Najlepsze modele AI do zadań związanych z zarządzaniem projektami
Przegląd modeli: Wykorzystanie modeli AI w zarządzaniu projektami szybko rośnie, a poszczególne modele sprawdzają się w konkretnych zadaniach.
Podsumowywanie spotkań: Różne modele AI doskonale radzą sobie z podsumowywaniem spotkań; wybór modelu wpływa na dokładność i szczegółowość.
Komunikacja z interesariuszami: AI pomaga strukturyzować treści przeznaczone do aktualizacji dla interesariuszy, ale precyzja różni się w zależności od modelu.
Dokumentowanie zakresu: Claude jest preferowany w zadaniach związanych ze szczegółowym opracowywaniem zakresu, zwłaszcza gdy ważne jest przetwarzanie zależności przez model.
Dokumentowanie procesów: ChatGPT często lepiej radzi sobie z porządkowaniem rozproszonych informacji i przekształcaniem ich w spójne dokumenty procesów.
Mówimy tutaj w DPM dużo o narzędziach AI do zarządzania projektami — ale do tej pory nie przyjrzeliśmy się bliżej samym modelom AI i temu, jak kształtują one pracę związaną z zarządzaniem projektami. Aż do teraz.
Krajobraz modeli szybko stał się zatłoczony. Zgodnie z wynikami badania Artificial Analysis dotyczącego wdrażania AI średnia liczba rodzin LLM używanych lub branych pod uwagę wzrosła z około 2,8 w 2024 roku do 4,7 w 2025 roku. Z kolei ranking „Najczęściej używane modele AI” według T4 Atlas pokazuje, które z nich wciąż pojawiają się na rynku: GPT-4o, Claude 3.5 Sonnet, DeepSeek R1, Gemini 1.5 Pro, Llama 3, Copilot Model Stack, Grok i Codestral.
Jeśli eksperymentowaliście z więcej niż jednym modelem, już wiecie, że nie można ich stosować zamiennie — a traktowanie ich tak, jakby było inaczej, może oznaczać utratę rzeczywistych korzyści w zakresie wydajności. Aby dowiedzieć się, jak te modele wypadają w przypadku najczęstszych zadań związanych z zarządzaniem projektami, zwróciliśmy się bezpośrednio do praktyków. Oto, co nam powiedzieli.
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
Podsumowywanie spotkań i zadania do wykonania
Claude, Gemini, Read AI
Podsumowywanie spotkań jest jednym z najczęstszych zastosowań AI w zarządzaniu projektami, a także jednym z najbardziej podatnych na pogorszenie wydajności modelu. Joe Troyer, dyrektor ds. marketingu w Great Lakes Tiny Homes, przedstawia bezpośrednie porównanie: „Claude zachowuje poprawność zadań do wykonania w transkrypcjach trwających godzinę, podczas gdy GPT zaczyna pomijać imiona i terminy po pierwszych trzydziestu minutach”. Im dłużej trwa spotkanie, tym większe znaczenie ma wybór modelu.
Claude zachowuje dokładność listy zadań przez godzinne transkrypcje, podczas gdy GPT zaczyna pomijać nazwiska i terminy po pierwszych trzydziestu minutach.
Jednak zidentyfikowanie odpowiedniego modelu to tylko połowa równania — druga połowa to wiedza o tym, jak wygląda dobry wynik. Troyer precyzuje: "Dobry wynik zawiera przy każdym elemencie nazwisko mówcy i jedno zdanie opisujące zobowiązanie. Zły wynik dodaje dodatkowe zadania, które nigdy nie padły, albo łączy dwie osoby w jednego wykonawcę."
Nie każdy dochodzi do tego samego wniosku. Michael Gold, który zarządza projektami dla wielu klientów, celowo porównuje modele zamiast wybierać jeden: "Ostatecznie korzystam ze wszystkiego — z Gemini, Claude, Chatty i tak dalej, nawet jeśli mam Firefly. Biorę transkrypcję z Firefly i umieszczam ją w innym narzędziu, ponieważ nie ufam Firefly." Jego podejście traktuje porównywanie modeli jako część samego przepływu pracy, a nie etap konfiguracji wykonywany jednorazowo.
Ryan Gilbreath podchodzi do sprawy bardziej metodycznie, szeregując przetestowane opcje: "Powiedziałbym, że gdybym miał ocenić moją listę narzędzi do sporządzania notatek przez AI, Read AI jest obecnie jednym z najlepszych. Drugie miejsce zająłby Gemini, ponieważ pracuję w Google Workspace i łatwo synchronizować oraz gromadzić wszystkie notatki w jednym miejscu. Następnie wskazałbym Otter AI."
Komunikacja z interesariuszami i raportowanie statusu
Claude Opus, ChatGPT-4
Przydatna aktualizacja statusu powinna dobrze realizować konkretne zadania. Jak ujmuje to Guillermo Ginesta, partner zarządzający na region APAC w Brinc: "Przydatny wynik musi oddzielać fakty, blokady, działania przypisane konkretnym osobom i ryzyko polityczne, nie stwarzając fałswego poczucia pewności." Ken Herron, współzałożyciel VCONify, formułuje to równie trafnie: "Dobry wynik podsumowuje, co się zmieniło, dlaczego ma to znaczenie, kto odpowiada za następne działanie i gdzie potrzebne są decyzje. Zły wynik brzmi jak ogólne podsumowanie spotkania, traktuje każdy problem jako równie ważny i pomija kontekst istotny dla kadry kierowniczej."
Mając to na uwadze, praktycy zwykle dzielą się według tego, co chcą zoptymalizować. Ken Herron, współzałożyciel VCONify, sięga po Claude, gdy priorytetem jest jakość komunikacji: "Kiedy muszę przekształcić notatki ze spotkania, wątki e-mailowe i uwagi kadry kierowniczej w zwięzłą aktualizację dla interesariuszy, Claude [Opus] konsekwentnie tworzy jaśniejszą i bardziej zniuansowaną komunikację niż inne testowane przeze mnie modele."
Inni przedstawiają argumenty na rzecz ChatGPT-4. Bogdan Condurache, współzałożyciel i dyrektor ds. produktu w Brizy, używa GPT-4 do komunikacji z interesariuszami, a Claude do określania zakresu. Wskazuje na zdolność GPT-4 do dostosowywania komunikacji do różnych odbiorców: "Jeśli muszę wyjaśnić opóźnienie kierownictwu, uprościć aktualizację produktu dla klientów lub podsumować dług techniczny dla zespołów nietechnicznych, narzędzie dobrze dostosowuje ton i poziom szczegółowości."
Dokumentacja zakresu i wymagania
Claude Opus, ChatGPT-4
Jeśli chodzi o definiowanie zakresu, praktycy skłaniają się ku Claude — szczególnie w przypadku złożonych prac z wieloma zależnościami, gdzie koszt pominiętego założenia jest wysoki. Murli Pawar, wiceprezes w SunTec, opisuje, jak jego zespół wykorzystuje Claude Opus właśnie do tego celu: "Używamy Claude Opus do przekształcania dokumentu zakresu klienta w rzeczywisty plan projektu poprzez podział na zadania, ustalenie ich kolejności i zmapowanie zależności. Nasze projekty zwykle obejmują wiele wzajemnie zależnych kroków, w przypadku których jeden etap nie może się rozpocząć, dopóki inny nie zostanie zakończony i uporządkowany, więc właśnie tutaj planowanie musi opierać się na rzeczywistym rozumowaniu, a nie tylko na sporządzeniu listy."
Zdaniem Pawara tym, co wyróżnia Claude w tym kontekście, jest sposób radzenia sobie z niejednoznacznością: "Kiedy przekazuję mu ogólny opis, Claude najspójniej wychwytuje, że krok C potajemnie zależy od kroku A, i wskazuje, gdzie opis jest niekompletny, zamiast po cichu wymyślać założenia w celu wypełnienia luk. Pozostałe narzędzia częściej przedstawiają mi plan, który wygląda na kompletny, ale jego kolejność rozpada się w chwili, gdy zaczynasz go sprawdzać."
Warto zapamiętać definicję dobrego i złego rezultatu przedstawioną przez Pawara: "Dobry rezultat to plan, który mogę zakwestionować. Ujawnia własne założenia. Potrafi także pogrupować zadania w logiczne fazy i wskazać, gdzie opis był niejednoznaczny, zamiast to ukrywać. Powinienem go edytować, a nie tworzyć od nowa. Zły rezultat to zbyt pewny siebie plan, który w rzeczywistości jest błędny."
SOP i dokumentacja procesów ChatGPT
Dokumentacja procesów stawia przed sztuczną inteligencją inne wymagania niż przechwytywanie przebiegu spotkania w czasie rzeczywistym — a różnica między rezultatem, który wygląda profesjonalnie, a rezultatem nadającym się do wykorzystania może być tutaj szczególnie kosztowna. Praktycy, którzy regularnie wykonują tę pracę, często sięgają po ChatGPT, między innymi ze względu na jego zdolność do porządkowania rozproszonych informacji w logiczne sekwencje.
Hien Nguyen, współzałożycielka i dyrektorka Happy Way, używa ChatGPT do konsolidowania wiedzy operacyjnej, która jest „rozproszona w różnych miejscach — na spotkaniach, w wiadomościach na Slacku, wiadomościach e-mail oraz wśród poszczególnych członków zespołu operacyjnego”. Z jej doświadczenia wynika, że wartość modelu polega na jego zdolności do przyjmowania niezorganizowanych danych wejściowych i nadawania im struktury: „Dobry wynik określi proces krok po kroku i uwzględni punkty decyzyjne z takim poziomem szczegółowości, że nowy pracownik będzie mógł wykorzystać ten dokument do wykonania procesu bez potrzeby ciągłego uzyskiwania wyjaśnień”.
Wyraźnie wskazuje główny schemat niepowodzeń: „Zły wynik będzie wyglądał profesjonalnie, ale nie będzie zawierał praktycznych szczegółów. Jeśli AI tworzy nowe kroki, pomija istotne informacje o procesie i używa ogólnych określeń do opisywania firm, nie wyjaśniając, jak wykonywana jest praca, dokument staje się niemal bezużyteczny”. W przypadku SOP-ów spójność na poziomie ogólnym nie wystarczy — muszą pojawić się konkretne szczegóły, w przeciwnym razie dokument nie sprawdzi się w praktyce.
Tworzenie tekstów i praca pisemna
Claude, Gemini
W przypadku zadań związanych z pisaniem — niezależnie od tego, czy chodzi o przygotowywanie komunikacji projektowej, treści czy tekstów — praktycy wskazują na wyraźny podział. Claude i Gemini okazują się preferowanymi opcjami, podczas gdy ChatGPT wypada gorzej w bezpośrednich porównaniach.
Jennifer Goebel, koordynatorka projektów w Baker Marketing Laboratory, uważa, że Claude jest najlepszym narzędziem do pisania pod względem tonu wypowiedzi: „Claude wydaje się narzędziem, które najlepiej sprawdza się w komunikacji — wymaga mniej wymiany wiadomości niż ChatGPT i zapewnia bardziej naturalny ton wypowiedzi w tekstach”.
Yonelly Gutierrez, która zarządza przepływami pracy projektowej w wielu narzędziach, zdecydowała się na jeszcze większą zmianę: całkowicie zrezygnowała z profesjonalnej subskrypcji ChatGPT po zauważeniu spadku wydajności. „Zauważyłam ogromną różnicę, nawet między modelami GPT. Kiedyś cały czas korzystałam z ChatGPT, ale teraz zauważyłam, że zbyt często halucynuje”. Obecnie do pisania korzysta z Gemini: „Jeśli chodzi o samo pisanie, wolę Gemini”. Jej dodatkowym narzędziem jest Glean — nie ze względu na jakość pisania, lecz dzięki jego zdolności do wyszukiwania istotnego kontekstu wewnętrznych projektów.
Dopasowanie modelu do sytuacji
W przypadku podsumowań spotkań, aktualizacji statusu, dokumentacji procesów i określania zakresu prac wyłania się spójny wniosek: wyniki AI zawodzą nie dlatego, że technologia jest niewłaściwa, lecz dlatego, że do zadania zastosowano błędne oczekiwania — lub niewłaściwy model. Kierownicy projektów, którzy czerpią z AI największą wartość, nie używają jednego narzędzia do wszystkiego. Traktują wybór modelu jako świadomą część swojego przepływu pracy i oceniają wyniki według jasnego standardu tego, jak powinien wyglądać dobry rezultat.
Chcesz otrzymywać więcej takich spostrzeżeń? Zarejestruj się i utwórz bezpłatne konto DPM, aby poznawać opinie kolejnych ekspertów.
