Hur AI kan hjälpa dig att fatta bättre projektbeslut

Galen Low: På vissa sätt är projekt bara en samling beslut. Faktum är att beslut är en stor del av det som driver projekt framåt. Men hur kan vi förvänta oss att människor ska fatta bra beslut när projekt rör sig snabbt och det finns en överväldigande mängd information och data att bedöma? AI kan definitivt hjälpa till, men den har inte alltid sammanhanget, och det är ändå inget alternativ att göra AI ansvarig för besluten.

Samtidigt visar det sig ibland att snabba beslut baserade på magkänsla är de bästa. Så vad är den rätta balansen mellan datadrivet, AI-assisterat beslutsfattande och att helt enkelt prata igenom saken? Var avtar nyttan, och ännu viktigare: hur fattar vi faktiskt beslut? För att undersöka det har jag bjudit in en specialist på AI och kunskapshantering vars bakgrund omfattar allt från psykologi och företagsestimering till entreprenörskap och produktägarroller på Fortune 50-företag som Meta och ExxonMobil.

Tillsammans ska vi gå igenom några konkreta exempel på hur AI kan stödja beslutsfattande av hög kvalitet, hur spårbarhet kan hjälpa människor att bli bättre på att fatta beslut, hur ansvar förändras när AI finns med i bilden och vad som händer med projektledarens roll om AI underlättar de beslut som tidigare hamnade på vårt bord.

Hoppas att du uppskattar avsnittet.

Välkommen till podden Digital Project Manager – programmet som hjälper leveransansvariga att arbeta smartare, leverera smidigare och leda sina team med självförtroende i AI-eran. Jag heter Galen, och varje vecka går vi igenom strategier från verkligheten, nya trender, beprövade ramverk och ibland en och annan krigshistoria från projektens frontlinjer.

Oavsett om du leder omfattande omvandlingsprojekt, hanterar AI-arbetsflöden eller bara försöker hålla kaoset under kontroll har du kommit rätt. Och om du har uppskattat det du har hört från oss på sistone får du gärna följa oss där du lyssnar eller tittar, och kanske även lämna en recension. Då sätter vi igång.

I dag pratar vi alltså om AI-stött beslutsfattande och varför beslutskvalitet kan vara det som avgör om ett projekt eller initiativ lyckas eller misslyckas. Vi ska undersöka hur frånkopplade beslut skapar risker, hur projektledare kan förbättra beslutskvaliteten i komplexa team och hur AI kan hjälpa oss att fatta bättre beslut – och tvärtom.

Med mig i dag har jag Cali Collins, medgrundare och produktchef på Optimality. Cali är en erfaren produktledare vars karriär har omfattat AI-infrastruktur, kunskapssystem, företagsomvandling och genomförande av storskaliga kapitalprojekt. Innan hon var med och grundade Optimality ledde hon produktutveckling på bland annat Meta och ExxonMobil, vilket har gett henne ett unikt perspektiv på hur beslut fattas – eller inte fattas – både i snabbfotade teknikmiljöer och i komplexa Fortune 50-företag.

I dag arbetar hon på Optimality för att lyfta värdet av en AI-infödd plattform för beslutsinfrastruktur, som hjälper organisationer att strukturera, optimera och skala beslutsfattandet i en tid präglad av överväldigande datamängder och konkurrerande prioriteringar.

Cali, tack för att du är med mig i dag.

Cali Collins: Absolut. Tack så mycket för att du bjöd in mig.

Galen Low: Jag ser fram emot att ha dig här. Jag börjar med en lite provocerande fråga och tar sats. Många organisationer har faktiskt väldigt lite struktur eller disciplin kring hur beslut fattas, och ibland fattas avgörande beslut i en e-posttråd eller muntligt på en golfbana.

Och för det mesta är teamen alldeles för upptagna med att reagera på besluten för att stanna upp och tänka: ”Är det här ett välgrundat beslut?” De bara följer med. Så min fråga är: Eftersom vi människor egentligen inte kan förklara för varandra hur beslut fattas och varför, är det inte lite verklighetsfrånvänt att tro att AI plötsligt kan förbättra organisationers beslutsfattande?

Cali Collins: Jo, absolut. Jag tror att mycket handlar om partiskhet. Om du frågar mig varför jag fattade ett visst beslut är det jag berättar kanske inte faktiskt anledningen till att jag fattade beslutet på det sättet. Vi har alla våra egna perspektiv. Du har ditt perspektiv på hur du skulle uppfatta att jag återger beslutet, och jag tror att vi också pratade lite om det när vi förberedde oss.

Allt du gör är ett beslut. Du kan inte dokumentera allt medan du gör det. Jag fattade beslutet att logga in på det här samtalet. Ska jag sedan skriva ner det? För då måste jag fatta ett beslut om när jag ska skriva ner beslutet jag just fattade. Våra liv är en serie beslut, och genom att ha något som AI som automatiskt fångar dem medan du agerar – utan att du måste dokumentera medvetet – är det där AI kommer att hjälpa oss.

Galen Low: Jag gillar verkligen det, eftersom du börjar med partiskhet, och jag är en person som tror att partiskhet kan vara både bra och dålig. Vi har omedvetna fördomar som definitivt håller oss tillbaka som art, men det finns också en partiskhet i att veta det man vet. Vi pratar mycket om att fatta beslut på magkänsla och om det är bra eller dåligt, men i grunden fattas många beslut med någon form av logik bakom sig, även om människor inte visar sitt arbete.

Cali Collins: Det stämmer helt. Det finns forskning om vilken del av hjärnan du använder för olika typer av beslut. En annan del av hjärnan fattar de snabba, impulsiva besluten som bygger på instinkt än de beslut du tar dig tid att tänka igenom. Det är intressant.

Galen Low: Jag gillar det. Kanske är det en bra plats att zooma in på, eftersom jag tycker om de två olika lägena för beslutsfattande. Det ena är brådskan i att fatta ett snabbt beslut, vilket kan kringgå all den logik och de underliggande resonemang vi har. Det andra är ett lugnt tillstånd där vi kan fatta ett informerat beslut genom att utvärdera och analysera.

Att ha informationen tillgänglig kan hjälpa oss att återgå till den nivån och undvika snabba beslut, eftersom vi vet att vi kan ta oss tid. Vi har information som kan nå oss snabbt, och vi kan fatta beslut på ett informerat sätt.

Låt mig zooma ut ännu mer. Det jag gillar med din erfarenhet är att du kommer från produktområdet. Du är en mycket erfaren produktspecialist som har tagit en något oväntad riktning bort från organisationer som Meta och ExxonMobil för att bygga ett AI-infött operativsystem för beslut.

Jag hoppas att jag kan beskriva det så.

Cali Collins: Ja.

Galen Low: Varför beslut? Var har du sett bristfälligt beslutsfattande rasera ett projekt eller en strategisk plan, och vilka underliggande orsaker fick dig att utforma en lösning på det?

Cali Collins: Allt du gör handlar om beslut. Det är ett problem som omfattar hela mänskligheten, och jag ville göra något som verkligen skulle påverka hur vi arbetar dagligen och skapa stor effekt. Det finns datadrivna beslut och sedan finns de omedelbara, snabba besluten.

Du nämnde säkerhet, och jag började tänka på säkerhet på ett lite annat sätt eftersom jag kommer från projektvärlden. Jag tänker på arbetsmiljö och säkerhet – om någon är på väg att skadas.

Galen Low: Just det.

Cali Collins: Om du ser en osäker aktivitet måste du ingripa och agera. Men andra beslut kräver att du kliver tillbaka, analyserar och tänker lite mer.

Jag började inom estimering och arbetade med det i många år. Jag hade alltid också en produktsida, men estimering var mitt dagliga arbete. Därför fick jag kontakt med många ledande chefer och satt vid förhandlingsbordet när vi gick igenom vad som låg bakom de stora besluten.

Jag såg hur chefer sattes på piedestal och fick frågan: ”Vad tycker du? Vad ska vi göra?” När jag senare fick möjlighet att sitta enskilt med några av dem frågade jag: ”Hur vet du vilket beslut som är rätt? Är det all data du har? När avtar nyttan eller når man en brytpunkt?” De svarade: ”Jag ska berätta en hemlighet. Hälften av tiden vet jag inte. Jag improviserar bara.”

Människor förväntar sig att de ska veta, men de har inte alltid kunskapen och datan som krävs för att fatta rätt beslut. Jag tänkte att om jag kunde hjälpa dem som fattar stora förändringsbeslut – om vi ska spendera miljarder på det ena eller det andra – att förstå var den avtagande nyttan finns, skulle jag kunna hjälpa dem att fatta snabba beslut genom att kombinera data med instinkt.

Galen Low: Jag älskar det ögonblicket av sårbarhet. Det är rimligt att många av oss känner likadant: ”Jag vet inte, men jag är under press att fatta ett beslut. Jag har fattat bra beslut tidigare, men jag kan inte garantera att jag alltid fattar rätt beslut. Min träffsäkerhet är ganska god, och det är därför jag har fått den här rollen. Men ibland improviserar jag bara.”

Jag gillar tanken att beslutskvaliteten inte behöver vara dålig redan, men att vi ändå kan förbättra sannolikheten för att fatta rätt beslut. Det gäller särskilt när man talar om miljarder och känner att man måste förlita sig på det man vet, samtidigt som man kan stödja sig på ytterligare data.

Det är kanske en bra övergång till Optimality. Kan du berätta lite om vad Optimality gör, hur det hjälper och vilka användningsområden som kan minska riskerna i beslutsfattandet?

Cali Collins: Absolut.

Vi har arbetat med Optimality i ungefär två och ett halvt år, och plattformen har hela tiden utvecklats. Kärnan har alltid varit att förbättra beslutsfattandet, vilket utvecklades till att optimera beslutsfattandet. Därifrån kommer namnet Optimality. Det finns en matematisk optimeringsteori som handlar om den avtagande nyttan.

Vilket är det optimala beslutet? Optimality bygger på en kontextgraf. När du samarbetar i Optimality använder du systemet för att förstå vad du bör arbeta med i dag och vad du gjorde i går.

Men det är mycket större än så. Det omfattar det faktiska innehåll och de leveranser du producerar, inklusive alla beslut du arbetar med. Vi har nyligen lanserat en ny beslutsguide där du kan få hjälp steg för steg om du står inför ett djupt eller komplext beslut.

Medan du arbetar i guiden har du Opti Chat bredvid dig. Du kan fråga Opti: ”Jag överväger det här eller det här. Vad tycker du?” Opti hjälper dig att formulera beslutet och identifiera osäkerheter, personlig partiskhet och tidigare liknande beslut.

Du kartlägger organisationens och genomförandets intelligens i systemet. Det absorberar kontinuerligt information i Optis bakgrund och kan ge bättre insikter när du behöver välja mellan alternativ A, B eller ett alternativ C som du inte ens hade tänkt på.

Galen Low: Jag gillar verkligen hur nördigt namnet är. Det handlar inte bara om att optimera beslutsfattande; det finns också en matematisk teori för när den avtagande nyttan inträder. Jag tycker att det är väldigt intressant. Du har också lärt mig om kontextgrafen, som fungerar som ett slags neuralt nätverk för vissa AI-verktyg.

Opti samlar alltså in information längs vägen. Det är inte så att någon säger: ”Vi behöver fatta ett beslut. Kan du samla ihop allt och fråga de här personerna?” Informationen finns redan där. Vad innebär beslutskontext i en projektmiljö, och vad saknar team ibland i sina beslutsprocesser som det här kan stödja?

Cali Collins: Den mänskliga hjärnan är bra på vissa saker, men den har också begränsningar. Du kan inte delta i varje möte och samla in all information som alla delar. Föreställ dig om du hade en delegat som deltog i de andra mötena och tog in informationen.

Det är där AI kommer in. Samtidigt bygger den mänskliga sidan på samarbete och kommunikation. Det var en viktig anledning till att jag gick till Meta, eftersom de försökte bygga en samarbetsplattform för världen. Människor delar saker där och blir en del av en gemenskap.

Min styrka som människa är att kunna samlas med andra, utbyta idéer och utveckla mina tankar utifrån vad andra berättar. Därför måste människan fortfarande vara en del av beslutsfattandet. Vi behöver kunna samarbeta för att komma fram till det bästa beslutet.

Galen Low: Jag gillar samspelet. Positioneringen är inte att människor är dåliga på att fatta beslut, utan att vi inte kan ta in all information och förutsäga framtiden särskilt väl. Det handlar om samspelet mellan att vi är varelser som samtalar, känner och fattar beslut utifrån det, samtidigt som tekniken kan göra det hjärnan inte klarar.

AI kan samla ihop tidigare samtal och kondensera dem så att vi slipper minnas varje detalj från varje möte. Den kan ge råd och information utan att ersätta samtalet om hur vi ska fatta beslutet. Vi behöver fortfarande prata igenom saker för att fatta bra beslut, men vi kan stödja samtalet med sådant hjärnan inte klarar.

Cali Collins: Precis. Jag pratar med Opti hela tiden. Som ett litet startupteam finns det stunder då det är värdefullt att prata igenom saker med AI och låta den bolla idéer med dig. Den vet vad du arbetar med eftersom Opti bygger på en kontextgraf. Den vet vad du och alla i teamet arbetar med.

Galen Low: AI är här, vare sig vi vill det eller inte. Det kan kännas påtvingat, och det finns en storebrorsaspekt eftersom tekniken fungerar bättre ju mer kontext den har. Många lyssnare kan tycka att det låter skrämmande att Opti lyssnar på allt och tar in allt.

Kan man välja vad man delar med AI för att den ska kunna ge bättre råd? Är det allt eller inget? Vilken information bör vi dela även om vi inte ger full åtkomst till varje tangenttryckning och varje samtal?

Cali Collins: När vi började bygga Optimality kopplade vi via API till mina e-postmeddelanden och chattar. Vi insåg snabbt att det kunde vara skrämmande om vi ville skala lösningen, och att människor ville ha mer kontroll över vad de delar.

Det handlar också om styrning av AI. Du vill inte nödvändigtvis att AI ska ta din information, fatta beslut och skicka e-post åt dig. Om du ger den tillgång till lösenordshanterare, e-post och bankkonto har du skapat stora risker.

Om något hemligt läcker i ett e-postmeddelande är den person som aktiverade agenten ansvarig ur ett juridiskt styrningsperspektiv, även om personen aldrig såg meddelandet innan det skickades. Därför är det viktigt att behålla kontrollen över vad AI får och får göra.

Du kan välja om transkriptet från ett möte ska läggas in eller inte. Du kan välja om en e-postkonversation ska läggas in eller inte. Det ger kontroll över den kvalitativa informationen. Om AI bara tränas på internetbrus vet den inte vad som är bra och dåligt.

Optimality håller också människan i loopen. Systemet kan skapa dokument, utarbeta e-postmeddelanden och uppdatera status, men en person måste fortfarande säga: ”Det här är vad jag vill att den ska göra.” Vi tror på samarbete mellan människor och AI, där du fortfarande fattar besluten.

Galen Low: Jag tror att många av mina lyssnare kommer att uppskatta det. Det är samspelet mellan teknik och mänsklighet. Jag vill återkomma till hur man väljer vad man delar i kontextgrafen, men först vill jag undersöka användningsområdet lite mer.

Hur kan AI och Optimality hjälpa oss att fatta bättre beslut steg för steg? Om Optimality arbetar i bakgrunden, samlar information och sedan hjälper oss att utveckla en kampanj eller skapa veckans LinkedIn-inlägg – hur ser den interaktionen ut och hur förbättras arbetet jämfört med om vi inte hade AI?

Cali Collins: Ett användningsområde vi går in i är ett företagsoperativsystem som bygger på Optimality. Optimality kan ses som en plattform som möjliggör många olika användningsområden, ungefär som Excel. Excel kan användas till mycket, men talar inte om för dig att du måste använda en viss formel för att skapa en budget.

Vi erbjuder mer struktur än Excel och möjliggör många användningsområden. Ett område vi arbetar med är ett företagsoperativsystem. Det kan hjälpa människor som vill starta sidoprojekt eller bygga egna företag men saknar kunskap om exempelvis marknadsföring, sociala medier, affärsplaner, ekonomi och skatter.

Du berättar för Optimality vilka mål du har och vad du vill göra. Systemet dokumenterar informationen, skapar en strategi och frågar om det är vad du vill göra. Tillsammans med Opti kan du sedan justera planen. Den kartlägger vägen mot dina mål och skapar struktur kring företagsbyggandet.

När du går igenom stegen kan Opti hjälpa till med marknadsplanen, utveckla innehåll och utföra andra uppgifter. Det gör AI mer tillgängligt för små och medelstora företag och för personer som är nyfikna på AI men inte vet var de ska börja.

Galen Low: Det är fantastiskt. Trösklarna för att bygga ett företag är lägre, även om hypen kring att kunna skapa en hel produkt på en dag inte stämmer. Det är enklare än tidigare, men det finns en medelväg.

Om Claude är som Excel fungerar Optimality mer som ett specialiserat verktyg. Arbetet blir faktiskt gjort i Optimality. Det är inte bara en plattform för beslutsoptimering utan också en arbets- och samarbetsplattform.

Cali Collins: Det är absolut en samarbetsplattform. När ett litet företag växer blir det svårare att veta vad alla gör. Om medarbetarna samarbetar i systemet bygger ni samtidigt er kontextgraf.

Företagets vision, uppdrag och principer blir en del av Optis bakgrund. När systemet föreslår en marknadsstrategi baseras den på vad ni har berättat är viktigt och värdefullt för er.

Du kan be Claude att skapa en marknadsplan och få något generiskt. Claude förstår däremot inte alla delar och rörliga komponenter i ditt system och ekosystem. Optimality kan använda den kontexten.

Galen Low: När företag växer minskar ibland synligheten. Vi börjar ofta informellt och upptäcker sedan att vi har många anställda och inte längre vet vad som händer eller om processerna följs i linje med våra värderingar och vårt uppdrag.

Det väcker också frågan om vad vi väljer att ge till AI. Om vi inte ger AI hela sammanhanget, begränsar vi då dess förmåga? Hur skyddar vi oss mot att människor använder AI för att styra beslut i en viss riktning? Och finns det beslut som kräver mänsklig nyans och därför bör hanteras mer mänskligt i stället för att alltid följa samma process?

Cali Collins: AI vet inte automatiskt vad som är viktigt eller hur information ska prioriteras. Om du häller in allt måste du hjälpa systemet att förstå att exempelvis ett transkript kommer från en senior ledare och därför har större vikt än andra uppgifter. Du behöver ange riktlinjer och inte bara ge det absolut allting.

När det gäller beslut vill vi att människan fattar det slutliga beslutet. Kan vi fatta bättre beslut om vi får den data vi behöver? Ja. När jag arbetade på ExxonMobil byggde jag ett kunskapscenter och en AI-infödd plattform för kunskapshantering och lärdomar.

En projektledare kan säga: ”Jag har varit med i fem projekt. Varje gång vi gjort detta har det misslyckats, så vi bör inte göra det.” Men de fem projekten kan vara de enda gångerna det har misslyckats. AI kan visa att det bara är två procent av fallen.

Det betyder inte att personens erfarenhet ska avfärdas. Personen vet något som andra inte vet. Men genom att visa att det handlar om två procent får gruppen möjlighet att fatta ett mer välgrundat beslut.

Galen Low: Det handlar alltså inte om att någon har rätt eller fel. Det finns något att lära sig. Vi kan undvika generaliserade beslut baserade på ett mycket litet urval, samtidigt som vi tar hänsyn till informationen eftersom något som hänt fem gånger sannolikt bör undersökas.

Det fina är att AI kan hjälpa både före och efter beslutet. Vi kan samla in information innan vi fattar beslutet och faktagranska efteråt. Vi behöver inte bara lyssna på den mest högljudda eller mest seniora personen i rummet. Vi kan använda kritiskt tänkande och förbättra beslutskvaliteten.

Cali Collins: Precis. Vissa människor är bra på snabba beslut, andra behöver tid att tänka och strukturera allt på en whiteboard. Vi fattar inte alla beslut på samma sätt och är inte alla lika bra på samma sätt. AI kan bidra till att jämna ut spelplanen och visa när någon kanske bör stanna upp och tänka längre.

Galen Low: Jag har närmat mig detta från ett teknikperspektiv och inte frågat vad du har lärt dig om mänskligt beslutsfattande när du byggt produkten. Projektledare ska ibland inte fatta besluten själva utan underlätta dem. Besluten måste vara både högkvalitativa och snabba.

Vilka praktiska vanor eller metoder kan projektledare utveckla för att hjälpa människor i projekten att fatta bra beslut utan att förlora tempo?

Cali Collins: Jag har en kandidatexamen i psykologi och är intresserad av den mänskliga psykologin och varför vi tänker och agerar som vi gör. Senare studerade jag byggledning och tog även en MBA. Det har hjälpt mig att se beslutsfattande ur flera perspektiv.

Man måste kunna fånga kunskapshanteringssidan: vilket blev resultatet och varför fattade du beslutet? AI kan sedan gå tillbaka och reflektera över beslutet, eftersom människor sällan tar sig tid att göra det själva – särskilt när något gick dåligt.

Vi undersöker också AI-proveniens, alltså datans ursprung och väg genom systemet. Om Optimality skapar en marknadsplan kan du öppna den och se vilket transkript eller vilken persons information varje stycke kommer från. Systemet ska inte vara en svart låda.

Det kan kännas obehagligt om ett beslut som AI kopplar till dig inte fungerade. Men människor kan inte förbättra dåliga beslut utan medvetenhet om vad som orsakade dem. Sårbarhet och förståelse för hur man kan förbättras hjälper både individen och företaget.

Galen Low: Jag frågade hur AI kan hjälpa oss att fatta bättre beslut och tänkte först att svaret måste vara data. Men det handlar också om att göra retrospektiv på beslut, skapa spårbarhet och använda synligheten för att förbättras.

Vi säger inte att AI kommer att fatta bättre beslut än människor och att människor inte längre behöver fatta beslut. Det mänskliga beslutet blir snarare allt viktigare. AI kan hjälpa oss att förstå varför beslut fattades och hur vi kan bli bättre.

Cali Collins: Intuition.

Galen Low: Ja, intuition. Även om ledare ibland känner sig osäkra kring besluten de fattar kan detta bli en väg till förbättring. Det gäller också säkerhet. Vi vill kunna göra retrospektiv och spåra vad som hände, inte för att hitta någon att skylla på utan för att förbättra hur vi alla fattar beslut.

Galen Low: Jag vill återkomma till styrning och ansvar. Just nu är det människan som hålls ansvarig för ett bra eller dåligt beslut även om AI utlöste det. Vilka skyddsräcken behöver vi skapa för att hjälpa AI att undvika misstag, förstärka gott beteende och bli bättre på att fatta beslut?

Kan vi nå en punkt där AI är tillräckligt bra för att fatta beslut och hållas ansvarig för dem?

Cali Collins: AI är i grunden en serie beslut. En stor språkmodell bestämmer vilket ord som sannolikt är bäst att skriva härnäst. Den fattar en serie beslut utifrån vad den tränats att göra.

Du kan börja med att låta den skriva e-postutkast. Med tiden kan den bli bättre på att skriva svar. För vissa lågriskärenden kan det vara acceptabelt att låta AI svara själv, exempelvis på en fråga om en T-shirt finns i en viss storlek. Andra meddelanden bör kräva mänsklig granskning.

Det handlar om tydliga skyddsräcken. Vår filosofi är att behålla människan i loopen och långsamt överlåta vissa lågriskuppgifter till AI. Jag vill inte överlåta juridiskt ansvar eller förvaltaransvar till Optimality och riskera att något skadligt läcker ut.

Galen Low: Det finns exempel utanför AI, exempelvis medicintekniska produkter som ställer diagnoser inom vissa toleransnivåer. Det liknar också hur juniora projektkoordinatorer kan få säkra möjligheter att öva. Att svara på ett e-postmeddelande om en T-shirtstorlek eller en deadline är en sak. Att lova en kund ett nytt datum utan att fråga ansvarig är något annat.

Det finns olika nivåer av ansvar. Jag är ansvarig för vad min juniora projektkoordinator lovar, och situationen blir ett tillfälle för handledning. Det är inte så annorlunda när vi ser på AI.

Cali Collins: Jag ser det som en praktikant. Du är ansvarig för praktikantens handlingar utifrån vad du bad den göra. AI kan inte själv hållas ansvarig. Du kan inte avskeda den eller ge den en degradering.

Ett intressant användningsområde är avtalsefterlevnad. Du kan träna AI på dina avtalskrav och specifikationer och be den övervaka arbetet och varna om du riskerar att bryta mot avtalet. Den gör inte arbetet åt dig utan hjälper dig att förbli säker, följa avtalet och hålla dig inom styrningsramen.

Galen Low: Det är ett bra exempel. AI kan ge återkoppling och bli bättre, och vi kan använda den till sådant den gör bäst. Jag kan inte hålla alla servicenivåavtal i huvudet samtidigt, men ett system kan göra det.

Vad händer med projektledarens roll om AI blir bättre på att upptäcka risker, synliggöra beroenden och rekommendera beslut? Vad blir effekten på de roller vi människor har?

Cali Collins: Rollen blir ännu viktigare. Projektledaren kommer att bli betydligt viktigare. När jag arbetade med estimering och projektstyrning var min uppgift att sammanställa data så att en senior chef kunde fatta beslut.

Den tratten kommer att komprimeras. Det betyder inte att projektstyrningspersoner försvinner. I stället slipper de springa runt och fråga om någon blev klar i dag och kan lägga tiden på att analysera data, använda sin expertis och förbättra arbetet innan det går vidare till produkt- eller projektledaren.

Vi har sett att förhållandet mellan utvecklare och produktchefer förändras eftersom utvecklarna bygger effektivare. Det behövs mer produkt- och projektledning eftersom dessa roller styr riktningen och besluten. När mer data kommer snabbare och med bättre kvalitet behövs fler personer som kan använda informationen för att fatta stora beslut.

AI sänker tröskeln för att bygga saker, men det gör produkt-, projekt- och strategiska roller ännu mer värdefulla.

Galen Low: Det är ett optimistiskt svar, men jag tror att du har rätt. Arbetstempot ökar, och ibland får färre personer mer gjort. Men när arbetet går snabbare kan vi behöva fler som leder, styr och underlättar beslutsfattandet.

Data går inte direkt från AI till beslutsfattaren. Någon måste fortfarande förstå, analysera och bedöma datan. Och vi fattar fortfarande beslut genom att prata igenom dem. AI förstärker den mänskliga processen.

Cali Collins: Absolut.

Galen Low: Cali, det här har varit väldigt roligt. Tack för att du tog dig tid. Var kan människor lära sig mer om dig och Optimality?

Cali Collins: Vi finns på LinkedIn och jag finns också på LinkedIn. Webbplatsen är optimalitypro.com. Där kan du registrera dig direkt för en kostnadsfri 14-dagars provperiod av Optimality eller se vad vi arbetar med.

Galen Low: Toppen. Jag lägger länkarna till din profil och Optimalitys webbplats i programanteckningarna. Tack igen för att du var med. Din bakgrund är mycket intressant, och jag kände inte ens till delen med psykologi. Det här har varit roligt och insiktsfullt. Beslut får världen att gå runt.

Nu har vi AI med i bilden, men också fortfarande människor, och det är verkligen en spännande tid att leva i.

Cali Collins: Precis. Det händer mycket spännande just nu.

Galen Low: Tack så mycket, Cali.

Cali Collins: Tack.

Galen Low: Då var det allt för dagens avsnitt av podden Digital Project Manager. Om du uppskattade samtalet kan du prenumerera där du lyssnar. Om du vill ha ännu fler praktiska insikter, fallstudier och arbetsmaterial kan du skapa ett kostnadsfritt konto hos oss på thedigitalprojectmanager.com. Tack för att du lyssnade.