De beste AI-modellen voor projectmanagementtaken
Landschap van modellen: Het gebruik van AI in projectmanagement is snel gegroeid, met verschillende modellen voor specifieke taken.
Vergaderingen samenvatten: Verschillende AI-modellen blinken uit in het samenvatten van vergaderingen; de keuze van het model beïnvloedt de nauwkeurigheid en het detailniveau.
Communicatie met belanghebbenden: AI helpt bij het structureren van content voor updates aan belanghebbenden, maar de nauwkeurigheid verschilt per model.
Documentatie van scope: Claude geniet de voorkeur voor scopegerelateerde taken waarbij details belangrijk zijn, vooral wanneer het model afhankelijkheden verwerkt.
Procesdocumentatie: ChatGPT is vaak beter in het ordenen van verspreide informatie tot samenhangende procesdocumenten.
Hier bij DPM praten we veel over AI-projectmanagementtools — maar we hebben de aandacht nog niet gericht op de AI-modellen zelf en op de manier waarop ze het werk van projectmanagers vormgeven. Tot nu toe.
Het modellenlandschap is snel drukker geworden. Volgens het AI-adoptieonderzoek van Artificial Analysis is het gemiddelde aantal gebruikte of overwogen LLM-families gestegen van ongeveer 2,8 in 2024 naar 4,7 in 2025. En de ranglijst 'Meest gebruikte AI-modellen' van T4 Atlas laat zien welke modellen steeds weer op de markt verschijnen: GPT-4o, Claude 3.5 Sonnet, DeepSeek R1, Gemini 1.5 Pro, Llama 3, Copilot Model Stack, Grok en Codestral.
Als je met meer dan één model hebt geëxperimenteerd, weet je al dat ze niet uitwisselbaar zijn — en als je ze wel zo behandelt, loop je mogelijk echte prestatiewinst mis. Om erachter te komen hoe deze modellen presteren bij de meest voorkomende PM-taken, gingen we rechtstreeks naar professionals uit de praktijk. Dit is wat ze ons vertelden.
Create a Free Account to Read More
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Samenvatting van vergaderingen en actiepunten
Claude, Gemini, Read AI
Het samenvatten van vergaderingen is een van de meest voorkomende AI-gebruiksscenario's in projectmanagement en ook een van de scenario's die het gevoeligst zijn voor achteruitgang van de modelprestaties. Joe Troyer, chief marketing officer bij Great Lakes Tiny Homes, maakt een directe vergelijking: "Claude houdt actiepunten accuraat bij transcripties van een uur, terwijl GPT na de eerste dertig minuten namen en deadlines begint weg te laten." Hoe langer de vergadering, hoe belangrijker de modelkeuze wordt.
Claude houdt actiepunten nauwkeurig bij in transcripties van een uur, terwijl GPT na de eerste dertig minuten namen en deadlines begint te laten vallen.
Maar het juiste model identificeren is slechts de helft van de vergelijking — weten hoe goede output eruitziet is de andere helft. Troyer is specifiek: "Goede output vermeldt elk item met de naam van de spreker en één zin over de toezegging. Slechte output voegt extra taken toe die nooit ter sprake kwamen of voegt twee mensen samen tot één verantwoordelijke."
Niet iedereen komt op dezelfde plek uit. Michael Gold, die projecten voor meerdere klanten beheert, vergelijkt modellen bewust met elkaar in plaats van zich aan één model te binden: "Uiteindelijk gebruik ik alles, zoals Gemini, Claude, Chatty, noem maar op, zelfs als ik Firefly heb. Ik neem het transcript van Firefly en zet het in iets anders, omdat ik Firefly niet vertrouw." Zijn aanpak beschouwt het vergelijken van modellen als onderdeel van de workflow zelf — niet als een instellingsstap die je één keer uitvoert.
Ryan Gilbreath hanteert een meer gestructureerde aanpak en rangschikt de opties die hij heeft getest: "Als ik mijn lijst met tools voor zover het AI-notitieprogramma's betreft zou moeten beoordelen, zou Read AI momenteel een van mijn favorieten zijn. Op de tweede plaats zou Gemini komen, simpelweg omdat ik in een Google Workspace werk en het gemakkelijk is om al mijn notities op één plek te synchroniseren en te verzamelen. En daarna zou ik Otter AI noemen."
Communicatie met belanghebbenden en statusrapportage
Claude Opus, ChatGPT-4
Een nuttige statusupdate doet een aantal specifieke dingen goed. Zoals Guillermo Ginesta, managing partner voor APAC bij Brinc, het verwoordt: "Een nuttige output moet feiten, blokkades, acties per verantwoordelijke en politieke risico's van elkaar scheiden zonder schijnzekerheid te creëren." Ken Herron, medeoprichter van VCONify, formuleert het net zo scherp: "Een goede output vat samen wat er is veranderd, waarom dat belangrijk is, wie verantwoordelijk is voor de volgende actie en waar beslissingen nodig zijn. Een slechte output leest als een generiek vergaderverslag, behandelt elk probleem alsof het even belangrijk is en verliest de context voor het management."
Met dat in gedachten splitsen professionals zich doorgaans op basis van wat ze optimaliseren. Ken Herron, medeoprichter bij VCONify, kiest voor Claude wanneer communicatiekwaliteit de prioriteit is: "Wanneer ik vergadernotities, e-mailthreads en feedback van leidinggevenden moet omzetten in een beknopte update voor belanghebbenden, produceert Claude [Opus] consequent duidelijkere en genuanceerdere communicatie dan andere modellen die ik heb getest."
Anderen pleiten voor ChatGPT-4. Bogdan Condurache, medeoprichter en CPO van Brizy, gebruikt GPT-4 voor communicatie met belanghebbenden en Claude voor het afbakenen van de scope. Hij wijst op het vermogen van GPT-4 om communicatie aan verschillende doelgroepen aan te passen: "Als ik een vertraging aan het management moet uitleggen, een productupdate voor klanten moet vereenvoudigen of technische schuld moet samenvatten voor niet-technische teams, past het de toon en diepgang goed aan."
Documentatie van de scope en vereisten
Claude Opus, ChatGPT-4
Als het gaat om het definiëren van de scope, neigt de consensus onder vakmensen naar Claude — vooral voor complex werk met meerdere afhankelijkheden, waarbij de kosten van een gemiste aanname hoog zijn. Murli Pawar, vicepresident bij SunTec, beschrijft hoe zijn team Claude Opus hiervoor gebruikt: "We gebruiken Claude Opus om het scopedocument van een klant om te zetten in een daadwerkelijk projectplan door het op te delen in taken, deze in de juiste volgorde te zetten en afhankelijkheden in kaart te brengen. Onze projecten bestaan vaak uit veel onderling afhankelijke stappen, waarbij de ene fase pas kan beginnen als een andere is afgerond en opgeschoond. Dit is dus de taak waarbij de planning echt doordacht moet zijn en niet alleen opgesomd mag worden."
Wat Claude in deze context onderscheidt, is volgens Pawar de manier waarop het met ambiguïteit omgaat: "Wanneer ik het een vage briefing geef, is Claude het meest consistent in het opmerken dat stap C in het geheim afhankelijk is van stap A en in het signaleren van waar de briefing onvolledig is, in plaats van stilletjes aannames te verzinnen om de hiaten op te vullen. De andere modellen leveren me vaker een plan dat er compleet uitziet, maar waarvan de volgorde instort zodra je het controleert."
Pawars definitie van goede versus slechte output is het onthouden waard: "Goede output is een plan waar ik vragen over kan stellen. Het maakt zijn eigen aannames zichtbaar. Het kan taken ook in logische fasen groeperen en aangeven waar de briefing onduidelijk was, in plaats van dat te verdoezelen. Ik zou het moeten bewerken, niet opnieuw opbouwen. Slechte output is een overmoedig plan dat in de kern onjuist is."
SOP- en procesdocumentatie voor ChatGPT
Procesdocumentatie stelt andere eisen aan AI dan het in realtime vastleggen van vergaderingen — en het verschil tussen output die er verzorgd uitziet en output die bruikbaar is, kan hier bijzonder kostbaar zijn. Vakmensen die dit werk regelmatig doen, kiezen vaak voor ChatGPT, onder meer vanwege de kracht ervan om verspreide informatie te herstructureren tot logische reeksen.
Hien Nguyen, medeoprichter & directeur bij Happy Way, gebruikt ChatGPT om operationele kennis te bundelen die "verspreid is over verschillende locaties — vergaderingen, berichten in Slack, e-mail en individuele leden van het operationele team". De waarde van het model zit volgens hem in het vermogen om ongeorganiseerde input te verwerken en structuur aan te brengen: "Een goede uitvoer definieert het stapsgewijze proces en bevat beslispunten, met zoveel detail dat een nieuwe medewerker dit document kan gebruiken om het proces uit te voeren zonder voortdurend om verduidelijking te hoeven vragen."
Hij identificeert het belangrijkste faalpatroon duidelijk: "Een slechte uitvoer ziet er verzorgd uit, maar bevat niet de praktische details. Als AI nieuwe stappen creëert, essentiële informatie over een proces weglaat en algemene termen gebruikt om bedrijven te beschrijven zonder uit te leggen hoe het werk wordt uitgevoerd, wordt het document vrijwel onbruikbaar." Voor SOP's is samenhang aan de oppervlakte niet genoeg — de specificiteit moet aanwezig zijn, anders faalt het document in de praktijk.
Commerciële teksten en geschreven werk
Claude, Gemini
Voor schrijftaken — of het nu gaat om het opstellen van projectcommunicatie, content of commerciële teksten — signaleren professionals een duidelijke tweedeling. Claude en Gemini komen naar voren als de voorkeursopties, terwijl ChatGPT in directe vergelijkingen achterblijft.
Jennifer Goebel, projectcoördinator bij Baker Marketing Laboratory, vindt dat Claude vanuit het oogpunt van toon de beste schrijftool is: "Claude lijkt de tool te zijn die het beste werkt voor communicatie, met minder heen-en-weer dan ChatGPT en een natuurlijkere toon in het schrijven."
Yonelly Gutierrez, die projectworkflows in meerdere tools beheert, maakte een meer beslissende omslag: ze zette haar professionele ChatGPT-abonnement volledig stop nadat ze een afname in prestaties had opgemerkt. "Ik heb een enorm verschil opgemerkt, zelfs tussen GPT-modellen. Ik gebruikte ChatGPT altijd, maar nu merk ik dat het veel te vaak hallucineert." Voor het schrijven vertrouwt ze nu op Gemini: "Als het daadwerkelijk op schrijven aankomt, geef ik de voorkeur aan Gemini." Haar secundaire tool is Glean — niet vanwege de schrijfkwaliteit, maar vanwege het vermogen om relevante interne projectcontext op te halen.
Het model afstemmen op het moment
Bij vergadersamenvattingen, statusupdates, procesdocumentatie en het afbakenen van werkzaamheden komt steeds hetzelfde thema naar voren: AI-uitvoer faalt niet omdat de technologie verkeerd is, maar omdat de verkeerde verwachtingen — of het verkeerde model — op de taak zijn toegepast. De projectmanagers die de meeste waarde uit AI halen, gebruiken niet één tool voor alles. Ze beschouwen modelselectie als een bewust onderdeel van hun workflow — en toetsen de uitvoer aan een duidelijke standaard voor wat er daadwerkelijk goed uitziet.
Wil je meer inzichten zoals deze? Meld je aan voor een gratis DPM-account om van meer experts zoals deze te horen.