Så låser du upp förutsägbar tillväxt med datadriven resursstyrning möjliggjord av generativ AI

Läs transkriberingen:

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

Galen Low: Välkomna till vår paneldiskussion om hur man använder data och AI som en kristallkula för resursplanering. Och för att inte överdriva det ska vi debattera frågan. Vi ska gå på djupet och ta reda på vad det egentligen handlar om. Det här är något vi tycker om att göra varje månad tillsammans med våra medlemmar och VIP-gäster.

Det är ett sätt att ha direkt kontakt med experterna och personerna som bidrar till och samarbetar med oss här på The Digital Project Manager. För er som inte känner mig heter jag Galen. Jag är grundare och medgrundare av The Digital Project Manager och dessutom er värd i dag. Ni får alltså stå ut med mig en stund, men jag har också med mig en fantastisk grupp av några av de främsta experterna på byråverksamhet som jag känner till — Ann Campea, Marcel Petitpas och Grant Hultgren.

Resursplanering är ett enormt populärt ämne i byråvärlden och, ärligt talat, i många organisationer. Jag tror att det finns en bra anledning till det: att inte ha rätt resurser tillgängliga för att leverera viktiga program och initiativ är en stor risk som kan äventyra möjligheten att nå era mål, och det kan till och med äventyra jobben för dig och dina kollegor i organisationen.

Jag tror att det är därför resursplanering sker på så många olika nivåer inom en organisation, från att ha rätt teammedlemmar i projekten till att ha rätt kompetens och talang för att få arbetet att fungera. Men när det gäller att förutsäga framtiden gör vi människor i bästa fall en kvalificerad gissning och i värsta fall rosenskimrande, överdrivet idealiserade antaganden.

Ibland antar vi att Surrender får en uppgift klar lika snabbt som Kathy skulle ha gjort om hon inte hade blivit oväntat sjukskriven. Ibland antar vi att Kelvin kan arbeta med åtta olika projekt åtta timmar om dagen utan att förlora någon tid på att växla mellan sammanhang. Och ibland antar vi att Elena och Leila måste ha samma arbetspreferenser, kunskapsnivåer och förståelse för arbetet eftersom de har samma jobbtitel.

I slutändan är resursplanering svårt, och det är svårt eftersom det vanligtvis omfattar variabler som vi inte kan kontrollera, nämligen människor. Vårt arbetssätt för resursplanering har kanske inte utvecklats särskilt dramatiskt under de senaste årtiondena, åtminstone inte ur mitt perspektiv, men tekniken har gjort det. Därför började jag fråga mig: med tanke på alla verktyg vi använder och all data vi samlar in, skulle vi inte kunna använda den för att göra bättre uppskattningar av våra resurser och vad som kommer att hända i framtiden i våra projekt, initiativ och mål? Det är det vi ska utforska i dag.

Och ärligt talat tänker jag börja med den största och bredaste frågan, som gäller alla mina paneldeltagare: när alla dessa organisationer blir alltmer datacentrerade och generativ AI finns med i bilden — varför är inte resursplanering och resurshantering redan helt automatiserade?

Marcel, jag kanske börjar med dig. Jag sätter dig på heta stolen.

Marcel Petitpas: Absolut. Det enkla svaret är att data är rörig och människor är oförutsägbara. Det är oerhört spännande vad generativ AI kommer att kunna göra när det gäller att hjälpa oss att skapa värde och tolka data, men det underliggande antagandet — och det är det som alltid stör mig i varje demonstration vi ser från företag inom generativ AI som säger: ”Titta, du kan automatisera rapporteringen” — är att man matar in helt ren och konsekvent strukturerad data med ett tydligt schema och konsekventa namnstandarder, utan misstag eller avvikelser.

Då kommer generativ AI naturligtvis att kunna svara på frågor om datan och bearbeta den snabbare än en människa. Jag tror därför att det verkligt spännande är att vårt sätt att interagera med data definitivt kommer att förändras.

Jag tror att vi om tio år kommer att se tillbaka och tycka att det känns ålderdomligt att klicka oss igenom en tabell, använda filter och sortering för att komma fram till den visualisering vi vill ha. Men det problem som inte försvinner är att man behöver bra och ren data för att AI ska kunna ge oss den typen av resultat.

Den olyckliga verkligheten är att vi som produkt- och verksamhetsansvariga arbetar med datamängder som skapas av människor, och därför kommer de oundvikligen att vara ofullständiga. Vi måste planera för det när vi utformar våra processer och datasystem.

Galen Low: Där satt den. Jag älskar det förtydligandet om hur ren data behöver vara. Senare kommer vi nog in på datakompetens: vad betyder det i dag och vem behöver ha den? Spoiler: troligen alla.

Ann, vill du bygga vidare på varför resurshantering inte fungerar enklare i dag trots all teknik vi har?

Ann Campea: Först och främst, utifrån det Marcel just sa: det handlar om att få bra data. Och det finns en mänsklig faktor bakom försöken att samla in den. Enligt min erfarenhet bygger vi verktyg och känner att vi har rätt rapportering på plats och att vi tittar på rätt mätvärden, men sedan går man tillbaka till själva datan. Att få bra data är ungefär som att försöka fånga blixten i en flaska, eller hur?

Det är svårt. Ibland är datan opålitlig eftersom den mänskliga faktorn är invävd i den. Människor är fantastiska, men de är också fantastiskt oförutsägbara. I exemplet du gav i början kanske Susie har 50 projekt som hon försöker få ur sig under en vecka, medan Joe behövde ta tre dagars ledigt eftersom han inte mådde bra.

Han hann med lite färre projekt än Susie. Hur fångar man verkligen den mänskliga delen av det som händer i datan när det gäller tidsregistrering, projektens komplexitet och personalens förmåga att leverera? Alla arbetar lite olika.

Jag tycker därför, för att bygga vidare på det Marcel sa, att man först måste få bra data och sedan bygga teknik och AI kring den. Jag vill också lägga till ett exempel: jag har arbetat i organisationer där man hanterar gammal teknik och ny teknik. Nu lägger man dessutom AI ovanpå allt detta.

Hur ser man till att allt fungerar bra tillsammans och samtidigt behåller människan i loopen?

Galen Low: Jag älskar det.

Och det knyter an till det du sa i början, Grant, eller hur? Verktyget är inte den magiska lösningen. Det finns andra variabler. Det här kanske är en bra övergång från ”okej, det här är komplicerat”.

Varför är det inte enklare? Jo, på grund av ren data och människor. Då uppstår frågan: vilken data borde vi samla in? Jag vet att det förmodligen finns en enorm mängd, men Grant, ur ditt perspektiv — vilka datapunkter behöver en byrå eller egentligen vilken organisation som helst samla in för att kunna planera resurser mer korrekt?

Finns det något som inte är traditionellt, kanske kontroversiellt, när det gäller den här typen av data?

Grant Hultgren: Jag tycker att övergången handlar om vad man litar på. Som byråägare, när du börjar den resan, eller kanske när du börjar arbeta på byrån, tänker du ofta: ”Jag kan göra det bättre än företaget jag kom från eller personen jag arbetade med tidigare.” Men det innebär ofta att man definierar saker lite annorlunda.

Plötsligt definierar vi olika datapunkter på olika sätt. Marcel skulle nog säga att vi inte behöver definiera dem annorlunda. Man kan använda sin egen terminologi, men egentligen talar vi om samma saker.

När man tittar på centrala nyckeltal håller jag absolut med. Ur vårt perspektiv som företag inom programvara som tjänst tittar man på intäkter per fakturerbar medarbetare och intäkter per anställd. Man tittar på marginalerna på projektnivå jämfört med resultatet på kvartals- och årsbasis, inklusive omkostnader och fullt belastade kostnader.

Det finns många gemensamma nämnare där. Men när man tittar särskilt på sidan för digital projektledning är allt en del av ett ekosystem som påverkar dessa övergripande nyckeltal. Det finns flera verktyg, som Ann sa, vissa från 1990 och andra betydligt modernare.

Det är där det blir en utmaning. Framför allt handlar det om huruvida vi litar på att våra interna system är tillräckligt tillförlitliga för att AI-modeller ska kunna fatta beslut och ge optimala resultat.

Jag tycker inte att vi är där ännu. Därför är människor så viktiga. Ingen kommer att hålla AI ansvarig för en missad projektmarginal. Alla kommer att titta på projektledaren och fråga: ”Vad hände här? Tolka datan åt oss.” Och till Anns poäng: ”Någon var sjuk.” Okej — varför gjorde vi ingenting?

”AI upptäckte det inte.” Det är inte acceptabelt. Vi kanske kommer dit en dag, men jag tror inte att själva mätvärdena kommer att förändras särskilt mycket. Det handlar snarare om hur de samlas kring ett gemensamt tema.

Marcel Petitpas: Jag håller med. Jag kan berätta hur vi på Parakeeto introducerar någon i ett prognossystem och tänker kring strukturen och arbetssättet. Det är väldigt enkelt.

Vi börjar med att förstå hur organisationen ser på kapacitet. Det varierar från organisation till organisation. Vissa tänker i kompetenser: den här personen kan design, projektledning, utveckling och copywriting.

Andra tänker i uppsättningar av uppgifter: den här personen utför den här typen av arbete. Oavsett om det handlar om uppgiftskategorier, rollkategorier eller jobbtitlar: vilken mental modell använder företaget för att förstå sin kapacitet och fatta rekryteringsbeslut?

Vi försöker skapa ett enkelt abstraktionslager mellan enskilda medarbetare och större grupper som vi kan samla dem i. Här vill jag introducera en idé som jag förmodligen kommer att prata mycket om: precision och träffsäkerhet. Det är olika saker.

Jag tror att detta är många projektledares förbannelse: de blandar ihop dem och ser dem som inte bara samma sak utan också korrelerade, trots att de ofta står i konflikt med varandra.

Många projektledare bäddar för misslyckanden genom att skapa mycket precisa system som blir omöjliga att underhålla. Resultatet blir stora mängder rörig data som de hela tiden kämpar för att få ut något värde ur.

En viktig del av vårt arbete i det första steget är därför att fråga: hur skapar vi en enkel modell med kanske fem, eller högst åtta, kapacitetsgrupper? Sedan planerar vi arbetet på ett sätt som ser likadant ut: samma namnstandarder och samma sätt att gruppera uppskattad tid.

Därefter går vi vidare till tidsregistreringen och frågar hur varje tidsregistrering kan få en metadatasdel som kopplar den till en av grupperna. Om vi över tid kan bygga strukturerad data i det formatet och lägga till några andra objekt — vilken typ av arbete, vilken typ av kund och vilken tjänst eller produkt — blir linjär algebra mycket enkelt.

En fråga som ”hur mycket designtid behöver vi i genomsnitt planera för varje krona i webbplatsbudgeten?” kräver inte särskilt stora datamängder för att man ska kunna hitta en intressant trendlinje och få en ganska bra uppfattning om resultatet. Man kan också börja identifiera vad som är förutsägbart och vad som är mycket oförutsägbart.

Det ger ett intressant sätt att tänka kring var vi faktiskt kan ha ett processproblem som bäddar för misslyckanden. Om vi inte arbetar konsekvent blir det svårt att förutsäga framtiden, oavsett hur bra datan är.

När vi funderar på hur informationen ska struktureras handlar datapunkterna om kapacitet: vilken är vår modell för den och hur ser schemat ut? Sedan gör vi samma sak för planerat arbete och kopplar den faktiska tidsåtgången till samma schema. Då behöver vi inte översätta mellan tre olika datastrukturer för att besvara frågan.

Det är onödig friktion och innebär ofta att vi inte kan besvara de frågor vi ville få svar på när vi började processen.

Galen Low: Jag gillar idén att vissa saker är förutsägbara och andra inte går att förutsäga. Bara det perspektivet är viktigt, eftersom vi talar om kaos och sådant som inte går att planera.

Som människor vill vi lösa allt, men kanske går det inte. Det som också fastnade hos mig är att vi behöver ren och bra data, men det är här tekniken kommer in. Jag minns när jag byggde en kompetensmatris för personalen på byrån där jag arbetade. Vi frågade: ”På en skala från ett till tio, hur bra är du på Drupal-utveckling?” Och folk svarade kanske tio.

Det var så mycket att samla in och sammanställa, och vi gjorde det i kalkylark. Det blev en enda röra. Vår avsikt var god. Vi frågade hur människor ville arbeta, var de befann sig, vilka projekt som fanns på deras karriärplan och allt möjligt. Vi försökte planera allt, men mängden data som vi människor skulle ta hänsyn till blev för stor.

När du berättar det här tänker jag att det är många modeller och mycket taxonomi. Vad ska vi göra med allt? Men det leder förstås till tanken att det är där tekniken kan hjälpa.

Grant Hultgren: Man kan bygga hela arkitekturen och få allt på plats, men en timme senare har det förändrats. Kunden skriver under arbetsbeskrivningen, ändringsordern kommer eller omfattningen minskar. Sedan slår covid till. Behöver vi ett kontor? Är det en omkostnad som vi måste ha?

Precis som Marcel säger bygger man strukturen, men sedan måste man skapa en rytm. Hur samordnar vi medarbetarna längst fram, de som kan ge bäst information till datan, så att vi kan göra de stegvisa förändringarna?

Allt Marcel just sa är i praktiken anledningen till att vårt företag finns. Vi försöker kodifiera detta i data, men det är samma tankesätt och samma sätt att mäta olika indata som leder till olika lösningar.

Man kan anlita konsulter som Marcel eller Ann, eller försöka bygga in det i systemet. Men problemen finns fortfarande kvar: hur får vi det att nå alla nivåer, från ägaren hela vägen ner? Vi måste förstå var precisionen spelar roll, var träffsäkerheten spelar roll och var värdet finns.

Galen Low: Låt oss gå dit. Ren data verkar nästan vara en myt, inte ur ett datapåstående eller taxonomiskt perspektiv, utan ur ett mänskligt perspektiv. Hur får vi människor att förstå att de tjänar på att registrera mer data?

Folk hatar redan tidsregistrering. Marcel, du skrev om beläggningsgrad på LinkedIn häromdagen. Sådant får människor att känna sig pressade och kan verkligen skada moralen. Nu ska vi be dem registrera ännu mer: fler data, fler modeller. Hur får du dem att tro på att det här kommer att vara till hjälp?

Ann Campea: Det känns som en mycket laddad fråga, och det är verkligen svårt att få alla nivåer att dra åt samma håll. Det handlar om att få stöd för en struktur, även om den skiljer sig mycket från vad andra byråer gör.

Om ledningsgruppen och kulturen i organisationen ställer sig bakom formeln för hur data ska samlas in har man åtminstone fått det stöd som annars kan vara ett av de största hindren.

Man kan lägga all tid i världen på att bygga och förbättra verktyg, skapa rapporter och samla in tidsregistreringar. Man kan fråga hur lång tid olika typer av projekt med olika komplexitet tar och hur mycket någon kan ta på sig under en dag eller vecka. Men utan stöd blir det största hindret den mänskliga faktorn.

Ibland antar människor att de presenterar helt objektiva och kvantitativa data. Men även kvantitativa data innehåller subjektivitet när människor registrerar dem. Jag brukar därför säga: ”Det här är tidsstudien. Det kommer att finnas variation eftersom människor matar in datan.”

När man presenterar det för intressenter måste man vara realistisk. Man kan inte säga att datan är 100 procent korrekt. Det kan den aldrig vara, men den kan komma nära. Det är det första steget när man ska få intressenterna att acceptera modellen.

Galen Low: Jag älskar det angreppssättet eftersom det är samarbetsinriktat. Du säger egentligen att man inte ska skicka ner något från toppen och tvinga det på människor.

Vi har en tendens, särskilt inom resurshantering, att säga att detta är det definitiva svaret och att allas vecka blir exakt 40 timmar. Men om vi presenterar variationen öppet blir det mer realistiskt.

Marcel Petitpas: Vi talar mycket i branschen om metoder för att förbättra följsamheten: göra det till ett spel, använda en Slack-bot, spåra arbetstid från datorn eller förifylla tidrapporter. Allt det kan vara hjälpsamt.

Men grundproblemet är det Ann nämnde: att få stöd. En annan stor del är att återkopplingen inte sluts. Medarbetarna som ombeds registrera tid får aldrig se samtalen, besluten eller rapporterna som skapas utifrån datan.

Därför skapar de sin egen berättelse om hur tiden används, och den blir sällan smickrande. Även om man förklarar goda avsikter måste de få se resultatet för att tro på det.

Det är viktigt att involvera dem i samtalet. Många ledningsgrupper tvekar att visa datan eftersom de vet att den ännu inte är bra. Jag brukar uppmuntra dem att ändå ha mötet och låtsas att de inte vet att datan är bristfällig.

Då upptäcker man vilka incitament som skapas när man inte har tydliga nyckeltal. Ett ensidigt fokus på beläggningsgrad kan exempelvis skapa precis den reaktion man inte vill ha.

Om man i stället fokuserar på kundbudgeten och säger att alla projekt ligger under budget kan teamet svara att all tid inte registrerades och att de inte alls kan ta dubbelt så mycket arbete nästa månad. Då har man fått viktig information för framtida planering.

Med tiden, om man använder datan korrekt och för samtalet med nyfikenhet, kommer pendeln att svänga mot sanningen. Teamet börjar förstå hur datan hjälper och skyddar dem.

När det gäller precision och träffsäkerhet är det också viktigt att inte be teamet registrera tid på varje underuppgift, uppgift, milstolpe, leverans, fas och projekt. Det blir för mycket friktion. Förenkla. Större tidsgrupper blir mer meningsfulla, statistisk signifikans nås snabbare och följsamheten blir vanligtvis högre.

Samma sak gäller resursplanering. Individuella allokeringar är inte vägen till en prognos på sex månader. Det är för mycket yta och för mycket förändras hela tiden. Anpassa metoden efter frågan som ska besvaras.

Galen Low: Det är lite listigt, men jag förstår hur det plockar fram den kvalitativa aspekten. Du börjar med datan men slutar inte där. Den driver ett samtal om sådant som kanske inte finns i datan.

Ingen vill frivilligt lämna över ammunition som kan användas mot dem: ”Du har bara 70 procents beläggning” eller ”Det tog dig sju timmar att göra en uppgift som var beräknad till fem.” Jag gillar därför tanken att enkelt är bättre än att försöka göra datan perfekt.

Grant Hultgren: Jag har en framgångshistoria. Jag slutade stå i vägen för mig själv på den digitala byrå där jag arbetade och följde i praktiken det Ann och Marcel just sa: man måste lita på teamet, utbilda dem och hjälpa dem att förstå varför detta är viktigt.

Vi gick igenom varför vi beräknar projektmarginaler och vad kostnaden per roll faktiskt betyder. Vi avslöjade inte vad människor tjänade, men vi generaliserade och visade varför det är viktigt att skilja mellan en senior och en junior utvecklare när vi planerar resurser.

Det största resultatet var inte ett enskilt nyckeltal. Tre personer bildade familj och två personer köpte bostad. Verkställande direktören sa att det var det mest meningsfulla året han någonsin haft.

Vi oroar oss ofta för om vi har arbete om tre månader. Den oron kommer aldrig att försvinna, och den är på sätt och vis en del av ledarskapets ansvar. Men den största framgången var att teammedlemmarna genom sina livsbeslut visade att de hade förtroende för sin situation.

Det finns ingen genväg för byråägare eller medarbetare. Men när vi samarbetar kan vi göra vägen enklare för varandra. Låt oss inte bränna ut våra seniora utvecklare och inte heller blunda för var juniora utvecklare och designers behöver stöd för att växa.

Låt oss hjälpa verksamheten med träffsäkerhet, inte falsk precision. När man tittar på en enda datapunkt blir perspektivet snävt. När man börjar samla datapunkter kan man skapa en strategisk färdplan som gynnar individerna och ger dem verkliga möjligheter till professionell utveckling och tillfredsställelse.

Ann Campea: Jag skulle säga att de små vinsterna i vardagliga samtal är viktiga. Man kan använda tillräckligt bra data för att måla upp en bild för ledningen av vad som händer med arbetet och med personalen.

I mitt fall handlar det ofta om att förhindra att teamet blir utbränt genom att argumentera för mer resurser och personal. Hur förstår vi arbetets komplexitet och hur mycket det belastar personalen? Hur kan vi balansera det bättre?

Vi vill vara lönsamma, hjälpa kunderna och leverera arbete av hög kvalitet. Datan berättar vad som händer med resurserna.

Marcel Petitpas: Jag kan dela en vändningshistoria om en kund vi arbetade med länge. På ytan såg byrån ut att lyckas enormt: fantastiska varumärken på webbplatsen, kreativt arbete och priser. Men under ytan fanns en kultur av mycket kreativa men utbrända människor.

De åkte berg- och dalbana mellan 150 procents beläggning, helgarbete och kvällar, och långa perioder utan arbete då personal behövde sägas upp. Projektledarna skyllde på försäljningen och försäljningen på kreatörerna. Förväntningarna var helt feljusterade.

Vi separerade prissättning från omfattningsbedömning, klargjorde datastrukturen och började följa vad som faktiskt hände. Med tiden kunde vi se vilket arbete som innebar hög risk och vilket som innebar låg risk.

Videoproduktion var särskilt ojämn. Produktions- och inspelningsdagarna var mycket intensiva, människor arbetade 18 timmar om dagen och tjänsten hade de lägsta marginalerna. Samtidigt var varumärkes- och webbdesign samt strategi betydligt mer lönsamma.

Med hjälp av insikterna kunde vi bygga en linjär modell för säljteamet. De tog kundens indata, matade in den i en kalkylator och fick en riktning för omfattning och pris. Det skapade realistiska förväntningar för projektledningsteamet, som redan stod bakom modellen.

Resultatet blev att företaget växte med 60 och sedan 90 procent från år till år, samtidigt som vinstmarginalen ökade med mer än 500 procent. Det jag är mest stolt över är att teamet arbetade betydligt färre kvällar och helger.

Det är därför projektledare och verksamhetsansvariga är så viktiga. Byråverksamhet handlar i grunden om att ta våra antaganden om verkligheten och projicera dem in i framtiden. Hur välgrundade är våra antaganden och kan vi använda data för att minska subjektiviteten? Hur effektivt kan vi projicera resultatet framåt? Ju bättre vi lyckas, desto mer nytta skapar vi för alla intressenter.

Galen Low: Jag vill också ta upp säkerhet och etik. Om vi lägger projektdata i ett verktyg för generativ AI, hur säkerställer vi att datan är skyddad? Behöver vi använda ett verktyg som företaget har betalat för, eller kan vi använda något annat? Var går dessutom den etiska gränsen när vi samlar in information om arbetspreferenser, kompetensnivåer och hur lång tid någon behövde för ett liknande arbete?

Grant Hultgren: Jag har arbetat med en marknadsföringsbyrå och tycker att man först måste fråga om man öppet redovisar att man använder generativ AI och vad det innebär. Internt måste teamet enas om huruvida man ska använda tekniken och om kvaliteten är tillräcklig.

Om det gäller intern data är situationen säkrare, men man måste fortfarande följa reglerna. Vi följer säkerhets- och dataskyddskraven och vet att det finns begränsningar för vilken kunddata vi får använda med AI.

Man kan anonymisera data, men jag skulle rekommendera alla i byråvärlden att utgå från att man inte får använda kunddata om kunden inte uttryckligen har sagt att man får göra det. Det är inte värt att riskera relationen.

Generativ AI kan användas för att ge metodstöd eller föreslå riktningar, varefter man använder sin erfarenhet och sitt hantverk för att anpassa resultatet. Då informerar AI vägen, men ger inte en färdig diagnos eller exakta nästa steg till kunden.

Ann Campea: Den etiska gränsen handlar om hur man använder datan. Generativ AI kan innehålla partiskhet, så man måste vara försiktig. Datan ska hjälpa oss att förstå, inte användas för att manipulera resultatet eller stödja ett syfte som redan bestämts.

Marcel Petitpas: Jag har svårt att föreställa mig att allt kan automatiseras från början till slut. Den sista delen är mycket svår. Även om AI kan komma 98 procent av vägen behövs mänskligt omdöme.

Om någon registrerar 99 timmar under en helg måste man avgöra om det är verkligt eller om tidtagaren glömdes bort. Om en designer registrerar tid på projektledning kan det vara ett misstag, fel kategori eller faktiskt projektledningsarbete. Sådana bedömningar är svåra att automatisera.

Även med ett helt automatiserat dataflöde behöver man hög insyn och mänsklig kontroll. En människa måste kunna fråga om resultatet överensstämmer med verkligheten.

Grant Hultgren: Jag trodde att AI skulle hjälpa mig att diska, inte skapa konst. Låt oss börja med att automatisera uppgifter och ge oss bra frågeställningar. Om någon lägger till en uppgift kan systemet exempelvis fråga om mer tid behöver avsättas för den som ska utföra arbetet.

Jag skulle inte låta AI driva ett företag i dag. Hur skulle den förutsäga covid eller andra stora händelser? Mänskliga relationer och bedömningar kommer fortfarande att behövas.

Ann Campea: Generativ AI finns här för att samarbeta med oss och informera oss, inte för att styra oss. Människan ska alltid finnas med i loopen. AI kan ta hand om det tråkiga så att människor kan fokusera på kreativt och meningsfullt arbete, men maskiner kan inte krama någon eller förstå en dålig dag på samma sätt som en människa.

Marcel Petitpas: Att använda intervall i stället för absoluta värden är ett bra exempel på skillnaden mellan precision och träffsäkerhet. Om man frågar hur vädret blir i dag kan man säga 24,7 grader, eller säga att det blir mellan 22 och 26 grader under dagen. Det senare är mindre precist men mer träffsäkert för frågan.

Ju högre upp i organisationen man kommer, desto större osäkerhet och desto mindre perfektion finns i datan. Därför är intervall ofta ett bättre sätt att prata om data och fatta beslut.

Grant Hultgren: Försök att upprätthålla en exakt prognos fyra veckor framåt och jämför sedan med verkligheten. Skillnaden blir tydlig. På tre till sex månader är skillnaden ännu större. Intervallet hjälper ledningen att förstå toppar och dalar och att avgöra vilka kunder och projekt man vill ta sig an.

Galen Low: Man kan inte planera med för mycket precision.

Tack så mycket, Grant, Marcel och Ann, för att ni tog er tid och deltog i dag.

Om du vill delta i samtalet med över tusen likasinnade projektledningsförespråkare kan du gå med i vår gemenskap. Besök thedigitalprojectmanager.com/membership för att läsa mer. Om du tyckte om det du hörde i dag får du gärna prenumerera och hålla kontakten på thedigitalprojectmanager.com. Tills nästa gång — tack för att du lyssnade.