Consultant met tientallen jaren ervaring legt uit waarom AI een strategische denkpartner moet zijn, geen aanjager van projecten
Mike Hannan is de oprichter en hoofdconsultant van Fortezza Consulting. Met tientallen jaren ervaring in het coachen van projectleiders op elk niveau heeft hij zijn carrière gewijd aan het helpen van organisaties bij het navigeren door complexe leveringssystemen, het optimaliseren van portfolio's en het ter discussie stellen van conventionele wijsheden.
Mike Hannan
Oprichter en hoofdconsultant bij Fortezza Consulting
AI moet optreden als een strategische denkpartner, niet als aanjager van de uitvoering: Hannan stelt dat AI uitblinkt in het genereren van sjablonen, het samenvatten van inhoud en het beoordelen van alternatieve scenario's, maar dat het complexe vraagstukken niet werkelijk diepgaand begrijpt
Menselijk beoordelingsvermogen blijft essentieel bij complexe projecten: Hoewel AI routinetaken kan uitvoeren (zoals vergadernotities of eenvoudige modellering), blijven mensen nodig voor sociaal, emotioneel en diepgaand strategisch werk.
Beheersing van AI-orkestratie en breed systeemdenken bepaalt de leiders van de toekomst: Hannan gelooft dat de werkelijke waarde ligt bij degenen die AI intelligent kunnen orkestreren en daarbij gebruikmaken van een brede systeembenadering om het rendement van portfolio's te maximaliseren en complexe problemen effectiever op te lossen dan specialisten die zich uitsluitend richten op beperkte technische diepgang.
Mike Hannan is de oprichter en hoofdconsultant van Fortezza Consulting. Met tientallen jaren ervaring in het coachen van projectleiders op elk niveau heeft hij zijn loopbaan gewijd aan het helpen van organisaties bij het navigeren door complexe leveringssystemen, het optimaliseren van portefeuilles en het ter discussie stellen van conventionele wijsheden.
In dit gesprek vertelt Mike hoe hij AI inzet, niet om projectwerkwijzen te vervangen, maar om teams ertoe aan te zetten betere vragen te stellen, schijnzekerheid te vermijden en dichter bij de werkelijke prestatiehefbomen te komen.
Inzicht in prestatiebepalende factoren op systeemniveau is belangrijker in het AI-tijdperk
Ik ben de oprichter en hoofdconsultant van Fortezza Consulting, waar ik leiders op alle niveaus coach om de prestaties van projectportefeuilles te verbeteren. Dat betekent dat ik hen help om systemischer te denken, vooral in omgevingen die worden gevormd door beperkingen, onderlinge afhankelijkheden — en nu ook AI.
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
Naar mijn mening is in een AI-firstwereld de behoefte groter dan ooit om echt te begrijpen wat de prestaties op systeemniveau aandrijft. Dat is nog altijd de enige manier om complexiteit beter te navigeren dan de concurrentie.
AI kan dat nog niet. En zover zal het pas komen wanneer het beter is getraind om rommel van parels te onderscheiden.
AI gebruiken voor projectsjablonen, projectoplevering en portfolio-optimalisatie
Dat gezegd hebbende, verandert de projectoplevering. Ik merk dat de behoefte aan de meeste projectsjablonen sterk is afgenomen. De meeste grote taalmodellen kunnen nu degelijke sjablonen genereren en zelfs helpen om ze aan specifieke omstandigheden aan te passen.
Claude doet dit bijvoorbeeld behoorlijk goed. Ik zou het kunnen vragen:
- “Geef me een sjabloon voor een projectcharter dat is toegespitst op de cosmetica-industrie.”
- “Geef me een sjabloon voor een risicoregister dat is toegespitst op de kernenergie-industrie.”
Van daaruit verfijn ik het verder: “Richt je op IT-projecten in de cosmetica-industrie” of “Richt je op risico’s bij de opslag van kernafval.” De reacties zijn snel, flexibel en verrassend nauwkeurig.
Ik ben ook erg enthousiast over opkomende AI-mogelijkheden die honderden of zelfs duizenden scenario’s kunnen evalueren om de optimale oplossing onder reële beperkingen te vinden — bijvoorbeeld door de projectbasislijn met de hoogste waarde te identificeren.
Een voorbeeld dat ik goed vind, komt van Lightning Motorcycle, dat de AI-uitgebreide CAD-tools van Autodesk gebruikte om veel optimalere componenten te ontwerpen dan menselijke ingenieurs alleen zouden kunnen ontwerpen.
Een ander voorbeeld is TransparentChoice, dat AI gebruikt om klanten te helpen het model voor gespreide doorstroming te vinden dat de doorvoer binnen de beperkingen van de beschikbare middelen maximaliseert. Het vereenvoudigt een lastige vraag: “Hoeveel projecten kunnen we aannemen en toch het hoogst mogelijke voltooiingspercentage behalen?”
Waar AI waarde toevoegt aan projectoplevering — en waar mensen nog altijd essentieel zijn
Routinetaken zoals vergadernotulen, belangrijkste inzichten en samenvattingen van grote hoeveelheden inhoud worden ook zeer effectief door AI afgehandeld. Dat alleen al levert me elke week enkele uren op.
Daarvoor gebruik ik meestal Otter.ai, omdat dat mijn voorkeur heeft voor het vastleggen en samenvatten van gesprekken. Maar tools zoals Copilot werken ook goed.
De gebieden waarin een menselijke inbreng nog steeds noodzakelijk is, zijn uiteenlopend. Alles binnen het sociale domein of de menselijke dienstverlening—waar mentorschap, empathie of vertrouwensrelaties belangrijk zijn—blijft sterk afhankelijk van mensen. Hetzelfde geldt voor alles waarvoor diepgaand denken op systeemniveau of kritisch beoordelingsvermogen nodig is.
Dat zijn nog altijd menselijke domeinen.
AI integreren in complexe werkstromen en tegelijkertijd menselijk oordeel centraal houden
Soms ga ik verder met AI en zet ik een model op dat alles definieert wat nodig is om het werk tussen mensen, functies en zelfs partners in de toeleveringsketen te synchroniseren.
AI kan namelijk overal in dat model worden ingevoegd waar dat zinvol is. Mensen moeten vervolgens bijsturen op basis van hoe de combinatie van AI- en menselijke actoren presteert.
Hier is een eenvoudige analogie: stel je voor dat een directieassistent met pensioen gaat en de leidinggevende radeloos is omdat die fijn afgestemde ondersteuning wegvalt. In plaats van een vervanger aan te nemen, bouw je een model dat voorkeuren vastlegt:
- “Altijd 15 minuten tussen vergaderingen”
- “Geef de voorkeur aan luchtvaartmaatschappij A, tenzij er geen rechtstreekse vlucht beschikbaar is”
- “Geconcentreerde werktijd mag alleen worden onderbroken als leidinggevende A of klant B erop staat”
Na verloop van tijd verfijnt het model zich en dekt het 95% van de scenario's goed af.
Maar er komt altijd een moment waarop menselijk inzicht onmisbaar is — bij het lezen van emotionele signalen, culturele nuances of veranderende prioriteiten. Wat als een familiebezoek niet welkom is? Wat als een klant te veel druk begint uit te oefenen? Wat als de urgentie van een baas op subtiele manieren toeneemt? Daar wordt de combinatie van mens en AI waardevol.
Bij projecten is het model complexer, maar het principe is hetzelfde: bouw het, verfijn het en coördineer de combinatie van AI- en menselijke medewerkers, zodat ieder doet waar hij of zij uniek effectief in is.
AI Begrijpt Complexiteit Niet Echt
Hoewel AI me helpt minder tijd te besteden aan het samenvatten of destilleren van informatie, creëert het ook een gevaarlijke illusie: dat de modellen zelf diepe complexiteit “begrijpen”. Dat doen ze niet.
Door die illusie zijn veel klanten op zoek naar snellere resultaten, in de hoop dat AI levert wat zij zien als "snelle oplossingen". Om hen daarbij te helpen, richt ik me op technieken voor flowversnelling die zijn gebaseerd op de theorie van beperkingen en Lean. Die benaderingen helpen projecten sneller vooruit zonder stappen over te slaan.
En wanneer we het hebben over het stellen van verwachtingen, moedig ik klanten meestal aan hoger te mikken — om meer versnelling te verwachten. Bescheiden doelen leiden doorgaans tot bescheiden resultaten.
Mijn rol draait vandaag dus minder om samenvatten of het leveren van belangrijkste inzichten, en meer om leiders te helpen pauzeren, een stap terug te doen en hun aannames ter discussie te stellen. Daar komen de echte prestatiewinsten vandaan.
AI Gebruiken om Aannames ter Discussie te Stellen en Kritisch Denken te Verbeteren
Ik gebruik AI als doelwit, niet als oplossing. Het is er om uitgedaagd te worden. Het is een denkpartner, geen aanjager.
Ik gebruik AI als doelwit, niet als oplossing. Het is er om uitgedaagd te worden. Het is een denkpartner, geen aanjager.
Een goed voorbeeld is het nemen van de generieke antwoorden op oppervlakteniveau die LLM's genereren en die gebruiken als doelwit voor kritiek. Ik vraag klanten om die antwoorden uiteen te rafelen:
- “Wat zou waar moeten zijn om dit onjuist te maken?”
- “In welke context zou dit volledig verkeerd kunnen zijn?”
Die vragen leren hen slimmere vervolgprompts te ontwikkelen, die vaak tot echte inzichten leiden.
En de vragen scherpen ook hun kritisch denkvermogen aan, wat nu bijzonder belangrijk is. Het is verrassend hoe vatbaar de meesten van ons zijn voor bevestigingsbias. Wanneer AI mensen een antwoord geeft dat ondersteunt wat ze al geloven, voelen ze zich vaak bevestigd — en schakelen ze vervolgens hun kritisch denkvermogen uit.
Dat is niet alleen verrassend; het is beangstigend.
Projectoplevering Moderniseren en Tegelijkertijd de ROI Maximaliseren
Voor mij is elke techniek of aanpak die helpt de ROI van een projectenportfolio te maximaliseren — in plaats van alleen referentielijnen te beheren zonder te zoeken naar alternatieven met een hogere waarde — goud waard. Deze zijn niet altijd “lichtgewicht”, maar ze nemen wel een deel van de last van mensen weg en vergroten tegelijkertijd de totale impact.
Enkele voorbeelden die ik met klanten gebruik — die allemaal zullen verschijnen in de aankomende 8e editie van de PMBOK (waaraan ik heb meegewerkt als auteur) — zijn Waardedecompositiestructuren, Kritieke-Padvertraging en Kosten van Kritieke-Padvertraging.
Deze breiden het traditionele concept van het kritieke pad uit naar de waarde van de vergelijking. Als ik het kritieke pad bijvoorbeeld met een maand kan versnellen, maar dat $200K kost, weegt de extra waarde dan op tegen de kosten?
Andere krachtige benaderingen zijn onder meer:
- Projectmanagement volgens de Kritieke Keten (CCPM), zowel op project- als portfolioniveau — om de doorvoer en prestaties ten opzichte van deadlines te maximaliseren.
- Analytisch hiërarchieproces (AHP) — om projecten met een hogere waarde te selecteren.
Elk van deze technieken is ontworpen om de ROI te maximaliseren, niet alleen om de oplevering te beheren.
Agentische werkstromen zijn de moeite nog niet waard — voorlopig
Als AI zou kunnen worden getraind om proactief waardevollere alternatieven naar voren te brengen zodra die zich aandienen—zonder dat daarom wordt gevraagd—zou dat een echte doorbraak zijn. Dan zou AI niet langer slechts een hulpmiddel zijn, maar zich gaan gedragen als een volwaardig bijdragend teamlid.
Ik ben dit conceptueel gaan uitproberen. Er ontstaan veelbelovende modellen die werkstromen met AI-agents gebruiksvriendelijker en algemener toepasbaar kunnen maken, maar ze vereisen nog steeds veel werk vooraf om ze te trainen voor de unieke context van elke organisatie.
Zelfs iets eenvoudigs—zoals een agent leren mijn reisvoorkeuren te begrijpen en volledige reisplanningen voor te stellen—heeft tot nu toe meer trainingstijd gekost dan het me heeft bespaard. Maar zodra het systeem echt leert, heb ik er alle vertrouwen in dat de balans zal omslaan en datzelfde principe ook zal gelden voor projectoplevering.
Waarom mensen die AI beheersen projectoplevering opnieuw vorm zullen geven
Uiteindelijk denk ik niet dat AI projectoplevering opnieuw vorm zal geven. Ik denk dat de mensen die leren hoe ze AI kunnen beheersen en orkestreren dat zullen doen.
Uiteindelijk denk ik niet dat AI projectoplevering opnieuw vorm zal geven. Ik denk dat de mensen die leren hoe ze AI kunnen beheersen en orkestreren dat zullen doen.
En zeer complexe—even “weerbarstige”—problemen zullen eenvoudigere en elegantere oplossingen gaan opleveren, die dankzij de brute rekenkracht van agentische AI sneller dan ooit worden gegenereerd.
Waarom denken vanuit de volle breedte de volgende generatie leiders in projectoplevering zal bepalen
Mijn advies is eenvoudig: eerst de breedte.
De meesten van ons hebben geleerd dat specialisten en technisch zeer diepgaande experts financieel meer beloond zullen worden dan generalisten, en dat is al vele decennia het geval. Maar naarmate AI technisch diepgaande problemen sneller en effectiever kan aanpakken dan mensen, zal een begrip vanuit de volle breedte, van begin tot eind, op systeemniveau waardevoller worden.
Naarmate AI technisch diepgaande problemen sneller en effectiever kan aanpakken dan mensen, zal een begrip vanuit de volle breedte, van begin tot eind, op systeemniveau waardevoller worden.
Als je immers niet genoeg weet over de volledige reikwijdte van het probleem om een netwerk van AI-agents te orkestreren dat je helpt het op te lossen, zal je waarde op de arbeidsmarkt verwateren.
Blijf op de hoogte
Je kunt Mikes werk volgen op LinkedIn en meer te weten komen over zijn advieswerk bij Fortezza Consulting.
Er volgen meer interviews met experts op The Digital Project Manager.
