De projektledningsbeslut som AI-agenter kan – och inte kan – fatta

Galen Low: Med agentisk AI i bilden har AI-tekniken gått från att vara ett verktyg till att vara en lagkamrat. Okej, men det är inte där de mest komplicerade delarna finns. Det komplicerade är att AI-agenter ofta är lagkamrater som har tränats bättre än du har, som arbetar annorlunda än du gör och som kanske mäts på helt andra sätt än du och dina mänskliga lagkamrater.

De kom förmodligen inte med någon manual, de är förmodligen konfigurerade för att fatta beslut som du hellre skulle fatta själv och de var troligen inte med när ert team satte upp era överenskommelser för hur ni arbetar tillsammans. I praktiken är det som att få dussintals nya teammedlemmar från en helt annan organisation dumpade på dig över en natt, vilket du vet kan bli riktigt, riktigt rörigt om du har upplevt en fusion eller ett uppköp.

Men det här är sannolikt en utmaning som går att övervinna, och de potentiella fördelarna är definitivt verkliga. Därför ville jag göra något lite annorlunda i det här avsnittet. Jag ville dela ett samtal från ett av våra liveevenemang, som arrangerades av Tim Fisher och teamet på Wrike, om hur AI-agenter verkligen gör skillnad i projektbaserat arbete och vad som måste vara på plats för att era agentiska utrullningar ska lyckas.

I samtalet pratar de om hur mer data inte nödvändigtvis är bättre, vilka beslut som bör fattas av människor respektive av en agent och hur utbildning, inte bara tillgång, är avgörande för att framgångsrikt införa agentdrivet arbete i hela organisationen. Innan vi går in på det vill jag ge dig lite bakgrund.

Tim var alltså inte bara värd för det här evenemanget. Han håller faktiskt på att bygga upp en agentisk arbetsstyrka inom moderbolaget till The Digital Project Manager, Black and White Zebra. Med andra ord lever han i allra högsta grad mitt i den här agentiska omvandlingen och alla de utmaningar som följer med den. Något som han och jag pratade om nyligen var tanken på att börja från noll, avlära oss de sätt vi alltid har gjort saker på och börja utveckla våra agentiska processer från grunden utan all gammal barlast.

För människor är det här svårt. Ofta är våra identiteter kopplade till våra jobbtitlar och ansvarsområden. Vi ombeds inte särskilt ofta att tänka på oss själva utanför den ramen, och när vi gör det blir det ofta en alltför tom målarduk för att vi ska kunna matcha våra önskningar med det våra arbetsgivare vill se från oss. Det känns som gissningar, gissningar som känns som om de skulle kunna göra oss och våra team överflödiga.

Men utbildningsdelen kan inte heller underskattas. Ja, vi förväntas alla vara byggare nu och spela rollen som människan i loopen, men vad betyder det egentligen och hur kan vi hjälpa våra medarbetare att nå dit i stället för att bara dumpa verktyg på dem och förvänta oss att de själva ska lyfta sig? I slutändan verkar den stora förändringen handla om ansvar, risk och organisatorisk kontext.

I en agentisk värld leder alla nu autonoma aktörer som samarbetar med varandra, ibland i en svart låda. Och vad vi litar på att dessa aktörer ska göra, jämfört med det vi behåller som mänskligt ansvar, måste utgå från riskens allvar, empati mellan människor och konsekvenserna av vad det innebär att verkligen äga ett projekt eller ett arbetsflöde.

Inte bara från teknikens kapacitet. Låt oss därför placera det i ett projektspecifikt scenario. Föreställ dig att du har en AI-agent som hjälper dig att bemanna ett projekt. Den vet vem som är tillgänglig, vilka färdigheter de har, vad alla arbetar med och kanske till och med vilka kombinationer av personer som historiskt har levererat projekt mest framgångsrikt.

Den skulle potentiellt kunna sätta ihop en resursplan på några sekunder, något som annars skulle ta dig timmar. Fantastiskt. Men tänk om resursplanen innebär att Lucia, din bästa utvecklare, flyttas från ett annat projekt som snart börjar halka efter eftersom Amireth, huvuddesignern, precis har förlorat sin mormor och försöker bearbeta sorgen samtidigt som hen arbetar med 80 procent av sin vanliga produktivitet för att fortsätta spara ihop till sin dotters tandställning?

Din agentiska arbetsstyrka kanske har all information som behövs för att lämna en rekommendation, men betyder det att en agent bör fatta beslutet? För nu pratar vi inte bara om att optimera ett kalkylblad. Vi pratar om kundrelationer, affärsprioriteringar, leveransåtaganden och, framför allt, påverkan på verkliga människor.

Och jag tror att det är här nästa kapitel för AI och projektledning blir fascinerande, eftersom det inte bara handlar om att ta reda på vad AI klarar av att göra. Det handlar om att avgöra vilket ansvar vi bör delegera till AI, vilka beslut som måste ligga kvar hos människor och vilken typ av tillsyn vi behöver när våra AI-lagkamrater arbetar i bakgrunden.

Det är ett komplext pussel som måste lösas för att hitta rätt balans. Och kanske viktigast av allt: det är inte bara att koppla in och köra. Det är ett område där vi behöver ha samtal om omdöme och handlingsutrymme, där vi behöver utbilda och utveckla våra medarbetare så att de lyckas när saker förändras och där vi måste ge oss själva tillåtelse och trygghet att kasta bort en del av den gamla barlasten och forma om våra roller kring det vi gör bäst.

Och det är precis vad Tim utforskade i sitt samtal med teamet på Wrike. Så utan vidare dröjsmål kommer här samtalet som min mest respekterade AI-guru, Tim Fisher, hade med Nancy och Andras från Wrike om konsekvenserna av agentisk AI i dagens projektledning. Hoppas att du uppskattar avsnittet.

Tim Fisher: Hej och välkomna till Framtidens AI inom projektledning, där vi går bortom presentationsmaterialet och tittar på hur AI faktiskt förändrar sättet som team planerar, levererar och driver arbete på. I dag medverkar Wrike. Vi ska titta på hur AI kan hjälpa projektledare att fatta bättre beslut tidigare, från att avgöra hur ett projekt ska bemannas till att identifiera leveransrisker innan de utvecklas till mycket större problem. Sedan blickar vi framåt mot vad som händer när AI börjar ta en mer aktiv roll i hur arbetet levereras.

Med oss i dag har vi Andras Horvath, produktchef för AI och analys på Wrike. Andras har mer än 15 års erfarenhet av att bygga B2B-produkter med fokus på data, analys och AI. Vi har också Nancy Boas med oss, senior marknadschef för AI på Wrike.

Nancy leder marknadsstrategi och budskap för Wrikes AI-drivna lösningar för arbetshantering, med fokus på hur AI förändrar sättet som team arbetar på.

Andras, Nancy, välkomna. Tack för att ni ville komma.

Nancy Boas: Tack så mycket. Vi är glada över att vara här i dag.

Andras Horvath: Det är väldigt roligt att vara här, Tim. Tack så mycket för den fina introduktionen.

Tim Fisher: För alla som är nya inför Wrike, kan ni ge oss en version på 30 sekunder? Vad gör er plattform? Vem är den byggd för?

Andras Horvath: När det gäller själva plattformen är Wrike en plattform, eller egentligen en enda plats där människor kan planera, följa upp och leverera sitt arbete, och vi har byggt in AI för att förstärka team och individer och se till att allt rutinarbete lyfts bort från deras bord.

Under de senaste sex till nio månaderna har vi dock fokuserat ganska kraftigt även på själva leveranssidan av arbetet, eftersom AI kan användas för att förstärka individer eller hjälpa människor att leverera arbete snabbare med saker som innehållsgenerering och sammanfattningar. Man kan också använda AI för att automatisera delar av arbetet, och det är det vi har fokuserat på den senaste tiden.

Tim Fisher: Det är väldigt intressant. Det verkar lite annorlunda än vissa av de andra produkterna på området. Er filosofi är alltså att AI också ska hjälpa till att leverera arbete, och inte bara hjälpa människor med arbetshantering, vilket jag tror är det vi ser för det mesta. Vad innebär det i praktiken?

Andras Horvath: Det innebär faktiskt att AI kan agera som en lagkamrat som hjälper dig att få arbetet gjort, inte bara ge dig en plats där du kan arbeta snabbare eller en plattform för arbetshantering där du enbart samordnar arbetet.

Du kan konfigurera en AI-lagkamrat, som vi på Wrike gärna kallar en arbetskamrat, som faktiskt har sin egen kapacitet och kan hjälpa dig att leverera arbete. Ett exempel är att AI kan hjälpa dig att utforma arbetsbeskrivningar baserat på tidigare arbete som du har utfört, och anpassa dem efter kundspecifika förhållanden som finns i ett CRM-system, till exempel Salesforce.

Eller så kan du låta AI automatiskt ta hand om publicering i sociala medier när en ny funktion har lanserats. Du sitter med ditt team, bygger något och levererar funktionen, och sedan lämnar du över den till din, låt oss säga, sociala arbetskamrat, som tar all projektinformation och hjälper dig att skapa rätt inlägg för din blogg och ditt LinkedIn-konto.

Den skapar bilderna och allt annat, taggar dig och väntar på ditt godkännande. Sedan blir arbetet gjort. Att göra samma sak manuellt kan ta en halvtimme, en timme eller ännu längre. AI blir alltså faktiskt din lagkamrat i dag.

Tim Fisher: Projektledare har tillgång till mer data än någonsin tidigare, det är säkert. Men beslut kring saker som resursfördelning och projektrisk är fortfarande beroende av manuella uppdateringar och kalkylblad eller, ännu värre, information som kommer efter att något redan har gått fel.

Var ser du den största luckan i dag mellan den information som projektledare har och de beslut som de faktiskt behöver fatta?

Andras Horvath: Låt oss börja med grunderna, eller fundamentet, och det är något vi hanterar när det gäller våra nyetableringar. Det handlar om att data är utspridd över hela miljön och hela ekosystemet.

Du har filer på SharePoint, meddelanden i Teams eller Slack, inspelningar av möten eller själva mötena. Allt är utspritt. Allt finns överallt. Och Wrike erbjuder en plats där du faktiskt kan samla den informationen, vilket ger dig den kontext som krävs för att fatta beslut.

Att ha data eller kontext innebär dock inte att du har rätt insikter för att kunna fatta rätt beslut. Det är här AI faktiskt kan hjälpa till genom att omvandla rådata till insikter. Om ett projekt har försenats fem gånger vid steg B betyder det sannolikt att nästa projekt också kommer att försenas.

Det kallas prediktiv analys och är något som kan synliggöras. Och om vi även pratar om resursfördelning har många människor följande i huvudet: ”Jag vet att Tim kan göra det här och Nancy kan göra det där, men hur ser deras tillgänglighet ut? Jag får kolla med dem i Teams eller Slack”, och så vidare.

Om någon har använt ett system som Wrike konsekvent vet vi vilket arbete de har utfört, vi känner till arbetsbelastningen, vi vet hur tillgängliga de är och allt sådant. När det gäller enkla saker – eller inte så enkla saker – som resursfördelning kan AI därför på några sekunder starta ett projekt med så många som 137 uppgifter, eftersom vi kan fylla i vilka färdigheter människor har eller utvinna dem automatiskt.

Vi kan räkna ut arbetsbelastningen och så vidare. Vill du att projektet ska levereras så snabbt som möjligt? Här är resursfördelningen. Är du en organisation för tjänsteleverans och vill att projektet ska levereras på ett sätt som maximerar lönsamheten, genom att använda de billigaste resurserna du har?

Det kan vi också göra. Det finns alltså så många alternativ att ta hänsyn till, och så länge du har data och intelligens kan du få de insikter som krävs för att ta fram rätt rekommendationer. Och återigen: en lång process på några sekunder.

Tim Fisher: Det är verkligen imponerande. Du pratar uppenbarligen om att AI ska vara mycket mer proaktiv, särskilt i er produkt.

Så jag ställer den fråga som jag tror att alla ställer vid det här laget: Var bör AI fatta ett beslut eller ge en rekommendation? När behöver mänskligt omdöme fortfarande ta över? Hur tänker ni kring det?

Andras Horvath: Det är en mycket bra fråga, Tim. Om jag ska vara helt ärlig får vi den ofta från många av de kunder vi arbetar med.

Min hållning är ganska enkel. Om det finns en välkänd process som du vill automatisera bör du definitivt använda AI. Om du pratar om exceptionella fall är det kanske inte den bästa platsen att använda AI. Du kan använda AI för att förstärka ditt tänkande och korta tiden till marknaden, eller vad du än försöker uppnå, men jag skulle inte nödvändigtvis delegera något okänt till en agent och be den lista ut det, såvida du inte gör det med en människa i loopen och ständiga avbrott för att säkerställa att den inte löper amok och förstör hela ditt system eller din arbetsyta.

Den andra faktorn att ta hänsyn till är risken. Har du en uppgift med hög eller låg risk? Om du har något med låg risk, som att sortera inkommande förfrågningar eller ta emot ärenden för att säkerställa att en inkommande förfrågan innehåller all information som krävs för att bli handlingsbar, är det något AI kan göra.

”Jag har kontrollerat det här ärendet. Det mesta av informationen finns här. Däremot saknas något. Låt oss kontakta kunden via e-post eller Slack, eller vad det nu är, och hämta in den informationen.” När vi har den är ärendet redo för leverans och läggs i backloggen och så vidare. Men om vi återgår till resursfördelning: du har ett projekt som är försenat.

Ett sätt att få projektet tillbaka på rätt spår är att ta en viktig ingenjör eller annan person från ett annat projekt. Men det kommer att försena projekt B. En människa bör fortfarande fatta beslutet om personen ska flyttas eller inte. Det beslutet har mycket större påverkan än att kontakta någon och begära in information som saknas.

Generellt handlar det alltså om följande: Är det en känd process? Är risken eller påverkan hög eller låg? Det här är sådant som jag personligen alltid rekommenderar människor att vara uppmärksamma på, eftersom inget ersätter mänskligt omdöme i slutändan.

Tim Fisher: Jag hör mycket diskussion om människor kontra AI och beslut, både tematiskt, konceptuellt och nästan filosofiskt, och jag hör också termer kastas omkring.

Jag tror att jag hörde dig säga MCP tidigare. Vi har definitivt pratat om att slänga oss med ordet agent och liknande. Jag vet att alla företag som använder era verktyg inte nödvändigtvis är särskilt kunniga inom AI, så hur kan ni hjälpa människor över den tröskeln? Finns det sätt att lära sig om AI som ni kan hjälpa till med?

Jag får mycket återkoppling om att det är mycket att ta in, och jag är nyfiken på hur ni tänker kring att hjälpa människor över de trösklarna.

Nancy Boas: Ja, absolut. Jag kan ta den, eftersom vi utbildar människor på flera olika sätt. Det finns en insikt om att det pratas så mycket om AI, så mycket om agenter och till och med om att vara byggare, men i praktiken vet företag verkligen inte hur man faktiskt bygger en agent.

Så vi har gjort flera saker. En av dem är att vi har en fantastisk utbildningsavdelning som alltid har utbildat människor i våra traditionella funktioner, Wrike-administration, styrning och liknande. Men för flera månader sedan startade de AI Elite Mastery, en fyratimmarskurs som vem som helst kan gå. I slutet får deltagarna ett certifikat och lär sig allt från bästa praxis för att skriva instruktioner till att faktiskt börja bygga en agent.

Det är en av sakerna vi gör. Vi genomförde också en sju veckor lång AI-sommarskola, ett praktiskt utbildningsprogram varje fredag. Som resultat började betydligt fler agenter byggas och fler människor räckte faktiskt upp handen och deltog. Jag delade också en länk om arbetskamraterna, men vi har även en onlinegemenskap där vi delar exempel på instruktioner och användningsfall, och där andra kan bidra med sina användningsfall för agenter.

För i slutändan handlar det om att hjälpa varandra och dela erfarenheter med varandra i den här nya, modiga världen.

Tim Fisher: Det är bra att höra. Jag har hört dig prata om kontext, kontroll och samarbete som krav för AI i företag. Varför är just de sakerna så viktiga när AI börjar agera på verkliga projektdata och verkliga arbetsflöden?

Andras Horvath: När man tänker på kontext kan AI utan den vara självsäkert felaktig, eller i bästa fall så generell som möjligt. Om vi tar ett enkelt exempel och ber vilken AI som helst att skapa en arbetsfördelningsstruktur, alltså ett projekt åt dig, kommer den att använda den kunskap som den har tränats på eller söka på internet för att lära sig hur man bäst sätter upp ett projekt, och sedan göra det.

Är det bra? Är det dåligt? Det är ett generellt sätt att sätta upp ett projekt som kanske fungerar i vissa fall, främst om du inte driver särskilt många projekt. Men om du är ett stort företag har du vanligtvis en metodik som du har utvecklat under flera år eller årtionden, och när du sätter upp ett nytt projekt finns det vissa saker att ta hänsyn till.

Ett klassiskt exempel är vilka beslut som faktiskt kräver godkännande och vilken person, organisation eller roll som behöver utfärda dessa godkännanden. Om du kopplar din AI-assistent till något som Wrike och har använt Wrike konsekvent finns all den kunskapen redan där.

Din AI-assistent kommer då att använda informationen som finns där för att sätta upp arbetsfördelningsstrukturen på ett sätt som stämmer överens med organisationen du tillhör, och det är därför kontext är viktigt. Det handlar först och främst om att ha tillgång till data och för det andra om att använda den datan på ett sätt som gör att du kan anpassa resultaten efter organisationens behov.

När det gäller kontroll vill du återigen säkerställa att din AI inte bara löper amok till slut. Du vill se till att agenten som din AI exempelvis använder har tydliga behörigheter, en identitet och att den går att spåra. Därför loggar vi allt när du ansluter en AI-agent till Wrike.

När du pratar med din AI-agent, när den ber om ditt godkännande eller när den ber om information, sker det via Wrikes kommentarsflöde. Alla beslut och allt som händer går alltså att spåra i systemet. Om du tittar på Wrike-agenterna, som vi exempelvis lanserade för ungefär ett år sedan, och går in i deras loggar ser du inte bara att en post raderades när den raderar en post. Du ser att en post raderades, vilket resonemang den hade och vilken data det byggde på.

Fanns det en människa i loopen? Vilken instruktion fick den? Varför inträffade just den åtgärden? Det här är något som de flesta företag håller mycket kärt. De vill faktiskt veta varför agenten betedde sig som den gjorde. När det gäller människor frågar man däremot inte riktigt varför du raderade posten – det kommer kanske upp i ett samtal vid vattenautomaten.

Kontroll är alltså mycket viktigt. Du måste se till att du faktiskt kan lita på att AI arbetar, för som du sa är det svårt. Många vet inte hur man arbetar med AI och litar inte på AI. Kontroller och skyddsräcken ökar faktiskt den tillitsnivån.

Slutligen har vi samarbete, och jag berörde det lite tidigare. När du använder ett samarbetsbaserat system för arbetshantering kallas det samarbetsbaserat av en anledning. Du arbetar med en uppgift och har inte alla detaljer. Du taggar någon och skriver: ”Hej, kan du hjälpa mig att reda ut det här?”

På samma sätt pratar du med agenterna. Du tilldelar dem arbete på samma sätt som du tilldelar arbete till kollegor. Du omnämner dem, ställer frågor, hämtar in synpunkter och ger instruktioner. Samarbete mellan människa och AI ser till att AI beter sig på det sätt som den är avsedd att göra.

Därför anser vi att kontext, kontroll och samarbete är de tre viktigaste pelarna för att få AI att fungera på bästa möjliga sätt, och det är dessa tre pelare vi fortsätter att investera i.

Tim Fisher: Jag tycker om hur ni tänker kring allt det där, särskilt delen om kontroll och transparens, som jag vet att ni har gått mycket djupt in i. Men jag kan inte nog betona för alla som lyssnar hur otroligt viktigt det är att gå från att lita på att människor gör saker till en värld där en autonom, nästan osynlig sak i bakgrunden utför arbete.

Som du sa är vissa saker förknippade med mänskligt arbete, som samtalen vid vattenautomaten. Att kunna förstå varför alla dessa beslut fattades är oerhört viktigt. Jag tycker inte att människor pratar tillräckligt mycket om det, så bra jobbat där.

Det leder oss till en fråga eller tanke som kanske inte ligger så långt fram i tiden: När AI och AI-drivna agenter tar över mer av det här arbetet, vad ägnar projektledaren egentligen mer tid åt? Den här diskussionen dyker ofta upp kring automatisering i allmänhet och ekonomin i allmänhet. Vi tar bort alla rutinuppgifter eller låter agenter och AI göra sådant som de kan göra mer effektivt i stor skala.

Vad lämnar det oss att göra? Jag skulle gärna höra era tankar om det.

Nancy Boas: Ärligt talat tror jag att människor får göra mer givande arbete. Vem vill tillbringa halva dagen med att ta emot och sortera formulär? En av våra kunder är till exempel Jellyfish, en reklambyrå. Jag höll en diskussionssession för vår virtuella användarkonferens, och de berättade att de tillbringar mycket mer tid med kunderna.

De gör mindre rutinarbete, men har mer intelligenta samtal. De undanröjer de hinder som brukade uppstå i projekten. För projektledare tror jag att man behöver börja se agenter och AI som sin dagliga assistent.

Vi har människor att leda och AI och agenter att leda, och de tar bort det monotona. Du har fortfarande ett arbete att göra, men förhoppningsvis handlar det mer om sådant som strategi, problemlösning och att nå mål på hög nivå.

Andras Horvath: I mitt team av produktchefer lägger vi exempelvis mycket mindre tid på att skriva specifikationer, eftersom vi gör det med hjälp av AI. Vi gör granskningarna med hjälp av AI. Vi omvandlar specifikationen till en arbetsfördelningsstruktur och bemannar sedan den arbetsfördelningsstrukturen.

Allt detta sker – jag ska inte säga omedelbart – men mycket snabbare än tidigare, även när människor är med i loopen. Den genomsnittliga produktchefen ägnar numera mer tid åt att intervjua våra kunder, verkligen fördjupa sig i problemområdet och förstå vad vi till exempel behöver fokusera på.

Den genomsnittliga produktchefen ägnar mer tid åt att validera, finjustera och göra sådana saker, hantera intressenter och arbeta med organisationsdesign, eftersom vi hela tiden behöver förändra sättet vi arbetar och samspelar med varandra på inom Wrike för att passa dessa ständigt föränderliga behov. Men som Nancy påpekade behöver man också avsätta tid.

Jag har två timmar blockerade i kalendern varje fredag. Då underhåller jag alla mina agenter och assistenter, färdiga och schemalagda uppgifter i Claude och ChatGPT, agenter i Wrike och så vidare, eftersom verkligheten är att verksamheten förändras. Allt är i ständig rörelse och förändring.

Antingen förändras tekniken eller så förändras verksamheten, och du behöver lägga lite tid på det. Jag lägger de där två timmarna, men allt det arbetet leder faktiskt till att 15–20 timmar sparas.

Tim Fisher: Jag gillar hur du formulerade det. Även om jämförelsen inte är perfekt liknar det lite att ha individuella möten med sitt team. Det finns ett löpande behov av underhåll, utbildning och utveckling av verksamheten för alla människor som du delegerar arbete till.

Nu omfattar det även agenter. Jag gillar verkligen hur ni tänker kring det.

Andras Horvath: Ja, definitivt. Alla blir chef i dag, vare sig man vill det eller inte. Jag älskar det uttrycket. Du behöver leda din flotta av agenter.

Tim Fisher: Okej, låt oss stanna i framtiden en fråga till. Säg att det är om fem år.

Någon som är ny inom projektledning arbetar i vilka system vi nu har, alltså den fem år äldre versionen av Wrike. Vad kommer de att blicka tillbaka på, eller höra från sina äldre kollegor, och bli riktigt förvånade över att människor någonsin gjorde själva? Vad är det som kommer att försvinna och som vi aldrig mer kommer att höra talas om?

Andras Horvath: Att uppdatera statusar i Wrike, till exempel. En av sakerna vi arbetar med är agenter som ska delta i möten med dig och gå med i Teams- och Slack-kanaler. När samtal sker kommer de att hålla arbetet i Wrike uppdaterat.

Det vi slutligen vill göra är att dessa agenter ska vara omgivande, så att alla uppdateringar sker och att de med tiden lär sig vilka uppdateringar de ska göra automatiskt och vilka saker de behöver stämma av med dig.

Med tiden kommer detta att utvecklas. Ingen kommer då att säga: ”Jag öppnar Wrike och ser till att den här uppgiften är markerad som slutförd.” Många av våra kunder gör redan detta via sin valda assistent. Med tiden kommer det att ske automatiskt utan att du ens behöver skriva en instruktion eller göra något liknande. Detsamma gäller att hålla människor uppdaterade, statusuppdateringar, kapacitetsrapporter, riskrapporter och allt annat du kan tänka dig.

Allt detta är redan automatiserat för tusentals kundkonton. Som jag nämnde finns det också så mycket information som redan existerar när det gäller att skapa projekt eller arbete från grunden, bemanning och allt sådant. Vi arbetar hårt med att utvinna informationen i Wrike och omvandla den till organisatorisk kunskap, som vi kallar det, för att automatisera så mycket som möjligt av det här arbetet.

Förhoppningsvis kommer den genomsnittliga projektledaren, produktchefen eller vem som helst som leder eller driver något om fem år främst att fokusera på att skapa samsyn, inhämta återkoppling och hantera den mänskliga delen, i stället för att sitta framför en dator och mata in data eller sammanfatta statusar och rapporter.

Vi behöver bara se till att datainmatningen sker där kommunikationen sker. Om någon vill veta var de befinner sig bör de inte behöva gå och fråga projektledaren eller teamchefen. Det borde räcka med en fråga, men den frågan bör kunna söka i flera källor, hämta data och ge den tillbaka till personen.

Det är inte bara en enkelriktad statusuppdatering. Det är ett statussamtal, för under årens lopp har du skickat ut en statusrapport och sedan dyker 22 frågor upp. Dina agenter behöver ha den kontext som krävs för att också kunna besvara följdfrågorna.

Tim Fisher: Jag är nyfiken på vad ni ser mest fram emot i er plan framåt.

Jag skulle gärna vilja att ni avslöjade något som ingen har hört ännu om vad som händer med Wrike. Ingen press på just den punkten, men jag är nyfiken: När ni går till jobbet och ser den här saken vid horisonten som ni bygger eller funderar på, vad är mest spännande?

Andras Horvath: För mig personligen är det organisatorisk kunskap och minne. Det är något vi arbetar med. Det är processutvinning när den är som bäst, följt av att ta den informationen och lagra den på rätt platser.

Det jag ser hända mycket på internet i dag är, om man så säger, att man har agenter och att agenterna har egna minnen, vilket är fantastiskt. Men i samma ögonblick som du gör utrullningar i företag kommer du att ha 55 000 agenter som körs där. Du kommer att ha, jag vet inte, 60 projektledare och agenter med olika minnen. Och i samma ögonblick som du avslutar en agent försvinner minnet.

Det vi undersöker är att lagra minnet på den plats där du arbetar och koppla det till den platsen, i stället för att koppla det till agenten.

När du sedan distribuerar en annan agent får den samma kunskap. Problemet är dock att säkerställa att du inte överbelastar kontexten. Du måste se till att minnet skapas, lagras och hämtas så effektivt som möjligt. När du har uppnått det kommer systemet, oavsett om det används av dig själv eller av agenterna du leder, att bli smartare ju mer du använder det, och allt fler uppgifter kommer att lyftas bort från ditt bord.

Det handlar om att lära sig medan man arbetar, på samma sätt som människor gör. Jag tror att vi bara har skrapat på ytan här. Agenter kommer att bli bättre och bättre, inte nödvändigtvis för att modellerna förbättras. Modellerna är fantastiska. Det spelar ingen roll om de förbättras. Det enda som spelar roll är att de blir billigare, så att du kan ha agenter igång hela tiden i stället för att köra dem utifrån olika utlösare, oavsett om du tilldelar en agent en uppgift, omnämner den, kör den enligt ett schema eller något annat.

Att ha en agent igång hela tiden kommer att kosta miljoner dollar. Låt oss vara realistiska. Därför tror jag att billigare modeller är bra, och vi kommer att nå dit. Det kommer att göra det möjligt för oss att ha dessa omgivande agenter. Men det är också minne och processutvinning som kommer att göra dem verkligt kraftfulla jämfört med där vi befinner oss i dag.

Nancy Boas: Jag tycker att du uttryckte det väldigt bra, och jag vill bara tillägga att vi firar vårt 20-årsjubileum och används av organisationer som har sex eller sju avdelningar och tusentals användare. Om allt detta finns där men inte verkligen utnyttjas gör vi människor en björntjänst.

Det är därför mycket meningsfullt om vi faktiskt kan hjälpa dem att arbeta bättre, hitta de här insikterna, upptäcka sådant som härledda färdigheter och verkligen finjustera hela projektledningsprocessen.

Andras Horvath: Om jag får tillägga något, Tim, eftersom Nancy tog upp härledda färdigheter: I slutändan förenklar du inte datainmatningsdelen av jobbet.

Om du i stället kan ha agenter som deltar i alla samtal där du är och håller allt uppdaterat gör det arbetet mycket enklare och trevligare. Du behöver inte säga: ”Ursäkta, jag behöver lite tid eftersom jag måste uppdatera allt i Wrike”, eller i vilka andra system du nu använder.

Tim Fisher: Det är en väldigt spännande vision av framtiden. Ni pratar om något som jag inte hör tillräckligt mycket om: det finns en besatthet kring att modellerna ska bli smartare och smartare, trots att det egentligen inte längre är flaskhalsen. Det handlar om kostnaden och om att ha dem igång hela tiden, och det är fantastiskt.

Jag tycker verkligen om det ni tänker kring. För alla som lyssnar: om de är nya inför de här funktionerna i Wrike eller nya inför Wrike i sig, vart ska de vända sig om de vill lära sig mer?

Nancy Boas: De kan gå till wrike.com/ai. Om du vill ha en demonstration eller begära mer information är det en bra startpunkt.

Tim Fisher: Andras och Nancy, stort tack för att ni ville vara med. Vi ses i nästa session av Framtidens AI inom projektledning.

Nancy Boas: Tack så mycket.

Andras Horvath: Tack så mycket.