Nadmiar narzędzi AI? Przewodnik po zarządzaniu dostępnymi opcjami
Nadmiar narzędzi: Codzienne premiery nowych narzędzi AI przytłaczają kierowników projektów, utrudniając podejmowanie trafnych decyzji zakupowych.
Najpierw przypadki użycia: Przed wdrożeniem narzędzi ustal konkretne potrzeby związane z AI, aby uniknąć nieefektywnych rozwiązań.
Testuj porównawczo: Oceniaj narzędzia AI, porównując wyniki uzyskiwane na wielu platformach, a nie analizując je w izolacji.
Rozszerzaj, nie zastępuj: Zamiast pochopnie zmieniać platformy, rozważ rozszerzenie możliwości istniejących narzędzi za pomocą agentów AI.
Strategiczne wdrażanie: Skup się na dostosowaniu wdrażania narzędzi AI do długoterminowych strategii organizacji i usprawnień procesów.
Każdego dnia uruchamianych jest obecnie od 500 do 1000 nowych narzędzi AI. Dla kierowników projektów i liderów PMO ta liczba nie jest ekscytująca — jest wyczerpująca. Każdy tydzień przynosi nową platformę obiecującą automatyzację raportów statusowych, przewidywanie ryzyka i optymalizację alokacji zasobów. A każdego tygodnia organizacje podejmują decyzje zakupowe o wartości pięciu lub sześciu cyfr na podstawie filmów demonstracyjnych i prezentacji sprzedażowych.
Emmanuels Magaya, założyciel Project Managers Africa, przetestował ponad 100 narzędzi AI i zbudował firmę konsultingową, która pomaga organizacjom podejmować mądrzejsze decyzje dotyczące wdrażanych narzędzi.
Niedawno dołączył do Galena Lowa, gospodarza podcastu DPM, aby przedstawić perspektywę sprzeczną z obecnym cyklem zachwytu nad nowymi rozwiązaniami: zwolnij, sprecyzuj potrzeby i przestań pozwalać, aby to narzędzie wyznaczało strategię.
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
Oto dokładne ramy, które przedstawił w programie, aby pomóc Ci zrobić to samo.
Zacznij od przypadków użycia, nie od narzędzi
Najczęstszy błąd popełniany przez organizacje nie polega na wyborze niewłaściwego narzędzia — polega na wyborze narzędzia, zanim dowiedzą się, do czego go potrzebują. Magaya mówi o tym wprost. „Pierwszym krokiem jest zrozumienie, czego dokładnie chcesz, aby AI dla Ciebie robiła” — mówi. „Nie próbuj używać AI do wszystkiego. Przyjrzyj się prostym rzeczom, które wykonujesz na co dzień, które są rutynowe, wymagają pracy umysłowej i zajmują Ci czas”.
Nie próbuj używać AI do wszystkiego. Przyjrzyj się prostym rzeczom, które wykonujesz na co dzień i które są rutynowe.
Brzmi to prosto, ale większość zespołów pomija ten krok. Widzą, że konkurent korzysta z nowej platformy, albo ktoś z kierownictwa czyta artykuł i nagle pojawia się presja, aby szybko coś wdrożyć. Problem polega na tym, że pilność bez jasnego celu prowadzi dokładnie do sytuacji, której Magaya poświęca większość swojej pracy konsultingowej.
Jego drugie ostrzeżenie jest równie ważne: nie zakładaj, że Twoje procesy są gotowe na AI tylko dlatego, że narzędzie jest gotowe. „Nie spiesz się z wyborem narzędzia” — mówi. „Najpierw zapytaj: czy mój proces wspiera AI? Odkryliśmy, że istnieją niesprawne procesy, w których zastosowanie AI sprawi jedynie, że staną się jeszcze bardziej niesprawne”. Jeśli planowanie zasobów jest niespójne lub dane projektowe są nieuporządkowane, warstwa AI ich nie oczyści — po prostu sprawi, że bałagan będzie działał szybciej.
Jak oceniać i porównywać narzędzia AI
Po zdefiniowaniu przypadków użycia AI kolejnym krokiem są testy — a Magaya ma konkretną metodologię ich przeprowadzania. Największym błędem popełnianym przez ludzi podczas oceny narzędzi jest testowanie ich w izolacji i ocenianie jednego narzędzia względem abstrakcyjnego standardu zamiast bezpośredniego konkurenta.
Jego rozwiązanie jest proste: „Nigdy nie używaj tylko jednego narzędzia, aby uzyskać wyniki AI. Spróbuj wpisać ten sam prompt w Gemini, Claude'a czy dowolne inne narzędzie, do którego masz dostęp, a następnie porównaj oba wyniki”. Uruchamianie identycznych promptów w wielu narzędziach i modelach AI ujawnia różnice w jakości, szczegółowości i przydatności dla konkretnego przypadku użycia.
Ten artykuł został zaadaptowany na podstawie odcinka podcastu DPM zatytułowanego „Nie potrzebujesz nowego narzędzia AI do zarządzania projektami — musisz naprawić to, które już masz”. Więcej podcastów DPM znajdziesz tutaj.
Jednak jakość wyników jest tak dobra, jak jakość danych wejściowych. „Jeśli nie potrafisz dobrze tworzyć promptów, możesz nie uzyskać dobrego rezultatu nawet przy użyciu właściwego narzędzia” — mówi Magaya. „Musisz więc rozwinąć umiejętność tworzenia promptów”. To zmienna, którą większość schematów oceny całkowicie pomija — zespoły testują narzędzie, uzyskują przeciętny wynik i odrzucają je, podczas gdy prawdziwym problemem jest prompt.
Ostrzega również przed ocenianiem narzędzia na podstawie pierwszego wrażenia. „Eksperymentuj z narzędziami, wypróbuj różne funkcje. Przekonasz się, że nawet narzędzie, które początkowo uznałeś za niezbyt dobre, może w rzeczywistości bardzo dobrze sprawdzać się w jednym konkretnym celu”.
Większość platform ma wbudowane funkcje, których użytkownicy nigdy nie odkrywają, ponieważ przechodzą od razu do głównego interfejsu i nie eksplorują ich dalej.
Co zrobić, gdy narzędzie AI nie spełnia oczekiwań
Nawet przy dokładnym procesie oceny organizacje czasami po sześciu miesiącach wdrożenia zdają sobie sprawę, że narzędzie nie zapewnia tego, co obiecywano. W takiej sytuacji Magaya zaleca przeprowadzenie uporządkowanej diagnozy przed podjęciem jakichkolwiek decyzji dotyczących dalszych kroków.
„Najpierw zastanów się, czego oczekiwałeś od narzędzia” — mówi. „Następnie przeprowadzasz coś, co nazywamy analizą luk. Analizujesz lukę między oczekiwaniami — tym, czego oczekuję od narzędzia, a tym, co narzędzie faktycznie dostarcza”. Taka analiza luk determinuje wszystko: czy problem można naprawić, czy warto pozostać przy narzędziu oraz ile faktycznie kosztowałoby odejście od niego.
A ten koszt może być znaczący. „Skutki podjęcia złej decyzji mogą być ogromne. Może to kosztować nawet miliony, wpływając na satysfakcję klientów, realizację dostaw dla klientów, jakość produktu itd.” — mówi Magaya. Finansowe konsekwencje niekorzystnej umowy są oczywiste, ale późniejszy wpływ na jakość realizacji i morale zespołu często okazuje się najbardziej dotkliwy.
Skutki podjęcia złej decyzji mogą być ogromne – wpływając na satysfakcję klientów, realizację dostaw dla klientów, jakość produktu itd.
Jednym z czynników, który łatwo zlekceważyć, a który Magaya wskazuje jako najważniejszy element do rozważenia po zidentyfikowaniu punktów tarcia, są dane projektu. „Ile danych przekazaliśmy temu narzędziu? To prawdopodobnie najważniejsza kwestia po zidentyfikowaniu punktu tarcia” — mówi.
„Może się nawet okazać, że nie będziesz w stanie ich odzyskać”. W przeciwieństwie do arkusza kalkulacyjnego, który można wyeksportować i zaimportować gdzie indziej, wiedza, którą narzędzie AI zdobyło na podstawie zachowań zespołu, historii projektów i wzorców organizacyjnych, nie jest możliwa do przeniesienia. Im dalej zaszliście z danym narzędziem, tym wyższy jest koszt zmiany kierunku.
Jak rozszerzyć istniejące narzędzie za pomocą agentów AI
W tym miejscu większość rozmów o narzędziach AI utknie: wybór przedstawia się jako pozostanie przy narzędziu albo odejście od niego. Magaya proponuje trzecią opcję, którą powinno rozważyć więcej organizacji — rozszerzenie. Zamiast zastępować narzędzie, które ma braki, tworzysz agentów i zautomatyzowane przepływy pracy, które je uzupełniają, zachowując dotychczasową platformę.
Myśl o agentach jako o rozwiązaniu modułowym, a nie monolitycznym
Modułowa natura agentowej sztucznej inteligencji sprawia, że jest to bardziej praktyczne, niż mogłoby się wydawać. „W przypadku agentowej sztucznej inteligencji jej zaletą jest to, że możesz usunąć agentów, których nie potrzebujesz lub którzy nie działają dobrze, i dodać nowych” — wyjaśnia Magaya. „Jeśli więc utworzysz agentowe biuro zarządzania projektami, będziesz mieć agenta, który przewiduje ryzyko. Będziesz mieć agenta AI zajmującego się planowaniem wydajności. Będziesz mieć też agenta, który zajmuje się wyłącznie harmonogramowaniem lub zarządzaniem kalendarzem”. Każdy agent obsługuje odrębną funkcję, co oznacza, że możesz dodawać lub usuwać możliwości bez przebudowy całego stosu technologicznego oraz zadbać o optymalizację każdego agenta pod kątem konkretnego zadania.
W przypadku agentowej sztucznej inteligencji jej zaletą jest to, że możesz usunąć agentów, których nie potrzebujesz lub którzy nie działają dobrze, i dodać nowych
Zacznij od małych kroków w ramach istniejącego narzędzia
Początek nie musi być skomplikowany. „Jeśli masz już jakieś narzędzie, przede wszystkim sprawdź, czy obsługuje AI” — mówi Magaya. „Jeśli korzystasz z popularnych narzędzi, takich jak Monday.com, Asana czy Jira, zazwyczaj dobrze radzą sobie z aktualizowaniem funkcji AI. Możesz zacząć właśnie od tego. Zacznij więc od małych kroków. Być może będzie to tylko agent AI, który sprawdza notatki po spotkaniach — pobieramy transkrypcję, tworzymy listę zadań, a następnie wysyłamy wiadomość e-mail”. To rozwiązanie o niskim ryzyku i wysokiej wartości, które nie wymaga całkowitej przebudowy architektury.
Zaplanuj, zanim zaczniesz budować
W przypadku zespołów, które muszą pójść dalej — łącząc narzędzia takie jak n8n, Make czy Zapier w celu tworzenia bardziej zaawansowanych przepływów pracy — Magaya podkreśla, że technologia jest łatwą częścią tego procesu. Trudność polega na tym, by wiedzieć, co chcesz zbudować, zanim zaczniesz budowę. „Nie możesz zacząć budować domu bez planu — i właśnie tutaj wiele osób popełnia błędy związane z AI” — mówi.
„Kiedy ludzie słyszą o n8n, Make, Zapier, od razu zaczynają tworzyć przepływy pracy. Ale czego właściwie dotyczy Twój przepływ pracy? Najpierw stwórz mapę myśli w narzędziach takich jak NotebookLLM”. Etap planowania nie jest opcjonalny — to on decyduje, czy tworzony przepływ pracy rzeczywiście rozwiązuje problem i uwzględnia przepływ informacji, czy tylko dodaje więcej złożoności.
Nie możesz zacząć budować domu bez planu i właśnie tutaj wiele osób popełnia błędy związane ze sztuczną inteligencją.
Gdy architektura jest już jasna, wdrożenie staje się znacznie łatwiejsze do przeprowadzenia. „Możesz korzystać ze swojego narzędzia, ale upewnij się, że przepływy pracy tworzy ktoś, kto rozumie procesy automatyzacji. Dzięki temu zostaną one prawidłowo zintegrowane”.
Traktuj agentów AI jak członków swojego zespołu
Rozszerzanie możliwości zespołu to nie tylko decyzja techniczna — wymaga zmiany sposobu myślenia o jego składzie. Magaya twierdzi, że liderzy PMO powinni zacząć uwzględniać agentów w liczebności zespołu. „Jest tu również element związany z zarządzaniem zmianą” — mówi.
„Zespół musi przyzwyczaić się do tego, że AI jest jego częścią. Idąc dalej, jako PMO, gdy będziecie teraz liczyć członków zespołu, załóżmy, że liczy on 50 osób — teraz musicie uwzględnić agentów AI jako część zespołu. Jeśli więc macie, powiedzmy, 10 agentów AI, faktycznie jesteście zespołem liczącym 60 osób, ponieważ mamy coś, co nazywamy matrycą RACI, w której — kto jest odpowiedzialny, kto rozliczany, z kim się konsultujemy i kto jest informowany — znajduje się sekcja, w której AI wykonuje określone funkcje”.
Idąc dalej, jako PMO, gdy będziecie teraz liczyć członków zespołu, musicie uwzględnić agentów AI jako część zespołu.
To ujęcie ma znaczenie, ponieważ wymusza jasność. Gdy agent ma określoną rolę w matrycy RACI, zespół dokładnie wie, za co agent odpowiada, jak wygląda nadzór i w którym momencie następuje przekazanie zadania człowiekowi. Ułatwia to również wskazanie, w których obszarach przepływu pracy poszczególni agenci osiągają gorsze wyniki.
More Articles
- Menedżer projektów i edukator wspomagany przez AI przedstawia prosty przepływ pracy AI, który zasadniczo zmienia sposób realizacji projektów
- Stos narzędzi, którego użyłbym, gdybym zaczynał agencję
- 3 alternatywy dla zastąpienia ludzkich kierowników projektów agentami sztucznej inteligencji
- Jedyne narzędzie do zarządzania projektami, z którego nigdy bym nie zrezygnował
- Rzeczywiste przepływy pracy z AI stosowane przez szefa realizacji w agencji wdrażającej Asanę
Od reaktywności do predykcji
Traktowanie agentów jak członków zespołu odblokowuje możliwości, które Magaya uważa za jedną z najbardziej niewykorzystanych zalet AI w zarządzaniu projektami. „Gdy masz PMO wspierane przez AI, a agenci i asystenci AI pracują spójnie, agenci mogą informować Cię o ryzykach na podstawie danych gromadzonych w miejscach takich jak poczta e-mail i Microsoft Teams” — mówi.
To zasadniczo inny model działania niż ten, do którego przyzwyczajona jest większość PMO. „Wcześniej tradycyjne PMO zarządzały ryzykiem reaktywnie — o, coś zaraz się wydarzy, dobrze, naprawmy to” — mówi Magaya. „Ale dzięki AI sztuczna inteligencja może powiedzieć Ci, co może się wydarzyć za 12 miesięcy, opierając się wyłącznie na danych”. Zespoły, które robią to dobrze, nie wykorzystują AI tylko do oszczędzania czasu na zadaniach administracyjnych. Używają jej, aby spojrzeć dalej w przyszłość, niż było to wcześniej możliwe.
AI może powiedzieć Ci, co może się wydarzyć za 12 miesięcy, opierając się wyłącznie na danych.
Niech strategia prowadzi, a nie narzędzia
Organizacje, które najwięcej skorzystają na AI, to nie te, które wdrożą najwięcej narzędzi — lecz te, które najbardziej świadomie podejdą do tego, jak i dlaczego je wdrażają. Ta świadoma decyzja zaczyna się jeszcze przed zakupem choćby jednego narzędzia i opiera się na jasnym obrazie tego, jak wyglądają procesy oraz dokąd zmierza organizacja.
Jak ujmuje to Magaya: „Wyobraź sobie, że skutecznie korzystasz z AI za 12 miesięcy. Jak będzie wyglądać Twoja organizacja? Jak będą się czuli Twoi klienci? Właśnie w ten sposób musisz na to patrzeć”. Zacznij od tego, pracuj wstecz i pozwól, aby narzędzia podążały za strategią — a nie odwrotnie.
Chcesz poznać więcej podobnych wskazówek? Zarejestruj się na bezpłatne konto DPM, aby poznać opinie kolejnych ekspertów.
