Decyzje dotyczące zarządzania projektami, które agenci AI mogą — i których nie mogą — podejmować

Galen Low: Wraz z pojawieniem się agentowej AI technologia AI przeszła od bycia narzędziem do bycia członkiem zespołu. W porządku, ale to nie tutaj leżą najbardziej skomplikowane kwestie. Problem polega na tym, że agenci AI często są członkami zespołu, którzy zostali lepiej przeszkoleni niż ty, pracują inaczej niż ty i mogą być oceniani według zupełnie innych kryteriów niż ty i twoi ludzcy współpracownicy.

Prawdopodobnie nie otrzymali instrukcji obsługi, prawdopodobnie skonfigurowano ich tak, aby podejmowali decyzje, które wolałbyś podejmować samodzielnie, i prawdopodobnie nie było ich jeszcze, gdy twój zespół ustalał zasady współpracy. W praktyce przypomina to sytuację, w której z dnia na dzień zostajesz obciążony dziesiątkami nowych członków zespołu z zupełnie innej organizacji. Jeśli kiedykolwiek przechodziłeś przez fuzję lub przejęcie, wiesz, że może to być naprawdę, naprawdę chaotyczne.

Można jednak argumentować, że jest to wyzwanie możliwe do pokonania, a potencjalne korzyści są z pewnością realne. Dlatego w tym odcinku chciałem zrobić coś nieco innego. Chciałem podzielić się rozmową z jednego z naszych wydarzeń na żywo, prowadzonych przez Tima Fishera i zespół Wrike, na temat tego, jak agenci AI naprawdę zmieniają pracę opartą na projektach i co musi się wydarzyć, aby wdrożenia agentowej AI zakończyły się sukcesem.

W rozmowie poruszają temat tego, że większa ilość danych niekoniecznie oznacza lepsze rezultaty, jakie decyzje powinni podejmować ludzie, a jakie agent, oraz dlaczego edukacja, a nie tylko dostęp, ma kluczowe znaczenie dla skutecznego wdrażania pracy opartej na agentach w całej organizacji. Zanim przejdziemy do rozmowy, pozwól, że najpierw przedstawię trochę kontekstu.

Tim nie był tylko gospodarzem tego wydarzenia. W rzeczywistości buduje agentową siłę roboczą w firmie macierzystej The Digital Project Manager, Black and White Zebra. Innymi słowy, bardzo intensywnie doświadcza tej agentowej transformacji i wszystkich wyzwań, które się z nią wiążą. Jedną z rzeczy, o których ostatnio rozmawialiśmy, była koncepcja zaczynania od zera, oduczania się sposobów, w jakie zawsze wykonywaliśmy zadania, oraz rozwijania procesów agentowych od podstaw, bez całego dotychczasowego bagażu.

Dla ludzi jest to trudne. Często utożsamiamy swoją tożsamość z nazwą stanowiska i zakresem obowiązków. Rzadko prosi się nas o myślenie o sobie poza tym schematem, a kiedy już to robimy, puste płótno jest często zbyt duże, abyśmy mogli dopasować nasze pragnienia do tego, co pracodawcy chcą w nas zobaczyć. Przypomina to zgadywanie — zgadywanie, które może sprawić, że my i nasze zespoły stracimy pracę.

Nie można jednak pomijać kwestii edukacji. Tak, wszyscy powinniśmy teraz być twórcami, odgrywając rolę człowieka w pętli, ale co to właściwie oznacza i jak możemy pomóc naszym ludziom dotrzeć do tego miejsca, zamiast po prostu zrzucać na nich narzędzia i oczekiwać, że sami podniosą swoje kompetencje? Ostatecznie wielka zmiana wydaje się sprowadzać do odpowiedzialności, ryzyka i kontekstu organizacyjnego.

W świecie agentów każdy zarządza teraz autonomicznymi wykonawcami, którzy współpracują ze sobą, czasami w sposób całkowicie nieprzejrzysty. To, co powierzamy tym wykonawcom, a co zachowujemy jako ludzką odpowiedzialność, musi być określane z uwzględnieniem poziomu ryzyka, empatii między ludźmi oraz konsekwencji tego, co oznacza rzeczywiste posiadanie projektu lub strumienia pracy.

Nie chodzi tylko o możliwości technologii. Przełóżmy to więc na konkretny scenariusz projektowy. Wyobraź sobie, że agent AI pomaga ci obsadzić projekt. Wie, kto jest dostępny, jakie umiejętności posiadają poszczególne osoby, nad czym wszyscy pracują, a być może nawet które kombinacje ludzi w przeszłości najskuteczniej realizowały projekty.

Potencjalnie mógłby przygotować plan zasobów w kilka sekund, choć w innym przypadku zajęłoby ci to wiele godzin. Wspaniale. Ale co, jeśli ten plan zasobów zakłada przeniesienie Lucii, twojej najlepszej programistki, z innego projektu, który zacznie się opóźniać, ponieważ Amireth, główna projektantka, właśnie straciła babcię i próbuje przepracować żałobę, działając z wydajnością na poziomie 80% zwykłego poziomu, aby nadal odkładać pieniądze na aparat ortodontyczny dla córki?

Twoja agentowa siła robocza może mieć wszystkie informacje potrzebne do przygotowania rekomendacji, ale czy oznacza to, że agent powinien podejmować decyzję? Nie mówimy już bowiem tylko o optymalizacji arkusza kalkulacyjnego. Mówimy o relacjach z klientami, priorytetach biznesowych, zobowiązaniach dotyczących realizacji, a przede wszystkim o wpływie na prawdziwych ludzi.

Myślę, że właśnie dlatego kolejny etap rozwoju AI i zarządzania projektami jest tak fascynujący. Nie chodzi wyłącznie o ustalenie, co AI potrafi zrobić, ale o określenie, które obowiązki powinniśmy delegować AI, które decyzje muszą pozostać w rękach ludzi oraz jakiego rodzaju nadzoru potrzebujemy, gdy nasi członkowie zespołu AI działają w tle.

To złożona zagadka, którą trzeba rozwiązać, aby znaleźć właściwą równowagę. I być może przede wszystkim nie jest to rozwiązanie typu „podłącz i używaj”. To obszar, w którym musimy rozmawiać o osądzie i swobodzie decyzyjnej, edukować i rozwijać naszych ludzi, aby mogli odnosić sukcesy w czasie zmian, a także dać sobie pozwolenie i poczucie bezpieczeństwa potrzebne do odrzucenia części bagażu oraz przekształcenia naszych ról wokół tego, co robimy najlepiej.

I właśnie to Tim omówił w rozmowie z zespołem Wrike. Bez dalszej zwłoki przedstawiam rozmowę, którą mój najbardziej ceniony guru AI, Tim Fisher, przeprowadził z Nancy i Andrasem z Wrike na temat wpływu agentowej AI na współczesne zarządzanie projektami. Mam nadzieję, że odcinek ci się spodoba.

Tim Fisher: Witajcie w programie Przyszłość AI w zarządzaniu projektami, w którym wychodzimy poza prezentacje sprzedażowe i przyglądamy się temu, jak AI faktycznie zmienia sposób, w jaki zespoły planują, realizują i prowadzą pracę. Dzisiejszy odcinek poświęcamy firmie Wrike. Przyjrzymy się temu, jak AI może pomóc liderom projektów wcześniej podejmować lepsze decyzje — od ustalenia obsady projektu po identyfikowanie ryzyka realizacji, zanim przerodzi się ono w znacznie większe problemy. Następnie zastanowimy się, co się stanie, gdy AI zacznie odgrywać bardziej aktywną rolę w realizacji pracy.

Dołączają dziś do nas Andras Horvath, dyrektor ds. produktu AI i analityki w firmie Wrike. Andras ma ponad 15 lat doświadczenia w tworzeniu produktów B2B skoncentrowanych na danych, analityce i AI. Jest z nami również Nancy Boas, starsza menedżerka marketingu produktu ds. AI w firmie Wrike.

Nancy kieruje strategią wejścia na rynek i komunikacją dotyczącą rozwiązań Wrike do zarządzania pracą wspieranych przez AI, koncentrując się na tym, jak AI zmienia sposób pracy zespołów.

Andras, Nancy, witajcie. Dziękuję, że do nas dołączyliście.

Nancy Boas: Bardzo dziękujemy. Cieszymy się, że możemy dziś tu być.

Andras Horvath: Bardzo się cieszę, że tu jestem, Tim. Dziękuję za miłe przedstawienie.

Tim Fisher: Jeśli ktoś dopiero poznaje Wrike, czy możecie przedstawić nam 30-sekundową wersję najważniejszych informacji? Co robi wasza platforma? Dla kogo została stworzona?

Andras Horvath: Jeśli chodzi o samą platformę, Wrike to miejsce, w którym można planować, śledzić i realizować pracę. Zbudowaliśmy AI, aby wspierać zespoły i poszczególne osoby oraz zdejmować z ich barków całą rutynową pracę.

Jednak w ciągu ostatnich sześciu do dziewięciu miesięcy mocno skoncentrowaliśmy się również na stronie realizacyjnej pracy, ponieważ AI może wspierać pojedyncze osoby lub pomagać ludziom szybciej realizować zadania, na przykład poprzez generowanie treści i podsumowywanie. Można też używać AI do automatyzowania części pracy i właśnie na tym ostatnio się skupialiśmy.

Tim Fisher: To bardzo ciekawe. Wydaje się nieco inne niż w przypadku części innych produktów w tej przestrzeni. Wasza filozofia zakłada więc, że AI powinno również pomagać w realizacji pracy, a nie tylko wspierać zarządzanie ludźmi, co — jak sądzę — widzimy najczęściej. Co to oznacza w praktyce?

Andras Horvath: W praktyce oznacza to, że AI może działać jak członek zespołu, który pomaga wykonać pracę, a nie tylko zapewniać ci miejsce do przyspieszenia własnych działań lub platformę do zarządzania pracą, w której jedynie koordynujesz zadania.

Możesz skonfigurować członka zespołu AI, którego we Wrike nazywamy współpracownikiem, a który ma własną przepustowość i może pomóc ci realizować pracę. Przykładowo AI może pomóc przygotować zakres prac na podstawie wcześniejszych zadań, które wykonywałeś, i dostosować go do specyfiki klienta znajdującej się w systemie CRM, takim jak Salesforce.

Możesz też zlecić AI automatyczne zajęcie się publikacjami w mediach społecznościowych po uruchomieniu nowej funkcji. Siedzisz z zespołem, coś budujecie, dostarczacie funkcję, a następnie przekazujesz ją swojemu, powiedzmy, współpracownikowi odpowiedzialnemu za media społecznościowe. Pobierze on wszystkie informacje o projekcie i pomoże stworzyć właściwy wpis na bloga czy LinkedIn.

Przygotuje obrazy, wszystko oznaczy, a ty to zatwierdzisz i praca zostanie wykonana. Ręczne wykonanie tego samego może zająć pół godziny, godzinę, a nawet więcej. AI staje się więc obecnie twoim członkiem zespołu.

Tim Fisher: Liderzy projektów mają dostęp do większej ilości danych niż kiedykolwiek wcześniej, to pewne. Jednak decyzje dotyczące takich kwestii jak zasoby i ryzyko projektu nadal zależą od ręcznych aktualizacji i arkuszy kalkulacyjnych albo, na szczęście, od informacji, które docierają dopiero po tym, jak coś już poszło nie tak.

Gdzie widzisz dziś największą lukę między informacjami, które posiadają liderzy projektów, a decyzjami, które faktycznie muszą podejmować?

Andras Horvath: Zacznijmy od podstaw, czyli od fundamentu. To właśnie z tym mamy do czynienia przy wdrożeniach od zera: dane są rozproszone w całym środowisku i ekosystemie.

Masz pliki w SharePoint, wiadomości w Teams lub Slacku, nagrania spotkań albo same spotkania. Wszystko jest rozproszone. Wszystko znajduje się wszędzie. Wrike zapewnia miejsce, w którym można skonsolidować te informacje, co daje niezbędny kontekst do podejmowania decyzji.

Samo posiadanie danych lub kontekstu nie oznacza jednak, że masz właściwe informacje potrzebne do podjęcia właściwych decyzji. I właśnie tutaj AI może pomóc, przekształcając surowe dane w informacje. Jeśli projekt pięć razy opóźnił się na etapie B, najprawdopodobniej oznacza to, że kolejny projekt również będzie opóźniony.

Nazywamy to analizą predykcyjną i można ją wyświetlić. Jeśli mówimy także o alokacji zasobów, wiele osób ma w głowie myśl: „Wiem, że Tim potrafi to, a Nancy tamto, ale co z ich dostępnością? Sprawdzę z nimi w Teams lub na Slacku” i tak dalej.

Jeśli ktoś konsekwentnie korzystał z systemu takiego jak Wrike, wiemy, jaką pracę wykonał, znamy jego obciążenie, dostępność i tak dalej. Jeśli chodzi o proste — choć nie takie proste — zadania, jak alokacja zasobów, AI może w kilka sekund rozpocząć projekt liczący nawet 137 zadań, ponieważ możemy albo wprowadzić posiadane przez ludzi umiejętności, albo automatycznie je określić.

Możemy ustalić obciążenie pracą i tak dalej. Chcesz, aby projekt został zrealizowany tak szybko, jak to możliwe? Oto alokacja zasobów. Jesteś organizacją świadczącą usługi i chcesz, aby projekt został zrealizowany w sposób maksymalizujący rentowność, czyli z wykorzystaniem najtańszych dostępnych zasobów?

Możemy zrobić również to. Istnieje tak wiele opcji, które należy uwzględnić, a dopóki masz dane i inteligencję, możesz uzyskać niezbędne informacje do przygotowania właściwych rekomendacji. Ponownie: długie ćwiczenie wykonane w kilka sekund.

Tim Fisher: To naprawdę niesamowite. Wyraźnie mówisz o AI, które jest znacznie bardziej proaktywne, szczególnie w waszym produkcie.

Zadam więc pytanie, które — jak sądzę — wszyscy zadają w tym momencie. Gdzie AI powinno podejmować decyzję lub przygotowywać rekomendację? W którym miejscu nadal musi wkroczyć ludzki osąd? Jak o tym myślicie?

Andras Horvath: To bardzo dobre pytanie, Tim. Szczerze mówiąc, często słyszymy je od wielu klientów, z którymi pracujemy.

Moje stanowisko jest dość proste. Jeśli istnieje dobrze znany proces, który chcesz zautomatyzować, zdecydowanie powinieneś użyć AI. Jeśli mówimy o wyjątkowych przypadkach, być może nie jest to najlepsze miejsce na wykorzystanie AI. Możesz użyć AI do wsparcia własnego myślenia i skrócenia czasu wejścia na rynek albo osiągnięcia innego celu, ale niekoniecznie delegowałbym agentowi coś nieznanego, aby sam to rozpracował — chyba że robisz to przy stałej obecności człowieka w pętli i z możliwością przerwania działania, aby upewnić się, że agent nie wymknie się spod kontroli i nie zniszczy całego systemu lub obszaru roboczego.

Drugim czynnikiem jest ryzyko. Czy zadanie wiąże się z wysokim, czy niskim ryzykiem? Jeśli jest niskiego ryzyka, na przykład sortowanie przychodzących zgłoszeń i ich wstępna obsługa, aby upewnić się, że zawierają wszystkie informacje potrzebne do rozpoczęcia działania, AI może się tym zająć.

„Sprawdziłem to zgłoszenie. Większość informacji jest tutaj, ale czegoś brakuje. Skontaktujmy się z klientem przez e-mail, Slacka lub inny kanał i zdobądźmy te informacje”. Gdy je otrzymamy, zgłoszenie będzie gotowe do realizacji i trafi do rejestru zadań. Jeśli jednak mówimy o alokacji zasobów, masz opóźniony projekt.

Jednym ze sposobów przywrócenia projektu na właściwe tory jest przeniesienie kluczowego inżyniera lub innej osoby z innego projektu. Takie działanie opóźni jednak projekt B. Człowiek nadal powinien podjąć decyzję, czy przenieść tę osobę, czy nie. Ta decyzja ma znacznie większy wpływ niż skontaktowanie się z kimś w celu uzupełnienia brakujących informacji.

Ogólnie rzecz biorąc, należy zadać sobie pytania: czy jest to znany proces? Czy ryzyko lub wpływ są wysokie, czy niskie? To kwestie, na które zawsze osobiście zalecałbym zwracać uwagę, ponieważ ostatecznie nic nie zastąpi ludzkiego osądu.

Tim Fisher: Słyszę wiele dyskusji — zarówno na poziomie tematycznym i koncepcyjnym, jak i filozoficznym — o ludziach, AI i podejmowaniu decyzji. Słyszę też różne terminy.

Wydaje mi się, że wspomniałeś wcześniej o MCP. Z pewnością rozmawialiśmy o używaniu słowa „agent” i podobnych określeń. Wiem, że nie każda firma korzystająca z waszych narzędzi jest szczególnie zaawansowana w dziedzinie AI. Jak możecie pomóc ludziom pokonać tę barierę? Czy istnieją sposoby uczenia się AI, w których możecie pomóc?

Często słyszę opinie, że tego wszystkiego jest bardzo dużo, więc ciekawi mnie, jak myślicie o pomaganiu ludziom w pokonywaniu tych trudności.

Nancy Boas: Jasne. Mogę się tym zająć, ponieważ edukujemy ludzi na kilka sposobów. Zdajemy sobie sprawę, że dużo mówi się o AI, agentach, a nawet o byciu twórcą, ale w praktyce przedsiębiorstwa naprawdę nie wiedzą, jak zbudować agenta.

Zrobiliśmy więc kilka rzeczy. Mamy świetny dział edukacji, który od zawsze zajmował się tradycyjnymi funkcjami, administracją Wrike, zarządzaniem i podobnymi kwestiami, ale kilka miesięcy temu uruchomił również AI Elite Mastery — czterogodzinny kurs, który może ukończyć każdy. Na jego koniec uczestnicy otrzymują certyfikat i uczą się wszystkiego: od najlepszych praktyk tworzenia poleceń po faktyczne rozpoczęcie budowy agenta.

To jedna z rzeczy, które robimy. Zorganizowaliśmy także siedmiotygodniową letnią szkołę AI — praktyczny program edukacyjny odbywający się w każdy piątek. W rezultacie zaczęło powstawać znacznie więcej agentów, a wiele osób zaczęło aktywnie zgłaszać się i angażować. Udostępniłam również link dotyczący współpracowników, ale mamy także społeczność internetową. To właśnie tam udostępniamy przykładowe polecenia i przypadki użycia, a inni mogą dodawać własne przykłady zastosowania agentów.

Ostatecznie chodzi przecież o wzajemną pomoc i dzielenie się wiedzą w tej nowej, odważnej rzeczywistości.

Tim Fisher: To świetnie. Cieszę się, że to słyszę. Mówiłaś o kontekście, kontroli i współpracy jako wymaganiach dla AI w przedsiębiorstwach. Dlaczego te elementy są szczególnie ważne, gdy AI zaczyna działać na rzeczywistych danych projektowych i w rzeczywistych procesach pracy?

Andras Horvath: Jeśli pomyślisz o kontekście, bez niego AI może z dużą pewnością podawać błędne informacje albo — w najlepszym przypadku — być maksymalnie ogólne. Weźmy prosty przykład: prosisz dowolne AI o stworzenie struktury podziału pracy, czyli projektu. Wykorzysta ono wiedzę, na której zostało wytrenowane, albo przeszuka internet, aby dowiedzieć się, jak najlepiej skonfigurować projekt, i wykona zadanie.

Czy to dobrze, czy źle? To ogólny sposób konfigurowania projektu, który może działać w niektórych przypadkach, przede wszystkim wtedy, gdy nie realizujesz wielu projektów. Jeśli jesteś dużym przedsiębiorstwem, zwykle masz metodologię opracowywaną przez lata lub dekady, a podczas konfigurowania każdego nowego projektu należy uwzględnić określone kwestie.

Jednym z klasycznych przykładów jest ustalenie, które decyzje wymagają zatwierdzenia oraz kto — osoba, organizacja lub rola — powinien ich udzielić. Jeśli podłączysz asystenta AI do czegoś takiego jak Wrike i konsekwentnie korzystasz z Wrike, cała ta wiedza już tam jest.

Twój asystent AI wykorzysta znajdujące się tam informacje, aby przygotować strukturę podziału pracy zgodną z organizacją, do której należysz. Właśnie dlatego kontekst jest ważny. Po pierwsze chodzi o dostęp do danych, a po drugie o wykorzystywanie tych danych w sposób umożliwiający dostosowanie wyników do potrzeb organizacji.

Jeśli chodzi o kontrolę, ponownie chcesz mieć pewność, że AI nie zacznie działać bez kontroli. Musisz mieć pewność, że agent AI ma jasno określone uprawnienia i tożsamość oraz że jego działania można prześledzić. Dlatego po podłączeniu agenta AI do Wrike rejestrujemy wszystko.

Gdy rozmawiasz z agentem AI, prosi on o zatwierdzenie lub dane wejściowe za pośrednictwem strumienia komentarzy Wrike. Wszystkie decyzje i działania są więc możliwe do prześledzenia w systemie. Jeśli zajrzysz do agentów Wrike, których wydaliśmy około rok temu, i otworzysz ich dzienniki, zobaczysz nie tylko, że rekord został usunięty. Zobaczysz, jaki rekord usunięto, jakie rozumowanie do tego doprowadziło i na jakich danych się opierało.

Czy w pętli znajdował się człowiek? Jaką instrukcję otrzymał agent? Dlaczego dokładnie wykonano dane działanie? To coś, co większość przedsiębiorstw bardzo ceni. Chcą wiedzieć, dlaczego agent zachował się w określony sposób. W przypadku ludzi zwykle nie pytasz, dlaczego usunęli rekord — wyjaśnienie może pojawić się podczas przypadkowej rozmowy przy dystrybutorze wody.

Kontrola jest więc bardzo ważna. Musisz mieć pewność, że możesz ufać działaniu AI, ponieważ — jak powiedziałeś — jest to trudne. Wiele osób nie wie, jak pracować z AI, i nie ufa AI. Wprowadzenie kontroli i zabezpieczeń zwiększa poziom zaufania.

Wreszcie mamy współpracę, o której wspomniałem wcześniej. Gdy korzystasz ze współdzielonego systemu zarządzania pracą, nie bez powodu nazywa się go współdzielonym. Pracujesz nad zadaniem, nie masz wszystkich szczegółów i oznaczasz kogoś, mówiąc: „Hej, możesz pomóc mi to wyjaśnić?”

Tak samo rozmawiasz z agentami. Przydzielasz im pracę tak samo, jak przydzielasz ją współpracownikom. Oznaczasz ich, zadajesz pytania, prosisz o dane i przekazujesz instrukcje. Współpraca między człowiekiem a AI pomaga zapewnić, że AI zachowuje się zgodnie z przeznaczeniem.

Dlatego uważamy, że kontekst, kontrola i współpraca to trzy filary najlepszego wykorzystania AI i właśnie w te trzy filary nadal inwestujemy.

Tim Fisher: Podoba mi się sposób, w jaki o tym myślicie — szczególnie kwestia kontroli i przejrzystości, w którą bardzo głęboko weszliście. Nie mogę wystarczająco podkreślić, jak ważne jest to dla wszystkich słuchających. Przechodzimy od ufania ludziom, że wykonają zadania, i od rzeczy, które naturalnie się z tym wiążą — jak wspomniane rozmowy przy dystrybutorze wody — do świata, w którym autonomiczny, niewidoczny proces wykonuje pracę w tle.

Możliwość zrozumienia, dlaczego podjęto wszystkie te decyzje, jest niezwykle ważna. Nie sądzę, aby mówiło się o tym wystarczająco dużo, więc brawa dla was.

Prowadzi nas to do pytania lub refleksji dotyczącej niezbyt odległej przyszłości. Gdy AI i agenci wspierani przez AI przejmą większą część tej pracy, na czym dokładnie menedżer projektu będzie spędzał więcej czasu? Ten temat często pojawia się w rozmowach o automatyzacji i gospodarce. Zabieramy wszystkie rutynowe zadania albo pozwalamy agentom i AI robić to, co potrafią wykonywać skuteczniej na dużą skalę.

Co pozostaje nam? W tym świecie chciałbym usłyszeć wasze przemyślenia.

Nancy Boas: Szczerze mówiąc, uważam, że ludzie będą wykonywać przyjemniejszą pracę. Kto chce spędzać połowę dnia na przyjmowaniu i sortowaniu formularzy? Jeden z naszych klientów, firma Jellyfish, jest agencją reklamową. Podczas naszej wirtualnej konferencji prowadziłam sesję warsztatową i opowiadałam o tym, że poświęcają znacznie więcej czasu klientom.

Wykonują mniej rutynowej pracy, ale prowadzą bardziej inteligentne rozmowy. Usuwają przeszkody, które wcześniej pojawiały się w projektach. Myślę, że menedżerowie projektów muszą zacząć postrzegać agentów i AI jako codziennych asystentów.

Wszyscy mamy więc ludzi, którymi zarządzamy, oraz AI i agentów, którymi również zarządzamy. Usuwają oni rutynowe zadania, ale ty nadal masz pracę do wykonania — i mam nadzieję, że będą to przyjemniejsze rzeczy, takie jak strategia, rozwiązywanie problemów i osiąganie celów na wysokim poziomie.

Andras Horvath: Dokładnie. W moim zespole menedżerów produktu spędzamy znacznie mniej czasu na pisaniu specyfikacji, ponieważ robimy to z pomocą AI. Przeglądy również wykonujemy z pomocą AI. Przekształcanie specyfikacji w strukturę podziału pracy, a następnie obsadzanie tej struktury — wszystko dzieje się znacznie szybciej niż wcześniej, nawet przy udziale ludzi.

Przeciętny menedżer produktu poświęca obecnie więcej czasu na rozmowy z klientami, głębsze zrozumienie problemów oraz ustalanie, które kwestie powinniśmy rozwiązywać.

Przeciętny menedżer produktu spędza więcej czasu na weryfikowaniu i dostosowywaniu, zarządzaniu interesariuszami oraz projektowaniu organizacji, ponieważ stale musimy zmieniać sposób pracy i współdziałania we Wrike, aby dopasować go do nieustannie zmieniających się potrzeb. Jak jednak bardzo trafnie zauważyła Nancy, potrzebujesz na to czasu.

Mam w kalendarzu zarezerwowane dwie godziny w każdy piątek. W tym czasie zajmuję się utrzymaniem wszystkich agentów, asystentów oraz zaplanowanych zadań i umiejętności w Claude, ChatGPT, agentach Wrike i innych narzędziach, ponieważ rzeczywistość biznesowa się zmienia. Wszystko pozostaje w ciągłym ruchu.

Zmienia się technologia albo zmienia się firma, więc trzeba poświęcić na to trochę czasu. Spędzam te dwie godziny, ale cała ta praca przekłada się na oszczędność 15–20 godzin.

Tim Fisher: Podoba mi się sposób, w jaki to ująłeś. Choć ta analogia nie jest idealna, przypomina to trochę indywidualne spotkania z członkami zespołu. Wymagają one ciągłej opieki, edukacji i ewolucji firmy, które muszą zachodzić w przypadku wszystkich osób, którym delegujesz pracę.

Teraz obejmuje to również agentów. Naprawdę podoba mi się sposób, w jaki o tym myślisz.

Andras Horvath: Zdecydowanie. Obecnie każdy zostaje menedżerem. Czy ci się to podoba, czy nie — musisz zarządzać swoją flotą agentów.

Tim Fisher: Zostańmy jeszcze przez chwilę w przyszłości. Załóżmy, że minęło pięć lat.

Ktoś nowy w zarządzaniu projektami pracuje w systemach, które będziemy wtedy mieć — w pięcioletniej wersji Wrike. Co ta osoba usłyszy od starszych kolegów i będzie naprawdę zaskoczona, dowiadując się, że kiedyś ludzie wykonywali to samodzielnie? Co zniknie i nigdy więcej o tym nie usłyszymy?

Andras Horvath: Na przykład aktualizowanie statusów we Wrike. Jedną z rzeczy, nad którymi pracujemy, są agenci, którzy będą dołączać do spotkań, kanałów Teams i kanałów Slack. Gdy będą odbywać się rozmowy, agenci będą aktualizować pracę we Wrike.

Ostatecznie chcemy, aby agenci działali w sposób ciągły, tak aby wszystkie aktualizacje odbywały się automatycznie, a z czasem agenci uczyli się od ciebie, które aktualizacje powinni wykonywać samodzielnie, a które konsultować z tobą.

Z czasem to rozwiązanie będzie coraz lepsze. Nikt nie będzie już mówił: „Otworzę Wrike i sprawdzę, czy to zadanie jest oznaczone jako ukończone”. Wielu naszych klientów już dziś robi to za pośrednictwem wybranego asystenta. Z czasem będzie to odbywać się automatycznie, bez konieczności wydawania polecenia lub wykonywania dodatkowych działań. To samo dotyczy informowania ludzi, aktualizacji statusów, raportów dotyczących przepustowości i raportów ryzyka.

To wszystko jest już zautomatyzowane na tysiącach kont naszych klientów. Jak wspomniałem, tworzenie projektów lub pracy od zera, obsadzanie ich i podobne działania również mogą być automatyzowane. Istnieje tak wiele dostępnych informacji, a my intensywnie pracujemy nad wydobywaniem informacji znajdujących się we Wrike i przekształcaniem ich w wiedzę organizacyjną, aby zautomatyzować jak największą część tej pracy.

Mam więc nadzieję, że za pięć lat przeciętny menedżer projektu, menedżer produktu lub dowolna osoba prowadząca coś będzie skupiać się przede wszystkim na uzgadnianiu, zbieraniu opinii i ludzkim aspekcie pracy, a nie na siedzeniu przed komputerem, wprowadzaniu danych czy podsumowywaniu statusów i raportów.

Musimy tylko zadbać o to, aby wprowadzanie danych odbywało się w miejscu, w którym odbywa się komunikacja. Jeśli ktoś chce dowiedzieć się, na jakim etapie jesteśmy, nie powinien pytać menedżera projektu ani menedżera zespołu. Odpowiedź powinna być dostępna po zadaniu jednego pytania, ale pytanie to powinno przeszukać wiele źródeł, pobrać dane i przekazać je tej osobie.

To nie jest tylko jednostronna aktualizacja statusu. To rozmowa o statusie, ponieważ przez lata wysyłałeś raport o statusie, po czym pojawiały się 22 pytania. Agenci muszą mieć niezbędny kontekst, aby odpowiadać również na te pytania uzupełniające.

Tim Fisher: Ciekawi mnie, na co najbardziej czekasz w waszym planie rozwoju produktu.

Chciałbym, abyś zdradził coś, o czym nikt jeszcze nie słyszał w kontekście tego, co dzieje się we Wrike, ale oczywiście nie ma presji. Ciekawi mnie po prostu, co widzisz, gdy rano idziesz do pracy i myślisz o tym, co budujecie lub nad czym pracujecie. Co jest najbardziej ekscytujące?

Andras Horvath: Dla mnie osobiście jest to wiedza i pamięć organizacyjna. To coś, nad czym pracujemy. To doskonały przykład eksploracji procesów, a następnie przechowywania uzyskanych informacji we właściwych miejscach. W internecie często widzę dziś sytuację, w której agenci mają własną pamięć, co jest świetne.

Gdy jednak wdrażasz rozwiązanie w przedsiębiorstwie, możesz mieć 55 000 działających agentów. Możesz mieć 60 menedżerów projektów i agentów z różnymi pamięciami. Gdy usuniesz jednego agenta, jego pamięć znika. Zastanawiamy się więc nad przechowywaniem pamięci i łączeniem jej z miejscem, w którym pracujesz, a nie z samym agentem.

Gdy wdrożysz kolejnego agenta, otrzyma on tę samą wiedzę. Problem polega jednak na tym, aby nie przeciążyć kontekstu. Musisz zadbać o to, aby pamięć była tworzona, przechowywana i odzyskiwana w możliwie najbardziej efektywny sposób. Gdy to osiągniesz, im częściej ty lub agenci, którymi zarządzasz, korzystacie z systemu, tym stają się inteligentniejsi i tym więcej pracy zdejmują z twoich barków.

To uczenie się w trakcie działania, podobnie jak u ludzi. Myślę, że dopiero zaczynamy odkrywać możliwości. Agenci będą coraz lepsi — nie tylko dzięki udoskonalaniu modeli. Modele są świetne. Nie ma większego znaczenia, czy staną się jeszcze lepsze. Ważne jest, aby stały się tańsze, dzięki czemu agenci będą mogli działać stale, zamiast być uruchamiani przez różne wyzwalacze, takie jak przydzielenie agenta, oznaczenie go czy uruchomienie zgodnie z harmonogramem.

Stałe działanie agenta będzie kosztować miliony dolarów, bądźmy realistami. Uważam więc, że tańsze modele są dobrym kierunkiem i w końcu do tego dojdziemy. Umożliwi nam to korzystanie z agentów działających stale. Jednak to pamięć i eksploracja procesów sprawią, że będą oni naprawdę potężni w porównaniu z tym, co mamy dziś.

Nancy Boas: Myślę, że bardzo dobrze to ująłeś. Chciałabym tylko dodać, że wspominałam o obchodach naszej 20. rocznicy i o tym, że korzystają z nas organizacje mające sześć lub siedem działów oraz tysiące użytkowników. Jeśli ta wiedza po prostu tam istnieje, ale nie jest wykorzystywana, wyrządzamy ludziom krzywdę.

Ma więc sens, abyśmy pomagali im pracować lepiej, odkrywać informacje i identyfikować takie rzeczy jak wywnioskowane umiejętności, a także naprawdę dopracowywać cały proces zarządzania projektami.

Andras Horvath: Jeśli mogę coś dodać, Tim, Nancy wspomniała o wywnioskowanych umiejętnościach. Ostatecznie nie chodzi tylko o uproszczenie wprowadzania danych.

Jeśli agenci mogą dołączać do wszystkich rozmów, w których uczestniczysz, i aktualizować wszystko na bieżąco, praca staje się znacznie łatwiejsza i przyjemniejsza. Nie musisz mówić: „Przepraszam, potrzebuję trochę czasu, bo muszę zaktualizować wszystko we Wrike” albo w innym używanym systemie.

Tim Fisher: To bardzo ciekawa wizja przyszłości. Mówicie o czymś, o czym nie słyszę wystarczająco często. Istnieje obsesja na punkcie coraz inteligentniejszych modeli i tego, że ich możliwości nie są już głównym ograniczeniem. Chodzi raczej o koszty i stałą dostępność.

Podoba mi się kierunek, w którym myślicie. Jeśli ktoś słucha tego programu i dopiero poznaje te funkcje we Wrike albo samą platformę Wrike, gdzie powinien udać się, aby dowiedzieć się więcej?

Nancy Boas: Można odwiedzić stronę wrike.com/ai, a jeśli chcesz umówić prezentację lub poprosić o więcej informacji, jest to świetny punkt wyjścia.

Tim Fisher: Andras, Nancy, bardzo wam dziękuję za udział. Do zobaczenia podczas kolejnej sesji programu Przyszłość AI w zarządzaniu projektami.

Nancy Boas: Bardzo dziękujemy.

Andras Horvath: Bardzo dziękuję.