Mga nadagdag:
- Ang kakayahang matukoy kung saan ang artificial intelligence ay nakakatipid ng real time sa pamamahala ng proyekto (pagpaplano, pagtatantya, pag-uulat, komunikasyon) at kung saan ang mga desisyon tulad ng pagtatalaga sa badyet at petsa ng paghahatid ay naiwan sa tagapamahala ng proyekto, depende sa antas ng panganib sa gawain
- Kakayahang maglapat ng disiplina na nagpapatunay sa bawat output ng artificial intelligence sa pamamagitan ng mga hakbang ng pagkonekta nito sa pinagmulan, muling pagkalkula at pagpasa nito sa pamamagitan ng administrative filtering.
- Pag-anonymize ng data ng proyekto, customer at stakeholder sa loob ng saklaw ng KVKK/privacy at NDA at pagkakaroon ng ugali ng pagpili ng mga ligtas na sasakyan
Mayroong daan-daang mga desisyon sa bawat proyekto, karamihan sa mga ito ay ginawa nang tahimik. Para kanino ang trabahong ito? Ilang araw aabutin ang gawaing ito? Hawak ba ang budget? Anong petsa ang dapat nating sabihin sa customer? Ano ang gagawin natin kung mangyari ang panganib na ito? Anong desisyon ang ginawa natin sa pagpupulong noong nakaraang linggo, sino ang gagawa ng ano? Ang ilan sa mga desisyong ito ay umuulit, masinsinang data, at nakakaubos ng oras; Karamihan sa mga gawain ng isang project manager (PM - Project Manager, ang taong responsable mula sa plano hanggang sa paghahatid ng proyekto) ay ginugugol sa pagsulat ng mga ulat, pagpuno ng mga talahanayan, paghahanda ng mga e-mail at pag-iingat ng mga tala sa pagpupulong. Ang artificial intelligence (AI, o AI para sa maikling—computer system na maaaring makabuo ng text, makakilala ng mga pattern, gumawa ng mga hula, at magbuod ng data tulad ng mga tao) ay akma sa gitna ng larawang ito: kapag ginamit nang tama, maaari itong mag-draft ng work breakdown structure, isang risk register, isang status report, o isang meeting summary sa ilang minuto sa halip na mga oras; Maling ginamit, maaari itong humantong sa isang pangako ng customer mula sa isang tila ligtas ngunit walang batayan na hula.
Ang unang yunit ng modyul na ito ay hindi isang pagpapakilala ng software. Ang layunin nito ay linawin kung saan ilalagay ang AI sa iyong proyekto at kung saan hindi ito ilalagay. Dahil ang pamamahala ng proyekto ay parehong field na "kritikal sa operasyon" at "kritikal sa pangako": ang pagtatantya ng oras na ibibigay mo ay batay sa isang kontratang nilagdaan sa customer; ang isang desisyon sa mapagkukunan ay nagiging kalendaryo ng isang miyembro ng koponan na puno ng mga linggo. Ilatag natin ang pangunahing prinsipyo mula sa simula: AI ay isang katulong, hindi isang tagapamahala ng proyekto. Ang pananagutan at pinal na pag-apruba ng mga desisyon tulad ng pangako sa badyet, pangako sa petsa ng paghahatid, paglalaan ng mapagkukunan at obligasyong kontraktwal ay pagmamay-ari ng karampatang tagapamahala ng proyekto at mga responsableng stakeholder.
Mga layer ng pamamahala ng proyekto at ang lugar ng AI
Upang maunawaan ang isang proyekto, kapaki-pakinabang na hatiin ang gawain sa tatlong mga layer. Ang layer ng pagpapatakbo ay ang pang-araw-araw na operasyon: pagsubaybay sa gawain, tala sa pagpupulong, email, pag-update ng katayuan. Ang taktikal na layer ay pagpaplano at pagsubaybay: istraktura ng breakdown ng trabaho, iskedyul, pagtataya, rehistro ng panganib, ulat ng katayuan. Tinutukoy ng strategic layer ang katwiran at direksyon ng proyekto: cost-benefit, portfolio priority, desisyon sa saklaw. Maaaring hawakan ng AI ang lahat ng tatlong layer; ngunit may iba't ibang awtoridad sa bawat isa. Sa layer ng pagpapatakbo, gumagawa ang AI ng mabilis na mga draft at buod; Sa estratehikong layer, nagbibigay lamang ito ng input, ang pamamahala at ang sponsor ang gumagawa ng desisyon. Ipapaliwanag namin ang mga konsepto tulad ng sponsor (ang nangungunang tagapamahala na nagpopondo sa proyekto at pagmamay-ari ng korporasyon), stakeholder (lahat ng apektado ng proyekto o nakakaapekto sa proyekto - customer, team, supplier, user) nang paisa-isa sa mga sumusunod na unit.
Tukuyin natin ang ilang pangunahing termino mula sa simula. Ang saklaw ay kung ano ang gagawin at hindi gagawin ng proyekto. Ang work breakdown structure (WBS) ay isang breakdown ng trabaho sa mga napapamahalaang bahagi. Ang isang milestone ay isang mahalagang punto na nagmamarka ng pag-unlad (hal. "pag-apruba sa disenyo"). Ang panganib ay isang hindi tiyak na kaganapan na makakaapekto sa proyekto kung ito ay nangyari. Deliverable ay ang kongkretong output na ginawa ng proyekto. Sa lahat ng konseptong ito, binibigyan ka ng AI ng outline at pagsusuri, ngunit hindi gumagawa ng mga desisyon.
Ang sumusunod na talahanayan ay nagbubuod sa tungkulin at antas ng panganib ng AI ayon sa misyon:
Paghanap
Papel ng AI
Antas ng panganib
Sino ang pumayag
Buod ng pulong / draft ng email
sketch generator
mababa
tagapamahala ng proyekto
WBS / balangkas ng saklaw
sketch generator
low-medium
PM + team
Tagal at pagtatantya ng mapagkukunan
Tagahula, generator ng senaryo
katamtaman-mataas
PM + data ng team
Pagmamarka ng rehistro ng peligro
Statistical stimulus
daluyan
May-ari ng panganib + PM
Ulat sa katayuan / komento sa EVM
Pagsusuri at draft
daluyan
tagapamahala ng proyekto
Petsa ng paghahatid / pangako sa badyet
pantulong na input
napakataas
PM + sponsor
Desisyon sa kontrata/paglalaan ng mapagkukunan
pantulong na input
napakataas
Sponsor + PM
Tandaan ang isang linya sa chart na ito: habang tumataas ang panganib, lumiliit ang tungkulin ng AI, lumalaki ang pag-apruba ng tao.
Bakit "pag-verify" ang puso ng negosyong ito
Ang mga modelo ng wikang artificial intelligence ay tila tiwala sa kanilang sagot, ngunit maaaring hindi sila sigurado. Sa teknikal na wika, ito ay tinatawag na guni-guni: ito ay katha ng modelo ng hindi umiiral na impormasyon sa isang matatas na pangungusap, na para bang ito ay totoo. Para sa isang tagapamahala ng proyekto, ito ay isang seryosong bitag: ang modelo ay maaaring may kumpiyansa na magbigay sa iyo ng isang takdang-panahon na "ang ganitong uri ng pagsasama ng software ay karaniwang tumatagal ng 3 linggo", habang wala itong alam tungkol sa bilis ng iyong koponan, teknikal na utang, iskedyul ng bakasyon, at ang numerong ito ay isang kumpletong generalization. O maaari itong magmisrepresent ng isang pamamaraan (hal., "Ang PMBOK 7 ay nangangailangan ng sumusunod"). Dahil sinabi niyang pareho ang katatasan, ang tanging bagay na naghihiwalay sa tama sa mali ay ang iyong kaalaman at ugali sa pag-verify.
Ang disiplina sa pagpapatunay ay binubuo ng tatlong hakbang:
- Link sa pinagmulan: Umasa sa mga tala ng iyong sariling organisasyon (data ng makasaysayang proyekto, iskedyul, resource pool, accounting) at sa hula ng iyong team, hindi sa memorya ng AI, para sa mga tagal, gastos, kapasidad, at nakaraang performance. Gamitin ang AI para magkomento sa data na iyon, hindi para matandaan ito.
- Muling kalkulahin / ihambing: Malayang suriin ang bawat numerical na resulta na ibinabalik ng AI (kabuuang oras, badyet, porsyento na kumpleto, CPI/SPI). Mag-verify ng kabuuan, isang weighted average, isang kritikal na landas sa iyong sarili.
- Managerial filter: Subukan mula sa pananaw ng isang manager kung ang output ay sumasalungat sa mga katotohanan sa ground (availability ng team, badyet, kontrata, dependencies).
Atensyon: Ang pagpapakita ng hula o ulat na ginawa ng AI sa sponsor o paglalagay nito sa customer nang hindi ito bini-verify ay parang pagbibigay ng hindi napirmahang kontrata. Dahil lamang sa ang output ay matatas ay hindi totoo.
Pagkakumpidensyal: ang data ng proyekto ay kadalasang kumpidensyal
Karamihan sa data ng proyekto ay sensitibo. Ang pangalan ng customer, halaga ng kontrata, presyo ng bid, suweldo ng tauhan at impormasyon sa pagganap, at mga plano ng produkto na hindi pa inaanunsyo ay kadalasang pinoprotektahan ng NDA (Non-Disclosure Agreement); Ang personal na data ay sakop ng KVKK (Personal Data Protection Law) sa Türkiye at GDPR sa Europe. Ang pag-paste lang ng pangalan ng customer, presyo ng kontrata, mga pangalan ng miyembro ng team, at mga marka ng performance sa isang tool na AI na available sa publiko ay maaaring parehong paglabag sa kontrata at paglabag sa data. Ang panuntunan ay simple: i-anonymize ang data at huwag magbahagi ng hindi kailangan. "Proyekto ng software para sa isang malakihang pampinansyal na customer" sa halip na "4.2 milyong TL CRM na proyekto kasama ang ABC Bank"; Sa halip na "Tita (senior developer, mahinang performance)", sumulat ng "isang senior na miyembro ng team." Kung maaari, pumili ng mga tool ng kumpanya na may kasunduan sa pagproseso ng data at huwag gamitin ang iyong data sa pagsasanay sa modelo.
tatlong mini case
Kaso 1 — Ligtas na paggamit. Isang project coordinator ang gumugugol ng 2.5 oras bawat linggo sa pag-compile ng progreso mula sa 6 na pakete ng trabaho sa isang solong status report. Ibinigay niya ang data ng pag-unlad nang hindi nagpapakilala (pangalan ng customer at mga halagang naka-mask) sa AI at humiling ng draft na executive summary. Ang AI ay gumawa ng sketch sa loob ng 12 minuto; Inihambing ng coordinator ang bawat porsyento sa kanyang tracking chart, itinama ang isang maling rate ng pagkumpleto, at binago ang mga kulay ng status sa katotohanan. Tagal: 35 minuto sa halip na 2.5 oras. Ibinigay ng AI ang draft, ang responsibilidad ay nanatili sa tao.
Kaso 2 — Hindi kumpirmadong bitag ng hula. Tinanong ng isang PM si AI "ilang araw ang tatagal ng pagsubok sa mobile app?" Sinabi ng AI na "mga 8 araw" bago makita ang data ng koponan. Ipinangako ito ni PM sa customer; ang aktwal na oras ay 15 araw ng negosyo batay sa makasaysayang data ng koponan. Ang 7-araw na paglihis ay nagresulta sa isang parusa. Pagkakamali: umaasa sa isang numero mula sa AI upang makabuo ng isang pangako nang walang data ng koponan.
Kaso 3 — Paglabag sa pagiging kumpidensyal. Isang team leader ang nag-upload ng resource plan na naglalaman ng pangalan ng customer, halaga ng kontrata, at impormasyon ng pangalan-suweldo ng buong team sa isang pampublikong AI tool at sinabing "i-optimize ito." Ang data ay napunta sa isang panlabas na server; nagpadala ng paunawa ang customer para sa paglabag sa NDA. Ang tamang paraan ay alisin ang pangalan, halaga, at suweldo at ibahagi lamang ang mga hindi kilalang field tulad ng porsyento ng tungkulin at pagsisikap.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Sumulat tungkol sa katayuan ng aming proyekto ngayong buwan at sabihin sa amin kung hanggang saan na ang aming narating.
Ang pag-aangkin na ito ay may depekto: ang AI ay walang ibinigay na data, kaya masasagot lamang nito ang tanong na "gaano na tayo nakarating" gamit ang isang gawa-gawang numero. Ni ang panahon, o ang saklaw, o ang konteksto ay hindi malinaw.
Napakahusay na prompt:
Ang iyong tungkulin: katulong na tumutulong sa isang tagapamahala ng proyekto. Konteksto: Nasa ibaba ang plano/aktwal na data para sa 5 pakete ng trabaho (pangalan ng kliyente at mga halagang naka-mask).Gawain: Sumulat ng draft ng executive summary (200 salita o mas mababa). Gamitin lamang ang data na ibinigay ko; isulat ang "[kailangan ng kumpirmasyon]" para sa nawawalang impormasyon, pagkakabit ng numero. Structure: 1) General status (RAG), 2) Advancing packages, 3) Deviating packages and reason, 4) Recommendation. Data:- Pagsusuri ng WBS-1: plan 100% / aktwal 100%- WBS-2 Design: plan 80% / aktwal 60%- WBS-3 Development: plan 40% / aktwal 25%- WBS-4 Testing: plan 10% / aktwal 0% - WBS-5 Documentation: plan 20% / aktwal
Malakas ang prompt na ito dahil ang tungkulin, konteksto, data, hangganan ("number fitting"), format, at kalabuan ("[kailangan ng kumpirmasyon]") ay malinaw na ibinigay. Ang output ay dapat pa ring ma-validate ng project manager.
Tatlong iba pang kapaki-pakinabang na template ng panimula:
# Template na nagpapatupad ng kawalan ng katiyakanI-extract ang mga desisyon at aksyon mula sa sumusunod na text. Huwag magtalaga ng mga responsibilidad o petsa na hindi malinaw na binanggit sa teksto; Isulat ang "hindi sigurado" kung saan hindi ka sigurado. Huwag mo na itong gawing ayos.
# Anonymization reminder (self-check) Kung makita mo ang pangalan ng customer, halaga o pangalan ng tao sa text na ibibigay ko sa iyo, balaan ako bago simulan ang proseso at imungkahi sa akin na palitan ang mga field na ito ng [MASKED].
# Template na bumubuo ng isang listahan ng pagpapatunayPara sa bawat resulta ng numerong iyong ginawa, magdagdag ng isang linyang "hakbang sa pagpapatunay" kung paano ito maaring independiyenteng i-verify ng manager ng proyekto.
Mga karaniwang pagkakamali
- Inaasahan ang mga numero nang hindi nagbibigay ng data: Ang pagtatanong sa AI para sa oras, gastos o pag-unlad nang hindi nagbibigay ng data ng iyong sariling proyekto ay nag-aanyaya dito na mag-hallucinate.
- Nakakalito sa katatasan sa katumpakan: Ang isang mahusay na pagkakasulat na teksto ay hindi nangangahulugan na ito ay tama.
- Ang pag-paste ng kumpidensyal na data tulad ng: Pangalan ng customer, halaga at impormasyon ng contact ay hindi dapat magpasok ng anumang bukas na tool nang walang anonymization.
- Delegasyon ng pangako sa AI: Ang petsa ng paghahatid at badyet ay hindi dapat gawin nang walang pag-verify ng team.
- Sinusubukang tapusin ito gamit ang isang prompt: Ang magagandang resulta ay nagmumula sa mga structured na prompt na may kasamang role-context-data-boundary-format.
Tip: Simulan ang bawat session ng AI sa pamamagitan ng pagtatanong, "Anong tatlong bagay ang dapat kong i-verify para sa aking sarili bago ipakita ang maihahatid na ito sa isang sponsor?" Magsimula sa tanong. Ang ugali na ito ay magpoprotekta sa iyo sa lahat ng mga gawain sa natitirang bahagi ng modyul.
Sa buod
Ang artificial intelligence ay isang makapangyarihang katulong sa pamamahala ng proyekto na nagpapabilis ng mga ulat, plano, pagtatantya at komunikasyon; Gayunpaman, ito ay isang tool na gumagawa ng mga draft, hindi mga pangako. Kapag hinati namin ang negosyo sa operational, tactical at strategic layers, nagiging mas maliit ang papel ng AI habang tumataas ang panganib. Ang bawat output ay dapat ma-validate sa pamamagitan ng tatlong hakbang (link sa source, recalculate, administrative filter); Dapat na anonymize ang data ng proyekto at customer sa loob ng saklaw ng KVKK/NDA. Ang pananagutan at panghuling pag-apruba ng mga kritikal na desisyon ay laging nasa tao.
Gawain ng aplikasyon
Pumili ng isang gawain mula sa iyong kasalukuyang proyekto. Una, sumulat ng sadyang "mahina" na prompt sa AI (nang walang konteksto, nang hindi nagbibigay ng anumang data) at i-save ang output. Pagkatapos ay tanungin muli ang parehong gawain gamit ang "malakas na prompt" na istraktura sa yunit na ito (gampanan, konteksto, hindi kilalang data, hangganan, format). Ilagay ang dalawang printout nang magkatabi at isulat ang pagkakaiba at hindi bababa sa tatlong puntos na kailangan mong i-verify nang mag-isa sa parehong mga printout.
checklist
- [ ] Inilagay ko ang tungkulin ng AI bilang "katulong/draft" at ang desisyon bilang "tao".
- [ ] Natukoy ko ang antas ng panganib (mababa/medium/mataas) ng aking gawain.
- [ ] Nagdagdag ako ng papel, konteksto, data, hangganan at format sa prompt.
- [ ] Na-anonymize ko ang pangalan ng customer, halaga at impormasyon ng tao.
- [ ] Nabanggit ko ang hakbang kung saan independyente kong ibe-verify ang bawat numero sa output.
- [ ] Hindi ako nagbahagi ng anumang output na naglalaman ng pangako (petsa/badyet) nang hindi ito bini-verify.