För många AI-verktyg? En guide till att hantera dina alternativ
För många verktyg: Dagliga lanseringar av nya AI-verktyg överväldigar projektledare och försvårar välgrundade inköpsbeslut.
Användningsområden först: Prioritera att förstå specifika AI-behov innan ni inför verktyg för att undvika ineffektiva lösningar.
Testa jämförande: Utvärdera AI-verktyg genom att jämföra resultaten på flera plattformar, inte isolerat.
Komplettera, ersätt inte: Överväg att förbättra befintliga verktyg med AI-agenter i stället för att snabbt byta plattform.
Strategiskt införande: Fokusera på att anpassa införandet av AI-verktyg till organisationens långsiktiga strategier och processförbättringar.
Det finns nu någonstans mellan 500 och 1 000 nya AI-verktyg som lanseras varje dag. För projektledare och PMO-chefer är den siffran inte spännande – den är utmattande. Varje vecka kommer en ny plattform som lovar att automatisera dina statusrapporter, förutsäga dina risker och optimera din resursfördelning. Och varje vecka fattar organisationer inköpsbeslut på fem- och sexsiffriga belopp baserat på demofilmer och säljpresentationer.
Emmanuels Magaya, grundare av Project Managers Africa, har testat över 100 AI-verktyg och byggt upp en konsultverksamhet kring att hjälpa organisationer att fatta smartare beslut om vilka verktyg de ska införa.
Nyligen medverkade han i DPM-poddvärden Galen Lows podcast för att dela ett perspektiv som går emot den nuvarande hajpcykeln: sakta ner, var specifik och sluta låta verktyget styra strategin.
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
Här är den exakta metod han presenterade i programmet för att hjälpa dig att göra detsamma.
Börja med användningsområden, inte verktyg
Det vanligaste misstaget organisationer gör är inte att välja fel verktyg – det är att välja ett verktyg innan de vet vad de behöver det till. Magaya är tydlig på den punkten. ”Det första steget är att förstå exakt vad du vill att AI ska göra för dig”, säger han. ”Försök inte använda AI till allt. Titta på några av de enkla saker du gör i vardagen som är rutinmässiga, som kräver tankearbete och som tar tid.”
Försök inte använda AI till allt. Titta på några av de enkla saker du gör i vardagen som är rutinmässiga.
Det låter enkelt, men de flesta team hoppar över det. De ser en konkurrent använda en ny plattform, eller så läser någon i ledningen en artikel, och plötsligt uppstår press att snabbt införa något. Problemet är att brådska utan tydlighet leder till exakt den situation som Magaya ägnar större delen av sitt konsultarbete åt att åtgärda.
Hans andra varning är lika viktig: anta inte att dina processer är redo för AI bara för att verktyget är det. ”Skynda inte till verktyget”, säger han. ”Fråga först: stöder min process AI? Det vi upptäckte är att det finns bristfälliga processer där AI bara gör dem ännu mer bristfälliga.” Om din resursplanering är inkonsekvent eller dina projektdata är röriga kommer ett AI-lager inte att städa upp dem – det får bara röran att gå snabbare.
Så utvärderar och jämför du AI-verktyg
När du har definierat dina användningsområden för AI är nästa steg att testa – och Magaya har en specifik metod för detta. Det största misstaget människor gör när de utvärderar verktyg är att testa dem isolerat och bedöma ett verktyg mot en abstrakt standard i stället för mot en direkt konkurrent.
Hans lösning är enkel: ”Använd aldrig bara ett verktyg för att få AI-resultat. Försök skriva samma prompt i Gemini, Claude eller vilket verktyg du än har tillgång till, och jämför sedan de två.” Genom att köra identiska promptar i flera verktyg och AI-modeller blir skillnader i kvalitet, djup och relevans för just ditt användningsområde tydliga.
Den här artikeln har anpassats från ett avsnitt av DPM-podden med titeln Du behöver inte ett nytt AI PM-verktyg – du behöver åtgärda det du har. Se fler DPM-poddar här.
Men kvaliteten på ditt resultat är bara så bra som kvaliteten på det du matar in. ”Om du inte är bra på att skriva promptar kanske du inte får ett bra resultat, även med rätt verktyg”, säger Magaya. ”Därför måste du utveckla din förmåga att skriva promptar.” Detta är en variabel som de flesta utvärderingsramverk helt ignorerar – team testar ett verktyg, får ett mediokert resultat och avfärdar det när det verkliga problemet ligger i prompten.
Han varnar också för att bedöma ett verktyg utifrån det första intrycket. ”Utforska dina verktyg, prova olika funktioner. Du kommer att upptäcka att även det verktyg som du ursprungligen tyckte inte var särskilt bra faktiskt kan vara mycket bra på ett visst användningsområde.”
De flesta plattformar levereras med inbyggda funktioner som användarna aldrig upptäcker eftersom de går direkt till huvudgränssnittet och aldrig utforskar vidare.
Vad du ska göra när ditt AI-verktyg inte passar
Även med en grundlig utvärderingsprocess upptäcker organisationer ibland, efter sex månader av implementering, att verktyget inte levererar det som utlovats. När det händer rekommenderar Magaya en strukturerad diagnos innan man fattar beslut om nästa steg.
"Först måste du förstå vad du förväntade dig av verktyget", säger han. "Sedan gör du det vi kallar en gapanalys. Du gör en gapanalys av förväntningarna – vad jag förväntar mig att verktyget ska göra jämfört med vad verktyget faktiskt levererar." Den gapanalysen avgör allt: om problemet går att åtgärda, om det är värt att stanna kvar och vad det faktiskt skulle kosta att lämna.
Och den kostnaden kan vara betydande. "Konsekvenserna av att göra fel val kan bli enorma. Det kan till och med kosta miljoner och märkas i kundnöjdhet, kundleveranser, produktkvalitet och så vidare", säger Magaya. Den ekonomiska smällen av ett dåligt avtal är uppenbar, men följdeffekterna på leveranskvalitet och teamets moral är ofta det som verkligen svider.
Konsekvenserna av att göra fel val kan bli enorma – det märks i kundnöjdhet, kundleveranser, produktkvalitet och så vidare.
En faktor som är lätt att underskatta och som Magaya lyfter fram som den viktigaste aspekten efter att man har identifierat friktionspunkter är projektdata. "Hur mycket data hade vi matat in i det här verktyget? Det här är förmodligen den viktigaste punkten efter friktionspunkten", säger han.
"Du kanske inte ens kan återställa den." Till skillnad från ett kalkylblad som du kan exportera och importera någon annanstans går det inte att överföra det som ett AI-verktyg har lärt sig av ditt teams beteende, din projekthistorik och dina organisatoriska mönster. Ju längre du har kommit med ett verktyg, desto högre blir kostnaden för att byta riktning.
Så kompletterar du ditt befintliga verktyg med AI-agenter
Det är här de flesta samtal om AI-verktyg kör fast: valet framställs som att man måste stanna eller lämna. Magaya erbjuder ett tredje alternativ som fler organisationer borde överväga – komplettering. I stället för att ersätta ett verktyg som har brister bygger du agenter och automatiserade arbetsflöden som fyller igen dessa brister, samtidigt som du behåller din befintliga plattform intakt.
Se agenter som modulära, inte monolitiska
Den modulära karaktären hos agentisk AI gör detta mer praktiskt än det kanske låter. "Med agentisk AI är det fina att du kan ta bort agenter du inte behöver eller som inte fungerar bra och sätta in nya", förklarar Magaya. "Om du etablerar en agentisk PMO har du alltså en agent som gör dina riskprognoser. Du har en AI-agent som gör kapacitetsplanering. Du har en som bara sköter schemaläggning eller kalenderhantering." Varje agent hanterar en separat funktion, vilket innebär att du kan lägga till eller ta bort funktioner utan att bygga om hela din teknikstack, samtidigt som du kan säkerställa att varje agent är optimerad för sin specifika uppgift.
Med agentisk AI är det fina att du kan ta bort agenter du inte behöver eller som inte fungerar bra och sätta in nya
Börja i liten skala i ditt befintliga verktyg
Startpunkten behöver inte vara komplicerad. "Om du redan har ett verktyg, stöder det AI?" säger Magaya. "Om du har använt etablerade verktyg som Monday.com, Asana eller Jira gör de generellt ett bra jobb med att hålla sig uppdaterade när det gäller AI-stöd. Du kan börja där. Du börjar alltså i liten skala. Det kanske bara handlar om en AI-agent som går igenom anteckningar efter möten – låt oss ta fram transkriberingen, skapa åtgärdspunkter och sedan skicka ett e-postmeddelande." Det är en lågriskstart med högt värde som inte kräver en fullständig omarbetning av arkitekturen.
Planera innan du bygger
För team som behöver gå längre – genom att koppla samman verktyg som n8n, Make eller Zapier för att bygga mer avancerade arbetsflöden – betonar Magaya att tekniken är den enkla delen. Det svåra är att veta vad du vill bygga innan du börjar bygga. "Du kan inte börja bygga ett hus utan en plan, och det är där många gör misstag med AI", säger han.
"När människor hör talas om n8n, Make och Zapier börjar de genast skapa arbetsflöden. Men vad handlar ditt arbetsflöde om? Skapa först en tankekarta i verktyg som NotebookLLM." Planeringssteget är inte valfritt – det är det som avgör om arbetsflödet du bygger faktiskt löser problemet och förstår informationsflödet, eller bara tillför mer komplexitet.
Du kan inte börja bygga ett hus utan en plan, och det är där många gör misstag med AI.
När arkitekturen väl är tydlig blir implementeringen betydligt mer hanterbar. "Du kan behålla ditt verktyg, men se bara till att det är någon som förstår automatiseringsprocesser som skapar arbetsflödena. På så sätt integreras de korrekt."
Betrakta AI-agenter som medlemmar av ditt team
Förstärkning är inte bara ett tekniskt beslut – det kräver en förändring i hur du ser på teamets sammansättning. Magaya menar att PMO-ledare måste börja räkna in agenter i personalstyrkan. "Det finns också ett inslag av förändringsledning här", säger han.
"Teamet måste anpassa sig till att ha AI som en del av teamet. Framöver, när ni som PMO räknar antalet personer, säg att teamet består av 50 personer – då måste ni räkna AI-agenterna som en del av teamet. Om ni till exempel har 10 AI-agenter består teamet faktiskt av 60 personer, eftersom vi har det vi kallar ett AI-RACI-diagram, där det på RACI-diagrammet – vem som ansvarar, vem som är ytterst ansvarig, vem som rådfrågas och vem som informeras – finns en sektion där AI utför vissa funktioner."
Framöver, när ni som PMO räknar antalet personer, måste ni räkna AI-agenterna som en del av teamet.
Den inramningen är viktig eftersom den tvingar fram tydlighet. När en agent har en definierad roll i RACI-diagrammet vet teamet exakt vad den ansvarar för, hur tillsynen ser ut och var överlämningen till en människa sker. Det blir också lättare att identifiera vilka agenter som presterar sämre inom vilka delar av arbetsflödet.
Från reaktivt till förutsägande
Att behandla agenter som teammedlemmar frigör en förmåga som Magaya anser vara en av AI:s mest outnyttjade fördelar inom projektledning. "När du har en AI-aktiverad PMO med AI-agenter och assistenter som arbetar samordnat kan agenterna faktiskt informera dig om risker baserat på data som samlats in på platser som e-post och Microsoft Teams" säger han.
Det är en helt annan verksamhetsmodell än den som de flesta PMO:er är vana vid. "Tidigare hanterade traditionella PMO:er risker reaktivt – oj, något är på väg att hända, okej, låt oss åtgärda det", säger Magaya. "Men med AI kan AI berätta för dig vad som kan hända om 12 månader, enbart baserat på data." De team som gör detta bra använder inte bara AI för att spara tid på administration. De använder det för att se längre fram än vad som tidigare varit möjligt.
AI kan berätta för dig vad som kan hända om 12 månader, enbart baserat på data.
Låt strategin styra, inte verktygen
De organisationer som kommer att få ut mest av AI är inte de som inför flest verktyg – det är de som är mest genomtänkta kring hur och varför de inför dem. Denna eftertänksamhet börjar innan ett enda verktyg köps in, och den börjar med en tydlig bild av hur era processer ser ut och vart organisationen är på väg.
Som Magaya uttrycker det: "Föreställ dig att du använder AI effektivt om 12 månader. Hur skulle din organisation se ut? Hur skulle dina kunder känna sig? Det är så du behöver se på det." Börja där, arbeta bakåt och låt verktygen följa strategin – inte tvärtom.
Vill du ha fler insikter som dessa? Registrera dig för ett kostnadsfritt DPM-konto för att höra från fler experter som dessa.
