Teknikchef för programhantering säger att AI utan tillräckligt sammanhang kan leda till farliga beslut
Upptäck hur en ledare inom teknikprogram använder AI för att minska rapporteringsarbetet, synliggöra leveransrisker och hjälpa team att fokusera på beslut i stället för administration.
Anika Banakh
Teknikchef för programhantering på ACV Auctions
Människocentrerat ledarskap: Anika betonar att ett effektivt införande av AI börjar med att ge teamen befogenheter, inte enbart med tekniken.
Effektivitetsvinster: AI-verktyg har effektiviserat repetitiva uppgifter, förbättrat rapporteringseffektiviteten och gett teamen bättre insyn i leveranser.
Förhindra överdrivet beroende: Mänsklig medverkan är avgörande för att tolka AI-resultat korrekt och säkerställa att verksamhetens sammanhang bevaras.
Förenkla arbetsflöden: Överdriven teknisk utformning kan försvåra tydligheten; genom att fokusera på beslut med högt värde blir det lättare att införa AI-verktyg snabbare.
Ägarskap spelar roll: Tydligt beslutsägarskap underlättar AI-integrationen och hjälper organisationer att undvika förvirring och förbättra resultaten.
Anika Banakh är chef för teknisk programledning på ACV Auctions. Hon har lett flera globalt distribuerade, tvärfunktionella leveransteam. Nu fokuserar hon på att göra AI-användning icke-intrusiv, samtidigt som leveranserna blir mer effektiva.
Vi pratade med Anika för att ta reda på hur hon implementerar AI i sina arbetsflöden för leveranser. Så här svarade hon.
En människocentrerad AI-ledning
Jag är en kanadensare född i Ukraina som får saker gjorda. De flesta antar att min väg in i AI-driven transformation började med teknik, men den började med människor – att rekrytera talanger, bygga förtroende i globala team och lära mig hur organisationer agerar under press.
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
Jag har nu lett flera globalt distribuerade, tvärfunktionella leveransteam som stöttat digitala marknadsplatser och operativa transformationsinitiativ i företagskala. Teamens storlek varierade från sex personer till några tusen. De flesta av dessa organisationer arbetade snabbt – med agila leveranser inom produkt, teknik, drift och bland affärsintressenter, samtidigt som de hanterade komplexa integrationer, snabb uppskalning och datadrivet plattformsarbete för kunder inom bland annat bilhandel, bank, detaljhandel, ideella organisationer och globala företag.
Att leda leveranser i olika organisationer lärde mig att det största hindret för innovation sällan är själva tekniken; det handlar snarare om huruvida människor känner sig tillräckligt bemyndigade att förändra hur de arbetar. Därför är mitt perspektiv på AI-ledarskap okonventionellt: Framtidens leveranser kommer inte att tillhöra ledare som automatiserar mest, utan dem som kan få AI att kännas djupt mänskligt, samarbetsinriktat och kreativt inspirerande för teamen som använder det varje dag.
Så ökar AI-verktyg effektiviteten på arbetsplatsen
Under det senaste året har jag ersatt de mest repetitiva och förutsägbara uppgifterna i leveransprocessen, vilket har frigjort tid för det verkliga arbetet – främst genom att integrera AI-driven sammanfattning och prioritering i processerna för statusrapportering, beroendeuppföljning och kommunikation med intressenter.
Tack vare AI har jag sett förbättrad rapporteringseffektivitet, bättre insyn i leveranser och förbättrad identifiering av risker i distribuerade team, samtidigt som behovet av manuell samordning har minskat och förutsägbarheten i genomförandet har förbättrats.
Tack vare AI har jag sett förbättrad rapporteringseffektivitet, bättre insyn i leveranser och förbättrad identifiering av risker i distribuerade team.
Men även om jag kan förlita mig på AI för att påskynda datatunga leveransaktiviteter som prioriteringsinsikter, statussammanfattningar, identifiering av riskmönster, beroendeuppföljning och operativ rapportering, kan jag inte förlita mig på det för allt.
Beslut som rör intressentförankring, teamdynamik, organisatorisk förändring, konflikthantering och strategiska avvägningar leds fortfarande medvetet av människor. Framgångsrika leveranser är fortfarande beroende av förtroende, sammanhang, empati och omdöme – sådant som AI inte fullt ut kan återskapa.
Varför AI-resultat kräver mänsklig medverkan
Min största utmaning har faktiskt varit att hindra team från att förlita sig för mycket på automatiserade resultat utan att tillämpa affärskontext. För att förhindra detta ifrågasatte jag deras resultat och betonade vikten av praktisk erfarenhet av produkt- och affärskontext. Det är skillnaden mellan bra och utmärkt.
Mänsklig medverkan är avgörande vid formulering av instruktioner och tolkning. Du behöver en gedigen, strukturerad förfrågan med korrekt kontext kring korrelation och orsakssamband, samt en djup förståelse för processer och drivkrafter för att kunna tolka resultaten.
Ett verktyg kan till exempel tala om för dig att leveransen är i riskzonen, men orsaken kan vara att ingenjören har ett sjukt barn. Därför måste du gå på djupet för att förstå resonemanget bakom uppgifterna och människan bakom uppgiften.
Min största utmaning har varit att förhindra att team förlitar sig för mycket på automatiserade resultat utan att tillämpa affärskontext. Mänsklig medverkan är avgörande vid formulering av instruktioner och tolkning.
Hur överkonstruktion skadar arbetsflöden
När det gäller verktyg använder vi för närvarande Omni för instrumentpaneler, Rovo på Jira för teknisk hantering samt intern AI-chatt för teamuppdateringar och sammanfattningar.
Tidigt hade vi kunnat undvika att överkonstruera arbetsflödet med för många signaler och instrumentpaneler. Det skapade mer tolkningsarbete än tydlighet. Ett enklare och tydligt avgränsat användningsfall — fokuserat på ett eller två beslut med högt värde — skulle ha lett till snabbare införande och mindre skepsis från teamen.
Varför AI misslyckas med att förbättra beslutshastigheten
AI levererade inte den förväntade effekten av förbättrad samordning mellan team och snabbare beslut enbart genom att lägga till fler automatiserade insikter och instrumentpaneler.
Ja, AI förbättrade överblicken, men minskade inte oklarheterna eller löste motstridiga prioriteringar — i vissa fall förstärkte den bruset, eftersom olika team tolkade samma resultat på olika sätt.
AI förbättrade överblicken, men minskade inte oklarheterna eller löste motstridiga prioriteringar — i vissa fall förstärkte den bruset.
Ta en instrumentpanel som exempel. Varje team fokuserar på sina egna KPI:er och affärsbehov, så de kan formulera instruktioner till verktygen för att generera resultat som stöder deras egna viktigaste mål. Att skapa samstämmighet i detta kaos är avgörande med tanke på påverkan på alla team.
Varför bättre planering inte nödvändigtvis leder till bättre resultat
AI fick mig att släppa antagandet att bättre planering automatiskt leder till bättre leveransresultat. Även mycket detaljerade planer blir mindre förutsägande när AI synliggör den verkliga förändringstakten och förändringar i prioriteringar samt volatilitet i beroenden i realtid.
Att kontinuerligt planera om baserat på aktuella signaler, i stället för att sträva efter större säkerhet från början, förbättrade resultaten. Leverans handlade inte längre om att få planen rätt, utan om att snabbt anpassa den.
Vårt AI-drivna leveransarbetsflöde läser in arbetsobjekt och teamuppdateringar, där AI grupperar teman, flaggar risker och automatiskt sammanfattar framsteg mellan grupper. Dessa insikter ligger till grund för en människostyrd prioriteringssession, där beslut omvandlas till sprintplaner. Under genomförandet lyfter AI kontinuerligt fram avvikelser och nya problem.
Nettoeffekten blev mindre tid åt rapportering och mer tid åt att lösa leveransproblem.
Varför statusrapportering behöver utformas på nytt med AI
Ett område som fler leveransansvariga aktivt bör utforma på nytt är statusrapportering och leveransstyrning — det är fortfarande en av de mest manuella, minst värdeskapande och mest förvrängningsbenägna delarna i de flesta organisationer.
Jag arbetar med att ersätta traditionella statuspresentationer och manuella sammanställningar med ett AI-förstärkt arbetsflöde som kontinuerligt sammanställer uppdateringar från leveransverktyg, flaggar risker och genererar koncisa sammanfattningar som gör ledningen redo att fatta beslut. Förändringen handlade inte bara om effektivitet — den förändrade karaktären hos styrningssamtalen från ”vad är status?” till ”vilka beslut behöver vi fatta nu?”
Resultatet blev mindre tid åt att sammanställa uppdateringar och mer tid åt att lösa faktiska leveransbegränsningar, med snabbare eskalering av verkliga risker — men först efter att vi tydliggjort beslutsägarskapet så att AI-resultaten inte blev ytterligare ett tolkningslager.
Varför tydligt ägarskap är den verkliga nyckeln med AI
Här är mitt råd:
Förväxla inte mer AI-genererat resultat med bättre beslut; det ger bara människor fler saker att vara oense om. Den verkliga nyckeln är tydligt ägarskap. AI föreslår, människor beslutar, utan kommittédrama.
Ha också detta i åtanke. Om införandet går långsamt beror det vanligtvis inte på modellen – det är människorna som artigt ignorerar den.
Följ med
Du kan följa Anika Banakhs arbete på LinkedIn.
Fler expertintervjuer kommer på Den digitala projektledaren.
