Hur vet du om ditt team är redo för AI i projektstyrningsprogramvara?

Galen Low: När organisationer letar efter projektstyrningsprogramvara med AI-funktioner, har de faktiskt en idé om vad de vill få ut av dem, eller följer majoriteten av dessa köpare bara någon form av krav på att göra AI-saker?

Olivia Montgomery: Vi drivs definitivt av lite mer av den konkurrensmässiga FOMO-känsla som chefer upplever. Det finns mycket marknadsföring, och leverantörerna skyndar sig definitivt för att fånga AI-vågen.

Galen Low: Vad behöver finnas på plats innan ett team eller en organisation faktiskt kan dra nytta av AI-funktioner i projektstyrningsprogramvara? Vilka grundläggande delar anser du hjälper team och organisationer att påskynda vägen mot AI:s avkastning på investeringen?

Olivia Montgomery: Det finns två ganska stora överväganden som jag tycker att företag av alla typer och storlekar, inom alla branscher och på alla mognadsnivåer bör ta hänsyn till: er tekniska beredskap och er kulturella beredskap.

Galen Low: Välkomna till podden The Digital Project Manager, programmet som hjälper leveransansvariga att arbeta smartare, leverera snabbare och leda bättre i AI:s tidsålder. Jag heter Galen, och varje vecka går vi igenom strategier från verkligheten, nya verktyg, beprövade ramverk och ibland en krigshistoria från projektets frontlinjer. Oavsett om du leder stora omvandlingsprojekt, hanterar AI-arbetsflöden eller bara försöker hålla kaoset under kontroll har du kommit rätt. Då kör vi.

I dag pratar vi om den ökande efterfrågan på AI-förbättrade funktioner i projektstyrningsprogramvara, vad människor vill få ut av dessa funktioner och vad företag och team av olika storlekar behöver ha på plats för att nå sina mål. Tillbaka i den virtuella studion med mig i dag är Olivia Montgomery, biträdande huvudanalytiker för projektstyrning på Capterra.

Olivia har tidigare varit PMO-chef och är yrkesverksam inom projektstyrning, en flitig talare och precis den bästa sortens nörd när det gäller forskningsbaserade insikter om projektstyrning, teknikstrategier och ledarskapets mänskliga sida. Hon har också precis publicerat sin senaste forskningsrapport, Capterras undersökning om trender inom projektstyrningsprogramvara 2025, som visar en förändring i hur företag väljer och använder projektstyrningsverktyg. Det är precis det vi ska fördjupa oss i i dag.

Olivia, tack för att du återvänder till studion och gör mig sällskap i dag.

Olivia Montgomery: Tack för att jag fick komma. Jag är verkligen jätteglad över att vara här. Vi har några heta ämnen att ta upp.

Galen Low: Ja, i dag blir det hett. För er som har lyssnat på podden ett tag är Olivia en riktig publikfavorit. Vi satt precis i väntrummet och pratade om lingvistik. Sedan insåg vi att lingvistik, humaniora, stora språkmodeller och AI faktiskt hänger ihop.

Så vi kommer att röra oss över många olika områden. Vi brukar gå ner i några kaninhål, och jag hoppas att vi gör det även i dag, men för säkerhets skull kommer här min plan för samtalet. Till att börja med ville jag få undan en stor brännande fråga. Den där obekväma, hyperrelevanta frågan som alla vill veta svaret på.

Sedan vill jag zooma ut och prata om tre saker. För det första ville jag prata om vad som krävs för att organisationer verkligen ska kunna dra nytta av AI-funktioner i projektstyrningsprogramvara. Därefter vill jag gå på djupet kring hur AI-funktioner faktiskt ser ut i praktiken och hur man mäter om de verkligen fungerar eller hur de används.

Slutligen tänkte jag att vi kunde prata om den kortsiktiga och långsiktiga effekten av vissa AI-funktioner i projektstyrningsprogramvara och på andra håll, i vårt sätt att samarbeta och hur det kommer att påverka projektbaserat arbete.

Olivia Montgomery: Jag är redo. Då kör vi.

Galen Low: Då börjar vi med den heta frågan.

I din senaste forskningsrapport noterade du att 55 procent av alla köpare av projektstyrningsprogramvara nu prioriterar AI-funktioner. Det är förmodligen inte överraskande för de flesta av våra lyssnare, med tanke på pressen på företag att göra mer med hjälp av AI, men när organisationer letar efter projektstyrningsprogramvara med AI-funktioner – har de faktiskt en idé om vad de vill få ut av dem, eller följer majoriteten av dessa köpare bara någon form av krav på att göra AI-saker?

Olivia Montgomery: Det är blandat där ute. Vi drivs definitivt av lite mer av den konkurrensmässiga FOMO-känsla som chefer upplever. Det finns mycket marknadsföring, och leverantörerna skyndar sig definitivt för att fånga AI-vågen eftersom det finns en hype och efterfrågan som sprider sig, men vi rör oss långsamt mot en mer strategisk avsikt.

Med AI har den första gnistan börjat mattas av. Vi börjar se mer av vad de här verktygen faktiskt kan göra, vad de inte kan göra, hur team använder dem, när, varför och var, och vi kommer fram till de svårare frågorna. De drivs fortfarande i hög grad av denna konkurrensmässiga FOMO, och det beror definitivt på – jag vet inte om du har hört nyheterna – att utgifterna för AI-infrastruktur, maskinvara, programvara och datacenter i USA har överstigit konsumenternas utgifter.

För första gången i historien växer den amerikanska ekonomin genom AI-investeringar, genom företagsinvesteringar och inte genom konsumenternas utgifter. Det säger mycket om vart samtalet är på väg. Dessa investeringar får dessutom marknadsföringskampanjer för miljarder dollar bakom sig. Det är vad vi ser, och det är en stor drivkraft bakom den konkurrensmässiga FOMO-känslan. Många chefer och företagsledare är entusiastiska.

De hör talas om ny teknik som fungerar fantastiskt bra och vill förstås ha den. Nu börjar vi använda den och ser ungefär: ”Okej, marknadsföringen stämmer inte alltid överens med den tekniska kapacitet vi ser.” Och den tekniska kapaciteten stämmer inte alltid överens med vad era medarbetare och team har kompetens, utbildning eller vilja att göra.

Det finns alltså definitivt en bristande överensstämmelse, och det är precis där vi befinner oss. Jag är säker på att nästan alla som lyssnar känner någon form av press kring detta.

Galen Low: Jag tyckte det var intressant att du tog upp ekonomin, för jag hade inte riktigt tänkt på det. När man talar om den investeringsnivån, som överstiger konsumenternas utgifter när det gäller hur ekonomier tjänar pengar, kan man föreställa sig vilken press de här företagen utsätts för. De har investerat i infrastruktur och spenderar pengar. Jag minns att vi alla fick lära oss att molnlagring är billigt nu.

Ja, inte när det handlar om petabyte av data. Du förstår vad jag menar? Det finns en press som sipprar neråt, och om du är marknadsförare inom programvaruområdet så beundrar jag dig faktiskt, för det finns ett stort tryck att sälja så många licenser som möjligt. Organisationer har gjort enorma investeringar och får inte tillbaka pengarna just nu.

De är inte lönsamma företag just nu. De befinner sig i en investeringsfas. Det finns ett tryck att kanske till och med hitta användningsområden, eftersom vi befinner oss i ett läge där vi egentligen inte har börjat med användningsområdena. Vi tänkte: ”Det här har potential att revolutionera och förändra allt.” Bra, låt oss hitta några spikar och en hammare.

Det är ett intressant perspektiv. Det var faktiskt inte det jag trodde att du skulle säga, men det handlar om en press uppifrån som sipprar ner till: ”Okej, nu känner jag också konkurrenspress att köpa AI-förbättrad projektstyrningsprogramvara.”

Det är som att köpa en telefon utan fax 1992. Självklart behöver jag min multifunktionella toppmoderna apparat, oavsett om jag skickar fax eller inte, eftersom det är vad alla andra har. Men jag gillar tanken på att vi nu befinner oss i det skede där vi håller på att lista ut allt.

Det är okej om du har köpt AI-förbättrad programvara av något slag, för det hjälper oss att ta reda på vad vi kan göra med den. Men det kräver rätt inställning, inte ett magiskt knapptryck där vi installerar och sedan är klara.

Olivia Montgomery: Ja.

Galen Low: Då har vi löst det.

Olivia Montgomery: Precis. Vi börjar se det också.

Jag blev väldigt glad över att säkerhet i undersökningen blev den högsta prioriteringen för köpare av projektstyrningsprogramvara. Det brukar vara funktionalitet, vilket förstås är logiskt. Så att se säkerhet klättra upp till förstaplatsen för första gången är fantastiskt.

Det säger mig att teamen börjar inse att AI av alla slag ökar den möjliga angreppsytan, särskilt beroende på om man använder externa stora språkmodeller. Det är stor skillnad mellan AI-funktioner som finns i det nuvarande systemet och som precis har lanserats – till exempel hjälpsamma förslag, extra automatisk komplettering eller hjälp att bygga ett arbetsflöde bättre – och att medarbetare använder externa stora språkmodeller för att sammanställa mötesanteckningar från projekt.

Det senare är mer riskfyllt. Därför är jag verkligen glad och stolt över vår gemenskap för att säkerhet hamnade högst på listan.

Galen Low: Det där är verkligen intressant. Det säger också något om, åtminstone ur mitt perspektiv, hur snabbt mognaden utvecklas. Jag tycker att vi har varit med om många saker som stört oss inom det digitala området och tekniken under de senaste årtiondena. Vi har alltid varit långsamma med att förstå vad som är viktigt. När jag hör det tänker jag: ”Okej, integritet, datasäkerhet – det tas på allvar nu”, och det är fortfarande mycket tidigt i det stora hela.

Det är viktigt. Det säger också något om hur de använder tekniken. Jag har aldrig varit särskilt bekymrad över dataintegritet när det gäller automatisk stavningskorrigering. Jag tänkte: ”Det är förmodligen okej. Nu vet du åtminstone vad jag inte kan stava eller skriva på en pekskärm.”

Men när jag skriver in all projektinformation, kundinformation och affärsrapporter blir det mycket viktigare. Det jag gillar är att det nästan fungerar som en hastighetsbegränsare. Det är nästan som att det här är rätt tidpunkt, innan vi går för långt och för snabbt, skjuter från höften och sprider data överallt för att sedan säga: ”Hoppsan.”

Nu är det snarare: ”Ja, det här är viktigt.” Det kan också handla om konkurrens inom näringslivet: ”Jag vill inte dela all min information.” Vi hör om att bygga egna stora språkmodeller och sådant. Jag är säker på att vi kommer in på det, men det är verkligen intressant att integritet hamnade så högt på prioriteringslistan.

Olivia Montgomery: Jag vet, det är fantastiskt. Jag är så stolt över oss.

Galen Low: För mig handlar det om de grundläggande delarna. Jag undrade om vi kunde zooma ut lite, för alla organisationer är inte redo att vakna en dag och säga: ”Hej, låt oss köpa projektstyrningsprogramvara med alla AI-funktioner vi vill ha.” Ibland behöver saker finnas på plats först.

Vad behöver finnas på plats innan ett team eller en organisation faktiskt kan dra nytta av AI-funktioner i projektstyrningsprogramvara? Vilka grundläggande delar anser du hjälper team och organisationer att påskynda vägen mot AI:s avkastning på investeringen?

Olivia Montgomery: Absolut. Man behöver ta några ögonblick – vilka ögonblick som helst – för att stanna upp och fråga: ”Är vi redo? Är vi redo att göra det här?” Ja, jag är redo att köpa. Ja, jag är redo att låta företaget införa AI och se alla vinster vi kan få. Men när är vi faktiskt redo? Det finns två ganska stora överväganden som jag tycker att företag av alla typer och storlekar, inom alla branscher och på alla mognadsnivåer bör ta hänsyn till.

Det handlar om teknisk beredskap och kulturell beredskap.

När det gäller den tekniska beredskapen: har ni tillräckligt med rena och strukturerade data? Oavsett om ni använder maskininlärning för prediktiv analys eller stora språkmodeller för att hjälpa er att skapa rapporter och sammanställa data behöver AI enorma mängder data av mycket hög kvalitet för att kunna ge ett resultat som ni blir nöjda med.

Ni behöver alltså kontrollera: Har vi dessa data? Var finns de? Vilken kvalitet har de? Är vi redo att dela dem? Är de tillräckligt bra för att ge oss insikter? Ni bör granska era befintliga verktyg innan ni släpper lös AI, eftersom det kan hända att ni aktiverar överflödiga funktioner.

Ett annat verktyg kanske redan har funktionen. När ni gör en verktygsinventering kan ni också upptäcka skugg-IT som förekommer om medarbetare har rusat i förväg och kanske använder verktyg som ni inte känner till medan de arbetar för företaget. Ni vill känna till det.

Därför rekommenderar jag en fullständig granskning av hela er IT-infrastruktur och hela er miljö först, för att säkerställa att ni vet vilka appar som används och var de används. Ni behöver ha tydlighet kring hur ert ekosystem ser ut. Ni behöver också ha styrning på plats.

Innan ni ger era medarbetare de här verktygen måste ni se till att de vet vad de får, varför de får det, vad de ska göra med det och vad de inte ska göra med det. Ni behöver ha mycket tydliga riktlinjer för vilken typ av information som får delas och hur information ska delas säkert med verktygen.

I idealfallet kan ni konfigurera allt detta i bakgrunden och säga: ”Om du är i de här två systemen – det här är vår kunskapshantering, det här är vår dokumenthantering och det här är vår uppgiftshantering – så är allt säkert. Varsågoda.” Det är idealfallet, men många företag har inte kommit så långt. Ge åtminstone era medarbetare befogenheter, vägledning och tydliga riktlinjer genom policyer.

När det gäller den kulturella beredskapen kan IT-teamet och alla andra vara redo, allt kan vara säkert, och användartesterna kan vara genomförda med godkänt resultat. Men nu måste ni vara redo för nästa fråga: Kan människor faktiskt använda verktyget när de kommer till jobbet? Vet de vad de ska göra? Känner de sig bekväma med att använda det? Vill de använda det?

Den kulturella beredskapen är den andra grenen som verkligen måste utvärderas och tas med i beräkningen. Var tydlig mot medarbetarna och teamen om exakt vad ni ger dem, varför ni ger dem det och hur de förväntas använda det. Det finns utrymme att säga: ”Vi öppnar några nya leksaker för er. Vi kanske genomför ett pilotprojekt och testar dem, men vi rullar kanske inte ut dem fullt ut ännu, eftersom vi inte vet allt.”

Allt detta är tvetydigt och vi rör oss mycket snabbt. Ni bör därför inte heller förvänta er att allt ska vara perfekt kartlagt. Ni kan ge teamen arbetsflöden och policyer och förvänta er att de bara genomför dem.

Det kommer att uppstå diskussioner, stopp, omstarter och omarbetningar. Så länge ni vet att det kommer att hända och kan isolera det inom en testperiod eller ett testprojekt kommer ni att lyckas mycket bättre än om ni bara släpper lös verktygen. Era team kommer sannolikt att reagera med överraskning och frustration, och ni kommer inte att se de produktivitetsvinster som ni hoppas på.

Undvik därför alla typer av krav i stil med ”AI eller inget”. Jag tror att allt detta kan uppnås om ni är eftertänksamma och avsiktliga och rullar ut tekniken som ett test. Säg: ”Vi ska prova det här i den här isolerade miljön med lägre risk eller i det här projektet först.”

Det är verkligen viktigt att företag inte bara tar hänsyn till den tekniska beredskapen utan också till den kulturella beredskapen.

Galen Low: Jag gillar verkligen att du tog med skugg-IT i programvarubedömningen. När vi förberedde oss inför detta pratade vi om skillnaderna mellan mindre och medelstora företag och stora företag.

Vi vet att många stora företag borde ha mycket god styrning, men de är inte medvetna om att människor kanske av misstag använder sina privata ChatGPT-konton. De provar bara verktyg som är tillgängliga på webben och som ännu inte har låsts ner av IT. Jag gillar angreppssättet: ”Vi ska göra en utvärdering, och ni kommer inte att straffas. Vi behöver bara veta vad som händer.”

Vi vet att det händer och vill bygga en plan utifrån det. Det är faktiskt bra att alla experimenterar och springer i förväg. Men ja, låt oss sätta några skyddsräcken på plats. Låt oss inte kväva det, men låt oss säga att vi kanske behöver vissa parametrar och ett begränsat pilotprojekt.

Vi behöver kanske inte försöka förändra hela organisationen med tusentals medarbetare på en gång. Samtidigt vill vi inte ha små sandkorn där alla gör olika saker och där vi aldrig kan dra nytta av det som helhet. Jag tycker att det knyter an direkt till den kulturella beredskapen.

Det handlar om att skapa förväntningar åt båda hållen. Det du sa som fastnade hos mig var: ”Vet människor vad de ska göra med verktyget när de kommer till jobbet på morgonen?” Jag har sett många organisationer göra antaganden. Det finns mycket dömande kring människor som inte börjar använda verktygen, och jag ser många adoptionsdiagram som människor rynkar på näsan åt.

De säger: ”Vi lanserade något, men användningen är fortfarande oförändrad. Varför förstår de här människorna inte?” Men jag tror att den kulturella beredskapen, förändringsledningen, utbildningen och själva samtalet går hand i hand med den tekniska beredskapen och frågan om människor faktiskt kommer att använda verktyget.

Olivia Montgomery: Precis. Ni vill inte hämma era medarbetare. Ni vill att de ska känna sig stärkta och kunna lösa problem. Företagskulturen bör redan ha en uppfattning om huruvida ni vill slå på saker och förhoppningsvis identifiera avancerade användare – personer som ni tror kommer att lyckas och som är villiga och entusiastiska inför att prova nya verktyg.

Låt dem leka med verktygen och lista ut vissa saker medan ni formaliserar era policyer och planer. Rulla sedan ut dem till de andra teamen som kanske rör sig lite långsammare eller är mer motvilliga, och försök samla alla genom nyfikenhet och en vilja att föra verksamheten framåt.

Din poäng om att inte inta en bestraffande hållning är verkligen viktig. Så snart medarbetare känner att det kommer att finnas ett negativt stigma kring dem – att de kanske betraktas som ovilliga att ta till sig nya idéer – kommer varje antydan till en bestraffande kultur att få dem att stänga ner.

Då börjar medarbetarna dölja saker. De tar inte upp problem, och ni kommer att lida av det och fastna. Undersökningen visar att användning är den största utmaningen vi ser. Det beror ofta på bristande tydlighet och brist på ett samtal i båda riktningarna.

Alla bör dela idéer och erfarenheter. Det här är mycket nytt, och hur varje företag kommer att använda tekniken är olika. En särskilt unik sak med AI är att den påverkar alla avdelningar och branscher ungefär samtidigt.

Det är inte bara en viss yrkesgrupp som påverkas. Det gäller också projektledare, ingenjörer och alla andra. Alla har nu möjligheter som de kan använda för att förstärka och förbättra sitt arbete. Det har vi inte riktigt sett tidigare, bortsett från när allt flyttades till digitala datorer.

Hela företaget exponeras nu för AI och ser tekniken på mycket olika sätt. All tydlighet ni kan ge människor kring hur de ska använda verktygen säkert och effektivt, tillsammans med ett icke-bestraffande förhållningssätt, är mycket viktigt.

Galen Low: Jag gillar det. Det är så nytt att det måste vara en dialog, och det är på sätt och vis hela poängen med den kulturella beredskapen. Jag inledde podden med tanken att människor kanske köper programvara utan att veta vad de vill ha ut av den, och kanske beror det på att de faller för hypen och försöker förbli konkurrenskraftiga.

Ibland tror de att de måste tala om exakt vad människor ska göra med verktyget. Men det du säger är: ge dem några skyddsräcken, men tala om att det är okej att experimentera och dela med sig. Vi håller på att lista ut det här tillsammans.

Det är inte nödvändigtvis ett krav utan strategi. Strategin är att ta det steg för steg. Det vore orealistiskt att förvandla hela verksamheten över en natt bara på grund av AI. Det handlar verkligen om att ha en dialog med alla och skapa tydliga förväntningar.

Olivia Montgomery: Precis. Ju bättre ni får ordning på den tekniska beredskapen, desto bättre relation kan ni ha med leverantören, särskilt när det gäller projektstyrningsprogramvara. Det kan handla om ett befintligt verktyg som rullar ut AI-funktioner eller om att ni letar efter ett nytt verktyg eftersom det erbjuder fler AI-funktioner.

Om ni har teknisk beredskap och kan säga: ”Vi har arbetat med leverantören och vårt IT-team. Vi vet att datahanteringen är där vi vill att den ska vara. Vi förstår att detta kommer att vara säkert och skyddat”, då kan ni slå på funktionerna och låta teamen prova dem, kanske avdelning för avdelning, projektledare för projektledare eller portfölj för portfölj beroende på företagets storlek.

Ni kan säga: ”Vi har slagit på allt. Det är säkert och ni kan inte förstöra något. Rulla ut det med era team i den takt som fungerar.” Ni känner era team och projekt. Allt på den tekniska sidan är säkert. Nu kan ni hjälpa teamen med den kulturella beredskapen, och det kan hjälpa mycket med användningen.

Galen Low: Jag gillar verkligen det. Jag undrade om jag kunde plocka upp något du sa. Vi har pratat om datasäkerhet och styrning, liksom om olika företagsstorlekar och behov. Hur varierar datasäkerhet och styrning mellan organisationer av olika storlek? Har mindre och smidigare organisationer ett försprång framför försiktiga stora företag, eller kanske inte?

Olivia Montgomery: Mitt favoritsvar är att det är blandat.

Det finns fördelar och nackdelar samt styrkor och svagheter på båda sidor av skalan. Större organisationer har styrkan att de har mycket mer data och mycket mer historiska data. Datan underhålls förmodligen bättre, deras policyer för datahygien är förhoppningsvis bättre och de har sannolikt en mycket bättre bild av hur ekosystemet ser ut, hur ofta teamen använder verktygen och hur de använder dem.

De har förmodligen mer av den grund som kan göra AI mer effektiv och framgångsrik när de är redo att börja använda den. Den andra sidan är att mindre företag kanske inte har lika mycket data och att deras policyer för datahantering inte är lika mogna, men de kan vanligtvis byta verktyg mycket snabbare.

De kan byta projektstyrningsverktyg mycket snabbare än exempelvis en stor bank. De kan prova nya saker, se vad de vill ha och snabbt utnyttja den senaste tekniken, samtidigt som de förbättrar den tekniska beredskapen och datakvaliteten bakom den.

Det finns alltså definitivt för- och nackdelar med båda. Att ha en realistisk förståelse av dessa fördelar och nackdelar och veta hur man hanterar dem kan vara den framgångsrika vägen framåt för båda sidor. Det är inte så att AI bara är bra för stora företag eller bara för små företag. Den är användbar över hela linjen.

Men hur den ser ut och vilka utmaningar ni kommer att möta kan vara ganska olika på grund av storleken och mognaden.

Galen Low: Har du några berättelser eller exempel från personer du har pratat med när du sammanställde rapporten eller från branschen i övrigt?

Olivia Montgomery: Från branschen? Vill du höra mina branschhemligheter?

Galen Low: Kan du avslöja något? Kom igen.

Olivia Montgomery: Oavsett om företagen är stora eller små, vilken storlek eller bransch de tillhör och var de befinner sig kulturellt, går det tillbaka till att se till att man är redo och förstår att teamen vill lyckas för företagets skull. Ju tydligare ni kan vara med era förväntningar och skyddsräcken, desto mer framgångsrika kommer ni att bli.

Företag som bara säger ”använd AI” och varje dag kontrollerar om du har loggat in, följer användningen och låter chefer få rapporter – det händer absolut. Jag har vänner och familjemedlemmar som berättar att de får sådana krav.

Det finns ledare som tyvärr intar en mer bestraffande hållning: ”Vi köpte det här verktyget för mycket pengar, och varje dag behöver 95 procent av alla vara inloggade i minst tio minuter.” Alla får individuella kvoter och de håller verkligen fast vid dem. De försöker mäta avkastningen på investeringen genom nyckeltal som användning, och vi är inte redo för det ännu.

Jag känner inte till något företag som är redo för det. Vi befinner oss fortfarande i fasen där vi ska göra tekniken säker och hjälpa människor att förstå hur de kan använda den effektivt. Därefter kan vi gå vidare till granskning och kontroll av inloggning.

Jag tycker att det är bra att granska användningen. Jag säger inte att man inte ska göra det, eftersom man kan upptäcka att ett helt team inte har loggat in och då ta reda på varför. Om ett team har loggat in och använt verktyget varje dag i en månad men användningen sedan sjunker, kan man följa upp och ta reda på varför.

Men använd inte dessa granskningar som ett mått på avkastningen på investeringen. Använd dem för att förstå hur effektiv användningen är.

Galen Low: Det är en bra och tydlig skillnad mellan att använda data för att fatta beslut och vägleda människor och att använda data för att straffa och övervaka dem.

Det får mig att tänka på tidsregistrering. Det kommer hela tiden upp i min gemenskap, särskilt bland personer som arbetar på byråer, konsultföretag och inom professionella tjänster. En del av det handlar om att man inte har registrerat tillräckligt många timmar och att beläggningsgraden inte är tillräckligt hög. Är man ens värdefull som människa?

Eller så frågar man: ”Hur använder vi vår tid, och är det rätt plats att lägga den på?” Om vi inte lägger tiden på viktiga saker, vad kan vi göra åt det? Vad är orsaken och vad kan göras? Det är så intressant. Jag tänker också på krav på återgång till kontoret. Människor och organisationer är ofta dåliga på att mäta påverkan och få med sig människor.

Det finns alltid någon form av kvot och ett straff om man inte gör det ena eller det andra. Även när målet egentligen är gott – att människor ska kunna utforska och använda de här verktygen – kan det uppfattas som att vi kommer att straffa dem om de inte loggar in i dag.

Olivia Montgomery: Absolut.

Galen Low: Det du sa om kulturell beredskap visar hur viktigt det är, liksom hur viktigt data- och styrningssidan är och hur de hänger ihop. De här sakerna måste finnas på plats innan man faktiskt kan gå vidare.

Olivia Montgomery: Ja, och när det gäller tidsregistrering skulle vi kunna göra ett helt avsnitt om det, särskilt eftersom jag själv arbetar med kunskap. Hur ska man kunna registrera allt? Så mycket värdefullt arbete utförs under promenader. Det finns den typ av arbete där jag sitter och skriver och det är uppenbart arbete.

Men det mer värdefulla arbetet – för mig som kunskapsarbetare och för projektledare överallt, för alla som löser problem på jobbet – är när jag går och bearbetar informationen jag har. Då får jag plötsligt en insikt. När jag sedan sätter mig och skriver går det mycket snabbare och kvaliteten blir högre.

Vi tenderar att bara registrera tiden framför datorn. Men hur registrerar vi den verkligt användbara tiden som tillbringades någon annanstans? Jag hoppas att AI så småningom kan hjälpa oss med det i projektstyrningsverktygen.

En av de mer spännande aspekterna jag ser inom projektstyrningsverktyg är resursfördelning. Det har funnits AI-automatisering länge. Många AI-drivna verktyg är egentligen mer avancerad automatisering, med många om–så-satser som vi har haft i CRM-system sedan 1990-talet. Det är inte nödvändigtvis nytt, men det har fått mycket mer kraft på senare tid.

När du skapar projektplanen och har din grupp med resurser är en av projektledarens viktigaste uppgifter att hitta rätt recept för projektet. Vem ska snart ha semester? Vem har den kompetens jag behöver? Vem vill jag kompetensutveckla? Vem kan ta lite längre tid på sig eftersom uppgiften är ny, men samtidigt utvecklas? Jag behöver också få vissa saker gjorda snabbt. Vem litar jag på kan göra jobbet snabbt och med hög kvalitet?

Allt det måste vägas samman. Vi ser att AI, maskininlärning och prediktiva funktioner blir mycket bättre på detta. Vi ser också verktyg som tar hänsyn till den där mer svårfångade tiden.

Om någon ska gå på semester kanske man inte ska ge dem de mest kognitivt krävande uppgifterna veckan innan. Man kan ge dem uppgifter med fokus på dagligt genomförande. När de kommer tillbaka är de mer utvilade, och då kan de få uppgifter med högre risk som kräver mer djupgående arbete.

Vissa verktyg blir också avancerade nog att förstå att en person arbetar mycket bra i tre veckor med individuellt djupgående arbete och sedan behöver en paus. Då kan man ge personen en vecka med uppgifter på högre nivå som är annorlunda, kanske mer samarbetsinriktade.

Att ta hänsyn till den mänskliga sidan är oerhört komplicerat och svårt för en projektledare när alla delar ska kombineras till ett perfekt recept. AI hjälper definitivt till med detta, och vi ser mer och mer av det.

Jag är entusiastisk för allas skull, eftersom så många projektuppgifter och tidsfrister misslyckas med att ta hänsyn till sådant. Ibland finns det inte heller utrymme att erkänna att vi är människor och inte maskiner.

En maskin kan göra det arbete man säger åt den att göra. Den kanske förstör moderkortet, men då köper man bara ett nytt. Det vill vi inte göra med människor. För att ge intressenter och verksamhetsägare realistiska förväntningar behöver man en realistisk tidslinje och en realistisk arbetsfördelningsstruktur.

Allt detta måste spegla den faktiska kapaciteten och verkligheten så väl som möjligt. Jag är verkligen glad över att AI kan hjälpa oss att komma dit.

Galen Low: Jag älskar resursfördelning som exempel eftersom det är så tydligt mänskligt. Det belyser precis det du säger: människor är inte maskiner.

Vi befinner oss kanske vid höjdpunkten av den mer traditionella industrialiseringen, där vi gjorde människor till maskiner och behandlade dem som maskiner eftersom vi behövde enhetlighet. Stämplade personen in klockan nio och ut klockan fem? Det är mätbart, och den datan kan jag förstå.

Allas arbetsstil, den svårfångade tiden och allt sådant kräver mer kapacitet än vi har haft. Låt oss inte ens tänka på det. AI ger oss en möjlighet att ifrågasätta våra antaganden om arbete, men ännu mer än så ger den oss möjlighet att ifrågasätta vilka villfarelser vi faktiskt har skapat kring arbete.

Vi har tänkt: ”Det där är för svårt. Låt oss bara se till att alla kommer till kontoret vid en viss tid och stämplar sina timmar.” Vi gör årliga prestationsbedömningar och frågar en gång om året hur människor mår och vad som kan bli bättre. Det är all kapacitet vi har.

Exemplet med resursfördelning visar hur maskiner faktiskt kan hjälpa oss att se vår egen mänsklighet i arbetet, särskilt kunskapsarbetare. Jag blir entusiastisk eftersom det knyter ihop allt: data, kulturell medvetenhet, användningsområden och frågan om vad vi faktiskt ska göra med verktygen varje dag.

Det handlar också om hur arbetet faktiskt förändras, inte bara uppgiften utan själva synen på arbete och hur vi tar oss an det.

När vi förberedde oss talade vi om hur spelplanen jämnas ut. Du nämnde tidigare att AI förändrar och påverkar alla på alla avdelningar i en organisation. AI blir lite av en utjämnare, något som gör teknik och affärsverksamhet mer inkluderande och tillgänglig.

Vilka kortsiktiga och långsiktiga effekter kan AI-funktioner, till exempel integrerad kodning med naturligt språk eller automatiserade arbetsflöden, få på hur arbetet utförs?

Olivia Montgomery: Det är oerhört spännande. Jag börjar med den närmaste framtiden. När ChatGPT och de här stora språkmodellerna kom såg vi att projektledare och personer utan teknisk bakgrund kunde prata med datorer på sätt som datorerna förstod bättre.

Det är mycket mer friktionsfritt än tidigare. Jag blir nästan överväldigad av att se att mina föräldrar kan prata med en stor språkmodell och få saker gjorda som de aldrig tidigare kunnat göra med en dator.

De stora språkmodellerna kan till och med hantera ofullständiga meningar och stavfel i uppmaningar. Tidigare var man tvungen att vara exakt när man skrev kod eller gjorde databasfrågor. Nu finns det mycket större utrymme tack vare att behandling av naturligt språk kombineras med stora språkmodeller som tränats på enorma mängder data.

Det här är första gången vi har datorer som kan bygga och utveckla många saker samtidigt som en människa kan prata med dem på ett mycket enklare sätt. En projektledare utan teknisk bakgrund kan gå in i projektstyrningsverktyget och skriva: ”Ta projekt A och ge mig en arbetsfördelningsstruktur som löper till årets slut.” Verktyget svarar som en lagkamrat.

Man måste förstås kontrollera resultatet. Vi har alla använt sådana modeller och sett dem göra misstag. Man säger: ”Där gjorde du fel”, och modellen svarar: ”Du har helt rätt.” Men det faktum att vi kan prata med en dator och få effektiva resultat är fantastiskt.

Vi kan bygga arbetsflöden. Det tar trenden med kodning utan kod och med lite kod, som har funnits länge, och gör den mycket enklare. Det är mycket spännande.

Men det väcker också varningsflaggor. Vi kanske förlitar oss på framväxande förmågor hos verktygen utan att marknadsföringen tydligt säger att det är just framväxande förmågor.

Jag vill fokusera på stora språkmodeller eftersom de har störst kortsiktig påverkan. Vi använder dem för att sammanfatta information, samla in datapunkter och analysera dem. Allt detta är framväxande förmågor.

Modellerna är egentligen avsedda att skapa text eller bilder i mänsklig form. De förutsäger statistiskt ordens ordning utifrån stora mängder information. De vet inte vad ”sammanfatta” betyder. De vet inte ens vad själva ordet betyder på det sätt vi gör.

Jag är ingen datavetare, så kom inte efter mig om ni bygger era egna stora språkmodeller. Men beroende på tokenisering kan ett ord brytas ner i flera delar. En människa vet vad ”frånkoppling” betyder. En språkmodell kanske bryter ner det i flera token och använder dem utifrån statistiska mönster.

Det finns en stor skillnad mellan hur en språkmodell behandlar ett ord och hur en människa förstår det. Det är där min bakgrund inom engelsk litteratur och språkstudier blir relevant. Jag ser hur allt blandas ihop, och det får följdeffekter.

Låt oss ta ett konkret exempel. Du är projektledare och ska göra en stor statusuppdatering för verksamhetsägaren. Du behöver samla in status från alla håll. Du hämtar information från projektstyrningsverktyget och kanske från röstmeddelanden.

Du lägger ihop allt i en stor språkmodell och ber den hjälpa dig att förstå vad som händer så att du kan ge verksamhetsägaren en fullständig status. Det låter bra, men vi får höra av andra att det är fantastiskt, och jag säger att det inte är fantastiskt.

Språkmodeller förändrar informationen du ger dem. De tar ofta bort känsloladdade ord, känslan av brådska och nyanser. Ibland tar de bort hela delar av det du bad dem titta på. Språket blir nästan alltid mjukare och de känslomässiga signalerna försvinner.

Anta att du har ett röstmeddelande där din chef säger att det nya leverantörsavtalet har fastnat hos juridikavdelningen, att han har svårt att få tag på dem, att ni inte kan gå vidare innan ni får ett juridiskt svar och att han är orolig.

I statusrapporten kan det då stå: ”Leverantörsavtalet befinner sig i slutfasen.” Det är inte fel. Det befinner sig i slutfasen, men det är en frustrerande och konfliktfylld slutfas. Den aspekten missar du.

Du kanske inte ens lyssnar på röstmeddelandet eftersom du ger transkriberingen till språkmodellen och förväntar dig att den ska hantera allt. Då missar du frustrationen. Du delar inte den med verksamhetsägaren, följer inte upp med chefen och försöker inte undanröja hindret. Du tänker bara: ”Det är i slutfasen. Bra.”

Det händer ofta, så man måste verkligen vara uppmärksam. Språket kommer nästan alltid att mjukas upp. Modellen kan hallucinerar, och hallucinationsfrekvensen är fortfarande mycket hög även i egenutvecklade system.

Projektledare måste förstå att sannolikheten är hög och att ansvaret ändå faller tillbaka på dem. Verktygen vet inte vad ”sammanfatta” betyder. De försöker bara ge dig det de tror att du vill ha.

Galen Low: Jag hade inte riktigt tänkt på hur känslomässigt innehåll kan försvinna och vilken påverkan det kan få. Det finns en skillnad mellan att lära sig språk och att tränas på språkdata.

De stora språkmodellerna är mycket övertygande. Vi pratade om att jämna ut spelplanen, och alla tänker ungefär: ”Den är lika smart som en människa eftersom den svarar som en människa.” Den gör dessutom misstag som en människa. Men den är inte mänsklig.

Man kan se var hallucinationerna kommer ifrån, token för token och process för process. Modellen kan lätt ledas åt fel håll utifrån begränsad information, begränsad träning och sammanhang. Det gäller även det känslomässiga innehållet.

En stor del av projektledarens roll är att uppfatta nyanser och hantera eller omdirigera känslor. Vi sammanfattar inte bara genom att korta ner saker. Vi förändrar också känslorna längs vägen. Vi kanske skyddar teamet från en persons frustration, men samtidigt ser till att de förstår att situationen är brådskande.

Det är fascinerande och skrämmande att det känslomässiga helt kan saknas i projektstyrningsprogramvaran. AI är framväxande, inte perfekt. Det här är början, inte slutet, och vi måste ta hänsyn till det i vårt arbetssätt.

Olivia Montgomery: Ett sätt för projektledare att begränsa problemet är att kontrollera alla indata. Vi vet att vi måste göra det, men jag tror inte att det sker tillräckligt ofta eftersom marknadsföringen säger att verktygen är bra på detta.

Om man håller sig till själva skapandet är det förmodligen säkrare. Företag med mycket avancerade team kan förbättra tillförlitligheten genom att träna modellen på stora databaser och lägga in många om–så-regler.

Men systemen är fortfarande svarta lådor. Även de som utformar dem säger att de inte alltid vet varför modellen kan sammanfatta text. Det är skrämmande för mig.

Smarta förslag i ett projektstyrningsverktyg är mindre skrämmande. Om du samlar in användarkrav och får en uppmaning som hjälper dig att komma förbi den tomma sidans ångest är det fantastiskt. Låt modellen skapa det första utkastet.

Det är så jag tänker kring stora språkmodeller: de är generativ AI, så jag låter dem skapa ett första utkast. Där är de effektiva och ganska bra. Men allt utöver den förmågan är fortfarande framväxande. Det är inte testat och bevisat, och vi vet inte alltid varför det fungerar.

Var försiktig, men var inte rädd. Ångesten inför en tom sida är mycket värre än en hallucination från en AI. Åtminstone får det igång arbetet.

Jag skulle inte förlita mig på AI för hela statusrapporten. Man kan skriva sin egen statusrapport och be modellen anpassa den till verksamhetsägaren och sedan till teamet. De grupperna behöver olika information och olika aspekter av informationen.

Men lita inte helt på modellen. Den är övertygande eftersom den har utformats för att vara övertygande. Den låter säker med flit, inte för att den faktiskt vet eller kan göra allt du ber den om.

Galen Low: När vi går igenom detta blir det tydligt varför användning var en av de största utmaningarna i rapporten. Det finns krav på att bara göra AI, och människor vet inte vad som förväntas av dem.

Vi har inte alltid dialogen om hur tekniken fungerar, vad vi vet och inte vet och hur vi bör använda den. Jag undrar om vi kan titta längre fram. Vi har pratat om generativ AI, men den stora frågan de senaste månaderna har varit agentisk AI och agentiska funktioner som tar sig in i projektstyrningsprogramvaran.

Vad innebär det för framtiden?

Olivia Montgomery: Jag är väldigt entusiastisk över framtiden. Nu är det lite kaotiskt, men framtiden ser spännande ut. Agentisk AI betyder olika saker för olika människor. Förhoppningsvis definierar ert IT-team och leverantören exakt vad det betyder för er.

Om någon marknadsför agentisk AI som helt färdig bör ni vara mycket kritiska och undersöka de tekniska detaljerna. Vi är inte riktigt där ännu.

Agentisk AI innebär att systemet kan fatta beslut och utföra uppgifter genom ett ganska komplicerat flöde. Idealt skulle man kunna säga: ”Boka en familjesemester till Grekland i oktober.” Systemet skulle kontrollera kalendrar, förhandla fram bästa pris på hyrbil, hitta flyg och utföra allt som en personlig agent.

Det är spännande, och jag hoppas att vi kommer dit. Naturlig språkbehandling gör det möjligt för personer utan teknisk bakgrund att prata med datorer och skapa automatiseringar utan kod eller med lite kod.

I dag kan vi bygga arbetsflöden i projektstyrningsverktyget, men de går kanske inte över till CRM-systemet, e-post, kalendern och andra system. Det kommer förhoppningsvis att förändras, och då närmar vi oss agentisk AI.

Det du säger om att boka en familjesemester är också en form av kodning med naturligt språk. Man använder vanliga ord som uppmaning, och datorn bygger den logik som behövs.

Det handlar inte om en ”vibe” i betydelsen stämning. Det handlar om att använda vardagligt språk. Men logiken bakom något så enkelt som att boka en resa är enormt komplex.

De flesta har bokat en familjesemester och vet att det är komplicerat. Att lämna över det till en dator är spännande, men också fullt av risker. Samma ord betyder inte alltid samma sak för alla. Även om du anger vilka fyra personer som ska bjudas in kan AI:n inte alltid bekräfta att de verkligen vill följa med.

Det finns mycket sammanhang, nyanser och känslor som kan gå förlorade. Det kommer att kännas bra när uppgiften utförs omedelbart, men när du åker på semestern som AI:n bokade kan du få en intressant upplevelse.

Galen Low: Det är som att sätta sig i en självkörande Waymo i dag. Det är delvis beprövat, men fortfarande lite av en chansning.

Olivia Montgomery: Ja, absolut. Det finns mycket partiskhet och oväntade saker. Om AI:n känner mig och mina preferenser och jag brukar planera familjesemestern kanske den bokar historiska museer och museer för modern konst.

Den kanske säger: ”Nu ska vi gå till järnvägsmuseet.” Jag är den enda som vill göra det. Familjen vill inte, men AI:n försöker göra mig nöjd.

Vi måste fortsätta kommunicera och ifrågasätta. Vi måste förstå att systemen inte är perfekta och ta marknadsföringen med en nypa salt. Ställ djupare frågor och förstå vad verktygen faktiskt gör.

Glansen börjar mattas av. Alla säger kanske att AI är fantastisk på att läsa godnattsagor, men den förstörde min statusrapport och fick mig att verka frånkopplad från projektet eftersom jag förlitade mig för mycket på den och överlät en del av mitt tänkande och min problemlösning till den.

Det kräver en kontinuerlig och kritisk dialog.

Galen Low: Det är intressant att agentisk AI inte riktigt är här ännu. Vissa kanske säger att den är det, men alla skulle nog hålla med om att det fortfarande är tidiga dagar.

Det handlar inte bara om teknikens utveckling utan också om hur vi tränar systemen och ger dem sammanhang. Det är en konst i sig. Vi har ännu svårt att lita på att AI ska fatta beslut om betydelsen av ett ord eftersom den inte har tränats med all den nyans som mänsklig kommunikation innehåller.

Potentialen finns, och det målar upp en bild av hur arbete kan se ut om fem eller tio år. Det är rörigt just nu, men det skapar utrymme för de mer svårfångade sätt som vi arbetar på.

Det finns ekonomiska investeringar på infrastruktur- och regeringsnivå som sipprar ner till företags- och teamnivå. Användarna pressas att använda AI, logga in varje dag och dela kunskap.

För att allt detta ska fungera krävs rätt skyddsräcken, data, integritet och säkerhet. Det kräver också mänskliga parametrar: vad som förväntas av oss, vad vi ska göra med verktygen och hur vi kan stödja varandra genom dialog.

Det är större än projektstyrningsprogramvara. Vi började med projektstyrningsprogramvara, men jag älskar vart vi hamnade. Det är en mikrokosmisk bild av arbete, projekt och den programvara vi använder.

Olivia Montgomery: Jag tror att projektledarrollen ofta attraherar människor som tänker dynamiskt. De tycker om att tänka både på helheten och på detaljerna. De har ofta mycket av det sammanbindande tänkandet: ”Jag löste ett personligt problem på det här sättet och kan ta med mig det till arbetet.”

Projektledare är exceptionellt bra på det, och inte många andra roller i näringslivet fungerar på samma sätt. Förhoppningsvis uppskattar de också att lingvistik och makroekonomi påverkar hur man använder de här verktygen.

Förhoppningsvis fördjupar sådana samtal förståelsen av vad man ser i verktygen: ”Varför blev det där fel? Varför hoppade det över det jag bad om?” Sådana samtal hjälper människor att förstå varför det händer, varför det är rimligt att ifrågasätta och vad man kan göra åt det.

Galen Low: Jag måste verkligen framhäva att projektledare är bra på det. Fantastiskt.

Olivia, tack så mycket för att du tog dig tid att prata med mig i dag. Jag har haft väldigt roligt. Det är alltid fantastiskt att ha dig i programmet. Jag nämnde i början att du precis har publicerat din rapport, Capterras undersökning om trender inom projektstyrningsprogramvara 2025.

Var kan människor läsa den?

Olivia Montgomery: Den finns på capterra.com. Ni kan läsa den där. Ni kan också följa mig på LinkedIn under Olivia Montgomery. Jag försöker regelbundet publicera min forskning, mina tankar, idéer och insikter där.

Galen Low: Fantastiskt. Jag lägger även länkarna i programanteckningarna.

Olivia, tack igen. Det är alltid ett nöje.

Olivia Montgomery: Tack så mycket.

Galen Low: Det var allt för dagens avsnitt av podden The Digital Project Manager. Om du uppskattade samtalet, prenumerera där du lyssnar. Om du vill ha ännu fler praktiska insikter, fallstudier och handlingsplaner kan du gå till thedigitalprojectmanager.com.

Tills nästa gång – tack för att du lyssnade.