Hoe weet je of je team klaar is voor AI in projectmanagementsoftware

Galen Low: Wanneer organisaties op zoek gaan naar PM-software met AI-functies, hebben ze dan daadwerkelijk een idee van wat ze ermee willen bereiken, of volgen de meeste van deze kopers gewoon een opdracht om iets met AI te doen?

Olivia Montgomery: We zien zeker dat executives zich in eerste instantie meer laten leiden door een soort competitieve FOMO. Er is veel marketing en leveranciers haasten zich duidelijk om mee te surfen op de AI-golf.

Galen Low: Wat moet er aanwezig zijn voordat een team of organisatie daadwerkelijk voordeel kan halen uit AI-functies in projectmanagementsoftware? Wat zijn volgens jou de fundamentele onderdelen die teams en organisaties helpen om sneller naar de ROI van AI toe te werken?

Olivia Montgomery: Er zijn twee belangrijke overwegingen waar bedrijven van alle soorten en groottes, in alle sectoren en met elk volwassenheidsniveau rekening mee zouden moeten houden: technische gereedheid en culturele gereedheid.

Galen Low: Welkom bij de podcast van The Digital Project Manager, de show die deliveryleiders helpt slimmer te werken, sneller te leveren en beter leiding te geven in het tijdperk van AI. Ik ben Galen en elke week duiken we in strategieën uit de praktijk, nieuwe tools, bewezen raamwerken en af en toe een waargebeurd verhaal van de frontlinie van projecten. Of je nu enorme transformatieprojecten aanstuurt, AI-workflows beheert of gewoon probeert de chaos onder controle te houden: je bent hier op de juiste plek. Laten we beginnen.

Vandaag hebben we het over de groeiende vraag naar AI-verbeterde functies binnen projectmanagementsoftware, wat mensen van die functies verwachten en wat bedrijven en teams van verschillende omvang moeten regelen om hun doelen te bereiken. Vandaag is Olivia Montgomery weer bij me in de virtuele studio, Associate Principal Analyst voor Project Management bij Capterra.

Olivia is voormalig PMO-leider, projectmanagementprofessional, veelgevraagd spreker en precies het soort nerd dat je wilt hebben als het gaat om onderzoeksgestuurde inzichten over projectmanagement, technologisch beleid en de menselijke kant van leiderschap. Ze heeft ook haar nieuwste onderzoeksrapport gepubliceerd: Capterra’s 2025 Project Management Software Trends Survey. Daaruit blijkt dat bedrijven hun projectmanagementtools op een andere manier kiezen en gebruiken. Precies daar gaan we het vandaag over hebben.

Olivia, bedankt dat je weer naar de studio bent gekomen en vandaag met me meedoet.

Olivia Montgomery: Bedankt dat je me hebt uitgenodigd. Ik vind het geweldig om hier te zijn. We hebben een paar actuele onderwerpen te bespreken.

Galen Low: Ja, vandaag gaan we het pittig maken. Voor de mensen die de podcast al een tijdje luisteren: Olivia is echt een publieksfavoriet. We zaten net in de greenroom over taalkunde te praten. Toen realiseerden we ons dat taalkunde, de geesteswetenschappen, LLM’s en AI eigenlijk allemaal met elkaar samenhangen.

We gaan dus verschillende kanten op. We belanden vaak in konijnenholen en dat hoop ik vandaag ook te doen, maar voor de zekerheid is hier mijn routekaart. Om te beginnen wilde ik één grote, prangende vraag uit de weg ruimen: de ongemakkelijke, hyperrelevante vraag waar iedereen het antwoord op wil weten.

Daarna wil ik uitzoomen en drie dingen bespreken. Eerst wil ik het hebben over wat organisaties nodig hebben om echt voordeel te halen uit AI-functies binnen projectmanagementsoftware. Vervolgens wil ik diep ingaan op hoe AI-functies er in de praktijk uitzien en hoe je meet of ze daadwerkelijk werken of hoe ze worden gebruikt.

En tot slot dacht ik dat we misschien kunnen praten over de impact op korte en lange termijn van sommige AI-functies in projectmanagementsoftware en elders in de manier waarop we samenwerken, en over de gevolgen daarvan voor projectmatig werk.

Olivia Montgomery: Ik ben er klaar voor. Laten we beginnen.

Galen Low: Laten we dan beginnen met de ene prangende vraag.

In je recente onderzoeksrapport vermeld je dat 55% van alle kopers van projectmanagementsoftware inmiddels AI-functies als prioriteit aanmerkt. Dat zal voor de meeste luisteraars waarschijnlijk niet verrassend zijn, gezien de druk op bedrijven om met AI meer te doen, maar wanneer organisaties op zoek gaan naar PM-software met AI-functies: hebben ze dan echt een idee van wat ze ermee willen bereiken, of volgen de meeste kopers gewoon een opdracht om iets met AI te doen?

Olivia Montgomery: Het is overal een gemengd beeld. We zien zeker dat executives zich aanvankelijk meer laten leiden door competitieve FOMO. Er is veel marketing en leveranciers haasten zich duidelijk om mee te surfen op de AI-golf, omdat er zoveel hype en vraag is. Maar langzaam bewegen we richting een meer strategische intentie.

De aanvankelijke glans van AI is wat verdwenen. We beginnen beter te zien wat deze tools werkelijk kunnen, wat ze niet kunnen, hoe teams ze gebruiken, wanneer, waarom en waar, en we komen toe aan de moeilijkere vragen. Ze worden nog steeds sterk gedreven door competitieve FOMO. Dat wordt zeker aangewakkerd door het nieuws dat de uitgaven aan AI-infrastructuur, hardware, software en datacenters in de Verenigde Staten hoger zijn dan de consumentenuitgaven.

Voor het eerst in de geschiedenis wordt de Amerikaanse economie aangejaagd door AI-investeringen, en niet door consumentenuitgaven. Dat zegt veel over de richting van het gesprek. Achter deze investeringen staan bovendien marketingcampagnes van miljarden dollars. Dat zien we dus: het is een belangrijke motor achter deze competitieve FOMO, en veel executives en bedrijfsleiders zijn enthousiast.

Ze horen over nieuwe technologie die fantastisch werkt en willen die natuurlijk hebben. Nu we ermee aan de slag gaan, beginnen we te zien dat marketing niet altijd overeenkomt met de technische mogelijkheden die we aantreffen. En die technische mogelijkheden sluiten ook niet altijd aan bij wat je mensen en team kunnen, waarvoor ze zijn opgeleid en wat ze bereid zijn te doen.

Er is dus zeker een kloof, en daar zitten we middenin. Ik weet zeker dat vrijwel iedereen die luistert op de een of andere manier druk hierover voelt.

Galen Low: Ik vond het interessant dat je de economische kant erbij haalde, want daar had ik niet echt over nagedacht. Als je praat over dat niveau van investeringen, waarbij consumentenuitgaven worden overtroffen in termen van hoe economieën geld verdienen, stel je dan eens voor onder welke druk deze bedrijven staan. Ze hebben geïnvesteerd in infrastructuur en geven veel uit. Ik weet nog dat ons altijd werd verteld: cloudopslag is nu goedkoop.

Ja, niet wanneer het om petabytes aan data gaat. Je weet wat ik bedoel. Die druk sijpelt door. Als je marketeer bent in de softwarewereld, neem ik mijn petje voor je af, want er is enorme druk om zoveel mogelijk licenties te verkopen. Organisaties hebben gigantisch geïnvesteerd en verdienen dat momenteel niet terug.

Ze zijn geen winstgevende bedrijven op dit moment; ze zitten in een investeringsfase. Er is druk om toepassingen te vinden, omdat we ons op een punt bevinden waarop we nog niet echt met de usecases zijn begonnen. We dachten: dit kan alles revolutioneren en veranderen. Geweldig, laten we ergens een spijker zoeken voor deze hamer.

Dat is een interessante invalshoek. Het is niet wat ik dacht dat je zou zeggen, maar het is druk van bovenaf die naar beneden doorsijpelt. Daardoor voel ik nu ook competitieve druk om AI-verbeterde projectmanagementsoftware te kopen.

Dat is net als een telefoon kopen zonder faxmachine in 1992. Natuurlijk heb ik een multifunctioneel, hypermodern apparaat nodig, of ik nu faxen verstuur of niet, want iedereen heeft er een. Maar ik vind het idee mooi dat we ons nu op het punt bevinden waarop we het aan het uitzoeken zijn.

En het is prima als je AI-verbeterde software hebt gekocht, want dat helpt ons uitzoeken wat we ermee kunnen doen. Maar daar is wel de juiste instelling voor nodig, en niet het idee van een magische knop: we drukken op installeren en zijn klaar.

Olivia Montgomery: Precies. We beginnen dat ook te zien.

Ik was er trots op dat beveiliging in onze enquête als belangrijkste prioriteit voor kopers van PM-software naar voren kwam. Dat is voor mij heel positief. Meestal is functionaliteit de eerste prioriteit, wat natuurlijk logisch is. Maar dat beveiliging voor het eerst bovenaan staat, is fantastisch.

Dat vertelt me dat teams beseffen dat AI van welk type dan ook het aanvalsoppervlak vergroot, vooral wanneer ze externe LLM’s gebruiken. Er is een groot verschil tussen AI-functies die in je huidige systeem zitten en net zijn uitgerold — bijvoorbeeld handige suggesties, extra automatisch aanvullen of hulp bij het verbeteren van een workflow — en werknemers die externe LLM’s gebruiken om projectvergaderingen samen te vatten.

Dat laatste brengt meer risico met zich mee. Ik ben dus blij en trots dat onze community beveiliging bovenaan de lijst heeft gezet.

Galen Low: Dat is inderdaad interessant. Het zegt vanuit mijn perspectief ook iets over de snelheid waarmee volwassenheid wordt bereikt. Veel ontwikkelingen in de digitale wereld en technologie hebben ons de afgelopen decennia ontwricht. We zijn altijd langzaam geweest met het bepalen van wat belangrijk is. Als ik hoor dat privacy en gegevensbeveiliging nu serieus worden genomen, denk ik: goed, dat is belangrijk, en het is nog steeds vroeg als je het geheel bekijkt.

Het zegt ook iets over hoe ze AI gebruiken. Ik maakte me nooit echt druk om gegevensprivacy bij autocorrectie. Maar wanneer ik al mijn projectgegevens, klantinformatie en bedrijfsrapporten invoer, wordt het veel belangrijker.

Wat ik er goed aan vind, is dat het bijna een snelheidsrem is. Dit is misschien het juiste moment om niet te snel te gaan, in plaats van lukraak gegevens overal heen te sturen en pas achteraf te beseffen dat het misgaat.

Het kan ook iets zeggen over concurrentie tussen bedrijven. Ik wil niet al mijn informatie delen. We horen over organisaties die eigen LLM’s bouwen. Het is interessant dat privacy zo’n hoge prioriteit heeft gekregen.

Olivia Montgomery: Ik weet het, geweldig. Ik ben trots op ons.

Galen Low: Voor mij zegt dit iets over de fundamentele zaken. Ik vroeg me af of we wat kunnen uitzoomen, want niet elke organisatie kan op een dag wakker worden en zeggen: laten we projectmanagementsoftware kopen met alle AI-functies die we willen. Soms moeten bepaalde zaken eerst geregeld zijn.

Wat moet er aanwezig zijn voordat een team of organisatie daadwerkelijk voordeel kan halen uit AI-functies in projectmanagementsoftware? Wat zijn volgens jou de fundamentele onderdelen die teams en organisaties helpen sneller naar de ROI van AI toe te werken?

Olivia Montgomery: Absoluut. Je moet even — hoe kort ook — pauzeren en jezelf afvragen: zijn we er klaar voor? Ik ben klaar om te kopen. Ik ben klaar om AI in het bedrijf te introduceren en alle voordelen te behalen. Maar wanneer zijn we er echt klaar voor? Er zijn twee belangrijke overwegingen waar bedrijven van alle soorten en groottes, uit alle sectoren en met elk volwassenheidsniveau rekening mee moeten houden: technische gereedheid en culturele gereedheid.

Laten we beginnen met technische gereedheid. Heb je voldoende schone, gestructureerde gegevens? Of je nu machinelearning gebruikt voor voorspellende analyses of LLM’s om rapporten te genereren en gegevens samen te vatten: die systemen hebben enorme hoeveelheden gegevens van zeer hoge kwaliteit nodig om een resultaat te leveren waar je tevreden mee bent.

Controleer dus of je deze gegevens hebt, waar ze zich bevinden, wat de kwaliteit ervan is en of je klaar bent om ze te delen. Zijn ze goed genoeg om inzichten te opleveren? Je wilt je bestaande tools controleren voordat je AI introduceert, omdat je mogelijk dubbele functionaliteit toevoegt.

Een andere tool kan de functie al hebben. Tijdens zo’n controle kun je ook verborgen IT-gebruik opsporen. Misschien gebruiken werknemers op het werk tools waar je niets van weet. Dat wil je weten.

Voer daarom een volledige controle uit van je hele IT-infrastructuur en omgeving. Welke apps worden gebruikt en waar? Zorg dat je duidelijkheid hebt over hoe je ecosysteem eruitziet. Je moet ook governance hebben ingericht.

Voordat je je mensen deze tools geeft, moet je zeker weten dat ze weten wat ze krijgen, waarom ze het krijgen, wat ze ermee moeten doen en wat ze niet mogen doen. Je hebt heel duidelijke beleidsregels nodig over welke informatie gedeeld mag worden en hoe je informatie veilig met de tools deelt.

Idealiter richt je alles aan de achterkant in en kun je zeggen: als je deze twee systemen gebruikt — ons kennisbeheer, documentbeheer en taakbeheer — dan zijn ze veilig. Ga je gang. Dat is ideaal, maar veel bedrijven zijn daar nog niet. Geef je werknemers daarom op zijn minst beleid, begeleiding en richting.

Dan is er culturele gereedheid. Je IT-team kan klaar zijn, alles kan veilig zijn en de gebruikersacceptatietest kan succesvol zijn afgerond. Maar nu moet je weten of mensen het daadwerkelijk kunnen gebruiken wanneer ze op hun werk verschijnen. Weten ze wat ze moeten doen? Voelen ze zich comfortabel bij het gebruik? Willen ze het gebruiken?

Die culturele gereedheid moet dus ook worden geëvalueerd. Wees duidelijk tegenover werknemers en teams over wat je precies geeft, waarom je het geeft en hoe ze het moeten gebruiken. Je kunt zeggen: we openen een paar nieuwe speeltjes voor jullie. Misschien starten we een proefproject om ze uit te proberen, maar rollen we ze nog niet volledig uit, omdat we nog niet alles weten.

Je wilt ook niet verwachten dat alles perfect is uitgestippeld en dat teams workflows en beleidsregels alleen maar hoeven uit te voeren. Er zullen gesprekken, onderbrekingen, aanpassingen en herwerkingen zijn. Als je weet dat dit gaat gebeuren en je het kunt isoleren binnen een testperiode of proefproject, ben je veel succesvoller dan wanneer je tools zomaar vrijgeeft.

Je teams zullen waarschijnlijk verrast en gefrustreerd reageren en je zult de productiviteitswinst waarop je hoopt niet zien. Vermijd daarom opdrachten als ‘AI of niets’. Dit kan worden bereikt door bedachtzaam en doelgericht te werk te gaan en eerst een proef uit te voeren in een geïsoleerde omgeving of een project met een laag risico.

Het is dus heel belangrijk dat bedrijven niet alleen rekening houden met technische gereedheid, maar ook met culturele gereedheid.

Galen Low: Ik vind het goed dat je verborgen IT-gebruik in je softwarebeoordeling hebt opgenomen. Toen we ons hierop voorbereidden, hadden we het over de verschillen tussen een klein of middelgroot bedrijf en een onderneming.

We weten dat veel grote ondernemingen een goede governance zouden moeten hebben, maar zich er niet van bewust zijn dat mensen per ongeluk hun persoonlijke ChatGPT-account gebruiken. Ze spelen gewoon met tools die op internet beschikbaar zijn en die nog niet door IT zijn afgeschermd.

Ik vind het goed om te zeggen: we gaan een evaluatie uitvoeren, maar je wordt niet gestraft. We moeten alleen weten wat er gebeurt. We weten dat het gebeurt en willen een plan opstellen op basis van dat feit. Het is eigenlijk goed dat iedereen experimenteert en vooruitloopt. Maar laten we er wel vangrails omheen zetten. Laten we het niet verstikken, maar erkennen dat er parameters en misschien een beperkte proef nodig zijn.

Misschien moeten we niet meteen een organisatiebrede verandering proberen door te voeren voor duizenden werknemers. Tegelijkertijd willen we niet dat iedereen iets anders doet en dat we er als geheel nooit voordeel uit halen. Dat sluit direct aan bij culturele gereedheid: verwachtingen in beide richtingen vastleggen.

Wat bij mij bleef hangen, is: weten mensen wat ze ermee moeten doen wanneer ze ’s ochtends op hun werk komen? Ik zie veel organisaties aannames doen. Er is veel oordeel over mensen die de tools niet oppakken. Ik zie adoptiegrafieken waar mensen hun wenkbrauwen bij fronsen: we hebben iets aangekondigd, maar de adoptie blijft vlak. Waarom snappen deze mensen het niet?

Maar culturele gereedheid, verandermanagement, opleiding en het gesprek horen samen met technische gereedheid. Gaan mensen dit daadwerkelijk gebruiken?

Olivia Montgomery: Precies. Je wilt werknemers niet afremmen; je wilt dat ze zich empowered voelen en problemen oplossen. De bedrijfscultuur moet al enigszins bepalen of je dingen gewoon aanzet en vervolgens enkele enthousiaste voorlopers identificeert.

Laat hen ermee spelen en dingen uitzoeken terwijl je je beleid en plannen formaliseert. Daarna rol je het uit naar teams die misschien wat langzamer bewegen of iets terughoudender zijn. Zo breng je iedereen samen door nieuwsgierigheid en de wens om het bedrijf vooruit te helpen.

Niet-punitief handelen is absoluut essentieel. Zodra werknemers het gevoel krijgen dat er een negatief stigma aan hun gedrag zit — bijvoorbeeld dat ze niet openstaan voor nieuwe ideeën — zullen ze zich afsluiten.

Dan gaan werknemers dingen verbergen en problemen niet meer melden. Dat zal je organisatie ernstig schaden en tot stilstand brengen. Uit de enquête blijkt dat adoptie de grootste uitdaging is. Dat komt vaak door een gebrek aan duidelijkheid en een gebrek aan tweerichtingscommunicatie.

Iedereen moet ideeën en ervaringen kunnen delen. Dit is allemaal erg nieuw en elk bedrijf gaat het anders gebruiken. AI is bijzonder omdat het alle afdelingen en sectoren ongeveer tegelijkertijd beïnvloedt.

Het zijn niet alleen executive assistants die met LLM’s te maken krijgen. Ook projectmanagers, engineers en alle andere werknemers krijgen mogelijkheden waarmee ze hun werk kunnen aanvullen en verbeteren. Dat hebben we eerder nauwelijks gezien, behalve toen alles digitaal en naar computers verhuisde.

Je hele bedrijf wordt dus blootgesteld aan AI en ziet het op zeer verschillende manieren. Alle duidelijkheid die je mensen kunt geven over veilig en effectief gebruik, zonder punitieve aanpak, is cruciaal.

Galen Low: Dat vind ik goed. Omdat het zo nieuw is, moet het een dialoog zijn. Dat is precies het doel van culturele gereedheid. Ik begon deze podcast met het idee dat mensen misschien software kopen zonder te weten wat ze ermee willen. Misschien komt dat doordat ze meegaan in de hype en concurrerend willen blijven.

Soms komt het doordat ze denken dat ze mensen precies moeten vertellen wat ze ermee moeten doen. Maar wat jij zegt, is volgens mij: geef ze vangrails, maar vertel ze dat experimenteren en delen prima is.

We zoeken dit samen uit. Het is geen opdracht zonder strategie. De strategie is: stap voor stap doorlopen. Elke afdeling en iedereen in de organisatie. Het zou onrealistisch zijn om je hele bedrijf van de ene op de andere dag volledig te transformeren vanwege AI.

Het gaat om een dialoog met iedereen en het vastleggen van verwachtingen.

Olivia Montgomery: Precies. Hoe beter je technische gereedheid is geregeld, hoe beter je relatie met de leverancier kan zijn — vooral bij projectmanagementsoftware. Misschien heeft je bestaande tool AI-functies uitgerold, of zoek je een nieuwe tool omdat die meer AI-functies biedt.

Als je technische gereedheid op orde is en je met de leverancier en je IT-team hebt samengewerkt, weet je dat het gegevensbeheer goed is ingericht en dat de omgeving veilig is.

Dan kun je de functies inschakelen en teams laten experimenteren — per afdeling, projectmanager of portfolio, afhankelijk van de omvang van je bedrijf. Je kunt zeggen: alles staat aan, het is veilig en je kunt niets kapotmaken. Rol het uit met je teams op een manier die bij hen past.

Je kent je teams en projecten. Alles is technisch veilig. Nu kunnen jullie je team helpen met de culturele gereedheid, en dat kan de adoptie sterk verbeteren.

Galen Low: Ik vind dat goed. We hebben het gehad over gegevensbeveiliging en governance, en over verschillende bedrijfsomvang en behoeften. Hoe verschilt gegevensbeveiliging en governance tussen organisaties van verschillende omvang? Hebben kleinere, wendbaardere organisaties een voorsprong op voorzichtige ondernemingen, of misschien niet?

Olivia Montgomery: Mijn favoriete antwoord is: het is een gemengd beeld.

Beide kanten hebben plus- en minpunten, sterke en zwakke punten. Grotere organisaties beschikken over meer gegevens en historische gegevens. Die gegevens worden waarschijnlijk beter onderhouden. Hun beleid voor gegevenshygiëne is vermoedelijk beter en ze weten waarschijnlijk beter hoe hun ecosysteem eruitziet en hoe teams tools gebruiken.

Ze hebben dus waarschijnlijk meer van de fundamentele basis die AI effectiever en succesvoller kan maken wanneer ze klaar zijn om het te gebruiken.

Aan de andere kant kunnen kleinere bedrijven, hoewel ze minder gegevens hebben en hun beleid voor gegevensbeheer minder volwassen is, meestal veel sneller van tool wisselen. Ze kunnen hun projectmanagementtool veel sneller vervangen dan bijvoorbeeld een grote bank.

Ze kunnen nieuwe dingen uitproberen, ontdekken wat ze willen en snel de nieuwste technologie benutten, terwijl ze tegelijkertijd hun technische gereedheid en gegevenskwaliteit verbeteren.

Er zijn dus voor- en nadelen aan beide kanten. Een realistisch inzicht in die voor- en nadelen en weten hoe je ermee omgaat, kan voor beide partijen de succesvolle weg vooruit zijn.

AI is niet alleen geschikt voor ondernemingen of alleen voor kleine bedrijven. Het is over de hele linie nuttig. Maar de toepassing en uitdagingen verschillen sterk door omvang en volwassenheid.

Galen Low: Heb je verhalen of voorbeelden van mensen met wie je hebt gesproken tijdens het samenstellen van je rapport of elders in de sector?

Olivia Montgomery: Wil je mijn geheimen uit de sector horen?

Galen Low: Kun je wat thee morsen? Kom op.

Olivia Montgomery: Zeker. Bedrijven die, ongeacht omvang, sector of culturele positie, teruggaan naar de basis — ervoor zorgen dat ze klaar zijn en begrijpen dat hun teams goed werk voor hen willen leveren — zijn succesvoller. Hoe duidelijker je bent over verwachtingen en vangrails, hoe groter je succes.

Bedrijven die alleen zeggen: doe iets met AI, en dagelijks controleren of je bent ingelogd, zijn er ook. Managers krijgen gebruiksrapporten en mensen krijgen quota. Dat gebeurt absoluut.

Leiders zeggen soms: we hebben veel geld aan deze tool uitgegeven en elke dag moet 95% van iedereen minstens tien minuten ingelogd zijn. Ze proberen ROI te meten met KPI’s zoals gebruik, maar daar zijn we nog niet klaar voor.

We zijn nog bij: laten we het veilig maken en je helpen uitzoeken hoe je er effectief mee kunt werken. Daarna kunnen we gaan controleren of mensen inloggen. Gebruiksaudits zijn op zichzelf nuttig. Als een heel team niet heeft ingelogd, kun je nagaan waarom. Als een team een maand lang dagelijks gebruikmaakte van de tool en daarna niet meer, kun je ook onderzoeken waarom.

Maar ik zou gebruiksaudits niet gebruiken als directe maatstaf voor ROI. Gebruik ze om vast te stellen hoe effectief onze adoptie is.

Galen Low: Dat is een duidelijke onderscheiding: gegevens gebruiken om beslissingen te informeren en mensen te begeleiden, tegenover gegevens gebruiken om te straffen en controleren.

Tijdregistratiegegevens komen in mijn community voortdurend ter sprake, vooral bij mensen die in bureaus, adviesbureaus en professionele dienstverlening werken. Soms gaat het om niet genoeg uren registreren of een te lage benuttingsgraad: ben je als mens dan wel waardevol? Terwijl je ook kunt vragen: hoe besteden we onze tijd en is dat de juiste manier?

Als we onze tijd niet aan belangrijke dingen besteden, wat kunnen we dan doen? Wat is de reden en wat kan er worden aangepast? Het is grappig, want ik denk ook aan opdrachten om weer naar kantoor te komen. Mensen en organisaties zijn soms erg slecht in het meten van impact en het meenemen van mensen.

Er is altijd een quotum: je krijgt een tik op de vingers als je bepaald gedrag niet vertoont. Zelfs wanneer het doel eigenlijk nobel is, komt het over als: we straffen je als je vandaag niet bent ingelogd.

Olivia Montgomery: Absoluut.

Galen Low: Wat je zei over culturele gereedheid laat zien hoe belangrijk die is, net als gegevens en governance. Die zaken moeten aanwezig zijn voordat er echt vooruitgang kan worden geboekt.

Olivia Montgomery: En wat je zegt over tijdregistratie klopt. Daar zouden we een volledige aflevering aan kunnen wijden, zeker als kenniswerker. Hoe registreer je waardevol werk dat tijdens wandelingen gebeurt? Er is werk waarbij ik achter mijn computer zit en typ. Maar het waardevollere werk is vaak het moment waarop ik tijdens een wandeling informatie verwerk en een inzicht krijg.

Wanneer ik daarna ga zitten en traditioneler werk doe, gaat dat veel sneller en is de kwaliteit hoger. We registreren vooral de tijd waarin iemand achter een computer typt. Maar hoe registreren we de echt nuttige tijd die elders is doorgebracht?

Ik hoop dat AI ons daar uiteindelijk bij kan helpen in projectmanagementtools. Een van de interessantste manieren waarop ik AI projectmanagementtools zie beïnvloeden, is resourceplanning.

AI-automatisering bestaat al langer. Veel AI-tools zijn geavanceerdere automatisering met if-then-regels die we al sinds de jaren negentig in CRM-systemen gebruiken. Dat is niet volledig nieuw, maar het wordt momenteel krachtiger gemaakt.

Wanneer je je projectplan maakt en een groep resources hebt, is het een van je belangrijkste taken als projectmanager om de juiste samenstelling voor het project te vinden. Wie heeft binnenkort verlof? Wie beschikt over de vaardigheden die ik nodig heb? Wie wil ik verder ontwikkelen? Wie kan wat langer over taken doen omdat diegene nieuw is?

Wie vertrouw ik om iets zeer ervaren en snel uit te voeren? Je moet al die onderdelen combineren. AI, machinelearning en voorspellende mogelijkheden worden daar steeds beter in.

Sommige tools houden ook rekening met die moeilijk meetbare tijd. In de week voordat iemand op vakantie gaat, geef je die persoon misschien geen taken die veel cognitieve inspanning vereisen. Je kunt meer dagelijkse uitvoertaken plannen, zodat diegene daarna op vakantie kan gaan en fris terugkomt.

Dan kun je complexer werk toewijzen waarvoor diepgaande concentratie nodig is. Sommige systemen worden zeer geavanceerd en houden rekening met patronen zoals: deze persoon werkt drie weken heel goed zelfstandig aan mijn project, waarna een week met meer samenwerkende of andere taken volgt.

Dat menselijke aspect meenemen is uitzonderlijk ingewikkeld voor een projectmanager. AI helpt daar zeker bij. Veel projecttaken en deadlines lopen vast omdat we niet goed weten hoe we daar rekening mee moeten houden.

Soms is er geen ruimte om te erkennen dat we mensen zijn en geen machines. Een machine voert het werk uit dat je opdraagt. Als de machine oververhit raakt, vervang je een onderdeel. Dat willen we niet met mensen doen.

Om realistische verwachtingen aan stakeholders en de projecteigenaar te geven, heb je een realistische planning en werkverdelingsstructuur nodig. Alles moet zo goed mogelijk aansluiten bij de werkelijke mogelijkheden en omstandigheden. Ik ben blij dat AI ons daarbij kan helpen.

Galen Low: Ik vind resourceplanning een goed voorbeeld, omdat het zo menselijk is. Het laat precies zien wat je bedoelt: mensen zijn geen machines.

We bevonden ons misschien op het hoogtepunt van de traditionele industrialisering, waarin we mensen tot machines maakten en als machines behandelden omdat uniformiteit nodig was. Klokte iemand om negen uur in en om vijf uur uit? Dat was meetbaar.

Onze werkstijlen en moeilijk meetbare tijd waren te ingewikkeld om te beheren. AI biedt de mogelijkheid om onze aannames over werk uit te dagen, maar misschien nog meer om de denkfouten die we rond werk hebben gecreëerd ter discussie te stellen.

Niet alleen aannames, maar ideeën als: dat is te moeilijk, laten we iedereen op hetzelfde tijdstip op kantoor laten verschijnen en hun uren laten registreren. We doen jaarlijkse beoordelingsgesprekken en vragen één keer per jaar hoe het gaat. Dat is alles wat we aankunnen.

Resourceplanning laat zien hoe machines ons kunnen helpen onze menselijkheid in ons werk te herkennen, vooral bij kenniswerkers. Het brengt gegevens, culturele bewustwording en praktische toepassingen samen. Wat moet ik dagelijks met deze tools doen wanneer ik op mijn werk verschijn? En hoe veranderen ze het werk voor ons, niet alleen de taak, maar ook het begrip werk en de manier waarop we het aanpakken?

Dat brengt ons misschien rechtstreeks naar de toekomst. We hadden het over een gelijker speelveld en dat AI iedereen en elke afdeling binnen een organisatie beïnvloedt. AI kan een soort gelijkmaker worden die technologie en bedrijfsvoering inclusiever en toegankelijker maakt.

Wat zijn enkele gevolgen op korte en lange termijn van AI-functies, zoals geïntegreerd programmeren op basis van natuurlijke taal, automatisering of geautomatiseerde workflows, voor de manier waarop werk wordt uitgevoerd?

Olivia Montgomery: Heel spannend. Ik begin met de korte termijn. Sinds ChatGPT en deze LLM’s verschenen, zien we dat projectmanagers en niet-technische mensen op een manier met computers kunnen praten die computers beter begrijpen.

Dat is veel soepeler dan vroeger. Mijn ouders kunnen nu met een LLM praten en dingen gedaan krijgen die ze voorheen nooit met een computer konden doen. LLM’s kunnen onvolledige zinnen en spelfouten in prompts verdragen.

Vroeger moest je bij code en invoegquery’s precies zijn. Nu is er veel meer ruimte dankzij natuurlijke taalverwerking en grote taalmodellen die op enorme hoeveelheden gegevens zijn getraind.

Een niet-technische projectmanager kan vandaag naar de projectmanagementtool gaan en typen: neem project A en geef me een werkverdelingsstructuur die tot het einde van het jaar loopt. De tool antwoordt als een teamgenoot. Je moet het natuurlijk controleren, want deze systemen maken fouten.

Maar dat we met een computer kunnen praten en effectieve resultaten kunnen krijgen, workflows kunnen bouwen en de trend van programmeren zonder of met weinig code kunnen vereenvoudigen, is bijzonder spannend.

Er zijn ook waarschuwingssignalen. We vertrouwen mogelijk op mogelijkheden die spontaan uit het systeem ontstaan, zonder dat duidelijk is dat het om zulke mogelijkheden gaat. Ik richt me op LLM’s, omdat die op korte termijn de grootste impact hebben.

We gebruiken ze om informatie samen te vatten, gegevenspunten te verzamelen en gegevens te analyseren. Maar dat zijn spontane mogelijkheden. LLM’s zijn ontworpen om tekst of afbeeldingen in een mensachtige vorm te genereren. Ze voorspellen statistisch de volgorde van woorden op basis van grote hoeveelheden informatie.

Ze weten niet wat ‘samenvatten’ betekent. Ze weten niet eens wat het woord betekent. Afhankelijk van tokens kan een woord worden opgesplitst in delen. Een LLM begrijpt dus niet noodzakelijk de betekenis van een woord zoals een mens die begrijpt.

Dat is waar mijn achtergrond in Engelse literatuur en taalstudie relevant wordt. Er ontstaat een grote kloof tussen hoe een LLM een woord begrijpt en hoe wij het begrijpen. Dat kan zich opstapelen.

Stel dat je projectmanager bent en een grote statusupdate voor een projecteigenaar voorbereidt. Je verzamelt statussen uit je PM-tool, spraakmemo’s en e-mails en stopt die in een LLM met de vraag om te helpen begrijpen wat er aan de hand is.

Dat klinkt geweldig, maar er kunnen grote problemen ontstaan. LLM’s veranderen de informatie die je geeft. Ze halen vaak emotionele woorden, urgentie en nuance weg. Soms verwijderen ze hele delen van wat je hebt gevraagd.

Stel dat je een spraakmemo hebt waarin je baas zegt dat het nieuwe leverancierscontract bij Legal vastzit, dat hij moeilijk contact krijgt en dat je niet verder kunt totdat Legal reageert. Hij maakt zich zorgen.

De AI-samenvatting kan vervolgens zeggen: het leverancierscontract bevindt zich in de afrondende fase. Dat is niet onjuist, maar het verbergt dat die fase vol spanning en frustratie zit.

Je luistert misschien niet eens naar de oorspronkelijke memo omdat je ervan uitgaat dat de LLM het wel verwerkt. Daardoor mis je de frustratie, deel je die niet met de projecteigenaar en volg je niet op bij je baas. Je denkt alleen: het zit in de afrondende fase.

Dat gebeurt vaak. Je moet dus goed opletten. De taal wordt vrijwel altijd afgezwakt en er kunnen hallucinaties ontstaan. De hallucinatiepercentages zijn nog steeds erg hoog, zelfs in eigen systemen die bedrijven goed monitoren.

Projectmanagers moeten weten dat de kans daarop groot is. Deze tools weten niet werkelijk wat samenvatten betekent; ze proberen te geven wat ze denken dat je wilt. Ze kunnen taal verzachten en informatie verkeerd weergeven, en dat kan je duur komen te staan.

Galen Low: Ik had niet goed nagedacht over het verwijderen van emotionele inhoud en de gevolgen daarvan. Er is een verschil tussen taal leren en trainen op taalgegevens. LLM’s zijn overtuigend, waardoor mensen denken dat ze zo slim zijn als mensen.

Maar dat zijn ze niet. Je kunt zien waar hallucinaties ontstaan: stap voor stap, token voor token, door beperkte informatie, beperkte training of context.

Een groot deel van de rol van een projectmanager bestaat uit nuance herkennen en emoties kanaliseren. We vatten samen, maar we transformeren ook emotie. We kunnen ons team tegen iemands frustratie beschermen, terwijl we toch duidelijk maken dat iets urgent is.

Het is fascinerend en beangstigend dat dit volledig kan verdwijnen wanneer iemand bestanden in projectmanagementsoftware met AI-functies stopt en vraagt om een status.

Het is een interessante uitdaging. Deze technologie is nog niet perfect; dit is het begin. Daar moeten we rekening mee houden in onze manier van werken.

Olivia Montgomery: Projectmanagers moeten alle invoer daadwerkelijk controleren. Marketingboodschappen vertellen ons dat deze tools goed zijn in bepaalde taken, maar maken niet duidelijk dat het om spontane mogelijkheden gaat.

Als je je beperkt tot het genereren van een eerste versie, ben je waarschijnlijk veiliger. Er zijn manieren om de betrouwbaarheid te verbeteren, bijvoorbeeld met een gespecialiseerd team, een grote trainingsdatabase en veel if-then-regels.

Maar dit blijven systemen als een zwarte doos. Zelfs de mensen die ze ontwerpen zeggen dat ze niet altijd weten waarom ze tekst kunnen samenvatten.

Slimme suggesties in een PM-tool zijn minder beangstigend. Als je gebruikersvereisten verzamelt en een prompt krijgt die helpt bij het maken van een eerste versie, is dat geweldig. Gebruik LLM’s voor een eerste concept.

Alles daarbuiten bestaat uit spontane mogelijkheden. Ze zijn niet volledig getest of bewezen. We weten soms niet waarom ze werken. Wees dus voorzichtig, maar wees niet bang. Een lege pagina is vaak erger dan een AI-hallucinatie; een eerste versie helpt je tenminste vooruit.

Gebruik een LLM bijvoorbeeld om een statusrapport aan te passen voor de projecteigenaar en vervolgens voor je team. Die groepen hebben verschillende informatie en accenten nodig. De tool kan daarbij helpen, maar vertrouw er niet volledig op.

Ze klinken overtuigend omdat ze ontworpen zijn om overtuigend te klinken. Dat is een gebruikstactiek, niet het bewijs dat ze werkelijk weten wat ze doen.

Galen Low: Nu wordt duidelijk waarom adoptie een van de grootste uitdagingen in je rapport was. Er is overal druk en mensen weten niet wat er van hen wordt verwacht. Ze vragen zich af of ze al die bestanden wel in een LLM moeten stoppen.

We voeren niet altijd de dialoog over hoe de technologie werkt, wat we wel en niet weten en hoe we haar vandaag moeten gebruiken. Ik wil wat verder naar de toekomst kijken. We hebben het gehad over generatieve AI, maar de laatste maanden was agentische AI de olifant in de kamer. Agentische functies komen naar projectmanagementsoftware.

Waar brengt ons dat?

Olivia Montgomery: Ik ben erg enthousiast over de toekomst. Het heden is wat chaotisch. Voor de toekomst ben ik optimistisch.

Agentische AI betekent voor verschillende mensen verschillende dingen. Je IT-team en de leverancier moeten duidelijk definiëren wat het voor jouw organisatie betekent. Als iemand beweert dat volledig bruikbare agentische AI al klaarstaat, wees dan kritisch en onderzoek de technische details.

We zijn er nog niet. Agentische AI zal systemen in staat stellen beslissingen te nemen en taken in een complexe reeks uit te voeren. Idealiter kun je zeggen: boek een familievakantie naar Griekenland in oktober. Het systeem controleert agenda’s, onderhandelt over autohuur, zoekt vluchten en regelt alles.

Dat klinkt aantrekkelijk en hopelijk komen we daar ooit. Natuurlijke taalverwerking maakt het voor niet-technische mensen mogelijk om met computers te praten en automatiseringen zonder of met weinig code te bouwen.

Op dit moment kun je workflows binnen je PM-tool bouwen. In de toekomst zullen die workflows systemen overstijgen en ook CRM, e-mail en agenda’s omvatten. Dat brengt ons dichter bij agentische AI.

Een eenvoudige opdracht kan achter de schermen extreem complexe logica vereisen. Het is spannend om dat aan een computer over te laten, maar er zullen veel problemen ontstaan.

Dezelfde woorden betekenen niet voor iedereen hetzelfde. Je kunt zeggen: boek een familievakantie, maar de AI kan niet werkelijk bevestigen dat alle vier de mensen willen gaan. Er gaat veel samenhang, nuance en emotie verloren.

De taak wordt uitgevoerd en het resultaat komt onmiddellijk, maar wanneer je op die vakantie gaat, kan de ervaring verrassend zijn.

Galen Low: Het is vandaag een beetje zoals in een Waymo stappen: deels bewezen, maar ook een gok.

Olivia Montgomery: Absoluut. Er is veel bias en er kunnen onverwachte dingen gebeuren. Als mijn AI mijn voorkeuren kent en ik degene ben die familievakanties plant, boekt het misschien historische musea en moderne kunstmusea. De rest van het gezin wil misschien liever iets anders.

We moeten dus blijven communiceren en kritisch blijven. Marketingboodschappen moet je met een korreltje zout nemen. Stel diepere vragen en besef dat deze tools niet perfect zijn.

De glans begint eraf te gaan. Mensen zeggen: het vertelt mijn kind prachtige bedtijdverhalen, maar het heeft mijn statusrapport verpest en mij laten lijken alsof ik mijn project niet begrijp omdat ik een deel van mijn denkwerk en probleemoplossing eraan heb uitbesteed.

Galen Low: Agentische technologie is nog niet zover, ook al zullen sommigen zeggen van wel. Iedereen is het er waarschijnlijk over eens dat het nog vroeg is. Het gaat niet alleen om de ontwikkeling van de technologie, maar ook om hoe we haar trainen en context geven.

We hebben haar nog niet voorzien van alle nuance van menselijke communicatie. Van zo’n beslissing naar onderhandelen over tarieven op een reiswebsite zijn grote stappen nodig, maar het potentieel is er.

Over vijf of tien jaar zal werk er waarschijnlijk anders uitzien. Het is nu rommelig, maar er ontstaat ruimte voor de moeilijk meetbare manieren waarop we werken.

Er is druk door economische investeringen op infrastructuur- en overheidsniveau, die doorsijpelen naar investeringen op bedrijfs- en teamniveau. Gebruikers moeten het dagelijks gebruiken, ermee experimenteren en kennis delen.

Maar daarvoor zijn de juiste vangrails, gegevensbescherming en beveiliging nodig, plus menselijke parameters: wat wordt van ons verwacht en hoe ondersteunen we elkaar in een dialoog?

We begonnen bij projectmanagementsoftware, maar dit is eigenlijk een microkosmos van werk. Dit was geweldig.

Olivia Montgomery: Projectmanagers zijn vaak mensen die dynamisch denken. Ze denken graag op macro- en microniveau en beschikken over veel verbindende vaardigheden. Ze lossen een persoonlijk probleem op een bepaalde manier op en nemen die aanpak mee naar hun werk.

Hopelijk waarderen ze dat gesprekken over taalkunde en macro-economie ook invloed hebben op hoe ze deze tools gebruiken. Zulke gesprekken helpen begrijpen waarom een tool iets verkeerd doet, waarom het verstandig is om kritisch te blijven en wat je eraan kunt doen.

Galen Low: Ik zal zeker benadrukken dat projectmanagers daar goed in zijn. Geweldig.

Olivia, bedankt dat je vandaag tijd met me hebt doorgebracht. Ik heb ervan genoten. Het is altijd fijn om je in de show te hebben. Je hebt je rapport Capterra’s 2025 Project Management Software Trends Survey gepubliceerd. Waar kunnen mensen het vinden?

Olivia Montgomery: Het staat op capterra.com. Je kunt het daar bekijken. Je kunt me ook volgen op LinkedIn: Olivia Montgomery. Ik probeer mijn onderzoek, gedachten en inzichten daar regelmatig te delen.

Galen Low: Geweldig. Ik zet de links ook in de shownotities.

En Olivia, nogmaals bedankt. Altijd een plezier.

Olivia Montgomery: Heel erg bedankt.

Galen Low: Dat was de aflevering van vandaag van de podcast The Digital Project Manager. Als je dit gesprek interessant vond, abonneer je dan via het platform waarop je luistert. Wil je nog meer praktische inzichten, casestudy’s en draaiboeken, ga dan naar thedigitalprojectmanager.com.

Tot de volgende keer, bedankt voor het luisteren.