Poza promptami: jak wykorzystać sztuczną inteligencję do sprawniejszego zarządzania projektami

Przeczytaj transkrypcję:

Testujemy transkrypcję naszych podcastów za pomocą programu komputerowego. Prosimy o wyrozumiałość w przypadku literówek, ponieważ bot nie zawsze działa w 100% poprawnie.

Galen Low: Jesteś około 11 miesięcy na swojej drodze z generatywną sztuczną inteligencją i doszłaś do trzech wniosków.

Po pierwsze, możliwości generatywnej sztucznej inteligencji są naprawdę bezprecedensowe. Twój wujek Rastin naprawdę uważa, że to czary.

Po drugie, generatywna sztuczna inteligencja jest zjawiskiem globalnym. Ludzie nie przestaną o niej wkrótce mówić — ani podczas kolacji, ani tym bardziej na swoim kanale LinkedIn.

Po trzecie, nawet pośród całego zachwytu i entuzjazmu wokół generatywnej sztucznej inteligencji, jak dotąd wykorzystujesz ją głównie do robienia notatek i odrobiny planowania posiłków.

Jeśli zajmujesz się projektami i masz wrażenie, że utknąłeś w rutynie związanej z chatbotami AI, albo znasz kogoś, kto tak się czuje, ten odcinek jest dla ciebie. Porozmawiamy o tym, jak kształtować sposób myślenia i odruchy związane z generatywną sztuczną inteligencją, aby unikać „wykorzystywania generatywnej AI dla samego jej wykorzystywania”. Porozmawiamy o tym, co przyszłość AI ma do zaoferowania poza inżynierią promptów. Zastanowimy się też, jak poszerzenie wiedzy o AI i o tym, jak działają projekty AI, może otworzyć zupełnie nową ścieżkę kariery, o której istnieniu nigdy nie wiedziałeś. Gotowi? Zaczynamy.

Cześć wszystkim, dzięki za dołączenie. Nazywam się Galen Low i reprezentuję The Digital Project Manager. Jesteśmy społecznością specjalistów cyfrowych, której misją jest pomaganie sobie nawzajem w zdobywaniu umiejętności, pewności siebie i kontaktów, abyśmy mogli zwiększać wartość zarządzania projektami w cyfrowym świecie. Jeśli chcesz dowiedzieć się więcej, odwiedź stronę thedpm.com/membership.

Dzisiaj rozmawiamy — niespodzianka — o generatywnej sztucznej inteligencji, ale także o inżynierii promptów i o tym, czy profesjonaliści tacy jak my, kierownicy projektów, nie patrzą czasem na przysłowiowy palec Bruce’a Lee wskazujący księżyc. Zaprosiłem do rozmowy ekspertkę, która pomoże odpowiedzieć na pytania o to, co generatywna AI oferuje w obszarze zarządzania projektami poza interfejsami opartymi na rozmowie i tworzeniem promptów.

Moim gościem jest dziś Kathleen Walch, dyrektorka ds. zaangażowania i edukacji w obszarze AI w Project Management Institute, a także uznana ekspertka i edukatorka w dziedzinie sztucznej inteligencji.

Kathleen, dziękuję, że jesteś dziś ze mną.

Kathleen Walch: Dziękuję za zaproszenie. Bardzo cieszę się na tę rozmowę.

Galen Low: Bardzo się cieszę, że ponownie występujesz w naszym programie. Kathleen była już wcześniej gościem, razem z Ronem Schmelzerem, gdy rozmawialiśmy o AI. Rany, to było chyba dwa lata temu, prawda?

Kathleen Walch: Być może. Czas naprawdę szybko leci, prawda?

Galen Low: Zdecydowanie. Myślałem o tamtej rozmowie i pomyślałem: tak wiele się zmieniło. Wtedy AI było niemal tematem niszowym.

To było coś w rodzaju: sztuczna inteligencja i zarządzanie projektami. Dobrze. A teraz jest już głównym nurtem i stała się częścią codzienności. Wszyscy się nią zajmują. Nie można od niej uciec. Cieszę się, że możemy dziś skorzystać z twojej wiedzy.

Dla tych, którzy cię nie znają: od pewnego czasu działasz w świecie AI i obserwujesz, jak przez ostatnich siedem czy osiem lat zmieniało się nasze rozumienie sztucznej inteligencji w kontekście zawodowym. Skoro dla nas, osób dopiero poznających AI, niektóre zmiany wydają się tak szybkie, zastanawiam się, czy twoim zdaniem większość profesjonalistów nie zatrzymuje się na codziennym tworzeniu promptów, nie dostrzegając szerszego obrazu możliwości tej technologii?

Kathleen Walch: To świetne pytanie, bo masz rację — jestem w tej dziedzinie od dawna.

Mówię, że zajmuję się AI od czasów, zanim generatywna sztuczna inteligencja stała się modna. Zawsze nazywam ją najstarszą nową technologią, ponieważ termin ten został oficjalnie ukuty w 1956 roku. Ma więc ponad 70 lat, a mimo to wydaje się zupełnie nowa. Dlaczego? Przeżyliśmy już dwie wcześniejsze zimy AI, czyli okresy spadku inwestycji i popularności.

Głównym powodem jest to, że obiecujemy zbyt wiele, a dostarczamy zbyt mało w porównaniu z tym, co technologia rzeczywiście potrafi. Musimy więc rozumieć AI jako narzędzie. Nie jest dobra we wszystkim, ale dobrze radzi sobie z określonymi zadaniami, dlatego należy wykorzystywać ją właśnie w ten sposób. Generatywna sztuczna inteligencja stała się tak ekscytująca, ponieważ oddała AI w ręce wszystkich.

Siedem czy osiem lat temu również regularnie korzystaliśmy ze sztucznej inteligencji, tylko nie mieliśmy takiego wrażenia. Mieliśmy tekst predykcyjny w wiadomościach e-mail, filtry antyspamowe, prawda? To także wykorzystywało AI. Korzystaliśmy z GPS-u, Waze'a czy Map Google, które pomagały nam optymalizować trasy.

Nie odczuwaliśmy jednak, że to sztuczna inteligencja, ponieważ była po prostu częścią aplikacji, z których już korzystaliśmy. Następnie pojawiła się generatywna AI, a w szczególności ChatGPT, ponieważ był pierwszym szeroko dostępnym narzędziem. Oddał AI w ręce wszystkich. Dzięki temu mogliśmy korzystać z inteligencji wspomagającej — nie zastępującej człowieka, lecz pomagającej mu lepiej wykonywać pracę.

Można było odczuć to każdego dnia. AI pomagała napisać lepszą wiadomość e-mail, przeprowadzić burzę mózgów, wykonać tłumaczenie czy stworzyć obrazy do prezentacji PowerPoint. Współpraca stała się namacalna i można było zobaczyć bezpośrednią korzyść. W tym kierunku poszedł cały świat i to wspaniałe, ale jednocześnie ludzie nadal muszą rozumieć, że AI jest narzędziem oraz kiedy należy, a kiedy nie należy z niej korzystać.

Galen Low: Podoba mi się ta koncepcja AI działającej w tle, a teraz AI jako osoba, z którą codziennie się kontaktujesz i do której każdy ma dostęp. To właśnie nowa popularna osoba. Podoba mi się, że powiedziałaś, iż generatywna AI spopularyzowała sztuczną inteligencję, ale interesuje mnie też koncepcja zim AI.

Zima AI pojawia się, ponieważ obiecujemy zbyt wiele, a dostarczamy zbyt mało, a technologia w pewnym momencie nie była jeszcze gotowa, by spełnić te obietnice. Teraz być może jest. Mówimy o ChatGPT i wszystkich dużych modelach językowych, które obecnie nadają ton, ale w lutym 2025 roku mówimy również o DeepSeek.

Mówimy o technologii, która oszałamia i być może nie potrzebuje całej infrastruktury, której dotychczas rzekomo wymagała. Trochę odbiegam od tematu, ale podoba mi się to, co ta technologia może przynieść. Cieszę się, że ludzie o niej rozmawiają i ją przyjmują. Może to jednak być skomplikowane, gdy wszyscy się tym zajmują, każdy ma opinię, każdy uważa, że wie, jak to działa, i każdy sądzi, że AI nadaje się do wszystkiego. A może wcale tak nie jest.

Gdybym spojrzał na to z perspektywy zarządzania projektami, jakie są twoje ulubione zastosowania generatywnej AI i interfejsów opartych na rozmowie w zarządzaniu projektami?

Kathleen Walch: To świetne pytanie.

W Project Management Institute mamy wiele kursów edukacyjnych, które są bezpłatne dla członków albo dość tanie dla osób niebędących członkami. Omawiamy w nich wiele różnych zastosowań. Zawsze mówię, żeby zacząć od spisania wszystkich problemów, które sprawiają ci trudność, wszystkich obszarów, w których potrzebujesz pomocy, oraz wszystkich miejsc, w których widzisz możliwość poprawy.

Następnie trzeba ustalić, które z nich można łatwo rozwiązać za pomocą systemu generatywnej sztucznej inteligencji. Kiedy myślimy o kierownikach projektów, zawsze pojawiają się protokoły ze spotkań. To stereotypowy przykład, który często przywołujemy. Jeśli jest to dla ciebie problem, jak możesz go rozwiązać? Jak AI może ci pomóc?

Wiele dostępnych narzędzi już potrafi to robić. Zawsze jednak dodaję, że dobrze jest mieć coś, co pomoże ci raz. Rozmawiamy na przykład o pomocy przy tworzeniu karty projektu. To świetnie, ale ile razy robisz to w trakcie projektu? Prawdopodobnie raz. Nie przeglądasz przecież karty projektu co tydzień.

Co pomoże ci regularnie — codziennie lub co tydzień? Może zaangażowanie interesariuszy albo lepsza komunikacja. Jak tworzyć wiadomości e-mail lub dokumentację dla różnych odbiorców? Czasami potrzebuję streszczenia dla kadry kierowniczej, czasami muszę dostosować treść do interesariuszy, a innym razem do klientów wewnętrznych lub zewnętrznych.

Zidentyfikuj te problemy i pracuj nad ich rozwiązaniem, ponieważ właśnie tam zobaczysz rzeczywistą stopniową poprawę. Mówię też: ćwicz. Z czasem stajesz się coraz lepszy. W inżynierii promptów ryzyko niepowodzenia jest naprawdę niewielkie — po prostu próbujesz ponownie.

W tym miejscu pojawiają się również umiejętności kluczowe, które PMI nazywa umiejętnościami mocy, czyli kompetencjami miękkimi. Myślenie krytyczne, współpraca i komunikacja. Zawsze pytam: jak wykorzystać generatywną AI, aby pomogła rozwijać umiejętności mocy, i jak te umiejętności mogą pomóc lepiej tworzyć prompty? Na przykład w komunikacji AI może pomóc ci stać się lepszym komunikatorem.

Może pomóc pisać wiadomości e-mail, zmieniać ich ton, skracać je i tworzyć podsumowania. Ale jak umiejętności komunikacyjne pomagają być lepszym twórcą promptów? Być może trzeba dopracować prompt, zmienić jego długość albo z czasem go edytować.

Lubię więc patrzeć na te dwie strony medalu: jak AI może pomóc rozwijać umiejętności mocy oraz jak umiejętności mocy mogą pomóc stać się lepszym w inżynierii promptów.

Galen Low: Wrócę do tego później. Najpierw jednak zastanawiam się, czy nie moglibyśmy nieco się cofnąć, bo ja znam ten kontekst, ale nie wszyscy nasi słuchacze.

Podczas pracy jako partnerka zarządzająca w Cognilytica współtworzyłaś certyfikację CPMAI, czyli ramy zarządzania projektami dla specjalistów. Pisałem o tym i powiedz, czy dobrze to rozumiem: stworzono ją dla specjalistów, takich jak analitycy danych i naukowcy zajmujący się danymi, pracujących nad projektami AI.

Niedawno Cognilytica połączyła siły z Project Management Institute, dzięki czemu CPMAI stała się oficjalną częścią dość prestiżowej oferty certyfikacji PMI w zakresie zarządzania projektami. Skoro rozmawiamy o kursach, PMI i nauce, czy mogłabyś opowiedzieć, dla kogo obecnie przeznaczona jest ta certyfikacja i czym różni się od kursów inżynierii promptów — na przykład bezpłatnego kursu PMI dla członków?

Albo od kursu na Udemy? Co sprawia, że certyfikacja CPMAI jest ważna i inna?

Kathleen Walch: To świetne pytanie. Lubię przedstawiać certyfikację CPMAI jako dwie strony medalu. 95% rozmów koncentruje się na tym, jak wykorzystać narzędzia AI, aby lepiej wykonywać swoją pracę.

Mamy mnóstwo różnych narzędzi. Ludzie zawsze pytają mnie, które jest najlepsze, a ja odpowiadam: to zależy od tego, co próbujesz zrobić. Nowe narzędzia pojawiają się dosłownie każdego dnia. Niezależnie od tego, co chcesz osiągnąć, prawdopodobnie istnieje narzędzie, które może ci pomóc. Musisz tylko zrozumieć, jak z niego korzystać i jak robić to coraz lepiej.

Na tym skupia się około 95% rozmów. Właśnie w tym pomagają kursy e-learningowe oferowane przez PMI. Mamy wprowadzenie do generatywnej AI, krajobraz danych dla AI, kurs inżynierii promptów oraz kurs zastosowań AI. Pokazują one, jak kierownik projektu i specjalista ds. projektów może wykorzystywać różne narzędzia i aplikacje.

To wspaniałe, ale pomaga ci lepiej wykonywać twoją pracę. Następnie musimy spojrzeć na kierownika projektu, specjalistę ds. projektów albo osoby powiązane z projektami, o których wspomniałeś — naukowca zajmującego się danymi, inżyniera danych czy inżyniera AI i uczenia maszynowego. Taka osoba może zostać poproszona o prowadzenie i zarządzanie projektem AI.

Musimy zrozumieć, że projekty AI są projektami danych. Trzeba więc stosować metodyki skoncentrowane na danych. Nie można prowadzić ich w tradycyjnym stylu tworzenia aplikacji programistycznych, bo szybko okaże się, że to niewłaściwe podejście, a projekt będzie obarczony większym ryzykiem niepowodzenia.

Kilka lat temu opracowaliśmy metodykę CPMAI, ponieważ organizacje przychodziły do nas i mówiły — było to siedem czy osiem lat temu, na długo przed pojawieniem się generatywnej AI — że muszą budować te systemy od podstaw, ustalić, jakiego algorytmu potrzebują, oraz określić wszystkie wymagania dotyczące danych.

Wiele z tego nadal jest aktualne, nawet jeśli korzystamy z gotowych rozwiązań. Organizacje pytały jednak: od czego zacząć? Rozejrzeliśmy się i odkryliśmy, że nie istnieje prawdziwe podejście krok po kroku. Dlatego stworzyliśmy metodykę CPMAI wspólnie z dużym bankiem i dużą instytucją rządową. We wrześniu 2024 roku oficjalnie dołączyliśmy do PMI, które przejęło Cognilytica.

CPMAI jest obecnie oficjalną certyfikacją PMI. Od początku była niezwykle wartościowa dla kierowników projektów, specjalistów ds. projektów i kierowników produktów, ale także dla osób powiązanych z projektami. Podam przykład: mój mąż jest inżynierem oprogramowania i pracuje w tym zawodzie od około dwóch dekad.

Czasami musi prowadzić i zarządzać projektami. Jeśli zostanie poproszony o prowadzenie projektu AI, nie określi siebie jako kierownika projektu i nigdy by tego nie zrobił, ponieważ utożsamia się z rolą inżyniera oprogramowania. Mimo to zostaje postawiony w takiej sytuacji. Coraz częściej widzimy, że szczególnie w przypadku projektów AI osoby, które tradycyjnie nie identyfikują się jako kierownicy projektów, obejmują właśnie tę rolę.

Dlatego ta certyfikacja jest przeznaczona dla wszystkich osób należących do tych różnych kategorii.

Galen Low: To, co powiedziałaś, jest naprawdę ważne. Nie wiedziałem, że zaczęliście od współpracy z instytucją rządową i bankiem. Kiedy mówisz o różnicy między projektem programistycznym a projektem danych i myślisz o danych, które może posiadać bank albo rząd, staje się dla mnie oczywiste, że nie można prowadzić takiego projektu jak zwykłego projektu. Trzeba uwzględnić dodatkowe kwestie.

Zgadzam się, że coraz bardziej cała ekipa powinna mieć taką świadomość, ponieważ widzieliśmy sytuacje, w których projekty kończyły się problemami etycznymi. Widzieliśmy też projekty zmierzające zbyt szybko do celu, którego tak naprawdę nie rozumiemy, przy wykorzystaniu technologii, która rozwija się bardzo szybko i zmienia się kulturowo pod względem sposobu, w jaki ludzie ją przyjmują, oraz ich odczuć i obaw.

Podoba mi się koncepcja rozumienia, jak prawidłowo prowadzić projekt danych wykorzystujący AI lub uczenie maszynowe, ponieważ zwykłe podejście — podejście stosowane przy tworzeniu oprogramowania — może nie przynieść właściwego rezultatu. Można trafić w ślepą uliczkę albo napotkać przeszkody, których dałoby się uniknąć, gdyby pomyśleć o nich wcześniej.

Kathleen Walch: Zawsze przedstawiam to w ten sposób: w tworzeniu oprogramowania najważniejszy jest kod. Nigdy nie oddalibyśmy kodu, bo to najważniejsza część.

W projekcie AI najważniejsze są jednak dane. Nigdy nie oddalibyśmy danych. Kod stanowi niewielką i niekoniecznie krytyczną część projektu. Najważniejsze są dane — te unikalne dane, które zdecydują o powodzeniu lub porażce projektu. Mówimy: „śmieci na wejściu, śmieci na wyjściu”.

To pomaga spojrzeć na sprawę z właściwej perspektywy. Jeśli ktoś jest osobą powiązaną z projektem, ale nie tradycyjnym kierownikiem projektu, musi zrozumieć, że trzeba zmienić sposób myślenia: nie chodzi o kod, lecz o dane. Dlatego potrzebna jest metodyka skoncentrowana na danych.

Galen Low: Jest tak wiele kierunków, w których chciałbym pójść, ale spróbuję się tego trzymać. To naprawdę niezwykła i przełomowa myśl: dane są najważniejszym elementem projektu danych, a kod jest niemal drugorzędny. Dla mnie, osoby wywodzącej się z przestrzeni cyfrowej, to dość nietypowa koncepcja, ale bardzo mi się podoba.

Pomyślałem, że wrócę do kwestii kariery i certyfikacji, ponieważ wiem, że wiele osób w mojej społeczności uważa, iż PMP jest świetnym poświadczeniem i ma dużą wagę w branży. Wiele osób zaczyna o nim myśleć po pewnym czasie pracy jako kierownik projektu albo po zgromadzeniu doświadczenia w obszarze zarządzania projektami.

PMP jest szczytowym osiągnięciem, które można umieścić w CV, profilu i podczas rozmów o pracę, aby pokazać, że traktuje się swoją pracę poważnie, działa na wysokim poziomie, jest poszukiwanym specjalistą i prawdopodobnie powinno się otrzymywać wyższe wynagrodzenie. Teraz, gdy do gry dołącza CPMAI, zastanawiam się, czy pracodawcy w przestrzeni oprogramowania wykorzystującego AI — a właściwie może w dowolnej branży — już poszukują osób z certyfikacją CPMAI.

Czy twoim zdaniem chodzi raczej o praktyczne umiejętności zdobywane w pracy przez osoby, które już zajmują się projektami AI i danymi? Czy może pomóc kierownikowi projektu wyróżnić się na tle innych?

Kathleen Walch: Tak, zdecydowanie. Masz rację — PMP jest szczytowym osiągnięciem.

To nasza złota certyfikacja w PMI. Pracujemy nad tym, aby także inne certyfikacje stały się złotym standardem. Co to oznacza? Certyfikacja jest niezwykle kompleksowa i obejmuje wiele etapów oraz wymagań, które muszą zostać spełnione, aby mogła stać się złotym standardem.

Pracujemy więc nad tym, aby CPMAI również osiągnęła status złotego standardu. Informuje ona pracodawców, że potrafisz prowadzić i zarządzać projektami AI, znasz odpowiednią terminologię, wiesz, co AI może, a czego nie może robić, znasz sześć faz CPMAI i potrafisz prowadzić projekty jak projekty danych, zgodnie z podejściem krok po kroku.

Zbyt często widzieliśmy organizacje, które nie miały planu. Przyczyn było wiele. Branża rozwija się bardzo szybko, ludzie odczuwają FOMO, czyli lęk przed tym, że coś ich ominie. Widzą, że konkurencja coś robi, więc sami chcą to robić i po prostu ruszają do przodu. Można ruszyć do przodu, ale trzeba mieć plan.

Właśnie to zapewnia CPMAI. Jest to podejście krok po kroku. Zaczynamy od pierwszej fazy, czyli zrozumienia biznesowego. Jaki problem próbujemy rozwiązać? Wiem, że brzmi to prosto, ale wiele projektów pomija ten krok. Trzeba więc zapytać: jaki problem próbujemy rozwiązać? Czy AI jest właściwym rozwiązaniem?

Następnie przeprowadzamy analizę „wdrażać czy nie wdrażać” dla AI, obejmującą wykonalność danych, wykonalność biznesową i wykonalność wdrożenia. Możemy myśleć o tym jak o sygnalizacji świetlnej. Jeśli wszystkie światła są zielone, szanse na powodzenie projektu są dość wysokie. Jeśli pojawiają się światła żółte lub czerwone, ryzyko niepowodzenia rośnie. Nie oznacza to, że nie można kontynuować, ale trzeba zachować ostrożność i liczyć się z przeszkodami lub z tym, że projekt może nie zakończyć się zgodnie z oczekiwaniami.

Jedną z kwestii jest zwrot z inwestycji, czyli ROI. Wiele organizacji nie zastanawia się nad nim na początku ani nawet go nie mierzy. Nie musi chodzić o zwrot finansowy, ale jakiś zwrot musi istnieć. Jeśli nie jest mierzony, sam projekt może być technicznie udany, bo robi to, co miał robić, ale przy bardzo wysokim koszcie. Wtedy wynik jest w rzeczywistości negatywny.

Jeśli tego nie mierzysz, nie masz pojęcia, co się dzieje. Możesz powiedzieć: „To było udane”, a potem zastanawiać się, dlaczego nagle jesteśmy na minusie. Powodem jest ujemny zwrot z inwestycji.

Właśnie dlatego CPMAI pomaga i sygnalizuje pracodawcom, że masz umiejętności potrzebne do prowadzenia projektu AI, przeszedłeś kompleksowe szkolenie i certyfikację oraz posiadasz certyfikację PMI.

Galen Low: To zabawne, bo osoby słuchające mogą sobie wyobrazić, jak przesuwam myszkę w poszukiwaniu reakcji „klaskanie”, jak w Zoomie albo Google Meet. Myślę: tak.

Jeśli ktoś jest zainteresowany CPMAI i chce wykorzystać to poświadczenie podczas rozmowy o pracę z osobą, która nie zna tej certyfikacji, wystarczy wziąć ten fragment wypowiedzi Kathleen i go przepisać. Można wykorzystać go podczas rozmowy, bo to naprawdę jasne i konkretne wyjaśnienie, dlaczego CPMAI ma znaczenie i czym się różni.

Niektóre elementy mogą wydawać się zdrowym rozsądkiem albo być uwzględniane w innych ramach. Kiedy jednak mówimy o danych, szybkości rozwoju technologii i presji, by firmy natychmiast zaczęły działać, wiele organizacji może nawet nie wiedzieć, dlaczego AI powinna stać się częścią ich produktu, organizacji lub rozwiązań. Podoba mi się, że istnieją ramy, które pomagają to uporządkować.

Jestem ciekaw, ponieważ kierownicy projektów uwielbiają ramy, metodyki i certyfikacje. Później jednak często się o nie spieramy. Czasami tworzymy obozy i frakcje, nawet jeśli nigdy nie miały być rywalami. Wchodzisz do organizacji, a tam słyszysz: „Prowadzimy projekty w ten sposób”. Ty odpowiadasz: „Chciałbym prowadzić je inaczej”, a potem zaczyna się wielka kłótnia.

Czy osoby przechodzące ten program również spotykają się z taką sytuacją? Czy wracają do zespołu z przekonaniem, że wiedzą, jak prowadzić projekt związany z danymi, uczeniem maszynowym i AI, ale zespół nie chce stosować tych praktyk? Czy muszą przekonywać innych, którzy odpowiadają: „Nie, robimy to w ten sposób”?

Kathleen Walch: Osoby, które odbywają szkolenie, oczywiście dostrzegają wartość tej metodyki. Później muszą jednak wrócić z tym do organizacji.

Rozumiem. Mamy terminy takie jak podejście predykcyjne, kaskadowe, hybrydowe i zwinne. Jak prowadzić projekt? Zwykle kończy się to podejściem hybrydowym. Zwinność istnieje z konkretnego powodu. Kiedy prowadzisz projekt AI jak projekt tworzenia aplikacji programistycznej, zauważysz, że to nie działa i trzeba wprowadzić inny zestaw umiejętności oraz inne podejście krok po kroku.

Projekt można prowadzić w sposób zwinny. Powinien składać się z małych, iteracyjnych sprintów. Nie powinniśmy prowadzić go w predykcyjny, kaskadowy sposób. Ludzie zwracają się ku tej metodyce, ponieważ wcześniej próbowali innych rozwiązań i ponosili porażki.

Wiele osób, które odkrywają tę metodykę, napotykało takie problemy i rozumie, że musi coś zmienić. Niektóre osoby wyprzedzają sytuację i mówią: „Chcę wejść w ten obszar. Muszę go zrozumieć”. Zapewniamy bardzo kompleksowe szkolenie.

Jest ono przeznaczone dla każdego. Nie trzeba mieć za sobą żadnego projektu, aby zacząć. Obecnie nie ma żadnych wymagań wstępnych, więc każdy może wziąć udział. Szkolenie prowadzi przez całość procesu i zaczyna od uporządkowania terminologii. Ludzie sądzą, że znają wszystkie terminy, a potem mówią: „Nie zdawałem sobie sprawy z tego, czego nie wiedziałem”.

To samo dotyczy zespołów. Chcesz, aby zespół był zgodny, podobnie jak w przypadku PMP i zatrudniania osób z PMP. Chodzi o wspólną terminologię. Wszyscy są na tej samej stronie, używają tych samych pojęć i mają ten sam podstawowy poziom zrozumienia. W przypadku CPMAI jest tak samo.

Galen Low: Bardzo mi się to podoba. Uświadomiłem sobie, że prawdopodobnie przedstawiłem CPMAI jako metodykę, ale jeśli dobrze rozumiem, jest to raczej dodatkowa warstwa: możesz mieć określony sposób pracy, a te kwestie i kroki możesz wpleść w istniejący sposób działania.

Kathleen Walch: Nazywamy to metodyką, ale ludzie czasem zatrzymują się na tym określeniu. Zawsze mówimy więc: nie skupiaj się nadmiernie na terminologii. Musisz po prostu stosować coś, co prowadzi do sukcesu. Możesz nazwać to ramami, podejściem krok po kroku albo metodyką, ale pamiętaj, że składa się ono z sześciu faz.

Proces jest iteracyjny. Jeśli trzeba, można wrócić o jedną, dwie albo trzy fazy. Zaczynamy od zrozumienia biznesowego. Następnie przechodzimy do zrozumienia danych: jakich danych potrzebujemy, skąd pochodzą, czy są wewnętrzne, czy zewnętrzne i czy mamy do nich dostęp. Potem musimy oczyścić dane — to kolejny etap.

Dane nigdy nie są idealnie czyste i uporządkowane. Szczególnie dotyczy to danych nieustrukturyzowanych. Następnie przechodzimy do tworzenia modelu. Wtedy wykonujemy to, co zwykle uważa się za najciekawszą część. Mówię „najciekawszą” w cudzysłowie, ponieważ właśnie na tym etapie ludzie zazwyczaj zaczynają i pomijają kluczowe kroki początkowe.

Potem trzeba przeprowadzić testy i upewnić się, że model działa zgodnie z oczekiwaniami. To również krytyczny etap, który czasami jest pomijany. Wtedy pojawiają się problemy, model halucynuje, daje fatalne wyniki albo działa inaczej, niż oczekiwano.

Na końcu operacjonalizujemy rozwiązanie, czyli wprowadzamy je do rzeczywistego świata. Proces powinien przebiegać w małych, iteracyjnych fazach i krokach. Każda iteracja CPMAI powinna trwać około dwóch tygodni, podobnie jak sprint. Nie powinna trwać siedmiu ani dwunastu miesięcy. To bardziej podejście kaskadowe i predykcyjne. Pomyśl, jak bardzo świat zmienia się w ciągu siedmiu miesięcy.

Z wielu powodów właśnie tak się dzieje, zazwyczaj dlatego, że ludzie zatrzymują się na fazie danych. Nie mają do nich dostępu, więc uzyskanie dostępu trwa tygodnie lub miesiące. Mówimy wtedy: myśl ambitnie, zacznij od małego zakresu i często iteruj.

Zacznij od mniejszego zbioru danych albo mocno ogranicz zakres i zapytaj: co jest najmniejszą rzeczą, którą mogę zrobić, aby zapewnić stopniową wartość i pozytywny zwrot z inwestycji? Pokaż sukcesy. Potem możemy iść dalej i iterować w kolejnej fazie.

Zbyt często widzimy, że wszystko trwa za długo, a ludzie rezygnują z projektu w drugiej fazie, ponieważ nie udało im się uzyskać dostępu do danych.

Galen Low: To taka zima projektowa.

Kathleen Walch: Tak, wiele dobrych rzeczy może się wtedy wydarzyć.

Galen Low: Ludzie tracą złudzenia i zostawiają projekt. Miałem zapytać, jak wyglądają problemy w praktyce, ale bardzo dobrze opisałaś to na przykładzie halucynacji. Nawet małe zbiory danych mogą być dość duże, więc można bardzo dobrze radzić sobie z własną częścią pracy, a mimo to rozwiązanie nie działa tak, jak powinno. Trzeba wtedy rozplątać całą tę kulę włóczki, aby znaleźć element gdzieś pośrodku, który na początku skierował projekt na niewłaściwy tor.

Prawdopodobnie chodzi o jakość danych.

Kathleen Walch: Prawdopodobnie o dostęp, jakość danych i ich ilość. Niektórzy uważają, że im więcej danych, tym lepiej. Nie zawsze tak jest, ponieważ możemy trenować model na szumie. Dane nie są bezpłatne. Ich czyszczenie i przetwarzanie kosztuje. Więcej nie zawsze oznacza lepiej.

Galen Low: To interesujące. Rozpocząłem tę rozmowę od pytania o to, co znajduje się poza inżynierią promptów, ale odkryłem, że wielu kierowników projektów nie zna całego świata projektów danych i projektów uczenia maszynowego. Mogą pracować w oprogramowaniu, przestrzeni cyfrowej, sektorze technologicznym lub IT, ale mogą też nie być związani z żadną z tych branż.

Pytają: czy zarządzanie projektami nadal będzie istnieć? Porozmawiamy o tym za chwilę. Istnieje jednak cały świat projektów danych i projektów uczenia maszynowego, a wiele z nich jest realizowanych właśnie teraz. Czasami prowadzi je ktoś powiązany z projektami, ale niekoniecznie określający siebie jako kierownika projektu.

Jest w tym wiele możliwości i przynajmniej osoby z mojej społeczności nie zawsze zdają sobie z nich sprawę. To naprawdę inspirujące.

Kathleen Walch: Mówimy, że edukacja jest tania, a koszt porażki wysoki.

Nauczenie się metodyki CPMAI i zdobycie certyfikacji CPMAI jest stosunkowo tanie w porównaniu z kosztem niepowodzenia. Zawsze zachęcamy ludzi i mówimy: to jest „i”, a nie „albo”. Miej PMP i CPMAI. Poznawaj różne metodyki, w tym CPMAI. To nie jest wybór jednej z dwóch możliwości. Organizacje zawsze dostosowują poznane rozwiązania do własnych potrzeb.

Jeśli stosujesz ogólne podejście krok po kroku, możesz dostosować je do własnej organizacji. Najpierw jednak trzeba je poznać.

Galen Low: Bardzo mi się to podoba. Rozpoczęliśmy od tematu tworzenia promptów. Myślałem o zastosowaniach obejmujących interfejsy konwersacyjne, takie jak ChatGPT, Gemini, Copilot, Claude, Perplexity, DeepSeek i inne. Istnieje jednak ogromny świat poza nimi.

Co czeka nas w obszarze AI w życiu zawodowym kierowników projektów? Jak ktoś taki jak ja może za tym wszystkim nadążyć?

Kathleen Walch: To świetne pytanie, ponieważ funkcjonuje powiedzenie, że AI nie odbierze ci pracy, ale zrobi to ktoś, kto zna AI.

Sztuczna inteligencja pozostanie z nami na długo. Mamy nadzieję, że przeszliśmy przez punkt krytyczny i nie wpadniemy w kolejną zimę AI. Jak jednak z niej korzystać? Zawsze wracam do idei inteligencji wspomagającej. Jak wykorzystać AI nie po to, by mnie zastąpiła, lecz by coś wykonać lepiej? Można zastąpić zadanie albo określoną rolę, ale nie trzeba zastępować człowieka.

Wielu specjalistów ds. projektów obawia się tego. Jeśli jednak coraz więcej projektów będzie projektami AI, nadal będziemy potrzebować kierowników projektów i osób posiadających odpowiednie umiejętności.

Jak się uczyć? Wróciłabym do tego, co powiedziałam wcześniej. Sporządź listę wszystkiego, co cię irytuje, ponieważ dla każdego będzie to coś innego. Nie zastępuj rzeczy, które lubisz, pozostawiając sobie wszystkie, których nie znosisz, bo wtedy będziesz niezadowolony. Pomyśl o rzeczach, które lubisz, i zapisz je w jednej kolumnie, a rzeczy, których nie lubisz, w drugiej.

Następnie poszukaj społeczności. PMI ma wiele zasobów edukacyjnych. Możesz też działać wewnętrznie w organizacji. Zawsze zachęcam do tworzenia grup wewnętrznych. Jeśli korzystacie z promptów, nie powinny być one własnością pojedynczych osób. Powinniśmy je udostępniać, uczyć się i współpracować. Warto stworzyć wewnętrzną bibliotekę promptów.

Dokumentuj, na jakiej platformie i kiedy użyto danego promptu, ponieważ prompty trzeba z czasem zmieniać i iterować, aby nadal uzyskiwać właściwe wyniki. To część naszego podejścia krok po kroku: trzeba testować rozwiązanie, a czasami nie będzie ono działać zgodnie z oczekiwaniami. Niekiedy zmiana jednego słowa robi ogromną różnicę.

Posiadanie społeczności, z którą można wymieniać doświadczenia, naprawdę pomaga. Niektóre organizacje mocno angażują się w AI i stawiają na podejście „AI first”. Jeśli twoja organizacja jeszcze tego nie robi, zastanów się, jak zacząć od iteracyjnego podejścia krok po kroku.

Jeśli jesteś członkiem PMI, skontaktuj się ze społecznością. Mamy też wiele oddziałów. Wewnątrz organizacji możesz korzystać z różnych zasobów, a także szukać kontaktów poza własną grupą. Współpraca jest ważna, bo jeśli się nie uczysz, nie rozwijasz się, a wtedy zostajesz w tyle. Możesz bać się korzystania z tych narzędzi albo nie wiedzieć, jak to robić. Nie bój się prosić o pomoc.

To najlepszy sposób nauki.

Galen Low: Podoba mi się pomysł repozytorium promptów i dzielenia się wiedzą. To właśnie dzielenie się wiedzą posuwa nas do przodu. Technologia będzie rozwijać się szybko, więc ludzie również muszą działać szybko. Najlepiej robić to, dzieląc się wiedzą.

Kathleen Walch: Dzielenie się jest wyrazem troski.

Galen Low: Właśnie. Mam jeszcze dwa pytania na zakończenie.

Rozmawiamy o tworzeniu listy irytujących rzeczy i o tym, że możesz rozmawiać z narzędziem generatywnej AI, aby wspomagało twoje życie zawodowe. Niektórzy myślą: to wspaniała technologia. Interfejsy oparte na kartach są dla mnie naturalnym językiem przetwarzanym na niespotykaną wcześniej skalę.

A potem zastanawiam się, czy to nie jest tylko wymyślna sztuczka, która przetwarza język i oddaje go nam, a my reagujemy: „To żywa, świadoma istota”. W rzeczywistości AI tylko remiksuje język. Czy nie ograniczamy się, korzystając ze zbyt małej ilości AI? Z drugiej strony, czy nie grozi nam przekonanie, że AI robi magiczne rzeczy i potrafi wszystko, bez zrozumienia, że dobrze radzi sobie tylko z określonymi zadaniami? Czy to niebezpieczne, czy inspirujące?

Kathleen Walch: To niebezpieczne, ponieważ prowadzi do obiecywania zbyt wiele i dostarczania zbyt mało. Około 2019 roku zaczęliśmy mówić o tym, że AI jest bardzo szerokim pojęciem. Wraz z pojawieniem się generatywnej AI i dużych modeli językowych ludzie zaczęli sądzić, że AI potrafi wszystko i proszą ją o wszystko, a potem nie otrzymują oczekiwanych rezultatów.

Pytają: dlaczego nie potrafi rozwiązać tego zadania matematycznego? Dlaczego nie umie zrobić tego, skoro człowiek potrafi? Musimy rozumieć, co AI może, a czego nie może robić. Dlatego zeszliśmy o poziom niżej i zapytaliśmy: co próbujemy osiągnąć? Czy AI jest właściwym rozwiązaniem?

Przeanalizowaliśmy setki, jeśli nie tysiące, zastosowań i podzieliliśmy je na siedem wzorców AI. Pierwszym jest hiperpersonalizacja, czyli traktowanie każdej osoby indywidualnie. To marzenie marketingowców, ale może też dotyczyć spersonalizowanej edukacji, opieki zdrowotnej i finansów.

To szczególnie ważny temat w edukacji i uczeniu się przez całe życie. Jak poza edukacją od przedszkola do szkoły średniej dopasować sposób nauczania do tego, jak uczą się różne osoby?

Następnie mamy rozpoznawanie, czyli nadawanie sensu nieustrukturyzowanym danym. Obejmuje to rozpoznawanie obrazów, dźwięku i gestów dłoni.

Kolejne są analityka predykcyjna i wspomaganie decyzji. Wykorzystujemy dane historyczne i bieżące, aby pomagać ludziom podejmować lepsze decyzje. Mamy też rozpoznawanie wzorców i anomalii, czyli analizowanie dużych ilości danych w celu wykrywania trendów i wartości odstających, na przykład oszustw.

Mamy systemy ukierunkowane na cele, związane z uczeniem ze wzmocnieniem i optymalizacją. Mamy również wzorzec autonomiczny, którego celem jest usunięcie człowieka z procesu. Skoro próbujemy usunąć człowieka, jest to oczywiście bardzo trudne, dlatego uznajemy go za najtrudniejszy wzorzec AI.

Autonomiczne mogą być urządzenia i oprogramowanie, na przykład pojazdy albo roboty dostawcze. Mogą to być też autonomiczne procesy biznesowe. Jak tworzyć systemy, które samodzielnie poruszają się w naszych przepływach pracy i nie wymagają udziału ludzi?

To coś innego niż automatyzacja. Automatyzacja nie jest inteligencją. Polega na powtarzaniu czegoś w kółko, co jest niezwykle użyteczne, ale nie jest inteligencją. Jeśli pojawią się wyjątki, człowiek musi zareagować. Jeśli zmienią się pola, człowiek musi wejść do systemu i sprawdzić, co się stało.

Możemy myśleć o robotycznej automatyzacji procesów, ale także o tym, jak będzie wyglądać agentowa AI w tym roku i kolejnych latach oraz jak autonomiczne agenty będą współpracować z innymi agentami.

Siedem wzorców pomaga zrozumieć, w czym AI jest dobra, w czym nie jest dobra, kiedy powinniśmy jej używać i kiedy tego nie robić. Omawiamy je w pierwszej fazie CPMAI, czyli w fazie zrozumienia biznesowego.

Jeśli ktoś pyta, gdzie i jak zastosować AI, konwersacyjny wzorzec AI dotyczy rozmów ludzi i maszyn w języku ludzkim. W tym obszarze mieszczą się duże modele językowe i chatboty wykorzystujące AI, ale to tylko jeden z wzorców AI. Nie powinniśmy oczekiwać, że duże modele językowe będą tworzyć hiperpersonalizowane oferty ani prowadzić pojazdy.

Galen Low: Bardzo mi się to podoba. Dziękuję za ten szybki kurs. Naprawdę pomaga spojrzeć na wszystko z właściwej perspektywy. I wiesz co?

To idealne przejście do mojego ostatniego pytania. Rozmawiamy o AI, która pomaga w codziennej pracy.

Kathleen Walch: O inteligencji wspomagającej.

Galen Low: Inteligencja wspomagająca. Dziękuję. Wspomniałaś jednak o rozwiązaniach autonomicznych i agentowych. Wszyscy teraz o tym mówią — o świecie, w którym AI często po prostu działa samodzielnie. Być może wykonuje twoje polecenia, ale nie w taki sposób, że rozmawiasz z nią i prosisz: „Czy możesz zrobić to dla mnie?”

Jak twoim zdaniem wpłynie to na świat zarządzania projektami albo na świat w ogóle? Czy obawy ludzi są uzasadnione? A może to kolejna sytuacja, w której ludzie myślą: „To już prawie AGI, możemy przejść od razu do apokalipsy”, podczas gdy w rzeczywistości chodzi tylko o jeden z tych wzorców?

Kathleen Walch: Jeśli rozumiemy, co AI może, a czego nie może robić, oraz wiemy, że nadal mamy do czynienia z wąską AI, to rozumiemy, że stosujemy jeden lub kilka z tych siedmiu wzorców. Nie jesteśmy jednak w punkcie AGI, gdzie istnieje system będący człowiekiem i potrafiący robić wszystko. Nadal nie mamy rozumowania maszynowego.

Lubię mówić o piramidzie DIKUW. Na dole, u podstawy, znajdują się dane. Same dane niewiele nam dają. Musimy coś na nich zastosować. Wtedy otrzymujemy poziom informacji, na którym znajdują się pulpity nawigacyjne i podobne rozwiązania.

Następnie przechodzimy do wiedzy — tutaj pojawia się uczenie maszynowe. Potem mamy rozumienie, czyli rozumowanie maszynowe, którego jeszcze nie osiągnęliśmy. Na szczycie znajduje się mądrość.

Do AGI jest nam jeszcze daleko i trzeba to rozumieć. Media różnie oceniają, jak daleko jesteśmy. Niektórzy uważają, że dzieli nas dekada, inni — rok albo sto lat. Są też osoby, które twierdzą, że nigdy tam nie dotrzemy. Eksperci nie są w tej kwestii zgodni.

Ważne jest jednak rozumienie obecnych ograniczeń i stosowanie AI tam, gdzie ma to sens. Agentowa AI jest najgorętszym tematem 2025 roku i prawdopodobnie nadal nim pozostanie. W PMI mamy Infinity, nasze narzędzie AI, które będzie oferowało możliwości agentowej AI.

Trzeba jednak rozumieć, że nie mamy powszechnie przyjętej definicji AI, więc nie istnieje też powszechnie przyjęta definicja agentowej AI. Czy jest ona rzeczywiście autonomiczna, wspomagająca czy zautomatyzowana? Nadal zmierzamy w tym kierunku, ale to ekscytujący czas.

Wszystko zmienia się niezwykle szybko. Jeśli ktoś słucha tego w lutym 2025 roku, jak będzie wyglądać sytuacja w lutym 2026? A jak w czerwcu 2025? Wystarczy jeden przełom albo jedna nowa platforma. Wspomniałeś wcześniej o DeepSeek, którego miesiąc wcześniej nie było.

Jak wszystko będzie się rozwijać? Jak specjaliści ds. projektów będą przyjmować agentową AI i wprowadzać ją do swoich przepływów pracy? To większe pytania dotyczące organizacji: jak będzie wdrażać te narzędzia i technologie? Musimy robić to w sposób godny zaufania, etyczny i odpowiedzialny.

Wiem, że istnieje wiele obaw. Prywatność danych, kwestie zarządzania i zaufanie. Czy ufamy tym systemom? Czy korzystamy z nich wewnętrznie, czy możemy używać narzędzi zewnętrznych? To bardzo ekscytujący czas. Narzędzia stale się poprawiają, a nowe pojawiają się każdego dnia.

Może to przytłaczać. Od czego zacząć? Jak za tym nadążyć? Moim zdaniem trzeba codziennie się uczyć i działać. Trzeba ćwiczyć, aż stanie się to odruchem. Jak uczynić AI częścią codzienności? Mówię: nigdy więcej nie zaczynaj od pustej strony. Jeśli zaczynasz od pustej strony, robisz coś źle.

Poproś AI o pomoc w burzy mózgów albo o stworzenie pierwszej wersji tekstu, którą później zredagujesz. Musisz wyrobić sobie taki odruch. Jak to zrobić? Po prostu ćwicz dalej.

Galen Low: Bardzo mi się to podoba — nastawienie i odruch. Kathleen, to była niezwykle inspirująca rozmowa.

Chyba nigdy nie zrobiłem tylu notatek podczas jednego odcinka. Mam na myśli notatki dla siebie, a nie uwagi dotyczące późniejszej edycji. PMI ma szczęście, że cię ma. Jestem ciekaw, co wydarzy się dalej. Może powinniśmy zaprosić cię ponownie w lutym 2026 roku, aby porównać, gdzie znaleźliśmy się po 365 dniach.

Kathleen Walch: Wszystko zmienia się tak szybko. Ludzie pytają czasem, gdzie będziemy za rok albo za pięć lat, a ja odpowiadam: gdzie będziemy za miesiąc?

Galen Low: Uwielbiam to. Gdzie można dowiedzieć się więcej o certyfikacji CPMAI?

Kathleen Walch: Wejdź na PMI.org. Można znaleźć tam wszystkie informacje. Mam też podcast AI Today, w którym rozmawiamy o CPMAI. Obecnie prowadzimy serię poświęconą zastosowaniom, a podcast jest już oficjalnym podcastem PMI. Bardzo mnie to cieszy.

Przenosimy wszystko do systemu PMI. Jak każdy, kto miał do czynienia z przejęciami, wie, zajmuje to trochę czasu, ale jesteśmy na dobrej drodze. Można też znaleźć mnie na LinkedIn jako Kathleen Walch. PMI Cognilytica również jest obecne na LinkedIn.

Galen Low: Wspaniale. Wszystkie te odnośniki umieszczę również w notatkach do odcinka.

Kathleen, bardzo dziękuję za dzisiejsze spotkanie. To była świetna zabawa.

Kathleen Walch: Dziękuję. Zawsze uwielbiam z tobą rozmawiać, Galen.

Galen Low: Dobrze, wszystkim. To już wszystko. Jak zawsze, jeśli chcecie dołączyć do rozmowy z ponad tysiącem podobnie myślących osób zajmujących się zarządzaniem projektami, dołączcie do naszej społeczności. Odwiedźcie stronę thedpm.com/membership, aby dowiedzieć się więcej. Jeśli podobało wam się to, czego dziś słuchaliście, zasubskrybujcie nas i pozostańcie w kontakcie na stronie thedigitalprojectmanager.com. Do usłyszenia następnym razem. Dziękuję za uwagę.