Inne i denne CEO-ens dristige satsing på å bruke KI til renere data, raskere levering og enklere arbeidsflyter for prosjektledelse
Marcel Petitpas, CEO i Parakeeto, bruker KI som en sentral drivkraft for fremragende leveranser – han forenkler arbeidsflyter, håndhever datadisiplin og gjør alle medarbeidere (også de som ikke er tekniske) i stand til å bruke KI i det daglige arbeidet.
Marcel Petitpas
Grunnlegger og CEO i Parakeeto
KI-integrasjon: Parakeeto bruker KI for organisatorisk effektivitet og forbedrer lønnsomhetsrådgivningen gjennom innovative bruksområder.
Konteksteffektivitet: KI samler klientens kontekstmateriale på ett sted og forbedrer møteforberedelser og beslutningstaking med betydelige tidsbesparelser.
Forenklede arbeidsflyter: Parakeeto reduserer kompleksiteten i prosjektledelsen ved å begrense detaljnivået i oppgaver, forenkle dokumentasjonen og gjøre prosessene mer tilpasningsdyktige.
Viktigheten av god datakvalitet: Strukturerte data er fortsatt avgjørende; KI forsterker behovet for en robust og ryddig datainfrastruktur.
Myndiggjøring av team: Ikke-tekniske medarbeidere bruker KI til dataoppgaver og øker produktiviteten med verktøy som Notion for dynamisk dokumentasjon.
Marcel Petitpas er grunnlegger og administrerende direktør i Parakeeto, et konsulentselskap innen lønnsomhet som satser stadig sterkere på AI i prosjektene og leveransene sine.
Her er hva Marcel hadde å si om hvordan han redefinerer konsulentbransjen med AI.
Å oppmuntre til eksperimentering som administrerende direktør
Jeg er grunnlegger og administrerende direktør i Parakeeto. Vi er et teknologidrevet konsulentselskap som hjelper byråer — og andre konsulentselskaper — med å måle og forbedre lønnsomheten sin.
AI er en stor mulighet for oss, og jeg har måttet være svært tydelig overfor teamet mitt om dette.
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
Jeg prøver å oppmuntre alle til å eksperimentere, bruke det og finne måter å anvende det på i det vi gjør, slik at vi kan bli bedre eller mer effektive.
Et godt eksempel er at vi hver uke gjennomfører en demonstrasjon der vi viser og forteller, og feirer noe som det eksperimenteres med internt innen AI.
Effektivisering av innhenting av kontekst og leveranser
Innhenting av kontekst har sannsynligvis vært den viktigste effektiviseringen vi har oppnådd med AI så langt.
Vi har jobbet med å samle kontekst fra kundene våre — samtaler, notater, Asana-oppdateringer, e-poster og så videre — slik at alt kan gjøres søkbart med AI. Nå er det mye enklere å sette folk inn i hva som skjer, forberede seg til møter og ta beslutninger med riktig kontekst i mente.
Dette sparer mye tid på intern kommunikasjon, briefing, gjennomgang av samtaleopptak og utarbeidelse av oppdateringer.
Vi kan også spare mye tid på leveranser ved å bruke AI til å søke i den tekniske dokumentasjonen for systemene våre og bruke det til å hjelpe oss med å skrive regler for datarensing og utføre andre tekniske oppgaver.
Ved å bruke AI som vår «perfekte hukommelse» kan vi fokusere på og forbedre kundeopplevelsen. Nå føles hver kunde som den eneste kunden vår.
Å fjerne kompleksitet fra arbeidsflyter for prosjektstyring
En annen stor endring for oss har vært å gå helt bort fra nedenfra-og-opp-bemanning og detaljert, oppgavebasert prosjektstyring. Muligheten til å lage dokumentasjon som kan brukes på en samtalebasert måte, betyr at vi virkelig kan forenkle malene og fjerne mye av detaljene og kompleksiteten fra arbeidsflytene våre for prosjektstyring. Dette reduserer drastisk mengden tid og innsats som kreves for å sette i gang prosjekter og vedlikeholde prosjektstyringsverktøyene våre over tid.
Det reduserer også motstanden betydelig når det skjer endringer i prosessene våre.
Jeg tror dette kan bety at vi på et tidspunkt flytter prosjektstyringen til Notion. Men foreløpig er vi godt fornøyde med Asana.
Hvordan bruker kundene AI til kreative leveranser?
Når det gjelder kundene våre, ser vi AI på alle områdene du skulle forvente.
- Innhenting av kontekst fra den innledende inntaksprosessen og salgsprosessen for å informere strategi og briefing.
- Idé- og brainstormingsprosessen samt utarbeidelse av de første konseptene og briefene for det interne teamet.
- Rask visualisering av konsepter, spesielt i den innledende tilbudsfasen (dette gjelder tekst, UI/UX, grafisk design, video og bildegenerering).
- Bildegenerering
- På den digitale markedsføringssiden brukes AI i stor grad til data- og kampanjeanalyse, samt til å overvåke kontoer og foreslå endringer.
- Utarbeidelse av variasjoner av kreativt materiale og tekst.
- Å skape mye større effektivitet på områder som SEO-optimalisering — særlig innen mer grunnleggende hygienearbeid, som metatagger, beskrivelser og så videre.
Den undervurderte betydningen av datahygiene med AI
Jeg ble virkelig overrasket over hvor viktig datahygiene og datastruktur er når man tar i bruk AI i arbeidsflyter for leveranser.
Jeg tror det finnes en misforståelse om at kunstig intelligens vil redusere behovet for investeringer i datainfrastruktur, men vår erfaring er at den bare gjør disse investeringene enda viktigere.
Jeg tror det finnes en misforståelse om at kunstig intelligens vil redusere behovet for investeringer i datainfrastruktur, men vår erfaring er at den bare gjør disse investeringene enda viktigere.
De fleste selskaper vil ha begrenset evne til å utnytte kunstig intelligens på grunn av kvaliteten på de underliggende datasystemene sine.
Her er noen ting vi bruker kunstig intelligens til å rydde opp i:
- Korrigering av inkonsekvente ansatt- eller prosjektnavn (f.eks. kallenavn, stavefeil, prefikser/suffikser som [ARCHIVED]).
- Fjerning av unødvendig støy, for eksempel ekstra mellomrom, rader med topptekst/bunntekst eller ubrukte kolonner.
- Standardisering av formater for datoer, tall og tekst slik at de samsvarer med interne rapporteringsstrukturer i vår programvare for digital ressursforvaltning.
- Kartlegging av tidsregistreringer til riktige rollekategorier i lønnsmatrisen eller prosjekter i prosjektmatrisen, selv når rånavnene ikke samsvarer nøyaktig.
- Håndtering av endringer i omfanget for løpende avtaler ved å dele prosjekter inn i flere versjoner basert på start- og sluttdatoer.
- Omtilordning av eldre eller ufullstendige data til plassholderprosjekter for «historiske» data for å bevare nøyaktigheten i rapporteringen uten å skape rot.
- Uthenting av koder, tagger eller ID-er som er innebygd i tekstfelt, ved hjelp av regulære uttrykk eller mønstergjenkjenning.
- Utføring av matematiske justeringer på registrert tid (f.eks. oppjustering av timer for kontraktører eller omfordeling av brøkdeler av tid).
- Endring av navn på eller omtilordning av kolonner slik at eksporter fra ulike verktøy passer inn i et konsistent skjema.
- Kombinering eller oppdeling av felt (f.eks. sammenslåing av kolonner for fornavn og etternavn til ett enkelt ansattnavn).
Og dette er bare noen få eksempler.
Ved å lage virkelig god dokumentasjon om hvordan disse reglene for datarensing skal skrives og konfigureres, har vi gjort det mulig for ikke-tekniske ansatte å gjøre langt mer av grunnarbeidet selv. I noen tilfeller har de implementert disse datapipelineene uten å måtte involvere tekniske ressurser i det hele tatt.
Detaljert dokumentasjon med Notion AI
Kjernen i dette var å skrive detaljert dokumentasjon for å informere en AI-modell.
Deretter må vi holde den oppdatert. Men siden dokumentasjonen ligger i Notion, og vi bruker Notion AI til å søke i den, blir dokumentet på en måte selvvedlikeholdende. Og når noe nytt må legges til, kan vi ofte få AI-en til å utarbeide oppdateringene og lime dem rett inn.
Det fine med Notion er at det er ganske enkelt å hente kontekst derfra til steder som Gemini, Notebook LM eller ChatGPT. Agentfunksjonaliteten i ChatGPT fungerer også med Notion.
Slik gjør du ikke-tekniske ansatte i stand til å bruke kunstig intelligens
Jeg nevnte at ikke-tekniske ansatte kan settes i stand til å bruke kunstig intelligens – dette har vært det største gjennombruddet av alle. Så lenge noen kan uttrykke hva de ønsker å oppnå i form av en logisk setning, kan de i praksis skrive Python/SQL og bygge fungerende datapipelineer.
Så lenge noen kan uttrykke hva de ønsker å oppnå i form av en logisk setning, kan de i praksis skrive Python/SQL og bygge fungerende datapipelineer.
Selvfølgelig finnes det begrensninger, og disse begrensningene oppstår vanligvis i begynnelsen og slutten av slike tekniske oppgaver.
For eksempel er det vanligvis et område der en teknisk ressurs kan tilføre mye verdi å ta gode beslutninger om hvilke teknologier som skal brukes, hvordan ting skal utformes arkitektonisk, og hvilke spesialtilfeller og krav det må tas hensyn til — selv om det innebærer å gjennomgå og legge til flere detaljer i vurderingene en AI-modell allerede har gjort.
Derfra er det å sette opp infrastrukturen og de innledende arbeidsflytene for en helt ny prosess, og ta noe fra idé til lansering, noe som er svært vanskelig for en ikke-teknisk bruker å gjennomføre. I noen sjeldne tilfeller kan de gjøre det fra ende til ende, men det er som regel fortsatt et krav, eller i det minste langt mer effektivt og noe som fører til et bedre system og resultat, å ha en teknisk bruker som setter opp grunnlaget.
Et annet område der det fortsatt av og til kreves teknisk inngripen, er feilsøking av spesialtilfeller. Men etter hvert som vi dokumenterer løsningene på dette, gjør AI-assistanse det mulig for ikke-tekniske brukere å komme videre i stadig større grad.
Og når grunnlaget og prosessen først er på plass, kan ikke-tekniske brukere få til langt mer enn de kunne for ett år siden.
AI endrer ikke bare prosesser; AI endrer hvordan prosesser blir skapt
På noen måter tror jeg AI hjelper oss med å utvikle en prosess rundt ting uten at vi må utvikle en prosess i tradisjonell forstand.
Før vi fikk AI-agenter og verktøy som kunne hjelpe til med å få disse tingene gjort, måtte noen sette seg ned og lage et svært detaljert og ofte veldig deterministisk sett med trinn for å fullføre en oppgave.
Utfordringene med dette er:
- Det er tidkrevende
- Det krever at noen har en nøyaktig forståelse av hvilke trinn som skal tas
- Det fungerer vanligvis ikke godt for svært komplekse, nyanserte eller flytende ting
- Det er ofte vanskelig eller kostbart å gjøre når en prosess er ny eller ikke særlig moden, og sannsynligvis vil endres
- Det kan bremse fremdriften ved å skape operasjonell friksjon
Med AI kan noen bare opprette en ny chat, agent eller tilpasset GPT og begynne å arbeide samtidig som de bygger prosess, kunnskap og kontekst underveis. Det ligner på å arbeide med et menneske, men AI har perfekt hukommelse og kan umiddelbart dele det den har lært med den neste personen.
Jeg tror dette er noe av det mest kraftfulle ved AI — på noen måter endrer det fullstendig hvordan prosesser blir skapt og vedlikeholdt.
Min AI-verktøystack for prosjektleveranser
Den sentrale verktøystacken vår er:
- Asana – vår prosjektstyringsprogramvare
- Harvest – programvare for tidsregistrering
- QBO – vår regnskapsprogramvare
- Parakeeto – for styringsregnskap, prognoser, kapasitetsutnyttelse, ABR / prosjektresultater
Og vi bruker også:
- Google Suite (Drive, Sheets, Docs, Calendar, Mail) – programvare for skysamarbeid
- Notion – programvare for dokumentsamarbeid
- Miro – programvare for flytskjemaer
- Loom – programvare for asynkront samarbeid
- Fathom – programvare for notater
- Zapier – programvare for prosessautomatisering
To verktøy alle prosjektledere trenger
Notion og Zapier har spesielt vært banebrytende for oss.
Jeg var inne på dette tidligere, men Notion er en plattform vi virkelig har begynt å satse mer på. Den blir et sted der vi automatisk kan legge inn alle slags typer kontekst og informasjon om kundene våre, og deretter søke i dette eller bruke det som kunnskap i andre AI-modeller.
De begynner også å rulle ut mange verktøy som gjør dette mye enklere (Mail, Calendar, møtenotater), og det er fullt mulig at vi etter hvert flytter stadig flere funksjoner inn i Notion — kanskje til slutt også prosjektstyringen og CRM-systemet vårt.
Zapier har virkelig gjort en utmerket jobb med å integrere AI-agenter i verktøyet sitt. Mens alle fokuserer på Gumloop og N8N, vil jeg hevde at Zapier er bedre enn begge, med tanke på bredden i integrasjonene deres.
Vi har noen automatiseringer – hovedsakelig på S&M-siden – som sparer oss for mye tid hver måned ved å automatisere markedsføring og sørge for at data flyttes til riktig sted, med riktig grad av berikelse.
En Zapier-automatisering fra virkeligheten
En av de mer omfattende Zapier-automatiseringene vi har gående akkurat nå, innebærer å ta nye potensielle kunder som laster ned verktøypakken vår, og gjøre en rekke ting med dem:
- Vurdere dem for å se om de bruker en jobb- eller privat e-postadresse.
- Filtrere ut dem som bruker en jobb-e-postadresse.
- Hente ut firmanavnet fra e-postadressen og dele opp fornavn og etternavn.
- Bruke en berikelsestjeneste til å finne grunnleggende informasjon om selskapet og personen.
- Bruke flere filtre for å avgjøre om den potensielle kunden er «kvalifisert» basert på et sett med kriterier – for eksempel om de er i en bestemt bransje eller har et visst antall ansatte.
- Gjøre ytterligere berikelse av potensielle kunder som passer godt.
- Oppsummere og rydde opp i noe av informasjonen om dem, for eksempel selskapsbeskrivelser.
- Legge de potensielle kundene til i CRM-systemet vårt og bruke passende tagger og filtrering.
- Legge de potensielle kundene til i andre automatiseringer som gjør ting som å registrere dem for leadmagneten de lastet ned og legge dem til i en tilhørende e-postkampanje med flere utsendelser.
En enklere fremtid for prosjektledere
Jeg tror (og håper) at prosjektledelse vil bli langt enklere om fem år.
På samme måte som en AI-agent kan gjøre det mulig for en organisasjon å utvikle og videreutvikle en «prosess» uten faktisk å ha en «prosess», håper jeg at AI vil gjøre det mulig for prosjektledere å gjøre jobben sin uten å måtte jobbe seg gjennom hundrevis av detaljerte objekter i et prosjektstyringsverktøy hele tiden.
Det føles som om så mye av tiden til en prosjektleder går med til å omorganisere oppgaver, tidslinjer, tidsestimater, deloppgaver, milepæler, avhengigheter, tildelinger og så videre, og så videre, og så videre.
På mange måter er disse objektene prosjektlederens programmeringsspråk, og de bruker det til å kode en representasjon av det som skjer på et gitt tidspunkt. I noen tilfeller for å hjelpe seg selv med å forstå ting, og i mange andre tilfeller for at andre interessenter også skal kunne holde seg informert.
Dette systemet føles utrolig ineffektivt og tungvint. Som å løpe i sand.
Jeg tror AI vil begynne å redusere mengden presisjon og detaljer som prosjektledere må forholde seg til for å kommunisere om og styre prosjektene sine.
Fokuser på det grunnleggende innen AI
Det kan føles som om ting går raskt – og på noen måter gjør de det – men husk at vi bare er et par år inne i en teknologisk omveltning som vil fortsette i minst ett eller to tiår til.
Fokuser på det grunnleggende – det går aldri av moten. Og se etter måter å bruke AI på for å bli bedre og raskere.
Følg med videre
Du kan følge Marcel på LinkedIn. 👉 Abonner på The Digital Project Manager og hold deg oppdatert på alt som former AI innen leveranser.
