Volg je de verkeerde statistieken? Hoe AI de levering minder risicovol kan maken

Lees het transcript:

We proberen onze podcasts te transcriberen met behulp van een softwareprogramma. Vergeef ons eventuele typfouten, want de bot heeft het niet altijd voor 100% bij het rechte eind.

Galen Low: Hoe kan een organisatie of team bepalen of ze de juiste statistieken volgen, en wat kunnen ze doen als ze zich realiseren dat ze al die tijd het verkeerde hebben gemeten?

Lior Gerson: Je moet alles volgen wat je helpt om te komen waar je naartoe wilt. Al het andere is ruis.

Galen Low: Neem ons mee door een voorbeeld van een statistiek die misschien de verkeerde statistiek was, en het proces waarmee ze zijn overgestapt op het meten van het juiste.

Lior Gerson: Een van onze klanten wilde verbeteren hoe ze voorspellen wat ze elk kwartaal zouden opleveren. Hij kon ons platform gebruiken om dit te automatiseren en het kostte hem ongeveer een dag. Maar nu heeft hij, wanneer hij maar wil, direct inzicht in wat hij deze maand gaat opleveren.

Denk je dat er een fase komt waarin een AI-agent projectmanager wordt of de projectmanager volledig vervangt?

Galen Low: Ik denk dat dat voor sommige definities van wat een projectmanager doet inderdaad zo is.

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 frameworks en zo nu en dan een waargebeurd verhaal uit de frontlinie van projecten.

Of je nu omvangrijke transformatieprojecten aanstuurt, AI-workflows in goede banen leidt of gewoon probeert de chaos onder controle te houden: je bent hier aan het juiste adres. Laten we beginnen.

Vandaag praten we over de manier waarop traditionele opvattingen over het meten van projectsucces ter discussie worden gesteld, en waarom AI-gestuurde tools voor KPI-beheer misschien je enige kans zijn om het groeiende aantal variabelen bij te houden die de uitkomst van je project kunnen maken of breken.

Bij mij is vandaag Lior Gerson, medeoprichter en CEO van TargetBoard.ai. Lior begon zijn carrière bij mySupermarket, de grootste website voor prijsvergelijking in het Verenigd Koninkrijk, met tientallen miljoenen gebruikers per maand. Daar was hij verantwoordelijk voor projecten ter waarde van meerdere miljoenen dollars en werkte hij samen met giganten als Walmart, WPP en Dentzu.

Daarna richtte hij als CTO Vroom.com op, een online autodealer die naar de beurs ging met een waarde van 2,5 miljard dollar. Vervolgens leidde hij productontwikkeling bij Placer.ai, een unicorn voor locatieanalyse die petabytes aan gegevens verwerkt. En natuurlijk leidt hij vandaag TargetBoard, een AI-gestuurde tool voor KPI-beheer.

Lior, ontzettend bedankt dat je vandaag bij ons bent.

Lior Gerson: Bedankt, Galen. Fijn om hier te zijn.

Galen Low: Ik kijk er echt naar uit om met je te praten, omdat je ongelooflijk veel kennis hebt van KPI's en datagedreven beslissingen die naar succes leiden. Eerlijk gezegd hoop ik dat dit gesprek kanten op gaat die ik niet had gepland, maar dit is de routekaart die ik voor vandaag heb geschetst. Om te beginnen wilde ik één grote brandende vraag uit de weg ruimen: de vraag waar iedereen het antwoord op wil weten.

Daarna wil ik uitzoomen en drie onderwerpen bespreken. Eerst wil ik het hebben over culturele verschillen rond KPI's en hoe je statistieken naar verschillende niveaus binnen een organisatie vertaalt. Daarna wil ik bespreken hoe project-KPI's veranderen en waar jij denkt dat ze naartoe gaan. Tot slot kunnen we misschien inzoomen op praktische manieren waarop bedrijven en projectteams kunnen beginnen met het benutten van AI-ondersteunde KPI-tracking, en hoe dat hun workflows ten goede of ten kwade kan beïnvloeden.

Hoe klinkt dat?

Lior Gerson: Klinkt goed. Ik denk dat het een fascinerend gesprek wordt.

Galen Low: Geweldig. Dat denk ik ook. Goed, hier komt de brandende vraag. De laatste tijd wordt er veel gesproken over het feit dat veel projecten en zelfs complete organisaties misschien wel het verkeerde meten en volgen.

Bij projecten heb ik veel discussies gezien waarin alles ter discussie wordt gesteld: van de ooit heilige ijzeren driehoek van scope, planning en budget tot Agile-statistieken zoals velocity. Op organisatieniveau richten mensen zich op zaken als omzet per FTE, brutomarge en benuttingsgraad. Het belangrijkste onderwerp in mijn wereld, in ieder geval in de wereld van projectmanagement, is dat projectleiders niet alleen de gezondheid van een project moeten meten, maar ook de impact ervan.

Tegen die achtergrond is mijn brandende vraag: hoe kan een organisatie of team bepalen of ze de juiste statistieken volgen, en wat kunnen ze doen als ze zich realiseren dat ze al die tijd het verkeerde hebben gemeten?

Lior Gerson: Ja, dat is een goede vraag. De projectinitiatieven die je gebruikt, moeten zijn afgestemd op een bedrijfsstrategie, toch? Op een productstrategie.

Op waar het bedrijf naartoe wil. Maar wanneer je het in het kader van projectmanagement plaatst, wil je uiteindelijk alleen maar je mijlpalen op tijd en binnen budget halen, met zo weinig mogelijk wrijving en zo veel mogelijk nauwkeurigheid en voorspelbaarheid. Dus alle statistieken die je moet volgen, zijn de statistieken die je helpen die toestand te bereiken.

Het kan van alles zijn. Het kan gaan om hoe snel tests verlopen, waar zaken geblokkeerd zijn, vakantiedagen of hoe mensen AI gebruiken. Je kunt alles volgen zolang het je binnen het kader houdt van wat je daadwerkelijk probeert te bereiken. Maar als je niet de zaken volgt die je helpen dat doel te bereiken, volg je de verkeerde zaken.

Galen Low: Ik vind dat een interessant perspectief, omdat we vaak geneigd zijn om naar de juiste dingen te zoeken om te meten. Ik zei het zelfs in de vraag: wat is het juiste om te meten? Jij zegt eigenlijk dat alles wat je vooruithelpt het juiste is om te meten, zelfs als het sterk verschilt van wat een ander team doet of van wat je bij een andere organisatie deed.

Het moet in lijn zijn met de missie.

Lior Gerson: Je moet alles volgen wat je helpt om te komen waar je naartoe wilt. Al het andere is ruis.

Galen Low: Dat is eerlijk. Voor mensen die denken: wauw, Lior spreekt mijn taal, wij volgen absoluut niet de juiste zaken — hoe breng je dan in kaart wat de juiste zaken zijn om je vooruit te helpen? Is daar een best practice of proces voor?

Lior Gerson: Je moet je bedrijf begrijpen. Je moet je project begrijpen. Je moet begrijpen wat het verschil maakt. Wat zijn de belangrijkste factoren? Wat gaat impact hebben?

Gaat het om mensen, middelen of complexiteit? Hoe pak je alles uit? Je zegt: dit zijn de componenten, dit moet nu gebeuren. Hoe zorg je vervolgens dat dit ook echt gebeurt en niet tussen wal en schip valt? In de praktijk heb je allerlei tools. Gegevens staan overal verspreid, worden niet bijgewerkt en uiteindelijk zeggen mensen dat het systeem onbetrouwbaar is. Er zijn miljoenen manieren en redenen waarom het niet werkt, maar we hebben het nodig om wel te werken.

Galen Low: Dat begrijp ik. Kun je ons misschien meenemen door een voorbeeld van een statistiek die de verkeerde was en het proces waarmee ze zijn overgestapt op de juiste meting? Of misschien een onconventionele statistiek die iemand met wie je werkte volgde en die daadwerkelijk hielp om de doelen te bereiken?

Lior Gerson: Laat me vertellen over een van onze klanten, Versa. Een van hun product- en operationsmedewerkers wilde verbeteren hoe ze voorspelden wat ze elk kwartaal zouden opleveren. Ze werkten heel snel en dingen veranderden voortdurend: prioriteiten, capaciteit en de teams waarin mensen werkten. Daardoor werd het erg ingewikkeld.

Hij bedacht een formule die de eerdere prestaties van iedere medewerker en ieder team combineerde met de actuele capaciteit van dat team of die groep. In plaats van al die gegevens handmatig in Excel te verwerken — inclusief vakantiedagen, taken, prioriteiten en allerlei andere zaken — kon hij ons platform gebruiken om dit te automatiseren.

Het kostte hem ongeveer een dag. Maar nu kan hij op elk gewenst moment zien wat ze die maand gaan opleveren. Als de CEO of CPO een prioriteit wil wijzigen, kan hij direct zien wat er verandert en welke invloed dat heeft op alle initiatieven die ze proberen uit te voeren.

Ik vond het briljant: gegevens in de juiste context plaatsen om het verhaal te vertellen dat hij moest vertellen.

Galen Low: Ik was onlangs op een Agile-conferentie en noemde eerder al velocity. Iedereen zei dat het een slechte maatstaf voor impact is. In veel Agile-teams zou je een toegewijd team moeten hebben, maar in de praktijk gebeurt dat vaak niet. Mensen gaan op vakantie of worden naar andere projecten gehaald. Dan zie je de velocity op en neer gaan terwijl je vooruit probeert te plannen.

Het is geen erg goede statistiek. De meeste mensen zouden waarschijnlijk niet op het idee komen om een samengestelde statistiek te gebruiken die gebaseerd is op dynamische gegevens, of ze zouden niet weten hoe ze die moesten bouwen. Maar dit lijkt bijna op realtime capaciteitsplanning: als iemand afwezig is, verwacht je een daling in de statistiek voor output, prestaties of impact. Je haalt gegevens uit verschillende bronnen in plaats van één statistiek te gebruiken die alles moet verklaren.

Lior Gerson: Het is interessant dat je dit noemt. Denk na over hoe gegevens zich door een bedrijf verspreiden. Iemand vertrekt en het duurt even voordat iedereen dat weet. Totdat de informatie de juiste persoon bereikt die begrijpt welke invloed dit heeft op de projectplanning en welke secundaire of tertiaire effecten ontstaan, kunnen dagen of weken voorbijgaan.

Als je meer middelen toevoegt, wordt de planning niet automatisch korter. Er is een leercurve. Hoe sneller je informatie door je organisatie kunt verspreiden en bij de juiste mensen kunt krijgen, hoe groter de impact. Het werkt als samengestelde rente.

Galen Low: Die vertraging is echt herkenbaar. In onze community hoor ik vaak: ik wou dat iemand me had verteld dat mijn lead developer drie weken op vakantie zou gaan. Zelfs het goedkeuren van een vakantieaanvraag kan door allerlei processen en knelpunten gaan voordat iemand weet dat de vakantie definitief is.

Lior Gerson: Vakantie is eenvoudig. Denk aan werken op afstand via Zoom: iemand is weg, maar niemand heeft je verteld dat die persoon niet meer beschikbaar is.

Galen Low: Ja, dat begrijp ik.

Lior Gerson: Na twee weken neemt die persoon nog steeds niet op en dan vraag je: wat is er aan de hand? O, die werkt hier niet meer.

Galen Low: Dat horen we in de community ook vaak: veranderingen worden doorgevoerd zonder communicatie eromheen. Kun je op hoofdlijnen uitleggen hoe zo'n integratie eruitziet? Moet ik nog steeds Excel openen, gegevens via een automatiseringstool omzetten, ze in een werkblad plakken en formules schrijven? Of is de integratie met TargetBoard meer geautomatiseerd en minder arbeidsintensief?

Lior Gerson: TargetBoard.ai werkt heel anders dan andere systemen. We koppelen aan je bronsystemen en bouwen automatisch alle relevante statistieken en KPI's op voor wat je moet doen.

We gebruiken AI om die statistieken te genereren. Het maakt niet uit of je kijkt naar veranderingen in capaciteit, velocity of kwaliteit, of naar één project of meerdere projecten. Je hoeft niets aan je manier van werken te veranderen.

We leren automatisch hoe je systemen gebruikt. Het maakt niet uit of je Monday, Jira of iets anders gebruikt. Al je statistieken, rapporten en inzichten worden automatisch gegenereerd en kunnen daarna worden aangepast. Je krijgt precies de statistieken en de manier van volgen die je nodig hebt.

Vanaf dag één kun je aan de slag met betrouwbare gegevens en hoef je je geen zorgen meer te maken over Excel. Gebruik je Excel wel voor handmatige tracking en is dat je bron van waarheid, dan kunnen we ook daarmee verbinden en de gegevens importeren. Je hoeft ze daarna niet meer bij te werken of uit te leggen hoe iets is gemeten.

De antwoorden staan in het platform. Je kunt het delen met je directie of C-levelteam. Zij zien hoe zaken worden gemeten, waar de gegevens vandaan komen, waar ze naartoe gaan en wat het verschil maakt. Je hoeft niet langer tijdens een vergadering te zeggen dat je ergens op terugkomt omdat je het antwoord niet hebt.

Galen Low: Wat ik ook goed vind, is het menselijke foutaspect. Ik houd veel zaken bij in een spreadsheet. Er was een incident waarbij ik paginaweergaven uit Google Analytics bijhield terwijl iemand anders gebruikers invoerde. We dachten dat we hetzelfde maten, maar gebruikten twee verschillende gegevensbronnen.

Het idee dat iedereen gegevens anders kan interpreteren, is belangrijk. Ik vind het goed dat de gegevens rechtstreeks uit een bron van waarheid komen en dat AI op basis van de vereisten suggesties doet voor statistieken die je zou moeten meten.

Lior Gerson: Dat komt heel vaak voor. Bij een bedrijf waar ik werkte, werd beweerd dat de website honderdduizend bezoeken per maand kreeg. Toen ik vroeg waar dat vandaan kwam, bleek dat de website in werkelijkheid tienduizend bezoeken kreeg. Negentig procent bestond uit geautomatiseerde bots.

Het bedrijf wist dat niet. En als je dat ontdekt, moet je het ook uitleggen. De CMO moet dan zeggen: trouwens, je weet hoe ik mijn klantacquisitiekosten en alles voor het afgelopen jaar heb gerapporteerd? Daarvan klopt nu negentig procent niet.

Galen Low: Geen prettig gesprek. Ik wil hiermee misschien iets uitzoomen. Statistieken zijn uiteindelijk maar één onderdeel. Zelfs als een team of afdeling het juiste meet, moet er vaak nog een vertaling plaatsvinden tussen verschillende niveaus of afdelingen.

Een Scrumteam kan bijvoorbeeld klanttevredenheid, oftewel CSAT, volgen per release, terwijl de leiding kijkt naar terugkerende omzet, retentie en klantverloop. Kan een tool als TargetBoard KPI's voor de ene doelgroep vertalen naar een vorm die betekenisvol is voor andere organisatieniveaus? Of kan een tool dat niet zelfstandig oplossen?

Lior Gerson: Ik wil een stap terug doen. Bij traditionele business intelligence moet je iedere statistiek bouwen. Je moet een sessie organiseren en voor iedere statistiek plannen. Aan alles wat je wilt volgen, zijn dus ontwikkelkosten verbonden.

Programma's zoals OKR's en kwartaalbesprekingen zijn vaak sterk top-down. Ze vertellen je precies wat je moet volgen en geven je een tunnelvisie. Misschien zijn er veel andere zaken die belangrijk zijn om de bedrijfsvoering soepel te laten verlopen, maar je rapporteert ze niet en volgt ze misschien helemaal niet omdat je de middelen niet hebt.

Met TargetBoard volgen we alles en maken we het eenvoudig om te kiezen waarop je je wilt richten. We bevelen zelfs aan wat je moet selecteren. Je kunt waarschuwingen, inzichten en meldingen versturen om ervoor te zorgen dat de zaken die je belangrijk vindt op koers blijven.

We maken het ook eenvoudig om uit te leggen hoe je iets naar boven of beneden in de organisatie vertaalt. AI kan helpen om een statistiek aan je manager, ontwikkelaar of verkoper uit te leggen, inclusief waarom die belangrijk is.

We beschermen de semantische laag, zodat iedereen dezelfde betekenis gebruikt. Mensen vragen vaak of ze de naam van een statistiek kunnen wijzigen. Dat kan niet zomaar, omdat anderen die statistiek al onder een bepaalde naam kennen. Als de naam niet weergeeft wat je daadwerkelijk meet, mag je die naam ook niet gebruiken.

Galen Low: Dat vind ik een geweldige functie. Bij veel dashboardsoftware is dat precies de leemte: wat vertelt dit dashboard me eigenlijk? Kun je het uitleggen? Datastorytelling wordt dan het knelpunt, omdat niet iedereen daar goed in is.

Ik vind het een goed idee dat AI kan helpen uitleggen waarom een statistiek belangrijk is, waar die vandaan komt en wat het betekent als de waarde schommelt. Zo rust je een mens toe om de statistiek uit te leggen aan iemand van een andere afdeling met andere kennis en specialisaties.

Lior Gerson: Dat is inderdaad wat er gebeurt. Mensen lezen rapporten zelden volledig. Ze willen vooral weten dat iemand de informatie bijhoudt en dat deze beschikbaar is wanneer ze die nodig hebben. Daarom hebben we ook een AI-agent die rapporten analyseert en samenvat voor zakelijke gebruikers.

Galen Low: Je kunt dan vragen om een samenvatting. Ik vind het goed dat dit ingebouwd is. Je vertelde me eerder dat er ook een conversationeel aspect is: niet alleen een samenvatting van wat belangrijk is, maar ook de mogelijkheid om vragen te stellen over een rapport of statistiek.

Lior Gerson: Veel mensen proberen dat op te lossen. Het probleem is dat grote taalmodellen slecht zijn met gegevens. Ze lijken beter te worden, maar als je een CSV-bestand uploadt en vraagt naar bijvoorbeeld je openingspercentage van e-mails, kunnen ze vaak geen betrouwbaar antwoord geven zonder dat je iedere kolom en de betekenis daarvan uitgebreid specificeert.

Wij denken dat we dat probleem hebben opgelost. Je kunt vragen stellen en betrouwbare informatie krijgen. De AI controleert bovendien of ze niet hallucineert. Mensen willen gegevens op verschillende manieren verwerken en consumeren: conversationeel, via dashboards en op andere manieren. Die vormen vullen elkaar aan.

Galen Low: Het kan zelfs langer duren om een vraag uit te schrijven dan om met twee klikken in een dashboard te kijken.

Lior Gerson: Precies. Je vraagt hoeveel deals je vorige maand hebt gesloten, voegt daarna toe dat je alleen één regio bedoelt en vraagt vervolgens om een uitsplitsing. Dat is veel tekst, terwijl je op het web vaak gewoon een paar keer klikt.

Galen Low: Gegevens zijn anders dan gewone tekst. Ik heb dat zelf ervaren met tijdregistratiegegevens in ChatGPT. Het systeem begint dan te hallucineren of pakt de verkeerde informatie. Onze hersenen zijn gewend om in tabellen te denken, maar taalmodellen niet noodzakelijkerwijs.

Daarom vind ik het goed dat jullie dit zelf bouwen en dat het systeem zichzelf controleert voordat belangrijke informatie over prestaties, statistieken en impact wordt gepresenteerd.

Lior Gerson: Vertrouwen is alles. Dat is ook het risico met MCP-servers. Je vraagt gegevens op uit een systeem, maar weet niet precies wat de AI ermee doet of hoe nauwkeurig het antwoord is. Onze MCP-server controleert de gegevens uit al je systemen, combineert ze en verifieert of het antwoord volledig accuraat is.

Galen Low: Jullie MCP-server — de Model Context Protocol-server — vormt dus de ruggengraat. Die controleert alle gegevens die binnenkomen.

Ik wil graag ingaan op de toekomst van statistieken. In de kringen waarin ik me beweeg, veranderen statistieken. Je kunt niet meer volstaan met een statisch scorebord met de gebruikelijke KPI's. Welke onconventionele statistieken zie je opkomen, en hoe denk je dat organisaties over drie, vijf of tien jaar KPI's zullen volgen?

Lior Gerson: Op microniveau zul je veel meer AI-KPI's zien: hoeveel agents je uitvoert, hoe effectief ze zijn en wat ze doen met de bedrijfs-KPI's.

Op bedrijfsniveau zal er minder veranderen. Als je terugkerende omzet, klantverloop of levertijden volgt, blijven de belangrijkste statistieken waarschijnlijk hetzelfde. Dat is de taal van je bedrijf.

Wat er onder de motorkap gebeurt, verandert wel. Als je moet leveren en daarvoor velocity of kwaliteit volgt, vormen die statistieken een tweede niveau. Een niveau lager kijk je waar velocity uit bestaat: ontwikkelwerk, geblokkeerde taken, werk dat in beoordeling blijft hangen, gewijzigde scope en terugkerende werkzaamheden. Daar komen ook AI-systemen bij die soms wel en soms niet goed functioneren.

Galen Low: Ik houd van die gelaagdheid. Zolang je bedrijfsmodel hetzelfde blijft, veranderen de statistieken aan de top waarschijnlijk niet veel. Daaronder kan echter veel veranderen. Als je doel is om meer mensen AI te laten gebruiken om betere beslissingen te nemen, dan moet je dat op een lager niveau volgen.

Een voorbeeld zou de promptkwaliteitsindex kunnen zijn: het meten van de kwaliteit van prompts. Alleen omdat mensen AI gebruiken, betekent dat niet dat ze efficiënter worden. Ze kunnen eindeloze gesprekken met een robot voeren zonder productiever te zijn.

Aan de bovenkant veranderen succes-, groei- en omzetstatistieken misschien weinig, terwijl de statistieken op lagere niveaus sterk veranderen. Wel brengt iedere nieuwe statistiek veel operationeel werk met zich mee: koppelen aan een bron, mensen uitleggen wat de statistiek betekent en een rapportageritme opbouwen.

Lior Gerson: Dat is vandaag inderdaad de situatie. Er is een analist of analistenteam voor iedere afdeling. Zij zorgen ervoor dat de statistieken werken. Vaak bouwen ze zelfs geen unieke statistieken, maar vinden ze het wiel opnieuw uit.

Grote bedrijven houden bovendien van het vervangen van systemen. Een migratie van het ene systeem naar het andere creëert telkens een groot dataproject waarin alle rapporten moeten worden bijgewerkt.

Een onderdeel van wat wij doen, is laten zien dat dit niet nodig is. Je kunt van platform wisselen terwijl je rapporten en statistieken hetzelfde blijven. Als iets wel moet worden aangepast, kun je automatisch iedereen informeren die moet weten dat de statistiek is gewijzigd.

De wereld is momenteel gebroken omdat mensen te veel systemen en gegevens hebben die ze niet kunnen gebruiken. Tools zoals TargetBoard maken het eenvoudiger om bij die gegevens te komen en ze te gebruiken, zonder tussenpersonen die het bedrijf soms niet goed begrijpen.

Galen Low: Ik heb dit vooral in financiële dienstverlening en in klantbeleving gezien. Organisaties verzamelen enorme hoeveelheden gegevens uit allerlei afdelingen, maar niemand weet precies wat de gegevens betekenen of hoe ze kunnen worden gebruikt om de klantbeleving te verbeteren.

Lior Gerson: Dat brengt me terug bij wat je eerder zei over wat mensen volgen. Ze volgen bijvoorbeeld kosten, cloudkosten, de kosten van problemen en de kosten van prompts. Al die gegevens staan in bedrijven, hebben opslag- en trackingkosten, maar niemand weet waarom ze worden verzameld.

Bedrijven worden verzamelaars van eindeloze systemen die ze nergens voor gebruiken.

Galen Low: We leerden dat opslag goedkoop was. Nu is dat niet meer zo. We kijken naar kosten per prompt en naar transactionele kosten, maar ook naar opslag omdat gegevens steeds complexer worden en zich al tientallen jaren opstapelen.

Lior Gerson: Misschien heb je die gegevens over tien jaar nodig.

Galen Low: Precies. Ik wilde nog vragen naar TargetBoard en jullie positionering als AI-ondersteunde KPI-tool. Je hebt al AI-gestuurde suggesties, samenvattingen en inzichten genoemd. Is er nog een andere AI-functie waar je iets over wilt vertellen? En waarom besloten jullie zo sterk op AI in te zetten?

Lior Gerson: We gebruiken AI vanaf een vroeg stadium om de ervaring die we bouwen te verbeteren. We zijn geen bedrijf dat alles met AI doet, maar AI speelt een belangrijke rol in alles wat we bouwen. Bij iedere functie vragen we niet hoe we dit met AI kunnen doen, maar waarom we dit bouwen en hoe AI het beter kan maken.

Voor iedere statistiek kun je meldingen, automatiseringen en waarschuwingen creëren. Maar mensen moeten vaak zelf bedenken welke waarschuwingen ze nodig hebben. Daarom suggereert AI nu, terwijl je naar een statistiek kijkt, welke automatisering je kunt maken om die statistiek te verbeteren. Met één klik wordt die voor je aangemaakt.

Dat was vóór AI veel moeilijker. Nu kunnen we veel sneller werken dan bij ieder ander bedrijf dat ik heb geleid.

Galen Low: Dat is begrijpelijk en ook indrukwekkend. Ik zie een natuurlijke aansluiting tussen AI en gegevens, zeker wanneer je met enorme hoeveelheden data werkt. Het is nuttig als een systeem voorstelt wat je vervolgens kunt doen. Dat helpt onzekerheid, kennishiaten en twijfel te verminderen.

Als een melding automatisch wordt ingesteld, hoef je alleen maar te bevestigen. Iedere dinsdag krijg je bijvoorbeeld een melding over een statistiek, of wanneer de waarde buiten de tolerantie valt.

Lior Gerson: Dat is een heel andere aanpak dan datawetenschap een paar jaar geleden. Voorheen werkte een team datawetenschappers maandenlang aan één optimalisatievraag. Nu vraag je bij iedere functie hoe je die beter kunt maken. Als je dat goed doet, krijg je snel indrukwekkende resultaten.

Galen Low: Ik vind het interessant hoe snel dit verandert. Heb jij voor de aardigheid een vraag die je aan mij wilt stellen?

Lior Gerson: Welke ontwikkelingen hebben volgens jou momenteel de grootste impact op projectmanagement?

Galen Low: De belangrijkste is waarschijnlijk het punt waarmee ik begon: projectmanagers zijn niet alleen mensen van de ijzeren driehoek die projecten op tijd, binnen budget en binnen scope opleveren.

We ontdekken dat we strategischer kunnen zijn, maar daarvoor moeten we meer weten en meer doen. We moeten het bedrijf beter begrijpen. Tegelijkertijd zijn we op een bepaalde manier verantwoordelijk voor impact, terwijl we die impact vaak niet zelf meten. We leiden een project, het wordt gelanceerd en daarna gaan we door naar het volgende.

Er ontstaat nu een grote verschuiving in denken: we zijn specialisten in waardelevering. We moeten daadwerkelijk waarde creëren, ook als het plan verkeerd was, de scope onderweg veranderde of we moeilijke gesprekken moesten voeren.

Dat sluit goed aan bij de adoptie van AI. AI helpt ons efficiënter te werken, workflows te verkorten en sneller te worden. Veel projectmanagers zijn te druk om daarnaast ook strategische partners voor hun belanghebbenden te zijn. Nu kunnen AI-agents statusrapporten en dashboards bijhouden, zodat projectmanagers tijd krijgen om strategische leiders in waardelevering te worden.

In een ideale wereld besteden we meer tijd aan de vraag of we het juiste doen om onze missie en impact te bereiken. Dat sluit bijna precies aan bij je eerste punt: je meet het juiste als het je vooruithelpt.

Lior Gerson: Ik stel je nog een vraag. Denk je dat er een moment komt waarop een AI-agent projectmanager wordt of de projectmanager volledig vervangt?

Galen Low: Voor sommige definities van projectmanagement: ja. Als projectmanagers alleen worden gezien als administrateurs die notulen maken, actiepunten opvolgen en schattingen met werkelijke resultaten vergelijken, kan AI dat waarschijnlijk gemakkelijk vervangen.

Wat niet wordt vervangen, is menselijke besluitvorming. Grote beslissingen over systeemmigraties en implementatierisico's zullen voorlopig gesprekken tussen mensen blijven. Jullie functie voor datastorytelling helpt daarbij: niet alleen een pictogram met een uitleg, maar een mens die de eigenaar van de statistiek helpt het verhaal te vertellen.

Dat is de besluitvormingslaag in projecten en bedrijven: mensen die hun standpunt verdedigen, elkaar overtuigen en goede beslissingen nemen. AI kan ideeën genereren, maar we gebruiken het voorlopig nog als hulpmiddel en niet als iemand die namens ons beslist.

Lior Gerson: Daar ben ik het mee eens. Dat maakt ook het verschil tussen een goede en een slechte projectmanager. Projectmanagement is een vak; je kunt het niet zomaar naast een andere functie doen.

Galen Low: Ik vind het een goede gedachte dat AI misschien niet alle projectmanagers vervangt, maar waarschijnlijk wel de slechte.

Lior Gerson: Dat geldt voor alles.

Galen Low: Lior, ontzettend bedankt voor je tijd vandaag. Dit was erg leuk. Ik vind het geweldig om zo met je de diepte in te gaan.

Waar kunnen mensen meer over jou te weten komen?

Lior Gerson: Op LinkedIn. Ik reageer op bijna iedereen die contact opneemt en praat graag met iedereen.

Galen Low: Geweldig. Dat bewonder ik. Mijn LinkedIn-inbox is een enorme chaos. Nogmaals bedankt.

Lior Gerson: Dag Galen, het was een genoegen.

Galen Low: Dat was de aflevering van vandaag van The Digital Project Manager Podcast. 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.