De projectmanagementbeslissingen die AI-agenten wel en niet kunnen nemen

Galen Low: Met agentische AI in beeld is AI-technologie veranderd van een hulpmiddel in een teamgenoot. Prima, maar daar zitten niet de meest ingewikkelde aspecten. Het ingewikkelde is dat AI-agenten vaak teamgenoten zijn die beter zijn getraind dan jij, anders werken dan jij en mogelijk op totaal andere manieren worden beoordeeld dan jij en je menselijke teamgenoten.

Ze kwamen waarschijnlijk niet met een handleiding, zijn waarschijnlijk ingesteld om beslissingen te nemen die je liever zelf zou nemen en waren waarschijnlijk niet aanwezig toen je team de afspraken over samenwerking opstelde. In feite is het alsof je van de ene op de andere dag tientallen nieuwe teamleden uit een volledig andere organisatie krijgt toegewezen. Als je ooit een fusie of overname hebt meegemaakt, weet je dat dit behoorlijk, behoorlijk rommelig kan zijn.

Maar dit is waarschijnlijk een uitdaging die te overwinnen is, en de potentiële voordelen zijn zeker reëel. Daarom wilde ik voor deze aflevering iets anders doen. Ik wilde een gesprek delen uit een van onze live-evenementen, georganiseerd door Tim Fisher en het team van Wrike, over hoe AI-agenten echt een verschil maken in projectmatig werk en wat er nodig is om ervoor te zorgen dat je uitrol van agentische AI slaagt.

In hun gesprek bespreken ze waarom meer data niet per se beter is, welke beslissingen door mensen en welke door een agent moeten worden genomen, en waarom opleiding, niet alleen toegang, essentieel is voor de succesvolle implementatie van organisatiebreed agentgestuurd werk. Voordat we erin duiken, wil ik eerst wat context geven.

Tim was dus niet alleen de presentator van dit evenement. Hij bouwt daadwerkelijk een agentisch personeelsbestand op binnen het moederbedrijf van The Digital Project Manager, Black and White Zebra. Met andere woorden: hij maakt deze agentische transformatie en alle uitdagingen die daarbij komen kijken echt van dichtbij mee. Een van de dingen waar hij en ik het onlangs over hadden, was het idee om helemaal opnieuw te beginnen, de manieren waarop we dingen altijd hebben gedaan af te leren en onze agentische processen vanaf de basis op te bouwen, zonder alle ballast.

Voor mensen is dit moeilijk. Vaak zijn onze identiteiten verbonden met onze functietitels en verantwoordelijkheden. Er wordt ons niet vaak gevraagd om buiten dat kader over onszelf na te denken, en wanneer dat wel gebeurt, is het vaak een te leeg canvas om onze wensen te verenigen met wat onze werkgevers van ons willen zien. Het voelt als giswerk, en als giswerk dat onszelf en onze teams werkloos zou kunnen maken.

Maar ook het opleidingsaspect kan niet genoeg worden benadrukt. Ja, er wordt nu van ons allemaal verwacht dat we bouwers zijn en de rol van de mens in de lus spelen, maar wat betekent dat eigenlijk, en hoe kunnen we onze mensen helpen daar te komen in plaats van alleen hulpmiddelen bij hen neer te leggen en te verwachten dat ze zichzelf ontwikkelen? Uiteindelijk lijkt de grote verschuiving neer te komen op verantwoordelijkheid, risico en organisatorische context.

In een agentische wereld beheert nu iedereen autonome actoren die met elkaar samenwerken, soms in een zwarte doos. En wat we die actoren toevertrouwen versus wat we als menselijke verantwoordelijkheden behouden, moet worden bepaald aan de hand van de ernst van het risico, empathie van mens tot mens en de implicaties van wat het werkelijk betekent om eigenaar te zijn van een project of werkstroom.

Niet alleen aan de hand van de mogelijkheden van de technologie. Laten we dit daarom vertalen naar een projectspecifiek scenario. Stel je voor dat je een AI-agent hebt die je helpt een project te bemannen. De agent weet wie beschikbaar is, welke vaardigheden zij hebben, waar iedereen aan werkt en misschien zelfs welke combinaties van mensen in het verleden projecten het succesvolst hebben opgeleverd.

De agent zou in enkele seconden een resourceplan kunnen samenstellen waarvoor je anders uren nodig zou hebben. Fantastisch. Maar wat als dat resourceplan inhoudt dat Lucia, je beste ontwikkelaar, van een ander project wordt gehaald dat waarschijnlijk achterloopt omdat Amireth, de leaddesigner, net diens grootmoeder heeft verloren en het verdriet probeert te verwerken terwijl die op 80% van de gebruikelijke productiviteit werkt om te blijven sparen voor de beugel van diens dochter?

Je agentische personeelsbestand beschikt misschien over alle informatie die nodig is om een aanbeveling te doen, maar betekent dat dan dat een agent ook de beslissing moet nemen? Want nu hebben we het niet alleen over het optimaliseren van een spreadsheet. We hebben het over klantrelaties, bedrijfsprioriteiten, leveringsverplichtingen en, belangrijker nog, de impact op echte mensen.

En ik denk dat dit is waar het volgende hoofdstuk van AI en projectmanagement fascinerend wordt. Het gaat niet simpelweg om uitzoeken wat AI kan doen, maar om bepalen welke verantwoordelijkheden we aan AI moeten delegeren, welke beslissingen bij mensen moeten blijven en welk toezicht nodig is wanneer onze AI-teamgenoten op de achtergrond actief zijn.

Het is een complexe puzzel die moet worden opgelost om de juiste balans te vinden. En misschien wel het belangrijkste: het is geen kwestie van aansluiten en klaar. Het is een gebied waarin we gesprekken moeten voeren over beoordelingsvermogen en discretie, waarin we onze mensen moeten opleiden en ontwikkelen om succesvol te zijn terwijl dingen veranderen, en waarin we onszelf toestemming en veiligheid moeten geven om een deel van de ballast weg te gooien en onze rollen opnieuw vorm te geven rond wat we het beste doen.

En dat is precies wat Tim besprak in zijn gesprek met het team van Wrike. Zonder verder uitstel volgt hier het gesprek dat mijn meest gerespecteerde AI-goeroe, Tim Fisher, had met Nancy en Andras van Wrike over de implicaties van agentische AI in het huidige projectmanagement. Ik hoop dat je van de aflevering geniet.

Tim Fisher: Hallo en welkom bij The Future of AI in Project Management, waar we verder gaan dan de presentatiedia's en kijken naar hoe AI daadwerkelijk de manier verandert waarop teams werk plannen, opleveren en uitvoeren. Vandaag staat Wrike centraal. We bekijken hoe AI projectleiders kan helpen eerder betere beslissingen te nemen, van bepalen hoe je een project bemant tot het identificeren van leveringsrisico's voordat ze uitgroeien tot veel grotere problemen. Daarna kijken we vooruit naar wat er gebeurt wanneer AI een actievere rol gaat spelen in de manier waarop werk wordt opgeleverd.

Vandaag schuift Andras Horvath bij ons aan, Director of Product voor AI en Analytics bij Wrike. Andras heeft meer dan 15 jaar ervaring met het bouwen van B2B-producten gericht op data, analyse en AI. Ook Nancy Boas is bij ons, Senior PMM, AI bij Wrike.

Nancy leidt de go-to-marketstrategie en berichtgeving voor Wrike's AI-aangedreven oplossingen voor werkbeheer, met de nadruk op hoe AI de manier verandert waarop teams werken.

Andras, Nancy, welkom. Bedankt dat jullie er zijn.

Nancy Boas: Heel erg bedankt. We zijn blij dat we er vandaag bij zijn.

Andras Horvath: Heel fijn om hier te zijn, Tim. Heel erg bedankt voor de mooie introductie.

Tim Fisher: Voor iedereen die Wrike nog niet kent: kunnen jullie ons de versie van 30 seconden geven? Wat doet jullie platform? Voor wie is het gebouwd?

Andras Horvath: Wat het platform zelf betreft: Wrike is een platform, of eigenlijk één centrale plek waar mensen hun werk kunnen plannen, volgen en opleveren. We hebben AI gebouwd om teams en individuen te ondersteunen, zodat al het drukke werk van hun bord wordt gehaald.

De afgelopen zes tot negen maanden hebben we ons echter ook sterk gericht op de uitvoeringskant van werk, omdat AI kan worden gebruikt om individuen te ondersteunen of mensen te helpen werk sneller op te leveren met zaken als contentgeneratie en samenvattingen. Je kunt AI ook gebruiken om delen van het werk te automatiseren, en daar hebben we ons de laatste tijd op gericht.

Tim Fisher: Dat is erg interessant. Het lijkt een beetje anders dan sommige andere producten in deze sector. Jullie visie is dus dat AI ook moet helpen werk op te leveren, en niet alleen mensen moet helpen bij het managen ervan, wat volgens mij is wat we meestal zien. Wat betekent dat in de praktijk?

Andras Horvath: Het betekent dat AI kan optreden als een teamgenoot die je helpt het werk gedaan te krijgen. Niet alleen als iets waarmee je jezelf kunt versnellen of als een werkbeheerplatform waarop je het werk coördineert.

Je kunt een AI-teamgenoot instellen, die we bij Wrike graag een werkmaat noemen, die een eigen capaciteit kan hebben en je kan helpen werk op te leveren. Zo kan AI je bijvoorbeeld helpen verklaringen van werkzaamheden op te stellen op basis van eerder uitgevoerd werk en die aanpassen aan specifieke kenmerken van de klant die in een CRM-systeem zoals Salesforce staan.

Of je kunt AI automatisch sociale berichten laten verzorgen zodra een nieuwe functie is gelanceerd. Je zit met je team, bouwt iets en levert de functie op. Vervolgens draag je het over aan bijvoorbeeld je sociale werkmaat, die alle projectinformatie gebruikt om het juiste bericht voor je blog en LinkedIn te maken.

De werkmaat maakt de afbeeldingen en alles daaromheen, vermeldt jou, jij keurt het goed en het werk wordt uitgevoerd. Hetzelfde handmatig doen kan een halfuur, een uur of zelfs langer duren. AI wordt dus daadwerkelijk je teamgenoot.

Tim Fisher: Projectleiders hebben toegang tot meer data dan ooit tevoren, dat is zeker. Maar beslissingen over zaken als middelen en projectrisico's zijn nog steeds afhankelijk van handmatige updates en spreadsheets, of, erger nog, van informatie die binnenkomt nadat er al iets is misgegaan.

Waar zie je vandaag de grootste kloof tussen de informatie waarover projectleiders beschikken en de beslissingen die ze daadwerkelijk moeten nemen?

Andras Horvath: Laten we beginnen met de basis, de fundering. Dat is iets waar we mee te maken hebben bij onze greenfieldimplementatie, en het gaat om het feit dat data overal in de omgeving en het ecosysteem verspreid is.

Je hebt bestanden op SharePoint, berichten in Teams of Slack, opnames van vergaderingen of de vergaderingen zelf. Alles is verspreid. Alles staat overal. Wrike biedt een plek waar je die informatie kunt samenbrengen, waardoor je de nodige context krijgt om beslissingen te nemen.

Maar data of context hebben betekent niet dat je de juiste inzichten hebt om de juiste beslissingen te kunnen nemen. Daar kan AI helpen: ruwe data omzetten in inzichten. Als een project vijf keer is vertraagd bij stap B, betekent dat waarschijnlijk dat het volgende project ook vertraging oploopt.

Dit heet voorspellende analyse en het kan zichtbaar worden gemaakt. En als we het over resourceallocatie hebben, denken veel mensen: "Ik weet dat Tim dit kan en Nancy dat, maar hoe zit het met hun beschikbaarheid? Laat me het even aan hen vragen via Teams of Slack," enzovoort.

Als iemand consequent een systeem als Wrike heeft gebruikt, weten we welk werk die persoon heeft gedaan, wat de werkbelasting en beschikbaarheid zijn, en ga zo maar door. Bij iets eenvoudigs als, nou ja, niet zo eenvoudig als resourceallocatie kan AI dus in enkele seconden een project met wel 137 taken opstarten, omdat we de vaardigheden van mensen kunnen invoeren of die automatisch kunnen afleiden.

We kunnen de werkbelasting bepalen, enzovoort. Wil je dat het project zo snel mogelijk wordt opgeleverd? Hier zijn de resourceallocaties. Ben je een organisatie voor dienstverlening en wil je dat het project wordt uitgevoerd op een manier die de winstgevendheid maximaliseert, dus met de goedkoopste beschikbare middelen?

Dat kunnen we ook. Er zijn dus ontzettend veel opties om rekening mee te houden. Zolang je over de data en de intelligentie beschikt, kun je de nodige inzichten verkrijgen om de juiste aanbevelingen te doen. En opnieuw: een langdurige oefening in enkele seconden.

Tim Fisher: Dat is echt geweldig. Je hebt het duidelijk over AI die veel proactiever is, zeker in jullie product.

Dus stel ik maar de vraag die volgens mij iedereen op dit punt stelt. Waar moet AI een beslissing of aanbeveling doen? Waar moet menselijk beoordelingsvermogen het nog overnemen? Hoe denken jullie daarover?

Andras Horvath: Dat is een heel goede vraag, Tim. Om eerlijk te zijn krijgen we die vraag vaak van veel van de klanten met wie we werken.

Mijn standpunt is vrij eenvoudig. Als er een bekend proces is dat je wilt automatiseren, moet je zeker AI gebruiken. Als je het over uitzonderlijke gevallen hebt, is het misschien niet de beste plek om AI in te zetten. Je kunt AI wel gebruiken om je denken te ondersteunen en de time-to-market te verkorten, of wat je ook probeert te bereiken, maar ik zou iets onbekends niet zonder meer aan een agent delegeren met de opdracht het uit te zoeken. Tenzij je dat doet met voortdurende menselijke betrokkenheid en onderbrekingen, zodat je zeker weet dat de agent niet op hol slaat en je hele systeem of werkruimte overhoop haalt.

De andere factor is het risico. Heb je een taak met een hoog of laag risico? Als je iets met een laag risico hebt, zoals binnenkomende verzoeken sorteren of een intake uitvoeren om te controleren of een verzoek alle noodzakelijke informatie bevat om uitvoerbaar te worden, dan kan AI dat doen.

"Ik heb dit ticket gecontroleerd. De meeste informatie is aanwezig. We missen echter nog iets. Laten we contact opnemen met de klant via e-mail, Slack of wat dan ook om die informatie te verkrijgen." Zodra we die hebben, is het verzoek klaar voor uitvoering en wordt het aan de backlog toegevoegd, enzovoort. Maar als we het over resourceallocatie hebben en je een vertraagd project hebt,

kan een van de manieren om het project weer op schema te krijgen zijn dat je een belangrijke engineer of andere medewerker uit een ander project haalt. Maar daardoor loopt project B vertraging op. Een mens moet nog steeds beslissen: moet ik deze persoon overplaatsen of niet? Die beslissing heeft veel meer impact dan contact opnemen om ontbrekende informatie op te vragen.

Over het algemeen gaat het dus om de volgende vragen: is het een bekend proces en is het risico of de impact hoog of laag? Dat zijn de zaken waar mensen volgens mij altijd op moeten letten, want uiteindelijk vervangt niets het menselijk beoordelingsvermogen.

Tim Fisher: Ik hoor veel discussie over, zowel thematisch, conceptueel als zelfs filosofisch, mensen versus AI en beslissingen. Ik hoor ook allerlei termen voorbij komen.

Volgens mij hoorde ik je eerder MCP zeggen. We hebben het zeker gehad over het rondstrooien van het woord agent en dergelijke. Ik weet dat niet elk bedrijf dat jullie hulpmiddelen gebruikt bijzonder goed onderlegd is op het gebied van AI. Hoe kunnen jullie mensen helpen die drempel over te komen? Zijn er manieren om meer over AI te leren waarbij jullie kunnen helpen?

Ik hoor veel terug dat het nogal veel is, en ik ben benieuwd hoe jullie erover denken mensen over die drempels heen te helpen.

Nancy Boas: Zeker. Ik kan dit wel beantwoorden, want we leiden mensen op verschillende manieren op. Er is het besef dat er ontzettend veel over AI wordt gesproken, evenals over agenten en zelfs over Be a Builder, maar ondernemingen weten in de praktijk echt niet hoe ze een agent moeten bouwen.

We hebben dus verschillende dingen gedaan. Een daarvan is dat we een geweldige onderwijsafdeling hebben die altijd al training gaf over onze traditionele functies, Wrike-beheer en governance. Die afdeling is enkele maanden geleden begonnen met AI Elite Mastery, een cursus van vier uur die iedereen kan volgen. Aan het einde krijg je een certificaat en leer je alles, van best practices voor prompts tot het daadwerkelijk beginnen met het bouwen van een agent.

Dat is een van de dingen die we doen. Daarnaast hebben we een zeven weken durende AI-zomerschool georganiseerd, een praktisch onderwijsprogramma dat elke vrijdag plaatsvond. Als resultaat daarvan werden er veel meer agenten gebouwd en staken veel meer mensen hun hand op om mee te doen. Verder heb ik een link gedeeld over de werkmaten, maar we hebben ook een online community. Daar delen we voorbeeldprompts en voorbeeldtoepassingen, en anderen kunnen daar ook hun toepassingen voor agenten bijdragen.

Uiteindelijk draait het allemaal om elkaar helpen en kennis delen met vakgenoten in deze dappere nieuwe wereld.

Tim Fisher: Dat is geweldig om te horen. Ik heb je horen praten over context, controle en samenwerking als vereisten voor AI in ondernemingen. Waarom zijn die zaken zo belangrijk wanneer AI aan de slag gaat met echte projectdata en echte werkstromen?

Andras Horvath: Als je nadenkt over context: zonder context kan AI vol vertrouwen het verkeerde antwoord geven, of in het beste geval zo generiek mogelijk zijn. Neem een eenvoudig voorbeeld: je vraagt een AI, om het even welke AI, om een werkuitsplitsingsstructuur voor je te maken, dus een project. De AI gebruikt de kennis waarop ze is getraind of gaat op internet zoeken naar de beste manier om een project op te zetten, en voert dat uit.

Is dat goed? Is dat slecht? Het is een generieke manier om een project op te zetten die in bepaalde gevallen kan werken, vooral wanneer je niet zoveel projecten uitvoert. Maar als je een grote onderneming bent, heb je meestal een methode ontwikkeld in de loop van jaren of decennia. Wanneer je een nieuw project opzet, zijn er bepaalde zaken waar je rekening mee moet houden.

Een klassiek voorbeeld is welke beslissingen goedkeuring nodig hebben en welke persoon, organisatie of rol die goedkeuring moet afgeven. Als je je AI-assistent koppelt aan iets als Wrike en Wrike consequent hebt gebruikt, staat al die kennis daar.

Je AI-assistent gebruikt dan de aanwezige informatie om de werkuitsplitsingsstructuur op te zetten op een manier die past bij de organisatie waar je deel van uitmaakt. Daarom is context belangrijk. Het gaat er in de eerste plaats om toegang te hebben tot data en die data vervolgens te gebruiken op een manier waarmee je de uitvoer kunt afstemmen op de behoeften van je organisatie.

Wat controle betreft wil je opnieuw zeker weten dat je AI uiteindelijk niet op hol slaat. Je wilt ervoor zorgen dat de agent die je AI bijvoorbeeld gebruikt duidelijke rechten heeft, een identiteit heeft en traceerbaar is. Daarom loggen we alles wanneer je een AI-agent aan Wrike toevoegt.

Wanneer je met je AI-agent praat, wanneer die om goedkeuring of input vraagt, gebeurt dat via de reactiestroom van Wrike. Alle beslissingen en alles wat er gebeurt, is dus traceerbaar in het systeem. Als je kijkt naar de Wrike-agenten die we bijvoorbeeld ongeveer een jaar geleden hebben uitgebracht en hun logboeken opent, zie je niet alleen dat een record is verwijderd wanneer dat gebeurt. Je ziet ook welk record is verwijderd en welke redenering op basis van welke data daaraan ten grondslag lag.

Was er een mens betrokken? Welke instructie kreeg de agent? Waarom vond die specifieke actie plaats? Dit is iets wat de meeste ondernemingen zeer belangrijk vinden. Ze willen weten waarom de agent zich gedroeg zoals die deed. Bij mensen vraag je meestal niet waarom iemand een record heeft verwijderd; dat wordt besproken bij de koffieautomaat.

Controle is dus heel belangrijk. Je moet erop kunnen vertrouwen dat de AI goed werkt. Zoals je zei: het is moeilijk. Veel mensen weten niet hoe ze met AI moeten werken en vertrouwen AI niet. Controles en vangrails zorgen er daadwerkelijk voor dat dit vertrouwen toeneemt.

Tot slot is er samenwerking, waar ik eerder al kort op inging. Een systeem voor collaboratief werkbeheer heet niet voor niets collaboratief. Je werkt aan een taak en beschikt niet over alle details. Je vermeldt iemand met bijvoorbeeld: "Hé, kun je me helpen dit uit te zoeken?"

Op dezelfde manier praat je ook met agenten. Je wijst werk aan hen toe zoals je dat aan collega's zou doen. Je vermeldt hen, stelt vragen, vraagt om input en geeft instructies. Samenwerking tussen mens en AI zorgt ervoor dat de AI zich gedraagt zoals bedoeld.

Daarom denken we dat context, controle en samenwerking de drie belangrijkste pijlers zijn om AI zo goed mogelijk te laten werken. In die drie pijlers blijven we investeren.

Tim Fisher: Ik vind de manier waarop jullie hierover denken geweldig, vooral dat aspect van controle en transparantie, waar je diep op bent ingegaan. Ik kan niet genoeg benadrukken voor iedereen die luistert hoe ongelooflijk belangrijk dat is: de overgang van mensen vertrouwen om dingen te doen, waarbij sommige zaken gewoon vanzelfsprekend zijn, zoals je zei, de gesprekken bij de koffieautomaat, naar een wereld waarin dit autonome, onzichtbare ding op de achtergrond werk uitvoert. Weten waarom al die beslissingen zijn genomen, is ontzettend belangrijk. Ik denk niet dat mensen het daar vaak genoeg over hebben, dus daarvoor alle lof.

Dat brengt ons misschien bij de vraag of gedachte die niet al te ver in de toekomst ligt: als AI en AI-aangedreven agenten steeds meer van dit werk op zich nemen, wat doet de projectmanager dan precies meer met zijn tijd? Dit gesprek komt vaak terug bij automatisering in het algemeen en bij de economie als geheel. We halen al die routinetaken weg en laten agenten en AI dingen doen die zij op schaal effectiever kunnen uitvoeren.

Wat blijft er dan voor ons over? Ik hoor graag jullie gedachten daarover.

Nancy Boas: Eerlijk gezegd denk ik dat mensen aangenamer werk gaan doen. Wie wil de helft van zijn dag besteden aan het verwerken en sorteren van formulieren? Een van onze klanten is Jellyfish, een reclamebureau. Ik gaf een deelsessie tijdens onze virtuele gebruikersconferentie en zij vertelden dat ze veel meer tijd met klanten doorbrengen. Ze doen minder druk werk, maar voeren intelligentere gesprekken. Ze nemen blokkades weg die vroeger bij projecten ontstonden.

Voor projectmanagers betekent dit volgens mij dat je agenten en AI moet gaan zien als je dagelijkse assistent. We hebben allemaal mensen om te managen en AI en agenten om te managen. Zij nemen het alledaagse werk weg, maar jij hebt nog steeds werk te doen. Hopelijk gaat dat om de aangenamere dingen, zoals strategie en probleemoplossing, en om het bereiken van doelen op hoog niveau.

Andras Horvath: Precies. In mijn team van productmanagers wordt bijvoorbeeld veel minder tijd besteed aan het schrijven van een specificatie; dat doe je met hulp van AI. Ook beoordelingen doe je met hulp van AI. De specificatie omzetten in een werkuitsplitsingsstructuur, die werkuitsplitsingsstructuur bemannen: dat gebeurt allemaal, ik zal niet zeggen onmiddellijk, maar wel veel sneller dan vroeger, zelfs met mensen in de lus.

De gemiddelde productmanager besteedt tegenwoordig meer tijd aan het interviewen van onze klanten om zich nog sterker op het probleemgebied te richten en bijvoorbeeld te begrijpen welke zaken we moeten aanpakken.

De gemiddelde productmanager besteedt meer tijd aan valideren, bijstellen, stakeholdermanagement en organisatieontwerp, omdat we de manier waarop we binnen Wrike werken en met elkaar omgaan voortdurend moeten aanpassen aan deze steeds veranderende behoeften. Maar, zoals Nancy ook heel goed aangaf, heb je daar tijd voor nodig.

Ik heb elke vrijdag twee uur in mijn agenda geblokkeerd. Die tijd gebruik ik voor het onderhoud van al mijn agenten, assistenten, vaardigheden en geplande taken in Claude en ChatGPT, agenten in Wrike, enzovoort. De realiteit is namelijk dat het bedrijf verandert. Alles is voortdurend in beweging.

Of de technologie verandert, of het bedrijf verandert: je moet er tijd aan besteden. Ik gebruik daar die twee uur voor, maar al dat werk vertaalt zich vervolgens in een besparing van 15 tot 20 uur.

Tim Fisher: Ik vind de manier waarop je dat formuleerde goed. Hoewel de vergelijking niet perfect is, lijkt het een beetje op individuele gesprekken met je team. Er is voortdurend onderhoud, opleiding en ontwikkeling van het bedrijf nodig voor alle mensen aan wie je werk delegeert.

Daar horen nu ook agenten bij. Ik vind de manier waarop je daarover nadenkt erg goed.

Andras Horvath: Zeker. Iedereen wordt tegenwoordig manager. Of je het nu leuk vindt of niet. Ik hou van die formulering: je moet je vloot aan agenten managen.

Tim Fisher: Laten we nog een vraag of twee in de toekomst blijven. Stel dat het vijf jaar later is.

Iemand die nieuw is in projectmanagement werkt in de systemen die we dan hebben, de versie van Wrike van vijf jaar vanaf nu. Waar zullen zij met verbazing op terugkijken, of wat zullen ze van oudere collega's horen waarvan ze nauwelijks kunnen geloven dat mensen dat ooit zelf deden? Wat is het ene ding dat verdwijnt en waar we nooit meer iets over zullen horen?

Andras Horvath: Statussen bijwerken in Wrike, bijvoorbeeld. Een van de dingen waar we aan werken, is agenten laten deelnemen aan vergaderingen, Teams-kanalen en Slack-kanalen. Wanneer gesprekken plaatsvinden, houden die agenten het werk in Wrike actueel. Uiteindelijk willen we dat deze agenten omgevingsbewust zijn, zodat al die updates plaatsvinden en ze na verloop van tijd van jou leren welke updates ze automatisch moeten uitvoeren en voor welke zaken ze eerst bij jou moeten navragen.

Dit zal zich in de loop van de tijd ontwikkelen. Niemand zal dan nog zeggen: "Laat ik Wrike openen om te controleren of deze taak als voltooid is gemarkeerd." Tegenwoordig doen veel van onze klanten dat al via de assistent van hun keuze. Na verloop van tijd gebeurt dit automatisch, zonder dat je een prompt hoeft te schrijven of iets dergelijks hoeft te doen. Hetzelfde geldt voor mensen op de hoogte houden, statusupdates, capaciteitsrapporten, risicorapporten en noem maar op.

Dit is allemaal al geautomatiseerd voor duizenden klantaccounts. Zoals ik zei geldt dat ook voor projecten maken, werk vanaf nul creëren en bemannen. Er bestaat al zoveel informatie. We werken er hard aan om de informatie binnen Wrike te ontginnen en om te zetten in organisatorische kennis, zoals we dat noemen, om zo veel mogelijk van dit werk te automatiseren.

Hopelijk richt de gemiddelde projectmanager, productmanager of andere persoon die iets leidt of uitvoert zich over vijf jaar vooral op afstemming, feedback verzamelen en het menselijke aspect, in plaats van voor een computer te zitten en gegevens in te voeren of statussen en rapporten samen te vatten.

We moeten er alleen voor zorgen dat gegevens worden ingevoerd op de plek waar de communicatie plaatsvindt. Als iemand wil weten waar een project staat, moet die persoon niet vragen: "Laat ik het aan de projectmanager vragen," of: "Laat ik het aan de teammanager vragen." Het antwoord moet één vraag verwijderd zijn, maar die vraag moet meerdere bronnen raadplegen, de data ophalen en die teruggeven.

Het gaat niet alleen om een eenzijdige statusupdate. Het is een statusgesprek, want door de jaren heen stuur je een statusrapport en verschijnen er vervolgens 22 vragen. Je agenten moeten over de nodige context beschikken om ook die vervolgvragen te beantwoorden.

Tim Fisher: Ik ben benieuwd waar je het meest enthousiast over bent op jullie routekaart.

En ik zou het geweldig vinden als je iets verklapt wat nog niemand heeft gehoord over wat er bij Wrike gebeurt. Geen druk, maar ik ben benieuwd: wanneer je opstaat, naar je werk gaat en datgene aan de horizon ziet waar jullie aan bouwen of over nadenken, wat is dan het spannendst?

Andras Horvath: Voor mij persoonlijk zijn dat organisatorische kennis en geheugen. Daar werken we aan. Het is procesmining op zijn best: die informatie vervolgens meenemen en op de juiste plaatsen opslaan. Wat ik vandaag veel op internet zie, tussen aanhalingstekens, is dat agenten hun eigen geheugen hebben. Dat is geweldig.

Maar zodra je bedrijfsbrede implementaties uitvoert, heb je daar 55.000 agenten draaien. Je hebt misschien 60 projectmanager-agenten met verschillende geheugens. Zodra je er één verwijdert, verdwijnt dat geheugen, enzovoort. Wij onderzoeken hoe we geheugen kunnen opslaan in de plek waar je werkt en het daarmee kunnen verbinden, in plaats van het aan de agent te koppelen.

Wanneer je vervolgens een andere agent implementeert, krijgt die dezelfde kennis. Het probleem is wel dat je ervoor moet zorgen dat je de context niet overbelast. Je moet dus zorgen dat geheugen op de meest efficiënte manier wordt aangemaakt, opgeslagen en opgehaald. Zodra je dat hebt bereikt, worden zowel jijzelf als de agenten die je aanstuurt steeds slimmer naarmate je het systeem meer gebruikt, en halen ze steeds meer werk van je bord.

Het is leren terwijl we bezig zijn, net als mensen doen. Ik denk dat we hier nog maar net aan het oppervlak krabben. Agenten worden steeds beter, en dat komt niet zozeer door betere modellen. Modellen zijn fantastisch. Het maakt niet uit of ze beter worden. Het enige wat ertoe doet, is dat ze goedkoper worden, zodat je agenten altijd actief kunt hebben in plaats van ze alleen te laten draaien op verschillende triggers, bijvoorbeeld wanneer je een agent een taak geeft, hem vermeldt of hem volgens een planning laat werken.

Een agent altijd actief hebben kost je nu miljoenen dollars. Laten we realistisch blijven. Ik denk dus dat goedkopere modellen een goede ontwikkeling zijn. We komen daar wel, en daardoor kunnen we deze omgevingsbewuste agenten inzetten. Maar ook geheugen en procesmining zullen hen echt krachtig maken vergeleken met waar we vandaag staan.

Nancy Boas: Ik denk dat je dat heel goed hebt gezegd. Ik wil alleen nog toevoegen dat we ons twintigjarig jubileum vieren en worden gebruikt door organisaties met zes of zeven afdelingen en duizenden gebruikers. Als die informatie daar alleen maar staat en niet echt wordt benut, doen we mensen tekort.

Het is dus logisch dat we hen helpen beter te werken, die inzichten blootleggen, zaken zoals afgeleide vaardigheden ontdekken en het hele projectmanagementproces echt verfijnen.

Andras Horvath: Als ik iets mag toevoegen, Tim, omdat Nancy de afgeleide vaardigheden noemde: uiteindelijk vereenvoudig je niet alleen het invoeren van gegevens.

Als je agenten kunt hebben die deelnemen aan alle gesprekken waar jij bij betrokken bent en alles actueel houden, maakt dat het werk zoveel gemakkelijker en aangenamer. Je hoeft dan niet meer te zeggen: "Sorry, ik heb wat tijd nodig omdat ik alles in Wrike moet bijwerken," of in welke andere systemen je ook werkt.

Tim Fisher: Een heel interessante visie op de toekomst. Je hebt het over iets waar ik niet genoeg over hoor: er is een obsessie met steeds slimmere modellen en met de vraag hoe dat niet langer de bottleneck is. Het gaat om kosten en om altijd actief zijn, en dat is geweldig.

Ik vind het dus geweldig waar jullie over nadenken. Voor iedereen die luistert en die nieuw is met deze functies in Wrike of met Wrike zelf: waar kunnen zij terecht om meer te leren?

Nancy Boas: Ze kunnen naar wrike.com/ai gaan. Als je een demo wilt of meer informatie wilt aanvragen, is dat een geweldig startpunt.

Tim Fisher: Andras en Nancy, heel erg bedankt dat jullie bij ons waren. We zien jullie bij de volgende sessie van The Future of AI in Project Management.

Nancy Boas: Heel erg bedankt.

Andras Horvath: Heel erg bedankt.