Den här seniora programledningschefen bryter ner AI-verktygen och integrationerna hon använder för att överbrygga luckor i klienternas teknik
Lauren Selley är senior produktionschef på Code and Theory, där hon övervakar leveransen av digitala lösningar från början till slut inom webb och mobil. Nu när AI är integrerat i hennes arbetsflöden ägnar hon mindre tid åt administrativa uppgifter – och mer tid åt att driva strategiska beslut.
Lauren Selley
Senior produktionschef på Code and Theory
AI-experimentering: AI-verktyg kräver försök och misstag, vilket främjar strategiskt ledarskap framför administrativa uppgifter inom projektledning.
Strategiskt ledarskap: AI minskar rutinarbetet och gör det lättare att fokusera på planering, riskhantering och att lösa bredare strategiska frågor.
Viktiga verktyg: Verktyg som Elvex och Claude effektiviserar arbetsflöden och gör det möjligt för projektledare att arbeta mer effektivt och med bättre resultat.
Utmaningar med AI-integration: Att integrera AI-verktyg mellan olika system är fortfarande svårt på grund av isolerade ekosystem och varierande verktygsprestanda.
Framtida ledarskapsgap: AI:s framväxt kan förändra roller och kräver därför ett större fokus på ledarskap och social kompetens inom projektledning.
Lauren Selley är senior produktionschef på Code and Theory, där hon övervakar leveransen av digitala lösningar från början till slut på webben och i mobilen. Nu när AI är integrerat i hennes arbetsflöden ägnar hon mindre tid åt administrativa uppgifter – och mer tid åt strategiska beslut.
Vi pratade med Lauren om vad som förändras inom leverans, vilka verktyg som verkligen gör skillnad och hur hon hjälper sitt team att navigera övergången från projektledare till strategisk ledare. Så här beskrev hon det.
Varför programhantering kräver experimenterande med AI
Jag är senior produktionschef (programhantering) på Code and Theory.
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 övervakar leveransen av digitala lösningar till våra kunder från början till slut – från strategi till lansering och support efter lanseringen på webben och i mobilen. Jag ägnar mycket tid åt att se till att våra team har det de behöver för att lyckas med leveransen och att våra kunder känner sig trygga med oss som partner.
I vår verksamhet handlar AI helt och hållet om experimenterande: testa, optimera, upprepa.
Företag ger oss inte färdiga lösningar som säger: ”Här är dina instruktioner och verktyg, använd dem.” De säger: ”Här får du tillgång till några verktyg – ta reda på vad du kan göra med dem.”
Därför ägnar jag mycket tid åt att experimentera, bygga arbetsflöden och se vad som faktiskt fungerar i längden.
När AI ska användas i projektleveransen – och när det bör undvikas
Det som entusiasmerar mig mest med AI inom projektleverans är att vi äntligen ägnar mindre tid åt att vara uppgiftsansvariga och mer tid åt att faktiskt vara ledare. Den förändringen är sedan länge efterlängtad.
Tack vare AI ägnar vi äntligen mindre tid åt att vara uppgiftsansvariga och mer tid åt att faktiskt vara ledare.
Jag använder AI hela tiden för att avlasta mig från rutinarbetet. Det är utmärkt på att ge svar utifrån en datamängd med projektkunskap, sammanfatta, skriva utkast till anteckningar och skicka påminnelser om åtgärdspunkter, till exempel. Men man måste dubbelkolla det. AI har en dålig vana att hitta på åtgärdspunkter eller ange felaktiga förfallodatum.
Det gör att jag kan fokusera på att vägleda teamet och lösa utmaningar på en mer övergripande nivå.
Min kunskap om projektgenomförande kommer bäst till sin rätt i strategisk planering, riskbedömning, vägledning av team genom komplexa scenarier och smartare beslut om leveransen – inte i att jaga statusuppdateringar.
Och jag låter inte heller AI hantera kundkommunikation kring omfattning och risker. Det finns ingen ersättning för att läsa av personligheter, anpassa sig till olika kommunikationsstilar och dra nytta av tidigare erfarenheter för att navigera i svåra samtal.
Om AI dessutom kunde komma på hur man gör utläggsrapporter och registrerar tid åt mitt team vore det fantastiskt. Jag väntar fortfarande på den funktionen.
AI-verktygen som driver projektleverans och arbetsflöden
På jobbet använder vi en uppsättning godkända AI-verktyg från Atlassian, Vercel och Google, samt tillgång till ett företagsverktyg som använder olika stora språkmodeller, till exempel ChatGPT och fler.
Atlassian erbjuder Rovo, som är utmärkt för sökning inom företaget – det kan visa resultat från Gmail, Docs, Confluence-sidor och Jira-ärenden på samma gång.
Vi använder också Elvex för att skapa en kontrollerad kunskapsbas utifrån en definierad datamängd, så att teamet kan ställa projektspecifika frågor till den.
Och Vercel erbjuder V0, som är fantastiskt för ”vibe-kodning” – det gör det enkelt att snabbt generera och vidareutveckla interna prototyper eller visualisera idéer.
Utanför jobbet, när jag skapar innehåll, förlitar jag mig i hög grad på ChatGPT, Claude och en mängd olika designverktyg.
Claude har förändrat spelplanen. Jag behöver inte längre anpassade insticksprogram eller hjälp från utvecklare eftersom verktyget genererar kod för gränssnittet och låter mig förhandsgranska den. På så sätt kan jag felsöka innan publicering och göra mitt arbetsflöde smidigare.
Och hemma är Notion och Notion AI min hjärna. Det är så jag håller ordning på hela min familj och mitt liv hemma.
Och jag säger så här. AI kan inte göra allt. Den har inte lyckats övertyga mitt småbarn att äta grönsaker. Om någon bygger den modellen, räkna med mig!
Det oumbärliga AI-verktyget för projektledare
Jag har två AI-favoritverktyg just nu.
Ur ett projektledningsperspektiv är det Elvex. Att ge team möjligheten att ställa frågor till en databas och få svar via chatt sparar mig timmar varje dag.
Ur ett projektledningsperspektiv är det Elvex. Att ge team möjligheten att ställa frågor till en databas och få svar via chatt sparar mig timmar varje dag.
Du skulle bli förvånad över hur ofta en projektledare är den person som andra kontaktar när de inte kan hitta eller komma ihåg något. Nu kan jag helt enkelt hänvisa dem till en chattbot. Vi har skapat Elvex-integrationer med Slack så att team kan ställa frågor till ”Projekt”-boten om mål, deadlines, teammedlemmar eller andra projektdetaljer — och få omedelbara, korrekta svar.
Ur ett innehållsskapandeperspektiv måste jag återigen ge Claude beröm. Det har eliminerat behovet av så många tillägg och backend-skript som jag brukade betala för, och det sparar mig timmar genom att förenkla både frontend- och backenduppgifter.
Så förändrar AI centrala leveransrutiner
AI är fantastiskt för att minska informationsöverflödet i början av ett projekt.
AI är fantastiskt för att minska informationsöverflödet i början av ett projekt.
I stället för långa möten för kunskapsöverföring kan team ställa frågor till en databas med projektinformation och få det de behöver i realtid.
Det blir också alltmer värdefullt för att validera leveransresultat — från att hjälpa till med kodgranskningar till att stödja automatiserade tester.
AI ersätter inte expertvalidering, men det påskyndar processen och hjälper oss att upptäcka problem tidigare.
Så använder du AI-arbetsflöden för att hantera komplexa projekt med många intressenter
I stora, komplexa program med flera avdelningar, leverantörer och klientintressenter är automatiserade arbetsflöden och integrerade verktyg helt avgörande.
Jag har till exempel konfigurerat arbetsflöden som skickar automatiska påminnelser i Slack, genererar AI-drivna dagliga sammanfattningar för att minska mötestiden och synkroniserar projektplaner mellan olika plattformar.
Slack lanserade nyligen sin egen sammanfattningsfunktion för kanalkonversationer, vilket har varit otroligt användbart. Och när jag vill se till att teamet är uppdaterat om vad som har hänt i Jira använder jag en Rovo-agent för att sammanfatta ändringar i utvalda fält på våra anslagstavlor.
Rovo blir också allt mer värdefullt för att identifiera projekttrender, som vi sedan kan koppla till retrospektiv och lärdomar — här är en artikel från Atlassian om hur man gör det.
Detta har varit särskilt värdefullt när klienter använder olika ekosystem, till exempel Microsoft eller Google. Genom att låta arbetsflöden och AI-integrationer överbrygga dessa skillnader kan alla hålla sig samordnade utan att tvinga människor att använda ett enda verktyg.
Detta har varit särskilt värdefullt när klienter använder olika ekosystem, till exempel Microsoft eller Google. Genom att låta arbetsflöden och AI-integrationer överbrygga dessa skillnader kan alla hålla sig samordnade utan att tvinga människor att använda ett enda verktyg.
Experimentera med agentiska arbetsflöden för effektivare leveranser
Vi experimenterar inom alla områden vi kan — inklusive agentiska arbetsflöden. Vi har utvecklat vårt eget orkestreringsverktyg och fortsätter att testa olika inmatningspunkter.
Fokus har legat på alla leveransfaser:
- Strategiska insikter
- Designdokumentation
- Projektövervakning, och
- Teknisk leverans
Vi fortsätter fortfarande att iterera, men vi förväntar oss betydande effektivitetsvinster när dessa system mognar.
Varför det fortfarande är svårt att integrera AI-verktyg i leveransarbetsflöden
Med allt detta sagt är det fortfarande mycket svårare än det borde vara att konfigurera integrationer för det jag vet är vanliga affärsproblem.
AI hjälper mig gärna genom stegen, men jag skulle gärna se att den bara utförde konfigurationen åt mig. Att få den att köra över flera system, som Google eller Microsoft, är en annan sak, tack vare isolerade ekosystem.
En annan överraskning — eller kanske frustration — är den enorma variationen av modeller och verktyg. Man får verkligen helt olika svar beroende på vilket verktyg man använder och vad det är specialiserat på, så det tar tid att hålla sig uppdaterad om dem och testa dem mot verkliga användningsfall.
Varför AI kan skapa ett framtida ledarskapsgap inom projektledning
Projektledare knyter ihop olika delar och är skickliga på kommunikation. Om fem år tror jag att AI kommer att hantera 90 procent av den datainsamling och analys som vi gör i dag.
Det innebär att projektledare kommer att behöva fokusera ännu mer på ledarskap, kundhantering och social kompetens — men de kommer inte att bli arbetslösa; arbetena kommer bara att se annorlunda ut.
Projektledare kommer inte att försvinna. Arbetena kommer bara att se annorlunda ut.
Den största utmaningen mellan nu och då är det kompetensgap på nybörjarnivå som vi kommer att se.
Om AI kan utföra allt rutinarbete som vi tidigare lät praktikanter och projektledare på biträdande nivå ta hand om, måste vi skapa nya roller på biträdande nivå för projektledare — exempelvis med inriktning på databaser och promptar — för att säkerställa att vi har en pipeline av kandidater som kan bli framtida seniora ledare. Annars kommer det inte att finnas någon som kan ta steget upp till ledarrollerna.
Jag tror också att resursplaneringen kommer att se mycket annorlunda ut. I stället för statiska roller kommer vi att se kortsiktiga behov av saker som promptteknik, AI-validering eller integrationskonfiguration.
Rollerna kommer att anpassas och utvecklas från projekt till projekt, och projektledare måste vara experter på att skapa och hantera dessa kombinationer.
Råd till leveransledare som anpassar sig till AI-eran
Övertänk det inte; börja bara använda verktygen. Alla ser ut som om de vet vad de gör, men de flesta försöker lista ut det medan de arbetar.
Alla ser ut som om de vet vad de gör, men de flesta försöker lista ut det medan de arbetar.
Du ligger inte efter. Vi har alla tillgång till samma AI. Skillnaden är om du tar dig tid att experimentera och ta reda på vad som faktiskt fungerar.
Följ med
Håll kontakten med Lauren på LinkedIn och på hennes webbplats. Håll också ett öga på det arbete som hennes team utvecklar på Code and Theory.
Fler expertintervjuer kommer på The Digital Project Manager.
