Experter avslöjar de sämsta användningsområdena för AI inom projektledning
Kritiskt tänkande: Automatiserade projektplaner ser kompletta ut men saknar väsentlig kontext, vilket kan leda till problem i projektet.
Behovet av granskning: Att förlita sig på AI-resultat utan mänsklig granskning kan leda till fel och betydande konsekvenser.
Verklighetskontroll: AI har svårt med faktabaserade uppgifter som tidrapporter, vilket riskerar datanoggrannheten och projektregistrens integritet.
Mänskligt engagemang: Att använda AI för hantering av intressenter kan undergräva det genuina engagemang som behövs för produktiv kommunikation.
Processens grund: AI bör inte ersätta etableringen av mänskliga processgrunder, eftersom AI inte kan definiera effektiva arbetsflöden.
AI-användning inom projektledning har accelererat snabbt, och med den har en våg av entusiasm följt som inte alltid håller för granskning. Verktyg som lovar att spara tid, minska den administrativa bördan och ta fram insikter har blivit fasta inslag i projektledares arbetsflöden — men alla användningsområden för dessa verktyg fungerar inte som yrkesverksamma hoppats. Faktum är att vissa användningsområden i det tysta orsakar fler problem än de löser. Experterna som arbetar inom detta område varje dag har sett mönstren, och de är uppriktiga med var AI skapar problem för projektledningen.
Skapa projektplaner utan kritiskt tänkande
Få användningsområden för AI inom projektledning är lika frestande — eller lika problematiska — som den automatiserade projektplanen. Mata in en arbetsbeskrivning och få tillbaka ett schema. Det låter som en produktivitetsvinst, men erfarna yrkesverksamma säger att resultatet ofta ser bättre ut än det faktiskt är, och att projektledare som accepterar det utan granskning bäddar för problem i sina projekt.
Pam Butkowski, SVP för Horizontal Digital, uttrycker det direkt: "även om du har ett verktyg där du matar in en SOW och ber det skapa en projektplan åt dig, lovar jag att den inte stämmer. Det kommer den helt enkelt inte att göra. Det är en bra utgångspunkt. Men sedan måste vi använda vårt kritiska tänkande." Planen kan vara strukturerad och se komplett ut — men den har inte tillgång till de verkliga beroendena, teamets faktiska kapacitet eller det organisatoriska sammanhang som gör ett schema realistiskt.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Även om du har ett verktyg där du matar in en SOW och ber det skapa en projektplan åt dig, lovar jag att den inte stämmer. Det kommer den helt enkelt inte att göra.
Jeff Chamberlain, chef för bredbandstjänster och PMO vid Fredrick County Government, har dragit en liknande slutsats utifrån sin erfarenhet: "Vissa använder det för att de vill att det ska skapa projektplaner. Jag har inte haft särskilt stor framgång med att skapa bra projektplaner med det. Och vanligtvis slutar det ändå med att man gör om dem." När det omarbete som krävs för att göra en AI-genererad plan användbar närmar sig den tid det skulle ha tagit att skapa den från grunden, försvinner effektivitetsargumentet.
Vissa använder det för att de vill att det ska skapa projektplaner. Jag har inte haft särskilt stor framgång med att skapa bra projektplaner med det. Och vanligtvis slutar det ändå med att man gör om dem.
Kopiera och klistra in AI-resultat utan granskning
Om det finns en enda vana som yrkesverksamma pekar ut som den omedelbart farligaste, så är det denna: att acceptera AI-resultat som färdigt arbete. Lockelsen är förståelig. Resultatet ser välpolerat ut, språket är självsäkert och frestelsen att gå vidare är verklig. Men den polerade ytan kan dölja allvarliga fel — och när ingen granskar arbetet innan det lämnar organisationen kan konsekvenserna bli betydande.
Mike Clayton, vd och grundare av OnlinePMCourses.com, har sett detta utspela sig inom professionella tjänster där verkliga ekonomiska värden står på spel: "Det finns personer som bara säger: okej, jag har fått en fråga. Jag ställer frågan till ChatGPT och kopierar och klistrar in svaret, och då är mitt arbete klart. Och ingen hade ens granskat eller korrigerat det." Problemet är inte att AI användes — det är att det mänskliga steget med att granska och korrigera resultatet helt hoppades över.
Det finns människor som bara säger: okej, jag har fått en fråga. Jag ställer frågan till ChatGPT och klipper och klistrar in svaret, och sedan är mitt arbete klart.
Megan Cotterman, fraktionerad projektledare och verksamhetskonsult, upplevde detta på nära håll: "Jag använde AI för att hjälpa mig med det här projektet inom instruktionsdesign ... AI:n blandade faktiskt ihop saker och jag fick fel information. Så jag tror att det är viktigt att se till att teamen förstår att det inte är den yttersta lösningen ... och att man inte bara kopierar och klistrar in, skickar till kunden och kör." Även när AI används på ett genomtänkt sätt kan det fortfarande producera felaktig information — vilket innebär att steget med mänsklig granskning inte är valfritt; det är själva arbetet.
Använda AI för tidrapporter och faktaspårning
Det finns en kategori av projektdokumentation som helt och hållet är beroende av verkligheten: vad som faktiskt hände, vem som faktiskt gjorde vad och när. Tidrapporter hör tydligt till den kategorin. Och det är just här, där korrekthet inte kan förhandlas bort, som AI har sämst förutsättningar att hjälpa till.
Oliver F. Lehmann, utbildare inom projektverksamhet på Oliver F. Lehmann Project Business Training, formulerar problemet med användbar skärpa: "AI kan inte skriva en tidrapport. Den kan fantisera ihop en tidrapport, men den kan inte skriva en tidrapport. Så du för in fantasi i dokumentation som borde vara verklig." AI kan skapa något som ser ut som en färdig tidrapport — poster som verkar trovärdiga och timmar som går ihop — men inget av detta återspeglar vad som faktiskt inträffade. Att föra in den typen av fabricerade uppgifter i ett projektregister sparar inte tid; det förvanskar det.
AI kan inte skriva en tidrapport. Den kan fantisera ihop en tidrapport, men den kan inte skriva en tidrapport!
Automatisera intressenthantering och kommunikation
Intressenthantering är en av de mest människointensiva delarna av projektarbete, och av goda skäl. De samtal som för projekten framåt — de svåra samtalen, de som kräver förtroende och noggrant lyssnande — är beroende av genuint mänskligt engagemang. Försök att automatisera eller lägga ut detta engagemang på AI tenderar att undergräva precis det som gör dessa samtal produktiva. Intressenter som navigerar i komplexa eller omtvistade beslut vill inte ha en optimerad kommunikationsprocess — de vill känna att de verkligen blir hörda av en annan person.
Problemet sträcker sig även till den skriftliga kommunikationen i vardagen. Lehmann konstaterar att "jag ser väldigt ofta att projektledare helt enkelt använder AI för att skriva e-post åt dem. Språket är ofta för försiktigt när det är dags att vara lite mer direkt. Det jämnar ut saker ganska mycket." När ett projekt kräver ett direkt och bestämt meddelande till en intressent tenderar AI-genererat språk att slipa bort kanterna — vilket ofta gör att det verkliga problemet förblir obehandlat.
Yonelly Gutierrez, senior programchef på Palo Alto Networks, lägger också märke till denna egenskap i AI-skriven kommunikation: "ibland när det gäller formuleringen tänker jag: 'du låter som en sådan AI-robot. Prata bara normalt, tack.'" Den typiska stelheten i AI-genererat språk är inte bara ett estetiskt problem — den signalerar till mottagarna att meddelandet inte skrevs med just dem i åtanke.
Införa AI innan en mänsklig baslinje har etablerats
Ett av de mer strukturellt bristfälliga sätten att införa AI är att implementera det innan någon har kommit fram till hur den underliggande uppgiften faktiskt bör fungera. När organisationer hoppar över steget att etablera en fungerande, människostyrd process och går direkt till att automatisera den, påskyndar de inte framstegen — de påskyndar förvirringen.
Derek Fredrickson, grundare och VD för The COO Solution, ser ofta detta mönster: "ofta försöker de införa AI som lösningen innan en människa faktiskt har gjort det. Jag anser alltid att en människa först bör göra det som man vill att AI ska automatisera, i stället för att bara införa AI för AI:s egen skull." AI är bra på att skala upp och systematisera processer som redan är förstådda. Den har ingen förmåga att definiera hur något bra ser ut i en process som aldrig först har genomförts av en människa.
Jag anser alltid att en människa först bör göra det som du vill att AI ska automatisera, i stället för att bara införa AI för AI:s skull.
AI-driven rapportering med bristfälliga data eller inget tydligt mål
Automatiserad rapportering är en av de vanligast nämnda fördelarna med AI inom projektledning. Löftet är verkligt — men det kommer med villkor som organisationer ofta förbiser. Om de underliggande uppgifterna är opålitliga, eller om rapporteringens mål inte är tydligt definierat, skapar AI inte bättre rapporter. Den skapar rapporter med en övertygande formatering som inte berättar det du behöver veta.
Emmanuels Magaya, grundare av Project Managers Africa, identifierar båda problemen: "Om du vill att AI ska automatisera dina rapporter kommer du ofta att upptäcka att om uppgifterna inte stämmer, kommer rapporten inte att ge dig det du söker. Och du måste också veta vad du letar efter i rapporten." Rena data och ett tydligt mål som är specifikt för intressenter är förutsättningar — inte trevliga tillval — för att AI-assisterad rapportering ska skapa värde.
Om du vill att AI ska automatisera dina rapporter kommer du ofta att upptäcka att om uppgifterna inte stämmer, kommer rapporten inte att ge dig det du söker.
Att lägga AI ovanpå bristfälliga processer
AI är en kraftmultiplikator. Det är precis därför som det blir så kontraproduktivt att tillämpa AI på ett dysfunktionellt arbetsflöde — AI mångfaldigar dysfunktionen. Organisationer som tror att AI kommer att åtgärda en bristfällig process gör i nästan alla fall processen ännu mer bristfällig och svårare att diagnostisera.
Markus Kopko, ledande coach på CPMAI, uttrycker dynamiken tydligt: "Att lägga AI och AI-lösningar ovanpå dåliga processer gör inte processen bättre. Resultaten blir ännu sämre än om du inte hade förändrat processerna." Processförbättring måste komma först. AI som tillämpas ovanpå ett oexaminerat eller ineffektivt arbetsflöde synliggör inte de underliggande problemen — den begraver dem under snabbare och mer omfattande resultat.
Att ersätta mänskligt omdöme i teamdynamik och konflikter
Data kan berätta mycket för en projektledare. Den kan inte berätta att två teammedlemmar har slutat lita på varandra, när den psykologiska tryggheten i teamet saknas helt, eller att det som ser ut som ett schemaläggningsproblem egentligen är en djupare konflikt. Sådant kräver närvaro, observation och mänskligt omdöme — inget av detta kan AI tillhandahålla.
Jeremiah Hammon, utbildare inom ledarskap och projektledning på Project Revolution, drar en tydlig gräns: "Det AI inte kommer att göra är att se de verkliga problemen. Den berättar inte för oss att tre teammedlemmar har personliga problem, eller när problem i teamet behöver konfliktlösning. Det kommer den inte att göra." Projektteamets mellanmänskliga nyanser — vem som kämpar, vem som tappat engagemanget och vad som förblir osagt — är osynliga för AI. Och i många projekt är det just dessa nyanser som avgör om arbetet blir gjort.
Det AI inte kommer att göra är att se de verkliga problemen. Den berättar inte för oss att tre teammedlemmar har personliga problem, eller när problem i teamet behöver konfliktlösning. Det kommer den inte att göra.
Mönstret bakom problemet
Genom alla dessa användningsområden löper en gemensam tråd genom misslyckandena: AI ombeds utföra uppgifter som det aldrig utformades för, eller används på sätt som tar bort det mänskliga omdöme som skulle ha upptäckt problemet. Problemet är inte AI i sig — det är antagandet att eftersom AI kan producera ett resultat, är resultatet tillförlitligt, lämpligt eller tillräckligt. De yrkesverksamma som använder AI mest effektivt är inte de som har den längsta listan över användningsområden. Det är de som tydligast förstår var AI:s möjligheter tar slut och det mänskliga omdömet börjar — och som betraktar den gränsen inte som en begränsning, utan som en designprincip.
Vill du ha fler insikter som dessa? Registrera dig för ett kostnadsfritt DPM-konto för att ta del av fler experters perspektiv.
