. Resultatene blir enda verre enn om du ikke hadde endret prosessene." Prosessforbedring må komme først. AI som legges oppå en uundersøkt eller ineffektiv arbeidsflyt, avdekker ikke de underliggende problemene – den begraver dem under raskere og større mengder resultater.
More Articles
- Bruk av KI i prosjektledelse: Hva som hjelper og hindrer prosjektledere i 2026
- KI i prosjektledelse: Praktiske anvendelser, eksempler fra virkeligheten & veiledning for innføring
- AI-bruksområder i prosjektledelse: De mest populære i 2026
- Kunstig intelligens i virksomhetsprosjektledelse: En leders veiledning til transformasjon, innvirkning & konkurransefortrinn
- KI er her: 9 måter prosjektledere bruker det på akkurat nå
Å erstatte menneskelig dømmekraft i teamdynamikk og konflikter
Data kan fortelle en prosjektleder mye. Den kan ikke fortelle vedkommende at to teammedlemmer har sluttet å stole på hverandre, når den psykologiske tryggheten i teamet er fraværende, eller at det som ser ut som et planleggingsproblem, egentlig er en dypere konflikt. Slike ting krever tilstedeværelse, observasjon og menneskelig dømmekraft – noe AI ikke kan tilby.
Jeremiah Hammon, leder- og prosjektledertrener i Project Revolution, trekker en tydelig grense: "Det den ikke gjør, er å se de virkelige problemene. Den forteller oss ikke at tre teammedlemmer har personlige problemer, eller når problemer i teamet krever konfliktløsning. Det gjør den ikke." Den mellommenneskelige dynamikken i et prosjektteam – hvem som sliter, hvem som har koblet seg av, og hva som ikke blir sagt – er usynlig for AI. Og i mange prosjekter er nettopp denne dynamikken avgjørende for om arbeidet blir gjort.
Det [AI] ikke gjør, er å se de virkelige problemene. Den forteller oss ikke at tre teammedlemmer har personlige problemer, eller når problemer i teamet krever konfliktløsning. Det gjør den ikke.
Mønsteret bak problemet
På tvers av alle disse bruksområdene går en felles årsak igjen i feilene: AI blir bedt om å utføre oppgaver det aldri var utviklet for, eller tas i bruk på måter som fjerner den menneskelige vurderingen som ville ha oppdaget problemet. Problemet er ikke AI i seg selv — det er antakelsen om at fordi AI kan produsere et resultat, er dette resultatet pålitelig, hensiktsmessig eller tilstrekkelig. Fagfolkene som bruker AI mest effektivt, er ikke de som har den lengste listen over bruksområder. Det er de som er tydeligst på hvor AI stopper og menneskelig vurdering begynner — og som ser på denne grensen ikke som en begrensning, men som et designprinsipp.
Vil du ha flere innsikter som disse? Registrer deg for en gratis DPM-konto for å høre fra flere eksperter som disse.
