For mange AI-verktøy? En guide til å håndtere alternativene dine
For mange verktøy: Daglige lanseringer av nye AI-verktøy overvelder prosjektledere og gjør det vanskeligere å ta smarte kjøpsbeslutninger.
Bruksområder først: Prioriter å forstå konkrete AI-behov før du tar i bruk verktøy, slik at du unngår ineffektive løsninger.
Test sammenlignende: Evaluer AI-verktøy ved å sammenligne resultater på tvers av flere plattformer, ikke isolert.
Utvid, ikke erstatt: Vurder å forbedre eksisterende verktøy med AI-agenter i stedet for å bytte plattform i all hast.
Strategisk bruk: Fokuser på å tilpasse bruken av AI-verktøy til langsiktige organisatoriske strategier og prosessforbedringer.
Det lanseres nå et sted mellom 500 og 1 000 nye KI-verktøy hver eneste dag. For prosjektledere og PMO-ledere er ikke dette tallet spennende – det er utmattende. Hver uke kommer det en ny plattform som lover å automatisere statusrapportene dine, forutsi risikoene dine og optimalisere ressursfordelingen din. Og hver uke tar organisasjoner kjøpsbeslutninger til fem- og sekssifrede beløp basert på demovideoer og salgspresentasjoner.
Emmanuels Magaya, grunnlegger av Project Managers Africa, har testet over 100 KI-verktøy og bygget opp et konsulentselskap rundt det å hjelpe organisasjoner med å ta smartere beslutninger om verktøyene de tar i bruk.
Nylig ble han med DPM-podcastvert Galen Low for å dele et perspektiv som går på tvers av den nåværende hypen: ta det roligere, vær konkret og slutt å la verktøyet styre strategien.
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
Her er den nøyaktige fremgangsmåten han presenterte i programmet, slik at du kan gjøre det samme.
Start med bruksområder, ikke verktøy
Den vanligste feilen organisasjoner gjør, er ikke å velge feil verktøy – det er å velge et verktøy før de vet hva de trenger det til. Magaya er tydelig på dette. «Det første steget er å forstå nøyaktig hva du vil at KI skal gjøre for deg», sier han. «Ikke prøv å bruke KI til alt. Se på noen av de enkle tingene du gjør i hverdagen, som er rutinepregede, som krever mentalt arbeid og som tar tid.»
Ikke prøv å bruke KI til alt. Se på noen av de enkle tingene du gjør i hverdagen, som er rutinepregede.
Det høres enkelt ut, men de fleste team hopper over dette. De ser en konkurrent bruke en ny plattform, eller noen i ledelsen leser en artikkel, og plutselig oppstår det press om å ta i bruk noe raskt. Problemet er at hastverk uten klarhet fører til akkurat den situasjonen Magaya bruker mesteparten av konsulentarbeidet sitt på å rette opp.
Den andre advarselen hans er like viktig: Ikke anta at prosessene dine er klare for KI bare fordi verktøyet er det. «Ikke kast deg over verktøyet», sier han. «Spør først: Støtter prosessen min KI? Det vi har funnet, er at det finnes ødelagte prosesser der KI bare vil bidra til å gjøre dem enda mer ødelagte.» Hvis ressursplanleggingen din er ujevn eller prosjektdataene dine er rotete, vil ikke et KI-lag rydde opp – det vil bare få rotet til å gå raskere.
Slik evaluerer og sammenligner du KI-verktøy
Når du har definert dine bruksområder for KI, er neste steg å teste – og Magaya har en spesifikk metode for dette. Den største feilen folk gjør når de evaluerer verktøy, er å teste dem isolert og vurdere ett verktøy opp mot en abstrakt standard i stedet for opp mot en direkte konkurrent.
Hans løsning er enkel: «Bruk aldri bare ett verktøy for å få KI-resultater. Prøv å skrive den samme ledeteksten i Gemini, Claude eller hvilket verktøy du har tilgang til, og sammenlign deretter de to.» Når du bruker identiske ledetekster på tvers av flere verktøy og KI-modeller, blir forskjeller i kvalitet, dybde og relevans for ditt spesifikke bruksområde synlige.
Denne artikkelen er tilpasset fra en DPM-podkastepisode med tittelen «Du trenger ikke et nytt KI-verktøy for prosjektledelse – du trenger å fikse det du har». Se flere DPM-podkaster her.
Men kvaliteten på resultatet ditt er bare så god som kvaliteten på inndataene dine. «Hvis du ikke er god til å skrive ledetekster, får du kanskje ikke et godt resultat selv med det riktige verktøyet», sier Magaya. «Derfor må du utvikle ferdighetene dine i å skrive ledetekster.» Dette er en variabel de fleste evalueringsrammeverk overser fullstendig – team tester et verktøy, får et middelmådig resultat og avskriver det, selv om det egentlige problemet ligger i ledeteksten.
Han advarer også mot å bedømme et verktøy ut fra førsteinntrykket. «Lek deg med verktøyene dine, og prøv ut ulike funksjoner. Du vil oppdage at selv verktøyet du opprinnelig mente ikke var særlig godt, faktisk kan fungere svært godt til ett bestemt formål.»
De fleste plattformer leveres med innebygde funksjoner som brukerne aldri oppdager, fordi de går rett til hovedgrensesnittet og aldri utforsker videre.
Hva du bør gjøre når AI-verktøyet ditt ikke passer
Selv med en grundig evalueringsprosess opplever organisasjoner noen ganger at de, etter seks måneder med implementering, innser at verktøyet ikke leverer det som ble lovet. Når det skjer, anbefaler Magaya en strukturert analyse før man tar beslutninger om veien videre.
«Først må du forstå hva du forventet av verktøyet», sier han. «Deretter gjør du det vi kaller en gapanalyse. Du gjør en gapanalyse av forventningene – hva jeg forventer at verktøyet skal gjøre, sammenlignet med hva verktøyet faktisk leverer.» Denne gapanalysen avgjør alt: om problemet kan løses, om det er verdt å fortsette, og hva det faktisk vil koste å avslutte.
Og den kostnaden kan være betydelig. «Konsekvensene av å ta et feil valg kan være enorme. Det kan til og med koste millioner, noe som viser seg i kundetilfredshet, levering til kunder, produktkvalitet og så videre», sier Magaya. Den økonomiske belastningen ved en dårlig avtale er åpenbar, men de langsiktige konsekvensene for leveringskvalitet og teamets motivasjon er ofte det som virkelig svir.
Konsekvensene av å ta feil valg kan være enorme – noe som viser seg i kundetilfredshet, levering til kunder, produktkvalitet og så videre.
Én faktor som er lett å undervurdere, og som Magaya trekker frem som den viktigste vurderingen etter at man har identifisert friksjonspunkter, er prosjektdata. «Hvor mye data hadde vi matet inn i dette verktøyet? Dette er sannsynligvis det viktigste punktet etter friksjonspunktet», sier han.
«Det er ikke sikkert at du klarer å gjenopprette dette.» I motsetning til et regneark, som du kan eksportere og importere et annet sted, kan ikke det et AI-verktøy har lært av teamets atferd, prosjekthistorikk og organisatoriske mønstre, overføres. Jo lenger du har brukt et verktøy, desto høyere blir kostnaden ved å snu.
Slik utvider du det eksisterende verktøyet ditt med AI-agenter
Det er her de fleste samtaler om AI-verktøy låser seg: Valget blir fremstilt som et spørsmål om å bli eller forlate verktøyet. Magaya tilbyr et tredje alternativ som flere organisasjoner bør vurdere – utvidelse. I stedet for å erstatte et verktøy som har mangler, bygger du agenter og automatiserte arbeidsflyter som fyller disse hullene, samtidig som du beholder den eksisterende plattformen.
Tenk på agenter som modulære, ikke monolittiske
Den modulære oppbygningen av agentbasert kunstig intelligens gjør dette mer praktisk enn det høres ut. «Med agentbasert kunstig intelligens er det fine at du kan fjerne agenter du ikke trenger, eller som ikke fungerer godt, og sette inn nye», forklarer Magaya. «Hvis du etablerer et agentbasert PMO, har du en agent som håndterer risikoforutsigelser. Du har en AI-agent som håndterer kapasitetsplanlegging. Du har en som bare håndterer planlegging eller kalenderstyring.» Hver agent håndterer en separat funksjon, noe som betyr at du kan legge til eller fjerne funksjonalitet uten å gjøre omfattende endringer i hele verktøystakken, og du kan sørge for at hver agent er optimalisert for den spesifikke oppgaven.
Med agentbasert kunstig intelligens er det fine at du kan fjerne agenter du ikke trenger, eller som ikke fungerer godt, og sette inn nye
Begynn i det små i det eksisterende verktøyet ditt
Det trenger ikke være komplisert å komme i gang. «Hvis du allerede har et verktøy, støtter det kunstig intelligens?» sier Magaya. «Hvis du har brukt de vanlige verktøyene som Monday.com, Asana eller Jira, gjør de generelt en god jobb med å holde seg oppdatert på AI-funksjonalitet. Du kan begynne der. Du begynner altså i det små. Kanskje det bare er en AI-agent som sjekker notater etter møter – la oss hente ut transkripsjonen, lage handlingspunkter og deretter sende en e-post.» Dette er et lavrisikoalternativ med høy verdi, som ikke krever en fullstendig arkitektonisk ombygging.
Planlegg før du bygger
For team som trenger å gå videre – og koble sammen verktøy som n8n, Make eller Zapier for å bygge mer avanserte arbeidsflyter – understreker Magaya at teknologien er den enkle delen. Det vanskelige er å vite hva du vil bygge før du begynner å bygge. «Du kan ikke begynne å bygge et hus uten en plan, og det er her mange gjør feil med kunstig intelligens», sier han.
«Når folk hører om n8n, Make og Zapier, setter de straks i gang med å lage arbeidsflyter. Men hva handler arbeidsflyten din egentlig om? Lag et tankekart i verktøy som NotebookLLM først.» Planleggingssteget er ikke valgfritt – det er det som avgjør om arbeidsflyten du bygger faktisk løser problemet og forstår informasjonsflyten, eller bare tilfører mer kompleksitet.
Du kan ikke begynne å bygge et hus uten en plan, og det er der mange gjør feil med AI.
Når arkitekturen er tydelig, blir implementeringen betydelig enklere å håndtere. «Du kan beholde verktøyet ditt, men sørg for at det er noen som forstår automatiseringsprosesser, som lager arbeidsflytene. På den måten blir de riktig integrert.»
Behandle AI-agenter som medlemmer av teamet ditt
Forsterkning er ikke bare en teknisk beslutning – det krever en endring i hvordan du tenker på teamsammensetningen. Magaya mener at PMO-ledere må begynne å ta med agenter i bemanningen. «Det finnes også et element av endringsledelse her», sier han.
«Teamet må tilpasse seg å ha AI som en del av teamet. Fremover, når dere i en PMO skal telle hvor mange dere er, la oss si at teamet består av 50 personer – nå må dere også telle AI-agentene som en del av teamet. Så hvis dere for eksempel har 10 AI-agenter, er dere faktisk et team på 60, fordi vi har det vi kaller et AI-RACI-diagram, der det på RACI-diagrammet – hvem som er ansvarlig, hvem som har beslutningsansvar, hvem som konsulteres og hvem som informeres – finnes en seksjon der AI utfører bestemte funksjoner.»
Fremover, når dere i en PMO skal telle hvor mange dere er, må dere også telle AI-agentene som en del av teamet.
Denne måten å ramme det inn på er viktig fordi den tvinger frem tydelighet. Når en agent har en definert rolle i RACI-diagrammet, vet teamet nøyaktig hva den har ansvar for, hvordan oppfølgingen skal foregå, og hvor overleveringen til et menneske skjer. Det gjør det også enklere å identifisere hvilke agenter som presterer dårlig på hvilke deler av arbeidsflyten.
More Articles
- Prosjektleder og underviser med kunstig intelligens deler en enkel arbeidsflyt for kunstig intelligens som fundamentalt endrer hvordan prosjekter drives
- Verktøystakken jeg ville brukt hvis jeg startet et byrå
- 3 alternativer til å erstatte dine menneskelige prosjektledere med KI-agenter
- Det ene prosjektstyringsverktøyet jeg aldri ville gitt opp
- De praktiske KI-arbeidsflytene som brukes av leveransesjefen i et Asana-implementeringsbyrå
Fra reaktiv til prediktiv
Å behandle agenter som teammedlemmer utløser en egenskap Magaya mener er en av de minst utnyttede fordelene ved AI innen prosjektledelse. «Når du har en AI-aktivert PMO med AI-agenter og assistenter som arbeider samordnet, kan agentene faktisk informere deg om risikoer basert på data som er samlet inn fra steder som e-post og Microsoft Teams», sier han.
Dette er en grunnleggende annerledes arbeidsmodell enn det de fleste PMO-er er vant til. «Tidligere håndterte tradisjonelle PMO-er risiko reaktivt – å, noe er i ferd med å skje, greit, la oss fikse det», sier Magaya. «Men med AI kan AI fortelle deg hva som kan skje om 12 måneder, bare basert på data.» Teamene som gjør dette godt, bruker ikke bare AI til å spare tid på administrasjon. De bruker den til å se lenger frem enn det som tidligere var mulig.
AI kan fortelle deg hva som kan skje om 12 måneder, bare basert på data.
La strategien styre, ikke verktøyene
Organisasjonene som får mest ut av AI, er ikke de som tar i bruk flest verktøy – det er de som er mest bevisste på hvordan og hvorfor de tar dem i bruk. Denne bevisstheten starter før et eneste verktøy kjøpes, og den starter med et tydelig bilde av hvordan prosessene deres ser ut, og hvor organisasjonen er på vei.
Som Magaya sier: «Se for deg at du bruker AI effektivt om 12 måneder. Hvordan vil organisasjonen din se ut? Hvordan vil kundene dine føle det? Det er slik du må se på det.» Start der, jobb deg bakover, og la verktøyene følge strategien – ikke omvendt.
Vil du ha flere slike innsikter? Registrer deg for en gratis DPM-konto for å høre fra flere eksperter som disse.
