Prosjektleveranse krever AI-orkestreringssystemer, ikke bare verktøy – grunnlegger med ansvar for prosjektleveranse diskuterer hvordan AI skaper nye flaskehalser
Lillian Pierson har ansvaret for prosjektleveranse i selskapet sitt, Data-Mania, der hun hjelper grunnleggere av teknologiske oppstartsbedrifter med å utvikle skalerbar vekst. Hun er også AI-underviser med dyp teknisk kunnskap.
Lillian Pierson
Deltids-CMO og vekstrådgiver hos Datamania
AI skaper nye flaskehalser: AI gjør gjennomføringen raskere, men flytter forsinkelsen til valideringen. Team bruker nå mer tid på å kontrollere AI-resultater enn på å skape dem.
Suksess avhenger av orkestrering: Lillian erstattet spredte AI-verktøy med sammenkoblede systemer som samordner strategi, gjennomføring og kvalitetskontroll gjennom agentarbeidsflyter.
Nye lederroller vokser frem: Fremtidens prosjektleveranse ligger hos AI-systemarkitekter som bygger agentøkosystemer, og strategiske relasjonsansvarlige som håndterer vurderinger, samordning og strategi.
Vi tok en prat med henne for å få innblikk i hvordan hun endrer prosjektleveranser fra verktøy og arbeidsflyter til systemer for AI-orkestrering. Underveis fortalte hun om overraskende nye flaskehalser som forårsakes av AI.
Her er det hun hadde å si.
Lillian Piersons reise fra ingeniørfaget til digital markedsføring og prosjektleveranser
Jeg heter Lillian Pierson og er deltids-CMO og grunnlegger av Data-Mania, der jeg hjelper gründere av teknologiske oppstartsbedrifter med å utvikle forutsigbar og skalerbar vekst – uten kaoset som vanligvis følger med markedsføring. Jeg er også AI-markedsføringslærer hos LinkedIn Learning.
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
Når det gjelder prosjektleveranser, har jeg ansvar for prosjektene i selskapet mitt: å definere strategi og KPI-er, bygge teamet (både mennesker og AI-drevne systemer), følge opp gjennomføringen og levere prosjekter – grunnleggende markedsføringssystemer som team kan vedlikeholde over lang tid.
Jeg vil si at bakgrunnen min er uvanlig for en markedsfører. Jeg begynte som autorisert profesjonell ingeniør og startet med markedsføring for ingeniør- og teknologivirksomheter. Jeg har utviklet vekststrategier i 20 år nå og levert markedsføringsresultater for alt fra oppstartsbedrifter uten inntekter til 10 % av Fortune 100 (Intel, IBM, Amazon, Dell, SAP). Jeg hjelper ofte handlekraftige gründere utenfor tradisjonelle teknologiknutepunkter, som San Antonio, Chicago, Tel Aviv eller deler av Europa som ikke har enkel tilgang til erfarne ledere innen vekst.
Dette er det som gjør tilnærmingen min annerledes: Jeg kombinerer ekspertise innen produktmarkedsføring og vekstmarkedsføring med dyp forståelse av AI og data. Jeg har lært opp over 2 millioner fagpersoner i emner som AI, datastrategi og nå AI-markedsføring – så når jeg sier «datadrevet», mener jeg det på ingeniørnivå. Det handler ikke bare om overfladisk analyse.
Hvordan AI omdefinerer lederroller innen strategi, arkitektur og orkestrering
Med AI har rollen min utviklet seg fra «strateg + leder» til «strateg + arkitekt + agentorkestrator + leder».
Dette er hva det betyr i praksis: Tidligere brukte jeg 50 % av tiden på strategisk planlegging og 50 % på å lede team gjennom gjennomføringen. Nå er fordelingen 30 % strategi, 25 % AI-systemarkitektur, 25 % agentorkestrering og 20 % teamledelse.
Dette krever mer oppmerksomhet:
- Utforming av AI-systemer som teamene mine kan bruke – her snakker jeg om arbeidsflyter, ikke verktøy.
- Valideringsrammeverk og kvalitetskontroll
Dette tar mindre tid:
- Manuell dataanalyse: AI håndterer 80 % av den innledende innsikten via ChatGPT EDA (utforskende dataanalyse).
- Innhold i førsteutkast: AI genererer utkast via Claude + tilpasset MCP, og teamene videreutvikler dem.
- Rutinemessig rapportering: For det meste automatisert via Segmetrics.
- Møtedokumentasjon: AI henter ut oppgaver og beslutninger via Fathom.
Slik bruker du tillitsgradient-rammeverket til å avgjøre hva som skal automatiseres (og hva som skal forbli menneskestyrt)
Jeg bruker tillitsgradient-rammeverket for å avgjøre hva som skal automatiseres. Kort fortalt er det slik.
Høyt automatiseringspotensial (AI håndterer over 80 %):
- Datainnsamling og innledende analyse
- Generering av innhold i førsteutkast – bare når du har dokumentert tilstrekkelig merkevarekontekst
- Produksjon av kampanjemateriell
- Møtenotater og uttrekk av oppgaver
- Rutinemessig resultatrapportering
Krever menneskelig oppfølging (AI bistår, og et menneske tar beslutningen):
- Strategisk prioritering – hvilke kampanjer som skal kjøres, når og hvorfor
- Beslutninger om markedsposisjonering
- Budsjettfordeling på tvers av kanaler
- Håndtering av kundeinnvendinger i samtaler med høy risiko
- Krisehåndtering
Områder forbeholdt mennesker:
- Utforming av grafikk til sosiale medier (ja!)
- Validering av ICP og sammenfatning av markedsundersøkelser (AI overser viktig emosjonell undertekst som bør tas i betraktning)
- Utforming av prisstrategi og inntektsmodell
- Forhandlinger om partnerskap
- Konfliktløsning
- Alle beslutninger som har direkte innvirkning på resultatregnskapet eller selskapets omdømme
Smarte team bruker KI til det irriterende, repetitive og kontekstavhengige arbeidet, og holder deretter mennesker fokusert på vurderinger som krever dyp markedsekspertise, samt evalueringen av strategiske avveininger.
Men husk: Automatisering av en ødelagt prosess gir deg bare ødelagte resultater raskere. Jeg har for eksempel sett team automatisere innholdsproduksjon når det egentlige problemet var at posisjoneringen deres var feil, og det var fullstendig bortkastet tid.
Automatisering av en ødelagt prosess gir deg bare ødelagte resultater raskere.
Løsningen på KIs nye flaskehals: Bygg valideringsnoder inn i arbeidsflytene dine
Når det er sagt, har jeg blitt overrasket og skuffet over å oppdage at KI ikke har fjernet flaskehalsene våre; den har bare flyttet dem.
Vi er 10 ganger raskere til å gjennomføre kampanjestrategier, innholdskalendere og budskapsrammeverk. Men de totale prosjekttidslinjene våre ble bare 3 ganger raskere.
Hvorfor? Fordi vi nå bruker mer tid på å validere om disse KI-genererte resultatene faktisk er riktige. Før KI brukte teamene mine 80 % av tiden på å bygge leveranser og 20 % på å kontrollere at de var strategisk solide. Nå er det snudd: 30 % bygging, 70 % validering.
Flaskehalsen flyttet seg altså fra gjennomføring til evaluering.
For å løse denne nye flaskehalsen har jeg begynt å bygge valideringsnoder inn i KI-arbeidsflytene mine, slik at LLM-er kan evaluere ikke bare nøyaktighet, men også samsvar med strenge kriterier for arbeidsflyten.
Praktisk eksempel på et skript for kvalitetskontroll av KI
I agentinstruksjonene ser valideringsnoden min omtrent slik ut:
- For innhold til sosiale medier som du oppretter, skal du gjennomføre et kvalitetssikringstrinn. Før du sender inn svaret ditt, må du kontrollere:
- Opprettet jeg nøyaktig 3 innholdselementer?
- Opprettet jeg nøyaktig 1 viralt LinkedIn-innlegg?
- Opprettet jeg nøyaktig 1 viral Reels-tekst?
- Opprettet jeg nøyaktig 1 talemanus til en viral Reels-video?
- Følger LinkedIn-innlegget jeg skrev kravene som er angitt i ledeteksten jeg hentet inn i trinn X?
- Inkluderte jeg det sosiale beviset eller kundecaset som ble valgt i trinn Y, i alle innholdselementene?
- Inneholder LinkedIn-innlegget og Reels-teksten relevante emneknagger?
- Unngikk jeg å legge til strategi, maler, visuelle signaler eller ytterligere materiell?
- Fulgte jeg de spesifikke formatkravene?
- Hvis svaret ditt på noen av spørsmålene ovenfor er «nei», må du gå tilbake og rette feilen. Gjenta deretter dette trinnet til alle svarene dine er «ja».
- Hvis du oppretter noe annet enn de 3 angitte innholdselementene, har du mislyktes fullstendig med denne oppgaven.
Så langt hjelper det, men det er ikke 100 %.
Slik endrer KI leveranserutinene
Vi gikk fra planlegging som var nært beslektet med fossefallsmetoden, til modus for «kontinuerlig validering» – der testing skjer som en del av prosessen. Denne endringen alene reduserte prosesskostnadene fra 20 % til 5 %. Det er ganske betydelig.
Nøkkelen er først å evaluere hele leveransemodellen, og deretter automatisere strategisk.
Slik utviklet de viktigste leveranserutinene våre seg:
Samkjøring av team
- Gammel: 1 times samkjøringsmøte med lysbilder og spørsmål og svar.
- Ny: KI-generert prosjektbeskrivelse via ChatGPT, etterfulgt av asynkron tilbakemelding i Notion innen 24 timer og et 15-minutters synkroniseringsmøte kun for hindringer.
- Effekt: 80 % mindre møtetid og bedre samkjøring.
Validering av arbeid
- Gammelt: QA-teamet gjennomgikk hvert enkelt aktivum manuelt
- Nytt: AI-assistert testing der Claude kontrollerer innholdet opp mot nøkkelkriterier, dokumentert merkevarekommunikasjon og dokumentasjonspunkter, og deretter korrigerer eventuelle avvik. Mennesker foretar stikkprøver for å kontrollere strategisk samsvar.
- Effekt: 2 ganger færre kvalitetsproblemer.
Vi behandler AI som et utrolig raskt juniormedlem i teamet med perfekt hukommelse, men uten strategisk dømmekraft. Det trenger retning, kontekst og validering, men håndterer alt grovarbeidet.
Mottoet mitt er at teamene som prøver å erstatte de fleste mennesker med AI, vil mislykkes. Teamene som bruker AI til å forsterke kloke og tidsriktige menneskelige vurderinger, vil lykkes.
Vi behandler AI som et utrolig raskt juniormedlem i teamet med perfekt hukommelse, men uten strategisk dømmekraft. Det trenger retning, kontekst og validering, men håndterer alt grovarbeidet.
Overgangen fra AI-verktøy til orkestreringssystemer
Dette var teknologistakken min for 12 måneder siden: Airtable, Notion, ChatGPT, Perplexity, Canva, Google Docs, Fathom, Siri og Loom.
Her er den nåværende stakken min:
- Claude + egendefinert MCP: Mitt viktigste AI-arbeidsområde, der jeg gjør det meste av den strategiske tenkingen, innholdsproduksjonen og utviklingsarbeidet mitt, utvidet med egendefinerte integrasjoner som gir meg tilgang til all konteksten og alle verktøyene mine på ett sted.
- n8n: Jeg bruker dette til å automatisere det repetitive arbeidet, slik at jeg kan fokusere på faktisk strategiarbeid i stedet for å kopiere data mellom plattformer eller sende de samme oppfølgings-e-postene. Jeg bruker det også som en MCP-server.
- Airtable: Her lagrer jeg all konteksten min for MCP. Når AI-agentene mine fullfører en oppgave, skriver de automatisk resultatene sine inn i Airtable, som jeg bruker til å lagre og organisere alle prosjektdataene mine for MCP.
- Notion: Min sentrale hjerne for standardiserte arbeidsprosesser og strategimaler. Et verktøy for prosjektstyring og dokumentasjon, samt alt jeg trenger å slå opp eller dele med teamet mitt.
- Bolt: Når jeg trenger et egendefinert verktøy, en landingsside eller en prototype og ikke vil vente på en utvikler, bruker jeg dette til å bygge raske nettapper som løser spesifikke arbeidsflytproblemer.
- Windsurf: Min foretrukne koderedigerer når jeg bygger egendefinerte apper for spesifikke markedsføringsoppgaver. Koden skrives av AI, så jeg setter meg ikke fast i syntaksen.
- ChatGPT: Jeg bruker dette når jeg trenger et annet perspektiv på noe eller raskt vil utveksle ideer uten å bytte kontekst. Det er også flott for grundige undersøkelser.
- Perplexity: Min forskningsassistent for å samle inn aktuelle markedsdata, konkurrentinnsikt og bransjetrender med faktiske kilder jeg kan sitere.
- Gamma: Når jeg raskt trenger å lage en presentasjon uten å sette meg fast i designvalg, hjelper dette meg med å lage noe som ser profesjonelt ut på en brøkdel av tiden.
- OpenAI AgentKit: Jeg eksperimenterer med dette for å bygge egendefinerte AI-agenter som kan håndtere bestemte tilbakevendende oppgaver uten at jeg må utløse dem manuelt hver gang.
- Descript: Jeg bruker dette til å redigere opptakene mine og presentasjonsvideoer for kunder, slik at de blir profesjonelle uten at det krever ekspertise innen videoredigering.
- Canva (gratis markedsføringsprogramvare): Designverktøyet mitt for å lage merkevaretilpasset grafikk, innhold til sosiale medier og visuelle elementer når jeg trenger noe som ser bra ut, men som ikke krever en full designprosess.
- Google Docs: Her utarbeider jeg utkast i samarbeid med kunder og teamet mitt. Det er spesielt nyttig for økter med tilbakemeldinger i sanntid og iterativt strategiarbeid.
- Fathom (app for notater): Dette tar opp kundesamtalene mine og genererer automatisk utskrifter og sammendrag, slik at jeg kan fokusere på samtalen i stedet for febrilsk notatskriving.
- Loom (programvare for videomarkedsføring): Slik leverer jeg de fleste strategipresentasjonene og nettstedsgjennomgangene mine. Det lar meg lede kundene gjennom tankegangen min asynkront, slik at de kan se innholdet når det passer dem.
Alt i alt har den største endringen vært overgangen fra «verktøy» til «AI i orkestrerings systemer». Jeg gikk fra å bruke ChatGPT til innholdsproduksjon og markedsundersøkelser til å bygge komplette AI-agenter som får tilgang til strukturert merkevarekontekst og autonomt genererer kampanjemateriell og merkevaretilpassede leveranser.
Det har vært svært nyttig å eliminere alle disse GPT-ene som bare løser enkeltstående oppgaver. Jeg har konsolidert 90 % av dette i agenter som er bygget i Claude «Projects», med en god kontekstarkitektur i Airtable.
Claude API har vært det tillegget med høyest ROI. Claude har en tilpasset MCP for å bygge AI-agenter som dynamisk får tilgang til strukturert merkevareinnsikt, og etter å ha bygget agenter på flere plattformer er dette oppsettet jeg stadig vender tilbake til — det er rett og slett så kraftig! Men det krever teknisk forståelse av API-er og promptutforming.
Jeg vil også si at n8n er undervurdert for gründere og prosjektledere som ønsker å bygge tilpassede AI-arbeidsflyter uten å kode.
Overordnet sett har den største endringen vært overgangen fra “verktøy” til “systemer for AI-orkestrering.
ROI-en ved agentbaserte arbeidsflyter — og hvorfor akkumulert intelligens slår raske gevinster
Hvis det finnes et bruksområde for en agentbasert arbeidsflyt, bygger jeg den og deler den. ROI-en ved agentbaserte arbeidsflyter er ubestridelig.
Faktisk satt jeg oppe til klokken 02.00 her om kvelden for å lage et kurs for LinkedIn om Agent Kit. I dette kurset veileder jeg deltakerne gjennom prosessen med å bygge et system med flere agenter som omgjør en partnerskapsstrategi for seks måneder til en robust daglig handlingsplan som en markedsfører på juniornivå kan gjennomføre.
Men én ting som de fleste nybegynnere kanskje ikke innser, er at agentbaserte arbeidsflyter ikke er noe du bare «setter opp og glemmer». ROI-en kommer fra akkumulert intelligens over tid, ikke umiddelbar perfeksjon. Det ville være en feil å behandle agenter som magiske løsninger i stedet for systemer som trenger kontinuerlig forbedring.
Slik bruker du agentbaserte arbeidsflyter til å gjøre strategi om til gjennomførbart daglig arbeid
Jeg bygget denne agentbaserte arbeidsflyten fra strategi til gjennomføring for å løse et problem jeg stadig støtte på: Jeg leverte disse omfattende strategipresentasjonene til kunder, og så satt vi begge og stirret på dette enorme veikartet og lurte på: «Greit, men hva skal jeg faktisk gjøre i morgen?»
Agentkjeden bryter strategien ned til gjennomførbart daglig arbeid. Slik fungerer den:
- AI-prosjektplanleggeragent: Tar den rå strategiteksten fra leveransen min og trekker ut de faktiske målene, prioriteringene og initiativene. Den går gjennom all konteksten og henter ut det som er viktig.
- Gjennomføringsplanleggeragent: Tar de uttrukne målene og beriker dem med prioriteringer, avhengigheter og realistiske tidslinjer. Det er her strategiske ideer blir til et faktisk veikart med en fornuftig rekkefølge.
- Daglig handlingsplanleggeragent: Gjør veikartet om til konkrete daglige oppgaver. Ikke «forbedre e-postmarkedsføringen», men «skriv utkast til velkomst-e-post 1, sett opp automatiseringsutløser i n8n, skriv varianter av emnelinjen for testing osv.»
- Transformasjon + MCP: Sender alle agentresultatene til Gamma, der det automatisk utformes en ryddig og presentabel gjennomføringsplan som kundene faktisk kan bruke.
Det hele kjører automatisk så snart jeg gir det et strategidokument. Det som tidligere tok meg flere timer med manuell oppdeling, skjer nå på minutter, og kundene får både de strategiske vurderingene og den taktiske arbeidsplanen i én leveranse.
Uventede råd til prosjektledere som implementerer AI-arbeidsflyter
Jeg har tre uventede råd:
- Gjør en gjennomgang før du automatiserer. Automatiser aldri basert på magefølelse.
- Rekrutter for sunn skepsis til AI, ikke entusiasme for AI. De beste folkene i teamene mine er de som stiller spørsmål ved AI-resultater og krever validering. Blind entusiasme fører til kostbare feil.
- Dokumenter eksperimentene dine som en forsker. Følg med på hva du prøvde, hva som fungerte, hva som ikke fungerte, og hvorfor. Dette blir verdifull organisasjonskunnskap som akkumuleres over tid.
- Invester i kontekst: Og her er det ingen som snakker om — de fleste team investerer 90 % for lite i kontekstinfrastruktur. De bruker tusenvis på AI-verktøy, men null timer på å dokumentere merkevarens stemme, ICP-språk, bevispunkter og posisjonering. Uten dette grunnlaget skalerer AI bare middelmådighet raskere, og det er sannheten.
Du vil dessverre sannsynligvis føle deg tregere før du føler deg raskere, og du vil lure på om det er verdt det. Hold ut. De kumulative fordelene etter bare seks uker er ubestridelige.
Fremveksten av AI-systemarkitekter og strategiske relasjonsansvarlige
Jeg vil si at rollen min innen 2030 vil bestå av to tydelige funksjoner:
- AI-systemarkitekt: Tekniske ledere som bygger og administrerer økosystemer av AI-agenter som håndterer gjennomføringen. De vil trenge ekspertise innen promptutvikling, ferdigheter i utforming av kontekstdatabaser og evne til å tenke i systemorkestrering.
- Strategiske relasjonsansvarlige: Fokuserer utelukkende på det AI ikke kan gjøre, som å skape samsvar mellom interessenter, fange opp markedssignaler, gjøre strategiske avveininger, utvikle partnerskap og bygge kulturelle narrativer.
Mellomrommet forsvinner raskt. Oppgavebasert gjennomføring blir allerede automatisert bort. Det som gjenstår, er dyp teknisk ekspertise (å bygge de intelligente systemene) og dyp strategisk ekspertise (å ta avgjørelser som krever inngående kunnskap).
Følg med
Du kan følge Lillian på LinkedIn eller abonnere på Convergence nyhetsbrev. Ta også en titt på Data-Mania for AI-aktiverte markedsføringsløsninger.
Du kan også se på hennes gratis gap-kart for revisjon av vekstmotoren og lære fra hennes kursportefølje på LinkedIn Learning.
Flere ekspertintervjuer kommer på The Digital Project Manager!
