Konsultant z wieloletnim doświadczeniem wyjaśnia, dlaczego sztuczna inteligencja powinna być strategicznym partnerem w myśleniu, a nie siłą napędową projektu
Mike Hannan jest założycielem i głównym konsultantem w Fortezza Consulting. Dzięki wieloletniemu doświadczeniu w pracy coachingowej z liderami projektów na każdym szczeblu przez całą swoją karierę pomaga organizacjom poruszać się po złożonych systemach realizacji, optymalizować portfele oraz kwestionować konwencjonalne poglądy.
Mike Hannan
Założyciel i główny konsultant w Fortezza Consulting
Sztuczna inteligencja powinna być strategicznym partnerem w myśleniu, a nie siłą napędową realizacji: Hannan twierdzi, że sztuczna inteligencja doskonale radzi sobie z tworzeniem szablonów, podsumowywaniem treści i oceną alternatywnych scenariuszy, ale w rzeczywistości nie rozumie głębokiej złożoności.
Ludzki osąd pozostaje niezbędny w złożonej pracy projektowej: Choć sztuczna inteligencja może wykonywać rutynowe zadania, takie jak sporządzanie notatek ze spotkań czy podstawowe modelowanie, ludzie nadal są niezbędni do pracy społecznej, emocjonalnej i głęboko strategicznej.
Opanowanie orkiestracji sztucznej inteligencji i szerokiego myślenia systemowego wyznaczy przyszłych liderów: Hannan uważa, że prawdziwa wartość tkwi w osobach, które potrafią inteligentnie koordynować sztuczną inteligencję, wykorzystując szerokie, systemowe rozumienie problemów, aby maksymalizować zwrot z inwestycji w portfelu i skuteczniej rozwiązywać złożone problemy niż specjaliści skupieni wyłącznie na wąskiej wiedzy technicznej.
Mike Hannan jest założycielem i głównym konsultantem w Fortezza Consulting. Dzięki wieloletniemu doświadczeniu w coachingu liderów projektów na każdym szczeblu poświęcił swoją karierę pomaganiu organizacjom w poruszaniu się po złożonych systemach realizacji, optymalizacji portfeli i kwestionowaniu utartych przekonań.
W tej rozmowie Mike opowiada, jak wykorzystuje AI nie po to, by zastępować praktyki zarządzania projektami, lecz aby skłaniać zespoły do zadawania lepszych pytań, unikania fałszywej pewności i docierania bliżej rzeczywistych dźwigni efektywności.
Zrozumienie czynników wpływających na efektywność systemu ma większe znaczenie w erze AI
Jestem założycielem i głównym konsultantem w firmie Fortezza Consulting, gdzie pomagam liderom na każdym szczeblu poprawiać efektywność portfeli projektów. Oznacza to pomaganie im w myśleniu bardziej systemowym, szczególnie w środowiskach kształtowanych przez ograniczenia, współzależności — a obecnie także przez AI.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Moim zdaniem w świecie, w którym AI jest najważniejsze, potrzeba prawdziwego zrozumienia tego, co wpływa na efektywność na poziomie systemu, jest silniejsza niż kiedykolwiek. To wciąż jedyny sposób, aby lepiej niż konkurencja radzić sobie ze złożonością.
AI nie potrafi jeszcze tego robić. I nie osiągnie tego, dopóki nie zostanie lepiej wytrenowana w oddzielaniu śmieci od wartościowych informacji.
Jak wykorzystywać AI do tworzenia szablonów projektów, realizacji projektów i optymalizacji portfela
To powiedziawszy, realizacja projektów się zmienia. Zauważam, że zapotrzebowanie na większość szablonów projektowych znacznie spadło. Większość dużych modeli językowych potrafi obecnie tworzyć solidne szablony, a nawet pomagać w dostosowywaniu ich do konkretnych okoliczności.
Na przykład Claude radzi sobie z tym całkiem dobrze. Mogę wpisać polecenie:
- „Przygotuj dla mnie szablon karty projektu dostosowany do branży kosmetycznej”.
- „Przygotuj dla mnie szablon rejestru ryzyka dostosowany do branży energetyki jądrowej”.
Następnie dopracowuję go dalej: „Skoncentruj się na projektach IT w branży kosmetycznej” albo „Skoncentruj się na ryzyku związanym z utylizacją odpadów promieniotwórczych”. Odpowiedzi są szybkie, elastyczne i zaskakująco trafne.
Bardzo cieszą mnie również rozwijające się możliwości AI, które potrafią oceniać setki, a nawet tysiące scenariuszy, aby znaleźć optymalne rozwiązanie przy rzeczywistych ograniczeniach — na przykład wskazać projekt bazowy o najwyższej wartości.
Jednym z przykładów, które szczególnie lubię, jest Lightning Motorcycle, które wykorzystało ulepszone przez AI narzędzia CAD firmy Autodesk do projektowania znacznie bardziej optymalnych komponentów, niż inżynierowie mogliby zaprojektować samodzielnie.
Innym przykładem jest TransparentChoice, które wykorzystuje AI, aby pomagać klientom znaleźć model przepływu etapowego maksymalizujący przepustowość przy ograniczonych zasobach. Upraszcza to trudne pytanie: „Ile projektów możemy podjąć, aby wciąż osiągnąć najwyższy możliwy wskaźnik ukończenia?”
Gdzie AI wnosi wartość do realizacji projektów — i gdzie ludzie wciąż są niezbędni
Rutynowe zadania, takie jak sporządzanie notatek ze spotkań, najważniejszych wniosków i streszczeń obszernych treści, są również bardzo skutecznie realizowane przez AI. Już samo to pozwala mi odzyskać kilka godzin tygodniowo.
Do tych zadań najczęściej używam narzędzia Otter.ai, które preferuję do rejestrowania i podsumowywania dyskusji. Dobrze sprawdzają się jednak również narzędzia takie jak Copilot.
Obszary, które wciąż wymagają ludzkiego podejścia, są różnorodne. Wszystko, co wiąże się ze sferą społeczną lub usługami społecznymi — gdzie znaczenie mają mentoring, empatia lub relacje oparte na zaufaniu — nadal w dużym stopniu zależy od ludzi. To samo dotyczy wszystkiego, co wymaga głębokiego myślenia systemowego lub krytycznej oceny.
To wciąż domeny człowieka.
Jak integrować AI ze złożonymi przepływami pracy, zachowując centralną rolę ludzkiej oceny
Czasami posuwam się jeszcze dalej w wykorzystywaniu AI i tworzę model, który definiuje wszystko, co jest potrzebne do synchronizacji pracy między ludźmi, działami, a nawet partnerami w łańcuchu dostaw.
Ponieważ AI można włączyć do tego modelu wszędzie tam, gdzie ma to sens. Następnie ludzie muszą wprowadzać korekty w zależności od tego, jak działa połączenie agentów AI i ludzi.
Oto prosta analogia: wyobraź sobie, że asystent wykonawczy odchodzi na emeryturę, a dyrektor jest zrozpaczony utratą tak precyzyjnie dostosowanego wsparcia. Zamiast zatrudniać zastępstwo, tworzysz model kodujący preferencje:
- „Zawsze 15 minut przerwy między spotkaniami”
- „Preferuj linię lotniczą A, chyba że nie jest dostępny lot bezpośredni”
- „Czas na pracę w skupieniu można przerwać tylko wtedy, gdy nalegają na to dyrektor A lub klient B”
Z czasem model udoskonala się i dobrze obejmuje 95% scenariuszy.
Jednak zawsze pojawia się moment, w którym ludzka ocena jest niezbędna — do odczytywania sygnałów emocjonalnych, niuansów kulturowych czy zmieniających się priorytetów. Co, jeśli wizyta rodziny nie jest mile widziana? Co, jeśli klient zaczyna posuwać się za daleko? Co, jeśli pilność działań sygnalizowana przez szefa subtelnie narasta? Właśnie tutaj połączenie człowieka i AI staje się wartościowe.
W projektach model jest bardziej złożony, ale zasada pozostaje taka sama: zbuduj go, udoskonalaj i koordynuj połączenie agentów AI oraz ludzi tak, aby każdy z nich robił to, w czym jest wyjątkowo skuteczny.
AI tak naprawdę nie rozumie złożoności
Chociaż AI pomaga mi poświęcać mniej czasu na podsumowywanie lub syntezowanie informacji, tworzy również niebezpieczną iluzję: że same modele „rozumieją” głęboką złożoność. Tak nie jest.
Z powodu tej iluzji wielu klientów poszukuje szybszych rezultatów, mając nadzieję, że AI dostarczy to, co postrzegają jako „szybkie rozwiązania”. Aby im w tym pomóc, koncentruję się na technikach przyspieszania przepływu, opartych na Teorii Ograniczeń i Lean. Podejścia te pomagają szybciej realizować projekty bez chodzenia na skróty.
A kiedy rozmawiamy o ustalaniu oczekiwań, zwykle zachęcam klientów do stawiania sobie wyższych celów — do oczekiwania większego przyspieszenia. Ustalanie skromnych celów zazwyczaj prowadzi do skromnych rezultatów.
Dlatego moja dzisiejsza rola w mniejszym stopniu polega na podsumowywaniu lub przedstawianiu najważniejszych wniosków, a w większym na pomaganiu liderom w zatrzymaniu się, spojrzeniu z dystansu i zakwestionowaniu ich założeń. To właśnie stąd biorą się rzeczywiste wzrosty wydajności.
Jak używać AI do kwestionowania założeń i doskonalenia krytycznego myślenia
Używam AI jako celu, a nie rozwiązania. Jest po to, by je kwestionować. To partner w myśleniu, a nie osoba kierująca działaniami.
Używam AI jako celu, a nie rozwiązania. Jest po to, by je kwestionować. To partner w myśleniu, a nie osoba kierująca działaniami.
Dobrym przykładem jest potraktowanie ogólnych, powierzchownych odpowiedzi generowanych przez duże modele językowe jako celu krytyki. Proszę klientów, aby dokładnie przeanalizowali te odpowiedzi:
- „Co musiałoby być prawdą, aby to stwierdzenie było fałszywe?”
- „W jakim kontekście mogłoby to być całkowicie błędne?”
Te pytania uczą ich formułowania lepszych monitów uzupełniających, które często prowadzą do rzeczywistych spostrzeżeń.
Pytania te wyostrzają również ich krytyczne myślenie, co jest szczególnie ważne obecnie. Zaskakujące jest, jak bardzo większość z nas jest podatna na błąd potwierdzenia. Kiedy AI udziela ludziom odpowiedzi potwierdzającej to, w co już wierzą, mają oni tendencję do odczuwania aprobaty — a następnie wyłączają krytyczne myślenie.
To nie tylko zaskakujące; to przerażające.
Modernizacja realizacji projektów przy jednoczesnej maksymalizacji ROI
Dla mnie każda technika lub podejście, które pomaga zmaksymalizować ROI portfela projektów — zamiast jedynie zarządzać wartościami bazowymi bez poszukiwania alternatyw o wyższej wartości — jest prawdziwym skarbem. Nie zawsze są one „lekkie”, ale odciążają ludzi, jednocześnie zwiększając ogólny wpływ.
Kilka przykładów, które wykorzystuję we współpracy z klientami — a wszystkie pojawią się w nadchodzącym 8. wydaniu PMBOK (którego byłem współautorem) — obejmuje struktury podziału wartości, przeciąganie ścieżki krytycznej oraz koszt przeciągania ścieżki krytycznej.
Rozszerzają one tradycyjną koncepcję ścieżki krytycznej o stronę wartości równania. Na przykład jeśli mogę skrócić ścieżkę krytyczną o miesiąc, ale kosztuje to 200 tys. dolarów, czy dodatkowa wartość przewyższy ten koszt?
Inne skuteczne podejścia obejmują:
- Zarządzanie projektami według łańcucha krytycznego (CCPM) zarówno na poziomie projektu, jak i portfela — w celu maksymalizacji przepustowości i terminowości realizacji.
- Analityczny proces hierarchiczny (AHP) — w celu wyboru projektów o wyższej wartości.
Każda z tych technik ma na celu maksymalizację ROI, a nie tylko zarządzanie realizacją.
Przepływy pracy agentowej nie są jeszcze warte wysiłku — jeszcze
Gdyby można było wytrenować sztuczną inteligencję tak, aby proaktywnie przedstawiała bardziej wartościowe alternatywy w miarę ich pojawiania się — bez konieczności wydawania jej poleceń — byłby to prawdziwy przełom. Wtedy sztuczna inteligencja przestałaby być jedynie narzędziem i zaczęłaby działać jak prawdziwy członek zespołu, który wnosi swój wkład.
Zacząłem eksperymentować z tą koncepcją. Pojawiają się obiecujące modele, które mogłyby sprawić, że przepływy pracy agentowej staną się bardziej przyjazne dla użytkowników i powszechniejsze, ale nadal wymagają dużego nakładu pracy na początku, aby wytrenować je w unikalnym kontekście każdej organizacji.
Nawet coś prostego — na przykład nauczenie agenta rozumienia moich preferencji dotyczących podróży i sugerowania kompletnych planów podróży — zajęło dotąd więcej czasu na trenowanie, niż udało mi się dzięki niemu zaoszczędzić. Kiedy jednak naprawdę się nauczy, jestem przekonany, że korzyści przeważą i ta sama zasada znajdzie zastosowanie w realizacji projektów.
Dlaczego osoby, które opanują sztuczną inteligencję, zmienią sposób realizacji projektów
Ostatecznie nie sądzę, aby to sztuczna inteligencja zmieniła sposób realizacji projektów. Uważam, że zmienią go osoby, które nauczą się ją opanowywać i koordynować.
Ostatecznie nie sądzę, aby to sztuczna inteligencja zmieniła sposób realizacji projektów. Uważam, że zmienią go osoby, które nauczą się ją opanowywać i koordynować.
Co więcej, bardzo złożone — a nawet „wyjątkowo trudne” — problemy zaczną prowadzić do prostszych i bardziej eleganckich rozwiązań, generowanych szybciej niż kiedykolwiek wcześniej dzięki ogromnej mocy obliczeniowej agentowej sztucznej inteligencji.
Dlaczego myślenie od szerokiego ujęcia zdefiniuje nowe pokolenie liderów realizacji projektów
Moja rada jest prosta: najpierw szerokie ujęcie.
Większość z nas uczono, że specjaliści i eksperci o głębokiej wiedzy technicznej będą wynagradzani finansowo lepiej niż osoby o szerszych, ogólnych kompetencjach — i przez wiele dziesięcioleci rzeczywiście tak było. Jednak im skuteczniej i szybciej sztuczna inteligencja będzie rozwiązywać problemy wymagające głębokiej wiedzy technicznej, tym bardziej wartościowe stanie się całościowe, szerokie i systemowe rozumienie zagadnień.
Im skuteczniej i szybciej sztuczna inteligencja będzie rozwiązywać problemy wymagające głębokiej wiedzy technicznej, tym bardziej wartościowe stanie się całościowe, szerokie i systemowe rozumienie zagadnień.
W końcu, jeśli nie znasz całego zakresu problemu na tyle dobrze, aby koordynować sieć agentów sztucznej inteligencji pomagających ci go rozwiązać, twoja wartość na rynku pracy będzie maleć.
Bądź na bieżąco
Możesz śledzić pracę Mike’a na platformie LinkedIn i dowiedzieć się więcej o jego doradztwie w firmie Fortezza Consulting.
Wkrótce pojawią się kolejne wywiady z ekspertami na łamach The Digital Project Manager.
