Ledende ingeniørleder sier at leveranseansvarlige må ta i bruk sanntidsbaserte, signalorienterte systemer
En ledende ingeniørleder i Microsoft deler hvordan kunstig intelligens forvandler prosjektleveranser fra manuell koordinering til intelligent orkestrering – og hvordan de signalorienterte systemene teamene hans bruker, hjelper dem med å ligge i forkant.
Chandrasekar Srinivasan
Ledende ingeniørleder
Teknisk tydelighet: Chandrasekar Srinivasan fremhever behovet for en tydelig arkitektonisk retning i prosjektleveranser.
Transformasjon med kunstig intelligens: Kunstig intelligens endrer prosjektstyring fra koordinering til orkestrering og øker effektiviteten uten å fjerne menneskelige roller.
Håndtering av avhengigheter: Sammendrag støttet av kunstig intelligens gir bedre oversikt og beslutningsgrunnlag ved å samle prosjektstatus og avhengigheter.
Agentbaserte arbeidsflyter: Utforsking av agentbaserte arbeidsflyter forbedrer risikodeteksjon og prosjektoppfølging på tvers av flere team, noe som styrker samarbeidet.
Tillit til kunstig intelligens: Det er avgjørende å etablere tillit til resultater fra kunstig intelligens for å sikre innføring; teamene må prioritere pålitelighet og åpenhet.
Chandrasekar Srinivasan er leder for teknisk utvikling hos Microsoft. Med over 15 års erfaring innen distribuerte systemer, sky og AI har han ledet både plattforminitiativer i tidlig fase og plattformer i hyperstor skala.
Vi satte oss ned med ham for å få et innblikk i hvordan han tenker nytt rundt prosjektleveranser i et AI-nativt miljø. Her er det han fortalte oss.
Teknisk tydelighet og gjennomføringsmessig samordning
Jeg heter Chandrasekar Srinivasan og er leder for teknisk utvikling hos Microsoft. Jeg leder store team som bygger skyplattformer i stor skala på Tier-0-nivå, og har over 15 års erfaring innen distribuerte systemer, sky og AI. Gjennom karrieren har jeg ledet plattforminitiativer fra 0→1 og fra 1→100 på tvers av kontrollplan- og dataplan-systemer, med fokus på pålitelighet, skala, sikkerhet, samsvar og gjennomføring på tvers av organisasjonen.
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
I prosjektleveranser skaper jeg teknisk tydelighet og gjennomføringsmessig samordning. Det omfatter å sette arkitektonisk retning, løse uklarheter, fjerne hindringer for teamene, drive samordning på tvers av partnerorganisasjoner, eskalere risikoer tidlig, støtte kundeforpliktelser og bygge teamet (ansette/utvikle) slik at leveransen blir vellykket.
Hvorfor AI endrer prosjektleveranser fra koordinering til orkestrering
AI blir integrert i nesten alle deler av prosjektleveransen. Det erstatter ikke lederskap eller teknisk skjønn, men reduserer i betydelig grad det rutinepregede arbeidet i gjennomføringen. Det endrer prosjektledelse fundamentalt, fra koordinering til orkestrering.
AI endrer prosjektledelse fundamentalt, fra koordinering til orkestrering.
Teamene mine bruker AI-assistert koding og kodegjennomgang for å få fart på utviklingen, semantiske chatboter for å redusere belastningen på brukerstøtten og AI-basert oppsummering for å sammenfatte kommunikasjon på tvers av møter, tråder og dokumenter. Vi bruker også AI for å effektivisere teknisk dokumentasjon og forbedre oversikten gjennom automatiserte instrumentpaneler som fremhever forsinkelser og gjennomføringsrisikoer.
Som et resultat bruker jeg nå mindre tid på manuell sammenstilling, repetitiv dokumentasjon og rutinemessig koordinering. Jeg bruker mer tid på arbeid med høyere verdi: å ta arkitektoniske beslutninger, håndtere avhengigheter på tvers av team, håndtere uklarheter, forbedre prioriteringen og hjelpe teamene med å fokusere på de mest kritiske leveranserisikoene.
Hvordan AI-drevne tilnærminger håndterer avhengigheter på tvers av team
I vårt miljø strekker avhengighetene seg over dusinvis av team, og oppdateringer fordeles naturlig på tvers av prosjektsystemer, kommunikasjonstråder og arbeidsflyter for utvikling. Tradisjonelt krevde det betydelig manuelt arbeid å sette dette sammen, og vi identifiserte ofte risikoer senere enn vi skulle ønske.
Vi introduserte en lettvektsversjon 1 som samlet et fokusert utvalg av signaler fra disse systemene — data fra prosjektsporing, teamoppdateringer og kommunikasjonsartefakter — og brukte AI-assistert oppsummering til å generere en samlet oversikt over prosjektstatus og avhengigheter. Vi begynte å se på dette som et skritt mot en signalorientert leveransemodell, der signaler i kontinuerlig utvikling driver beslutninger i stedet for periodiske statusrapporter.
Vi beveger oss mot en leveransemodell som setter signaler først, der signaler i kontinuerlig utvikling driver beslutninger i stedet for periodiske statusrapporter.
Denne tilnærmingen har allerede flyttet teamet fra å bruke tid på å samle inn oppdateringer til å handle på dem. Enda viktigere er det at vi nå er på vei mot å gjøre denne funksjonen til et produkt – ved å integrere den tettere med leveransesystemene våre, slik at den blir en standarddel av hvordan vi håndterer prosjektsynlighet og oppfølging av gjennomføringen, i stedet for en parallell arbeidsflyt. Det viktigste vi har lært, er at verdien ikke ligger i å automatisere leveranser fullstendig, men i å skape et system som kontinuerlig forbedrer synlighet og beslutningstaking i stor skala.
Hvordan kunstig intelligens støtter automatisering, og hvor menneskelig dømmekraft fortsatt er avgjørende
Områdene som er best egnet for støtte fra kunstig intelligens, er sammenstilling av status, oppfølging av avhengigheter, identifisering av risiko, dokumentasjon, rutinemessig kommunikasjon, design, programmering og kodegjennomgang. Kunstig intelligens kan bidra ved å hente informasjon på tvers av systemer, oppsummere hva som er endret, identifisere sannsynlige hindringer, synliggjøre mangler i gjennomføringen og foreslå oppfølgingshandlinger.
Det er likevel ingen av disse områdene som virkelig kan «automatiseres fullstendig» i et meningsfullt leveransemiljø. Menneskelig dømmekraft er fortsatt avgjørende for prioritering, avveininger, organisatorisk samordning, konfliktløsning, arkitektonisk retning og ledelse av mennesker. Den beste bruken av kunstig intelligens i dag handler ikke om å fjerne mennesker fra prosessen, men om å redusere operativ friksjon slik at ingeniører og ledere kan konsentrere seg om beslutningene som skaper størst verdi.
Den beste bruken av kunstig intelligens handler ikke om å fjerne mennesker fra prosessen, men om å redusere operativ friksjon slik at ledere kan konsentrere seg om beslutningene som skaper størst verdi.
Endringer i teknologistakken vår har flyttet oss fra statiske, manuelt vedlikeholdte statusartefakter til KI-assisterte, spørringsbaserte arbeidsflyter som avdekker innsikt raskere og reduserer det manuelle arbeidet.
Verktøyslandskapet endrer seg overraskende raskt. Det som virker avansert i dag, kan bli en selvfølge svært raskt. Teknologistakken vår omfatter i økende grad KI-verktøy som:
- GitHub Copilot – Vi bruker det til å øke hastigheten på programmering, få kodeforslag, følge opp prosjekter og forbedre utviklerproduktiviteten under implementeringen. Automatisert støtte for kodegjennomgang har vært spesielt verdifull og er i mange tilfeller fortsatt undervurdert. Den hjelper ingeniører med å oppdage problemer tidligere, forbedre kodekvaliteten og arbeide raskere uten at det kreves samme nivå av manuell gjennomgang for alle rutinemessige endringer.
Den største effekten har vært raskere iterasjoner og mindre arbeid knyttet til gjennomganger, samtidig som mennesker fortsatt kan konsentrere seg om de mer grunnleggende spørsmålene rundt design og korrekthet. - Azure Copilot / KI-assistenter – Vi bruker dem til teknisk dokumentasjon, oppsummering, kunnskapsinnhenting og støtteprosesser.
- Spørringsbaserte rapporteringsverktøy – Vi bruker dem til å overvåke prosjektstatus, forsinkelser i gjennomføringen og status for avhengigheter.
Hvordan agentiske arbeidsflyter forbedrer prosjektoppfølging og risikodeteksjon
Vi utforsker agentiske arbeidsflyter for prosjektoppfølging, avhengighetsstyring og deteksjon av gjennomføringsrisiko. Dette er områder med høy verdi fordi de omfatter store mengder fragmentert informasjon og manuell oppfølging, særlig når mange team skal samordnes.
Noen av bruksområdene er automatisk oppdagelse av prosjektforsinkelser, identifisering av manglende avhengigheter og oppfølging av om alle nødvendige team har bekreftet handlinger eller forpliktelser. I store miljøer med over 100 team blir dette svært verdifullt.
Hvordan lettvektsystemer erstatter utdaterte prosjektdashbord
De fleste prosjektdashbord i dag er allerede utdaterte – de har bare ikke blitt erstattet ennå. Vi beveger oss bort fra tungt GUI-drevne, manuelt kuraterte prosjektstyringssystemer og over til mer lettvektige, spørringsdrevne arbeidsflyter.
De fleste prosjektdashbord i dag er allerede utdaterte – de har bare ikke blitt erstattet ennå.
Dette skiftet innebærer nå at prosjektdata behandles som noe team kan spørre om og samhandle dynamisk med – nærmere en CLI- eller ledetekststyrt modell. I stedet for å navigere gjennom flere dashbord eller vedlikeholde statiske statusdokumenter kan team stille målrettede spørsmål som:
- «Hvilke forsinkede avhengigheter er de viktigste denne uken?»
- «Hvilke team har ikke bekreftet kritiske tiltak?»
- «Hvor står vi i fare for å ikke nå milepælene?»
Kombinasjonen av dette forutsigbare laget med strukturerte prosjektdata og et sannsynlighetsbasert lag med generativ AI muliggjør dette skiftet. Det tolker disse signalene i sin kontekst – kobler sammen oppdateringer på tvers av systemer, identifiserer mønstre og synliggjør innsikt som ikke er åpenbar fra én enkelt kilde.
Hvorfor prosjektstyringsdata må frikobles fra kjerneprosjektdata etter hvert som AI-systemer utvikler seg
Etter hvert som systemene utvikler seg, må vi også frikoble prosjektstyringsdata (som status, prioritet og så videre) fra kjerneprosjektdata, med tydelige sikkerhetsregler for sensitiv informasjon. Dette sikrer at det forutsigbare laget forblir pålitelig og sikkert, mens det sannsynlighetsbaserte laget trygt kan operere på riktig abstraksjonsnivå uten å eksponere sensitive detaljer. Å frikoble prosjektstyringsdata fra kjerneprosjektdata gjør AI anvendelig i virksomhetsmiljøer.
Etter hvert som systemene utvikler seg, må vi frikoble prosjektstyringsdata fra kjerneprosjektdata for å gjøre AI anvendelig i virksomhetsmiljøer.
Etter hvert som kvaliteten på sannsynlighetsfordelingen forbedres, filtrerer dette laget bort støy mer effektivt og reduserer hallusinasjoner, noe som er avgjørende for å bygge tillit til disse systemene. Forskjellen mellom støy og innsikt ligger i kvaliteten på sannsynlighetene. I praksis reduserer dette behovet for manuell statuskuratering og flytter innsatsen over på beslutningstaking. Team bruker mindre tid på å oppdatere GUI-er og mer tid på å samhandle med levende data gjennom spørringer eller ledetekster.
Resultatet er mindre rapporteringsarbeid, raskere oversikt over gjennomføringsrisikoer og en mer dynamisk måte å styre leveranser på – der systemet kontinuerlig gjenspeiler virkeligheten i stedet for å basere seg på øyeblikksbilder som oppdateres med jevne mellomrom.
Hvordan AI-støtte gjør det mulig for junioringeniører å ta på seg mer komplekse oppgaver tidligere
Med AI-støtte kan jeg tildele junioringeniører mer komplekse oppgaver tidligere i karrieren. Kombinasjonen av AI-assistert veiledning og strukturert validering gjør det mulig for dem å arbeide med et større ansvarsområde samtidig som kvaliteten opprettholdes. Dette fremskynder ikke bare gjennomføringen, men forbedrer også læringshastigheten og utviklingen i teamet på en meningsfull måte. AI komprimerer erfaringskurven – ingeniører kan ta på seg morgendagens ansvarsområde allerede i dag.
Med støtte fra KI kan juniorutviklere ta på seg mer komplekse oppgaver tidligere og forkorte erfaringskurven.
Samkjøring i teamet blir bedre når KI kan oppsummere diskusjoner og fremheve beslutninger som ikke er tatt. Validering blir mer effektiv når KI bidrar med kodegjennomgang, dokumentasjonsgjennomgang og sporbarhet. Når det er sagt, er grunnprinsippene fortsatt viktige. Omfanget trenger fortsatt et tydelig eierskap. Samkjøring krever fortsatt reell beslutningstaking. Validering krever fortsatt grundighet innen utvikling.
Hvorfor innføring av KI innebærer å etablere tillit og balansere spenninger
Å ta i bruk KI innebærer noen ganger at det oppstår spenninger mellom tilpasning og standardisering. Teamene ønsker arbeidsflyter som er tilpasset behovene deres, men når virksomheten skalerer, trenger ledelsen også samsvar i målingen av og oppfølgingen av leveransesignaler. Å balansere disse to hensynene har vært en av de mer interessante lærdommene mine.
I tillegg til å kunne balansere spenninger må et team som ønsker å ta i bruk KI, arbeide med å etablere tillit. Mangel på tillit er den største hindringen for å ta i bruk KI. Teamene vil bare bruke KI hvis resultatene er tilstrekkelig nøyaktige, forståelige og integrert i arbeidsflyten deres, slik at de sparer tid i stedet for å skape mer arbeid med verifisering.
De langsiktige vinnerne vil være teamene som ikke bare ser på KI som et produktivitetsverktøy, men som et system som må opparbeide seg tillit gjennom pålitelighet, åpenhet og jevnlig verdi.
Vil du ha flere innsikter som dette? Registrer deg for en gratis DPM-konto for å høre fra flere eksperter som disse.
