Direktøren for teknologiprogramstyring sier at kunstig intelligens uten tilstrekkelig kontekst kan føre til farlige beslutninger
Oppdag hvordan en leder for teknologiprogrammer bruker kunstig intelligens til å redusere rapporteringsarbeidet, avdekke leveranserisikoer og hjelpe team med å fokusere på beslutninger i stedet for administrasjon.
Anika Banakh
Direktør for teknologiprogramstyring hos ACV Auctions
Menneskesentrert ledelse: Anika understreker at effektiv innføring av kunstig intelligens begynner med å styrke teamene, ikke bare med teknologi.
Effektivitetsgevinster: Verktøy for kunstig intelligens har effektivisert repetitive oppgaver og forbedret rapporteringseffektiviteten og oversikten over leveranser på tvers av team.
Unngå overavhengighet: Menneskelig inngripen er avgjørende for å tolke resultatene fra kunstig intelligens nøyaktig og sikre at forretningskonteksten opprettholdes.
Forenkle arbeidsflyter: Overkonstruering kan hindre tydelighet; ved å fokusere på beslutninger med høy verdi blir det enklere å ta i bruk verktøy for kunstig intelligens raskere.
Eierskap er viktig: Tydelig beslutningseierskap styrker integreringen av kunstig intelligens, hjelper organisasjoner med å unngå forvirring og forbedrer resultatene.
Anika Banakh er direktør for teknologiprogramstyring i ACV Auctions. Hun har ledet flere globalt distribuerte, tverrfunksjonelle leveranseteam. Nå fokuserer hun på å gjøre innføringen av kunstig intelligens ikke-inngripende, samtidig som leveransene blir mer effektive.
Vi tok en prat med Anika for å finne ut hvordan hun implementerer kunstig intelligens i arbeidsflytene sine for leveranser. Her er det hun fortalte.
Menneskesentrert ledelse av kunstig intelligens
Jeg er kanadier med ukrainsk bakgrunn, og jeg får ting gjort. De fleste antar at veien min inn i AI-drevet transformasjon startet med teknologi, men den startet med mennesker – med å rekruttere talenter, bygge tillit på tvers av globale team og lære hvordan organisasjoner oppfører seg under press.
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 har nå ledet flere globalt distribuerte, tverrfunksjonelle leveranseteam som støtter digitale markedsplasser og initiativer for operasjonell transformasjon i virksomhetsskala. Teamene varierte i størrelse fra seks personer til noen få tusen. De fleste av disse organisasjonene beveget seg raskt – med smidig leveranse på tvers av produkt, utvikling, drift og forretningsinteressenter, samtidig som de håndterte komplekse integrasjoner, rask skalering og datadrevet plattformarbeid for kunder innen bilforhandlere, banker, detaljhandel, ideelle organisasjoner og globale virksomheter.
Å lede leveranser i ulike organisasjoner lærte meg at den største hindringen for innovasjon sjelden er selve teknologien; det handler om hvorvidt mennesker føler seg bemyndiget nok til å endre måten de arbeider på. Derfor er perspektivet mitt på ledelse av kunstig intelligens ukonvensjonelt: Fremtidens leveranser vil ikke tilhøre ledere som automatiserer mest, men dem som kan få kunstig intelligens til å føles dypt menneskelig, samarbeidsorientert og kreativt inspirerende for teamene som bruker den hver dag.
Slik øker verktøy for kunstig intelligens effektiviteten på arbeidsplassen
Det siste året har jeg erstattet de mest repetitive og forutsigbare oppgavene i leveranseprosessen, noe som frigjør tid til det egentlige arbeidet – hovedsakelig ved å integrere AI-drevet oppsummering og prioritering i prosessene for statusrapportering, avhengighetssporing og kommunikasjon med interessenter.
Som følge av kunstig intelligens har jeg sett forbedret effektivitet i rapporteringen, bedre synlighet i leveransene og bedre identifisering av risiko på tvers av distribuerte team, samtidig som behovet for manuell koordinering er redusert og forutsigbarheten i gjennomføringen er forbedret.
Som følge av kunstig intelligens har jeg sett forbedret effektivitet i rapporteringen, bedre synlighet i leveransene og bedre identifisering av risiko på tvers av distribuerte team.
Men selv om jeg kan stole på kunstig intelligens for å akselerere datatunge leveranseaktiviteter som prioriteringsinnsikt, statussammendrag, identifisering av risikomønstre, avhengighetssporing og operasjonell rapportering, kan jeg ikke stole på den til alt.
Beslutninger som gjelder samordning med interessenter, teamdynamikk, organisatorisk endring, konfliktløsning og strategiske avveininger ledes fortsatt bevisst av mennesker. Vellykkede leveranser avhenger fortsatt av tillit, kontekst, empati og dømmekraft som kunstig intelligens ikke kan gjenskape fullt ut.
Hvorfor resultater fra kunstig intelligens krever menneskelig inngripen
Den største utfordringen min har faktisk vært å hindre teamene i å stole for mye på automatiserte resultater uten å ta hensyn til forretningskonteksten. For å forhindre dette utfordret jeg resultatene deres og understreket hvor viktig praktisk erfaring med produkt- og forretningskontekst er. Det er forskjellen mellom godt og fremragende.
Menneskelig inngripen er avgjørende ved utforming av forespørsler og tolkning. Du trenger en solid, strukturert forespørsel med korrekt kontekst for korrelasjon og årsakssammenheng, i tillegg til en dyp forståelse av prosesser og drivere for å tolke resultatene.
Et verktøy kan for eksempel fortelle deg at leveransen er i faresonen, men årsaken kan være at utvikleren har et sykt barn. Derfor må du gå i dybden for å forstå begrunnelsen bak dataene og mennesket bak oppgaven.
Min største utfordring har vært å hindre team i å bli for avhengige av automatiserte resultater uten å anvende forretningskontekst. Menneskelig inngripen er avgjørende når det gjelder formulering av forespørsler og tolkning.
Slik overkonstruering skader arbeidsflyter
Når det gjelder verktøy, bruker vi for tiden Omni til instrumentpaneler, Rovo på Jira til utviklingsstyring og intern AI-chat til teamoppdateringer og oppsummeringer.
Tidlig kunne vi ha unngått å overkonstruere arbeidsflyten med for mange signaler og instrumentpaneler. Det skapte mer tolkningsarbeid enn klarhet. Et enklere og tettere avgrenset bruksområde – med fokus på én eller to beslutninger med høy verdi – ville ha ført til raskere innføring og mindre skepsis blant teamene.
Hvorfor AI ikke lykkes med å forbedre beslutningshastigheten
AI ga ikke den forventede effekten når det gjaldt å forbedre samordningen på tvers av team og beslutningshastigheten, ganske enkelt ved å legge til flere automatiserte innsikter og instrumentpaneler.
Ja, AI forbedret synligheten, men reduserte ikke tvetydigheten eller løste motstridende prioriteringer – i noen tilfeller forsterket det støyen, fordi ulike team tolket de samme resultatene forskjellig.
AI forbedret synligheten, men reduserte ikke tvetydigheten eller løste motstridende prioriteringer – i noen tilfeller forsterket det støyen.
Ta et instrumentpanel som eksempel. Hvert team fokuserer på sine egne KPI-er og forretningsbehov, slik at de kan formulere forespørsler til verktøyet for å generere resultater som støtter deres egne viktigste mål. Det er avgjørende å skape samhold i dette kaoset, med tanke på påvirkningen på alle team.
Hvorfor bedre planlegging ikke nødvendigvis fører til bedre resultater
AI fikk meg til å gi slipp på antakelsen om at bedre planlegging automatisk fører til bedre leveranseresultater. Selv svært detaljerte planer blir mindre forutsigbare når AI avdekker det reelle endringstempoet og endringer i prioriteringer og avhengighetenes ustabilitet i sanntid.
Kontinuerlig omplanlegging basert på levende signaler, i stedet for større sikkerhet i forkant, forbedret resultatene. Leveranser handlet ikke lenger om å få planen riktig, men om å justere den raskt.
Vår AI-drevne leveransearbeidsflyt henter inn arbeidselementer og teamoppdateringer, mens AI grupperer temaer, markerer risikoer og oppsummerer fremdriften automatisk på tvers av team. Denne innsikten danner grunnlaget for en menneskestyrt prioriteringsøkt, der beslutninger blir til sprintplaner. Under gjennomføringen fremhever AI kontinuerlig avvik og nye problemer.
Nettoeffekten var mindre tid brukt på rapportering og mer tid brukt på å løse leveranseproblemer.
Hvorfor statusrapportering må utformes på nytt med AI
Et område som flere leveranseledere aktivt bør utforme på nytt, er statusrapportering og leveransestyring – det er fortsatt en av de mest manuelle delene med lavest verdi og størst risiko for forvrengning i de fleste organisasjoner.
Jeg arbeider med å erstatte tradisjonelle statusdokumenter og manuelle sammenstillinger med en AI-forsterket arbeidsflyt som kontinuerlig sammenfatter oppdateringer fra leveranseverktøy, markerer risikoer og genererer konsise sammendrag som gjør ledelsen klare til å ta beslutninger. Endringen handlet ikke bare om effektivitet – den endret karakteren på styringssamtalene fra «hva er status?» til «hvilke beslutninger må vi ta nå?»
Resultatet var mindre tid brukt på å sammenstille oppdateringer og mer tid brukt på å løse faktiske leveransebegrensninger, med raskere eskalering av reelle risikoer – men først etter at vi tydeliggjorde beslutningseierskapet, slik at AI-resultatene ikke ble enda et tolkningslag.
Hvorfor tydelig eierskap er den egentlige nøkkelen med AI
Her er mitt råd:
Ikke forveksle mer AI-resultat med bedre beslutninger; det gir bare folk flere ting å være uenige om. Den egentlige nøkkelen er tydelig eierskap. AI foreslår, mennesker bestemmer, og det blir ikke noe komitédrama.
Ha også dette i bakhodet. Hvis innføringen går tregt, er det som regel ikke modellen — det er menneskene som høflig ignorerer den.
Følg med
Du kan følge arbeidet til Anika Banakh på LinkedIn.
Flere ekspertintervjuer kommer hos The Digital Project Manager.
