Te veel AI-tools? Een gids voor het beheren van je opties
Te veel tools: De dagelijkse lancering van nieuwe AI-tools overweldigt projectmanagers en maakt slimme aankoopbeslissingen ingewikkelder.
Eerst gebruiksscenario's: Geef prioriteit aan het begrijpen van specifieke AI-behoeften voordat je tools invoert, om inefficiënte oplossingen te voorkomen.
Vergelijkend testen: Evalueer AI-tools door resultaten op meerdere platforms te vergelijken, in plaats van tools afzonderlijk te beoordelen.
Uitbreiden, niet vervangen: Overweeg bestaande tools uit te breiden met AI-agenten in plaats van overhaast van platform te wisselen.
Strategische invoering: Richt je op het afstemmen van de invoering van AI-tools op langetermijnstrategieën van de organisatie en procesverbeteringen.
Er worden nu dagelijks ergens tussen de 500 en 1.000 nieuwe AI-tools gelanceerd. Voor projectmanagers en PMO-leiders is dat aantal niet opwindend — het is uitputtend. Elke week verschijnt er een nieuw platform dat belooft je statusrapporten te automatiseren, je risico's te voorspellen en je toewijzing van middelen te optimaliseren. En elke week nemen organisaties aankoopbeslissingen van vijf of zes cijfers op basis van demovideo's en verkooppresentaties.
Emmanuels Magaya, oprichter van Project Managers Africa, heeft meer dan 100 AI-tools getest en een adviesbureau opgebouwd rond het helpen van organisaties bij het nemen van slimmere beslissingen over de tools die ze invoeren.
Onlangs schoof hij aan bij DPM-podcastpresentator Galen Low om een perspectief te delen dat tegen de huidige hypecyclus ingaat: doe het rustiger aan, wees specifiek en laat de tool niet langer de strategie bepalen.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Hier is het exacte raamwerk dat hij in de uitzending uiteenzette om hetzelfde te doen.
Begin met gebruiksscenario's, niet met tools
De meest voorkomende fout die organisaties maken, is niet het kiezen van de verkeerde tool — het is het kiezen van een tool voordat ze weten wat die moet doen. Magaya is hier duidelijk over. "De eerste stap is begrijpen wat je precies wilt dat AI voor je doet," zegt hij. "Probeer AI niet voor alles te gebruiken. Kijk naar enkele eenvoudige dingen die je dagelijks doet, die routinematig zijn, denkwerk vereisen en tijd kosten."
Probeer AI niet voor alles te gebruiken. Kijk naar enkele eenvoudige dingen die je dagelijks doet en die routinematig zijn.
Dat klinkt eenvoudig, maar de meeste teams slaan deze stap over. Ze zien een concurrent een nieuw platform gebruiken, of iemand in de leiding leest een artikel, en plotseling ontstaat er druk om snel iets in te voeren. Het probleem is dat urgentie zonder duidelijkheid leidt tot precies de situatie die Magaya bij het grootste deel van zijn advieswerk probeert op te lossen.
Zijn andere waarschuwing is minstens zo belangrijk: ga er niet van uit dat je processen klaar zijn voor AI alleen omdat de tool dat wel is. "Haast je niet naar de tool," zegt hij. "Vraag eerst: ondersteunt mijn proces AI? Wat we ontdekten, is dat er gebrekkige processen bestaan waarbij AI toevoegen ze alleen maar nog gebrekkiger maakt." Als je resourceplanning inconsistent is of je projectgegevens rommelig zijn, zal een AI-laag dit niet opruimen — die zorgt er alleen voor dat de rommel sneller wordt verwerkt.
AI-tools evalueren en vergelijken
Nadat je je AI-gebruiksscenario's hebt gedefinieerd, is testen de volgende stap — en Magaya heeft hiervoor een specifieke methode. De grootste fout die mensen maken bij het evalueren van tools, is dat ze deze afzonderlijk testen en de ene tool beoordelen aan de hand van een abstracte standaard in plaats van aan de hand van een directe concurrent.
Zijn oplossing is eenvoudig: "Gebruik nooit één tool om AI-resultaten te verkrijgen. Probeer dezelfde prompt in Gemini, Claude of welke tool dan ook waartoe je toegang hebt, en vergelijk de twee vervolgens." Door identieke prompts in meerdere tools en AI-modellen uit te voeren, worden verschillen in kwaliteit, diepgang en relevantie voor jouw specifieke gebruiksscenario zichtbaar.
Dit artikel is bewerkt op basis van een DPM-podcastepisode met de titel: Je hebt geen nieuwe AI-tool voor projectmanagement nodig – je moet de tool die je hebt repareren. Bekijk hier meer DPM-podcasts.
Maar de kwaliteit van je uitvoer is slechts zo goed als de kwaliteit van je invoer. "Als je niet goed bent in het schrijven van prompts, krijg je mogelijk geen goed resultaat, zelfs niet met de juiste tool," zegt Magaya. "Je moet dus de vaardigheid ontwikkelen om goede prompts te schrijven." Dit is een variabele die de meeste evaluatiekaders volledig negeren — teams testen een tool, krijgen een middelmatig resultaat en schrijven de tool af, terwijl het echte probleem de prompt is.
Hij waarschuwt er ook voor om een tool op basis van een eerste indruk te beoordelen. "Speel met je tools, probeer verschillende functies uit. Je zult merken dat zelfs de tool waarvan je oorspronkelijk dacht dat die niet zo goed was, in werkelijkheid één doel heel goed kan dienen."
De meeste platforms worden geleverd met ingebouwde functies die gebruikers nooit ontdekken, omdat ze rechtstreeks naar de primaire interface gaan en niet verder verkennen.
Wat je moet doen als je AI-tool niet geschikt is
Zelfs met een grondig evaluatieproces merken organisaties soms pas zes maanden na de implementatie dat de tool niet levert wat was beloofd. Wanneer dat gebeurt, raadt Magaya aan om eerst een gestructureerde diagnose uit te voeren voordat er beslissingen worden genomen over de volgende stappen.
"Begrijp eerst wat je van de tool verwachtte," zegt hij. "Vervolgens voer je uit wat wij een gap-analyse noemen. Je maakt een gap-analyse van de verwachtingen — wat ik verwacht dat de tool doet tegenover wat de tool daadwerkelijk levert." Die gap-analyse bepaalt alles: of het probleem kan worden opgelost, of het de moeite waard is om te blijven en wat het daadwerkelijk zou kosten om te vertrekken.
En die kosten kunnen aanzienlijk zijn. "De impact van het maken van de verkeerde keuze kan enorm zijn. Het kan zelfs miljoenen kosten en zichtbaar worden in klanttevredenheid, klantlevering, productkwaliteit enzovoort," zegt Magaya. De financiële gevolgen van een slecht contract zijn duidelijk, maar de gevolgen voor de kwaliteit van de levering en het teammoreel die daarop volgen, zijn vaak wat echt pijn doet.
De impact van het maken van de verkeerde keuze kan enorm zijn – zichtbaar in klanttevredenheid, klantlevering, productkwaliteit enzovoort.
Een factor die gemakkelijk wordt onderschat en die Magaya aanmerkt als de belangrijkste overweging nadat knelpunten zijn vastgesteld, zijn projectgegevens. "Hoeveel gegevens hadden we deze tool gevoed? Dit is waarschijnlijk het belangrijkste punt na het vaststellen van het knelpunt," zegt hij.
"Misschien kun je die zelfs niet terughalen." In tegenstelling tot een spreadsheet die je kunt exporteren en ergens anders kunt importeren, zijn de zaken die een AI-tool heeft geleerd van het gedrag van je team, je projectgeschiedenis en je organisatiepatronen niet overdraagbaar. Hoe verder je met een tool bent gevorderd, hoe hoger de kosten om van koers te veranderen.
Hoe je je bestaande tool uitbreidt met AI-agenten
Hier lopen de meeste gesprekken over AI-tools vast: de keuze wordt voorgesteld als blijven of vertrekken. Magaya biedt een derde optie die meer organisaties zouden moeten overwegen — uitbreiding. In plaats van een tool met tekortkomingen te vervangen, bouw je agenten en geautomatiseerde workflows die deze tekortkomingen opvullen terwijl je je bestaande platform behoudt.
Beschouw agenten als modulair, niet als monolithisch
Het modulaire karakter van AI met agenten maakt dit praktischer dan het klinkt. "Met AI met agenten is het mooie dat je agenten die je niet nodig hebt of die niet goed werken kunt verwijderen en er nieuwe voor in de plaats kunt zetten," legt Magaya uit. "Dus als je een PMO met agenten opzet, heb je een agent die je risico's voorspelt. Je hebt je AI-agent die capaciteitsplanning uitvoert. Je hebt er een die alleen de planning of het agendabeheer doet." Elke agent verwerkt een afzonderlijke functie, wat betekent dat je mogelijkheden kunt toevoegen of verwijderen zonder je volledige technologiestack te vernieuwen en ervoor kunt zorgen dat elke agent voor die specifieke taak is geoptimaliseerd.
Met AI met agenten is het mooie dat je agenten die je niet nodig hebt of die niet goed werken kunt verwijderen en er nieuwe voor in de plaats kunt zetten
Begin klein binnen je bestaande tool
Het startpunt hoeft niet ingewikkeld te zijn. "Als je al een tool hebt, ondersteunt die dan AI?" zegt Magaya. "Als je de gangbare tools zoals Monday.com, Asana en Jira gebruikt, leveren ze over het algemeen goed werk door op de hoogte te blijven van de mogelijkheden van AI. Je kunt daar beginnen. Je begint dus klein. Misschien is het gewoon een AI-agent die notities na vergaderingen controleert — laten we het transcript ophalen, actiepunten opstellen en vervolgens een e-mail versturen." Dat is een laagdrempelig startpunt met een hoog rendement en een laag risico, waarvoor je geen volledige architecturale vernieuwing nodig hebt.
Plan voordat je bouwt
Voor teams die verder moeten gaan — door tools zoals n8n, Make of Zapier te koppelen om geavanceerdere workflows te bouwen — benadrukt Magaya dat de technologie het eenvoudige deel is. Het moeilijke deel is weten wat je wilt bouwen voordat je eraan begint. "Je kunt geen huis bouwen zonder plan, en daar maken veel mensen fouten met AI," zegt hij.
"Wanneer mensen over n8n, Make en Zapier horen, gaan ze meteen workflows maken. Maar waar draait je workflow eigenlijk om? Maak eerst een mindmap in tools zoals NotebookLLM." De planningsstap is niet optioneel — die bepaalt of de workflow die je bouwt het probleem daadwerkelijk oplost en inzicht heeft in de informatiestroom, of alleen maar meer complexiteit toevoegt.
Je kunt niet beginnen met het bouwen van een huis zonder plan, en dat is waar veel mensen fouten maken met AI.
Zodra de architectuur duidelijk is, wordt de implementatie aanzienlijk beter beheersbaar. "Je kunt je tool behouden, maar zorg er wel voor dat iemand die automatiseringsprocessen begrijpt de workflows maakt. Op die manier worden ze goed geïntegreerd."
Behandel AI-agents als leden van je team
Augmentatie is niet alleen een technische beslissing — het vereist een andere manier van denken over de samenstelling van je team. Magaya stelt dat PMO-leiders agents moeten gaan meetellen in hun personeelsbestand. "Hier speelt ook een element van verandermanagement een rol," zegt hij.
"Het team moet zich aanpassen aan het feit dat AI deel uitmaakt van het team. Als PMO moet je voortaan, wanneer je de omvang van je team bepaalt, zeggen: stel dat je team uit 50 mensen bestaat — dan moet je de AI-agents nu ook als onderdeel van het team meetellen. Dus als je bijvoorbeeld 10 AI-agents hebt, bestaat je team eigenlijk uit 60 leden, omdat we een AI-RACI-schema hebben. In dat RACI-schema — wie verantwoordelijk is, wie eindverantwoordelijk is, wie geraadpleegd wordt en wie geïnformeerd wordt — staat een onderdeel waarin AI bepaalde functies uitvoert."
Als PMO moet je voortaan, wanneer je de omvang van je team bepaalt, de AI-agents als onderdeel van het team meetellen.
Die manier van kijken is belangrijk, omdat ze voor duidelijkheid zorgt. Wanneer een agent een duidelijk omschreven rol in het RACI-schema heeft, weet het team precies waarvoor de agent verantwoordelijk is, hoe het toezicht eruitziet en waar de overdracht naar een mens plaatsvindt. Het wordt ook eenvoudiger om vast te stellen op welke onderdelen van de workflow bepaalde agents ondermaats presteren.
Van reactief naar voorspellend
Agents behandelen als teamleden ontsluit een mogelijkheid die Magaya beschouwt als een van de meest onderbenutte voordelen van AI in projectmanagement. "Wanneer je een AI-ondersteunde PMO hebt waarin AI-agents en assistenten goed samenwerken, kunnen de agents je daadwerkelijk op risico's wijzen op basis van gegevens die zijn verzameld op plekken zoals e-mail en Microsoft Teams," zegt hij.
Dat is een fundamenteel ander bedrijfsmodel dan de meeste PMO's gewend zijn. "Voorheen beheerden traditionele PMO's risico's reactief — o, er gaat iets gebeuren, oké, laten we het oplossen," zegt Magaya. "Maar met AI kan AI je op basis van gegevens vertellen wat er over 12 maanden mogelijk zal gebeuren." Teams die dit goed aanpakken, gebruiken AI niet alleen om tijd te besparen op administratieve taken. Ze gebruiken AI om verder vooruit te kijken dan voorheen mogelijk was.
AI kan je op basis van gegevens vertellen wat er over 12 maanden mogelijk zal gebeuren.
Laat de strategie leidend zijn, niet de tools
De organisaties die het meeste uit AI zullen halen, zijn niet de organisaties die de meeste tools gebruiken — het zijn de organisaties die het meest doelbewust nadenken over hoe en waarom ze die tools gebruiken. Die doelbewuste aanpak begint voordat er ook maar één tool wordt aangeschaft, en begint met een duidelijk beeld van je processen en van de richting waarin je organisatie zich beweegt.
Zoals Magaya het verwoordt: "Stel je voor dat je AI 12 maanden verderop effectief gebruikt. Hoe zou je organisatie eruitzien? Hoe zouden je klanten zich voelen? Zo moet je ernaar kijken." Begin daar, werk terug en laat de tools de strategie volgen — niet andersom.
Wil je meer van dit soort inzichten? Meld je aan voor een gratis DPM-account om van meer experts zoals deze te horen.
