Jak sprawdzić, czy Twój zespół jest gotowy na sztuczną inteligencję w oprogramowaniu do zarządzania projektami

Galen Low: Gdy organizacje poszukują oprogramowania do zarządzania projektami z funkcjami sztucznej inteligencji, czy rzeczywiście wiedzą, co chcą dzięki nim osiągnąć, czy większość tych nabywców po prostu realizuje odgórny nakaz zajęcia się sztuczną inteligencją?

Olivia Montgomery: Zdecydowanie zaczynamy od nieco większego lęku przed pozostaniem w tyle względem konkurencji, który odczuwają osoby zarządzające. Jest mnóstwo marketingu, a dostawcy zdecydowanie spieszą się, aby złapać falę sztucznej inteligencji.

Galen Low: Co musi być przygotowane, zanim zespół lub organizacja będą mogły rzeczywiście skorzystać z funkcji sztucznej inteligencji w oprogramowaniu do zarządzania projektami? Jakie są, Twoim zdaniem, podstawowe elementy, które pomagają zespołom i organizacjom przyspieszyć osiągnięcie zwrotu z inwestycji w sztuczną inteligencję?

Olivia Montgomery: Są dwa dość istotne czynniki, które, moim zdaniem, powinny brać pod uwagę firmy każdego rodzaju i rozmiaru, ze wszystkich branż i na każdym poziomie dojrzałości. Gotowość techniczna i gotowość kulturowa.

Galen Low: Witajcie w podcaście The Digital Project Manager, programie, który pomaga liderom odpowiedzialnym za realizację pracować mądrzej, dostarczać szybciej i lepiej przewodzić w epoce sztucznej inteligencji. Mam na imię Galen i co tydzień zagłębiamy się w rzeczywiste strategie, nowe narzędzia, sprawdzone ramy działania oraz od czasu do czasu w wojenną historię z pierwszej linii projektów. Niezależnie od tego, czy kierujesz ogromnymi projektami transformacyjnymi, ujarzmiasz przepływy pracy oparte na sztucznej inteligencji, czy po prostu próbujesz utrzymać chaos pod kontrolą, jesteś we właściwym miejscu. Zaczynajmy.

Dziś rozmawiamy o rosnącym zapotrzebowaniu na funkcje wzbogacone o sztuczną inteligencję w oprogramowaniu do zarządzania projektami, o tym, czego ludzie oczekują od tych funkcji oraz co firmy i zespoły różnej wielkości muszą przygotować, aby osiągnąć swoje cele. W wirtualnym studiu ponownie gości dziś Olivia Montgomery, główna analityczka ds. zarządzania projektami w firmie Capterra.

Olivia jest byłą liderką biura zarządzania projektami, profesjonalistką w dziedzinie zarządzania projektami, cenioną prelegentką i po prostu najlepszym rodzajem entuzjastki badań, jeśli chodzi o poparte analizami spostrzeżenia dotyczące zarządzania projektami, strategii technologicznych i ludzkiego wymiaru przywództwa. Właśnie opublikowała również swój najnowszy raport badawczy, Badanie trendów w oprogramowaniu do zarządzania projektami Capterra 2025, które pokazuje zmianę sposobu wyboru i wykorzystywania narzędzi do zarządzania projektami przez firmy. Właśnie tym zajmiemy się dzisiaj.

Olivia, dziękuję, że ponownie dołączyłaś do mnie w studiu.

Olivia Montgomery: Dziękuję za zaproszenie. Bardzo się cieszę, że tu jestem. Mamy kilka gorących tematów do omówienia.

Galen Low: Tak, dziś będzie naprawdę pikantnie. Dla osób, które słuchają podcastu już od jakiegoś czasu, Olivia jest zdecydowanie ulubienicą publiczności. Właśnie rozmawialiśmy w pokoju przygotowawczym o językoznawstwie. Potem zdaliśmy sobie sprawę, że językoznawstwo, nauki humanistyczne, duże modele językowe i sztuczna inteligencja naprawdę się ze sobą łączą.

Będziemy więc poruszać się po wielu różnych obszarach. Zwykle schodzimy na kilka króliczych nor i mam nadzieję, że tym razem też tak będzie, ale na wszelki wypadek oto plan, który przygotowałem na dziś. Na początek chciałem pozbyć się jednego wielkiego, palącego pytania. Tego niewygodnego, niezwykle aktualnego pytania, na które każdy chce znać odpowiedź.

Następnie chciałbym spojrzeć na temat z szerszej perspektywy i porozmawiać o trzech rzeczach. Po pierwsze, chciałem omówić, co jest potrzebne, aby organizacje mogły naprawdę wykorzystać funkcje sztucznej inteligencji w oprogramowaniu do zarządzania projektami. Następnie chciałbym szczegółowo przyjrzeć się temu, jak funkcje sztucznej inteligencji wyglądają w praktyce i jak mierzyć, czy rzeczywiście działają oraz jak są wykorzystywane.

Na koniec pomyślałem, że możemy porozmawiać o krótko- i długoterminowym wpływie niektórych funkcji sztucznej inteligencji w oprogramowaniu do zarządzania projektami i poza nim, na sposób, w jaki współpracujemy, oraz o tym, jak wpłynie to na pracę projektową.

Olivia Montgomery: Jestem gotowa. Zaczynajmy.

Galen Low: Zacznijmy więc od tego jednego gorącego pytania.

W swoim najnowszym raporcie badawczym zauważasz, że 55% wszystkich nabywców oprogramowania do zarządzania projektami traktuje obecnie funkcje sztucznej inteligencji priorytetowo. Dla większości naszych słuchaczy prawdopodobnie nie jest to zaskoczeniem, biorąc pod uwagę presję, aby firmy robiły więcej dzięki sztucznej inteligencji. Kiedy jednak organizacje poszukują oprogramowania do zarządzania projektami z funkcjami sztucznej inteligencji, czy rzeczywiście wiedzą, co chcą dzięki nim osiągnąć, czy większość tych nabywców po prostu realizuje odgórny nakaz zajęcia się sztuczną inteligencją?

Olivia Montgomery: Sytuacja jest bardzo zróżnicowana. Zdecydowanie zaczynamy od nieco większego lęku przed pozostaniem w tyle względem konkurencji, który odczuwają osoby zarządzające. Jest mnóstwo marketingu, dostawcy zdecydowanie spieszą się, aby złapać falę sztucznej inteligencji, ponieważ panuje wokół niej szum i zapotrzebowanie, ale powoli zmierzamy w stronę bardziej strategicznego podejścia.

W przypadku sztucznej inteligencji początkowy zachwyt nieco osłabł. Zaczynamy lepiej widzieć, co te narzędzia rzeczywiście potrafią, czego nie potrafią, jak zespoły ich używają, kiedy, dlaczego i gdzie, i przechodzimy do trudniejszych pytań. Nadal w dużym stopniu kieruje nami presja konkurencyjna i zdecydowanie wpływają na nią wiadomości o tym, że wydatki na infrastrukturę sztucznej inteligencji, sprzęt, oprogramowanie i centra danych w Stanach Zjednoczonych przekroczyły wydatki konsumenckie.

Po raz pierwszy w historii wzrost gospodarczy jest napędzany przez inwestycje w sztuczną inteligencję, a nie przez wydatki konsumentów. To powinno wiele powiedzieć o kierunku tej rozmowy. Za tymi inwestycjami stoją również kampanie marketingowe warte miliardy dolarów. Właśnie to obserwujemy i jest to jeden z głównych czynników napędzających presję konkurencyjną, a wielu menedżerów i liderów biznesowych jest podekscytowanych.

Słyszą o nowej technologii, która działa naprawdę fantastycznie, i oczywiście jej chcą. Teraz zaczynamy z niej korzystać i powoli zauważamy, że marketing nie zawsze odpowiada możliwościom technicznym. Możliwości techniczne z kolei nie zawsze odpowiadają umiejętnościom, wyszkoleniu i gotowości ludzi oraz zespołu do działania.

Zdecydowanie istnieje więc rozdźwięk i właśnie w jego centrum się znajdujemy. Jestem pewna, że prawdopodobnie każdy, kto nas słucha, odczuwa z tego powodu jakąś presję.

Galen Low: Zainteresowało mnie, że wspomniałaś o ekonomii, bo wcześniej tak naprawdę o tym nie myślałem. Kiedy mówisz o inwestycjach na taką skalę, przewyższających wydatki konsumenckie pod względem sposobu, w jaki gospodarki zarabiają pieniądze, wyobraź sobie presję, pod jaką znajdują się te firmy. Zainwestowały w infrastrukturę, wydają pieniądze i pamiętam, że wszyscy byliśmy uczeni, że przechowywanie danych w chmurze jest teraz tanie.

Owszem, ale nie wtedy, gdy mówimy o petabajtach danych. Wiesz, o co mi chodzi? Ta presja spływa w dół, a jeśli jesteś specjalistą ds. marketingu w branży oprogramowania, naprawdę Cię podziwiam, bo istnieje ogromna presja, aby sprzedawać jak najwięcej licencji. Organizacje dokonały olbrzymich inwestycji i obecnie nie odzyskują jeszcze tych pieniędzy.

Nie są dziś rentownymi firmami. Są na etapie inwestycji. Istnieje więc presja, aby wyjść na rynek i być może nawet znaleźć przypadki użycia, ponieważ jesteśmy w miejscu, w którym tak naprawdę jeszcze ich nie opracowaliśmy. Mówimy: ta technologia może zrewolucjonizować i zmienić wszystko.

Świetnie. Teraz znajdźmy jakieś gwoździe i młotek. Myślę, że to interesująca perspektywa. Właściwie nie tego spodziewałem się po Twojej odpowiedzi, ale chodzi o presję odgórną, która spływa w dół i prowadzi do myśli: tak, teraz również czuję presję konkurencyjną, aby kupić oprogramowanie do zarządzania projektami wzbogacone o sztuczną inteligencję.

To jak kupowanie telefonu bez faksu w 1992 roku. Wiesz, o co mi chodzi? Oczywiście potrzebuję wielofunkcyjnego, najnowocześniejszego urządzenia, niezależnie od tego, czy wysyłam faksy, bo wszyscy inni je mają. Podoba mi się jednak pomysł, że jesteśmy teraz w momencie, w którym dopiero to wszystko odkrywamy.

I nic się nie stało, jeśli kupiłeś oprogramowanie wzbogacone o sztuczną inteligencję, ponieważ pomoże nam to zrozumieć, co możemy z nim zrobić. Wymaga to jednak odpowiedniego nastawienia, a nie myślenia: naciskamy magiczny przycisk, klikamy instalację i wszystko jest gotowe.

Olivia Montgomery: Tak.

Galen Low: Rozwiązaliśmy problem.

Olivia Montgomery: Dokładnie. Zaczynamy to również obserwować.

W badaniu bardzo ucieszyło mnie, że bezpieczeństwo stało się najważniejszym priorytetem nabywców oprogramowania do zarządzania projektami. To bardzo ekscytujące. Zwykle najważniejsza jest funkcjonalność, co oczywiście ma sens. Dlatego pierwszy raz widzimy bezpieczeństwo na pierwszym miejscu i jest to fantastyczne.

Pokazuje to, że zespoły zdają sobie sprawę, iż sztuczna inteligencja dowolnego rodzaju zwiększa powierzchnię ataku, szczególnie w zależności od tego, czy korzystają z zewnętrznych dużych modeli językowych. Istnieje duża różnica między funkcjami sztucznej inteligencji wbudowanymi w obecny system, które właśnie wdrożono, na przykład pomocnymi sugestiami, dodatkowym autouzupełnianiem czy wsparciem w tworzeniu lepszego przepływu pracy, a pracownikami używającymi zewnętrznych dużych modeli językowych do syntezy notatek ze spotkań projektowych i podobnych zadań.

To drugie rozwiązanie jest bardziej ryzykowne. Dlatego zdecydowanie cieszę się i jestem dumna z naszej społeczności, że umieściła bezpieczeństwo na szczycie listy.

Galen Low: To naprawdę interesująca kwestia. Myślę, że mówi też coś o tempie dojrzewania, przynajmniej z mojej perspektywy. Wiele rzeczy zakłóciło naszą działalność w świecie cyfrowym i technologii w ciągu ostatnich kilku dekad. Zawsze bardzo powoli ustalaliśmy, co jest ważne. Kiedy więc słyszę, że prywatność, bezpieczeństwo danych i ochrona danych są teraz traktowane poważnie, myślę: dobrze, przecież to wciąż bardzo wczesny etap w szerszej perspektywie.

To ważne. Mówi też coś o sposobie wykorzystywania sztucznej inteligencji. Nigdy szczególnie nie martwiłem się o prywatność danych w przypadku autokorekty. Myślałem: prawdopodobnie wszystko jest w porządku. Teraz wiesz już, czego nie potrafię poprawnie zapisać ani wpisać na ekranie dotykowym. I dobrze.

Kiedy jednak wpisuję wszystkie informacje o moich projektach, dane klientów i raporty biznesowe, sprawa staje się znacznie ważniejsza. Podoba mi się to, że działa to niemal jak hamulec prędkości. To właściwy moment, zanim posuniemy się zbyt daleko i zbyt szybko, działając intuicyjnie, rozrzucając dane wszędzie, a potem mówiąc: ups.

Teraz myślimy raczej: to ważne. Być może chodzi również o konkurencję biznesową. Nie chcę udostępniać wszystkich swoich informacji. Słyszymy o budowaniu własnych dużych modeli językowych i jestem pewien, że jeszcze do tego wrócimy. To naprawdę interesujące, że prywatność pojawiła się jako tak ważny priorytet.

Olivia Montgomery: Wiem, to wspaniałe. Jestem z nas bardzo dumna.

Galen Low: Dla mnie mówi to o podstawowych kwestiach. Zastanawiałem się, czy możemy nieco poszerzyć perspektywę, ponieważ nie każda organizacja jest gotowa obudzić się pewnego dnia i powiedzieć: kupmy oprogramowanie do zarządzania projektami ze wszystkimi funkcjami sztucznej inteligencji, których chcemy. Czasami najpierw trzeba coś przygotować.

Chciałem więc zapytać Cię, co musi być gotowe, zanim zespół lub organizacja będą mogły naprawdę skorzystać z funkcji sztucznej inteligencji w oprogramowaniu do zarządzania projektami. Jakie są, Twoim zdaniem, podstawowe elementy, które pomagają zespołom i organizacjom przyspieszyć osiągnięcie zwrotu z inwestycji w sztuczną inteligencję?

Olivia Montgomery: Zdecydowanie warto poświęcić choć chwilę na zatrzymanie się i zadanie pytania: czy jesteśmy gotowi? Jestem gotowa dokonać zakupu. Jestem gotowa, aby firma wdrożyła sztuczną inteligencję i osiągnęła wszystkie możliwe korzyści. Ale kiedy rzeczywiście jesteśmy gotowi? Są dwa dość istotne czynniki, które, moim zdaniem, powinny brać pod uwagę firmy każdego rodzaju i rozmiaru, ze wszystkich branż i na każdym poziomie dojrzałości.

Chodzi o gotowość techniczną i gotowość kulturową.

Jeśli chodzi o gotowość techniczną, czy masz wystarczająco dużo czystych, uporządkowanych danych? Niezależnie od tego, czy używasz uczenia maszynowego do analiz predykcyjnych, czy dużych modeli językowych do generowania raportów i syntezy danych, potrzebujesz ogromnych ilości danych bardzo wysokiej jakości, aby uzyskać wynik, z którego będziesz zadowolony.

Trzeba więc sprawdzić: czy mamy te dane? Gdzie się znajdują? Jaka jest ich jakość? Czy jesteśmy gotowi je udostępnić? Czy są wystarczająco dobre, aby zapewnić nam spostrzeżenia? Warto przeprowadzić audyt obecnych narzędzi, zanim uruchomisz sztuczną inteligencję, ponieważ może się okazać, że wdrażasz zbędne możliwości.

Inne narzędzie może już oferować tę funkcję. Audyt narzędzi może również ujawnić wszelkie przejawy nieautoryzowanego IT, jeśli pracownicy wyprzedzili organizację i używają w pracy narzędzi, o których nie wiesz. Musisz o tym wiedzieć.

Dlatego zalecam pełny audyt całej infrastruktury IT i całego środowiska, aby upewnić się, jakie aplikacje są używane i gdzie są używane. Musisz mieć jasny obraz tego, jak wygląda Twój ekosystem. Potrzebujesz także odpowiedniego ładu organizacyjnego.

Zanim udostępnisz swoim ludziom narzędzia, musisz upewnić się, że wiedzą, co otrzymują, dlaczego to otrzymują, co mają z tym robić i czego robić nie powinni. Potrzebujesz bardzo jasnych zasad dotyczących rodzajów informacji, które można udostępniać, oraz bezpiecznych sposobów udostępniania informacji za pomocą tych narzędzi.

Najlepiej byłoby skonfigurować to wszystko w zapleczu systemu i powiedzieć: jeśli korzystasz z tych dwóch narzędzi, to jest nasze zarządzanie wiedzą, to jest nasze zarządzanie dokumentami, a to jest nasze zarządzanie zadaniami. Wszystko jest bezpieczne. Korzystajcie. To idealna sytuacja, ale wiele firm nie jest jeszcze na tym etapie. Trzeba więc przynajmniej zapewnić pracownikom wsparcie, wskazówki i jasne zasady.

Jeśli chodzi o gotowość kulturową, zespół IT i wszyscy inni mogą być gotowi, wszystko może być bezpieczne, przetestowane przez użytkowników i pomyślnie zaakceptowane. Teraz jednak musisz sprawdzić, czy ludzie rzeczywiście będą potrafili z tego korzystać, gdy przyjdą do pracy. Czy wiedzą, co robić? Czy czują się komfortowo, korzystając z narzędzia? Czy chcą z niego korzystać?

Gotowość kulturowa to druga gałąź, którą trzeba ocenić i wziąć pod uwagę. Należy jasno wyjaśnić pracownikom i zespołom, co dokładnie im udostępniasz, dlaczego to robisz i jak mają z tego korzystać. Można powiedzieć: otworzymy przed wami kilka nowych możliwości. Być może przeprowadzimy projekt pilotażowy i przetestujemy je, ale nie wdrożymy ich jeszcze w pełni, ponieważ nie wszystko jest jasne i bardzo szybko się zmienia.

Nie należy oczekiwać, że wszystko zostanie idealnie rozpisane, a zespoły po prostu wykonają przygotowane przepływy pracy i zasady. Pojawią się dyskusje, zatrzymania, zmiany kierunku i poprawki. Jeśli wiesz, że tak będzie, i potrafisz ograniczyć ten proces do okresu testowego lub projektu testowego, odniesiesz znacznie większy sukces niż wtedy, gdy po prostu uwolnisz narzędzia.

Twoje zespoły prawdopodobnie zareagują zaskoczeniem i frustracją, a Ty nie zobaczysz wzrostu produktywności, na który liczysz. Zdecydowanie należy unikać wszelkich nakazów w rodzaju „sztuczna inteligencja albo nic”. Myślę, że można tego uniknąć, postępując rozważnie i świadomie oraz wdrażając rozwiązanie w ramach testu: najpierw wypróbujemy je w odizolowanym środowisku o niższym ryzyku lub w konkretnym projekcie.

Uważam, że niezwykle ważne jest, aby firmy brały pod uwagę nie tylko gotowość techniczną, lecz także kulturową.

Galen Low: Bardzo podoba mi się, że uwzględniłaś nieautoryzowane IT w ocenie oprogramowania. Kiedy przygotowywaliśmy się do tej rozmowy, rozmawialiśmy o różnicach między małą lub średnią firmą a przedsiębiorstwem i wiemy, że wiele dużych przedsiębiorstw powinno mieć bardzo dobre zasady zarządzania, ale nie zdają sobie sprawy, że ludzie przypadkowo korzystają z prywatnych kont ChatGPT.

Po prostu bawią się narzędziami dostępnymi w sieci. Nie zostały jeszcze zablokowane przez dział IT, ale podoba mi się podejście: przeprowadzimy ocenę i nie będziecie za to karani. Musimy tylko wiedzieć, co się dzieje. Wiemy, że to się dzieje, i chcemy opracować plan na podstawie tej wiedzy.

To świetnie, że wszyscy eksperymentują i wybiegają do przodu. Tak, nałóżmy na to pewne barierki ochronne. Nie tłummy tego, ale ustalmy parametry i być może ograniczmy pilotaż. Nie próbujmy od razu zmieniać całej organizacji obejmującej tysiące pracowników, ale jednocześnie nie pozwólmy, aby każdy robił coś zupełnie innego i aby cała organizacja nigdy nie odniosła z tego korzyści.

To bezpośrednio łączy się z gotowością kulturową. Chodzi o ustalenie oczekiwań po obu stronach. Zabrzmiało dla mnie szczególnie trafnie, gdy powiedziałaś: czy ludzie wiedzą, co mają robić, gdy rano przychodzą do pracy? Widzę wiele organizacji, które zakładają, że tak jest. Pojawia się dużo oceniania osób, które nie sięgają po narzędzia, i widzę wiele wykresów adopcji, na które ludzie patrzą z dezaprobatą.

Mówią: ogłosiliśmy wdrożenie, ale adopcja wciąż stoi w miejscu. Dlaczego ci ludzie tego nie rozumieją? Myślę jednak, że gotowość kulturowa, zarządzanie zmianą, edukacja i sama rozmowa idą w parze z gotowością techniczną oraz pytaniem, czy ludzie rzeczywiście będą z tego korzystać.

Olivia Montgomery: Właśnie o to chodzi. Nie chcesz ograniczać swoich pracowników. Chcesz, aby czuli się wspierani i mogli rozwiązywać problemy. Kultura firmy powinna już określać, czy włączacie nowe rozwiązania i być może identyfikujecie zaawansowanych użytkowników, czyli osoby, które prawdopodobnie odniosą sukces i są gotowe oraz podekscytowane wypróbowywaniem nowych narzędzi.

Pozwalasz im eksperymentować i coś odkrywać, podczas gdy formalizujesz zasady i plany, a następnie wdrażasz rozwiązanie w innych zespołach, które być może działają nieco wolniej lub są bardziej oporne. W ten sposób próbujesz połączyć wszystkich dzięki podekscytowanej ciekawości i chęci rozwijania firmy.

Uważam, że Twoja uwaga o nieprzyjmowaniu podejścia karzącego jest niezwykle ważna. Gdy tylko pracownicy poczują, że grozi im negatywne napiętnowanie, na przykład że ktoś uzna ich za nieotwartych na nowe pomysły, każdy przejaw kultury karania spowoduje ich wycofanie.

Wtedy pracownicy zaczynają ukrywać rzeczy, nie zgłaszają problemów, a organizacja naprawdę na tym cierpi i zatrzymuje się. Badanie pokazuje, że adopcja jest największym wyzwaniem, które obserwujemy. Często wynika to z braku jasności i braku dwukierunkowej rozmowy. Wszyscy powinni dzielić się pomysłami i doświadczeniami.

Ta technologia jest bardzo nowa, a sposób jej wykorzystania będzie inny w każdej firmie. Szczególnie wyjątkowe w przypadku sztucznej inteligencji jest to, że wpływa ona jednocześnie na wszystkie działy i branże. Nie dotyczy tylko jednej grupy zawodowej. Dotyczy wszystkich: kierowników projektów, inżynierów i każdego, kto może wykorzystać te możliwości do uzupełnienia i usprawnienia swojej pracy.

Czegoś takiego wcześniej właściwie nie widzieliśmy, poza przejściem wszystkich procesów na komputer. Cała firma styka się więc ze sztuczną inteligencją na bardzo różne sposoby. Każda jasna wskazówka dotycząca bezpiecznego i skutecznego korzystania z tych narzędzi, bez podejścia karzącego, ma ogromne znaczenie.

Galen Low: Podoba mi się to. Ponieważ wszystko jest tak nowe, musi stać się dialogiem, i właśnie na tym polega gotowość kulturowa. Rozpocząłem ten podcast od pomysłu, że być może ludzie kupują oprogramowanie, nie wiedząc, czego od niego chcą, ponieważ ulegają szumowi i próbują pozostać konkurencyjni.

Czasami czują też, że muszą powiedzieć ludziom dokładnie, co mają z tym zrobić. Ty mówisz raczej: dajcie im pewne barierki ochronne, ale powiedzcie, że mogą eksperymentować i dzielić się doświadczeniami. Ustalamy to krok po kroku. Nierealne byłoby przekształcenie całej firmy z dnia na dzień tylko z powodu sztucznej inteligencji.

Chodzi o rozmowę ze wszystkimi i ustalanie oczekiwań.

Olivia Montgomery: Dokładnie. Im lepiej dopracowana jest gotowość techniczna, tym lepsze możesz mieć relacje z dostawcą, zespołem IT i zespołami projektowymi, niezależnie od tego, czy masz istniejące narzędzie, które wdraża funkcje sztucznej inteligencji, czy szukasz nowego narzędzia oferującego ich więcej.

Jeśli masz gotowość techniczną i możesz powiedzieć: współpracowaliśmy z dostawcą i zespołem IT, wiemy, że zarządzanie danymi jest tam, gdzie powinno być, rozumiemy, że to będzie bezpieczne i chronione środowisko, możesz następnie włączyć funkcje i udostępniać je zespołom według działów, kierowników projektów lub portfeli, w zależności od wielkości firmy.

Możesz powiedzieć: wszystko zostało włączone, jest bezpieczne i niczego nie da się zepsuć. Wdróżcie to w swoich zespołach w takim tempie, jakie jest dla was odpowiednie. Znacie swoje zespoły i projekty. Wszystko po stronie technicznej jest bezpieczne. Teraz możecie pomóc zespołom w przygotowaniu kulturowym, co może bardzo pomóc w adopcji.

Galen Low: Bardzo mi się to podoba. Chciałem wrócić do jednej rzeczy, którą powiedziałaś, ponieważ rozmawialiśmy o bezpieczeństwie danych i zarządzaniu, a także o różnych rozmiarach firm i różnych potrzebach. Jak element bezpieczeństwa danych i zarządzania różni się w organizacjach o różnej wielkości? Czy mniejsze i bardziej elastyczne organizacje mają przewagę nad ostrożnymi przedsiębiorstwami?

Olivia Montgomery: Moja ulubiona odpowiedź brzmi: sytuacja jest różna.

Obie strony mają zalety i wady, mocne i słabe strony. Większe organizacje mają więcej danych i znacznie więcej danych historycznych. Dane są prawdopodobnie lepiej utrzymywane, zasady higieny danych są zapewne lepsze, a organizacja prawdopodobnie lepiej rozumie swój ekosystem oraz sposób i częstotliwość korzystania zespołów z narzędzi.

Mają więc większą część podstaw, które mogą sprawić, że sztuczna inteligencja będzie skuteczniejsza, gdy organizacja będzie gotowa ją wdrożyć. Z drugiej strony mniejsze firmy mogą nie mieć tylu danych, a ich zasady zarządzania danymi mogą być mniej dojrzałe, ale zazwyczaj znacznie szybciej zmieniają narzędzia.

Mogą znacznie szybciej zmienić narzędzie do zarządzania projektami niż duże przedsiębiorstwo, na przykład bank. Mogą wypróbowywać nowe rozwiązania i szybko korzystać z najnowszych technologii, jednocześnie poprawiając gotowość techniczną i jakość danych.

Obie strony mają więc zalety i wady. Realistyczne zrozumienie tych mocnych i słabych stron oraz umiejętność odpowiedniego działania może być skuteczną drogą naprzód dla obu grup. Nie jest tak, że sztuczna inteligencja jest dobra wyłącznie dla przedsiębiorstw albo wyłącznie dla małych firm. Jest pomocna i użyteczna dla wszystkich.

Jej wygląd oraz wyzwania, z którymi będziesz się mierzyć, będą jednak różne ze względu na wielkość i dojrzałość organizacji.

Galen Low: Czy masz jakieś historie lub przykłady osób, z którymi rozmawiałaś podczas przygotowywania raportu albo gdzie indziej w branży?

Olivia Montgomery: W branży? Chcesz poznać moje branżowe sekrety?

Galen Low: Możesz zdradzić szczegóły? No dalej.

Olivia Montgomery: Z przyjemnością się nimi podzielę. Firmy, niezależnie od tego, czy są duże, małe, z dowolnej branży i dowolnego miejsca pod względem kultury organizacyjnej, które wracają do podstaw, upewniają się, że są gotowe, i rozumieją, że ich zespoły chcą dobrze wykonywać swoją pracę, odnoszą większe sukcesy. Im jaśniejsze są oczekiwania i im lepsze bariery ochronne zapewniasz, tym większy będzie sukces.

Firmy, które mówią tylko: korzystajcie ze sztucznej inteligencji, codziennie sprawdzamy, czy się zalogowaliście, monitorujemy użycie, a menedżerowie otrzymują raporty, naprawdę istnieją. Mam przyjaciół i rodzinę. Słyszę o takich nakazach.

Są liderzy, którzy niestety przyjmują bardziej karzące podejście: kupiliśmy to narzędzie za duże pieniądze i każdego dnia 95% wszystkich osób musi być zalogowanych przez co najmniej dziesięć minut. Każdy ma własne limity i bardzo sztywno się ich trzymają, próbując mierzyć zwrot z inwestycji za pomocą wskaźników użycia. Nie jesteśmy jeszcze na to gotowi. Nie znam firmy, która byłaby na to gotowa.

Wciąż jesteśmy na etapie: zadbajmy o bezpieczeństwo i pomóżmy ludziom zrozumieć, jak skutecznie korzystać z narzędzia. Dopiero potem przejdziemy do audytu i sprawdzania, czy ludzie się logują. Uważam, że audyty są dobrym pomysłem. Nie twierdzę, że nie należy monitorować użycia, bo w ten sposób można dowiedzieć się, że cały zespół się nie zalogował, a następnie sprawdzić, dlaczego tak jest.

Jeśli cały zespół logował się codziennie przez miesiąc, a teraz użycie wyraźnie spada, warto sprawdzić, dlaczego. Niezależnie od sytuacji trzeba się z zespołem skontaktować i poznać przyczynę. Nie używałabym jednak audytów użycia jako sposobu mierzenia zwrotu z inwestycji. Używałabym ich do oceny skuteczności adopcji.

Galen Low: To dobre i jasne rozróżnienie: wykorzystywanie danych do podejmowania decyzji i kierowania ludźmi w porównaniu z wykorzystywaniem ich do karania i kontrolowania.

Przychodzi mi na myśl śledzenie czasu pracy, które jest często omawiane w mojej społeczności, szczególnie wśród osób pracujących w agencjach, firmach konsultingowych i usługach profesjonalnych. Część tego problemu polega na tym, że ktoś nie przepracował wystarczającej liczby godzin i że stopień wykorzystania jest zbyt niski. Pojawia się pytanie, czy jako człowiek jesteś w ogóle wartościowy, zamiast pytania, jak spędzamy czas i czy to właściwe miejsce na jego poświęcanie.

Jeśli nie poświęcamy czasu na ważne rzeczy, co można zrobić? Jaki jest powód i co można z nim zrobić? Myślę też o nakazach powrotu do biura. Ludzie i organizacje bardzo źle radzą sobie z mierzeniem wpływu i pomaganiem ludziom w przechodzeniu przez zmiany.

Zawsze pojawia się jakaś norma: jeśli czegoś nie zrobisz, spotka Cię kara. Takie zachowania występują nawet wtedy, gdy cel jest naprawdę szlachetny. Chcemy, aby ludzie mogli poznawać te narzędzia i z nich korzystać, a jednak przekaz brzmi: ukarzemy Cię, jeśli dzisiaj się nie zalogujesz.

Olivia Montgomery: Zdecydowanie.

Galen Low: W tym, co powiedziałaś o gotowości kulturowej, widać, jak ważna jest ona sama, jak ważne są dane i zarządzanie oraz jak te elementy współdziałają. Wszystko to musi być przygotowane, zanim będzie można ruszyć dalej.

Olivia Montgomery: Tak. Wspomniałeś o śledzeniu czasu pracy i moglibyśmy poświęcić temu cały odcinek, szczególnie jako osoba wykonująca pracę umysłową. Jak można śledzić czas, który wartościowa praca zajmuje podczas spaceru? Istnieje praca, podczas której siedzę i piszę, i to jest praca.

Jednak bardziej wartościowa praca, szczególnie dla mnie jako osoby wykonującej pracę umysłową i dla kierowników projektów oraz wszystkich, którzy rozwiązują problemy w pracy, odbywa się wtedy, gdy spaceruję i porządkuję informacje. Wtedy pojawia się olśnienie. Kiedy siadam i wykonuję bardziej tradycyjną pracę, robię to szybciej i z wyższą jakością.

Zwykle rejestrujemy albo chcemy rejestrować tylko czas spędzony przed komputerem na pisaniu. Jak więc uchwycić naprawdę użyteczny czas spędzony gdzie indziej? Mam nadzieję, że sztuczna inteligencja w końcu pomoże nam w tym w narzędziach do zarządzania projektami.

Jednym z najbardziej interesujących aspektów wpływu sztucznej inteligencji na narzędzia do zarządzania projektami jest alokacja zasobów. Automatyzacja oparta na sztucznej inteligencji staje się coraz bardziej zaawansowana. To wiele instrukcji warunkowych, które znamy z systemów CRM od lat dziewięćdziesiątych, ale ostatnio zostały bardzo mocno wzmocnione.

Kiedy tworzysz plan projektu i masz pulę zasobów, jednym z głównych zadań kierownika projektu jest przygotowanie odpowiedniej recepty na sukces projektu. Kto ma zaplanowany urlop? Kto ma potrzebne umiejętności? Kogo chcesz podnieść kwalifikacyjnie? Kto może poświęcić więcej czasu, bo dopiero się uczy? Kogo darzysz zaufaniem, gdy zadanie musi zostać wykonane bardzo szybko?

Trzeba połączyć wszystkie te elementy. Widzimy, że sztuczna inteligencja, uczenie maszynowe i możliwości predykcyjne coraz lepiej sobie z tym radzą. Niektóre narzędzia uwzględniają również ten trudny do uchwycenia czas. Jeśli ktoś ma wkrótce urlop, można przydzielić mu mniej wymagające poznawczo zadania, skoncentrowane na codziennej realizacji, a po powrocie przydzielić zadania wymagające głębszej pracy.

Niektóre systemy stają się bardzo zaawansowane. Mogą rozpoznać, że dana osoba dobrze pracuje przez trzy tygodnie, a następnie zaplanować tydzień zadań wyższego poziomu, które są inne i bardziej współpracujące. Uwzględnienie ludzkiego wymiaru jest dla kierownika projektu wyjątkowo skomplikowane i trudne.

Sztuczna inteligencja zdecydowanie pomaga i będziemy widzieć tego coraz więcej. To ekscytujące, ponieważ wiele zadań i terminów projektowych staje się problemem, gdy nie potrafimy uwzględnić tych wszystkich czynników. Czasami brakuje nam też bezpieczeństwa, aby przyznać, że jesteśmy ludźmi, a nie maszynami.

Maszyna wykonuje polecenie, nawet jeśli spali płytę główną. Można kupić nową. Nie chcemy tak postępować z ludźmi. Aby przedstawiać interesariuszom i właścicielom firm realistyczne oczekiwania, potrzebujesz realistycznego harmonogramu i struktury podziału pracy.

Wszystko to powinno odzwierciedlać rzeczywiste możliwości i warunki. Jestem bardzo podekscytowana, że sztuczna inteligencja może i miejmy nadzieję pomaga nam się do tego zbliżyć.

Galen Low: Uwielbiam ten przykład, ponieważ alokacja zasobów jest zdecydowanie ludzka. Pokazuje dokładnie to, o czym mówisz: ludzie nie są maszynami. Być może znajdowaliśmy się u szczytu tradycyjnej industrializacji, w której niemal zamieniliśmy ludzi w maszyny i traktowaliśmy ich jak maszyny, ponieważ potrzebowaliśmy jednolitości.

Czy dana osoba odbiła kartę o dziewiątej rano i wyszła o siedemnastej? Tak mogę to zmierzyć, ponieważ rozumiem te dane. Styl pracy każdej osoby, trudny do uchwycenia czas i wszystkie podobne elementy wymagałyby ode mnie zbyt dużej przepustowości, więc nawet o nich nie myśleliśmy.

Sztuczna inteligencja daje nam możliwość zakwestionowania nie tylko naszych założeń dotyczących pracy, ale także błędnych przekonań, które stworzyliśmy wokół pracy. Mówiliśmy: to zbyt trudne, więc każmy wszystkim przychodzić do biura o określonej godzinie i rejestrować czas. Będziemy przeprowadzać coroczne oceny i raz w roku pytać, jak sobie radzą oraz co można poprawić.

Przypadek alokacji zasobów jest świetnym przykładem tego, jak maszyny mogą pomóc nam rozpoznać własne człowieczeństwo w pracy, szczególnie w przypadku osób wykonujących pracę umysłową. Łączy dane, świadomość kulturową, przypadki użycia i pytanie, jak dokładnie korzystać z tych narzędzi każdego dnia.

Pokazuje także, jak technologia zmienia pracę nie tylko na poziomie zadań, lecz również na poziomie samego pojęcia pracy i sposobu, w jaki do niej podchodzimy. To prowadzi nas bezpośrednio w przyszłość. Rozmawialiśmy o wyrównywaniu szans i o tym, że sztuczna inteligencja zmienia i wpływa na każdą osobę oraz każdy dział organizacji.

Jednym z tematów, które omawialiśmy, było to, że sztuczna inteligencja staje się swego rodzaju wyrównywaczem, sprawiając, że technologia i biznes stają się bardziej inkluzywne i dostępne. Jakie mogą być krótko- i długoterminowe skutki funkcji sztucznej inteligencji, takich jak zintegrowane programowanie oparte na intuicyjnym opisywaniu potrzeb, automatyzacja lub orkiestracja przepływów pracy, dla sposobu wykonywania pracy?

Olivia Montgomery: To niezwykle ekscytujące. Zacznę od krótkiego terminu. Widzimy już, że wraz z pojawieniem się ChatGPT i dużych modeli językowych kierownicy projektów oraz osoby nietechniczne mogą rozmawiać z komputerami w sposób, który komputery lepiej rozumieją.

Jest to znacznie bardziej płynne niż wcześniej. Moi rodzice mogą teraz rozmawiać z dużym modelem językowym i wykonać pracę, której wcześniej nie potrafili wykonać za pomocą komputera. Duże modele językowe tolerują niepełne zdania, literówki i wiele nieścisłości w poleceniach.

Wcześniej, gdy trzeba było pisać linie kodu lub zapytania, należało być dokładnym. Teraz przetwarzanie języka naturalnego łączy się z dużymi modelami językowymi trenowanymi na ogromnych ilościach danych. Po raz pierwszy mamy komputery, które potrafią budować i rozwijać wiele rzeczy, a człowiek może rozmawiać z nimi znacznie łatwiej.

Niet techniczny kierownik projektu może dziś wejść do narzędzia do zarządzania projektami i wpisać: przygotuj strukturę podziału pracy dla projektu A, obejmującą okres do końca roku. System odpowie jak członek zespołu: oto informacje. Oczywiście trzeba to sprawdzić. Wszyscy używaliśmy dużych modeli językowych i widzieliśmy, jak popełniają błędy.

Fakt, że możemy rozmawiać z komputerem i uzyskiwać skuteczne wyniki, a także budować przepływy pracy, przenosi trend tworzenia rozwiązań bez kodu i z małą ilością kodu na zupełnie nowy poziom łatwości. To zdecydowanie ekscytujące.

Widzę jednak sygnały ostrzegawcze. Możemy polegać na wyłaniających się możliwościach tych narzędzi, choć marketing nie wyjaśnia jasno, że są to możliwości emergentne. Skupię się na dużych modelach językowych, ponieważ ich wpływ w krótkim terminie będzie największy.

Wszyscy ich używamy, szczególnie do podsumowywania informacji, zbierania i analizowania punktów danych. Są to jednak możliwości emergentne. Duże modele językowe służą do generowania tekstu lub obrazów w formie przypominającej ludzką. Statystycznie przewidują kolejność słów na podstawie ogromnej ilości informacji.

Nie wiedzą, co oznacza słowo „podsumować”. Nie rozumieją znaczenia słów. Jeśli rozłożysz słowo na tokeny, model używa ich do przewidywania kolejnych elementów, a nie do rozumienia znaczenia w taki sposób, w jaki robi to człowiek.

To właśnie tutaj widzę wpływ mojego wykształcenia w zakresie literatury angielskiej i języka. Pojawia się ogromny rozdźwięk między tym, jak człowiek rozumie słowo, a tym, jak rozkłada je duży model językowy. Ma to efekt kumulacyjny.

Wyobraź sobie kierownika projektu przygotowującego duże spotkanie statusowe z właścicielem firmy. Musi zebrać statusy z narzędzia do zarządzania projektami, notatek głosowych i wiadomości, a następnie umieścić je w dużym modelu językowym z prośbą o wyjaśnienie sytuacji.

Brzmi świetnie, ale duże modele językowe przekształcają przekazane informacje. Zwykle usuwają wiele słów nacechowanych emocjonalnie, poczucie pilności i niuanse. Czasami usuwają całe fragmenty tego, co poproszono je o przeanalizowanie.

Przykładowo, jeśli notatka głosowa mówi, że nowa umowa z dostawcą utknęła w dziale prawnym, że trudno skontaktować się z prawnikami, nie można ruszyć dalej bez odpowiedzi i wszyscy są tym sfrustrowani, podsumowanie może brzmieć: umowa z dostawcą znajduje się na końcowym etapie.

To nie jest nieprawda, ale jest to końcowy etap pełen napięcia i frustracji. Możesz to przeoczyć. Możesz nawet nie odsłuchać notatki głosowej, ponieważ przekażesz transkrypcję do dużego modelu językowego i oczekujesz, że on się tym zajmie.

Nie przekażesz więc frustracji właścicielowi firmy, nie skontaktujesz się z przełożonym i nie spróbujesz usunąć przeszkody. Pomyślisz tylko: jest na końcowym etapie, świetnie. To zdarza się często. Musisz na to bardzo uważać.

Model zawsze złagodzi język i może generować halucynacje. Wskaźniki halucynacji są nadal bardzo wysokie, nawet w systemach własnościowych, które firmy świetnie monitorują i dostosowują do zmian modelu. Kierownicy projektów muszą wiedzieć, że prawdopodobieństwo wystąpienia takiego problemu jest bardzo duże.

Narzędzia te nie wiedzą, co oznacza „podsumować”. Próbują wygenerować to, co ich zdaniem jest oczekiwane. Trzeba o tym pamiętać. Nieustannie łagodzą język, przedstawiają informacje w zniekształcony sposób i może to mieć dla nas poważne konsekwencje.

Galen Low: Nie zastanawiałem się wcześniej nad usuwaniem treści emocjonalnych i nad jego wpływem. Istnieje różnica między nauką języka a trenowaniem na danych językowych. Duże modele językowe są bardzo przekonujące.

Ludzie myślą: skoro odpowiada jak człowiek i popełnia błędy jak człowiek, to jest tak inteligentny jak człowiek. Ale tak nie jest. Halucynacje można łatwo wyjaśnić token po tokenie i proces po procesie.

Kierownik projektu często wychwytuje niuanse, porządkuje emocje i przekierowuje je. Oczywiście skracamy informacje, ale po drodze również przekształcamy emocje. Możemy osłonić zespół przed częścią niepokoju, jednocześnie przekazując, że sprawa jest pilna i napięta.

Jeśli po prostu wrzucisz wszystkie pliki do oprogramowania do zarządzania projektami i poprosisz o określenie statusu, cały wymiar emocjonalny może zniknąć. To przerażające i fascynujące zarazem. To dopiero początek, a nie koniec, i musimy uwzględnić ten fakt w sposobie pracy.

Olivia Montgomery: Jednym ze sposobów ograniczenia tego problemu w przypadku kierowników projektów jest pamiętanie, że ponosimy odpowiedzialność. Jeśli przeoczymy niuans lub frustrację i nie zareagujemy, to my zostaniemy pociągnięci do odpowiedzialności.

Trzeba sprawdzać wszystkie dane wejściowe. Nie dzieje się to jednak wystarczająco często, ponieważ marketing przekonuje nas, że narzędzia świetnie sobie z tym radzą. Brakuje jasności, że są to możliwości emergentne.

Jeśli ograniczysz się do funkcji generowania, prawdopodobnie będziesz bezpieczniejszy. Bardzo zaawansowany, wyspecjalizowany zespół może poprawić niezawodność dzięki dużej bazie danych i wielu regułom warunkowym.

Nadal są to jednak systemy działające jak czarne skrzynki. Nawet ich twórcy przyznają, że nie wiedzą dokładnie, dlaczego model potrafi podsumowywać tekst. To jest dla mnie przerażające.

Jeśli w narzędziu do zarządzania projektami widzisz inteligentne sugestie, nie są one aż tak niepokojące. Gdy zbierasz wymagania użytkownika i widzisz polecenie pomagające rozpocząć pracę, może ono świetnie ograniczyć lęk przed pustą stroną. Warto poprosić o wygenerowanie pierwszego szkicu.

Właśnie tak myślę o dużych modelach językowych: traktuję je jako generatywną sztuczną inteligencję i proszę o wygenerowanie pierwszego szkicu. Są bardzo skuteczne w tym zastosowaniu. Wszystko wykraczające poza tę funkcję należy traktować jako możliwości emergentne, które nie zostały jeszcze odpowiednio przetestowane i potwierdzone.

Nie należy się jednak bać. Lęk przed pustą stroną jest znacznie gorszy niż halucynacja sztucznej inteligencji. Pierwszy szkic pomaga ruszyć z miejsca. Trzeba po prostu wiedzieć, że nie rozumiemy jeszcze w pełni, jak te systemy działają.

Nie polecałabym polegać na nich przy tworzeniu pełnego raportu statusowego. Można napisać raport samodzielnie i poprosić model o dostosowanie go do właściciela firmy, a następnie przygotowanie wersji dla zespołu. Obie grupy potrzebują innych informacji i innego sposobu ich przedstawienia.

Nie należy jednak polegać na modelu w pełni ani mu w pełni ufać. Jest przekonujący, ponieważ został zaprojektowany tak, aby być przekonujący. Brzmi pewnie celowo, ale to nie oznacza, że rzeczywiście wie, co robi.

Galen Low: W miarę naszej rozmowy staje się jasne, dlaczego adopcja była jednym z głównych wyzwań wskazanych w raporcie. Mamy nakazy: korzystajcie ze sztucznej inteligencji. Presja jest wszędzie, a ludzie nie wiedzą, czego się od nich oczekuje.

Nie zawsze prowadzimy rozmowę, nie edukujemy się i nie szkolimy w zakresie tego, jak działa technologia, czego o niej nie wiemy oraz jak powinniśmy z niej obecnie korzystać. Chciałbym spojrzeć dalej w przyszłość. W ostatnich miesiącach coraz częściej mówi się o agentowej sztucznej inteligencji i funkcjach agentowych w oprogramowaniu do zarządzania projektami.

Dokąd nas to prowadzi i co będzie oznaczać w przyszłości?

Olivia Montgomery: Przyszłość jest bardzo ekscytująca. Teraźniejszość jest nieco chaotyczna, ale z przyszłością wiążę duże nadzieje. Agentowa sztuczna inteligencja może znaczyć różne rzeczy dla różnych osób.

Zespół IT w organizacji i dostawca powinni jasno określić, co dokładnie oznacza ona w danym przypadku. Jeśli ktoś już dziś reklamuje w pełni gotową agentową sztuczną inteligencję, podeszłabym do takiej oferty bardzo krytycznie i dokładnie przeanalizowała jej aspekty techniczne.

Nie jesteśmy jeszcze na tym etapie. Agentowa sztuczna inteligencja będzie umożliwiać systemowi podejmowanie decyzji i wykonywanie zadań w dość złożonym przepływie. Idealnie chcielibyśmy móc powiedzieć: zarezerwuj mi rodzinne wakacje w Grecji w październiku, a system sprawdzi kalendarze wszystkich zaproszonych osób, wynegocjuje najlepsze stawki wynajmu samochodu, znajdzie loty i wykona wszystkie te działania.

Miałby działać jak osobisty agent, podejmować decyzje i wracać z gotowym planem podróży. To ekscytujące i mam nadzieję, że kiedyś do tego dojdziemy.

Przetwarzanie języka naturalnego i możliwość rozmawiania z komputerami przez osoby nietechniczne już teraz pozwalają budować automatyzacje bez kodu i z małą ilością kodu. W przyszłości możliwości te będą obejmować kolejne systemy.

Obecnie możesz zbudować przepływ pracy w narzędziu do zarządzania projektami, ale niekoniecznie obejmie on system CRM, pocztę elektroniczną i kalendarz. Z czasem możliwości będą się zwiększać i zbliżymy się do agentowej sztucznej inteligencji.

Możesz powiedzieć: zarezerwuj mi rodzinne wakacje w Grecji w październiku. To jest również przykład programowania opartego na intuicyjnym opisywaniu potrzeb. Polega ono na używaniu języka naturalnego jako polecenia, a komputer buduje na tej podstawie odpowiednią logikę.

Nie chodzi o „klimat” ani o dobry nastrój. Chodzi o zwykły język: zarezerwuj mi wyjazd. Za tak prostym zdaniem kryje się jednak niezwykle złożona logika. Każdy, kto rezerwował rodzinne wakacje, wie, jak skomplikowane może to być.

Przekazanie tego zadania komputerowi jest ekscytujące, ale będzie też pełne problemów. Te same słowa nie zawsze znaczą to samo dla wszystkich. Możesz powiedzieć: zarezerwuj mi rodzinne wakacje, a nawet wskazać cztery osoby, ale sztuczna inteligencja nie może samodzielnie potwierdzić, czy wszystkie naprawdę chcą pojechać.

Traci się wiele powiązań, niuansów i emocji. Otrzymasz wynik natychmiast, ale gdy pojedziesz na wakacje zaplanowane przez sztuczną inteligencję, możesz przeżyć interesujące doświadczenie.

Galen Low: To trochę jak wejście do autonomicznego samochodu. Technologia jest częściowo sprawdzona, ale wciąż wiąże się z ryzykiem.

Olivia Montgomery: Tak. Istnieje wiele uprzedzeń i nieoczekiwanych elementów. Załóżmy, że sztuczna inteligencja zna mnie, moje preferencje i to, kim jestem, a ja zwykle organizuję rodzinne wakacje. Powiedziałabym: dobrze, zarezerwuj je.

System prawdopodobnie zarezerwowałby wiele muzeów historycznych i sztuki współczesnej, ponieważ chciałby mnie zadowolić. Tyle że tylko ja chcę odwiedzać muzea kolejnictwa, a reszta rodziny nie. Musimy więc nadal prowadzić rozmowę.

Wszystko sprowadza się do zadawania pytań, kwestionowania, świadomości, że te narzędzia nie są doskonałe, oraz traktowania marketingu z dystansem. Trzeba zadawać głębsze pytania i rozumieć ograniczenia narzędzi.

Blask nowości zaczyna przygasać. Wszyscy mówią: świetnie opowiada historie na dobranoc mojemu dziecku, ale zepsuł mój raport statusowy i sprawił, że wyglądałem na osobę, która nie zna swojego projektu, ponieważ zbytnio polegałem na narzędziu i przekazałem mu część myślenia oraz rozwiązywania problemów.

Potrzebujemy więc ciągłego, krytycznego dialogu.

Galen Low: To bardzo interesująca uwaga. Nie jesteśmy jeszcze na etapie agentowej sztucznej inteligencji, choć niektórzy mogą twierdzić inaczej. Wszyscy zgodzą się jednak, że to wczesny etap.

Nie chodzi wyłącznie o rozwój technologii, lecz także o sposób jej trenowania i dostarczania kontekstu. Trudno ufać jej decyzjom dotyczącym znaczenia słów, ponieważ nie rozumie ich jak człowiek, a także dlatego, że nie została wytrenowana z uwzględnieniem wszystkich niuansów ludzkiej komunikacji.

Przejście od takiej decyzji do negocjowania stawek za podróż wymaga ogromnych kroków. Potencjał jednak istnieje. Technologia pokazuje, jak praca może wyglądać za pięć lub dziesięć lat. Teraz jest chaotycznie, ale powstaje przestrzeń dla trudnych do uchwycenia sposobów pracy.

Na koniec wszystko sprowadza się do presji. Inwestycje ekonomiczne są dokonywane na poziomie infrastruktury i rządów, a następnie spływają do bardzo dużych inwestycji na poziomie przedsiębiorstw i zespołów. Użytkownicy mają logować się codziennie, próbować nowych rozwiązań i dzielić się wiedzą.

Aby to wszystko działało, potrzebne są odpowiednie barierki ochronne, dane, prywatność i bezpieczeństwo, a także ludzkie parametry: czego się od nas oczekuje, co mamy z tym zrobić i jak możemy wspierać się nawzajem w dialogu.

To prawdopodobnie wykracza poza oprogramowanie do zarządzania projektami. Zaczęliśmy od oprogramowania do zarządzania projektami, ale podoba mi się kierunek, w którym poszliśmy. To mikrokosmos pracy, projektów i używanego przez nas oprogramowania. Ta rozmowa była niesamowita.

Olivia Montgomery: Myślę, że kierownicy projektów to osoby, które często myślą bardzo dynamicznie. Potrafią patrzeć na sprawy z szerokiej i wąskiej perspektywy, a także przenosić rozwiązania z życia osobistego do pracy.

Kierownicy projektów są w tym wyjątkowo dobrzy. Mam nadzieję, że doceniają, iż językoznawstwo i makroekonomia wpływają na sposób korzystania z tych narzędzi. Takie rozmowy pomagają lepiej rozumieć to, co widzimy.

Kiedy system coś psuje lub pomija polecenie, warto rozumieć, dlaczego tak się dzieje, i wiedzieć, że słusznie podchodzimy do tego krytycznie.

Galen Low: Warto podkreślić, że kierownicy projektów są w tym dobrzy. Niesamowite.

Olivia, bardzo dziękuję za poświęcony czas. Świetnie się bawiłem. Zawsze wspaniale gościć Cię w programie. Wspomniałem na początku, że właśnie opublikowałaś raport Badanie trendów w oprogramowaniu do zarządzania projektami Capterra 2025. Gdzie można go znaleźć?

Olivia Montgomery: Jest opublikowany na stronie capterra.com. Można go tam znaleźć. Można też obserwować mnie na LinkedInie jako Olivia Montgomery. Regularnie publikuję tam badania, przemyślenia, pomysły i spostrzeżenia. Zachęcam do zapoznania się z nimi.

Galen Low: Świetnie. Umieszczę linki również w notatkach do odcinka.

Olivia, jeszcze raz dziękuję. Jak zawsze było mi bardzo miło.

Olivia Montgomery: Bardzo dziękuję.

Galen Low: To wszystko w dzisiejszym odcinku podcastu The Digital Project Manager. Jeśli podobała Ci się ta rozmowa, zasubskrybuj podcast w miejscu, w którym go słuchasz. Jeśli chcesz uzyskać jeszcze więcej praktycznych spostrzeżeń, studiów przypadków i przewodników, odwiedź stronę thedigitalprojectmanager.com.

Do usłyszenia następnym razem. Dziękuję za uwagę.