Hvorfor lederne som måler KI-adopsjon best, ikke ser på dashbord
Måledata: Tradisjonelle bruksmålinger gir ofte et feil bilde av verdien av KI; fokuset bør i stedet ligge på operasjonell effektivitet.
Effektivitetsgevinster: Vurderingen av KIs effekt bør baseres på målbare effektivitetsforbedringer, ikke bare aktivitetsnivå eller resultater.
Atferdsendring: Meningsfull KI-adopsjon vises gjennom endret atferd, som uoppfordret bruk og automatisering av oppgaver.
Endret dømmekraft: Prosjektledernes verdi utvikler seg fra å handle om raskere resultater til å ta informerte beslutninger og gjøre kvalifiserte redigeringer.
Synlighetsparadokset: Suksess med KI-adopsjon kan være skjult; de som står nærmest arbeidet, ser de meningsfulle endringene.
Det å følge med på AI-adopsjon innen prosjektledelse høres ut som noe som burde være enkelt. Brukslogger, antall ledetekster, verktøyaktivitet – dataene finnes. Men ledere som har forsøkt å måle AI-ens reelle innvirkning, oppdager at de mest meningsfulle signalene ikke vises i dashbordene i det hele tatt. Det som faktisk fungerer, ligner mindre på analyse og mer på å følge med på hvordan arbeidet endrer seg i praksis.
Her er hva ekspertene våre sier fungerer – og hva som ikke gjør det.
Hvorfor tradisjonelle bruksmålinger ikke strekker til
Det er forståelig at man ønsker å måle AI-adopsjon gjennom aktivitet – flere ledetekster, mer eksperimentering og mer synlig entusiasme burde bety større verdi. Rawad Baroud, administrerende direktør i ZeroGPT, gikk inn med nettopp denne antakelsen, og det han fant, endret fullstendig hvordan han tenker på måling. «Fra et lederperspektiv trodde jeg først at teamene som fikk størst verdi ut av AI, ville være de enkleste å identifisere», sier han. «Jeg forventet å se høyere bruksrater, flere ledetekster, mer eksperimentering og mer synlig entusiasme.» Virkeligheten var nesten det motsatte.
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
«Teamene som oppnådde de beste resultatene, behandlet ofte AI som stavekontroll. Det hadde blitt så integrert i arbeidsflyten deres at ingen lenger følte behov for å nevne det.» Konsekvensene for hvordan ledere vurderer adopsjon, er betydelige. Som Baroud sier, «en prosjektleder som genererer femti ledetekster om dagen, skaper ikke nødvendigvis mer verdi enn noen som bruker AI fem ganger for å eliminere gjentakende flaskehalser.»
Teamene som oppnådde de beste resultatene, behandlet ofte AI som stavekontroll. Det hadde blitt så integrert i arbeidsflyten deres at ingen lenger følte behov for å nevne det.
Signalene han nå følger tettest, er operative: Kommer prosjektplaner raskere frem til interessentene? Kommer færre oppgaver i retur for avklaringer? Krever statusoppdateringer færre revideringer? Disse indikatorene, sier han, forteller ham langt mer enn adopsjonsdashbord.
Mål effektivitet, ikke aktivitet
For ledere som har gått videre fra å spore bruk, flyttes fokuset til konkrete effektivitetsgevinster – gjennomstrømning, feilrater og tilbakemeldinger fra interessenter som de reelle referansepunktene. Emmanuels Magaya, grunnlegger av Project Managers Africa, beskriver det som en enkel før-og-etter-sammenligning. «For meg er det viktigste målet: Har effektiviteten din økt siden du begynte å bruke AI? Eller bruker du mye mer tid på å skrive ledetekster for å korrigere det du gjorde?» sier han.
For meg er det viktigste målet: Har effektiviteten din økt siden du begynte å bruke AI? Eller bruker du mye mer tid på å skrive ledetekster for å korrigere det du gjorde?
Tilnærmingen hans er å opprette tydelige sammenligningsperioder: «Vi kan måle effektivitet ved å si at hvis vi for eksempel ikke hadde AI i noen del av en arbeidsflyt i første kvartal, er det et referansepunkt. I andre kvartal hadde vi det. Da sammenligner vi første kvartal med andre kvartal.»
Magaya oppfordrer også ledere til å se utover sitt eget teams perspektiv når de vurderer innvirkningen. «Det må ikke bare være ditt perspektiv som PMO-team. Innhent synspunkter fra interessentene dine, fra de interne kundene dine og så videre. Du trenger ikke engang å fortelle dem at du bruker AI. Bare spør: ‹Hvordan har vi prestert de siste par månedene?›» Blinde tilbakemeldinger fra menneskene som står arbeidet nærmest, er etter hans syn et av de mest ærlige målene som finnes.
Mål atferd fremfor resultater
Flere ledere har kommet frem til at endret atferd er den mest pålitelige indikatoren på meningsfull AI-adopsjon – spesielt hvilke oppgaver som har blitt AI-først, og om teammedlemmer tar i bruk AI uten å bli oppfordret til det. Ferhat Suat Erdogan, grunnlegger og administrerende direktør i Ekofi, har bevisst unngått å bygge en formell målestruktur, nettopp av denne grunnen. «Fordi vi er en liten virksomhet, har jeg bevisst unngått å bygge et AI-dashbord», forklarer han. «Det jeg ikke kan se ved å se på et dashbord, er om AI faktisk endrer hvordan arbeidet blir utført. Derfor måler jeg atferd mer enn resultater.»
Signalene Erdogan følger med på, er konkrete: hvilke tilbakevendende oppgaver som har blitt AI-først — «statusrapporter, møtereferater til handlingspunkter, førsteutkast til kundeoppdateringer, oppsummeringer av omfang» – sammenlignet med hvilke som fortsatt er menneskeførst; tid til førsteutkast på en leveranse, og hvor mye redigering et AI-resultat trenger før det sendes ut. «Denne graden av omarbeiding er mitt egentlige kvalitetsmål», sier han. «Atferden jeg stoler mest på, er om teamet tar i bruk AI uten oppfordring. Pålagt bruk forteller deg ingenting; uoppfordret bruk forteller deg at det faktisk sparer dem tid.»
Atferden jeg stoler mest på, er om teamet tar i bruk AI uten oppfordring. Pålagt bruk forteller deg ingenting; uoppfordret bruk forteller deg at det faktisk sparer dem tid.
Artem Panasiuk, leveransansvarlig hos Brocoders, har en lignende tilnærming og bruker regelmessige teamsamlinger i stedet for et formelt dashbord for å samle inn signaler. «Akkurat nå følger vi ikke AI-bruken gjennom et formelt måledashbord. Vi har regelmessige teamsamlinger der lederne våre utveksler informasjon om hva som fungerer i det daglige arbeidet, og det er der de fleste signalene våre kommer fra», sier han.
Vi har regelmessige teamsamlinger der lederne våre utveksler informasjon om hva som fungerer i det daglige arbeidet, og det er der de fleste signalene våre kommer fra.
Det Panasiuk faktisk måler, er endringen i hva en prosjektleder bruker tiden sin på. Standardoppgaver for prosjektledere — å generere dokumenter, opprette Jira-saker, oppdatere dokumentasjon og utarbeide e-poster — har blitt automatisert, og denne frigjorte kapasiteten har flyttet lederne over i arbeid som tidligere lå utenfor prosjektlederrollen: forretningsanalyse, elementer i designsystemer, dokumentasjon og vibekoding. Resultatet Panasiuk trekker frem, er slående: «Lederne våre utfører omtrent dobbelt så mye arbeid som før, og teamene rundt dem har blitt langt mer T-formede.»
Det større skiftet: Fra resultat til vurderingsevne
På tvers av disse perspektivene trer en konsekvent ny forståelse frem — ikke bare av hvordan AI måles, men også av hva ledere begynner å verdsette hos teamene sine. Erdogan uttrykker det direkte: «Jeg pleide å belønne hurtighet og produksjonsvolum indirekte. Nå er vurderingsevne den mest verdifulle ferdigheten — å redigere AI-resultater og vite når man ikke skal bruke AI i det hele tatt. Jobben går fra å produsere utkastet til å være redaktøren som er ansvarlig for det.»
Jeg pleide å belønne hurtighet og produksjonsvolum indirekte. Nå er vurderingsevne den mest verdifulle ferdigheten — å redigere AI-resultater og vite når man ikke skal bruke AI i det hele tatt.
Dette skiftet har praktiske konsekvenser for hvordan leveranseprestasjoner vurderes. Volum og hurtighet er ikke lenger de signalene de en gang var. Prosjektlederen som produserer mindre, men redigerer bedre, oppdager hullene AI overser og vet når verktøyet bør legges helt bort, kan levere mer verdi enn den som genererer størst produksjonsvolum. Som Baroud påpeker, er det største tankeskiftet at «AI-bruk ikke alltid er synlig. I mange tilfeller ser suksess mindre ut som økt aktivitet og mer ut som en stille fjerning av arbeid som tidligere bremset teamene.»
Avslutning om synlighetsparadokset
Det mest nyttige som kommer frem av Barouds observasjon, er et paradoks det er verdt å dvele ved: Teamene som bruker AI best, er de du minst sannsynlig vil finne i en rapport om bruk. Hvis suksess ser ut som stille fjerning av arbeid snarere enn synlig aktivitet, er lederne som er best posisjonert til å måle AIs innvirkning, ikke de som følger med på dashbordene — men de som fortsatt er tett nok på arbeidet til å legge merke til når noe slutter å skape friksjon.
Vil du ha flere innsikter som dette? Registrer deg for en gratis DPM-konto for å høre fra flere eksperter som disse.
