Produktive AI-funksjoner: Fra AI-assistent til autonome agenter
Automatisering: Productives AI automatiserer tidkrevende oppgaver som tidsregistrering og masseoppdateringer, noe som øker effektiviteten for team.
Sentralisering: AI-integrasjon i Productive kobler sammen drifts- og økonomidata for innsiktsfull analyse av prosjektstatus.
Ferdigheter: Gjenbrukbare AI-ferdigheter sikrer konsekvente og effektive instruksjoner for ressursevalueringer og budsjettsammendrag.
Agenter: Autonome agenter utfører arbeidsflyter selvstendig og forvandler prosjektstyring med minimal menneskelig innblanding.
Integrasjon: MCP-støtte kobler Productive til andre verktøy og utvider AI-funksjonaliteten på tvers av hele programvareøkosystemer.
Prosjektledere innen profesjonelle tjenester har allerede mye å bære. Productives AI er utviklet for å ta seg av resten – den håndterer de operasjonelle oppgavene i bakgrunnen, slik at leveringsteamene kan bruke tiden på arbeid som faktisk bringer prosjektene fremover.
Productives AI-funksjoner er bygget rundt en tydelig idé: Rutinearbeidet som bremser byråer – tidsregistrering, oppdatering av oppgaver, ressurskontroller og vedlikehold av utdaterte prosjekter – bør ikke kreve menneskelig oppfølging. I stedet for å legge en generell chatbot oppå frakoblede prosjektstyringsverktøy, bygger Productive AI direkte inn i sin alt-i-ett-PSA-plattform, der den har tilgang til de operasjonelle, økonomiske og relasjonelle dataene som gjør AI virkelig nyttig.
Bernie Vrbat, som jobber tett med byråer og konsulentselskaper hos Productive, gikk gjennom plattformens AI-funksjoner under presentasjonen Fremtidens AI i prosjektstyring. Her er en oversikt over hva Productives AI kan gjøre.
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
Grundig gjennomgang av Productives AI-funksjoner
1. AI-assistenten: Et knutepunkt for operasjonelt arbeid
Productives AI-assistent finnes i sidestolpen i kontoen din – tilgjengelig når som helst, uansett hvor på plattformen du befinner deg.
Fordi Productive allerede samler prosjekt-, ressurs-, budsjett- og økonomidata på ett sted, trenger ikke assistenten å få kontekst hver gang. Den tar utgangspunkt i hvor du er, og arbeider med dataene som allerede finnes i systemet. Det betyr at en prosjektleder kan stille et spørsmål – for eksempel om et prosjekt er i god stand – og få en oversikt basert på reelle leveringsdata.
Under presentasjonen ble tre bruksområder demonstrert: automatisert tidsregistrering, masseoppdatering av oppgaver og AI-genererte rapporter om prosjektstatus.
Når det gjelder tidsregistrering, kan assistenten registrere tidsbruk mot fullførte oppgaver med én enkelt instruksjon – uten at du trenger å lete gjennom menyer. Ved masseoppdateringer kan den endre oppgavestatus på tvers av et helt prosjekt samtidig, noe som er nyttig når en hindring oppstår og alt må settes på pause. For rapportering kan den vurdere prosjektstatus på tvers av flere datakilder samtidig – og det viktigste er at den viser grunnlaget for vurderingen, slik at prosjektledere kan kontrollere tallene bak tolkningen.
Med AI må du alltid ta høyde for en liten feilmargin. Derfor sikter vi ikke mot hundre prosent nøyaktighet her, men mot åpenhet.
Slik får du mest mulig ut av Productives AI-assistent:
- La konteksten gjøre jobben: Assistenten leser skjermbildet du er på – du trenger ikke å forklare situasjonen på nytt hver gang.
- Bruk den til masseoperasjoner: Oppdateringer av priskort, endringer i kostnadssatser og endringer av mange statuser samtidig – hyppige administrative oppgaver som tidligere krevde manuelt arbeid på tvers av flere poster.
- Kontroller AI-genererte innsikter: Alle rapporter om prosjektstatus inneholder de underliggende dataene og kildene, slik at du kan kontrollere hva systemet brukte for å komme frem til konklusjonen.
2. Ferdigheter: Gjenbrukbare AI-instruksjoner for konsekvente resultater
Ferdigheter er Productives løsning på problemet med å gjenta de samme detaljerte instruksjonene om og om igjen.
Hvis du har funnet en instruksjon som fungerer – enten det gjelder å vurdere tilgjengelighet av ressurser, oppsummere budsjettresultater eller generere strukturerte e-postoppdateringer – kan du lagre den én gang og bruke den på nytt når du trenger den. Enda viktigere er det at ferdigheter kan deles på tvers av organisasjonen, slik at hele teamet får nytte av gjennomarbeidede instruksjoner, ikke bare personen som skrev dem.
Under demonstrasjonen ble en ferdighet for å finne ressurser vist i praksis: Med utgangspunkt i instruksjoner om tilgjengelighet, erfaringsnivå, tjenestetype og ferdigheter fant assistenten den best tilgjengelige matchen for et prosjekt – og bekreftet at anbefalingen stemte overens med de faktiske ressursdataene.
Ferdigheter kan også settes til å aktiveres automatisk, noe som betyr at assistenten automatisk bruker relevant kunnskap om ferdigheten når du stiller et spørsmål – uten at du må finne og manuelt aktivere den riktige ferdigheten.
I stedet for å ha én person i organisasjonen som vet hvordan man skriver instruksjoner til kunstig intelligens, kan man plutselig ha et helt team av eksperter utstyrt med førsteklasses instruksjoner.
- Bernie Vrbat, Productive
Beste praksis for bruk av ferdigheter i Productive:
- Invester i detaljerte instruksjoner: Jo mer spesifikke instruksjonene for ferdigheten er, desto bedre og mer konsistent blir resultatet.
- Del på tvers av teamet: Ferdigheter er en organisatorisk ressurs – når man standardiserer hvordan kunstig intelligens tolker prosessene deres, får man konsistente resultater uavhengig av hvem som kjører dem.
- Bruk assistenten til å forbedre ferdighetene dine: Du kan be den kunstige intelligensen om å gjennomgå en ferdighet og foreslå forbedringer før du aktiverer den.
3. Agenter: Autonome arbeidsflyter som kjører uten deg
Agenter er punktet der Productives kunstige intelligens går fra å svare på spørsmål til faktisk å utføre arbeid på egen hånd.
I likhet med ferdigheter konfigureres agenter med et naturlig språk – uten behov for kode. Men mens en ferdighet krever at et menneske aktiverer den, arbeider en agent selvstendig. Den kan gå gjennom flere trinn, ta beslutninger underveis og arbeide på tvers av ulike verktøy – uten at noen trenger å være involvert på hvert trinn.
To agenter ble demonstrert under presentasjonen. Den første var en samtalebasert kontor- og administrasjonsassistent – konfigurert til å bruke en personalhåndbok som referanse og svare på spørsmål om retningslinjer, læringsbudsjetter og andre HR-relaterte temaer. Den kan også koble til oppgavemaler med en gang, slik at en forespørsel ikke bare blir besvart, men omgjort til noe man kan handle på.
Den andre var en overvåker av foreldede oppgaver: en automatisert agent som kjører hver morgen klokken 09.00, skanner alle prosjekter etter oppgaver uten nylig aktivitet og sender meldinger til de relevante personene for oppfølging. Under demonstrasjonen identifiserte og flagget den 18 inaktive oppgaver i én enkelt kjøring – den typen masseoperasjon som ellers ville krevd at en prosjektleder gikk gjennom alt manuelt.
Fordelen med å opprette en agent som denne er for det første at den gir et litt mer personlig preg, slik at folk kan knytte seg til den. En annen fordel er at agenter kan ha sine egne koblinger, som gjør det mulig for dem å arbeide på tvers av ulike MCP-støttede verktøy.
Slik kommer du i gang med agenter:
- Begynn enkelt: En enkel agent – for eksempel en som overvåker én enkelt betingelse og sender melding til de riktige personene – er en rask måte å se reell operasjonell effekt på.
- Fastsett et presist omfang: Agenter kan begrenses til bestemte prosjekter og data, slik at du har full kontroll over nøyaktig hva de kan se og gjøre.
- Gå gjennom revisjonssporet: Hver agentkjøring loggføres og viser hva den gjorde og når. Denne åpenheten gjør det enklere å stole på og videreutvikle agentens atferd over tid.
4. Styring av agenter og tillatelser
Etter hvert som agenter blir mer autonome, blir spørsmålet om kontroll viktig.
Productive håndterer dette gjennom detaljerte tillatelser. Administratorer kan definere nøyaktig hvilket tilgangsnivå hver agent har – hvilke data den kan lese, hvilke prosjekter den kan berøre, og om den kan utføre handlinger eller bare vise informasjon. Agenter kan også begrenses til bestemte prosjekter, slik at de ikke beveger seg inn på områder de ikke skal ha tilgang til.
Hver agentkjøring loggføres med et fullstendig aktivitetsspor, slik at teamene kan se nøyaktig hva agenten gjorde – og når. Under demonstrasjonen viste en kjøring fra tre timer tidligere hvilke oppgaver som var flagget, og hvilken handling agenten hadde utført for hver av dem.
Når det gjelder personvern, opererer Productives kunstige intelligens i samsvar med standardene i GDPR, CCPA og SOC 2. Kundedata brukes ikke til å trene Productives modeller eller tredjepartsmodeller som tjenesten samarbeider med.
Bevar kontrollen etter hvert som AI tar på seg mer:
- Bruk avgrensning på prosjektnivå: Begrens agenttilgangen til bare prosjektene der den er relevant.
- Overvåk kjøringer regelmessig: Aktivitetsloggen gir deg innsyn i hva agentene gjør – se på den som en rutinemessig kontroll, ikke bare som et feilsøkingsverktøy.
- Lag et gjennomtenkt tillatelseslag: Tilpass agenttilgangen til hvor sensitiv oppgaven er, ikke bare til hvor praktisk bredere tilgang er.
5. MCP-integrasjon: Koble Productive til resten av verktøystakken
Productive støtter Model Context Protocol (MCP), en fremvoksende standard som gjør det mulig for store språkmodeller å koble seg sikkert til forretningssystemer og forstå hvilke data og handlinger som er tilgjengelige for dem.
I praksis betyr dette at team kan koble Productive til andre MCP-støttede verktøy – kalendere, dokumentlagring og kommunikasjonsplattformer – og samhandle med data på tvers av alle disse gjennom ett enkelt grensesnitt. Productive har også sin egen offisielle MCP-server, noe som betyr at brukere kan koble til sin foretrukne LLM (for eksempel Claude eller ChatGPT) og stille spørsmål om Productive-data direkte fra dette verktøyet.
Med AI finnes det uendelige muligheter. Du kan jobbe i Productive fra den LLM-en du foretrekker.
- Bernie Vrbat, Productive
Få mest mulig ut av MCP i Productive:
- Koble til verktøy som allerede er i bruk: Hvis andre plattformer i verktøystakken har egne MCP-servere, kan de kobles til Productive slik at AI kan lese og utføre handlinger på data på tvers av systemene.
- Bruk din foretrukne LLM: Team som allerede jobber i Claude eller ChatGPT, kan få tilgang til Productive-data fra disse grensesnittene.
- Administrer koblingstillatelser sentralt: Akkurat som med agenter kan du styre hvilke verktøy som er koblet til, og hvilken tilgang hvert av dem har.
6. AI-referent: Møtekontekst som går direkte inn i prosjektene
Productive lanserte nylig en integrert AI-referent som fanger opp handlingspunkter fra møter, genererer et fullstendig møtereferat og lar brukerne gjøre disse punktene direkte om til oppgaver i plattformen.
Dette er viktig fordi det fjerner avstanden mellom det som blir diskutert, og det som faktisk blir gjort. Møtenotater i et separat verktøy krever manuell overføring. Notater i Productive kan bli til oppgaver i den samme arbeidsflyten, koblet til de samme prosjektene og dataene som agentene og ferdighetene allerede jobber med.
Få mest mulig ut av AI-referenten:
- Opprett oppgaver umiddelbart: Ikke la handlingspunkter bli liggende i et møtereferat – gjør dem om til tildelte oppgaver før møtevinduet lukkes.
- Koble til aktive prosjekter: Fordi innholdet fra referenten ligger i Productive, kan det gå direkte inn i agent- og ferdighetsarbeidsflytene som allerede er på plass.
Productives AI-funksjoner sammenlignet med andre verktøy
Productives tilnærming prioriterer integrasjonsdybde fremfor et bredt utvalg overfladiske funksjoner.
- Verktøy som Asana eller Monday.com tilbyr oppgavehåndtering med AI-tillegg, men AI-en deres arbeider vanligvis bare med prosjektdata.
- Plattformer som Harvest eller Toggl håndterer tidsregistrering, men kobler den ikke til ressursstyring, budsjetter eller leveransehelse i det samme systemet.
- Productive skiller seg ut ved å samle driftsdata, økonomiske data og relasjonsdata i én plattform – og bygge AI oppå denne samlede konteksten.
Resultatet er AI som kan svare på et spørsmål om prosjektets helse ved å hente inn registrert tid, forbrukt budsjett, oppgavestatus og teamets kapasitet samtidig – uten at data må hentes fra flere kilder og avstemmes manuelt.
Hva er det neste for Productives AI?
Productives kortsiktige veikart inkluderer Artifacts – muligheten til å gjøre AI-genererte svar om til visuelle resultater som instrumentbord, PDF-filer eller HTML-rapporter, i stedet for bare tekst.
På agentsiden er hendelsesutløste agenter under utvikling: agenter som aktiveres automatisk når noe endres i systemet, i stedet for å kjøre etter en fast tidsplan. Målet er proaktive agenter – som flagger problemer og tar kontakt for å få innspill når de kommer til et beslutningspunkt, i stedet for å vente på at noen skal spørre.
Vi ønsket ikke bare å koble KI på. Vi ønsket å se på hvor KI kunne utgjøre en reell forskjell – ikke bare automatisere enkeltoppgaver, men hjelpe deg med å administrere og analysere arbeidsflyter i virksomheten.
Når Bernie ser lenger frem, ser han vedlikehold av prosjekter – oppdatering av oppgavestatus, overvåking av fremdrift, forskyvning av tidslinjer når noe blir forsinket – som det første driftsområdet som fullt ut vil gå over i hendene på KI.
Vil du ha flere gjennomganger av KI-funksjoner og tilgang til arrangementer som presentasjonen om KI-fremtiden innen prosjektledelse? Opprett en gratis konto for å holde kontakten med The Digital Project Manager.
