Je hebt geen nieuwe AI-tool voor projectmanagement nodig — je moet de tool die je hebt verbeteren

Galen Low: Oké, het is zes maanden geleden dat je je grote aankoop van een AI-aangedreven platform voor projectmanagement hebt gedaan, maar er zijn enkele hiaten zichtbaar geworden. De tools voor tijdanalyse zijn geweldig, maar de capaciteitsplanning is niet zo intelligent als geadverteerd, of de geautomatiseerde statusrapporten worden naadloos geleverd, maar je weet niet zeker of je de onderliggende gegevens kunt vertrouwen, of de proactieve risicomeldingen hebben geholpen om enkele problemen te voorkomen, maar de risico-identificatie zelf is te breed voor jouw sector.

Is het dan tijd om alles weg te gooien en helemaal opnieuw te beginnen? Luister eerst naar deze aflevering voordat je dat doet. Ik heb een PMO-consultant te gast die honderden AI-tools heeft getest en een adviesbureau heeft opgebouwd rond het uitbreiden en verbeteren van de functionaliteit van projectmanagementtools met behulp van AI-assistenten, agents en geautomatiseerde workflows.

We bespreken hun methode om AI-tools te evalueren in een wereld waarin dagelijks honderden tools worden geïntroduceerd. We onderzoeken welke opties beschikbaar zijn wanneer een organisatie beseft dat ze misschien al haar kaarten op de verkeerde projectmanagementsoftware heeft gezet. En we lopen stap voor stap door hoe je elke projectmanagementtool kunt uitbreiden met een workflow voor resourceplanning met kant-en-klare tools zoals NotebookLM en n8n. Ik hoop dat je van de aflevering geniet.

Welkom bij de podcast van The Digital Project Manager — de show die deliveryleiders helpt slimmer te werken, soepeler te leveren en hun teams met vertrouwen te leiden in het tijdperk van AI. Ik ben Galen en elke week duiken we in strategieën uit de praktijk, opkomende trends, bewezen frameworks en af en toe een waargebeurd verhaal van de frontlinie van projecten. Of je nu grote transformatieprojecten aanstuurt, AI-workflows beheert of gewoon probeert de chaos onder controle te houden, je bent hier aan het juiste adres. Laten we beginnen.

Oké, vandaag hebben we het over AI-aangedreven projectmanagementsoftware en wat je moet doen wanneer je beseft dat de tool die je hebt geselecteerd niet alles doet waarvan je dacht dat hij het zou doen. We bespreken hoe je AI-tools test, hoe je gespecialiseerde tools goed laat samenwerken binnen een breder ecosysteem en we nemen een praktisch voorbeeld door van het bouwen van een AI-aangedreven workflow voor een specifieke projecttoepassing.

Vandaag bij mij is Emmanuels Magaya, directeur Technologie bij Tech Legends en oprichter en CEO van Project Managers Africa. Emmanuels is een ervaren technologieleider, PMO-adviseur en AI-consultant. Hij adviseert bestuurders en raden van bestuur over het versterken van PMO-capaciteit, portfoliobesturing en leveringszekerheid, zodat strategie wordt vertaald naar meetbare bedrijfswaarde. Als CEO van Project Managers Africa leidt hij een snelgroeiend continentaal adviesbureau dat zich richt op het verhogen van de standaarden voor projectleiderschap.

Hij deelt zijn visie tijdens rondetafelgesprekken voor bestuurders, masterclasses, toppen en adviescommissies. Hij zet zich in voor het versterken van de Afrikaanse gemeenschap en bevordert excellente governance, capaciteitsontwikkeling en de toekomst van AI-ondersteunde levering in heel Afrika. Onlangs is hij zich volledig gaan richten op AI-tools voor programma- en projectmanagement in organisaties van elke omvang. Als onderdeel van zijn functie heeft Emmanuels meer dan honderd AI-tools voor projectmanagement getest, en daar gaan we het vandaag over hebben.

Emmanuels, heel erg bedankt dat je er vandaag bent.

Emmanuels Magaya: Bedankt, Galen, dat je me hebt uitgenodigd voor deze geweldige podcast. Ik kijk uit naar een zeer productief gesprek vandaag.

Galen Low: Ik kijk er ook naar uit.

We proberen voor deze aflevering iets nieuws, dus bedankt dat je daarin meegaat. Ik wil zeker praten over je ervaring met het helpen van teams bij het vinden van de juiste set AI-tools voor hun projecten, en ik hoop dat we af en toe een interessant zijpad inslaan. Maar dit is de route die ik vandaag voor ons heb uitgestippeld.

Om te beginnen wilde ik de context schetsen met een grote, ingewikkelde vraag waar mijn luisteraars jouw mening over willen horen. Daarna wilde ik uitzoomen en drie dingen bespreken. Ten eerste wil ik het hebben over je inzichten uit het testen van zoveel AI-tools en het werken met zoveel organisaties.

Daarna wil ik samen met jou een praktische toepassing doorlopen voor hoe een meer gespecialiseerde AI-tool kan passen binnen een groter ecosysteem voor projectmanagement. Tot slot wil ik jouw visie horen op de impact van AI op opkomende markten over de hele wereld en hoe dat het wereldwijde landschap van digitale projectlevering zal veranderen.

Hoe klinkt dat voor jou?

Emmanuels Magaya: Dat klinkt geweldig. Laten we ervoor gaan.

Galen Low: Geweldig. Laten we erin duiken. Ik dacht dat ik zou beginnen met één grote, ingewikkelde vraag. Toen ik je voor het eerst ontmoette, noemde je een statistiek: er worden nu elke dag vijfhonderd tot duizend nieuwe tools gelanceerd. Sommige daarvan zijn waarschijnlijk bedrijfsbrede tools, andere zijn gespecialiseerde tools, en ik vermoed dat veel ervan met behulp van intuïtief programmeren gebouwde apps en andere lokaal ontwikkelde tools zijn.

Naar schatting bevat een overweldigende meerderheid daarvan AI-aangedreven functies. Dus mijn grote vraag is deze: nu er dankzij de faciliterende kracht van AI zoveel tools op de markt komen, denk je dat we een tegenreactie tegen nieuwe tools tegemoetgaan? Wat is de bovengrens van wat de markt, en misschien zelfs de menselijke psyche, kan ondersteunen?

Emmanuels Magaya: Vanuit mijn perspectief denk ik niet dat we echt een plafond zullen bereiken, althans niet in die zin, want als mensen hebben we een voorkeur voor nieuwe dingen. We willen altijd het volgende glimmende object zien. Je weet wel, ze noemen het het glimmende-objectsyndroom. We houden van dingen die nieuwe dingen proberen, en daarom zijn sociale media tegenwoordig zo populair: er is altijd iets nieuws om naar uit te kijken, iets wat je nog niet hebt gezien of gehoord.

Mijn gedachte hierover is dus dat we waarschijnlijk geen plafond zullen bereiken, maar dat ieder individu zijn eigen standaard of tempo zal ontwikkelen om te zeggen: "Als ik van mijn huidige toolset wil overstappen, waar moet ik dan naar zoeken?" Het zal niet alleen gaan om alles wat er is uitproberen.

Het wordt eerder: "Nu heb ik een basiskennis van AI, van waar het mij helpt en ondersteunt in mijn dagelijkse werk of persoonlijke leven. Welke andere nieuwe tools kan ik toevoegen aan wat ik al heb?" Je ziet dus dat sommige organisaties of individuen AI misschien voornamelijk voor één functie gebruiken, terwijl individuen nieuwe tools voor andere functies gaan testen.

Als je dagelijkse werk bijvoorbeeld projectmanager is, maak je misschien ook content. Dan houd je wellicht nieuwe tools voor contentcreatie in de gaten. Maar aan de kant van projectmanagement blijf je misschien bij één of twee tools waar je vertrouwd mee bent.

Galen Low: Dat vind ik goed. Ik houd van die invalshoek van doel en bedrijfscategorie.

Er komen veel dingen uit. Veel daarvan zeggen, door de AI-hype, dat ze alles kunnen doen. Misschien kunnen ze dat ook, maar ik denk dat dat overweldigend kan zijn omdat je denkt: "Oké, het lijkt inderdaad te passen bij wat ik doe." Maar ik vind het idee goed om te filteren en te beperken op basis van waar je ondersteuning nodig hebt, of dat nu contentcreatie is of ergens anders in het projectmanagementproces, in plaats van in elke tool te duiken.

En als ik tussen de regels door lees wat je zegt, is niet elke tool gemaakt voor elke omvang van organisatie. Er zijn bepaalde zaken en categorieën waar je naar kunt kijken en zeggen: "Dat lijkt voor ondernemingen bedoeld. Ik ben geen grote onderneming. Misschien hoef ik me daar nu geen zorgen over te maken."

Maar ik denk dat het een geweldige manier is om ernaar te kijken: stem het af op het doel dat je nodig hebt en op de plek waar je ondersteuning nodig hebt. En ik denk dat je gelijk hebt. Mensen houden van tools en nieuwe dingen. Dat zijn twee heel menselijke eigenschappen. Misschien is deze machine die we hebben gecreëerd dus niet te stoppen, maar tegelijkertijd: je kunt veel snoep maken zonder alles te hoeven opeten.

Ik dacht dat ik misschien wat zou uitzoomen, want je bent niet alleen behoorlijk technisch, maar ook een gepassioneerde docent die dingen op een niet-technische manier kan uitleggen. Met Project Managers Africa lijkt het er zelfs op dat je PMI naar de kroon steekt als het gaat om het uitdragen van projectmanagementeducatie.

En als het gaat om technologie en AI, ben je zelf vooruitgelopen en heb je honderden AI-tools getest, zodat je teams kunt helpen goede beslissingen te nemen over de tools die ze kiezen. Maar niet iedereen is zo technisch als jij. Hoe krijg je minder technische mensen zover dat ze AI-tools gaan testen en ermee experimenteren?

Waar moeten ze beginnen en welke aanpak moeten ze hanteren om te bepalen of iets bij hen past?

Emmanuels Magaya: Bedankt voor de vraag, Galen. De eerste stap is begrijpen wat je precies wilt dat AI voor je doet, ook op basis van de functie. Test je voor je werk of voor persoonlijke doeleinden? Als het voor persoonlijke redenen is, zou ik zeggen dat je gewoon met veel tools kunt experimenteren.

Maar als het voor je werk is, zijn er natuurlijk grenzen en waarborgen die we moeten instellen, omdat er intellectueel eigendom en privacywetgeving rond gegevens en dergelijke bestaat. Als je niet technisch bent, is het eerste wat je moet nagaan: welke toepassingen moet ik gebruiken? Bij welke toepassingen wil ik dat AI mij ondersteunt?

Probeer AI dus niet voor alles te gebruiken. Kijk naar eenvoudige, routinematige dingen die je dagelijks doet, die denkwerk vereisen en tijd kosten. Zoek vervolgens een paar tools die je kunt testen. Neem een veelvoorkomend voorbeeld: je bent contentmaker. Je denkt: "Ik wil een tool die me kan helpen bij het automatiseren van het maken van video's of mijn blog."

Dat is je toepassing. Je wilt geautomatiseerde contentcreatie en misschien geautomatiseerde berichten op sociale platforms. Waar ga je dan met de tool naartoe? Vroeger gebruikten we Google, maar tegenwoordig kan Google daarvoor niet meer het standaardantwoord zijn. Het is nuttig omdat het met Gemini is geïntegreerd, maar ik zou zeggen dat je eerste stap moet zijn om één toepassing te kiezen.

Laten we in dit geval geautomatiseerde contentcreatie nemen. Je kunt de bekende tools kiezen die ik dagelijks gebruik: ChatGPT, Gemini en Claude. Ga vervolgens naar elk van deze tools en typ een eenvoudige prompt: "Maak een lijst van de nieuwste tools die worden gebruikt voor geautomatiseerde contentcreatie."

Dat is één platform waar je naartoe kunt gaan als je handmatig wat verder wilt zoeken. Als je wilt dat AI het voor je doet, ga je naar ChatGPT of Gemini en typ je: "Wat zijn de nieuwste tools voor AI-contentcreatie?" Waarschijnlijk krijg je dan een aantal resultaten. Het enige nadeel is dat de grote of veelgebruikte tools vaak bevooroordeeld zijn ten opzichte van de populairste tools.

Dat heb ik gemerkt en dat vond ik in het begin niet prettig. Je moet je prompt dan aanpassen en zeggen: "Noem niet de bekende tools." Reddit is een goede bron. Je kunt vragen: "Zoek op blogs en Reddit. Waar praten mensen over als het gaat om AI-tools die gratis, goedkoper of gemakkelijk toegankelijk zijn, of waarvoor geen aanmelding of creditcard nodig is?" Je kunt je prompt aanpassen: "Vind de nieuwste tools. Zoek voor projectmanagement naar tools die gratis zijn of niet tot de nieuwste tools behoren. Categoriseer ze en rangschik ze op gebruiksgemak."

Een andere, eenvoudigere manier om ze te vinden, die ik in het begin gebruikte, is Google. Ik typte: "Kun je mij de vijf eenvoudigste tools geven om een projectplan te maken? Ik heb een Gantt-diagram nodig. Kun je mij de eenvoudigste tool geven om een projectplan te maken, die niet je gebruikelijke..." Ik voegde er zelfs aan toe: "Niet je gebruikelijke Asana, Jira en dergelijke. Ik wil een tool waarvan ik nog nooit heb gehoord." Ik typte letterlijk: "Ik wil een tool die niet veel mensen kennen." Vervolgens krijg je websites die andere AI-tools opsommen, zoals AI Factory en dergelijke. Daar ontdek je vervolgens nog meer tools.

Dat intrigeerde me en deed me denken: "Er zijn zoveel tools waarvan we niets weten en waar ik helemaal geen zicht op krijg." Maar doordat ik heel gericht zocht, kreeg ik toegang tot andere overzichten met tools die ik nu ook kende.

Galen Low: Wat doe je zodra je een tool hebt geselecteerd en hem voor het eerst opent, bijvoorbeeld wanneer je twee verschillende tools vergelijkt voor dezelfde taak?

Wat is je methode of aanpak om een tool te gaan gebruiken en te bepalen of hij geschikt voor je is? Hoe vergelijk je de ene tool met de andere voor iets als contentcreatie of projectplanning?

Emmanuels Magaya: Goed. Laten we contentcreatie als voorbeeld nemen. Ik moet de kwaliteit van de uitvoer zien.

Contentcreatie is wel erg breed, want je hebt beeldgeneratie en videogeneratie, maar we kunnen het gebruiken. Ik kijk specifiek naar de kwaliteit van de uitvoer. Wat ik vaak adviseer tijdens AI-trainingen: gebruik nooit één tool om AI-resultaten te krijgen. De beste aanpak is dezelfde prompt in Gemini, Claude of welke tool je ook gebruikt te typen en vervolgens te vergelijken.

Een andere manier is het gebruik van platforms waarop je al deze modellen vanuit één interface kunt benaderen. Eén daarvan heet Galaxy.ai. Je gaat naar Galaxy.ai. Wanneer je iets typt, controleert de tool alle modellen, combineert de resultaten van elk model en presenteert één eindresultaat. Daardoor is de uitvoer beter en nauwkeuriger.

Voor algemene prompts, bijvoorbeeld om rapporten samen te vatten of onderzoek te doen, is er de extensie Sider, sider.ai. Sider.ai doet vrijwel hetzelfde als galaxy.ai. Sider is alleen meer een plug-in of extensie die je in Chrome installeert.

Ik weet niet zeker of de tool inmiddels compatibel is met andere browsers. Je kunt zo'n tool dus ook gebruiken. Je typt bijvoorbeeld: "Kun je voor mij een analyse maken van wat je krijgt?" De tool analyseert het omdat hij alle andere modellen controleert en geeft een eindresultaat. Of je gaat naar een tool zoals galaxy.ai.

Er zijn er verschillende. Ik kan ze na afloop voor onze kijkers opsommen. Als het om beeldgeneratie gaat, geldt een vergelijkbaar concept. Je moet ook controleren hoe vaak de tool wordt bijgewerkt. Er is momenteel zoveel concurrentie tussen de grote spelers dat ze hun tools soms dagelijks bijwerken.

Dat vind ik enerzijds spannend, maar het is ook een uitdaging. Bijblijven met de nieuwste release van Claude of Gemini is soms moeilijk. Deze grote bedrijven doen geweldige dingen. Een andere manier is contact houden met andere AI-experts in de sector.

Voor mij is dat een van de dingen die werkt. Ik ontvang nieuwsbrieven waarin ik op de hoogte word gebracht van nieuwe ontwikkelingen. Ik hoorde bijvoorbeeld via een nieuwsbrief dat ChatGPT advertenties ging plaatsen, niet doordat ik het zelf had onderzocht. Als je contact houdt met wat andere spelers in de sector doen, blijf je altijd op de hoogte.

Je vakgenoten geven je als het ware informatie. Ook websites zoals Reddit zijn een goede bron, omdat ze door mensen en de gemeenschap worden gedreven. Wanneer de gemeenschap ergens over praat, hebben mensen het getest, uitgeprobeerd en ervaren wat goed en slecht is. Daardoor kunnen ze je een nauwkeuriger beeld geven van hun ervaringen.

Om je vraag rechtstreeks te beantwoorden: als ik tools naast elkaar vergelijk, staat kwaliteit op nummer één. Hoe relevant is de tool voor mijn vraag? En onthoud dat de prompt die je maakt of geeft de uitvoer bepaalt. Als je niet goed bent in het schrijven van prompts, krijg je mogelijk geen goed resultaat, zelfs niet met een goede tool.

Je moet dus je vaardigheid in het schrijven van prompts ontwikkelen. Zelfs bij algemeen AI-gebruik, niet alleen in projectmanagement, moet je begrijpen wat de beste manier is om een prompt te formuleren. Daarnaast vergelijk je hoe actueel de tools zijn, met welke modellen ze verbinding maken en hoeveel gegevens ze als uitvoer produceren.

Wat ik soms merk, is dat er eenvoudige instellingen in deze tools zijn die een ander resultaat opleveren wanneer je erop klikt. Mensen realiseren zich bijvoorbeeld niet dat ChatGPT een snelle modus heeft en ook een modus voor diepgaand onderzoek of complexere taken. Vaak openen mensen ChatGPT, typen ze iets en gaan ze verder.

Ze beseffen niet dat elke tool veel ingebouwde functies heeft die ze niet gebruiken. Speel dus met je tools en probeer verschillende functies uit. Misschien blijkt dat de tool waarvan je dacht dat hij niet zo goed was, toch geschikt is voor het doel. Voor gespecialiseerde tools testte ik gisteren bijvoorbeeld een tool genaamd civils.ai.

Die is bedoeld voor mensen in de civiele techniek. Sommige tools zijn moeilijker met andere tools te vergelijken omdat ze zo gespecialiseerd zijn. Die specialisatie kan bovendien gebaseerd zijn op regio of sector. Dan wordt het ingewikkelder. Je moet jezelf afvragen: "Wil ik één tool die alles doet, of wil ik een reeks tools die samen mijn vaste AI-team of mijn AI-leger vormen, waarbij één tool mijn hoofdtaak uitvoert en andere tools die aanvullen?"

Galen Low: Dat vind ik goed. Je bepaalt dus je toepassing: waarom heb ik een tool nodig en waar heb ik ondersteuning nodig? Je doet onderzoek, vindt idealiter meer dan één tool om te vergelijken, gebruikt dezelfde goed opgestelde prompt in verschillende tools en beoordeelt kwaliteit en relevantie om te zien of de tool werkelijk aan je toepassing voldoet.

Daarnaast kijk je naar de verschillende modi, zodat je niet alleen een prompt invoert en vervolgens denkt dat de tool niet aan je verwachtingen voldoet, terwijl je misschien de modus voor diepgaand onderzoek had kunnen gebruiken voor een beter resultaat. Laat me je nog iets vragen.

Je hebt honderden tools getest. Heb je een tijdsdrempel of bovengrens? Hoeveel tijd besteed je aan het doorlopen van elk van deze tools? Veel mensen hebben al weinig tijd en er zijn al honderden tools. Hoe weet je wanneer je zegt: "Goed, ik heb genoeg tijd besteed aan het testen hiervan. Ik ga door naar de volgende"?

Emmanuels Magaya: Dat is een goede vraag, Galen. Als iemand wil doen wat ik doe, moet die eerst bepalen wat het doel is. Vanuit mijn perspectief wil ik een opinieleider in dit domein blijven, dus ik kan mijn tests niet veralgemenen. Ik kan niet alleen vragen: "Kun je een Gantt-diagram maken? Kun je helpen met resourceplanning?" Als de tool dat doet, ben ik tevreden.

Ik werk met een zeer gestructureerd framework. Ik heb een sjabloon dat ik gebruik om tools te testen. Op hoofdlijnen kijk ik bijvoorbeeld naar de omvang van de organisatie en naar specifieke functies die relevant zijn voor een projectmanagementbureau. Werken we hybride, agile of watervalgericht? Gaat het om infrastructuurprojecten? Om welk type project gaat het?

Ik beoordeel veel criteria voordat ik besluit of ik vijf, tien of twintig minuten nodig heb. Ik heb geen vaste testduur. Sommige tools heb ik twee of zelfs drie dagen getest, omdat ze zoveel mogelijkheden hebben. De fout bij sommige mensen die tools presenteren, vooral op LinkedIn en TikTok, is dat het influencer-gedreven is. Je hoort alleen: "Er is een nieuwe tool."

Ik herinner me bijvoorbeeld dat ik een tool genaamd Plotato ontdekte. Misschien ken je Plotato niet. Het is een tool die contentcreatie automatiseert. Je geeft een concept en je kleuren op en hij maakt content voor Instagram en andere kanalen voor de komende zeven dagen. Hij is behoorlijk goed.

Maar ik ontdekte hem via een influencer die tools alleen heel kort test. Hun video duurt hooguit zestig seconden of twee minuten. Dan kun je niet veel waarde bieden, zelfs niet wanneer je over die tool wilt vertellen. Ik ga dus vooral in het domein van projectmanagement de diepte in.

Er zijn tools die goed zijn in risicomanagement en tools die goed zijn in capaciteitsmanagement en het toewijzen van resources. Ik kijk naar de dagelijkse en wekelijkse functies van projectmanagement. Wat zijn de niet-onderhandelbare onderdelen van het werk van een projectmanager?

Dat vormt mijn basis voor specifieke projectmanagementtools. Ik test niet alleen projectmanagementtools, maar binnen dit domein zorg ik ervoor dat ze de dagelijkse functies van een projectmanager ondersteunen. Als een tool niet aan dat minimum voldoet, scoor ik hem al laag op mijn checklist en dashboard.

Bij eenvoudige tools gaat het snel. Toen ik bijvoorbeeld Gantt Chart AI testte, was dat heel eenvoudig. Ik gaf de tool de opdracht: "Ik wil een projectplan voor een ERP. Kun je dat voor me maken?" De tool deed dat meteen. Ik kon zien dat dit geen tool was die ik voor een Fortune 500-bedrijf zou gebruiken of aanbevelen. Maar voor een klein bedrijf of kleiner project is hij geschikt. De omvang van het project en het team maken dus allemaal deel uit van mijn checklist.

Ik moet een checklist hebben, maar ik heb geen vaste termijn voor het testen. In de meeste gevallen test ik een tool maximaal twee dagen, want langer wordt meestal te veel.

Galen Low: Dat is logisch. Er zijn zoveel tools, maar ze kosten niet allemaal evenveel tijd om te testen.

Ik vind het framework dat je noemt sterk, omdat het rekening houdt met de omvang van de organisatie, de sector en de manier van werken of methodologie. Dat brengt me bij mijn volgende vraag. Op dit moment nemen grote aantallen organisaties van allerlei omvang aankoopbeslissingen over projectmanagementsoftware op basis van AI-functies.

Een vriendin van mij, Olivia Montgomery van Capterra, publiceerde een rapport waaruit blijkt dat 55% van alle aankopen van projectmanagementtools AI-functies als drijvende factor noemt. Het probleem is alleen dat teams soms verder komen en beseffen dat de gekozen tool niet volledig past bij al hun toepassingen of manieren van werken.

Wat adviseer je teams die zich in een situatie bevinden waarin de AI-aangedreven projectmanagementtool die ze hebben gekozen om te standaardiseren niet volledig aan hun behoeften voldoet? Wat doen ze dan?

Emmanuels Magaya: In zo'n geval zou ik een stap terug doen en eerst vaststellen wat je van de tool verwachtte.

Het is gemakkelijk om bepaalde functies over het hoofd te zien, omdat wat deze tools verkopen of adverteren zo goed klinkt dat je je daarop concentreert en niet op de andere functies die je nodig hebt. De eerste stap is dus begrijpen wat je oorspronkelijke vereiste was.

Wat was je basisverwachting? Daarna voer je een zogenaamde gap-analyse uit. Je vergelijkt wat je verwachtte dat de tool zou doen met wat de tool daadwerkelijk levert. Dat is de eerste stap. Bij de meeste hedendaagse tools, en vooral in een grote organisatie, moet er veel overleg plaatsvinden.

Is deze tool alleen bedoeld voor het projectmanagementteam? Als dat zo is, is dat prima. Dan brengen we de hiaten in kaart. Als we merken dat we steeds verder een doodlopende weg inslaan en de tool niets oplevert of problemen veroorzaakt, moeten we de implementatie stoppen.

We moeten ook kijken in welke fase we de tool hebben ingevoerd. Gebruiken we hem een maand of zes maanden? Wanneer ontdekten we de hiaten en beperkingen? Als we nog vroeg genoeg zijn om terug te draaien, doen we een stap terug, pauzeren we en voeren we een gap-analyse uit. Wat kan de tool wel? Wat kan hij niet? Kan de ontwikkelaar deze functies toevoegen?

Als dat niet mogelijk is, zitten we vast aan een tool waarmee we duidelijk problemen zullen hebben. Er is waarschijnlijk ook een financiële impact, omdat de meeste bedrijven geen maandelijkse licenties kopen. Ze kopen waarschijnlijk een licentie voor twaalf maanden.

Je moet vervolgens nagaan wat er wordt verstoord als de tool niet geschikt is. Waar zitten de frictiepunten? Waar maakt de tool onze manier van werken slechter? Als we beseffen dat de tool ons werk belemmert, moeten we een harde stop instellen en de implementatie pauzeren.

We keren terug naar de situatie zonder de tool en analyseren wat we ondertussen kunnen doen om de veroorzaakte gevolgen op te vangen. Daarna moeten we een manier vinden om de tool los te laten als hij niet kan worden verbeterd. Sommige software-as-a-service-tools sluiten je tijdens de verkoop op in langlopende contracten en zorgen ervoor dat je ze diep in je processen integreert. Voor een grote organisatie betekent dat waarschijnlijk integratie met veel andere tools.

De gevolgen van een verkeerde keuze kunnen enorm zijn en zelfs miljoenen kosten. Ze kunnen zichtbaar worden in klanttevredenheid, klantlevering en productkwaliteit. Als je tool niet helpt, gaat de kwaliteit van de levering achteruit, raakt het team gefrustreerd en daalt ook de kwaliteit van het product.

Controleer daarom de frictiepunten en ga na of je kunt uitstappen. Misschien kun je de tool behouden voor een kleiner aantal gebruikers. Welke functies kunnen die gebruikers nog steeds benutten? Zijn er functies die we kunnen terugwinnen, of is het beter om de tool helemaal niet meer te gebruiken?

Een ander belangrijk punt is hoeveel gegevens je aan de tool hebt gevoerd. Misschien hebben we de tool getraind op onze gegevens. Een praktisch voorbeeld: tijdens een AI-masterclass die ik gaf, vroeg iemand wat je moet doen wanneer een tool informatie heeft gekregen, je systemen en werkwijze heeft geleerd en zelfs je bedrijfscultuur kent, maar je vervolgens wilt overstappen.

Misschien is het geen verkeerde tool, maar is hij verouderd geraakt. Dan moet je nagaan hoeveel gegevens je kunt herstellen. Het probleem met AI-tools is dat wat ChatGPT over jouw gegevens en werkwijze heeft geleerd, niet zomaar naar Gemini kan worden overgezet. Het model heeft een eigen brein. Je kunt je brein niet naar iemand anders overzetten en verwachten dat die persoon als jij functioneert.

Hetzelfde geldt hier. De tool heeft ervaringen opgedaan: op maandag typte de secretaresse iets, op dinsdag de PMO-manager en op donderdag de projectbeheerder. De tool heeft onze werkwijze geleerd. Als je dat pas laat ontdekt, wordt terugdraaien veel moeilijker, omdat je een nieuwe tool opnieuw moet trainen met alle lessen die onderweg zijn geleerd.

Ontdek problemen daarom zo vroeg mogelijk. Zorg bij de invoering van tools voor een testperiode van minstens één of drie maanden. Neem geen abonnement van twaalf of zesendertig maanden, maar kies een kortere termijn. Test de tool grondig om te zien hoe flexibel hij is, zodat je later minder werk hebt bij het herstellen van de schade.

Het leerproces is hierbij het belangrijkste. Taken kun je misschien exporteren, maar wat de tool heeft geleerd, is het echte probleem. Dat kun je mogelijk niet herstellen. Dat zijn de belangrijkste stappen die ik zou aanbevelen, Galen. Daarna moet je ook je alternatieven evalueren.

Kun je een alternatief vinden dat je doel ondersteunt? Misschien lijkt deze tool niet goed genoeg, maar zijn er alternatieven die wel passen? Hoeveel tijd kost dat? En weten we zeker dat dit alternatief ons niet opnieuw in dezelfde situatie brengt? Daarom adviseer ik vaak om niet één tool voor alles te gebruiken.

Sta jezelf toe verschillende tools te gebruiken. Met agentische AI en AI-agents is het voordeel dat je bepaalde agents kunt toevoegen of verwijderen. Als je een agentisch PMO opzet, kun je agents hebben voor risicovoorspelling, capaciteitsplanning, planning of agendabeheer. Je kunt de agent verwijderen die je niet nodig hebt en doorgaan met de agents die wel waarde toevoegen.

Mijn advies is dus: kies een tool voor je kernactiviteiten, maar vertrouw er niet op voor alles.

Galen Low: Misschien moeten we daarop doorgaan. Je had het over het verbeteren van een tool, het uitvoeren van een gap-analyse en mogelijk het bouwen van een functie om een tekort op te vullen.

Ik begrijp wat je bedoelt. Hoe verder je met een tool komt, hoe moeilijker het is om jezelf ervan los te maken vanwege wat de tool heeft geleerd. Maar ik vind het idee interessant dat AI-agents de functies van een groter projectmanagementplatform kunnen aanvullen.

Hoe kan dat eruitzien? Veel mensen willen agents bouwen, maar hoe kunnen we ervoor zorgen dat ze goed samenwerken met de bredere projectmanagementsoftware die we hebben gekozen? Wat zijn mogelijke startpunten? Of gaat het gewoon om een set tools waarbij mensen kiezen welke tool ze voor welke taak gebruiken, zonder dat de systemen noodzakelijkerwijs met elkaar communiceren?

Emmanuels Magaya: Wanneer ik naar dit domein kijk, ook wereldwijd en in Afrika, denk ik dat we hierin nog wat achterlopen. Sommige PMO's weten niet eens wat AI-agents zijn. Ze zijn nog niet zover dat ze AI-agents gebruiken, laat staan een agentische omgeving waarin agents samenwerken met een centrale, volledig AI-aangedreven PMO.

Als je al een tool hebt, moet je eerst nagaan of die AI ondersteunt. Als je gangbare tools gebruikt zoals Monday.com, Asana of Jira, doen die goed werk om AI-ondersteuning actueel te houden. Maar niet alle organisaties gebruiken deze tools.

Veel bedrijven gebruiken wel Microsoft-producten. Je kunt dus beginnen met de Microsoft-suite en nagaan hoe Copilot samenwerkt met Microsoft Teams en Microsoft Office. Welke agents kunnen we daar als eerste inzetten?

Begin kleinschalig. Misschien is er alleen een AI-agent die na vergaderingen het transcript controleert, actiepunten maakt en een e-mail verstuurt. Zo gebruik je meerdere agents voor kleine taken. Dat helpt ook bij verandermanagement, want het team moet wennen aan AI als onderdeel van het team.

Tijdens een masterclass zei ik dat je als PMO bij het bepalen van je personeelsbestand ook AI-agents moet meetellen. Als je team uit vijftig mensen bestaat en je tien AI-agents hebt, bestaat je team in feite uit zestig leden. We spreken dan over een AI-RACI of een AI-ondersteunde RACI-matrix. Daarin wordt vastgelegd welke functies door AI worden uitgevoerd en wie verantwoordelijk, eindverantwoordelijk, geraadpleegd of geïnformeerd is.

Je moet dus bepalen waarvoor de agent verantwoordelijk is en waarvoor het team verantwoordelijk blijft. Naarmate je AI langzaam invoert, wordt het team comfortabeler met het uitbesteden van handmatig en repetitief werk. Menselijk toezicht blijft altijd noodzakelijk.

Sommige bedrijven gebruiken Microsoft niet of weten niet goed hoe ze AI-agents moeten integreren. Dan adviseren we om stap voor stap te werken. Het is alsof je een huis bouwt: je hebt cement en andere materialen nodig, maar je hoeft niet alles tegelijk te kopen.

AI-tools en agents hebben ook niveaus. Begin bij AI-assistenten, onderzoek wat ze kunnen en controleer daarna je huidige tool. Moet je een andere tool kopen of integreren om dezelfde functie uit te voeren? Of kies je Jira of ClickUp, dat alles kan?

Je kunt ook Zapier, Make.com of n8n gebruiken. Deze tools maken automatisering mogelijk. Je behoudt je bestaande tool, maar zorgt ervoor dat iemand de automatisering en workflows begrijpt. Dan kun je andere tools blijven gebruiken zolang ze goed geïntegreerd zijn.

Galen Low: Met andere woorden: als je een tool hebt gekozen en merkt dat hij iets niet doet zoals verwacht, zijn veel platforms zo gebouwd dat je een workflow kunt automatiseren of agents kunt integreren. Je moet die agents wel zelf bouwen. Misschien moet je ze niet allemaal tegelijk bouwen.

Bouw niet meteen een heel leger. Behandel agents alsof ze onderdeel zijn van je team. Ze werken min of meer zelfstandig en nemen beslissingen. Stel AI-ondersteuning in om de hiaten voor je team op te vullen.

Veel platforms zoals Jira, Asana en ClickUp bouwen steeds meer functionaliteit in waarmee je eigen agents kunt maken en workflows kunt integreren. Dat is goed, omdat het binnen het ecosysteem blijft. Ga er alleen niet volledig in op zonder na te denken. Behandel het alsof je iemand aanneemt of aan je team toevoegt om bepaalde taken uit te voeren.

In plaats van de tekortkomingen te accepteren of de tool volledig weg te gooien, kun je het platform uitbreiden. Je hebt een workflow die je wilde laten zien. Kunnen we die stap voor stap doorlopen? Voor mensen die op YouTube of Spotify kijken, kunnen we iets op het scherm tonen. Ik doe ook de voice-over voor mijn luisteraars. Kun je me meenemen door een AI-workflow die je hebt gebouwd en die naast een bredere projectmanagementtool kan functioneren?

Emmanuels Magaya: Zeker, Galen. Het voorbeeld dat ik geef is een praktische toepassing die twee weken geleden naar voren kwam tijdens een AI-training.

De vraag kwam van een directeur van een projectmanagementbureau bij een groot Europees bedrijf met vestigingen over de hele wereld. De PMO heeft verschillende resources op verschillende locaties, in dit geval vijftien mensen die samenwerken. De uitdaging is zicht krijgen op de capaciteit van elke resource.

De directeur weet dat er veel werk moet worden toegewezen en dat teamleden al werk hebben. Maar hoe krijgt hij zicht op de belasting van het team? Kan hij mensen meer werk geven? Kunnen ze de hoeveelheid projecten aan?

Om het eenvoudig te maken voor iedereen, waaronder CIO's en CEO's uit banken, mijnbouw en telecom, heb ik een proces opgesteld met NotebookLM. NotebookLM is een goede tool om een proces te conceptualiseren. Daarna kun je het proces verder uitwerken in n8n of een andere automatiseringstool.

Ik gaf NotebookLM de opdracht: "Ik heb een team van vijftien mensen. Ik heb hulp nodig bij het maken van een goed plan voor capaciteitsplanning en capaciteitsvisualisatie. Kun je dit formuleren als een automatiseringsworkflow?"

NotebookLM gaf eerst tekstuele analyse. Daarna vroeg ik om een mindmap. Onder Studio klik je op Mind Map. De tool toont dan een vergelijkbare workflow als die je in n8n zou krijgen.

We noemden het geïntegreerde capaciteitsautomatisering voor resources over meerdere systemen. De workflow bestaat uit resources, systeemintegratie, workflowautomatisering en capaciteitsplanning.

Bij projectresources kijken we naar het team, dat uit vijftien leden bestaat. We moeten de capaciteit van ieder individu bepalen en werk toewijzen op basis van vaardigheden en specialisatie.

De workflow moet verbinding maken met meerdere systemen. In dit geval gebruikt de PMO ServiceNow en Jira als kernsystemen, naast Microsoft Office en Teams. Daarna kunnen we de workflow automatiseren met n8n of een andere automatiseringstool.

Bij het ontwerpen van workflows moet je het grotere geheel bekijken. Kijk niet alleen naar de taak van punt A naar punt B, maar visualiseer hoe het hele proces moet werken. NotebookLM kan helpen die volledige structuur te maken.

Galen Low: Voor mijn luisteraars: we hebben dus een mindmap in NotebookLM gemaakt. Die begint met de naam van de workflow — geïntegreerde capaciteitsautomatisering voor resources over meerdere systemen — en vertakt zich in projectresources, systeemintegratie, workflowautomatisering en capaciteitsplanning.

Emmanuels Magaya: Onder projectresources bekijken we het team, de individuele capaciteit en de vaardigheden die nodig zijn. Vervolgens moet de workflow verbinding maken met ServiceNow, Jira, Microsoft Office en Teams.

Verzoeken komen bijvoorbeeld via ServiceNow binnen. Die moeten worden gecategoriseerd: gaat het om een kleine correctie, een project of een programma? Vervolgens worden de juiste resources toegewezen.

De systemen moeten worden geïntegreerd met API-eindpunten en gegevenssynchronisatie, zodat gegevens tussen de toepassingen kunnen stromen. Voor de automatisering verzamelen we gegevens uit urenregistraties, projectomvang en eerdere projecten.

Op basis van historische urenregistraties kan AI berekenen hoeveel tijd iemand doorgaans aan een bepaald type project besteedt. Vervolgens wordt de werklast gebalanceerd en worden rapportages en waarschuwingen gemaakt.

De PMO-directeur kan meldingen ontvangen wanneer iemand achterloopt of wanneer een project dat normaal zes weken duurt inmiddels acht weken loopt. Het systeem kan ook melden wanneer iemand beschikbaar is en automatisch een project toewijzen.

Daarnaast volgt de workflow de beschikbaarheid, maakt hij prognoses en berekent hij het gebruik. Zo zie je of teams overbelast zijn, voldoende werk hebben of juist ongebruikte capaciteit hebben.

Ik stop nu met het delen van mijn scherm. Ik wil nog iets laten zien dat hierbij aansluit: de stappen om dit in een n8n-omgeving toe te passen.

Galen Low: Terwijl je dat opent, een korte samenvatting voor mijn luisteraars. We zijn in NotebookLM begonnen met een toepassing rond resourceplanning voor een geografisch verspreid team. NotebookLM heeft een architectuur in de vorm van een mindmap gemaakt die de onderdelen van de workflow toont en laat zien hoe ze samenhangen.

Emmanuels, aan jou om uit te leggen hoe je dit vervolgens in n8n bouwt.

Emmanuels Magaya: We begonnen met een scenario waarin we wilden zien welke resources capaciteit hadden, welke niet, en hoe we projecten konden herverdelen op basis van prioriteit en capaciteit. We wilden ook meldingen ontvangen wanneer de capaciteit opraakte of nog beschikbaar was.

De gegevensbronnen kunnen bestaan uit projectrapporten, lessen uit eerdere projecten, governanceframeworks, sjablonen, beleidsdocumenten en urenregistraties. Die gegevens voeren we in NotebookLM in.

Daarna gebruiken we n8n voor het ophalen van projectlogboeken en statusrapporten uit een aangewezen map. We synchroniseren deze gegevens met NotebookLM, zodat de tool de werkomgeving begrijpt en historische gegevens kan gebruiken om beslissingen over capaciteitsplanning te ondersteunen.

In n8n maken we de agent die triggers uitvoert en de stappen controleert. De API's en gegevensintegratie zijn ingericht, de projectscope en urenregistraties zijn verwerkt en de workflow levert vervolgens de gewenste uitvoer.

Galen Low: Ik vind dit interessant omdat het teruggrijpt op het idee dat je een platform kunt uitbreiden wanneer het niet goed is in resourceplanning, prognoses of tijdregistratie. Je kunt AI gebruiken om gegevens te verzamelen, te analyseren en proactieve acties te nemen, zoals meldingen of risicowaarschuwingen.

Je gebruikt NotebookLM eerst om de architectuur van de workflow te bouwen en vervolgens als gegevensopslagplaats. Projectrapporten, lessen uit eerdere projecten, governanceframeworks, sjablonen en andere context vormen samen een kennisbron die de workflow van context voorziet.

Daarna bouw je de workflow in n8n. Die kan bijvoorbeeld meldingen sturen wanneer capaciteitsplanning niet overeenkomt met de verwachting, wanneer iemand onverwacht afwezig is of wanneer een resource meer tijd nodig heeft.

In plaats van je tool weg te gooien omdat die iets niet kan, kun je de functionaliteit uitbreiden. Je bouwt niet noodzakelijk een nieuwe functie op ontwikkelaarsniveau, maar je maakt een agent alsof je een functieomschrijving voor een menselijk teamlid opstelt: wat moet deze agent doen en hoe automatiseer je dat met n8n?

Emmanuels Magaya: Voor mensen die n8n of Make nog nooit hebben gebruikt: dit is een interface die laat zien hoe alles wordt gekoppeld. In n8n stel je nodes in en bepaal je wat ze moeten doen. Je kunt een workflow bijvoorbeeld e-mails in Outlook of Gmail laten controleren en actiepunten of mogelijke risico's laten herkennen.

Wanneer AI onderdeel is van je ecosysteem, kan hij risico's herkennen op basis van gesprekken in e-mails of Microsoft Teams. Als iemand zegt: "Heb je dat rapport al verstuurd? Het moest vandaag om twee uur klaar zijn", kan AI dat herkennen als een mogelijk risico.

Dat is voorspellende AI. Traditionele PMO's beheerden risico's vaak reactief: er gebeurde iets en daarna werd het opgelost. AI kan op basis van gesprekken, gegevens, statuslogboeken en e-mails voorspellen wat er later kan gebeuren.

Je kunt een workflow bijvoorbeeld elke nacht om twaalf uur laten draaien. Je stelt een trigger in, koppelt de gewenste integraties en bepaalt welke acties moeten worden uitgevoerd. n8n ondersteunt integraties met onder andere Asana, Jira, Gmail, ServiceNow en Zendesk.

Voor niet-technische mensen kan dit ingewikkeld lijken. Daarom is ondersteuning soms nodig. Maar eerst moet je weten wat je wilt bereiken. Maak een mindmap in NotebookLM, visualiseer het gewenste resultaat en bouw daarna de workflow. Een mindmap is als het bouwplan van een huis; n8n is waar je het huis bouwt.

Galen Low: Dat vind ik geweldig. Voor mensen die zeggen dat dit slechts automatisering is en dat we dit al tientallen jaren hebben, zit het verschil in AI vooral in natuurlijke taalverwerking. Iemand zegt iets in een e-mail, chat of vergadersamenvatting en AI begrijpt wat dat betekent.

Een zin als "Dit loopt mogelijk vertraging op" kan een trigger worden. Dat hoeft niet alleen een planning of webhook te zijn; het kan ook uit een gesprek komen. Omdat veel gesprekken tegenwoordig digitaal plaatsvinden in Teams of Slack, is dat bijzonder nuttig.

Emmanuels Magaya: Bedankt, Galen.

Galen Low: Misschien kunnen we afronden met een gesprek over de toekomst. AI is niet alleen een faciliterende technologie, maar ook een gelijkmaker. Wat is jouw optimistische voorspelling voor wat AI de komende drie tot vijf jaar zal doen voor opkomende economieën?

Welke kansen zijn er en welke mentaliteit moeten bedrijven in opkomende markten aannemen om voorop te lopen met AI-ondersteunde projectlevering?

Emmanuels Magaya: Vanuit AI-perspectief zie ik veel belangstelling en investeringen. Het probleem is dat er soms overhaaste aankopen worden gedaan. Sommige bedrijven hebben geen goede AI-strategie omdat ze onvoldoende onderzoek hebben gedaan.

Een PMO-manager zei bijvoorbeeld tegen haar team: "Test zoveel mogelijk AI-tools voor projectmanagement en kom met een rapport." Het gevaar is dat er dagelijks meer dan vijfhonderd nieuwe AI-tools worden gelanceerd. Je jaagt dan op een bewegend doel.

Als PMO-leider, CIO of beslisser moet je eerst een framework opstellen. Haast je niet naar de tool. Kijk eerst of je proces AI ondersteunt. Er zijn veel gebrekkige processen waarbij AI het probleem alleen maar mooier maakt.

De kansen in opkomende markten zijn groot, maar organisaties moeten begrijpen waar AI past. Een AI-RACI kan daarbij helpen. Kijk per afdeling welke functies AI kan ondersteunen of overnemen.

Haal de tool uit het begin van je strategie. Bepaal eerst het proces, het principe en het framework. Als je daarna de markt op gaat, zoek je een tool die specifieke functies oplost in plaats van simpelweg de tool van een concurrent te kopen.

AI-geletterdheid is essentieel. Zonder AI-geletterdheid verspilt een organisatie tijd. Begin met het beoordelen van de vaardigheden van je team. Voer een gap-analyse uit. Sommige mensen denken dat AI hetzelfde is als ChatGPT, terwijl er veel modellen en toepassingen bestaan.

Zorg dat iedereen hetzelfde begrippenkader heeft. Beoordeel algemene AI-vaardigheden én vaardigheden die relevant zijn voor iemands functie. Maak een veilige gegevensomgeving met waarborgen, governance, ethiek en maatregelen tegen vooroordelen.

AI-geletterdheid is niet alleen een vaardigheid voor kantoorfuncties. Iedereen in de organisatie moet AI kunnen gebruiken op basis van zijn of haar functie. Stel daarom AI-geletterdheid en een duidelijke AI-strategie centraal.

Bepaal wat je wilt dat AI doet en maak een scope-document. Denk vervolgens twaalf maanden vooruit. Hoe ziet je organisatie eruit als AI effectief wordt gebruikt? Hoe ervaren klanten dat? Gebruik dat toekomstbeeld als uitgangspunt en werk terug naar de stappen die nodig zijn om daar te komen.

Galen Low: Mijn belangrijkste inzicht is dat mensen in opkomende markten misschien denken dat ze snel en roekeloos met AI moeten beginnen om bij te blijven. Maar juist vertragen, AI-geletterdheid opbouwen, een visie ontwikkelen, waarborgen instellen en daarna lanceren kan de winnende strategie zijn.

Emmanuel, heel erg bedankt voor je tijd vandaag. Het was erg leuk. Waar kunnen mensen meer over je leren?

Emmanuels Magaya: Ik ben zeer actief op LinkedIn. Zoek op Emmanuels Magaya. Ik probeer dagelijks iets te plaatsen als mijn agenda dat toelaat. Mensen kunnen me ook vinden via ons bedrijf, Project Managers Africa.

Ga naar www.projectmanagers.africa of www.projectmanagers.co.za. We zijn gevestigd in Zuid-Afrika, maar bedienen de Afrikaanse markt en de rest van de wereld. We zijn ook aanwezig in het Midden-Oosten, in Dubai. We breiden onze activiteiten rond AI-empowerment en AI-ondersteuning sterk uit.

Galen Low: Geweldig. Ik voeg de links toe aan de shownotes van deze aflevering. Emmanuels, nogmaals bedankt.

Emmanuels Magaya: Bedankt, Galen. Het was een genoegen.

Galen Low: Dat was de aflevering van vandaag van de podcast van The Digital Project Manager. Als je dit gesprek interessant vond, abonneer je dan via het platform waarop je luistert. En als je nog meer praktische inzichten, casestudy's en draaiboeken wilt, maak dan een gratis account aan op thedigitalprojectmanager.com.

Tot de volgende keer, bedankt voor het luisteren.