Bortom uppmaningar: Så använder du AI för smartare projektledning

Läs transkriberingen:

Vi testar att transkribera våra poddar med hjälp av ett program. Ursäkta eventuella skrivfel eftersom boten inte har rätt 100 procent av gångerna.

Galen Low: Du har kommit ungefär elva månader in på din resa med generativ AI och har dragit tre slutsatser.

För det första är GenAI:s möjligheter verkligen utan motstycke. Din farbror Rastin tror på riktigt att det är trolldom.

För det andra är generativ AI ett globalt fenomen. Folk kommer inte att sluta prata om det inom den närmaste framtiden – inte på middagsbjudningarna och definitivt inte i ditt LinkedIn-flöde.

Och för det tredje: trots all förundran och entusiasm kring generativ AI använder du den hittills bara till att anteckna och planera måltider lite grann.

Om du arbetar med projekt och känner att du har fastnat i ett hjulspår med dina AI-chattbotar, eller känner någon som har gjort det, är det här avsnittet för dig. Vi ska utforska hur du kan forma ditt tankesätt och dina reflexer kring generativ AI för att undvika att ”använda GenAI för GenAI:s skull”. Vi ska prata om vad AI:s framtid innebär bortom uppmaningsdesign. Och vi ska undersöka hur en bredare förståelse av AI och hur AI-projekt fungerar faktiskt kan öppna en helt ny gren av din karriär som du aldrig visste fanns. Redo att dyka in?

Hej allihop, tack för att ni lyssnar. Jag heter Galen Low och kommer från The Digital Project Manager. Vi är en gemenskap av digitala yrkesverksamma med uppdraget att hjälpa varandra att utveckla kompetens, bygga självförtroende och skapa kontakter, så att vi kan förstärka värdet av projektledning i en digital värld. Om du vill höra mer om det kan du gå till thedpm.com/membership.

Okej, idag pratar vi – överraskning – om generativ AI, men också om uppmaningsdesign och om huruvida yrkespersoner som vi projektledare kanske tittar på Bruce Lees berömda finger medan det pekar mot månen. Och jag har tagit in de tunga namnen för att ta itu med frågor om vad GenAI har att erbjuda projektledningsområdet bortom chattbaserade gränssnitt och uppmaningar.

Med mig idag har jag Kathleen Walch, chef för AI-engagemang och lärande vid Project Management Institute samt en etablerad AI-tänkare och utbildare.

Kathleen, tack för att du är med idag.

Kathleen Walch: Ja, tack så mycket för att du bjöd in mig. Jag ser verkligen fram emot det här samtalet.

Galen Low: Jag är så glad att du är tillbaka i programmet. Kathleen har varit med tidigare tillsammans med Ron Schmelzer och pratat om AI. Oj, det var nog två år sedan, kanske?

Kathleen Walch: Kanske det. Tiden går verkligen fort, eller hur?

Galen Low: Det går så snabbt. Och jag tänkte på det samtalet. Jag tänkte: så mycket har förändrats. Så mycket har förändrats. Det var nästan något perifert då.

Det var som AI och projektledning. Ja, okej. Nu är det bara mainstream. Det är inbyggt. Alla fördjupar sig i det. Man kan inte undvika det. Och jag är glad över att ha din expertis i programmet idag.

För dem som inte känner till det har du arbetat med AI-världen ett tag nu, och du har sett vår nuvarande förståelse av AI i ett professionellt sammanhang utvecklas under de senaste sju eller åtta åren. Och även om en del av den här förändringen har verkat snabb för oss som är nya inom AI undrar jag: tycker du att de flesta yrkespersoner kanske fastnar i vardagliga uppmaningar utan att se den större bilden av vad tekniken faktiskt klarar av?

Kathleen Walch: Ja, det är en bra fråga, för du har rätt, jag har varit verksam inom det här området.

Jag brukar säga att jag arbetade med AI innan GenAI gjorde det coolt. Jag vet. Och jag kallar det alltid den äldsta nya tekniken, eftersom begreppet officiellt myntades 1956. Så tekniken är över 70 år gammal, men känns ändå så ny. Och varför är det så? Vi har gått igenom två tidigare AI-vintrar, alltså perioder med minskade investeringar och minskad popularitet.

En viktig anledning är att vi lovar för mycket och levererar för lite när det gäller vad tekniken kan göra. Därför behöver vi verkligen förstå AI som ett verktyg. Det är inte bra på allt, men det är bra på vissa saker, så se till att du använder det på det sättet. Och nu med generativ AI är det som gjort tekniken så spännande att den verkligen har hamnat i allas händer.

För sju eller åtta år sedan använde vi fortfarande AI ganska regelbundet, men det kändes inte så. Vi hade till exempel textförslag i våra e-postmeddelanden eller skräppostfilter. Det använde AI. Eller GPS när vi körde runt, Waze eller Google Maps, som hjälpte oss att optimera rutter.

Men det kändes inte riktigt som AI eftersom den bara fanns i en applikation som vi redan använde. Och sedan kom generativ AI, särskilt ChatGPT, eftersom det var den första som slog igenom. Den hamnade i allas händer. Och nu kunde jag använda det vi kallar förstärkt intelligens, där den mänskliga personen inte ersätts utan får hjälp att utföra sitt arbete bättre.

Och du kunde märka det varje dag. Den kunde hjälpa dig att skriva ett bättre e-postmeddelande, brainstorma, översätta eller skapa bilder till din PowerPoint-presentation. Man kände verkligen samarbetet och såg den direkta nyttan. Det är dit hela världen har rört sig, och det har varit fantastiskt. Men samtidigt behöver människor fortfarande förstå att det är ett verktyg och när man bör respektive inte bör använda AI.

Galen Low: Jag gillar verkligen den sortens AI i bakgrunden, och nu är AI som en person som man interagerar med varje dag och som alla har tillgång till. Det är den nya populära kompisen. Jag gillar det du sa om att GenAI gjorde AI populärt, men jag tycker också om hela idén med AI-vintrarna.

AI-vintern beror på att vi lovade för mycket och levererade för lite, och tekniken hade kanske inte nått den punkt som krävdes för att infria löftena. Nu kanske den har gjort det. Vi pratar om ChatGPT och alla stora språkmodeller som styr utvecklingen just nu, men här i februari 2025 pratar vi också om DeepSeek.

Vi pratar om teknik som är häpnadsväckande och som kanske inte nödvändigtvis behöver all den teknik som man sagt att den behöver. Jag hamnar lite utanför ämnet här, men jag gillar möjligheterna det för med sig. Jag gillar att människor pratar om det och tar till sig det. Men det kan bli komplicerat när alla deltar, alla har en åsikt, alla tror att de vet vad det gör och alla tror att det passar till allt. Och det kanske det inte gör.

Om jag skulle anlägga ett projektledningsperspektiv på det: vilka är några av dina favorit användningsområden för GenAI:s chattbaserade gränssnitt inom projektledning?

Kathleen Walch: Ja, det är en bra fråga.

På Project Management Institute har vi många utbildningar som är kostnadsfria för medlemmar eller ganska billiga för icke-medlemmar. Vi går igenom många olika användningsområden. Det jag brukar säga är att man ska bryta ner det och skriva en lista över alla problemområden man har, områden där man behöver hjälp eller där man ser förbättringsmöjligheter.

Sedan tar man reda på vilka av dessa som enkelt kan hanteras med ett generativt AI-system. När vi tänker på projektledare tänker vi alltid på mötesanteckningar, eller hur? Det är det stereotypa exemplet som vi har fått. Om det är ett problemområde för dig, hur löser du det då? Hur får du hjälp av AI?

Det finns redan många verktyg som kan göra det. Men jag brukar också säga att det är bra att ha något som hjälper dig en gång. Vi pratar till exempel om hjälp med en projektstadga. Det är utmärkt, men hur många gånger gör du det under ett projekt? Förmodligen en gång. Du går knappast igenom en projektstadga varje vecka.

Vad kommer att hjälpa dig regelbundet, varje dag eller varje vecka? Kanske är det intressentengagemang eller bättre kommunikation. Hur formulerar jag e-postmeddelanden eller dokumentation för olika nivåer? Ibland behöver jag en övergripande sammanfattning för ledningen, ibland behöver jag anpassa den för intressenter eller för interna respektive externa kunder.

Ta reda på vilka problemområdena är och arbeta med att lösa dem, för det är där du kommer att se den verkliga stegvisa förbättringen. Och öva. Man blir bara bättre med tiden. När det gäller uppmaningsdesign är risken att misslyckas mycket låg, eftersom du bara kan göra om det.

Men här kommer också det PMI kallar kraftfärdigheter, alltså mjuka färdigheter, in. Kritiskt tänkande, samarbete och kommunikation. Jag brukar fråga: hur använder du GenAI för att få hjälp med dina kraftfärdigheter, och hur hjälper dina kraftfärdigheter dig att bli bättre på att skriva uppmaningar? När det gäller kommunikation kan AI hjälpa dig att bli en bättre kommunikatör.

Den kan hjälpa dig att skriva e-postmeddelanden, sätta dem i olika tonlägen, korta ner saker eller sammanfatta innehåll. Men hur hjälper din kommunikationsförmåga dig att bli bättre på att skriva uppmaningar? Du kanske behöver justera uppmaningen, ändra dess längd eller redigera den över tid.

Jag tycker verkligen om att se de två sidorna av samma mynt: hur AI kan hjälpa dig med dina kraftfärdigheter och hur kraftfärdigheter kan hjälpa dig att bli bättre på uppmaningsdesign.

Galen Low: Jag vill återkomma till det senare. Men först undrar jag om vi kan zooma ut lite, eftersom jag har sammanhanget men det har inte alla våra lyssnare.

Under din tid som Managing Partner på Cognilytica var du med och utvecklade CPMAI-certifieringen, som är ett projektledningsramverk för specialister. Jag har skrivit om det här, så säg gärna om jag har rätt eller fel, men min tolkning var att det byggdes för specialister som dataforskare och analytiker som arbetar med AI-projekt.

Och senare gick Cognilytica samman med Project Management Institute, vilket gjorde CPMAI till en officiell del av PMI:s ganska prestigefyllda portfölj av projektledningscertifieringar. Eftersom vi pratade om kurser, PMI och lärande undrar jag om du kan berätta lite om vem certifieringen är till för idag och hur den skiljer sig från att gå en vanlig kurs i uppmaningsdesign, till exempel den kostnadsfria på PMI för medlemmar.

Eller något på Udemy. Vad gör CPMAI-certifieringen viktig och annorlunda?

Kathleen Walch: Ja, det är en bra fråga. Jag brukar beskriva CPMAI-certifieringen som två sidor av samma mynt. 95 procent av samtalen handlar om hur jag kan använda AI-verktyg för att utföra mitt arbete bättre.

Det finns mängder av olika verktyg. Människor frågar alltid vilket verktyg som är bäst, och jag svarar att det beror på vad du försöker göra. Nya verktyg lanseras bokstavligen varje dag. Vad du än försöker göra finns det säkert ett verktyg, och du behöver förstå hur du använder det och hur du blir bättre på det.

Men det är ungefär där 95 procent av samtalen befinner sig. Där kommer mycket av den e-learning som PMI erbjuder in. Vi har en introduktion till generativ AI, ett avsnitt om datalandskapet för AI och en kurs i uppmaningsdesign. Vi har också en kurs om AI-tillämpningar, som handlar om hur man använder de här olika verktygen och applikationerna som projektledare och projektprofessionell.

Det hjälper dig att utföra ditt arbete bättre. Men sedan måste vi också tänka på projektledare, projektprofessionella och projekt närliggande roller som dataforskare, dataingenjörer och ingenjörer inom AI och maskininlärning. Oavsett vilken titel de har kan de få i uppgift att driva och hantera ett AI-projekt.

Vi måste förstå att AI-projekt är dataprojekt. Därför måste man använda datacentrerade metoder. Man kan inte driva dem som traditionell utveckling av programvaruapplikationer, för då inser man snabbt att det inte är rätt angreppssätt och projektet får högre risk att misslyckas.

Det var därför vi utvecklade CPMAI-metoden. Organisationer kom till oss och sa – och detta var för sju eller åtta år sedan, långt innan generativ AI fanns – att de behövde bygga systemen från grunden, hitta rätt algoritm och fastställa alla datakrav. Mycket är fortfarande likadant även när man använder färdiga lösningar, men de frågade: var börjar vi?

Det fanns egentligen inget steg-för-steg-angreppssätt. Därför skapade vi CPMAI-metoden tillsammans med en stor bank och en stor statlig institution. I september 2024 blev Cognilytica officiellt en del av PMI eftersom PMI förvärvade Cognilytica.

Nu är CPMAI en officiell PMI-certifiering. Den har alltid varit mycket användbar för projektledare, projektprofessionella och produktledare, men även för projekt närliggande roller. Min man är till exempel programvaruingenjör och har varit det i ungefär två decennier.

Ibland behöver han driva och hantera projekt. Om han får i uppgift att driva ett AI-projekt identifierar han sig inte som projektledare och skulle aldrig göra det. Han identifierar sig som programvaruingenjör, men han hamnar ändå i den rollen. Allt oftare ser vi att personer som traditionellt inte identifierar sig som projektledare får ansvar för projektledning, särskilt i AI-projekt.

Därför är certifieringen till för alla som passar in i de här olika kategorierna.

Galen Low: Jag tycker att det du sa är väldigt viktigt. Jag visste inte att ni började med en statlig institution och en bank. När man tänker på skillnaden mellan ett programvaruprojekt och ett dataprojekt, och på de data som en bank eller staten kan ha, blir det tydligt att man inte nödvändigtvis kan driva projektet som ett vanligt projekt. Det finns saker att ta hänsyn till.

Jag håller med om att hela teamet behöver den förståelsen, eftersom vi har sett hur det kan gå fel etiskt. Vi har sett hur det kan gå fel när man rusar för snabbt mot ett mål som man egentligen inte förstår, med teknik som förändras snabbt och som kulturellt påverkar människors användning, känslor och oro.

Kathleen Walch: Jag brukar rama in det så här: i programvaruutveckling är koden den viktigaste delen. Man skulle aldrig lämna ifrån sig sin kod eftersom den är den viktigaste delen.

Men i ett AI-projekt är data den viktigaste delen. Den ska man aldrig lämna ifrån sig. Koden är en ganska liten del och inte den mest kritiska delen. Det är datan, den unika datan, som avgör om projektet lyckas eller misslyckas. Skräp in ger skräp ut.

Det hjälper särskilt när någon arbetar projekt nära men inte är traditionell projektledare. Då behöver personen förstå att tankesättet måste förändras: det handlar inte om koden utan om datan. Därför behövs en datacentrerad metod.

Galen Low: Det finns så många saker jag vill gå vidare med, men jag ska försöka hålla mig till ämnet. Jag tycker att det är en fantastisk och nästan häpnadsväckande tanke att data är den viktiga delen i ett dataprojekt medan koden nästan är sekundär. För mig, som kommer från den digitala världen, är det en ovanlig idé, men jag gillar den.

Jag tänkte kanske styra tillbaka till karriär och certifieringar. Många i min gemenskap ser PMP som en fantastisk merit med stor tyngd i branschen. Man tittar ofta på den efter att ha arbetat ett tag som projektledare eller i en projekt närliggande roll och samlat på sig många timmar inom projektledning.

PMP är toppen av berget att nå för att kunna visa i sitt CV, sin profil och på jobbintervjuer att man är seriös och efterfrågad och sannolikt bör få bättre betalt. Nu när CPMAI också finns med i bilden undrar jag om arbetsgivare inom AI-aktiverad programvara – eller egentligen var som helst – redan letar efter CPMAI-certifieringen.

Eller handlar det enligt dig mer om praktiska färdigheter i arbetet för någon som redan arbetar med AI- och dataprojekt? Är det något som kan få en projektledare att sticka ut?

Kathleen Walch: Ja, absolut. PMP är toppen av berget och vår certifiering av guldstandard på PMI. Vi arbetar med att göra även andra certifieringar till guldstandarder.

Det innebär mycket. Certifieringen går igenom många steg och har många krav för att få status som guldstandard. Vi arbetar därför med att göra CPMAI till en sådan standard också. Den visar arbetsgivare att du vet hur man driver och hanterar AI-projekt. Du har fått en gemensam grund när det gäller terminologi, vad AI kan och inte kan göra samt CPMAI:s sex faser. Du vet hur man driver projekt som dataprojekt genom ett steg-för-steg-angreppssätt.

Alltför ofta ser vi organisationer som saknar en plan. Branschen rör sig snabbt, människor känner rädsla för att missa något och tänker att konkurrenterna gör det och att de därför också måste göra det. Man kan gå vidare, men man behöver en plan.

Det är vad CPMAI bidrar med. Vi börjar med fas ett, verksamhetsförståelse: vilket problem försöker vi lösa? Det låter enkelt, men många projekt hoppar över det steget. Är AI verkligen rätt lösning?

Sedan har vi en AI-bedömning av om man ska fortsätta eller avbryta, där man går igenom dataförutsättningar, verksamhetsförutsättningar och genomförandeförutsättningar. Vi kan tänka på dem som trafikljus. Om alla är gröna är chansen till ett framgångsrikt projekt ganska hög. Om de är gula eller röda ökar risken för misslyckande. Det betyder inte att man inte kan fortsätta, men man bör gå vidare med försiktighet.

En del av detta är projektets avkastning på investeringen, ROI. Många organisationer tänker inte på den från början och mäter den kanske inte alls. Avkastningen behöver inte vara ekonomisk, men någon form av avkastning måste finnas. Om man inte mäter den kan projektet tekniskt sett lyckas, men till en så hög kostnad att resultatet faktiskt blir negativt.

CPMAI hjälper till med detta och signalerar till arbetsgivare att du har färdigheterna för att driva och hantera ett AI-projekt, att du har genomgått en gedigen utbildning och certifiering och att du är certifierad av PMI.

Galen Low: Det är roligt, för jag sitter här och flyttar musen och letar efter applådknappen, som i Zoom eller Google Meet. Om du som lyssnar är intresserad av CPMAI och vill använda meriten i en jobbintervju med någon som inte känner till certifieringen, kan du ta det Kathleen just sa och använda det i intervjun. Det var en mycket tydlig förklaring till varför detta spelar roll.

Vissa delar kan verka som sunt förnuft eller något som andra ramverk också tar hänsyn till. Men när man talar om datan, teknikens hastighet och företagens vilja att snabbt hänga med kan de missa varför AI behövs i deras produkt, organisation eller lösning. Jag gillar att det finns ett ramverk för detta.

Kathleen Walch: Personer som går utbildningen ser naturligtvis nyttan och tar sedan tillbaka den till organisationen. Man kan köra projekt på förutsägbart sätt, enligt vattenfallsmodellen, i hybridform eller agilt. När man driver ett AI-projekt som ett programvaruprojekt inser man att det inte fungerar och att man behöver andra färdigheter och ett annat steg-för-steg-angreppssätt.

Man kan arbeta agilt, med små iterativa sprintar. Många söker sig till metoden efter att ha sett sina projekt misslyckas och förstått att de behöver göra något annat. Andra vill gå in i området och förstå det. Man behöver inte ha genomfört ett projekt för att börja och det finns för närvarande inga särskilda behörighetskrav.

Utbildningen börjar med terminologin. Många tror att de kan termerna och inser sedan att de inte visste vad de inte visste. Det skapar en gemensam grund, vilket är samma anledning till att man tar en PMP-certifiering eller anställer PMP-certifierade personer.

Galen Low: Jag gillar verkligen det. Jag inser att jag fick det att låta som en metod, men om jag förstår det rätt läggs den ovanpå det sätt man redan arbetar på. Det handlar om överväganden och steg som man kan väva in i arbetet.

Kathleen Walch: Vi kallar det en metod, men människor fastnar på den termen. Kalla det ett ramverk, ett steg-för-steg-angreppssätt eller en metod. Det viktiga är att förstå att det består av sex faser och är iterativt.

Vi börjar med verksamhetsförståelse och går sedan till dataförståelse: vilken data behöver vi, varifrån kommer den, är den intern eller extern och har vi tillgång till den? Sedan rengör vi datan. Data är aldrig perfekt och särskilt ostrukturerad data är rörig.

Därefter kommer modellutvecklingen, alltså det roliga arbetet – jag sätter det inom citationstecken – som många börjar med och hoppar över de kritiska inledande stegen. Sedan testar vi modellen och ser till att den fungerar som förväntat. Annars kan den börja hallucinera, ge dåliga resultat eller prestera på ett oväntat sätt.

Slutligen operationaliserar vi den och tar ut den i verkligheten. Faserna bör genomföras i små iterativa steg. Varje iteration bör ta ungefär två veckor, som en sprint, inte sju eller tolv månader. Det är det senare som hör till ett förutsägbart vattenfallsangreppssätt.

Tänk stort, börja smått och iterera ofta. Välj en mindre datamängd, begränsa omfattningen och fråga vad det minsta möjliga är som kan skapa stegvis värde och positiv avkastning. Visa framgångar och fortsätt sedan framåt.

Galen Low: Det är som projektvintern.

Kathleen Walch: Ja, många bra saker.

Galen Low: Man blir desillusionerad och lämnar det. Jag skulle fråga hur det ser ut när saker går snett, men du beskrev det bra med hallucinationer och resultat som inte motsvarar förväntningarna.

Kathleen Walch: Det handlar ofta om tillgången till data, hur ren den är och hur mycket data man har. Många tror att mer data alltid är bättre, men så är det inte. Vi kan träna på brus. Data är inte gratis. Det kostar att rengöra och bearbeta den. Ibland är mer alltså inte bättre.

Galen Low: Det är intressant. Jag började med frågan om vad som finns bortom uppmaningsdesign, men det fascinerande är att många projektledare kanske inte har sett sig själva i den här världen. Det finns en hel värld av data- och maskininlärningsprojekt, och många leds av personer i projekt närliggande roller.

Kathleen Walch: Vi brukar säga att utbildning är billig medan kostnaden för misslyckande är hög. Att lära sig CPMAI-metoden och bli CPMAI-certifierad är relativt billigt i jämförelse. Vi uppmuntrar människor att se det som ett ”både och”: ha din PMP och din CPMAI. Lär dig flera metoder och anpassa dem sedan till den egna organisationen.

Galen Low: Vi började med uppmaningar. Jag tänker på användningsområden som involverar ChatGPT, Gemini, Copilot, Claude, Perplexity, DeepSeek och andra. Men det finns en stor värld bortom det. Vad kommer härnäst för AI i våra professionella liv som projektledare, och hur kan någon som jag hålla sig uppdaterad?

Kathleen Walch: Det finns ett uttryck som säger att AI inte kommer att ersätta ditt jobb, men någon som kan AI kommer att ersätta dig. Därför är AI här för att stanna. Jag hoppas att vi har tagit oss över tröskeln och inte faller in i ännu en AI-vinter.

Jag tänker på förstärkt intelligens: hur använder jag AI för att inte ersätta mig utan göra det jag gör bättre? En uppgift eller viss roll kan ersättas, men inte människan.

Om fler projekt blir AI-projekt kommer vi fortfarande att behöva projektledare och människor med de här färdigheterna. Skriv en lista över allt som stör dig. Det är olika för alla. Se till att du inte automatiserar sådant du tycker om och behåller allt du avskyr.

Titta sedan på gemenskaper och lärresurser. PMI har många resurser. Skapa interna grupper och dela uppmaningar. Uppmaningar bör inte vara företagshemligheter. Skapa ett internt bibliotek, dokumentera vilken plattform de används på och när, och iterera dem över tid.

Om organisationen inte arbetar AI-fokuserat kan du börja med små, iterativa steg. Lärande och praktiskt arbete varje dag gör att det blir en reflex. Börja aldrig med en tom sida längre. Låt AI hjälpa till med brainstorming eller skriva ett första utkast som du sedan redigerar.

Galen Low: Jag gillar idén med ett bibliotek för uppmaningar och att dela. Delande är det som för oss framåt. Tekniken kommer att utvecklas snabbt och människor måste också röra sig snabbt. Det bästa sättet är att dela kunskap.

Kathleen Walch: Att dela är att bry sig.

Galen Low: Precis! Jag har två frågor för att avsluta.

Är vi kanske för försiktiga genom att inte använda tillräckligt mycket AI? På andra sidan: finns det en risk att vi tror att AI gör magiska saker och kan göra allt, utan att förstå att den egentligen är bra på vissa saker? Är det farligt eller inspirerande?

Kathleen Walch: Det är farligt eftersom det leder till att man lovar för mycket och levererar för lite. Eftersom AI är ett paraplybegrepp och generativ AI och stora språkmodeller fått så mycket uppmärksamhet tror människor att AI kan göra allt och ber den göra allt.

Vi måste förstå vad den kan och inte kan göra. Därför bröt vi ner hundratals eller tusentals användningsområden i sju AI-mönster: hyperpersonalisering, igenkänning, prediktiv analys och beslutsstöd, mönster och avvikelser, målstyrda system, autonoma system och konversation.

Hyperpersonalisering innebär att varje individ behandlas som en individ. Igenkänning handlar om att förstå ostrukturerad data, till exempel bilder, ljud eller handgester. Prediktiv analys och beslutsstöd använder tidigare och aktuell data för att hjälpa människor fatta bättre beslut.

Mönster och avvikelser innebär att man hittar trender och avvikare i stora datamängder, till exempel vid bedrägeribekämpning. Målstyrda system handlar om förstärkningsinlärning och optimering. Autonoma system syftar till att ta bort människan ur processen, vilket är det svåraste AI-mönstret.

Automatisering är inte samma sak som intelligens. Automatisering upprepar något, vilket är användbart men inte intelligent. Vid undantag eller förändrade fält behöver en människa fortfarande ingripa.

De sju mönstren hjälper oss att förstå vad AI är bra respektive dålig på och när vi bör använda den. Konversationsmönstret är det där människor och maskiner talar med varandra på mänskligt språk. Där passar stora språkmodeller och AI-aktiverade chattbotar in, men det är bara ett av AI:s mönster.

Galen Low: Tack för den snabbkursen. Den satte verkligen saker i perspektiv. Och det blir en perfekt övergång till min sista fråga. Vi pratar om AI som hjälper oss i vardagen.

Kathleen Walch: Förstärkt intelligens.

Galen Low: Förstärkt intelligens. Tack. Men du nämnde autonoma och agentbaserade system. Alla pratar om en värld där AI gör saker på egen hand. Har du en uppfattning om vart det leder inom projektledning eller i världen i stort? Är människors oro befogad, eller handlar det fortfarande om de här avgränsade mönstren?

Kathleen Walch: Om vi förstår vad AI kan och inte kan göra vet vi att vi fortfarande befinner oss inom smal AI. Vi använder ett eller flera av de sju mönstren, men vi har inte artificiell generell intelligens, AGI, där ett system är mänskligt och kan göra allt. Vi har fortfarande inte maskinellt förnuft.

Jag brukar tala om DIKUW-pyramiden. Data finns längst ner som grund, men data i sig räcker inte. Vi behöver göra något med den och får då information. Därefter kommer kunskap, där maskininlärning spelar in. Sedan kommer förståelse, vilket är maskinellt förnuft, och där är vi ännu inte. Överst finns visdom.

Vi är alltså långt från AGI. Experter är oense om när eller om vi når dit. Det viktiga är att förstå våra nuvarande begränsningar och använda AI där det är meningsfullt.

Agentbaserad AI är det stora ämnet 2025 och kommer att fortsätta vara det. På PMI har vi Infinity, vårt AI-verktyg, och vi kommer att ha agentbaserade AI-funktioner där. Men eftersom branschen inte har en gemensamt accepterad definition av AI har vi inte heller någon gemensamt accepterad definition av agentbaserad AI.

Är den autonom, förstärkt eller automatiserad? Vi rör oss mot detta och det är spännande. Saker förändras oerhört snabbt. Hur kommer det att se ut i februari 2026? Hur ser det ut i juni 2025? Det räcker med ett genombrott eller en ny plattform för att mycket ska förändras.

Vi måste se till att vi inför verktygen på ett tillförlitligt, etiskt och ansvarsfullt sätt. Det finns frågor om datasekretess, styrning och tillit. Litar vi på systemen? Ska vi använda interna eller externa lösningar?

Det kan bli överväldigande. Därför behöver man lära sig och öva varje dag. Gör AI till en del av vardagen och fortsätt att träna.

Galen Low: Jag älskar det: tankesättet och reflexen. Kathleen, det här var ett mycket inspirerande samtal.

Jag tror aldrig att jag har antecknat så mycket under ett avsnitt. PMI har tur som har dig. Jag ser fram emot vad som händer härnäst. Kanske borde vi ha dig tillbaka i februari 2026 för att jämföra var vi står efter 365 dagar.

Kathleen Walch: Ja, det förändras så snabbt. Ibland frågar människor var vi kommer att vara om ett år eller fem år. Jag tänker: var kommer vi att vara om en månad?

Galen Low: Jag älskar det. Var kan människor läsa mer om CPMAI-certifieringen?

Kathleen Walch: Gå till PMI.org. Där finns information. Jag har också en podd som heter AI Today, där vi pratar om CPMAI. Just nu har vi en serie om användningsområden. Podden är nu officiellt en PMI-podd, och det är jag väldigt glad över. Man kan också hitta mig på LinkedIn under Kathleen Walch. PMI Cognilytica finns också på LinkedIn.

Galen Low: Fantastiskt. Jag lägger även in alla länkar i programanteckningarna.

Kathleen, stort tack för att du var med idag. Det har varit väldigt roligt.

Kathleen Walch: Tack. Jag tycker alltid om att prata med dig, Galen.

Galen Low: Då har ni hört det. Som alltid: om du vill delta i samtalet med över tusen likasinnade projektledningsentusiaster kan du gå med i vår gemenskap. Besök thedpm.com/membership för att läsa mer. Och om du tyckte om det du hörde idag, prenumerera gärna och håll kontakten på thedigitalprojectmanager.com. Tills nästa gång – tack för att ni lyssnade.