收益：
- 能够理解类比、参数和三点 (PERT) 估算方法，并使用人工智能生成时间和资源估算草案。
- 能够解释预测不确定性（乐观/可能/悲观情景、置信区间）并根据范围而不是单个数字进行规划
- 能够认识到人工智能预测是基于历史模式和假设，并且最终预算和时间承诺必须通过团队数据和专家判断进行验证
估算是项目管理中最困难和风险最大的任务。 “这需要多长时间？”以及“需要多少人？”这些问题的答案构成了时间表、预算和对客户的承诺的基础。即使是管理良好的项目，错误的估计也会导致项目失败：过于乐观的时间将导致延误和处罚，过于悲观的时间将导致失去投标。人工智能是这一领域颇具吸引力的助手；给出以秒为单位的时间。这正是为什么这是最危险的地方：人工智能可以在不知道你的团队实际速度的情况下产生一个自信的数字。在本单元中，我们将介绍预测方法、如何安全地使用人工智能进行预测以及如何验证每个预测。
基本预测方法
让我们定义一些方法。类比猜测是指查看过去类似的工作并说“花了10天，这个是相似的”；它很快但很粗糙。参数估算将单位成本/时间乘以数量（例如“每页 0.5 天 × 40 页 = 20 天”）；是基于数据的。自下而上的估算分别对每个工作包进行估算和汇总；这是最准确但最慢的。三点估计 (PERT) 承认不确定性：对于每项任务，估计乐观 (O)、最有可能 (M) 和悲观 (P) 持续时间并取加权平均值。
PERT 公式为：预期工期 = (O + 4M + P) / 6。例如，对于一项任务，如果乐观 4 天最有可能是 6 天，则悲观 14 天则预期工期 = (4 + 24 + 14) / 6 = 7 天。标准差为 (P − O) / 6 = (14 − 4) / 6 ≈ 1.7 天；这显示了不确定性的边际。与其说“6天”，更诚实的计划是说“预计7天，偏差±1.7天”。
此外，有两个概念很重要。工作量是指工作所需的工日量（例如 10 个工日）。持续时间是指该作业在日历上需要多少天。两个人5天内可以完成10个人日的工作；但并不是每一份工作都可以无限分割（九个女人一个月内不能生孩子）。人工智能可能会混淆两者；你必须把它分开。
方法
什么时候合适？
速度
准确度
人工智能的作用
类比的
早期阶段，信息较少
高
低
建议类似的项目模式
参数化的
如果有一个可测量的单位
高
中等
生成公式和单位大纲
自下而上
如果有详细的WBS
低
高
收集草稿包
三分球（PERT）
如果不确定性很高
中等
中高
建议 O/M/P 场景
一步一步：利用人工智能进行安全预测
- 把团队数据放在第一位。给人工智能你自己过去的认识：“类似的任务我们团队花了这么长时间。”因此，预测是基于您的数据，而不是概括。
- 选择方法。如果不确定性很高，请要求 PERT；如果存在可测量的单位，则为参数化。
- 要求提供三个点，而不是单个数字。询问每个包的 O/M/P 值和假设。
- 让假设可见。打印每个估计的假设（例如“测试环境就绪”、“客户在 2 天内退货”）；错误的假设就是错误的猜测。
- 添加来源并分享。将工作量与时间分开，考虑假期和可用性（例如，一个人实际上每周有 4 天是高效的）。
- 与团队一起校准。与负责这项工作的人员一起审查最终估算。当做出预测的人拥有预测时，预测就会变得可靠。
注意：问AI“这项工作需要多少天？”直接询问结果并将其写入图表是最危险的预测形式。此数字不包括您团队的数据；这只是一般模式，可能是幻觉。
三个迷你箱子
案例 1 — 与 PERT 的诚实计划。一个软件团队要求 AI 对 12 任务模块进行 O/M/P 预测和假设。 AI 给出了草稿；该团队用自己的历史数据纠正了每个任务。预计总时间为38天，悲观总时间为52天。 PM给了客户45天的期限，并留下了7天的保证金。项目于第44天完成；如果没有份额，就会有延迟。
案例 2 — 精力/时间混淆。一名协调员问 AI：“完成 80 个人日的工作需要多少天？”他说。 AI 回答“80 天”，因为它混淆了努力与持续时间。协调员知道这项工作可以由 4 个人并行完成，因此将时间修正为约 25 天（不是 20 天，因为它不可分割）。教训：人类应该控制人工智能的工作/时间分配。
案例 3 — 未经证实的概括。一位产品经理在图表上写道，AI 回应“API 集成通常需要 5 天”。该团队过去与该 API 提供商的合作经验很差，而且文档也很差；这项工作历时13天。如果问球队数据，从一开始就可以看出这一点。经验教训：概括不能代替团队现实。
弱提示/强提示
弱提示：
建立一个电子商务网站需要多少天？
这个提示会迫使人工智能在不知道你的项目数据的情况下生成一个虚构的数字。没有团队，没有范围，没有不确定性。
强力提示：
您的角色：估算专家。背景：以下是我们团队过去的 8 个工作包和类似任务。任务：为每个包生成三点（乐观 O/最可能 M/悲观 P）持续时间估计，并使用 (O+4M+P)/6 计算 PERT 预期持续时间。规则：- 请参考我给出的历史数据；添加一般市场假设。- 在一行中写下每个估计的假设。- 在单独的栏中显示工作量（人日）和持续时间（日历日）。- 用“[需要团队确认]”标记您不确定的包。输出：表（包 | O | M | P | PERT | 努力 | 假设）。历史数据：- 支付集成（历史：9、11、8 天）- 产品目录（历史：6.5 天）- ...（其他套餐）
这个主张是强有力的：方法（PERT）、数据源限制、假设要求以及工作量/时间区别都很明确。
附加模板：
# 假设 Hunter 列出所有你默默接受的假设，这样这个预测就会被证明是正确的。对于每个假设，估计如果事实证明它是错误的，它会对时间产生多大影响。
# 敏感性分析如果后续任务最可能持续时间为M；如果 M 增加 20%，项目总工期会如何变化？哪 3 个任务对总工期最敏感？ （必须首先观看这些任务。）
# 应急建议 根据下面的 PERT 偏差，建议整个项目的合理时间津贴百分比，并解释您的依据。这是一个建议；最终份额归经理所有。
常见错误
- 坚持单一数字：说“10天”隐藏着不确定性； O/M/P 范围是诚实的。
- 混淆工作量与时间：40 个工作日不是 40 个日历日。
- 假设 100% 可用性：没有人可以每周花 5 天单独完成这项任务；有会议、休假、中断。
- 错误地概括团队数据：人工智能的“典型时间”并不是你团队的速度。
- 不写下假设：看不见的假设是会爆炸的猜测。
- 无余量：如果存在不确定性，则必须有合理的时间/预算余量。
提示：猜完后，问问自己：“这个数字实现的可能性是 90% 还是 50%？”大多数一分投注实际上是 50% 的投注；在向客户做出承诺时要了解这一点。
综上所述
估算是项目中风险最大的工作。类比法、参数法、自下而上法和三点 (PERT) 方法提供不同的速度和精度。人工智能在选秀预测和场景生成方面速度很快，但它在不了解团队数据的情况下进行概括，并且可能会混淆工作量/时间。安全猜测；将团队数据放在首位，分三点工作，使假设可见，将精力和时间分开，并与团队一起校准最终数字。承诺的日期和预算始终经过人工验证。
应用任务
从您的项目中选择 5 项任务。向 AI 询问 O/M/P 估计以及每个的 PERT 预期时间（匿名提供您团队的历史数据）。然后写出每项任务背后的假设，并与负责这项工作的团队成员一起审查估算。根据团队数据纠正至少两项估计，并确定总计的合理时间裕度。
清单
- [ ] 我的估计是基于我团队的历史数据，而不是概括。
- [ ] 我练习的是 O/M/P（三个点）而不是奇数。
- [ ] 我写下了每个预测的假设。
- [ ] 我将工作量（人日）和时间（日历）分开。
- [ ] 我考虑了实际的限制，例如可用性/权限。
- [ ] 我为不确定性留了合理的余地，并与团队一起校准了估计。